一種剛性接觸網缺陷智能檢測系統的開發與應用

馮 宇，張 瀟，段盼盼，胡豪華，杜振江，徐 亮，韓 闖，安秋穎

0 引言

目前國內城市軌道交通接觸網主要采用剛性接觸網，核心部件是匯流排和接觸線[1]。列車在運行過程中產生震動，同一條線路的接觸網導線經過長時間不同列車受電弓滑板的滑動摩擦，將逐漸出現導線磨損情況[2-3]；同時由于不同受電弓與接觸線之間的接觸壓力不同，導致不同接觸線位置的磨損狀態不一致；由于隧道內環境復雜、潮濕，匯流排常常出現腐蝕[4]。因此，線路維保有必要對接觸網導線及支持設備磨損狀態等進行測量監測，實現對接觸線狀態的評估，及時進行檢修維護。

隨著城市軌道交通建成通車里程不斷增加，其檢修方式也開始朝向智能化方向發展[5]。近些年，機器視覺技術發展迅速，基于圖像智能識別技術的接觸網缺陷檢測系統具有效率高、穩定性好的特點。為保證軌道交通列車的平穩運行[6-7]，2020年3月軌道交通協會牽頭發布了《中國城市軌道交通智慧城軌發展綱要》，定義了以城軌交通的關鍵核心業務為主線，以數字化、智能化、網絡化為手段，構建高度集成的城軌云與大數據平臺，建立系統完備的技術標準體系，堅持智能化和自主化“兩手抓”的實施策略。隨著智能檢測系統的廣泛應用，針對剛性接觸網各組成部件的智能化檢測已提上日程。

為實現軌道交通設施設備的智能化運維，發展智慧交通，推動“大數據、互聯網、人工智能等新技術與交通行業深度融合，完善科技創新機制”的落地應用，本文利用機器視覺采集識別+定位的綜合智能檢測技術，開發了一種剛性接觸網缺陷智能檢測系統。該系統通過多個圖像采集檢測設備及智能識別算法，自動檢測剛性接觸網導高、拉出值、匯流排腐蝕及接觸線磨耗的精準數據[8-9]，實現剛性接觸網缺陷的智能檢測。

1 系統設計組成

剛性接觸網缺陷智能檢測系統搭載于檢測車上，其基本組成包括：導高拉出值檢測子系統、匯流排腐蝕檢測子系統、接觸線磨耗檢測子系統、里程定位子系統、桿號輔助定位子系統、主控管理子系統。

1.1 導高拉出值檢測子系統

導高拉出值檢測子系統包括車頂采集檢測模塊和車底補償模塊。

1.1.1 車頂采集檢測模塊

車頂采集檢測模塊由線性激光、高頻圖像采集相機、嵌入式處理板卡和固定式防護罩組成。模塊由檢測車輛負責供電，并與車內主控管理設備連接，通過數據輸入接口接收車輛速度和里程數據信號。系統工作時，線性激光以已知角度發出線性光束照射到接觸線上，高頻采集相機采集照射點圖像，然后傳輸至嵌入式板卡。內嵌實時運行的算法程序采用先進的圖像測量法，利用線性激光、采集相機和照射點位置形成的三角形構建幾何圖形，通過智能識別算法計算激光點位高度，并結合已知的位置信息，計算照射點位的導高、拉出值精準數據。

1.1.2 車底補償模塊

車輛經過特殊地段時會產生滾擺，對車載導高、拉出值、磨耗的檢測造成較大偏差，車底補償模塊設計采用補償梁疊加雙檢測模塊的方式實現車體姿態的測量。補償梁選取與車輛橫向水平平行的位置，在左右兩側分別加裝車體姿態檢測模塊。模塊設計由加速度計、線陣激光器、CCD相機組成，可通過圖像采集識別技術，檢測在圖像采集位置時車身姿態是否存在水平位置的偏移以及偏移量的大小，進而通過幾何算法對車體姿態造成的測量誤差進行計算，進而修正導高、拉出值、磨耗等的測量誤差，提高子系統檢測精度。

1.2 匯流排腐蝕檢測子系統

匯流排腐蝕檢測子系統由高清圖像采集模塊、補光模塊、智能識別模塊組成，由檢測車輛負責供電。高清圖像采集模塊及補光模塊架設在檢測車車頂的兩側，以固定角度將相機視場覆蓋匯流排位置，采集匯流排的高清圖像，并通過計算得出縱向視場所能覆蓋的匯流排長度。

圖像采集模塊內置嵌入式板卡，內部運行圖像嵌入式采集軟件程序。嵌入式程序通過信號輸入接口接收車輛速度信號，并在板卡內置程序中計算與速度信號相匹配的圖像采集幀率，控制模塊內的高清相機和補光模塊進行觸發式圖像采集，采集范圍覆蓋整條線路的匯流排。系統通過機器視覺算法檢測匯流排腐蝕狀態，發現問題后，在圖像上疊加位置、時間信息，并報警處理。

1.3 接觸線磨耗檢測子系統

接觸線磨耗檢測子系統采用圖像測量方式檢測剛性接觸網接觸線的磨耗程度，并計算磨耗量的精準數值。系統設計采用條形光+高清采集相機的方式完成測量工作，將條形光和高清相機集成設計為一體化裝置，該裝置由條形光源、相機、嵌入式板卡及各類接口組成。系統設計由條形光照射在接觸線的下表平面，形成一條橫向光斑，高清相機采集光斑圖像，并根據圖像智能識別算法計算光斑圖像的橫向數值，然后推導得出接觸線磨耗的精準數值。

1.4 里程定位子系統

里程定位子系統是整個系統的重要輔助裝置，通過主控單元將里程定位信息傳給各子系統，為解決設備故障位置的準確快速定位提供技術手段。里程定位子系統的傳感器安裝于前側車軸附近，通過軸直徑及傳感器觸發次數計算車輛運行速度、行駛里程。

1.5 桿號輔助定位子系統

系統設計在車頂部安裝兩部桿號抓拍單元，對車輛行駛過程中軌旁的桿號/里程號進行觸發抓拍。系統智能分析主機對采集到的圖像進行實時桿號/里程號識別，同時將識別結果疊加到各子系統數據中[10]。

1.6 主控管理子系統

主控管理子系統采用分布式架構，實現系統中各子系統之間的數據信息深度融合及應用。系統架構如圖1所示。

圖1 系統架構

主控管理子系統接收檢測車速度信號、里程信號，并將其分別傳輸至各采集檢測模塊。各檢測模塊的內置嵌入式采集程序在接收信號的同時，依據信號參數配置采集幀率。各子系統采集圖像后，將圖像回傳至主控管理子系統。主控管理子系統調用各類識別算法，智能識別圖像中存在的各類缺陷、檢測參數、信息數據、位置數據等，并對上述數據進行整合及篩選，輸出基于位置、時間、缺陷種類的各類檢測結果，并對線路情況進行綜合預警。

2 系統實現

2.1 主控管理軟件

主控管理軟件基于NET架構，采用Microsoft Visual Studio的C#語言開發，可在Windows的各個版本操作系統運行。系統開機運行后，主控管理軟件自動開啟各子系統的自檢工作，對各子系統的運行狀態做出準確判斷，并根據各子系統反饋的實時數據信息開啟管控功能。軟件功能模塊包括參數配置、檢測值實時顯示、圖表繪制、報表查詢、報警管理等模塊。

（1）參數配置模塊用于對各子系統采集設備進行參數配置。

（2）在檢測車運行過程中，檢測值顯示模塊實時顯示檢測車當前位置采集到的圖像和接觸網參數的具體數值，包括導高、拉出值、磨耗等的具體數值。

（3）隨著檢測車行駛里程的增加，圖表繪制模塊以里程為橫軸，導高或拉出值的檢測數值為縱軸，在軟件顯示界面上實時更新每個位置的具體數值，并以此繪制導高、拉出值曲線。

（4）報表查詢模塊在系統巡檢完畢后進行線路故障數據、參數數據等的報表顯示、傳輸、存儲等工作。

（5）報警管理模塊實時獲取并顯示故障、缺陷、超出閾值等信息，并生成報警報告。

2.2 硬件設備

系統搭載于檢測車上，由車頂圖像采集單元、車內工控單元、車底補償單元組成，其核心設備為車頂圖像采集單元，各子系統的采集檢測模塊均包含在其中。車頂圖像采集單元如圖2所示。

系統通過主控管理系統疊加各模塊嵌入式采集板卡和采集程序，在車輛運行過程中自動采集檢測所在路段的匯流排、桿號高清圖像，以及激光或條形光照射點位的導高、拉出值、接觸線磨耗的圖像，并通過智能識別程序對缺陷信息和幾何參數進行智能識別，從而達到線路狀況檢測的目的。

3 智能識別算法

3.1 導高拉出值檢測算法

本文提出的導高拉出值檢測方式是非接觸的測量方式，基于單目以及線性激光的幾何構建完成接觸線高度和拉出值的檢測。首先，對相機進行標定，完成標定參數的計算，并以此參數進行設備設置，以保證后續拍攝圖像的質量。

設備標定完成后，固定于車頂的設備即可開始圖像采集檢測工作。圖像采集完成后，采集設備將圖像傳輸至后臺智能識別模塊，對圖像進行智能分析。識別算法首先對拍攝的圖像進行校正處理，然后利用自適應閾值對圖像中的光點進行定位，截取光點信息，并對光點信息進行精確檢測及亞像素處理，以坐標系轉換方式得到精確的導線最低點在現有坐標系的空間位置；后續通過引入相機標定參數以及確定的位置關系，計算接觸線的高度和拉出值，最后利用精確測量設備對本設備進行標定，獲得精確的檢測結果。

檢測算法流程如圖3所示。

圖3 導高拉出值檢測算法流程

3.2 匯流排腐蝕檢測算法

基于對匯流排腐蝕檢測困難性的了解，本方案采用基于卷積神經網路的深度學習算法對匯流排圖像進行圖像智能識別。算法網絡基于U-Net，不需要任何預設特征，網絡從訓練數據中學習特征。算法通過語義分割及預設閾值的方式，對圖像進行分割識別，對不同尺度、方向和遮擋程度的對象進行分類，定性腐蝕現象[11]，并對腐蝕程度進行定量分析。系統的檢測結果可廣泛應用于腐蝕檢測領域。

算法分析通過基于深度學習的語義分割算法和預設的匯流排有效區域比例，得到腐蝕像素，然后通過腐蝕面積給出腐蝕程度，腐蝕面積與腐蝕程度正相關。腐蝕檢測算法流程如圖4所示。

圖4 腐蝕檢測算法流程

圖4中，a為待處理圖像，通過深度學習的語義分割算法得到腐蝕圖像b（白色點為識別出的腐蝕位置），同時對待處理圖像進行Sobel變換，得到豎向的梯度圖c，對豎向梯度進行統計，得到匯流排主要區域圖d（白色部分表示匯流排主要區域），最終將b與d相乘，得到腐蝕像素圖e。

3.2.1 基于深度學習的腐蝕圖像定位提取

采用基于U-Net的網絡架構，使用基于深度學習的語義切割算法，將圖像區域分類為腐蝕與否。同時，為了提高檢測速度，對系統架構設計進行優化，減少通道數量。

基于深度學習算法的體系結構網絡由下采樣網絡和上采樣網絡組成。下采樣網絡負責完成特征提取，主要完成主干特征提取，利用主干部分獲得多個特征層，用于下一步與上采樣的特征融合。上采樣網絡用于加強特征提取，將下采樣獲得的多個特征層進行上采樣，通過與不同卷積層的信息進行跳層鏈接，實現特征融合（即在通道維度進行堆疊），獲得一個最終的融合所有特征的有效特征層。

在實際應用時，除最后塊為Conv+BN外，每個小塊為Conv+BN+ReLu6，其中卷積使用3×3的卷積核，在計算卷積后進行BN和ReLu6操作。在下采樣部分，使用maxpool對特征層進行1/2下采樣；在上采樣部分，使用雙線性插值進行2倍上采樣。下采樣部分的數據通過通道拼接的方式，融合到上采樣數據中。通過計算后，對圖像中的每個像素點進行分類，確定其腐蝕特性。

3.2.2 基于梯度數據的有效區域篩選

采集系統采集到的圖像中包含匯流排之外的區域，這部分區域也可能存在一些干擾因素，會被識別為腐蝕，影響系統的最終檢測結果，造成誤報、誤識別等問題。因此，在圖像識別研發過程中，通過設計算法減少這部分的誤檢。通過對采集圖像的特征觀察，發現采集圖像中存在較為明顯的區分特征，即除匯流排外橫向的邊緣較少，可通過該特點定位匯流排位置

設計通過梯度數據算法完成圖像無效區域的干擾排除。通過對圖像進行Sobel變換，只保留縱向梯度，得到縱向梯度圖。通過對圖像中匯流排高度占比進行統計，設定匯流排有效部分占圖像高度的40%，在縱向方向對圖像進行遍歷，找到縱向梯度之和最大的占圖像高度40%的部分，即可認為是匯流排有效區域。在該區域中檢測到的腐蝕像素數相對于有效部分像素數的比例即為腐蝕程度。

3.2.3 算法訓練

線路上實際腐蝕的圖像樣本較少，可在其他場景下采集被腐蝕的匯流排樣本，并進行標注。在訓練時，將標注出的腐蝕像素融合到實際線路上采集的樣本。首先對腐蝕標注圖像進行輪廓檢測，找出每個最小連通域，然后隨機取出多個連通域對應的腐蝕匯流排像素，通過alpha融合，隨機放置到實際線路圖像的匯流排上。同時，還可對圖像進行加噪、翻轉、旋轉、縮放、平移等操作，以增加樣本多樣性。

訓練所使用的腐蝕匯流排圖像共172張，實際線路匯流排圖像共650張，初始學習率為0.01，使用SGD優化器，設置batchsize為16，epoch為200，每訓練5 000步學習率下降0.2。

測試集共247幅圖像，檢測結果如表1所示。在Windows 10系統（CPU為Xeon E3-1231 3.40 GHz）上，處理一幅圖像平均耗時22 ms。

實驗室內對測試集進行檢測的結果顯示，算法能夠有效對測試圖像中的腐蝕情況進行定性識別，并實現定量分析。

3.3 接觸線磨耗測量算法

本系統利用條形光及2臺高速高清相機進行接觸線磨耗的非接觸式測量。隧道內接觸線拉出值的范圍為±250 mm，2臺相機檢測視場半徑皆為300 mm，中間重疊50 mm，該采集檢測方式可保證檢測分辨率小于0.1 mm，進而保證檢測誤差低于0.5 mm。

系統工作時，設備采集圖像后傳輸至識別單元進行智能識別。系統識別算法首先進行圖像算法校正，并依據特征定位法對光斑進行定位，分割提取光斑圖像和信息后，利用亞像素計算得到光斑的寬度，最后通過引入導高拉出值以及相機參數修正誤差，得出光斑的精確寬度。檢測流程如圖5所示。

圖5 磨耗檢測算法流程

4 系統應用情況

剛性接觸網缺陷智能檢測系統在大連地鐵1號線進行測試使用，結構化的檢測模塊安裝于檢測車的車頂、車內和車底位置，以固定頻率進行線路巡檢。巡檢過程中，項目人員安排以整體跑車測試方式，根據現場情況進行設備調試，驗證不同車速下導高拉出值測量參數、接觸線磨耗測量參數、匯流排腐蝕的實際情況。

巡檢驗證結果顯示：導高拉出值檢測誤差控制小于±5 mm；匯流排巡檢覆蓋率達到100%，磨耗異常識別率在95%以上；磨耗檢測系統的檢測精度在0.5 mm以內。

5 結語

本文介紹的一種剛性接觸網缺陷智能檢測系統是用于剛性接觸網導線及懸掛裝置幾何參數及缺陷檢測的專用設備，該設備摒棄了傳統的激光單點測量和紋理顏色特征檢測方法，利用機器視覺采集識別技術，降低瞄準工作的復雜度，同時實現線路狀態、參數、桿號/里程標志的數字化識別；利用具有更高魯棒性的深度學習算法進行腐蝕異常圖像識別，有效提高了接觸網幾何參數測量精度和匯流排缺陷檢測效率及準確率。該系統圖像采集檢測方法先進，采集圖像清晰，識別率高，在實際巡檢過程中具有顯著優勢；設備通用性好，提高了線路巡檢效率，為剛性接觸網的線路運行提供了安全保障，具有良好的推廣應用前景。