安全始终是中国铁路运营的头等大事,为了实现安全驾驶的目标,中国铁路制定了一套用于铁路行驶中驾驶员的工作规范。列车在行驶过程中,列车驾驶员必须时刻保持专注,当遇到铁道行驶信号或者接收到来自控制中心的指令时,必须即刻做出相应操作或者手势,以确保列车安全正常行驶。目前,对于列车在行驶过程中驾驶员工作状态的监督,大都是监管人员通过人眼快速浏览列车驾驶舱的监控视频,检查驾驶员的工作状态情况,不管是在人力还是物力上都对监管过程造成了巨大的资源浪费。本文在调研列车行驶过程中驾驶员的各类工作状态的特点之后,决定采用深度学习算法实现对驾驶员工作状态的自动识别,分别从深度学习算法的选取、数据集的制作、识别模型训练和模型优化等方面进行完整且详细的论述,旨在解决目前由人工监督驾驶员工作状态存在的资源浪费、容错率低等问题。具体涉及以下方面:选择合适的深度学习算法。首先分别对YOLO、Deep Pose和双流网络三种算法进行详细介绍,包括算法的实现原理、处理速度和识别效果等方面。然后从不同角度分析三种深度学习算法的优缺点,并结合本文列车驾驶员工作状态的特点与应用场景,最终选择了实现简单、运行速度快、识别效果好的YOLO算法。数据集制作。本文设计识别驾驶员的六种工作状态,分别是“leave”状态、“work”状态、“forword”状态、“swing”状态、“wave”状态和“call”状态。通过对监控视频中驾驶员工作状态具体特征的分析,提出一种基于KCF算法“端到端”的数据集制作方法,直接在监控视频上自动追踪类别并进行标记,输出用于模型训练的数据样本和对应的标注信息文件。对于生成的数据集,需要检查样本中各类别的标注框和标注信息的正确性,以保证数据集的可用性。模型训练。选择Tensor Flow深度学习框架搭建模型的网络结构,以均方误差与二值交叉熵形式设计网络的损失函数,通过Adam优化策略迭代更新网络参数,利用GPU加速完成网络模型的训练。模型训练过程中通过average loss可视化模型的训练情况,模型训练完成之后,对模型进行测试,并从Precision、Recall、Average IOU、m AP和F1-score五个指标分析模型的优劣情况。模型优化。针对模型出现因为数据集类别数量不平衡而导致的识别效果不理想等问题,通过对数据集的分析,调整各类别在训练数据集中数量上的占比,并将原模型的损失函数修改为Focal loss形式,强化模型对难分辨类别的学习能力,从而改善模型的识别效果。通过上述的分析与研究,最终得到的模型在测试集上表现优异,具有识别速度快和识别精度高的特点,可以达到对列车驾驶员工作状态的自动识别要求。