圖像智能識(shí)別技術(shù)在高速鐵路基礎(chǔ)設(shè)施檢測(cè)中的應(yīng)用

嚴(yán)鵬，廖峪，陳偉庚，劉曉江，楊長(zhǎng)衛(wèi)

（1.西南交通大學(xué)，四川 成都 610031；2.中國(guó)鐵路廣州局集團(tuán)有限公司 深圳工程建設(shè)指揮部，廣東 深圳 518000；3.中國(guó)中鐵二局第四工程有限公司，四川 成都 610306）

1 概述

我國(guó)高速鐵路正在快速發(fā)展，預(yù)計(jì)到2020 年將達(dá)到3.0 萬(wàn)km[1]。然而，隨著高鐵運(yùn)營(yíng)里程的逐漸增大，基礎(chǔ)設(shè)施病害問(wèn)題已成為威脅運(yùn)營(yíng)安全的焦點(diǎn)，如何準(zhǔn)確、及時(shí)發(fā)現(xiàn)病害則是迫切需要解決的難題[2-5]。近年來(lái)，隨著人工智能和大數(shù)據(jù)分析技術(shù)的快速發(fā)展，人臉、指紋、虹膜等智能識(shí)別理論與技術(shù)已漸趨成熟，在機(jī)場(chǎng)與車站安檢、網(wǎng)絡(luò)支付、上班考勤等方面得到廣泛應(yīng)用，解決了傳統(tǒng)技術(shù)難以突破的關(guān)鍵技術(shù)難題[6-7]。

基礎(chǔ)理論的發(fā)展有助于科學(xué)技術(shù)的進(jìn)步，現(xiàn)階段人臉識(shí)別技術(shù)的核心是圖像識(shí)別算法。基于圖像識(shí)別算法，以接觸網(wǎng)懸掛狀態(tài)及缺陷為對(duì)象，闡述圖像識(shí)別技術(shù)在高速鐵路基礎(chǔ)設(shè)施狀態(tài)檢測(cè)方面的應(yīng)用。

2 整體技術(shù)框架

針對(duì)接觸網(wǎng)懸掛狀態(tài)及缺陷的智能檢測(cè)工作大致可劃分為大數(shù)據(jù)處理、智能驗(yàn)損兩大部分，具體架構(gòu)見(jiàn)圖1。大數(shù)據(jù)處理部分主要是針對(duì)海量的缺陷照片，進(jìn)行高效、安全的存儲(chǔ)和特征分析管理，采用Hadoop架構(gòu)來(lái)實(shí)現(xiàn)計(jì)算機(jī)集群對(duì)海量數(shù)據(jù)分布式計(jì)算。在智能檢測(cè)方面，主要采用基于圖像識(shí)別和百層神經(jīng)網(wǎng)絡(luò)的人工智能技術(shù)；通過(guò)自主研發(fā)的NBK-INTARI 神經(jīng)網(wǎng)絡(luò)技術(shù)開(kāi)展圖片增強(qiáng)、邊緣檢測(cè)、特征提取及缺陷特征等工作，將分析結(jié)果與數(shù)據(jù)庫(kù)關(guān)聯(lián)，進(jìn)而對(duì)實(shí)測(cè)存在缺陷的圖片進(jìn)行快速識(shí)別。

圖1 接觸網(wǎng)懸掛狀態(tài)及缺陷智能檢測(cè)工作架構(gòu)

3 人工神經(jīng)網(wǎng)路的基本原理

人工神經(jīng)網(wǎng)絡(luò)是目前在人工智能領(lǐng)域應(yīng)用最為廣泛的數(shù)學(xué)分析模型。其中，前向BP 神經(jīng)網(wǎng)絡(luò)則是應(yīng)用最多的神經(jīng)網(wǎng)絡(luò)方式，具有自學(xué)習(xí)、自適應(yīng)、非線性映射及容錯(cuò)率高等優(yōu)點(diǎn)，能夠解決傳統(tǒng)方法無(wú)法解決的具體問(wèn)題。BP 神經(jīng)網(wǎng)絡(luò)大致可劃分為輸入層、隱含層及輸出層，其基本原理[8-10]如下：

為輸出層向。

在輸入層，輸入節(jié)點(diǎn)僅將輸入信息通過(guò)激活函數(shù)f（u）的作用傳播到隱藏層節(jié)點(diǎn)上，研究選擇的激活函數(shù)為sigmoid，則其表達(dá)式為：

設(shè)w是輸入層-隱藏層、隱藏層-輸出層間權(quán)值，其向量為隱藏層節(jié)點(diǎn)的輸出以O(shè)表示：

輸出層節(jié)點(diǎn)的輸出以P表示：

輸出誤差δ為：

式中：T為輸出節(jié)點(diǎn)的目標(biāo)值。對(duì)于隱藏層節(jié)點(diǎn)有：

式中：δi為隱藏層節(jié)點(diǎn)i的誤差項(xiàng)；ai為隱藏層節(jié)點(diǎn)i的輸出值；wki是節(jié)點(diǎn)i到下一層節(jié)點(diǎn)k的連接權(quán)值；δk是節(jié)點(diǎn)i到下一層節(jié)點(diǎn)k的誤差項(xiàng)。更新每個(gè)鏈接上的權(quán)值為：

式中：wji節(jié)點(diǎn)i到節(jié)點(diǎn)j的權(quán)重；η為學(xué)習(xí)速率常數(shù)；δj是節(jié)點(diǎn)j的誤差項(xiàng)；xji是節(jié)點(diǎn)i傳遞給節(jié)點(diǎn)j的輸入。

4 關(guān)鍵技術(shù)

4.1 缺陷數(shù)據(jù)庫(kù)

豐富、完善的缺陷數(shù)據(jù)庫(kù)是開(kāi)展智能驗(yàn)損的基礎(chǔ)，課題組針對(duì)接觸網(wǎng)懸掛狀態(tài)及缺陷，與鐵路局集團(tuán)公司開(kāi)展具體工作，收集、整理了針對(duì)腕臂底座、套管雙耳、定位線夾、長(zhǎng)定位立柱等57 個(gè)部件共178 種典型缺陷，并成功實(shí)現(xiàn)了識(shí)別，部分缺陷識(shí)別照片見(jiàn)圖2。

圖2 部分缺陷識(shí)別照片

4.2 弱光環(huán)境下的圖像識(shí)別

根據(jù)現(xiàn)場(chǎng)調(diào)研結(jié)果發(fā)現(xiàn)，接觸網(wǎng)懸掛狀態(tài)檢測(cè)工作大部分在夜晚開(kāi)展，難以有效保證部分構(gòu)件的清晰度。因此，針對(duì)弱光環(huán)境下開(kāi)展圖像增強(qiáng)，將部件的細(xì)節(jié)進(jìn)行增強(qiáng)，突出重點(diǎn)關(guān)注部分，適當(dāng)減弱周圍環(huán)境，為后續(xù)提高圖像識(shí)別的準(zhǔn)確率做準(zhǔn)備。課題組采用頻域增強(qiáng)方法，通過(guò)將圖像空間域轉(zhuǎn)換到特定的變換域內(nèi)，并且在此變換域中完成變換后的系數(shù)操作與處理，然后再將其逆變換到圖像空間域[11-15]。

假設(shè)圖像空間域?（x，y）變換后的頻域函數(shù)為F（x，y），傳遞函數(shù)為H（u，v），從空間域到變換域的函數(shù)過(guò)程表述為：

逆變換的函數(shù)過(guò)程為：

式中：?（u，v）為在頻域內(nèi)系數(shù)處理之后的圖像頻譜；g（x，y）為圖像增強(qiáng)處理后的輸出圖像。在實(shí)際操作中，可根據(jù)具體的需求而設(shè)置不同的傳遞函數(shù)H（u，v）。

選取現(xiàn)場(chǎng)實(shí)測(cè)圖片（見(jiàn)圖3），經(jīng)過(guò)增強(qiáng)后（見(jiàn)圖4）可知，增強(qiáng)后接觸網(wǎng)部件的圖像更突出，邊緣更清晰，目標(biāo)圖像與背景分界明顯。

圖3 原始圖像

圖4 增強(qiáng)后圖像

4.3 細(xì)部構(gòu)件的精準(zhǔn)識(shí)別

接觸網(wǎng)懸掛系統(tǒng)存在大量的細(xì)部構(gòu)件，如何能夠精準(zhǔn)識(shí)別接觸網(wǎng)系統(tǒng)的缺陷至關(guān)重要。研究采用百余層的神經(jīng)網(wǎng)絡(luò)算法和特征金字塔模型，自主研發(fā)了重復(fù)區(qū)域融合算法，充分考慮接觸網(wǎng)零部件特征，對(duì)部件進(jìn)行快速鎖定（見(jiàn)圖5）。在此基礎(chǔ)上，將神經(jīng)網(wǎng)絡(luò)傳統(tǒng)的前向傳播方式升級(jí)為反向傳播，通過(guò)調(diào)整網(wǎng)絡(luò)輸出與原始值間的誤差來(lái)訓(xùn)練與改變權(quán)值，進(jìn)而提高識(shí)別準(zhǔn)確性。大量現(xiàn)場(chǎng)實(shí)測(cè)結(jié)果表明，現(xiàn)階段只能通過(guò)對(duì)接觸網(wǎng)同一部件來(lái)自不同角度的7 張圖片實(shí)現(xiàn)構(gòu)件的精準(zhǔn)識(shí)別，準(zhǔn)確率在90%以上。

圖5 精準(zhǔn)定位與缺陷識(shí)別

4.4 缺陷智能識(shí)別效率

準(zhǔn)確性和時(shí)效性是人工智能技術(shù)的兩大核心指標(biāo)。在整個(gè)識(shí)別過(guò)程中，將第1 次識(shí)別結(jié)果投入到下一次訓(xùn)練樣本中，以快速擴(kuò)大輸入層樣本的數(shù)量，制定適合接觸網(wǎng)缺陷識(shí)別的學(xué)習(xí)策略，加快學(xué)習(xí)模型的收斂速度，減少學(xué)習(xí)時(shí)間。研究對(duì)比分析了常數(shù)型、AdaDec 和AdaMix 3 種學(xué)習(xí)策略對(duì)深度學(xué)習(xí)模型收斂性的影響。假定工況信息如下：訓(xùn)練樣本集為8 000 幅接觸網(wǎng)原始圖像，測(cè)試樣本為1 500 幅接觸網(wǎng)原始圖像，迭代次數(shù)最大值為35。重構(gòu)誤差分析見(jiàn)圖6。

由圖6 可知，隨著迭代次數(shù)的增加，常數(shù)型、AdaDec 和AdaMix 的重構(gòu)誤差逐漸降低，最后趨于穩(wěn)定。

圖6 重構(gòu)誤差分析

5 工程應(yīng)用

為了系統(tǒng)說(shuō)明圖像識(shí)別技術(shù)在高速鐵路基礎(chǔ)設(shè)施檢測(cè)中的優(yōu)勢(shì)，以1 000 km 的鐵路線路為例，假定每隔20 m 設(shè)立1 根供電桿，高速綜合檢測(cè)車針對(duì)每根供電桿拍攝20 張圖片，累計(jì)100 萬(wàn)張圖片。課題組前期對(duì)此進(jìn)行了大量調(diào)研和訪談，基本掌握缺陷識(shí)別現(xiàn)狀：需25 個(gè)圖像分析員連續(xù)工作60 d，平均每分鐘識(shí)別2～3 張圖片（識(shí)別速度為20～30 s/張），難以對(duì)病害達(dá)到及時(shí)發(fā)現(xiàn)、及時(shí)處理的要求；識(shí)別的穩(wěn)定性較差，識(shí)別人員工作疲勞易造成缺陷識(shí)別的遺漏，影響識(shí)別質(zhì)量。

針對(duì)同樣的工作量，課題組采取人工智能識(shí)別，運(yùn)算速度大幅度提升，識(shí)別速度為0.25 s/張， 3 d 完成計(jì)算。通過(guò)人工智能方式，單張識(shí)別速度提升近100 倍，總體識(shí)別速度提升500 倍。

6 結(jié)束語(yǔ)

基于目前較為成熟的圖像識(shí)別算法，以接觸網(wǎng)懸掛狀態(tài)及缺陷為對(duì)象，闡述圖像識(shí)別技術(shù)在高速鐵路基礎(chǔ)設(shè)施檢測(cè)方面的應(yīng)用。結(jié)果表明：圖像識(shí)別技術(shù)在高速鐵路基礎(chǔ)設(shè)施智能化檢測(cè)方面具有一定的普適性，能夠創(chuàng)造大量的虛擬勞動(dòng)力，克服人工疏忽等主觀因素，工作效率有效提升。

人工智能技術(shù)是一項(xiàng)極為復(fù)雜的前沿技術(shù)，需要開(kāi)展更為細(xì)致、深入、系統(tǒng)的研究，不斷優(yōu)化完善相關(guān)模型。在后續(xù)研究中，準(zhǔn)確性與時(shí)效性將是人工智能應(yīng)用持續(xù)追求的目標(biāo)。