基于車載式的道岔軌距檢測技術

趙鑫欣，劉俊堯，王昊，王勝春，方玥，嚴至成

（1.中國鐵道科學研究院集團有限公司基礎設施檢測研究所，北京 100081；2.中國鐵路廣州局集團有限公司工電檢測所，廣東 廣州 510800；3.北京交通大學數學與統計學院，北京 100044）

道岔是組成軌道結構的基礎部件，在鐵道運輸環(huán)節(jié)中，要讓車輛轉換線路，就要使用這個部件。該部件也是軌道的薄弱環(huán)節(jié)之一，其中道岔軌距是保障列車運營安全的一項關鍵技術，普速及重載鐵路運輸過程中的很多關鍵業(yè)務均需要借助道岔得以實現。我國高速鐵路事業(yè)發(fā)展迅速，列車的載重量不斷增加，兩地之間往返的車輛逐漸增多，車輛的行駛速度也有所提升。基于此，要帶動鐵路運輸行業(yè)的穩(wěn)步發(fā)展，就要做好安全檢測工作，這要求工作人員將檢測管理重心放在道岔檢測上。

目前，道岔軌距檢測工作是我國鐵路檢測面臨的新問題。鐵路道岔的軌距檢測主要采用人工巡視為主，該測量方式效率低和可靠性差，大型檢測車檢測及維護成本高，使得日常維護中缺少有效道岔軌距檢測裝備滿足檢測需求。隨著激光攝像技術的快速發(fā)展，近年來，在安防監(jiān)控領域，以目前視頻監(jiān)控技術的發(fā)展情況，室內監(jiān)控和白天正常環(huán)境下的監(jiān)控已不是難題，但社會環(huán)境的發(fā)展日新月異，城市的發(fā)展、森林資源的不斷流失、大型項目的建設、邊防安全的守護等，這些環(huán)境下的監(jiān)控需要更先進的技術和設備，使其看得清、看得遠、提高產品性能是目前安防監(jiān)控領域的核心。由北京和普自主研發(fā)生產的遠距離高清激光攝像機，是新時期在鐵路檢測工作中使用頻率較高的一種裝置。該裝置的特點是：可以由技術人員遠程操作，并實時將攝錄的畫面保存下來。不僅畫面清晰度高、監(jiān)控面積廣，還能實現自動、連續(xù)不間斷的檢測。并能通過內置軟件和硬件裝置，靈活根據自然光線變化來調整焦距，保證白天和夜間的攝像畫面都清晰可見。本文以和普高清激光攝像機為例，解讀激光攝像機的基本原理以及在應用領域中的優(yōu)勢特點。基于結構光測量的道岔非接觸檢測技術得到了應用，如圖1所示。該方法使用的模型為道岔截面數據柵格化測量模型，完成道岔軌c距特征點選取與測量。本文提出了一種用于車載式的道岔軌距檢測技術。

1 基于柵格化模型的軌距檢測算法

1.1 模型概述

傳統軌距檢測主要采用人工機械測量，而道岔區(qū)鋼軌結構復雜多變，包含基本軌、尖軌、翼軌和護軌等關鍵結構，會直接影響基本軌軌頭定位與軌距計算。由于柵格數據十分有利于結構空間分析，因此，數據柵格化圖像技術為解決該問題提供一種有效的解決方案，柵格數據模型對道岔數據的類型和屬性可以用每個柵格的屬性值表示，分別利用粗柵格與細柵格過程完成鋼軌圖像連通域劃分與軌距特征點提取。粗柵格目標是在所有道岔空間中搜索最大連通柵格區(qū)作為軌距計算對象，各連通域互相獨立。細柵格能夠在鋼軌感興趣區(qū)域中精確計算軌距形態(tài)變化，基于鄰域矩陣的模態(tài)識別完成軌距點提取，具有一定的抗干擾性。在基礎的軌距檢測工作中，應掌握技術的基本操作流程，了解技術應用原理。以柵格化工作環(huán)節(jié)為例，在前期信息采集、處理工作完成后，應及時填充圖像信息，做好信息掃描處理工作。應解決以下幾個方面的難題：首先，關注畫面像素的清晰度，確定需要輸出的像素如何渲染。其次，要選擇合適的算法。目前，使用頻率較高的就是掃描線算法。要注意避免信息被覆蓋的問題，做好緩存處理工作。最后，繪制圖像時，如果要對平面圖形進行顏色填充，要先確定像素的顏色，了解紋理變化特點。一般都會繪制平面三角形，需要提前確定三角形3個頂點的位置。由于每個頂點都與紋理以及二維紋理坐標(u，v)發(fā)生關聯。還要有序整理相應的數據信息，在計算機系統中設定算法的運作流程。

模型流程如圖2所示。

1.2 模型重要參數

數據柵格化算法是一種較為直觀的計算方法，該算法分為兩步，第一步是粗柵格尋找該截面中道岔關鍵檢測對象位置。第二步利用構件整體在截面連通性，同時，一個點只屬于同一個構件。優(yōu)化與實現柵格化模型參數，粗柵格分辨率為5mm×5mm，細化柵格精度為0.35mm×2mm。

柵格化算法過程是將原鋼軌圖像空間劃分成不同細分網格，計算所有特征點的所屬柵格實現鋼軌區(qū)域定位，為解決道岔圖像中圖像噪聲，基于8鄰域矩陣模態(tài)識別進行分類與軌距特征提取，即切比雪夫距離為1mm以內的鄰域內不存在其他特征點，則該點為圖像噪聲。另外，矢量柵格化，由矢量數據向柵格數據的轉換一般比較方便。對于點、線目標，由其所在的柵格行、列數表示，對于面狀目標，則需判定落人該面積內的像元。通常柵格(像元)尺寸均大于原來坐標表示的分辨率，所以若將柵格化數據再反轉回去，則不可能達到原來矢量數據的精度。將矢量數據轉化為柵格數據，主要用于空間分析、多邊形疊置等。

例如，常見方法有兩種，一種是進行矩陣運算，另一種是四元數運算。不同運算方法計算流程不同，所需已知的條件也存在差異，要根據實際情況做出選擇。本文主要介紹的是矩陣運算方法：第一個步驟是要在確定圖形三維坐標后，在三角形頂點添加變量數據，成為四維定點然后左乘一個4×4的變換矩陣，這樣頂點位置就可以進行靈活調整。第二個步驟是通過改變定頂點位置，讓圖形具有可移動、縮放的特點。常見的移動方式就是在不改變形狀大小的前提下進行平移。矩陣為：，圖中的3個字母分別對應三角形的3個頂點。如果要對圖形進行縮小或放大處理，還要在矩陣運算時使用乘法運算公式來準確的計算乘積。矩陣表示為：，圖中3個字母分別表示三維坐標中不同維度所乘的數值。借助矩陣關系式，不僅可以讓圖形進行對稱變換，還可以實現不對稱的變換。另外，旋轉圖形時，要先找到軸心，確定旋轉的方向和角度。

從程序運行邏輯方面展開分析，使用數據柵格化算法中的矩陣運算方案，可以作為典型的圖形變換案例，表示數據的變化過程。為了方便人們理解算法原理，在工作中真正掌握相應檢測技術的操作方法。可以先創(chuàng)設一個虛擬情境，設置一個人物模型，讓人物頭部和身體分別朝向不同的方向，并用上述運算方案來表示模型的整個運動過程。首先，應將模型放在三維空間中的合適位置上，根據工作需求調整模型的參數信息。其次，技術人員應為模型的關鍵位置設置具體的坐標點，后續(xù)可以通過改動坐標點的數據完成縮放、旋轉、平移等基礎操作。基于案例中的模型頭部和身體不在一個方向，從立體模型的角度來分析，這說明頭部和身體所處的維度不同，可以使用X、Y、Z表示3個軸線。最后，在構建矩陣模型時，應設置一個能夠繞著軸線旋轉的程序，配合使用柵格化工具，嘗試進行三維圖形轉換成二維圖形的處理。這涉及投影知識點，常規(guī)投影方法是正投影。在投影時，由于真實生活的空間環(huán)境下生成的圖像都是透視圖，與圖像距離的遠近會因為視覺誤差發(fā)生變化。所以，要求技術人員在實際應用該方法落實道岔軌距檢測任務時，及時完成透視投影變換工作。

2 實驗驗證

2.1 實驗環(huán)境

本研究內容的實驗硬件環(huán)境為Inter Xeon 2.40 GHz×28CPU、NVIDIA Geforce RTX 2080Ti GPU以及256GB內存，實驗軟件環(huán)境為Win10專業(yè)版，Python3.8。

2.2 軌距特征選取

軌距是鋼軌頭部踏面下16mm范圍內兩股鋼軌工作邊之間的最小距離。本文選取軌頂點垂直向下15～17mm內的橫向坐標中值作為軌距特征點。

2.3 不同道岔情況軌距點檢測

尖軌分離情況：尖軌分離情況下，算法能夠準確定位基本軌感興趣區(qū)域，并細分柵格完成計算軌距點位置。尖軌密貼情況尖軌密帖情況下，基本軌與尖軌密貼，軌距點提取容易受到尖軌軌頭數據影響，而細化柵格精度為0.35mm×2mm可以滿足軌距特征檢測道岔基本軌情況道岔基本軌的軌距特征提取效果。

2.4 精度對比

對某段道岔直線段與曲線段各30m統計車載式道岔檢測系統軌距測量值與人工復核檢測精度對比，第95百分位數統計如表1所示，檢測系統軌距測量精度<1mm。

表1 車載式道岔檢測系統與人工復核軌距精度第95分位數

3 結語

本文針對鐵路道岔的軌距檢測提出了一種基于數據柵格化的解決方法。基于粗柵格連通域分析完成道岔圖像基本軌定位，再通過細化柵格和鄰域矩陣準確提取計算軌距特征，具有一定的抗干擾性。該方法可以應用于道岔區(qū)段的尖軌分離、尖軌密帖和道岔基本軌的軌距檢測情況，實現了一種可用于車載式的道岔軌距檢測技術。