基于圖像技術的無砟道床表觀傷損檢測系統研制

暴學志 徐穩 柴雪松 李健超 王寧 馬學志

1.中國鐵道科學研究院集團有限公司鐵道建筑研究所，北京 100081；2.中國鐵道科學研究院集團有限公司高速鐵路軌道技術國家重點實驗室，北京 100081；3.廣西計算中心有限責任公司，南寧 530000

隨著經濟的發展，我國高速鐵路大量投入運營，部分線路無砟道床在服役期內出現軌道板裂縫、CA砂漿層離縫、混凝土缺損等傷損，影響軌道結構穩定性及旅客舒適性，嚴重時還會對列車運行安全造成較大隱患。對無砟道床表觀傷損檢測主要依賴人工巡檢方式［1-2］。人工巡檢不僅成本高、效率低，且檢測結果極大依賴巡檢工人的經驗和責任心。準確檢測無砟道床表觀傷損，及時整修，并對劣化傷損數據進行分析，掌握軌道表觀傷損劣化演變規律，對軌道結構科學維護具有重要意義［3-4］。目前，缺乏有效的無砟道床表觀傷損檢測手段，嚴重制約著高速鐵路軌道維修技術的發展［5］。在我國鐵路運維智能化發展趨勢下，迫切需要采用新技術、新方法來研制面向鐵路無砟道床的新型檢測設備，提高無砟道床表觀傷損檢測的自動化水平及智能識別與狀態評估能力，以滿足鐵路安全運行、高效運營和精細化養護的需求。

近些年，人工智能技術不斷發展，無砟道床表觀傷損檢測在理論研究方面取得了較大進展，但在現場應用方面還無成熟產品。基于圖像視覺檢測技術研制無砟道床表觀傷損檢測系統，與其他自動化檢測技術相比，在安全性、準確性、可視化、智能化等方面具有較大優勢，可滿足當前運維部門迫切需求，具有較好的市場應用前景。

本文基于無砟道床表觀傷損檢測需求，利用圖像識別、機械設計等技術，開展無砟道床表觀傷損檢測技術研究，研制無砟道床表觀傷損檢測系統，為現場檢測提供智能、準確、高效、便攜的檢測裝備。

1 無砟道床結構與典型傷損

截至2020年底，我國高速鐵路無砟軌道營業里程已達2.3萬km，約占高速鐵路營業里程的61%。無砟道床鋪設里程及比例分布如圖1所示。

圖1 無砟道床鋪設里程及比例分布

對京滬、哈大、武廣、京津、盤營、滬寧、蘭新等線路表觀傷損數據進行分析，并按照傷損形式將傷損分為兩類，見表1。

表1 無砟道床表觀傷損分類

B類傷損特征明顯，人工巡檢時容易識別并定性判斷，可結合巡檢車等方式檢測。A類傷損細微，形式多樣、不規則，離縫傷損分布在軌道板側面，巡檢車檢測精度無法滿足該類傷損檢測要求，人工巡檢定量檢測難度大、效率低，檢測結果易受人員因素影響，缺乏有效手段進行檢測。因此，結合運維管理部門需求，無砟道床表觀傷損檢測系統以檢測A類傷損為目標。

2 系統方案

基于圖像技術的無砟道床表觀傷損檢測系統技術方案主要由圖像采集、傷損智能識別、評估分析三部分構成。

2.1 圖像采集

無砟軌道結構主要由鋼軌、扣件、軌道板、砂漿填充層、底座板、限位結構等部分組成，其中扣件以下至底座板之間的混凝土結構是無砟道床的主要部分。通過安裝可在無砟軌道上連續移動的圖像采集裝置實現無砟道床表觀圖像采集（圖2）。檢測時人工推行軌道小車連續運行，安裝在走行輪軸頭的觸發編碼器為采集相機提供觸發信號，采集相機連續采集無砟道床表觀高清圖像，處理單元對采集到的圖像進行信息處理、分析及存儲，得到無砟道床表觀圖像數據。

圖2 圖像采集裝置

2.2 傷損智能識別

基于深度學習技術實現無砟道床表觀傷損智能識別。首先對傷損樣本圖像預處理，顯化傷損特征，實現傷損區域圖像增強，使用標注工具對每張圖像進行像素級語義分割標注，建立傷損特征分布均衡且滿足一定規模的病害樣本數據集，將數據集按一定比例分為訓練集和驗證集［6］。然后構建基于編碼-解碼架構的深度神經網絡病害分割模型，將訓練集的圖片輸入到分割模型的編碼網絡提取特征，再輸入到解碼網絡中將提取的特征生成對象分割結果，持續進行模型訓練。通過驗證集對模型識別能力進行評估，找到最優的模型參數。最后采用訓練后的模型對無砟道床表觀采集圖像快速檢測，識別裂縫、離縫、缺損等像素級類別和位置，依據圖像尺度提取傷損幾何尺寸信息，實現無砟道床表觀傷損的快速自動化檢測。隨著檢測數據的增多，樣本庫數據不斷豐富，深度神經模型不斷訓練、學習，可大大提高識別準確率。

2.3 評估分析

根據Q/CR 803—2020《高速鐵路無砟道床傷損評定》［7］規定建立評估模型。首先確定無砟道床類型及傷損部位，然后判定傷損類型及其幾何特征，最終根據幾何特征評定傷損等級。評估流程如圖3所示。

圖3 評估流程

開發評估軟件對識別后的檢測數據進行評估分析，將里程、傷損等級、傷損圖例、傷損數量等信息智能化展示，便于歷史數據查詢、傷損劣化規律分析及存儲管理，檢測結果格式見圖4。

圖4 檢測結果格式

3 系統研制

無砟道床表觀傷損檢測系統主要由軌道小車、多通道圖像采集模塊、同步觸發模塊、采集計算機、數據處理中心等部分構成。

3.1 軌道小車

軌道小車是檢測系統的移動檢測平臺，采用模塊化設計以滿足拆裝便攜的要求。軌道小車車架設計為工字形，材料選擇鋁合金，具有質量小、剛度大、穩定性高的優點。小車共設4個走行輪，走行輪采用增韌尼龍或陶瓷等絕緣材質制作而成。在走行輪與車架之間設置二次絕緣機構，確保軌道小車運行過程中不會導通兩側鋼軌電阻而影響軌道信號。在其中一個走行輪上安裝觸發編碼器，并設置由限位軸、緩沖彈簧等構成的防空轉機構（圖5），以避免走行過程中該輪發生空轉或打滑，導致觸發中斷、圖像缺失。緩沖彈簧在車體重力作用下始終對觸發走行輪施加壓力，保證運行過程中觸發走行輪與鋼軌的密貼接觸。

圖5 防空轉機構

3.2 圖像采集模塊

圖像采集模塊由多通道線陣掃描相機及激光照明單元一體化組成。線陣相機由單列感光元素構成，可進行高頻率、高精度的連續成像，與面陣相機相比具有分辨率更高，抗干擾性、穩定性更好，視覺范圍更大的優點［8］。采用線陣相機對無砟道床表觀圖像采集時無砟道床固定不變，將線陣相機固定于移動軌道小車上，線陣相機相對無砟道床快速移動，線陣采集相機每收到一個觸發信號拍攝一張單像素圖像，最終將這些單像素圖片重構拼接成大圖，可獲得較好的成像效果。

3.3 同步觸發模塊

為了避免檢測速度變化對采集圖像亮度及分辨率的影響，實現沿線路方向等間距固定分辨率成像，采用按距離采樣的模式觸發相機工作。將A-CHA光柵編碼器安裝在檢測輪軸上提供觸發信號，觸發信號經分頻及同步裝置處理，可同時觸發多路信號。同步模塊工作原理如圖6所示。

圖6 同步模塊工作原理

3.4 采集計算機

在采集計算機中安裝多通道相機采集程序、激光控制程序及里程同步程序，將其固定于軌道小車上實現相機、激光自動控制，無砟道床表觀高清圖像及里程數據快速采集、傳輸、存儲，圖像數據定位和校正。

3.5 數據處理中心

數據處理中心包括GPU服務器、圖形工作站、數據存儲陣列等。GPU服務器部署傷損智能識別算法，完成傷損的快速定位和特征提取；圖形工作站負責所有人機交互動作，完成傷損智能識別、傷損狀態評估功能；數據存儲陣列保存所有數據實體，便于實現檢測數據規則化存儲、歷史數據對比分析、傷損發展趨勢判斷等功能。

4 試驗驗證

無砟道床表觀傷損檢測系統工作流程見圖7。對我國一條運營的高速鐵路開展了現場試驗，試驗區段3 km，上下行合計6 km。對無砟道床表觀圖像識別結果進行數據分析、計算，以驗證檢測系統的識別準確率、檢測精度及檢測效率。

圖7 檢測系統工作流程

4.1 識別準確率

在現場采集的圖像樣本中，隨機選取含裂縫、離縫及缺損的正樣本50張和不含傷損的負樣本50張。將100張測試樣本放入識別模型自動識別，識別正確則為真，識別錯誤則為假。準確率測試結果見表2。可知，判斷為真的正樣本和負樣本總數為91張，其余9張判斷為假，因此計算識別準確率為91%。

表2 準確率測試結果

4.2 檢測精度

無砟道床表觀裂縫、離縫、缺損等傷損檢測精度由相機分辨率、相機空間布置、圖像識別算法等多個因素綜合決定。研制的無砟道床表觀傷損檢測系統相機分辨率為4 096×1，最大行頻26 kHz，結合相機空間布置計算得到檢測像素分辨率為0.1 mm，利用識別軟件識別結果檢測精度優于0.1 mm。現場試驗選取標記裂縫進行人工測量，測量寬度為0.15 mm，利用檢測系統能準確檢測出該處標記裂縫（圖8），檢測結果顯示該裂縫寬度為0.2 mm，檢測誤差為0.05 mm。

圖8 現場標記裂縫及識別結果

4.3 檢測效率

4名檢測人員利用無砟道床表觀傷損檢測系統對無砟道床表觀檢測，天窗點內完成上下行6 km無砟道床表觀圖像采集共用時2 h，依此推算，一個天窗點按4 h計算，利用檢測系統可完成12 km無砟道床表觀圖像采集。線下數據處理中心對采集圖像進行傷損智能識別，每日可完成12 km表觀圖像識別及檢測數據分析、整理，并出具檢測報告。另有4名檢測人員利用鋼板尺、測寬儀、塞尺等工具對無砟道床表觀傷損檢測并記錄，4 h共檢測約400 m，依此推算，如果完成12 km無砟道床表觀檢測，需要申請約30個天窗。由此可見，采用研制的無砟道床表觀傷損檢測系統對無砟道床表觀傷損進行檢測，檢測效率可顯著提升約15倍。

5 結論

無砟道床表觀傷損檢測系統研制成功，為無砟道床表觀傷損檢測提供了新的手段，檢測系統可有效檢測裂縫、離縫、破損等傷損；識別準確率達91%，檢測精度優于0.1 mm；檢測效率相比較人工巡檢可提升約15倍。通過查詢、對比歷史數據，該系統可分析無砟道床表觀傷損發展趨勢，指導科學養護維修。