基于BP神经网络的列车站台门异物检测

严华兵

（广州邦讯信息系统有限公司，广东 广州 510000）

地铁列车是大城市中最重要的公共交通工具，它给人们生产生活带来便利的同时，也给人们生命财产安全造成了一定损失。截止目前，我国已出现了多起地铁站台门间隙夹人事故，因此对地铁列车站台门异物检测进行研究，对减少地铁安全事故具有重要意义[1]。

目前站台门空隙异物检测主要采用人工目视和红外激光等方法，但人工目视主观性较强，人工疏忽造成安全事故的现象时有发生，而且浪费人力财力[2-3]。激光检测受站台环境影响较大，准确性较差，容易出现误报。随着人工智能的发展，神经网络、K-means聚类等算法被应用于地铁站台门异物检测领域，取得了良好的应用效果。文献[4]采用免疫算法和小波神经网络组成混合算法，提出了一种基于混合算法的地铁站台门检测方法，实现了对地铁站台门状态的准确监测。文献[5]对监测图像进行二值化处理，利用K-means聚类算法对地铁站台门空隙中的异物进行了检测。但检测结果的准确性还有待进一步提高。

该文采用BP神经网络对地铁列车站台门与列车门之间的异物识别进行检测，建立了基于BP神经网络的列车站台门异物检测系统，并将该系统应用于实际场景以验证所提方法的正确性。

1 BP神经网络图像识别

1.1 BP神经网络

1986年，科学家Rumelhart在神经网络研究的基础上提出了一种误差反向传播的多层前馈网络，即BP神经网络[6]。BP神经网络通常由输入层、隐含层和输出层组成，在学习过程中利用学习误差不断修正权值和阈值，直到获得满意的学习效果。由于BP神经网络本身已经学习并储存了大量的映射关系，能够很好地处理非线性问题，目前已得到广泛应用[7]。

BP神经网络的训练过程包括信号的正向传播和误差的方向传播，在该过程中，根据训练误差不断修正网络结构连接的权值和阈值，使输出层的实际输出更接近期望输出。

1.1.1 信号的正向传播

令BP神经网络隐含层中第i神经元的输入为neti，则neti可表示为公式（1）。

令隐含层中第i神经元的输出为ai，则ai可表示为公式（2）。

式中：wij为输入层神经元与隐含层神经元之间的连接权值；θj为输入层阈值；f为Sigmoid函数，其表达式如公式（3）所示。

通过神经元之间的传播，输出层中第k个神经元的输出yk可表示为公式（4）。

式中：wij为输出层神经元与隐含层神经元之间的连接权值；θr为隐含层阈值。

由此可以得到信号传播过程中的误差函数，如公式（6）所示。

1.1.2 误差的反向传播

BP神经网络在学习过程中可根据实际输出与期望输出的误差不断调整权值和阈值，调整方法采用梯度下降法，输入层和隐含层之间、隐含层和输出层之间的权值的调整公式分别如公式（7）、公式（8）所示。

对公式（8）进一步变换后可得公式（9）。

综合公式（4）和公式（6）可得公式（10）。

此时，输入层存在如公式（11）所示的关系。

又因为公式（13）、公式（13），所以可以得到输入层与隐含层之间权值的调整量如公式（14）所示。

同理，又可以得到输入层与隐含层之间阈值的调整量，如公式（15）所示。

输出层存在如公式（16）所示的关系。

又因为公式（17）、公式（18），所以隐含层与输出层之间权值的调整量如公式（19）所示。

同理，隐含层与输出层之间阈值的调整量如公式（20）所示。

1.2 基于BP神经网络的图像识别原理

令张量T的长为W，宽为H，通道数为C，先在BP神经网络输入图像，在隐含层中计算后，利用激活函数输出张量形式的特征图。隐含层中的计算结果To如公式（21）所示。

式中：Tc为T在通道c上的一个分量；Mc为M在通道c上的一个分量。

将To作为激活函数的输入参量，利用激活函数输出张量T1如公式（22）所示。

式中：To，w'，h'，c'为To的像素点；b为偏置量。

为了不丢失图像特征和降低输出维度，需要进行池化计算，张量T的池化计算结果如公式（23）所示。

式中：pool为最大池化函数。

经过池化处理后，再进行全连接计算，张量T的全连接计算结果如公式（24）所示。

式中：Full为最大池化函数。

进过处理后，即可利用非线性激活函数输出图像的二维张量。

2 基于BP神经网络的站台门异物检测系统

2.1 站台异物定义

地铁列车门与站台门处设有防夹设备，当列车门或者站台门处有异物时，防夹设备会启动并报警，不会发生安全事故。当异物位于地铁列车门与站台门之间的间隙时，防夹设备不能识别，因此该文研究对象为列车门与站台门之间间隙处的异物识别，研究表明，此处异物尺寸的长宽高不小于0.3m×0.12m×0.2m。

2.2 BP神经网络异物检测步骤及流程

该文采用BP神经网络对列车门与站台门之间间隙处的异物进行检测，主要步骤如下，检测流程如图1所示。

图1 BP神经网络异物检测流程图

第一，通过模拟试验搜集图像数据，建立数据集。

第二，对数据集进行归一化处理，如公式（25）所示。

式中：xi为特征量原始值；xmax、xmin分别为特征量最大值和最小值；x'i为特征量归一化后的数值。

第三，将归一化后的数据集划分为训练集和测试集，训练集用于BP神经网络训练，测试集同于检测BP神经网络的识别精度。

第四，利用训练集对BP神经网络模型进行迭代训练，确定BP神经网络结构。

第五，判断是否达到迭代终止条件，如果是则对测试集样本进行识别，否则继续迭代。

第六，将列车站台的真实图像数据输入BP神经网络模型，即可检测列车站台间隙是否存在异物。

3 仿真分析

3.1 建立特征集

出于安全考虑，无法获得大量列车门与站台门之间间隙处的异物真实图像，只能在地铁训练站进行试验得到模拟图像，通过模拟试验获取2000张异物图像数据，按照9∶1的比列对数据集进行划分，则训练集样本容量为1800，测试集样本容量为200。

3.2 建立BP神经网络模型

建立BP神经网络的关键在于确定BP神经网络的网络结构，输入层和输出层神经元的个数很好确定，需要通过训练或计算确定隐含层神经元的个数[8]。隐含层神经元的个数取值应合理，否则会影响BP神经网络的拟合效果，取值过小使模型得到的训练不充分，出现“早熟”现象，取值过大则会增加计算量，导致算法收敛较慢或不收敛。目前隐含层神经元个数的确定方法有2种：一是利用经验公式确定，该方法虽然能够适应大部分情况，但计算精度相对较低；二是通过取不同神经元个数进行反复训练，最终确定隐含层神经元的个数最佳值，该方法虽然计算量相对较大，但获得的隐含层个数更合理，该文采用反复训练的方法确定隐含层神经元的个数。

设置输出层训练函数为trainlm函数，传递函数为logsig函数[9]，学习精度取10～9，学习率取0.1%，训练次数为1000次，隐含层数量为3～20。通过反复训练，当隐含层神经元个数为16时，BP神经网络训练过程中的准确率为99.95%，具体试验结果如图2所示，因此该文BP神经网络模型隐含层神经元的个数为16。

图2 隐含层不同神经元个数的训练误差

3.3 仿真结果分析

利用BP神经网络对测试集图像进行检测，采用支持向量机（SVM）和K-means算法进行对比，3种算法对测试集图像检测时出现误检测次数和准确率见表1。由表1可知，BP神经网络、SVM和K-means算法分别出现了3次、9次和16次误检测，3种算法检测结果的准确率分别为98.5%、95.5%和92%，可见BP神经网络的异物检测效果更好。

表1 3种算法检测结果对比

利用BP神经网络异物检测系统对某地铁车站一个月的视频图像进行分析检测，该线路地铁列车运行时间为6：00～23：59，以2小时为一个时段对检测结果进行统计，具体见表2。

表2 4种预测方法预测结果的正确率

由表2可知，BP神经网络异物检测系统检测结果的准确率最低为97.45%，在早高峰（6:00～7:59）、午高峰（12:00～13:59）和晚高峰（18:00～19:59）时段，检测结果的准确率有所下降，其原因在于高峰时段乘客较多，乘客在上下列车时相对拥挤，使系统检测环境变得更加复杂。但从整体上看，各时段检测结果的平均准确率为98.23%，平均单次检测耗时为（5.19×10-2）s。可见在实际应用中，BP神经网络异物检测系统也具有良好的监测性能，验证了该文所提的基于BP神经网络的站台门异物检测方法的正确性和实用性。

4 结论

该文采用BP神经网络对地铁列车站台门与列车门之间的异物识别进行检测，建立了基于BP神经网络的列车站台门异物检测系统，利用模拟试验对BP神经网络模型进行训练，确定了BP神经网络的网络结构。通过仿真测试和实际应用对BP神经网络异物检测方法的检测效果进行验证，结果表明，BP神经网络的检测结果更准确，耗时更短，验证了该文所提站台门异物检测方法的正确性和实用性。