高速鐵路無砟軌道典型傷損圖譜的設計研究

王寧 柴雪松 李健超 馬學志 茅宇琳

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.中鐵科學技術開發有限公司， 北京 100081

在快速發展的5G、大數據應用、人工智能等技術驅動下，鐵路智能化發展已成為當前鐵路行業重點推進的方向和目標。無砟軌道被廣泛應用于高速鐵路建設，截至2021年底，我國高速鐵路無砟軌道營業里程已達3萬公里，約占高速鐵路營業里程的61%。業務信息系統變得愈加復雜，各種安全問題呈多元化、復雜化趨勢演變。

在高速鐵路智能化發展過程中，鐵路軌道安全保障能力的建設被高度重視。相關鐵路部門搭建了車載智能軌道巡檢系統、高速車載式軌道圖像巡視系統、無砟軌道表觀檢測小車、鋼軌探傷車等多個安全監測檢測系統，積累了海量的多源異構監測數據。相關業務人員利用數據驅動的知識工程與專家系統開展了數據分析，解決了諸多關鍵問題。但是，目前這些工作僅限于規則明確、邊界清晰、封閉性的應用場景，過于依賴專家經驗，難以應對大數據時代規模化應用的需求。

近年來，知識圖譜技術憑借語義豐富、解釋性強、結構友好等技術優勢，逐漸在各垂直領域得到應用，這也為解決鐵路無砟軌道的傷損數據管理提供了新的解決思路。因此，本文基于當前無砟軌道檢測數據信息化、數字化存在的問題，梳理當前知識圖譜的發展狀況；研究無砟軌道典型傷損的知識體系，借助知識圖譜的技術優勢，以無砟軌道典型傷損狀態評估定級實際業務需求為導向，以鐵路無砟軌道檢測數據為驅動，深入開展面向無砟軌道典型傷損的知識圖譜設計與應用研究，對無砟軌道典型傷損特征體系的多源信息資源進行分析和整合，實現關聯存儲與快速檢索；加強研究的前瞻性，提高典型傷損資源的使用便利水平，支持分析識別算法的訓練、驗證及效果評價，支撐無砟軌道及高速鐵路隧道狀態安全評估技術快速發展。

1 知識圖譜定義和現狀

2012年，谷歌公司發布了知識圖譜（Knowledge Graph）［1］，提升了搜索引擎返回的答案質量和用戶查詢的效率。知識圖譜是組織、存儲和管理大規模信息的前沿技術，是由實體、概念、屬性和關系組成的知識庫，可實現對海量多源異構動態數據的展示、融合分析、組織管理以及信息關聯搜索，提高一線工作人員的分析質量和工作效率。知識圖譜按應用范圍可劃分為通用和行業領域知識圖譜。

通用知識圖譜采用自底向上的方式構建，數據大多為常識性知識，數據量大，覆蓋面廣。目前國內外多個研究機構建立了一些大規模通用知識圖譜。DBpedia知識圖譜［2］根據規則從維基百科中獲取了538萬個結構化知識三元組；Wikidata知識圖譜［3］從維基百科中構建了6 600萬個非結構化知識三元組；YAGO知識圖譜［4］從多種數據源，獲取了約4.5億個知識三元組。

我國在知識圖譜方面也取得了諸多有價值的研究成果。其中，清華大學融合中英文維基、百度百科和互動百科，對各項知識進行結構化和跨語言鏈接，構建了第一個大型中英文知識圖譜XLore［5］；上海交通大學融合百度百科、互動百科及維基百科三大中文百科，抽取結構化數據構建了中文通用知識圖譜zhishi.me［6］。此外，百度知心、搜狗知立方以及復旦大學的圖數據管理實驗室也相繼推出了中文知識圖譜。這些知識庫規模較大，涵蓋范圍廣，可提供智能搜索服務。

行業領域知識圖譜是為了輔助專業領域復雜分析應用而單獨構建的圖譜，一般采用自頂向下的方式構建，有嚴格和豐富的數據格式，具有領域性和精準度，涵蓋的實體具有較多的屬性且能匹配實際業務意義，廣泛地應用于醫療、金融、電商、教育、科研、軍事等垂直領域。

隨著大數據和人工智能在鐵路上的業務開展，知識圖譜開始在鐵路領域中廣泛應用。董興芝［7］提出面向智能高速鐵路安全保障的“知識圖譜+事件圖譜”雙譜融合的知識圖譜頂層架構，為構建鐵路全域知識圖譜提供了理論和技術支持。李欣等［8］為了實現鐵路調度應急預案數據的規范管理和有序存儲，構建了鐵路調度應急預案知識圖譜；郭婧娟等［9］運用知識圖譜的方法系統梳理了軌道交通領域中建筑信息模型（Building Information Modeling，BIM）技術的應用研究現狀。

翁湦元等［10］基于知識圖譜技術，構建了延伸服務產品知識圖譜。王普［11］構建了高速鐵路應急大數據知識圖譜，設計了面向云服務的高速鐵路應急平臺總體框架。楊連報等［12］應用文本大數據技術，實現基于Elastic的非結構化事故故障文本數據的存儲與檢索。彭麗宇［13］針對鐵路貨運運營風險結構化和非結構化數據，構建風險知識庫體系。

知識圖譜技術在垂直領域的成熟應用為構建面向無砟軌道表觀典型傷損的知識圖譜積累了豐富的可借鑒經驗。

2 無砟軌道知識圖譜構建過程

無砟軌道傷損信息中蘊含大量軌道交通領域的專業名詞，領域性強，但是結構物傷損描述和認知標準不統一、數據之間的時空信息不同步、跨專業數據融合分析困難等問題增大了多源海量數據協同分析的難度；數據傳輸存儲管理和分析應用模式仍以人工轉儲、單一存儲管理、單項數據分析為主，效率低下，及時性差；各類設備操作規程、事故預案、監控處置方式等大量文本形式的知識均需進行記憶和查詢，執行效率較低，且操作經驗難以共享和傳承，故障處理的精確性和規范性很難得到保證。

為了解決無砟軌道傷損特征庫認知不統一、海量傷損樣本組織與檢索困難等問題，在知識圖譜的整體架構和構建技術基礎上，基于本體元素定義-數據篩選清洗-圖像獲取標注-圖像存儲及知識檢索的構建流程，建立了高速鐵路無砟軌道典型傷損圖譜。其中，本體元素定義是通過本體構建層次結構，提前將知識圖譜體系化；數據篩選清洗即對數據進行挑選、格式冗余處理；圖像獲取標注是從檢測系統中獲取有用的圖像數據并標注處理，獲取編碼文件；圖譜存儲是以圖的形式將知識圖譜存儲在圖數據庫中，知識檢索是指實現對傷損的管理和快速檢索。

無砟軌道傷損知識圖譜主要分為模式層和數據層，如圖1所示。

圖1 無砟軌道傷損知識圖譜的構建

模式層首先劃分本體體系，搭建知識圖譜框架，結合我國高速鐵路無砟軌道現行規范、運營實際情況，研究無砟軌道傷損分類特征，對無砟軌道傷損信息中每個部件和傷損的屬性、結構進行規范化定義，確定無砟軌道和傷損標準化名稱，從而形成定義準確、結構清晰的無砟軌道傷損概念框架。

數據層根據數據標注策略對獲取的圖片數據進行清洗和標注，并將標注數據映射到構建的無砟軌道傷損知識本體概念節點中，建立實體關聯關系，實現模式層與數據層之間的映射。最后，利用圖數據庫有序存儲數據，并設計實現數據庫的快速檢索，實現無砟軌道傷損知識圖譜的構建。

3 模式層的構建

3.1 基于無砟軌道表觀的編碼規則

通過調研各鐵路局站段關于無砟軌道及部件傷損的描述，梳理工務安全生產管理系統中的傷損名稱，根據無砟軌道輸入對象數據的類型、規模等信息完成業務建模。之后明確數據來源，結合現行標準規范中無砟軌道結構及部件的定義和命名規則，研究確定無砟軌道結構及部件標準化命名、典型傷損規范化名稱及各級傷損規范化描述，明確海量異構數據的處理方式。

3.2 基于無砟軌道表觀的元素解析

編碼是對編碼對象的屬性進行規則化的過程。針對編碼對象的不同存在形式和不同結構類型的屬性信息，根據編碼規范，可生成編碼文件。

編碼結構可完全描述編碼對象的所有屬性，共4組11級若干字段。4組指的是字典碼、特征碼、信息碼和圖像碼。11級指的是對象種類、對象名稱、對象類型、對象類別、對象位置、定位信息、屬性特征、病害等級、順位信息、檢測信息和圖像信息。若干字段根據典型結構物類別各自采用具體不同的定義。無砟軌道襯砌對象標準碼的組成架構見圖2。無砟軌道節點屬性見表1。

表1 無砟軌道節點屬性

圖2 無砟軌道襯砌對象標準碼組成架構

1）對象種類：包括無砟道床、鋼軌、扣件、無砟軌道設施。

2）對象名稱：主要包括裂縫、離縫、缺損、粉化、移位、鋼棒竄出、翻漿冒泥、失效、失穩、磨耗、壓潰、壓陷（或凹陷）、波浪磨耗、接觸疲勞裂紋（剝離裂紋）及其引起的掉塊和疲勞斷裂、缺失、損壞、移位等。

3）對象類型：橫向裂縫、斜向裂縫、預裂縫、八字裂縫、豎向貫通裂縫、龜裂紋、裂損/龜裂掉塊、反射裂紋、拉裂、接縫離縫、砂漿層離縫、錨穴封端離縫、擋肩缺損、局部破損、上拱、彈條缺失等。

4）對象類別：CRTSⅠ型板式無砟道床、CRTSⅡ型板式無砟道床、CRTSⅢ型板式無砟道床、雙塊式無砟道床、道岔區軌枕埋入式無砟道床、道岔區板式無砟道床、50 kg/m鋼軌、60 kg/m鋼軌、75 kg/m鋼軌、WJ‐7型扣件、WJ‐8型扣件、W300‐1型扣件、SFC型扣件等。

5）對象位置：預應力軌道板、普通軌道板/道岔板、軌枕/岔枕、混凝土擋肩、凸形擋臺、底座、水泥乳化瀝青砂漿層、凸形擋臺周圍填充樹脂、板間接縫、支承層、底座板、側向擋塊、自密實混凝土充填層、道床板、軌枕界面、找平層、鋼軌全長、軌身局部區域、夾板接頭、彈條、螺栓等。

6）定位信息：包括鐵路局名稱、工務段名稱、線路名稱、線路區間名稱、線別、行別、地段、軌道板編號、線路里程、相對里程、軌枕信息號、軌道板側、軌側、距線路中線距離、距軌道中線距離等。

7）屬性特征：包括平均寬度、最小寬度、最大寬度、指定點寬度、寬度等級、長度、深度、面積、面積比、形態、與軌道方向夾角、變形、影響范圍、弦長、幅值等。

8）病害等級：包括傷損等級、傷損關注程度、是否新增、是否發展、是否整治等。

9）順位信息：主要包括節段編號、通道號、傷損順位號、樣本順位號。

10）檢測信息：主要包括檢測設備、檢測時間、檢測人員。

11）圖像信息：主要包括圖像高度、圖像寬度、圖像通道數、像素尺度、圖像類型、圖像格式、圖像名稱、編碼文件名稱、標注文件名稱、左上坐標x、左上坐標y、傷損長、傷損寬、傷損像素坐標等。

編碼文件包括編碼對象的樣本圖像和屬性文件。命名方式為：檢測時間_無砟軌道編碼_對象名稱_對象類型_序號_圖像類型.后綴。

4 數據層的構建

無砟軌道知識圖譜數據層是由實體-關系-實體三元組知識構成的，其主要工作包括數據獲取與標注、知識存儲、知識檢索等。對已有無砟軌道數據進行標注；通過構建命名實體，獲取無砟軌道關鍵實體和關鍵信息構成三元組知識；按照模式層定義好的概念框架，將三元組知識聯結起來并存儲到圖數據庫中，實現知識的快速檢索，最終形成無砟軌道典型傷損知識圖譜。

Synergy HT酶標儀（美國BioTeK公司）；Mini-PROTEAN Tetra蛋白電泳儀、Trans-Blot SD半干轉膜系統（美國Bio-rad公司）；Direct-Q超純水儀（美國Millipore公司）；5417R高速冷凍離心機（德國Eppendorf公司）；IKA T18 basic勻漿器（德國ULTRATURRAX公司）；AX70顯微照相系統（日本Olympus公司）；ImageQuant LAS 4000全自動圖像分析系統（美國GE公司）。

1）數據獲取與標注

無砟軌道典型傷損知識圖譜數據是基于海量高清圖片及典型病害樣本的，其中鋼軌和扣件數據主要來源于綜合巡檢車、鋼軌探傷車GX‐3型軌道巡檢系統等，無砟道床表觀傷損的數據來源于手推運行式和電驅動運行無砟道床表觀狀態智能檢測設備。此外，還包括人工現場作業手動拍攝圖片。無砟軌道表觀傷損及鋼軌扣件傷損的典型圖譜見圖3、圖4。

圖3 無砟軌道表觀傷損典型圖譜

圖4 無砟軌道鋼軌扣件傷損典型圖譜

基于無砟軌道傷損圖庫的組織架構，對于獲取的圖片數據，根據標注規范，采用人工或程序半自動的方式標注成一組標注文件。標注是對編碼對象圖片進行統一標識的過程，最終實現無砟軌道海量傷損圖像的高效標注及處理，構建無砟軌道表觀典型傷損圖譜。該標注處理過程中對編碼對象圖片進行精細化、目標化、字符化、結構化的標注處理，生成的標注文件包含了編碼對象圖片所有的標注內容。標注內容通常以不同結構和文件形式存在，但是都通過標注文件進行索引關聯，以此實現通過編碼文件來索引全部編碼對象的屬性及標注數據。

無砟軌道表觀傷損標注類型包括裂縫、離縫和缺損。裂縫、離縫的標注采用像素點涂覆的方式，根據邊緣特征和像素數量確定筆觸寬度，標注內容為像素坐標、骨架坐標及外接矩形。缺損（掉塊）的標注采用閉合多邊形的方式，標注內容為頂點坐標及外接矩形。對于不同對象采用類別索引進行區分，對于非矩形框標注的對象，使用不同顏色進行示意，見圖5。

圖5 無砟軌道表觀傷損標注示例

鋼軌扣件傷損標注時，通過Labelimg專用標注軟件，在鋼軌傷損區域進行拉框標注。傷損類別按照實際情況標注。

對樣本圖片進行標注后，由于標注程序各異，標注文件格式包括JSON格式、XML格式、圖片格式、特定像素值灰度圖片或者任意自定義格式，編碼文件通過圖像碼的字段與標注文件進行關聯。

2）知識存儲和檢索

海量無砟軌道表觀傷損知識圖譜數據樣本存儲需要借助優秀的數據庫平臺，完成數據的安全、完整和快速存儲，實現高效組織與檢索。

基于B/S架構，建立了包含傷損屬性、圖例組織形式、存儲結構等信息的無砟軌道病害圖譜數據庫結構框架。數據庫服務器采用多線程、空間占用小、存儲量大、安全性高的MySQL數據庫系統。根據編碼將數據存入數據庫中，然后對圖譜相應字段構建索引。數據搜索接口可實現按照索引類別對知識圖譜數據和文檔類數據進行快速檢索。設計數據庫框架，以支撐數據處理、數據統計與分析以及數據的高效檢索，實現對無砟軌道傷損圖譜結構化數據的索引構建、檢索結果展現及集中存儲與管理。

如圖6所示，本文實現的無砟軌道表觀傷損圖譜數據庫管理平臺通過Web 服務器、數據庫服務器、圖像處理工作站和磁盤陣列存儲設備協同工作，從而實現對病害圖譜樣本的安全統一存儲、查詢及統計等。

圖6 數據庫平臺搭建

3）知識圖譜的應用

智能識別算法優劣依賴于樣本的數量和特征分布。目前該系統可以識別病害，但是識別精度還有待提高。隨著高速鐵路無砟軌道典型結構物病害圖譜的研究以及海量病害特征庫的建立，可利用更深層的深度學習網絡，進一步提高識別精度和效果。

5 結語

重點針對養護維修人員對無砟軌道傷損結構物及其傷損的命名不規范、認知標準不統一，以及檢測監測數據種類繁多且規模大、存儲不規范等問題，通過對國內外知識圖譜的調研和分析，本文采用知識圖譜構建方法，打通數據壁壘，建立了高速鐵路無砟軌道典型傷損圖譜。研究了高速鐵路無砟軌道傷損特征庫海量圖片獲取、標注、存儲、高效組織與快速檢索技術，完成了模式層和數據層的體系構建，實現海量異構多源數據的協同分析、規范管理、有序組織存儲及應用，充分挖掘和發揮海量無砟軌道檢測監測數據在鐵路基礎設施管養修過程中潛藏的巨大價值

鐵路無砟軌道傷損特征庫涉及的信息種類繁多、類型復雜，今后還需對無砟軌道傷損特征庫數據關聯性開展深入研究，以提高鐵路無砟軌道傷損特征庫自主學習、關聯性分析水平，為鐵路無砟軌道傷損狀態評估和定級提供更加完備、有效的決策參考。