車載式地鐵軌道缺陷巡檢系統關鍵技術研究

胡怡東 曾明

摘 ?要：車載式地鐵軌道缺陷巡檢系統是一套功能完善、性能優良的基于計算機視覺、深度學習的巡檢系統，集成了扣件檢測、軌枕檢測、異物檢測、鋼軌檢測、感應板檢測五個檢測模塊以及缺陷檢測位置定位等，結合Tiny YOLOv3初次檢測識別和改進的YOLOv3二次檢測識別的目標檢測算法，能夠精確定位缺陷位置，實時根據所采集的圖像對軌道缺陷進行智能識別、判斷和分類，最后將軌道缺陷信息數據通過客戶端軟件存儲及上傳至電腦端實時顯示，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;深度學習;檢測模塊;精確定位;智能識別

中圖分類號：U239.5 ? ? ?文獻標志碼：A

引言

地鐵在日常城市生活中承擔著重要的交通職能，它方便了人們的交通出行，縮短了區域間的通勤時間，為社會經濟建設提供高效、有力的交通保障。然而高速、快捷的背后是軌道安全所面臨的巨大壓力與挑戰，如高頻率的列車發送讓軌道處于高負荷狀態，進而引發軌道狀態異常，威脅列車行駛安全。針對軌道安全問題，人們提出了一些檢測方法，總結起來有扣件缺陷檢測、鋼軌裂紋檢測、軌枕破裂掉塊檢測、感應板移位檢測、異物檢測等[1-3]。

傳統的扣件檢測方式是采用人工巡檢，該方法雖然簡單，但效率低、成本高、漏檢率高、安全隱患大，且不能判斷扣件的松脫程度[4-6]。基于計算機視覺的扣件檢測有主成分分析（Principal Component Analysis，PCA）+支持向量機（Support Vector Machines，SVM）、小波分析+BP（Back Propagation）神經網絡等識別方法，但它們都需要提取扣件的大致區域再進行狀態識別，其次均只能識別扣件是否脫落，不能識別出扣件松脫的具體程度[7-9]。除視覺之外，還有利用振動能量譜進行扣件狀態識別，但它需要在扣件之間安裝傳感器節點，具有工程量大、成本高，同時難以維護等缺點[10]。

鋼軌裂紋檢測大多采用激光傳感器的方法，該方法由于在高速以及列車晃動情況下會導致激光數據誤差較大，所以只能局限用于低速軌道檢測車，不能很好滿足高速車載實時檢測的需求[11-12]。對于軌枕檢測，文獻[13]和[14]基于圖像處理算法分割出軌枕區域，然后結合粗糙集人工神經網絡訓練再檢測，雖然能檢測出一部分軌枕裂紋掉塊，但缺點也是顯而易見的：基于圖像處理的分割算法容易受到光照、角度以及外界復雜多變環境的干擾導致分割效果不好，其次人工神經網絡結構較為簡單、深度較淺，同時由于是人為選取圖像特征，會導致最后檢測效果不是特別理想。感應板移位檢測方法是利用多個激光傳感器來分析感應板位置信息，從而判斷感應板移位情況，但它需要事先進行標定，而且容易受到列車擺動的影響[15-16]。對于異物的檢測，有學者利用傳統圖像處理和SVM支持向量機進行分類識別，但SVM屬于機器學習算法，和深度學習算法相比仍有提高空間[17]。

綜上所述，地鐵軌道缺陷巡檢系統仍需要選取更加先進的檢測手段及數據分析技術，保障列車運營安全，節約運營成本。因此，本文提出了一個功能完善，性能優良的基于計算機視覺、深度學習的車載式地鐵軌道缺陷巡檢系統，并對其關鍵技術進行研究，提高了軌道線路巡檢效率和準確率，為地鐵的安全行駛保駕護航。

1 系統構成

本文所提出的車載式地鐵軌道缺陷巡檢系統結構框圖如圖1所示，該系統主要由安裝在電客車底部的檢測梁、安裝在車輪軸頭上的速度傳感器、安裝在車內客室座位下的檢測機柜、部署在云服務器上的檢測數據處理服務器程序和安裝在終端監控計算機上的客戶端程序等組成。其中，檢測梁上安裝有高清成像組件、同步裝置以及電子標簽讀卡器;車內檢測機柜內包括檢測主機、3G/4G無線模塊、移動硬盤盒以及電源裝置等。

2 關鍵技術

車載式地鐵軌道缺陷巡檢系統識別判斷流程主要包括數據采集、缺陷檢測、缺陷識別以及數據存儲與上傳等。其中較為關鍵的技術包括：1、軌道缺陷檢測，其包括了扣件檢測、軌枕檢測、異物檢測、鋼軌檢測、感應板檢測五個檢測模塊以及缺陷檢測位置定位;2、在結合基于計算機視覺、深度學習算法，以及Tiny YOLOv3初次檢測識別的基礎上，改進的YOLOv3二次檢測識別的目標檢測算法實現毫秒級識別，識別效果較好;3、數據存儲于上傳。

2.1 軌道缺陷檢測

2.1.1 扣件檢測

在列車高速行駛時，為了確保每個扣件被拍到，且具有高的識別率，對扣件檢測算法提出了嚴格的要求：通過實測得到兩個扣件之間距離為0.6m，列車按照最高時速120km/h考量，采用4路相機進行扣件檢測，從而計算得到每個扣件從采集、預處理到識別的整個過程要保證在4.5ms內完成。

1、扣件訓練

要訓練得到好的模型，就必須保證樣本的均衡性以及網絡參數的調優。在樣本均衡性方面，采用“誤識別再訓練”的思路，先訓練一個粗略模型識別，然后篩選出誤識別扣件，再從誤識別扣件中隨機選取一部分進行再訓練。通過這樣不斷強化優化訓練，最終保證了訓練庫樣本的均衡性和多樣性，實現了較好的識別效果。扣件訓練分為了6個類別，編號0-5，分別對應彈條正常、彈條松動、彈條脫落、螺絲正常、螺絲松動、螺絲脫落。采用此分類方法一方面是由于扣件彈條與螺絲本身獨立性決定的，另一方面可以通過分開識別判斷出彈條松動的距離。

2、扣件識別

經扣件檢測后，進行扣件識別，扣件識別流程如圖2所示：輸入待識別圖片，經過去噪、濾波等基本圖像預處理，然后再進行圖片裁剪和歸一化;初始化深度神經網絡配置網絡參數、加載網絡模型后，將歸一化后的圖片輸入到深度神經網絡進行矩陣計算，提取并匹配特征得到輸出，再利用NMS非極大值抑制結合閾值判定過濾掉錯誤匹配，最后輸出最終結果。輸出結果包括每個彈條或者螺絲的位置坐標，及其對應的狀態類型（正常、松動、脫落），如果彈條松動還將返回松動距離。

2.1.2 軌枕檢測

軌枕檢測主要檢測識別軌枕破裂和掉塊的情況。由于上一小節已經能夠檢測到扣件，而軌枕區域位于扣件正下方，所以只需要裁剪出軌枕區域即可，對裁剪出的區域利用SVM支持向量機分類器算法進行訓練，然后識別判斷。裁剪區域如圖3所示。

2.1.3 異物檢測

異物檢測模塊主要負責檢測出軌道兩側和內部的非鐵軌相關的物體，比如維修工落下的螺絲刀、扳手，或者一些垃圾雜物等。

第一步：先利用傳統圖像識別算法，結合異物的邊緣和梯度信息初步篩選出疑似異物圖片，圖6（a）是包含異物扳手螺絲刀的原圖，經過濾波和邊緣檢測后，再經過形態學的閉運算操作后，尋找連通域返回輪廓。

第二步：在第一步的基礎上雖然能識別出異物，但由于軌道外部環境復雜，導致了很多誤識別的情況。

2.1.4 鋼軌檢測

鋼軌檢測主要目的是檢測鋼軌表面的劃痕或者裂紋。傳統圖像處理識別采用與異物識別相同的思路，都是經過濾波去噪、邊緣檢測、形態學的閉運算操作、尋找連通域返回輪廓，再根據輪廓面積閾值過濾掉干擾區域進行檢測，圖4是經誤檢過濾后的鋼軌表面劃痕或裂紋區域。

2.1.5 感應板檢測

感應板檢測模塊主要負責感應板移位的檢測判定。直接方式較難識別，因為移位的樣本難采集，且能采集的樣本也很少，所以很難訓練。通過觀察發現兩塊感應板被扣件卡住，間隙位于扣件正中，因此可以對感應板縫隙旁進行劃線標記，當識別出“劃線”相對于扣件的位移時，即識別出感應板的位移。

2.1.6 缺陷檢測位置定位

軌道缺陷檢測結果的數據只有和缺陷在線路上的實際位置對應起來，才能有效地指導維修，系統包含了速度傳感器，軌枕感應傳感器，同步觸發控制器，電子標簽閱讀器和檢測主機，結合多種信息進行綜合定位判斷，以保證檢測位置測量的準確性。

2.2 改進的YOLOv3算法

對于高速車載的巡檢系統，采用高性能的YOLOv3算法能很好滿足實時需求。

YOLOv3網絡結構中采用了大量的殘差網絡，如圖5所示。它具有以下好處：網絡越深表達的特征越好，分類和檢測效果都會提升。殘差中的1 x 1卷積，使用network in network網中網的想法大量減少了每次卷積的channel通道，一方面減少了參數量，另一方面減少了計算量。

同時YOLOv3一共輸出三種下采樣特征圖，尺寸分別為13*13，26*26，52*52。其中13*13特征圖對應著大目標的檢測，26*26對應著中目標的檢測，52*52對應著小目標的檢測。另外采用了K-means算法為每個尺度特征圖訓練，得到3種先驗框，讓其能更為準確的預測目標的坐標框。

為了更好地滿足巡檢系統的需求，提出了6個尺度的密集多尺度預測，下采樣的特征圖尺寸分別為：4*4，8*8，16*16，32*32，64*64，128*128。

其次改進了多尺度先驗框，因為原本YOLOv3是基于coco數據80類目標，經過K-means聚類算法得出3個尺度特征圖的9個先驗框。為了進一步更精準地預測巡檢目標的坐標框，利用K-means聚類算法訓練了螺絲、彈條、軌枕的先驗框，最后得到6個尺度特征圖，18個先驗框。

2.3 數據存儲與上傳

系統將檢測出的缺陷信息和位置信息通過無線網絡實時發送至巡檢系統云服務器，利用云計算技術分析和處理檢測數據，最后將軌道缺陷信息數據通過客戶端軟件存儲及上傳到電腦上實時顯示，實現缺陷圖片查看、對比、數據統計、分析、生成報表等功能。

1、用戶登錄

登錄界面如圖7所示，授權用戶可通過輸入用戶名和密碼登錄客戶端軟件系統。

2、主頁動態

主頁動態實時顯示最近的缺陷圖片、近期缺陷趨勢圖、缺陷數量統計、車輛位置信息、設備故障報警。

3、巡檢管理

巡檢管理可以對各種缺陷類型圖片預覽查看。可按照站點區間、時間段、缺陷類型分類查看;可實現圖片的放大、縮小、缺陷詳細信息的展示;可顯示的圖片類型有道岔圖片、焊縫圖片、扣件缺陷圖片、軌枕破損圖片、道床異物入侵圖片、鋼軌裂紋圖片、感應板移位圖片。

4、統計分析

將大量的歷史數據進行歸類統籌生成報表預覽。可以統計不同站點區間段、時間段的缺陷類型數量、趨勢。預覽形式有曲線、柱狀圖、PDF文檔、報表。

3 系統驗證核實

為了驗證車載式地鐵軌道缺陷巡檢系統在線檢測的實際檢出率，于2018年11月22日晚將169170電客車行駛到廣州地鐵八號線，預先設置好缺陷，將列車通過，對現場缺陷進行檢測，并隨后統計實際數據。

表1給出螺栓缺失的驗證信息現場核對表，圖8和9給出了螺栓缺失缺陷檢出圖片和現場圖片的對比圖，驗證了車載式地鐵軌道缺陷巡檢系統基于上述關鍵技術具有軌道缺陷檢測精確的優點。

車載式地鐵軌道缺陷巡檢系統自11月在廣州地鐵八號線安裝以來，每天能檢出彈條缺失、彈條松動、螺栓缺失、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，從而能及時處理地故障，保障地鐵的安全運營。

4 結論

本文提出的車載式地鐵軌道缺陷巡檢系統集成了扣件檢測、軌枕檢測、異物檢測、鋼軌檢測、感應板檢測五個檢測模塊以及缺陷檢測位置定位，利用計算機視覺、深度學習，結合目標檢測算法實時采集軌道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，并將檢測數據通過客戶端軟件存儲及上傳到電腦實時顯示，方便工作人員監視，及時處理故障。以廣州地鐵8號線為例，驗證了本文所提出的車載式地鐵軌道缺陷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。

參考文獻

[1] ?韓強，任盛偉，戴鵬等.軌道狀態巡檢系統[J].鐵路技術創新，2012（01）：48-50.

[2] ?胡春雄，布春明，李海峰.智能巡檢系統在線路運行中的應用[J].山西電力，2006（b10）：29-30.

[3] ?趙澤霖.高速軌道電力巡檢系統設計與實現[D].電子科技大學，2015.

[4] ?黃海軍，張飛龍.淺談軌道巡檢系統在城市軌道交通的應用[J].山東工業技術，2017（22）：119.

[5] ?韓強，戴鵬，譚松等.車載軌道巡檢系統研制[J].鐵道建筑，2014（11）：144-147.

[6] ?徐瑞梅.鐵軌缺陷自動檢測系統的研究[D].大連海事大學，2003.

[7] ?譚偉.基于圖像的鐵軌缺陷檢測系統的算法研究及軟件設計[D].大連海事大學，2004.

[8] ?許貴陽，史天運，任盛偉等.基于計算機視覺的車載軌道巡檢系統研制[J].中國鐵道科學，2013，34（01）：139-144.

[9] ?王留軍，張鷹.基于機器視覺的車載式鐵路軌道智能巡檢系統研究[J].成都信息工程大學學報，2016，31（02）：185-189.

[10] ?徐磊，陳憲麥，徐偉昌等.小波能量譜在鐵路軌道檢測中的應用[J].振動工程學報，2014，27（04）：605-612.

[11] ?顧桂梅，劉麗，賈文晶.一種鋼軌裂紋紅外圖像處理算法研究[J].鐵道學報，2018，40（11）：129-133.

[12] ?杜晨琛，劉文波，陳旺才.多傳感器特征決策融合的鋼軌裂紋識別方法[J].電子測量技術，2017，40（11）：157-160.

[13] ?李志，陳建政.基于圖像處理的鐵路軌枕分割方法研究[J].科技創新與應用，2015（11）：10-11.

[14] ?雷華堂.基于粗糙神經網絡的軌枕缺陷檢測研究[D].西南交通大學，2011.

[15] ?崔言坤.感應板檢測系統的研究[D].北京交通大學，2009.

[16] ?劉素云.廣州軌道交通四號線直線電機車輛段感應板安裝技術[J].鐵道建筑技術，2006（06）：34-37.

[17] ?同磊.基于機器視覺的軌道交通線路異物檢測技術研究[D].北京交通大學，2012.