摘要
轨道交通系统的安全运行高度依赖于其设备的高效可靠维护,任何故障或异常操作都可能对运输安全构成严重风险。传统的人工巡检方法往往具有成本高、效率低且易受人为错误影响的特征。为应对这些局限性,本文提出了一种基于边缘智能(Edge Intelligence, EI)和5G技术的轨道交通设备巡检系统。所提出的系统采用云-边-端协同架构,集成了计算机视觉(Computer Vision, CV)技术以实现巡检任务的自动化;具体而言,采用微调的YOLOv8模型进行人员和设备的对象检测,同时利用ResNet-18网络进行设备状态分类。通过在边缘服务器(NVIDIA Jetson AGX Orin)上实施符合ETSI MEC标准的框架,系统提高了数据处理效率和网络性能,同时通过使用5G专网将关键基础设施数据与公共互联网隔离来进一步增强安全性,并通过分布式边缘节点消除单点故障来提高鲁棒性。该解决方案已在北京地铁6号线的实际场景中部署和评估。实验结果表明,YOLOv8模型在设备检测上的平均精度(mAP@0.5)达到92.7% ± 0.4%,ResNet-18分类器在区分正常和异常状态方面的准确率达到95.8% ± 0.3%。与以云为中心的架构相比,基于EI的系统将异常检测任务的平均端到端延迟降低了45%(28.5 ms vs. 52.1 ms),并通过涉及图像和短视频片段的事件触发证据上传策略,将每日带宽消耗显著降低了约98.1%(从40.0 GB降至0.76 GB),凸显了其卓越的实时性能、安全性、鲁棒性和带宽效率。
1. 引言
轨道交通因其高可靠性、大容量和准点性已成为全球广泛采用的交通方式之一。随着轨道交通网络的不断扩展,确保运营安全已成为首要关注点。各种轨道交通设备的正常运行对系统安全至关重要,任何故障或异常行为都可能直接影响服务稳定性,并可能导致严重事件。
轨道交通系统中的传统巡检方法严重依赖人力。这种“人对设备”的管理方法随着网络规模的扩大暴露出诸多局限性。人工巡检本质上是劳动密集型、耗时且成本高昂的。例如,一些研究估计,人工巡检团队可能产生数百万美元的年成本,而视觉巡检任务的人为错误率高达2.23%。此外,在疲劳或复杂环境下,巡检准确性会下降,导致遗漏和误识别。这些问题最终会损害可靠性、效率和及时性,对轨道交通运营构成潜在安全隐患。
为提高巡检效率和安全性,研究人员提出了各种智能巡检解决方案。例如,开发了基于QR码的巡检系统,简化了数据记录但仍需现场操作;设计了用于地铁通信信号室的自主巡检机器人以实现实时监控和控制;采用轨道式巡检机器人进行自动巡检,降低了人工成本,但设备的高投入限制了其广泛应用。应用了基于AI的视频识别技术用于轨道交通信号设备的自动巡检,并提出了用于诊断货运列车性能的路旁系统。然而,这些基于视频的解决方案往往存在处理时间长、效率低或误报率高的问题,限制了其现场应用。使用YOLOv5算法实现了设备指示灯状态的自动识别,提高了巡检效率,减少了漏检。
计算机视觉(CV)广泛应用于目标检测和图像识别,有潜力极大提升轨道交通设备巡检的自动化和精确度。然而,大多数轨道交通系统依赖计算资源有限的集中式管理,这对需要大量计算能力的CV算法构成了延迟挑战。过长的推理时间严重限制了实时应用性。为缓解这些挑战,引入了边缘计算(Edge Computing, EC)在数据源附近进行分布式推理。通过在边缘节点而非集中式服务器上处理数据,EC可以将网络延迟降低到毫秒级。
为进一步提升系统智能性和适应性,本研究将边缘智能(Edge Intelligence, EI)集成到巡检框架中。人员监督被认为是该设备巡检系统的一个组成部分,因为人工干预的有效性是设备安全的前提。近期的系统综述强调了“揭示”边缘智能的变革潜力,超越了简单的数据卸载,转向边缘的分布式认知计算。类似地,展示了利用计算机视觉和边缘计算的智能交通监控系统的有效性,为将这些技术应用于交通垂直领域提供了有力的先例。此外,强调在智能交通系统中部署深度学习需要严格关注可靠性和鲁棒性,这些因素是我们系统设计的核心。虽然先前的研究从理论上探索了“揭示”边缘智能的概念或将边缘计算应用于一般交通监控,但这些方法往往缺乏针对地下轨道交通环境特定约束的统一框架。具体而言,现有解决方案很少同时应对通过5G专网确保数据隐私和通过事件触发视频证据上传优化带宽的双重挑战。我们的工作通过实施完全符合ETSI MEC标准的架构来弥合这一差距,该架构将鲁棒的深度学习模型直接集成到巡检工作流中,确保实时异常检测和高效数据传输。
作为人工智能(AI)的新兴范式,EI支持网络边缘的本地化推理、实时决策和协同模型部署。补充这一范式,所提出的系统采用符合ETSI MEC标准的架构,提供标准化的超低延迟通信和高带宽数据处理,从而增强部署可扩展性。
在任务执行方面,我们设计了一个基于CV的巡检算法,由两个模块组成。第一个模块使用目标检测实时检测人员和设备,第二个模块分析现场人员上传的离线巡检视频。图像数据由终端传感器捕获并在附近的边缘节点处理,聚合结果传输到中央管理平台。这种分布式方法提高了巡检自动化和实时响应能力,同时有效降低了运营成本。
本文的主要贡献总结如下:
- •
我们提出了一种基于边缘智能和5G技术的轨道交通设备巡检系统,利用符合ETSI MEC标准的架构来克服人工巡检的成本和错误限制。
- •
我们开发并定量验证了一个两阶段巡检算法。微调的YOLOv8模型在检测上达到92.7% mAP@0.5,ResNet-18模型在状态分类上达到95.8%的准确率,实现了轨道交通设备的实时监控。
- •
我们在北京地铁6号线的实际场景中部署和评估了该系统。结果表明,与传统的以云为中心的架构相比,所提出的EI系统将平均端到端延迟降低了45%(从52.1 ms降至28.5 ms),并通过包含视频证据的事件触发机制将上行带宽消耗降低了98.1%。
2. 基于边缘智能的设备巡检系统模型
本节从系统架构和操作角度详细分析了基于边缘智能的轨道交通设备巡检系统。
2.1. 设备巡检系统架构
基于EI的巡检系统部署在EI平台上。系统架构由三个功能层组成:终端层、边缘层和云层。这些层的计算能力从终端到云递增。通过使用云-边-端协同的边缘计算系统逻辑,我们可以有效减少从终端传输到云(数据处理中心)的数据量。基于轨道交通设备巡检任务的实际需求和云-边-端架构,系统框架主要包括以下三个组成部分:
- •
终端层:摄像头部署在轨道旁、隧道、设备室等位置,或由巡检人员携带,执行设备和人员状态采集相关任务。
- •
边缘层:在每个边缘节点安装边缘服务器,部署基于计算机视觉的巡检算法。边缘服务器上的目标检测系统直接与终端层的图像采集系统交互,处理摄像头捕获和上传的图像数据,生成设备状态信息,并实时上传到云的数据处理中心进行进一步分析。
- •
云层:在云中部署数据处理中心,用于聚合和分析数据并生成可视化。数据处理中心允许实时监控巡检人员的工作状态和轨道交通设备的状况,以及查看边缘服务器处理后的图像数据。
EI架构进一步提供了显著增强设备巡检系统性能和可靠性的关键优势。通过在边缘直接处理原始的未压缩视频数据,系统保留了在云传输过程中可能丢失的细粒度视觉细节,从而提高了检测准确性。采用专用的5G专网确保所有巡检数据与公共互联网隔离,极大地增强了系统安全性,降低了数据拦截或篡改的风险。此外,边缘节点的分布式部署消除了单点故障,允许每个节点独立持续运行,确保即使在部分网络或设备故障下系统也具有鲁棒的可靠性。最后,通过仅上传事件触发的结果而非连续视频流,EI系统大幅降低了带宽消耗,提高了通信效率,使其非常适用于长期、实时的设备监控场景。
2.2. 智能设备巡检系统的操作工作流
基于边缘智能的轨道交通设备巡检系统的操作工作流如下所述。系统工作流始于巡检人员采集实时录像或录制视频,然后通过边缘服务器和数据处理中心进行处理,实现高效、准确、可靠的设备巡检。具体工作流如下:
- •
终端层:巡检人员可以使用手机或平板电脑录制视频。完成巡检后,录制的视频被上传到系统。视频上传是离线的,即在巡检任务完成后上传。安全摄像头:安装在轨道交通设备位置的摄像头捕获实时录像,并传输到系统。此实时录像立即上传以确保实时监控。
- •
边缘服务器层:数据实时或离线传输到边缘服务器,边缘服务器执行目标检测和识别。使用计算机视觉技术,边缘服务器高效分析图像数据以识别设备状态或潜在故障。我们的系统将“实时”定义为实现低于33 ms的推理到警报延迟,支持30 FPS的处理速度。通过图像处理和数据分析,边缘服务器对设备进行实时巡检,确定设备是否正常运行或存在任何异常。
- •
数据处理中心层:边缘服务器上传的数据在云中的数据处理中心进行进一步分析。数据处理中心整合和分析图像数据、设备状态及其他相关信息以生成可视化,实现设备状况的实时监控。数据处理中心还进一步处理设备状态的分析结果,确保巡检任务的高效执行。
该工作流确保了任务执行的高效率、设备识别的高精度和系统监控的高可靠性,保证了轨道交通设备的稳定运行。
3. 基于目标检测的轨道交通设备巡检算法
针对轨道交通设备巡检任务的特点和需求,我们选择了YOLO目标检测算法来辅助实现巡检任务。具体而言,我们在智能轨道交通设备巡检系统中采用了最新的YOLOv8目标检测模型,并在自定义数据集上进行了微调。为进一步提高设备状态识别的准确性并确保检测结果的稳定性,我们引入了ResNet-18深度残差网络模型(同样经过微调)用于设备状态检测子任务。
3.1. 深度学习模型选择与架构
选择YOLOv8和ResNet-18是基于计算延迟、检测精度和在边缘设备(NVIDIA Jetson AGX Orin)上部署可行性的严格权衡分析。虽然其他架构(如MobileNetV2)提供更低的延迟,但我们的初步分析表明它们缺乏在低光照隧道环境中检测小型机械缺陷所需的特征提取深度。相反,更大的模型(如ResNet-50或YOLOv8-L)的推理延迟超过了我们33 ms的实时阈值。
用于检测的YOLOv8:我们采用YOLOv8目标检测模型进行人员和设备的初始定位。选择YOLOv8是因为其无锚框头和改进的损失函数,在识别小目标方面相比先前版本具有优越性能。我们专门微调了检测头以识别轨道特定设备类别。
用于分类的ResNet-18:在后续的状态分类阶段,选择了ResNet-18而不是更浅的网络。其残差连接防止了梯度消失,允许进行鲁棒的特征学习,而无需像ResNet-101等更深变体那样沉重的计算成本。该方法使我们能够准确确定检测到的设备区域(例如,开/关)的状态。
3.2. 实时巡检人员监控算法设计
基于目标检测的实时巡检人员监控算法利用YOLOv8模型实时检测监控摄像头图像中出现的对象,特别是当巡检人员出现在画面中时,能够进行准确的识别和定位。该算法的核心功能是记录巡检人员在监控画面中出现的时间和总停留时间,以评估其工作状态。该算法的整体架构展示了算法如何高效集成到监控系统中,支持轨道交通设备的维护和管理。
我们提供了算法1的伪代码,给出了算法的高级逻辑概述。通过设计目标检测模型,我们能够分离检测监控画面中巡检人员出现和记录其出现时间的任务。当画面中没有巡检人员出现时,系统仅运行YOLOv8目标检测网络。这提高了模型的帧率,增强了检测能力,并减少了不必要的计算。一旦在画面中检测到巡检人员,系统自动开始记录他们首次出现在画面中的时间及其总停留时长。这种设计使得模型在无需记录数据时可以高效运行,而在检测到巡检人员时能准确记录关键时间数据,从而有效评估人员的工作状态。
在基于边缘智能的云-边-端协同架构下,实时巡检人员监控算法可以完全部署并运行在边缘服务器上,实现对巡检人员工作状态和工作流程的检测。在轨道交通设备巡检过程中,我们在关键区域部署监控摄像头,并使用先进算法实时监控和评估巡检人员的工作状态。具体而言,我们首先定义每个摄像头画面应覆盖的设备数量,并设置检查每个设备所需的时间范围。算法从巡检人员进入摄像头画面开始计时,直到他们离开画面,记录实际检查时间。然后,算法将此实际时间与预设时间范围进行比较。如果实际时间在范围内,则认为人员工作状态正常;如果超出范围(无论过短或过长),算法将标记为异常并提醒数据处理中心的工作人员。
此外,在轨道交通设备巡检过程中,我们通过对监控摄像头编号来确保巡检人员遵循既定的巡检顺序。人员必须按照摄像头的数字顺序出现在画面中才能完成正确的巡检过程。算法通过记录巡检人员出现在每个摄像头画面中的顺序来监控此过程。每次巡检人员进入一个摄像头画面,该摄像头编号会被添加到一个数组中。然后将此数组与一个包含按规定的巡检顺序排列的摄像头编号的参考数组进行比较。如果记录的摄像头编号与参考数组中的匹配,则认为巡检过程正常。任何不一致都会触发漏检或错误巡检的检测,并自动提醒数据处理中心的工作人员。这使得可以实时监控人员的工作,并确保轨道交通设备巡检过程正确进行。
3.3. 轨道交通设备状态检测算法设计
基于目标检测的轨道交通设备状态检测算法利用YOLOv8模型检测和定位移动摄像头和监控画面中的轨道交通设备。此外,我们采用基于ResNet-18的回归网络来检测设备状态,例如隧道轨道旁设备的盖子是否打开或设备室的门是否打开。该算法的整体架构如图所示。
我们提供了算法2的伪代码,给出了算法的高级逻辑概述。
在基于边缘智能的云-边-端协同架构下,我们可以将轨道交通设备状态检测算法完全部署并运行在边缘服务器上,实现地铁通信设备的检测和状态评估。对于地铁通信设备的检测和识别功能,我们精确标注每种需要检测的设备类型,编译并使用数据集进行模型训练和验证,最终将训练好的模型部署在边缘服务器上,用于快速准确地检测地铁通信设备。在实践中,我们使用一种先进的算法来确定设备柜门的开闭状态。我们选择ResNet-18作为状态检测的基础模型。ResNet-18通过残差学习解决了深度卷积神经网络(CNNs)在训练过程中可能面临的精度饱和和退化问题。ResNet-18的核心优势在于其残差单元,允许网络学习输入和输出之间的残差函数,即使对于非常深的网络也能进行有效训练。经过预处理后,RGB图像(由YOLOv8裁剪)被送入ResNet-18网络,经过一系列卷积层和残差块处理。输出特征传递到一个512单元的全连接层,该层随后连接到一个最终的2单元密集层,使用softmax激活来预测设备门的“正常”或“异常”状态。通过将ResNet-18与YOLOv8结合,我们实现了一个鲁棒的两阶段流程,用于精确检测轨道交通设备状态。YOLOv8首先处理图像中设备的定位,然后ResNet-18对裁剪区域进行细粒度分析以确定其开闭状态。这种组合利用了两种模型的优势,为状态监控提供了一个全面的解决方案。
4. 实验结果与讨论
在本节中,我们通过现场部署和仿真相结合的方式评估所提出的系统架构和巡检算法。首先,我们将系统部署在北京地铁6号线的五路居学苑路站和积水潭运营中心。其次,我们进行了离散事件仿真,以在不同负载下压力测试(本地、边缘和云)卸载场景。最后,我们使用所述数据集训练识别模型,并在实际条件下验证智能巡检算法。所有报告的模型性能指标(例如,mAP,准确率)代表5次独立训练运行的平均值,以确保统计可靠性。
4.1. 实验设置与系统架构测试
为验证所提出的架构,我们建立了一个对比实验环境。边缘服务器配备NVIDIA Jetson AGX Orin 64 GB模块(12核Arm Cortex-A78AE CPU,2048核NVIDIA Ampere GPU),代表高性能边缘计算。对于云基线,我们使用了一个配备NVIDIA V100 GPU的AWS EC2 p3.2xlarge实例来模拟集中式处理。
需要指出的是,图中所示的延迟结果是通过离散事件仿真获得的,以评估架构在超出当前物理部署能力的负载下的可扩展性。X轴单位指的是仿真模型中的归一化数据包有效载荷大小。这种理论建模解释了延迟曲线中观察到的线性特征,并用于基准测试架构极限。
图7显示了系统延迟随任务数据大小的变化,评估了任务数据大小对卸载策略的影响。当所有任务都卸载到边缘服务器时,系统的整体延迟保持稳定,因为延迟仅与边缘服务器的计算能力相关。相反,在云卸载场景中,随着数据大小的增加,通信延迟显著增加,导致更高的整体计算延迟。特别是当计算任务超过320比特时,边缘计算的延迟优于云计算,展示了边缘计算的优势。
图8说明了系统延迟随边缘服务器数量的变化。当边缘服务器数量超过10个时,边缘计算的延迟始终低于云计算。这证实了边缘卸载显著降低了总系统延迟,提高了实时性能,同时降低了能耗。
4.2. 算法的现场部署与测试
为验证我们算法的可行性,我们将系统部署在北京地铁6号线。监控摄像头部署在通信设备室,并由区间巡检人员手持。所有模型均使用表2中指定的超参数进行微调。
图9a,b分别显示了模型在使用和不使用ResNet-18情况下的训练结果。结果表明,在加入ResNet-18后,模型在各种训练和验证指标上表现更稳定和优异:训练损失变化平稳,验证损失波动极小,显示出强大的泛化能力;准确率和召回率均衡良好,mAP50和mAP50-95在多个训练周期中持续提升,表明检测能力强且稳定;学习率调整稳定,有助于模型优化。尽管对照组显示训练损失减少,但验证集中的损失和mAP表现出显著波动,表明存在过拟合。
在现场部署期间,我们特别分析了系统在非理想条件下的行为。系统在涉及手持设备快速移动引起的极端运动模糊的场景中表现出偶尔的性能下降,这暂时阻止了YOLOv8模型锁定设备边界。此外,复杂的光照变化(例如,突然的列车头灯)偶尔会触发“异常”状态分类器的误报。然而,由于高帧率(25 FPS)和时间冗余逻辑,系统通常在3-5帧内(约150 ms)纠正这些检测,保持了高的整体可用性。
人员监控逻辑(算法1)的定量性能在100个模拟巡检视频的测试集上进行了验证,达到了98%的准确率(表3)。
为评估所提出的设备状态检测算法(算法2)的整体性能,我们将混淆矩阵分析与定量指标相结合。表4展示了ResNet-18模型的详细分类结果及相应的性能指标。
如表4所示,模型表现出高可靠性。在160个实际‘关闭’实例中,159个被正确预测。对于关键的‘打开’(异常)类别,系统实现了99.3%的召回率,仅漏检1个实例。与‘背景’类的轻微混淆(3个实例)表明在复杂光照条件下存在微小挑战,这通过视频流中的时间冗余得以缓解。
4.3. 网络带宽与存储效率分析
为解决EI在带宽受限的轨道环境中的实际效用问题,我们进行了严格的上行数据流量对比分析。与比较EI与未优化的传统系统的传统研究不同,我们以高度优化的云基线为基准,该基线利用H.265+智能编码,以确保对架构效率而非压缩差异的公平评估。我们假设每个车站节点典型部署5个摄像头。
- •
云基线(优化):此场景假设5个摄像头(1920 × 1080,25 FPS)为满足安全合规性而连续(24小时)流式传输。通过启用H.265+智能编码,对于大部分静态的轨道场景,每个摄像头的平均码率降低至0.74 Mbps。
- •
EI系统(增强):边缘服务器在本地处理视频。为确保安全关键异常的可审计性,系统仅在事件检测时上传数据。每次上传包括一张高分辨率图像(300 KB)和一段10秒的视频片段(H.265编码,≈2.5 MB)作为证据。我们假设一个高流量场景,每天大约有270个触发事件(包括例行每小时健康检查以及人员/异常检测)。
如表5所示,即使与优化的H.265+基线相比,所提出的EI系统也将每日数据流量从40 GB减少到0.76 GB。这98.1%的减少对于5G/4G信号强度可能间歇性的轨道交通隧道至关重要。此外,EI有效载荷中包含10秒视频证据,满足了人工验证的实际需求,而无需承担连续流传输的巨大开销。
在试运行阶段,我们参与了巡检人员的日常工作,并使用智能巡检算法监控人员的工作状态和轨道交通设备的运行状态。如图10所示,智能巡检系统准确快速地识别了设备及其状态。在实际操作中,该系统以相同视频流的人工审核为基准,在检测异常状态(如打开的机柜)方面达到了98%的准确率,在边缘服务器上的平均端到端检测到警报延迟为28.5 ms。这一性能验证了其在实际部署中的有效性。
5. 结论
本研究提出了一种基于边缘智能(EI)和5G技术的轨道交通设备巡检系统,旨在解决传统人工巡检方法成本高、错误率高和效率低的问题。通过采用符合ETSI MEC标准的云-边-端协同架构,系统有效提升了检测速度和准确性,同时优化了数据处理和传输效率。实验结果表明,