基于隨機森林的鋼軌輪廓在線識別方法研究

摘要：隨著鐵路運輸系統(tǒng)的高速發(fā)展，車載非接觸式鋼軌磨耗自動化檢測任務(wù)日益增加，然而，線路上豐富多樣的鋼軌軌形輪廓和多樣離群點干擾，導(dǎo)致磨耗值在線計算錯誤頻發(fā)，且運營列車日趨海量的檢測數(shù)據(jù)對于實時性的要求越來越高。因此，提出一種基于隨機森林（RF）的鋼軌輪廓在線識別方法，分類模型1利用主分量分析（PCA）提取鋼軌輪廓的全局特征，分類模型2采用相對高度二叉樹提取鋼軌輪廓的局部特征，隨后采用RF算法模型對轉(zhuǎn)化后的低維特征向量進行分類識別。與支持向量機（SVM）分類識別算法進行對比，結(jié)果表明，所提出的基于RF算法的分類模型1對于普通鋼軌輪廓和非普通鋼軌輪廓的整體分類識別準確率為98.7%，單幀識別耗時8.57 ms；分類模型2對于魚尾板、道岔尖軌和其他輪廓的整體分類識別準確率為96.7%，單幀識別耗時11.95 ms，滿足運營列車75 km/h的實時在線檢測鋼軌輪廓需求，具有工程應(yīng)用價值。

關(guān)鍵詞：鋼軌輪廓；在線計算；特征提取；隨機森林；輪廓識別

中圖分類號：U216 文獻標志碼：A doi：10.3969/j.issn.1006-0316.2024.10.007

文章編號：1006-0316 （2024） 10-0052-07

Online Recognition Method of Steel Rail Profile Based on Random Forest Algorithm

LIU Zhenfeng，CHEN Jianzheng，ZHAO Chunyun，WANG Jiayue

（ State Key Laboratory of Rail Transit Vehicle System， Southwest Jiaotong University，

Chengdu 610031， China ）

Abstract：With the rapid development of railway transportation systems， the tasks of automated detection of non-contact steel rail wear have increased dramatically. However， the rich and diverse rail profiles and various outliers on the track lead to frequent errors in online wear calculation， and the massive amount of detection data from operating trains increase requirement for real-time detection. This paper proposes an online rail profile recognition method based on Random Forest algorithm （RF）. Classification model one utilizes Principal Component Analysis （PCA） to extract the global features of the rail profile， while classification model two uses a relative height binary tree to extract the local features of the rail profile. Subsequently， the RF algorithm is used to classify and recognize the transformed low-dimensional feature vectors. Compared with the Support Vector Machine （SVM） classification recognition algorithm， the results show that the proposed classification model one based on RF algorithm achieves an overall recognition accuracy of 98.7% for common and non-common rail profiles， with a single-frame recognition time of 8.57 ms. Classification model two achieves an overall recognition accuracy of 96.7% for fishplate， switch point rail， and other profiles， with a single-frame recognition time of 11.95 ms. The proposed recognition method meets the real-time online detection requirements of rail profiles for operating trains at 75 km/h and thus it has certain engineering application value.

Key words：rail profile；online calculation；feature extraction；random forest；profile recognition

隨著我國鐵路運輸系統(tǒng)的高速發(fā)展和行車密度的增加，為便于及時打磨養(yǎng)護鋼軌、延長鋼軌使用壽命，鋼軌輪廓磨耗檢測任務(wù)日益繁重[1]。傳統(tǒng)的接觸式手工測量方法磨耗檢測效率十分低下，隨著檢測技術(shù)的大力發(fā)展，車載非接觸式鋼軌磨耗檢測已得到廣泛應(yīng)用，可對鋼軌表面磨耗情況進行實時在線檢測[2]。然而，在列車行駛過程中，鋼軌輪廓在不同軌形區(qū)域會呈現(xiàn)不同的幾何形態(tài)，如道岔尖軌、魚尾板、護軌等輪廓，且會受到線路上零件或異物的干擾。這些異常的鋼軌輪廓若不進行分類處理，會導(dǎo)致磨耗值在線計算效率降低和錯誤頻發(fā)等問題。另外，魚尾板和道岔尖軌作為鋼軌中的關(guān)鍵性部件，通常沿軌道線路有規(guī)律地均勻分布，如果能實時在線分類識別出魚尾板和道岔尖軌，可以輔助列車的絕對定位工作，定位精度可達到鋼軌輪廓采樣間隔距離。與使用查詢應(yīng)答器來定位列車的方法相比[3]，這種定位方式成本很低，且更易維護。因此，針對海量的日常檢測數(shù)據(jù)和多樣化異常廓形及離群點的干擾，如何快速且準確地在線識別有效鋼軌輪廓是軌道自動化檢測領(lǐng)域急需解決的現(xiàn)實問題。

目前針對鋼軌輪廓分類識別的方法主要可以分為兩大類，分別為基于深度學(xué)習(xí)的圖像檢測算法以及基于鋼軌幾何特征的配準算法。Liu等[4]提出采用點集映射方法計算實測鋼軌輪廓和標準鋼軌輪廓的曲線相似度，滿足軌檢車12.86 km/h的在線識別速率。趙鑫欣等[5]提出一種基于時空上下文信息的鋼軌圖像輪廓快速追蹤算法，可以更新輪廓追蹤區(qū)域的置信圖，在處理不同鋼軌幾何形態(tài)和陽光干擾時具有良好的泛化性。Wang等[6]提出采用圖像深度神經(jīng)網(wǎng)絡(luò)和模板配準的鋼軌輪廓分類識別追蹤算法，可以識別出不同區(qū)域的鋼軌輪廓軌頭區(qū)域。Li等[7]提出利用標準鋼軌輪廓作為模板的異常輪廓識別方法，通過對實測鋼軌廓形與標準鋼軌廓形配準對正常輪廓和異常輪廓進行區(qū)分。

目前基于鋼軌輪廓配準的算法適用于對鋼軌輪廓進行二分類，利用全局特征識別普通鋼軌輪廓和非普通鋼軌輪廓，識別速率較快。然而，異常輪廓種類較多且受離群點噪聲干擾，局部特征差異太大，導(dǎo)致容易誤檢。基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法雖然具有較好的識別效果，但計算時間復(fù)雜度較高。考慮到機器學(xué)習(xí)中的隨機森林算法抵抗噪聲能力較強，可以保證鋼軌輪廓識別的準確率，再與特征提取算法結(jié)合，即可降低輪廓的輸入維度、保證檢測的速率。

因此，本文提出一種基于隨機森林的鋼軌輪廓在線分類識別算法。該算法能對車載非接觸式設(shè)備采集的鋼軌輪廓進行在線分類識別，有效識別出正常輪廓和不同區(qū)域的異常廓形，在保證泛化性的同時，擁有快速且準確的鋼軌輪廓分類識別能力。

1 鋼軌輪廓磨耗檢測原理

如圖1所示，車載鋼軌輪廓磨耗在線檢測系統(tǒng)由多個組件模塊構(gòu)成。其中，微處理器負責(zé)接收光電輪軸編碼器的旋轉(zhuǎn)脈沖信號，根據(jù)已知的列車輪對直徑將信號轉(zhuǎn)換為等距離的觸發(fā)信號傳遞給2D激光位移傳感器，采樣距離間隔設(shè)置為0.25 m。數(shù)據(jù)采集模塊可以實時獲取鋼軌左右兩側(cè)2D激光位移傳感器采集的輪廓二維幾何坐標數(shù)據(jù)，通過相關(guān)配準算法與標準鋼軌輪廓模板進行對齊配準，根據(jù)鋼軌磨耗參數(shù)定義即可測量鋼軌輪廓磨耗幾何參數(shù)[8]。但如果采集到異常鋼軌輪廓，時常會導(dǎo)致磨耗值在線計算錯誤，降低軌檢系統(tǒng)自身的有效性。

在車載非接觸式軌道檢測中，列車通過線路上不同區(qū)域時，會產(chǎn)生豐富多樣的鋼軌輪廓幾何形態(tài)。由于車輛振動的影響，輸出的每一幀鋼軌輪廓曲線二維坐標均不同。線路上不同區(qū)域的鋼軌輪廓，一般可以分為普通鋼軌輪廓、魚尾板、道岔尖軌和其他區(qū)域特殊輪廓等，如圖2所示。

2 基于隨機森林的鋼軌輪廓識別方法

2.1 特征提取方法

非接觸式車載檢測系統(tǒng)實測鋼軌輪廓輸出的二維坐標點在傳感器的測量坐標系中構(gòu)成了一條輪廓曲線。由于列車的振動，輪廓二維坐標會受不同程度旋轉(zhuǎn)或平移變換的影響。因此，鋼軌輪廓數(shù)據(jù)特征提取方法要能最大限度表征原始輪廓數(shù)據(jù)，又不能因為輪廓的旋轉(zhuǎn)或平移變換而受較大影響。

PCA（Principal Component Analysis，主分量分析）是一種基于無監(jiān)督學(xué)習(xí)的特征提取方法。該方法除可以較好地對原始輸入高維數(shù)據(jù)集進行降維處理，降低系統(tǒng)運算的時間復(fù)雜度，還可最大限度提取原始數(shù)據(jù)中對投影方差起決定性作用的特征向量[9-10]。此外，周志杰[11]證明了PCA能抵抗鋼軌輪廓的旋轉(zhuǎn)和平移變換。

本文選取地鐵線路實測的250幀鋼軌輪廓（含普通鋼軌輪廓無干擾、普通鋼軌輪廓有干擾、魚尾板、道岔和其他特殊輪廓各50幀），采用PCA方法進行處理，得到不同類型鋼軌輪廓的特征值分布圖，如圖3所示。可以看出，普通鋼軌輪廓的主分量特征分布聚成兩堆，一部分是普通鋼軌輪廓無干擾的堆，第一特征值主要分布在[4450， 4500]，第二特征值主要分布在[360， 390]，還有一部分是普通鋼軌輪廓有干擾的堆，主要是因為線路上零件或異物遮擋帶來的離群點干擾，導(dǎo)致輪廓曲線的軌腰段和軌底段出現(xiàn)異常凸起，造成投影方差增大，增大兩個特征值，使得普通鋼軌輪廓的特征分布在圖中向右上方區(qū)域移動。

對比特征值分布情況可知，使用PCA方法可以較好地提取鋼軌輪廓全局特征，適合區(qū)分普通鋼軌輪廓和非普通鋼軌輪廓。然而，非普通鋼軌輪廓的魚尾板、道岔尖軌和其他特殊輪廓的主分量特征比較散亂，應(yīng)采用可提取曲線細節(jié)特征的方法。陳孝春等[12]證明了相對高度二叉樹特征提取具有曲線旋轉(zhuǎn)和平移不變性。

曲線相對高度特征提取如圖4所示。首先把曲線段AB的兩個端點相連。然后遍歷曲線上兩端點之間的所有點，尋找一點N，使其到線段AB的歐式距離最大，將其垂足記作M，此時垂線長度MN記作H1，則曲線段AB的相對高度為H1/AB，并且最遠點N將曲線段AB劃分成了兩個新的曲線段AN和BN。以此類推，對于曲線段AN和BN，其垂足分別假設(shè)為E和F，垂線長度CE記為H2，垂線長度DF記為H3，則曲線段AN和BN的相對高度分別可表示為H2/AN和H3/BN。輪廓曲線的曲率信息可以在一定程度上由曲線的相對高度信息來反映，將相對高度信息存儲在二叉樹中，淺層次的節(jié)點代表曲線全局特征，深層次的節(jié)點反映了曲線局部特征。

對于地鐵線路實測的鋼軌輪廓數(shù)據(jù)，兩種特征提取方法各有優(yōu)點與缺點。基于PCA的特征提取方法，優(yōu)點是計算時間復(fù)雜度較低。對于實測的鋼軌輪廓點集，先計算出它的協(xié)方差矩陣，更進一步計算出該協(xié)方差陣的第一和第二特征值即可。該方法不僅可以較好地降低原始輸入鋼軌輪廓點集的維度，且處理之后的輪廓只有兩個維度。然而，該方法的主要缺點在于，難以捕捉鋼軌輪廓曲線的局部特征，比如曲線上的凹陷、凸起、缺失、拐點等，其主要反應(yīng)的是輪廓曲線的全局特征。基于相對高度二叉樹的特征提取方法，優(yōu)點是可以提取曲線更深層次的細節(jié)信息。存儲二叉樹的深度可以通過控制遞歸函數(shù)分割閾值的大小來進行動態(tài)調(diào)整，則鋼軌輪廓曲線在不同尺度上的特征都可以進行表征。該方法的主要缺點是，在計算處理過程中，需要一直尋找最遠的端點，然后根據(jù)設(shè)定的閾值進行遞歸分割，隨著存儲輪廓相對高度信息二叉樹深度的不斷增加，其計算的時間復(fù)雜度較高。因此，本文采用PCA提取鋼軌輪廓的全局特征，采用相對高度二叉樹提取鋼軌輪廓的局部特征。

2.2 隨機森林算法原理

隨機森林（Random Forest，RF）集成學(xué)習(xí)算法是在決策樹的分類與回歸樹（Classification And Regression Tree，CART）、隨機子空間算法和Bagging算法的基礎(chǔ)上發(fā)展形成的，將CART作為基分類器，通過自助采樣法有放回抽樣生成訓(xùn)練集，然后采用隨機子空間算法，加入隨機特征選定，完成決策樹的建造[13-14]。RF模型中的每個決策樹都會對輸入樣本進行處理，最后綜合多個相互獨立的決策樹的結(jié)果來進行判斷。決策樹是一種經(jīng)典的分類模型，通過遞歸地從頂部到底部構(gòu)建樹形結(jié)構(gòu)，具有強大的泛化能力和易于理解的特點，在分類識別、數(shù)據(jù)挖掘等領(lǐng)域應(yīng)用廣泛[15]，其中CART算法采用基尼值（Gini）最小指標來確定分裂屬性，可表示為：

（1）

式中：N為任意樣本數(shù)據(jù)集； 為從N中抽取出兩個樣本但屬于不同類別的概率；S為種類； 為屬于s類的樣本數(shù)量。

取值越大，則N純度越低。

RF在處理復(fù)雜、高維度的數(shù)據(jù)集以及具有噪聲和非線性關(guān)系的問題時表現(xiàn)出色。地鐵線路實測鋼軌輪廓數(shù)據(jù)中，輪廓曲線包含了多樣性的離群點噪聲和復(fù)雜軌道輪廓干擾，RF算法模型通過多顆決策樹分類并投票的機制可以較好地提高模型的泛化性能，使模型能夠抵抗更多來自鋼軌輪廓數(shù)據(jù)本身的噪聲干擾，適合作為鋼軌輪廓數(shù)據(jù)的分類識別模型。

2.3 鋼軌輪廓分類識別流程

如圖5所示，根據(jù)地鐵線路實測的鋼軌輪廓數(shù)據(jù)主分量分布特征，分類識別可以轉(zhuǎn)變?yōu)閮蓚€過程。第一步，對實測輪廓數(shù)據(jù)運用PCA轉(zhuǎn)化為二維全局特征向量，隨后采用RF分類模型1進行二分類，如果判定為普通鋼軌輪廓，則完成識別。否則，進行第二步，采用相對高度二叉樹方法提取鋼軌輪廓15維局部特征向量，利用RF分類模型2進行三分類。如果是魚尾板和道岔尖軌輪廓，則保存其信息用于輔助列車絕對定位，如果是其他輪廓則無需處理，分類識別方法結(jié)束。

3 實驗驗證

3.1 數(shù)據(jù)選取

本文選取GJ-6高速軌檢車在某地鐵線路實測鋼軌輪廓數(shù)據(jù)進行實驗驗證。分類模型1的總樣本數(shù)為1000幀（其中，900幀為普通鋼軌輪廓數(shù)據(jù)，100幀為非普通鋼軌輪廓數(shù)據(jù)）。

分類模型2的總樣本數(shù)為500幀（其中200幀魚尾板、200幀道岔尖軌和100幀其他特殊輪廓）。兩個模型中訓(xùn)練集和測試集的數(shù)據(jù)劃分比例都為7：3。

3.2 結(jié)果分析

模型1中測試集樣本的混淆矩陣如圖6所示，300幀輪廓數(shù)據(jù)中僅有4組數(shù)據(jù)分類錯誤。因此，模型1對于測試集的分類識別整體準確率達到了98.7%。更進一步評價模型1的精確性能指標：普通鋼軌輪廓的查準率、召回率和F1測度都為99%；非普通鋼軌輪廓的查準率、召回率和F1測度都為94%。基本滿足模型1分類識別的要求。

模型2中測試集樣本的混淆矩陣如圖7所示，150幀數(shù)據(jù)共有5組數(shù)據(jù)分類錯誤。

因此，模型2對于測試集的分類識別整體準確率達到96.7%。更進一步評估模型2的精確性能指標：魚尾板的查準率98%、召回率95%、F1測度97%；道岔尖軌的查準率97%、召回率98%、F1測度97%；其他特殊輪廓的查準率94%、召回率97%、F1測度95%。基本滿足模型2分類識別要求。

3.3 算法對比

為證明所提出采用算法的有效性，在相同特征提取算法的前提下，選用SVM（Support Vector Machine，支持向量機）算法進行對比驗證，結(jié)果如表1所示。可以看出，針對本文的兩種分類場景任務(wù)，基于RF算法的分類識別效果整體表現(xiàn)明顯優(yōu)于SVM算法的識別結(jié)果。

4 結(jié)論

提出一種基于RF算法的鋼軌輪廓在線識別方法，具有較高的識別準確率和較高的識別速率。通過地鐵線路實測數(shù)據(jù)驗證，分類模型1對普通鋼軌輪廓和非普通鋼軌輪廓的整體識別準確率為98.7%，單幀輪廓識別耗時8.57 ms；分類模型2對魚尾板、道岔尖軌和其他特殊輪廓整體識別準確率為96.7%，單幀輪廓識別耗時11.95 ms。如果按照0.25 m的采樣距離間隔，可滿足運營列車75 km/h的鋼軌輪廓在線識別需求，具有工程應(yīng)用價值。

參考文獻：

[1]趙宇晨，羅旦，李從祥，等. 鋼軌打磨綜合試驗臺的設(shè)計及應(yīng)用[J]. 機械，2022，49（5）：68-74.

[2]占棟，于龍，肖建，等. 鋼軌輪廓全斷面檢測中軌廓動態(tài)匹配方法研究[J]. 鐵道學(xué)報，2015，37（5）：71-77.

[3]張振興. 城市軌道交通中的列車定位方法研究[D]. 北京：北京交通大學(xué)，2008.

[4]LIU H，LI Y，MA Z，et al. Recognition and calibration of rail profile under affine-distortion-based point set mapping[J]. IEEE Transactions on Instrumentation and Measurement，2016，66（1）：131-140.

[5]趙鑫欣，王勝春，王昊，等. 車載動態(tài)條件下鋼軌廓形快速追蹤算法[J]. 中國鐵道科學(xué)，2020，41（6）：145-155.

[6]WANG S，WANG H，ZHOU Y，et al. Automatic laser profile recognition and fast tracking for structured light measurement using deep learning and template matching[J]. Measurement，2021（169）：108362.

[7]LI Y，ZHONG X，MA Z，et al. The outlier and integrity detection of rail profile based on profile registration[J]. IEEE Transactions on Intelligent Transportation Systems，2019，21（3）：1074-1085.

[8]楊強，林建輝，丁建明，等. 基于二維激光位移傳感器和遺傳算法的鋼軌磨耗動態(tài)檢測系統(tǒng)[J]. 中國鐵路，2012（6）：85-88.

[9]BRO R，SMILDE A K. Principal component analysis[J]. Analytical Methods，2014，6（9）：2812-2831.

[10]陳丹，李京華，黃根全，等. 基于主分量分析的聲信號特征提取及識別研究[J]. 聲學(xué)技術(shù)，2005，24（1）：39-41，45.

[11]周志杰. 鋼軌軌形輪廓分類識別與磨耗檢測技術(shù)研究[D]. 成都：西南交通大學(xué)，2018.

[12]陳孝春，葉懋冬，倪臣敏. 基于二叉樹的曲線描述方法[J]. 中國圖象圖形學(xué)報，2007，12（1）：116-120.

[13]STROBL C，MALLEY J，TUTZ G. An introduction to recursive partitioning： rationale， application， and characteristics of classification and regression trees， bagging， and random forests[J]. Psychological Methods，2009，14（4）：323-348.

[14]李晟，周超. 基于隨機森林的鈦加工表面質(zhì)量評定研究[J]. 機械制造與自動化，2020，49（6）：36-38，60.

[15]TAN J，XIE X，ZUO J，et al. Coupling random forest and inverse distance weighting to generate climate surfaces of precipitation and temperature with multiple-covariates[J]. Journal of Hydrology，2021（598）：126270.