車載軌道巡檢系統研制

韓 強，戴 鵬，譚 松，李唯一，任盛偉，周 威，張永盛

(1．中國鐵道科學研究院基礎設施檢測研究所，北京 100081;2．北京鐵科英邁技術有限公司，北京 100081;3．呼和浩特鐵路局包頭工務段，內蒙古包頭 150200)

高速鐵路行車速度快，車流密度大，列車全程封閉運行，使得傳統人工步行巡道的線路巡檢工作只能在夜間天窗點進行。夜間作業的弊端一是檢測人員存在人身安全隱患，二是在夜視條件下難免會發生漏檢現象。隨著圖像采集、處理，模式識別等技術的發展，研制智能化的車載軌道巡檢系統代替巡道工的視覺檢查成為可能。

車載軌道巡檢系統的研究在國外已經有較為成功的先例。日本于20世紀90年代中期試驗性地開發了軌道綜合巡檢設備，實現了對鋼軌裂紋、銹蝕，扣件狀態，道床形狀、尺寸的檢查等功能;美國在20世紀90年代末研究開發了軌道視覺檢查系統(TVIS)，檢查軌道有無影響行車安全的異常［1-2］。澳大利亞和德國先后開發了軌道掃描系統(RAILSCAN系統)、軌道巡檢系統(RAILCHECK系統)用于軌道巡檢。早期的RAILSCAN系統采用對線路進行視頻錄像，然后通過回放錄像進行故障判斷的方式對目標進行檢測;近年開發的RAILCHECK系統則采用高清數字成像和圖像處理技術，實現了軌道結構可見異常的自動檢測［3-4］。另外，法國、意大利等國家也研制開發了巡檢設備，實現了鋼軌表面缺陷、扣件狀態、軌枕破損的自動檢查［5-6］。

青藏鐵路通車后，惡劣的高原氣候下無法再進行人工步行巡道，首次引進了軌道巡檢車代替巡道工的工作，初步解決了特殊線路巡查的問題。我國于2010年成功研制了基于計算機視覺的鋼軌表面擦傷檢測系統［7］，雖然該系統的檢測目標僅限于鋼軌表面傷損，但卻為車載軌道巡檢系統的研制做了許多探索性研究。另有一些基于計算機視覺針對扣件螺母缺失進行檢測的專項研究［8-9］，因檢測成果的工程應用程度較低并未得到推廣。

本文基于計算機視覺設計和研發了具備機器視覺功能的車載軌道巡檢系統，實現了對鋼軌表面擦傷、扣件缺失的自動檢測，滿足了高速鐵路日常軌道巡檢需求。

1 系統整體設計

系統的基本設計原理為基于先進的數據采集技術對軌道進行成像，將數據與線路里程信息關聯，獲得完整的軌道圖像數據記錄，然后采用圖像處理和模式識別技術分析圖像，實現對軌道典型病害的自動檢測。系統的核心是用計算機視覺學科方法和理論智能識別軌道外觀異常。從功能上可將系統劃分為圖像數據采集、數據分析和數據管理3個子系統，系統整體方案的設計框架如圖1所示。

2 圖像采集子系統

圖像采集子系統的主要功能是在高速運動狀態下采集到盡可能真實、清晰、完整地反映軌道中鋼軌、扣件等關鍵部件外觀特征的高清數字圖像。為此，選用數據傳輸速度快、掃描頻率高、適用于運動掃描成像的線陣相機作為成像設備［9］。本系統硬件配置采用6臺線陣CCD相機，相機相對鋼軌的視角及成像視場如圖2所示。每組線陣相機配置了輔助照明光源，保證成像視場的光強照度和均勻度，確保獲得高質量的圖像。

利用線陣相機每次掃描只產生單行線像元信號的特性，設計使用脈沖編碼器及與鋼軌探傷車輪軸聯動的控制機構，按固定間距觸發線陣相機，控制線陣相機在運動過程中進行等間距觸發采樣，并將得到的線像元連續拼接為二維可視圖像。系統觸發采樣的固定間距為1.6 mm，達到的最高巡檢速度為160 km/h，其采集得到的軌道圖像如圖3所示。

圖1 系統整體方案設計框圖

圖2 相機相對鋼軌的視角及成像視場示意

圖3 系統采集的軌道圖像示例

3 數據分析子系統

圖像采集完成后，依靠人工瀏覽海量圖像數據查找病害是極為繁重的工作，因此需設計數據分析子系統對部分典型設備異常進行識別。

數據分析子系統的工作流程可分為圖像分割、特征描述、模式檢測3個環節。區域分割的主要功能是將軌道圖像分割為鋼軌、扣件、道床3個大區域。分割完成后，根據不同的檢測需求，通過特征變換將檢測目標從圖像灰度空間轉換到更易于辨識出異常樣本的特征空間，最終通過基于離線機器學習獲得的模式分類器完成對檢測目標狀態的判別。系統目前可對鋼軌表面擦傷、扣件異常兩類問題進行軟件自動識別。圖4演示了鋼軌表面傷損的分析流程。從提取鋼軌到特征變換，再到提取出完整的擦傷輪廓并測算得到擦傷的尺寸，整個過程由軟件自動完成，系統的智能化程度基本滿足現場應用需求。

圖4 軌面擦傷的軟件自動分析流程示意

4 數據管理子系統

為實現系統的工程化應用，針對圖像數據及軌道病害特征的數據管理，建立了具有檢索、查詢、電子報表等功能的數據管理體系。數據管理子系統功能結構如圖5所示。

數據檢索功能主要針對指定圖像的查找，通過散列表實現了按索引、按里程的數據快速檢索。信息查詢功能主要針對已檢出的軌道病害信息的查找，該功能可通過設置采集時間、鋼軌股道、病害類型、里程范圍、工務管段等字段對病害信息進行組合查詢。在信息的報表輸出功能設計上，可輸出圖文報表及相關病害信息的統計報表。數據管理子系統應用軟件界面如圖6所示。

圖5 數據管理子系統功能結構

5 應用和驗證

研制的車載軌道巡檢系統目前已完成產品轉化，在我國京滬、京廣、哈大、鄭西等高速鐵路干線以及神華集團下屬的朔黃、大準等重載鐵路進行日常檢測，效果良好。巡檢部門以2個月為周期，在維修天窗內對指定線路進行全程巡檢，每日完成的巡檢里程數可達200 km。運用智能分析軟件在不同線路檢測到了數以萬計的扣件異常，在有砟線路(尤其是重載線路)檢測到了大量鋼軌表面擦傷。檢測員在瀏覽圖像的過程中，通過視覺檢查還發現了部分軌道板裂紋、異物入侵線路等病害。圖7給出了這部分典型病害的示例。

圖6 數據管理子系統應用軟件示意

圖7 系統查出的典型病害

從檢查結果的對比分析來看，每次檢查都會發現一些在檢測周期間隔內新產生的軌道病害，較為常見的是扣件彈條移位、扣件斷裂、道床異物、軌枕掉塊等。對比以往人工步行巡道每月有效檢出的病害數量，車載軌道巡檢系統的檢出效率和效果均遠遠高于人工步行巡道。通過現場檢測、復核，系統對鋼軌表面擦傷、扣件外觀異常及道床裂紋等病害的檢出率在80%以上。

總之，車載軌道巡檢系統無論從檢測效率還是從檢查質量上看，均優于傳統人工步行巡道檢查，在高速鐵路工務設備養護維修中發揮的重要作用已初見成效。

6 結語

本文闡述了車載軌道巡檢系統的構成，子系統設計原理及系統應用情況。系統可滿足160 km/h速度條件下對軌道圖像的動態采集。設計了智能分析模塊對鋼軌表面傷損、扣件異常等進行軟件智能識別。本系統的成功應用旨在替代傳統人工步行巡道的視覺檢查工作，改變高速鐵路工務巡檢作業模式，提高了工務設備檢查和維護的工作效率。

［1］SINGH M，SINGH S，JAISWAIL，et al．Autonomous Rail Track Inspection Using Vision Based System［C］//Proceedings of the 2006 International Conference on Computational Intelligence for Homeland Security and Personal Safety．Alexandria，2006:56-59．

［2］SHOLL H，AMMAR R，GREENSHIELDS I，et al．Applicaiton of Computing Analysis to Real-Time Railroad Rrack Inspection［C］//World Automation Congress 2006．Budapest，2006:1-6．

［3］柴雪松，朱錦堂，馬輝．青藏鐵路高原巡檢車的研究［C］//青藏鐵路運營管理及相關技術研討會論文集．北京:中國科學技術出版社，2005:119-126．

［4］KHANDOGIN I，KUMMERT A，MAIWALD D．Automatic Damage Detection for Railroad Tracks by the Analysis of Video Images［C］//Proceedings of the 8th International Conference on Signal Processing Applications and Technology．San Diego，1997:1130-1134．

［5］MARINO F，DISTANTE A，MAZZEO P L，et al．A Real Time Visual Inspection System for Railway Maintenance:Automatic Hexagonal Headed Bolts Detection［J］．IEEE Transactions on Systems，Man and Cybernetics，Part C:Applications and Reviews，2007，37(3):418-428．

［6］SIRIL Y，MARK D，NARENDRAK G．Condition Monitoring of Wooden Railway Sleepers［J］．Transportation Research Part C:Emerging Technologies，2009，17(1):38-55．

［7］任盛偉，李清勇，許貴陽，等．魯棒實時鋼軌表面擦傷檢測算法研究［J］．中國鐵道科學，2011，32(1):25-29．

［8］王凌，張冰，陳錫愛．基于計算機視覺的鋼軌扣件螺母缺失檢測系統［J］．計算機工程與設計，2011，32(12):4147-4150．

［9］趙曉東，孫運強，姚愛琴，等．線性CCD實驗系統的研究［J］．電子測試，2012(5):85-88．