基于综合卫星遥感的典型铁路设施提取方法研究

随着遥感技术在铁路行业应用的深入,应用多源遥感对铁路设施状态进行观测成为学界和产业界关注的热点。针对铁路设施状态定量化监测问题,应用InSAR技术可以获得铁路设施沉降信息,沉降信息的分析提取往往要借助设施的类别、位置等属性,否则无法进一步对特定铁路设施的沉降进行量化评估。文章综合利用星基光学与微波遥感影像,通过目标检测技术对铁路设施进行自动提取,确定铁路设施微波散射点与光学属性中类别与位置的对应关系;选取典型区域,以接触网立柱为例,利用多源遥感影像对文中提出的提取方法进行验证,结果显示:综合光学遥感影像的高空间分辨率以及SAR影像对铁路设施特异性散射的特征对铁路设施进行提取,提取准确率较光学遥感影像提取准确率提高2.8%,较SAR影像提取准确率提高9.2%,同时提取结果中设施位置更准确,可减少因设施的错误监测造成的行车安全影响,为InSAR对铁路设施形变的定量化监测提供参考。

基于遥感技术的铁路外部环境安全隐患监测

针对铁路沿线安全隐患种类多、分布范围广、人工巡检工作量大的问题,根据现有铁路外部环境安全隐患监测工作流程,提出基于遥感技术的铁路外部环境安全隐患监测方法,包括遥感影像的获取、解译,安全隐患的建档与复核、治理等,搭建铁路外部环境安全隐患调查平台,提高铁路外部环境安全隐患监测的信息化水平。将该方法应用于京津城际铁路试验区域的铁路外部环境安全隐患监测工作中,结果表明可以对该区域内彩钢房及防尘网进行自动化提取并支撑安全隐患现场复核与管理等工作,减少了人工巡检的工作量,尤其是人工难以抵近区域的隐患监测,为遥感技术应用在铁路外部环境安全隐患监测工作提供参考。

InSAR技术在城市环境轨道交通设施沉降监测中的应用

以城市环境轨道交通中具有代表性的铁路线路形变监测为例,采用星载合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar,InSAR)技术搜集了79景高分辨率Cosmo-SkyMed影像,其时间跨度为2013年1月到2020年8月,在研究区域内得到了540120个目标点,并利用这些数据开展铁路沿线沉降观测。结果表明:该区域最大沉降速率达到了86.3 mm/年;沉降时间序列信息展示了观测期间内的沉降变化趋势,体现了高分辨率影像在长时间跨度内进行城市环境轨道交通沉降监测的有效性。得到的沉降速率和历史沉降信息能为沉降分析和治理提供参考。

铁路专用遥感探测卫星设计与仿真

基于长大铁路线路横跨多个区域,所处特殊地理位置、地质条件和气候条件,提出铁路遥感探测需求分析。根据需求分析结果,提出铁路专用遥感探测卫星的设计方案,包括成熟的有效载荷和卫星平台。其中,有效载荷为铁路专用智能探测载荷,根据铁路具体情况优化了SAR观测分系统波段、极化方式和智能处理分系统;卫星平台采用成熟的卫星平台方案,针对重轨干涉SAR的需求,加强了姿态轨道控制分系统的设计。针对铁路的高频次重访需求,对卫星轨道的倾角和高度进行设计。基于当前设计,经STK仿真对过境时间进行模拟,结果证实,该设计可实现对待观测铁路的高频次重访。铁路专用遥感探测卫星设计可用于铁路的遥感探测,并应用于铁路的勘测、建设和运营监测。

卫星遥感在铁路监测中的应用进展

国内外卫星遥感技术不断发展,基于卫星遥感的监测技术在铁路中的应用不断增加。本文综述了卫星遥感图像和数据在我国当前铁路勘测、施工和运营中的应用进展,并对后续应用和发展趋势进行了展望。

基于TSInSAR技术的铁路线路沉降监测

干涉合成孔径雷达技术(InSAR)作为一种大范围地表形变信息获取手段,已在不同行业取得较大发展,可应用于铁路线路沉降监测工作。针对铁路线路沉降监测中存在的效率、天窗期和人工因素影响等问题,利用时序干涉合成孔径雷达技术(TSInSAR),对某铁路典型区段开展沉降监测,并与水准测量结果进行对比;基于沉降监测结果,对铁路监测区域的路桥过渡段进行沉降风险等级划分。结果表明:利用时序干涉合成孔径雷达技术测得的沉降量与水准测量结果基本一致,且测量精度可达毫米级,具备探测大范围地表沉降能力,可为运营铁路线路沉降监测提供新的技术手段。

基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数

针对传统机器学习采用人工提取特征方法时,由于人为主观性而影响昆虫识别效果与计数准确性的问题,采用图像特征自动提取方法,将深度学习目标检测模型引入昆虫的识别与计数领域,对Faster-RCNN目标检测模型进行改进:针对昆虫体积小,图像分辨率较低的特点,用网络深度更深,运算量更小的深度残差网络(ResNet50)代替原来的VGG16,以提取更加丰富的特征;针对部分昆虫密集的特点,用Soft-NMS算法代替传统的非极大值抑制(NMS)算法,以减少密集区域的漏检。结果表明:改进后Faster-RCNN模型的检测准确率达到90.7%,较未改进的Faster-RCNN模型提高了4.2%,可以运用于昆虫的分类计数。利用深度学习目标检测模型进行昆虫识别与计数较传统的昆虫识别与计数方法更加方便,能够将昆虫的识别、定位和计数融为一体。