新型軌道綜合智能檢測系統研制及運用

張漢平　歐偉　范忠林　吳宇　吳耿才　劉東光　賴文輝　張密

摘 要：論述了新型軌道綜合智能檢測系統各子系統的方案設計和驗證效果，新型軌道綜合智能檢測系統由圖像采集處理、里程定位、離線數據分析三個子系統組成，圖像采集處理采用了高速二維線陣相機、高速三維激光測量等技術，并基于深度學習算法的圖像智能識別方法對軌道扣件異常、鋼軌表面缺陷病害進行自動檢測，可以安裝在運營電客車或工程車上，對軌道圖像進行采集、分析和綜合統計處理，相關維修人員能夠及時發現故障隱患并進行檢修，從而提高了軌道線路巡檢效率和準確率，保障了地鐵列車的運行安全。

關鍵詞：計算機視覺;三維激光測量;深度學習;精確定位;智能識別

中圖分類號：U270.7 文獻標識碼：A

0 引言

隨著我國城市的不斷發展，地鐵軌道交通已成為其中不可分割的重要組成部分。軌道作為重要的鐵路基礎設施，其運用狀態對行車安全具有直接和至關重要的影響?，F階段，對于軌道的檢測主要是人工巡檢，該方式依賴于自然條件、巡檢人員的精力和熟練度。

在過去幾十年中，世界上許多個國家的鐵路研究院和一些研發相關產品的公司就利用計算機視覺技術研發出了許多監控鐵路構配件的狀態的自動檢測系統，例如日本的列車運營管理自動化系（COMTARC）、德國MEMEC公司的軌檢綜合檢測車等，大大地增加了準確率和檢測效率，并且實時高效，也增加了檢測的可靠性和穩定性。

1 系統整體設計

系統的設計原理為基于先進的二維和三維圖像采集技術對軌道設備、設施進行成像，將采集的數據與線路里程信息相對應，獲得完整的二維和三維軌道圖像數據記錄，然后采用圖像處理和基于深度學習的目標智能識別算法，實現對軌道病害的自動檢測、識別，同時輸出缺陷報表，指導工務人員進行現場維修。

軌道綜合智能巡檢系統從功能上可劃分為圖像采集處理、里程定位、離線數據分析三個功能模塊。

1.1 圖像采集模塊

圖像采集模塊的主要功能是在列車高速運動的狀態下，采集軌道全斷面、軌枕、道床區域的二維和三維圖像;盡可能完整地呈現扣件、軌道夾板、軌枕、軌面的清晰圖像;采集速度要滿足列車0 km/h～120 km/h的工況下運行;為此采用了高速線陣相機進行二維圖像采集、采用了高速三維激光掃描相機進行三維成像。

圖像采集模塊主要由二維線陣相機成像裝置、三維激光掃描成像裝置、同步觸發裝置、采集主機及軟件系統等組成。

二維線陣相機成像裝置采用了5組線陣圖像采集模塊分別對左右軌和軌枕進行全斷面圖像采集，二維線陣相機的采樣頻率>30 kHz，在120 km/h時速下能夠達到縱向1 mm的采樣間距;設備的布局圖如下：

圖1 二維線陣相機成像裝置設備

二維線陣相機成像裝置內部集成了紅外補償光源，符合鐵路設備國家標準TB、防護等級IP67，適應環境溫度-40℃～60℃。

采集圖像效果圖：

圖2 二維線陣相機成像裝置采集效果圖

三維激光掃描裝置采用了高速激光掃描三維成像系統，采集頻率大于15 kHz，滿足120 km/h時速下2 mm的縱向采樣間距;同時配置了一臺激光線結構光進行輪廓測量，可以精確測量鋼軌的輪廓外形，同時通過點云渲染的方式還原鋼軌及扣件的三維圖像。

設備采集的三維點云圖像如下圖所示：

圖3 三維激光掃描裝置采集效果圖

同步觸發裝置安裝在檢測梁底部，主要功能是通過在列車軸端安裝的光電編碼器輸出的脈沖，來同步觸發各個相機進行拍照的功能，由于編碼器輸出脈沖與速度成正比，所以使得線陣模塊采集的行頻率隨速度精確變化，保證了采集圖像的正常比例，杜絕了橫向和縱向的變形。

1.2 里程定位模塊

里程定位模塊的功能是實時獲取列車當前運行的速度和位置信息，為圖像采集的數據提供里程定位信息。

主要采用速度傳感器和軌道電子標簽的方式進行綜合定位。

車輛運行過程中，由安裝在車輪軸頭上的速度傳感器隨著車輪的轉動而輸出距離脈沖，通過對距離脈沖計數計算出列車走行里程;在列車加減速和彎道位置，由于慣性會產生空轉和打滑的情況，導致計算的里程信息產生累積誤差，需要通過其他方式的位置信息進行里程校準。

在軌道線路上每隔一定距離布置一個RFID電子標簽，在檢測裝置上安裝高速閱讀器。當列車通過電子標簽位置時，會自動識別出電子標簽的卡號，將這個卡號與數據庫中的信息進行比對，獲取該標簽所對應的里程信息，同時對當前檢測的位置進行一次里程校準，避免產生累積誤差。

通過綜合定位后的定位誤差可以達到+/-2 m內。

1.3 離線數據分析模塊

離線數據分析模塊包含：智能識別、圖像顯示和數據統計等功能。

圖像采集完成后，由于數據量十分龐大，依靠人工瀏覽尋找病害變化的方式不可行，需要采用智能識別的方式進行自動識別分類。

缺陷檢測的具體流程可分為圖像增強、圖像分割、目標檢測、特征描述、數據降維和模式分類五個環節。

當接收到輸入圖像時，該模塊先利用濾波等圖像增強技術消除光線、霧霾等對圖像質量的影響，以豐富圖像信息量，加強圖像的識別效果;圖像分割為鋼軌、扣件和道床三個區域;分割完成后，使用目標檢測算法將每個區域中的待識別的特征目標提取出來，比如鋼軌、扣件、軌枕等;然后以特征目標的典型病害為識別對象，通過特征變換將圖像空間轉化到更易于識別的特征空間;最后采用模式分類方法完成病害類型的判別。

該系統對各類缺陷的識別率都在90%以上，識別率跟網絡訓練所采用的樣本量相關，樣本量越多，檢測模型的性能就會越優異。通過檢測次數增加，其訓練樣本量不斷擴充，讓模型學習到更多有用信息，從而提高系統的檢測性能。

圖像顯示功能集成在軟件界面，通過圖像拼接可以清晰地呈現軌道和軌枕全斷面的圖像，如圖4所示，并且具備里程和站點位置提示，便于人工復核和查看。

圖4 軌道圖像分析界面

圖像顯示還可以將故障數據和圖像進行導出，為維修人員進行現場復核提供依據。

數據統計功能可以將每趟車跑車的缺陷進行報表統計，如圖5所示，可以按照時間、站點區間、缺陷類型進行分類統計，為軌道缺陷數據分析提供依據。

圖5 軌道缺陷統計分析

2 系統驗證核實

軌道綜合智能巡檢系統在東莞地鐵二號線安裝以來，每次巡檢能檢出彈條缺失、彈條松動、鋼軌波磨、鋼軌掉塊、道床異物缺陷等軌道缺陷，且檢測快、識別準，能夠及時地向相應維修工班提供故障信息和故障位置，從而能及時地處理故障，保障地鐵的安全運營。

軌道異常識別案例如圖6、7所示：

從軌道巡檢系統檢測的結果對比分析來看，每次跑車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、鋼軌波磨、鋼軌掉塊等病害缺陷，對比以往人工步行巡檢，新型綜合智能巡檢系統的檢出效率和效果均遠遠高于人工巡檢，通過現場檢測、符合，系統對鋼軌波磨、扣件脫落、扣件斷裂等病害的檢出率在90%以上。

3 結論

本文提出的新型軌道綜合巡檢系統，利用計算機二維視覺、三維測量、深度學習等技術，結合目標檢測算法采集軌道鋼軌和道床空間全斷面高清晰圖像、精確檢測列車運行位置以及智能識別軌道缺陷，并將檢測數據通過離線分析軟件存儲顯示，方便工作人員監視，及時處理故障。以東莞地鐵二號線為例，驗證了本文所提出的新型軌道綜合巡檢系統具有檢測快、識別準，能夠及時地向相應維修工班提供故障信息和故障位置，保障了地鐵運營安全，節約了地鐵運營成本。