类型a：这篇文档报告了一项原创研究，以下为学术报告内容：
主要作者与机构及发表信息
该研究的主要作者包括叶云广（Yunguang Ye）、高昊（Hao Gao）、黄彩虹（Caihong Huang）等人，他们来自西南交通大学牵引动力国家重点实验室（State Key Laboratory of Rail Transit Vehicle System, Southwest Jiaotong University），以及柏林工业大学土地与海洋运输系统研究所（Institute of Land and Sea Transport Systems, Technical University of Berlin）。该研究于2023年7月21日在线发表在《测量》（Measurement）期刊上。
学术背景
本研究属于铁路交通领域的高速列车运行安全研究。蛇行运动（Hunting Motion）是高速列车稳定性和安全性运行的关键因素。当列车高速行驶时，蛇行运动会显著影响车辆动态性能和乘客舒适度，并可能加剧轮轨磨损、降低车辆部件疲劳寿命，甚至导致脱轨事故。现有的蛇行稳定性评估方法主要基于转向架框架或车体加速度信号处理，但这些方法无法直接可靠地反映列车的安全状态。此外，传统的视觉检测方法如热成像法、激光检测法和模板匹配等存在精度低、成本高或易受环境干扰的问题。因此，本研究旨在通过计算机视觉技术提出一种全新的虚拟点跟踪方法（Virtual Point Tracking Method, VPT），以直接检测动态轮轨相互作用并评估蛇行运动。
研究流程
该研究包括四个主要步骤：感兴趣区域提取（ROI Extraction）、数据增强（Data Augmentation）、特征图生成（Feature Map Generation）和蛇行运动识别（Hunting Motion Identification）。
感兴趣区域提取
为了加速计算并提高预测准确性，研究设计了一个名为VPNet的深度学习网络来提取包含轮轨接触区域的感兴趣区域（ROI）。输入图像尺寸为Wi × Hi × 3，输出为Wi × Hi × 1的灰度图像。VPNet由65层组成，其结构设计遵循从宽浅到窄深的特征映射变化规律。实验中，输入层尺寸为320 × 256 × 3，输出层尺寸为320 × 256 × 1，最终提取的ROI尺寸为128 × 64 × 3。
数据增强
由于列车运行环境复杂多变，捕获的视频可能包含噪声背景或因相机抖动、污染、光线不足等问题导致图像模糊或损坏。为此，研究引入了数据增强策略，包括添加噪声、模糊、翻转、旋转、裁剪、雾化、增亮等操作，以增强深度学习模型的鲁棒性。
特征图生成
在获得增强的ROI后，研究进一步标记了三个虚拟点：车轮外缘最低点（P1）、内轨边缘角点（P2）和车轮轮缘最低点（P3）。这些虚拟点被转换为三幅灰度图像，每幅图像尺寸为Wo × Ho × 1。随后，VPNet再次用于生成三张特征图，输入层和输出层尺寸分别为128 × 64 × 3和3 × 128 × 64 × 1。
蛇行运动识别
通过Soft-Argmax函数定位虚拟点坐标，并计算相对位移向量S1和S2。这些向量经过零中心化、去趋势和带通滤波处理后，得到VPT向量S*1和S*2。通过分析时间域曲线或频率分布，可以判断列车是否发生蛇行运动。
主要结果
1. 实验室实验
在全尺寸滚轮试验台上，研究团队使用CCD相机记录了动态轮轨接触视频。实验发现，当车轮发生明显的谐波振荡时，VPT方法能够准确检测出蛇行频率为2.75 Hz。预测的幅度略低于手动测量值，但误差小于1.1像素，表明VPT方法具有较高的准确性。
现场实验
在实际高速列车实验中，研究团队发现车体在通过某段轨道时发生了低频晃动（约0.95 Hz）。VPT方法成功检测出了这一蛇行运动，预测误差小于3.8像素，进一步验证了其可靠性。
对比实验
研究还引入了结合Canny边缘检测的VPT方法（CED-VPT）进行对比。结果显示，CED-VPT虽然能准确预测蛇行频率，但在幅度预测上的误差较大。这是因为Canny边缘检测会过滤掉重要的颜色梯度信息。
结论与意义
本研究提出了一种基于计算机视觉的VPT方法，用于检测高速列车的蛇行运动。该方法通过定义虚拟点、自动定位虚拟点坐标并计算相对位移，能够直接反映动态轮轨相互作用状态，从而更可靠地评估列车运行安全性。VPT方法的优势在于其对环境干扰的鲁棒性较强，且能够量化蛇行运动的幅度。然而，该方法需要大量人工标注样本进行训练，且深度学习模型的可解释性较差。未来的研究将致力于改进像素差与轮轨相对位移之间的关系，并优化深度学习模型以实现更高效的实时检测。
研究亮点
1. 提出了从轮轨相对位移（RWPD）角度评估蛇行稳定性的新视角。
2. 开发了基于深度学习的VPT方法，能够准确检测蛇行频率并量化幅度。
3. 对比实验表明，VPT方法优于结合Canny边缘检测的传统方法。
其他有价值内容
研究团队通过仿真分析揭示了基于加速度的传统方法的局限性，并指出RWPD能够更准确地反映轮轨接触状态和列车运行安全性。此外，研究得到了多个国家自然科学基金项目的支持，体现了其科学价值和应用潜力。