軌道異物入侵檢測的必要性及措施分析

宋華杰

（西安鐵路職業(yè)技術學院，陜西 西安 710026）

0 引言

隨著鐵路運輸業(yè)和城市軌道交通運輸業(yè)的快速發(fā)展，現階段軌道交通已經成為大多數人的日常出行方式，因此社會對軌道交通的運行要求逐漸提高，軌道異物入侵檢測也越來越引起國家和社會的關注[1]。不論是鐵路還是城軌，都時有因異物入侵軌道而引發(fā)的安全事故，對軌道異物入侵的檢測時刻不能松懈。目前檢測軌道異物的方法以人工為主，但是伴隨計算機視覺的蓬勃發(fā)展，利用圖像處理的方法進行異物檢測也是研究的熱點，計算機視覺檢測軌道異物具有實時性高、精準率高、查全率高等特點，是現在軌道異物檢測的趨勢。

1 鐵路異物軌道入侵

改革開放以來，中國鐵路事業(yè)蓬勃發(fā)展，加上人們日益增長的出差、旅游的需求，利用鐵路交通出行的人日益增多，鐵路方便了現代人的出行，也適應新世紀人們的生活節(jié)奏。但是鐵路仍然有其固有的弊端，存在一定的安全隱患。

鐵路運輸業(yè)由于有距離長的特點，因此大部分鐵路軌道是露天鋪設的，僅在部分鐵路路段由護欄進行防護，不可避免的造成了軌道被異物侵占的概率增大。同時火車，特別是高鐵，在正線運行時速度較高，如上海的磁懸浮列車運營的最高時速可達431km/h，這就要求調度必須及時發(fā)現軌道異物入侵的情況，在列車到達事故點之前迫使列車緊急制動，否則將給乘客的生命財產安全帶來嚴重損失。

列車脫軌是一種鐵路運輸意外，指的是列車行進中時脫離軌道，造成鐵路損壞或人員傷亡。脫軌的主要原因有很多，包括損壞或歪斜的鐵軌、列車超速、列車或鋼輪異狀或是軌道上的阻礙物。脫軌也可能發(fā)生在兩個以上或多數列車相撞時發(fā)生。脫軌的列車很難復原，通常需要使用大型的鐵路起重機將之擺回至軌道。

如2020年3月30日12時許，濟南至廣州的T179次列車在湖南郴州永興縣高崗司鎮(zhèn)境內發(fā)生側翻，多節(jié)車廂脫軌，造成1人死亡、4人重傷、123人輕傷。本次事故原因就是連日降雨造成塌方，塌方山體侵占了軌道而未被鐵路部門及時發(fā)現，火車司機發(fā)現塌方后采取緊急制動措施，但由于制動距離不足，列車撞上塌方山體，導致機后第一節(jié)發(fā)電車起火，第二至六節(jié)車廂脫線傾覆。圖1為事故救援現場照片。

圖1 郴州事故救援現場

此次事故并非個案，2020年以來，全球已發(fā)生多起列車事故，造成多人受傷。當地時間2020年7月31日下午15:30，葡萄牙科英布拉地區(qū)的一列載有282名乘客的高速列車（Alfa Pendular）與鐵路維修車相撞并脫軌，造成2人死亡，至少50人受傷，9人受傷嚴重。2020年6月7日8時30分許，貴廣客專懷集站至賀州站區(qū)間因落石行車受阻。南寧鐵路局人士對媒體稱，列車脫軌地點為南寧鐵路局管段，受阻列車為D1862次（廣州南——重慶西），列車已脫軌，但未傾覆。2020年6月2日，西班牙薩莫拉一輛汽車從天橋掉落到鐵軌上，與一列正在行駛的旅客列車相撞，導致列車脫軌。事故造成列車上的一名駕駛員死亡，一名乘客受傷，汽車駕駛員死亡，列車上有155名乘客。2020年3月9日上午6時左右，日本廣島縣發(fā)生一起列車脫軌事故，JR藝備線內發(fā)生山體滑坡，大量泥土堆積在了鐵道上，一輛高速列車駛上土堆后側翻脫軌。該列車只有一節(jié)車廂，除了駕駛員外沒有搭載乘客，駕駛員未受傷。該列車駕駛員稱，事發(fā)前發(fā)現了軌道上堆滿了泥沙和樹木，采取了緊急剎車措施，但還是晚了。

因此，可以看出，世界上由于異物入侵軌道而造成的事故時有發(fā)生，因此，在鐵路兼有露天和高速兩大特點的情況之下，鐵路異物入侵軌道的檢測必須加強。

2 城市軌道異物入侵

與鐵路相比，城市軌道距離較短，運行速度較低，且大部分為隧道內鋪設，因此城市軌道異物入侵的情況較鐵路發(fā)生較少。但是，由于站臺處人員密集，人員素質參差不齊，在某些無屏蔽門的站臺處對軌道內有無異物的檢測尤為重要。另外，部分城市軌道鋪設在地面以上，露天運行。而城市軌道的受電方式分為兩種，由受電弓在高壓架空線上獲取DC1500V電壓，或者由集電靴在第三軌獲取DC1500V電壓。異物入侵可能造成高壓線短路或者第三軌失電。例如，2018年4月25日下午，廈門地鐵1號線地面供電段網上纏繞了一白色塑料袋，考慮到塑料袋纏繞在地面供電段網上，列車通過可能會造成車頂的受電弓和供電網線纏繞，引發(fā)斷線停電的事故，地鐵調度立即啟動應急處置方案，造成地鐵列車晚點15分鐘。此外，北京地鐵也發(fā)生過由于乘客跌落軌道而引發(fā)的緊急停電。事故沒有造成嚴重后果的原因就是及時發(fā)現了軌道運行區(qū)域的異物入侵并且采取的緊急處理措施。

城市軌道車輛因為行駛速度不高，故因異物入侵造成的后果不像鐵路一樣嚴重，但是城市軌道大部分修建在隧道內，一旦車輛被迫臨時停車，隧道內的環(huán)境會給乘客和司機帶來較大的心理壓力，影響城市軌道的乘坐體驗感。

3 異物入侵檢測的措施

3.1 人工巡查法

目前，鐵路部門和城市軌道交通運營公司對于軌道入侵檢測的方法以人工為主。例如，鐵路沿線有專人定時巡查，地鐵站臺處有工作人員維持秩序，關注軌道異常情況。人工巡查法在很大程度上可以減少軌道異物入侵的可能，提高了軌道交通的安全性，給人們的出行又提供了一層保障。但由于人工巡查存在不及時、耗費人力物力較大等缺點，科研界也一直在探索新的軌道異物檢測的方法。

3.2 計算機視覺檢測方法

近年來，計算機視覺的發(fā)展如火如荼，利用計算機視覺來檢測軌道入侵的異物也異常火熱。計算機視覺是人工智能的一個分支，在目標檢測領域也有很多優(yōu)秀的算法。

傳統(tǒng)的目標檢測算法有幀差法[2]、光流法[3]等，其基本原理即通過架設在線路上方的攝像機拍攝軌道沿線的視頻（一般為40幀/秒），再由算法檢測幀之間的像素差，或者檢測圖像的光流。這一類算法簡單，占用內存小，對設備硬件和軟件要求低，但檢測效率和準確率不高。

隨著深度學習的發(fā)展[4]，人工神經網絡在軌道異物檢測中的應用也越來越多[5]。其中YOLO[6]算法在深度學習目標檢測領域表現較為優(yōu)秀，這是繼RCNN，fast-RCNN和faster-RCN之后，Ross Girshick針對DL目標檢測速度問題提出的另外一種框架。YOLO的核心思想就是利用整張圖作為網絡的輸入，直接在輸出層回歸bounding box（邊界框）的位置及其所屬的類別，即采用了回歸的思想。YOLOv2、YOLOv3算法也相繼被提出，與前面的版本相比，YOLOv3算法在速度和精度上都取得了新的成就，達到相似的性能時，相比SSD，速度提高3倍；相比RetinaNet，速度提高3.8倍。圖2為YOLOv3算法在道路目標檢測的輸出實例。

圖2 YOLOv3算法檢測實例

圖2的實例中，采用了UA-DETRAC數據集對YOLOv3算法模型進行訓練，訓練300個epoch后檢測結果可見，模型能夠檢測出道路上存在的轎車（sedan）和Suv。而且圖2所示的圖片光線較為昏暗，但模型仍能保持較好的檢測效果。因此YOLOv3算法在速度和精度上均可達到軌道異物入侵檢測的要求，能夠在一定程度上保障乘客的生命財產安全。

3 結語

軌道運輸業(yè)以安全為重，鐵路和城軌的軌道異物入侵檢測應引起重視。本文以實例出發(fā)，講述了地鐵和鐵路行業(yè)多個因為軌道異物入侵引起的事故，論述了軌道異物入侵檢測的必要性，并分析了目前常用的檢測方法以及日后的發(fā)展趨勢。將優(yōu)秀的算法，如YOLO算法應用到軌道檢測必然還需要不斷改進以適應軌道環(huán)境，這仍然是目前研究的熱點。