在役軌道構件病害智能檢測技術和裝備深化研究

王丹　李東騰

［摘 要］針對鐵路發展的軌道構件巡檢要求，本文提出在役軌道構件病害智能檢測技術和裝備深化研究方案，通過深入研究一套基于3D視覺測量和機器人技術的在役軌道構件病害智能檢測裝備來滿足高精度、智能化、長里程的要求，以此保障軌道構建高效巡檢和鐵路安全生產。

［關鍵詞］巡檢；二維/三位視覺聯合測量技術；深度學習

［中圖分類號］U21文獻標志碼：A

近年來，隨著普速鐵路的快速發展，軌道構件的狀態和性能成為運營安全和維護的重要關注點。軌道的狀態會隨著時間的推移和列車行軋等因素而逐漸惡化，軌道構件病害的發生使得鐵路事故的風險大大增加。但是在巡檢方面，人工巡檢方式和自動化巡檢無法滿足工務檢測的高精度、長里程的嚴格要求［1］。因此，本文旨在深化研究在役軌道構件病害智能檢測技術和裝備方面的關鍵問題，從而滿足鐵路構件巡檢長里程、高精度的嚴格要求。

1 研究意義

構件是軌道的重要組成部分，而軌道構件病害則一直是普速鐵路工務檢測和維修的重點關注內容。目前，對軌道構件狀態的檢測主要依靠人工巡檢的方式進行。巡檢的內容包括鋼軌表面傷損、接頭、扣件失效等異常情況。但是人工巡檢方式和自動化巡檢無法滿足工務檢測的嚴格要求，因此本文提出研究在役軌道構件病害智能檢測機器人。

一方面，在役軌道構件病害智能檢測裝備以小型化、自行走的軌道構件智能巡檢機器人為載體，其形態介于手工工器具與大型作業車之間，同時兼顧了人工巡道的靈活性和綜合檢測車的高效率與準確性。另一方面，利用二維/三維視覺聯合測量技術，通過在數據源頭上增加一維信息，彌補傳統二維圖像識別技術的不足，從而大幅簡化軌道構件病害識別算法的復雜度，既提高了算法效率和時效性，也提高了檢測準確率和檢測內容的豐富度。通過本項目技術的應用，獲得軌道構件病害的量化表征數據，從而為軌道狀態健康管理提供可靠支撐，對于提高目前工務維保專業的智能化水平、實現“狀態修”的理想目標具有重要意義。

2 巡檢機器人設計

2.1 機械設計

機器人關鍵設備包括以下四個部分：

其一，傳動系統。用于實現電機與車輪之間的動力傳遞，主要包括減速器和傳動機構。巡檢機器人采用行星減速機和同步輪帶相結合的傳動方式。行星減速機通過齒輪組合實現減速，其特點是體積小、重量輕、承載能力高、運轉平穩、噪聲低、輸出扭矩大等。同步輪帶通過輪帶組合實現減速機與車軸之間的傳動，具有傳動準確、平穩、效率高等特點。

其二，制動系統。機器人采用電機制動與電磁制動相結合的方式實現制動。由于機器人采用的伺服電機自身具有力矩保持功能，一般情況下，通過遙控終端人機交互界面中的減速按鈕，電機自動降低轉速直至停止，即可實現機器人的正常制動。同時，電機尾端帶有電磁制動器，可實現緊急制動和無電情況下的駐車制動。

其三，車輪采用非金屬材料，避免機器人行駛時對線路上的計軸設備產生影響。同時，為盡量減小蛇形現象，車輪采用磨耗型踏面設計。同時，為了保證足夠的車底高度以符合限界要求，車輪半徑不小于60mm。

其四，快鎖結構。巡檢機器人采用可拆卸結構設計，各模塊之間利用快鎖結構進行連接，操作人員無需任何工具即可在幾分鐘之內完成快速裝配或拆卸。為保證快鎖結構的牢靠性，采用鈦合金材料加工而成，具有極高的剛性和強度。

機器人主體結構機器人結構設計主要考慮以下方面，機器人采用前驅方式，電機位于底盤下方，靠近前輪；為保證視覺模塊的下方視場范圍內無任何遮擋，視覺模塊采用懸臂式結構設計；考慮整體重心平衡，將電源部置于機器人的前部，視覺檢測部和自動控制部置于機器人后部；考慮激光雷達的工作需求，將環境感知部置于機器人的最上部；考慮通信控制和數據傳輸的復雜性，將視覺檢測部、自動控制部和環境感知部集成為一個整體；考慮搬運和上下道的便捷性，采用可拆卸的結構設計。

2.2 機器人控制系統設計

機器人控制系統按照功能可分為多個子模塊：

其一，操作員在投放機器人后，先對機器人進行巡檢任務設置，機器人開始自動運行。在機器人運行過程中，可看到機器人的運行狀態、位置信息、任務完成情況，在必要時可切換至手動控制，獲取行車監控視頻進行手動駕駛。

其二，根據設置的任務信息，機器人自動載入相應的線路信息，并根據時間、里程、線路情況等進行速度規劃。在無法繼續執行任務的情況下，可進行機器人召回。

其三，為確保機器人的安全運行，環境感知通過攝像頭對軌道的狀態進行檢測，包括可通行狀態和道岔等特殊軌道狀態，同時通過激光雷達對遠距離障礙進行檢測，將此類信息傳遞給行車控制器進行車速控制和制動。

其四，軌道檢測完成兩臺視覺模塊的數據采集和預處理，并進行存儲。

其五，基于線路信息、位置信息、環境信息和機器人自身狀態（過彎、爬坡、下坡等）對機器人進行速度控制，確保機器人在軌道上平穩運行，不發生脫軌、傾覆等問題。根據激光雷達和超聲波檢測的障礙物信息，控制機器人減速或者緊急制動，避免發生碰撞。

其六，以線路的電子地圖為基礎，結合編碼器里程計數和GPS/北斗定位功能，獲得機器人的位置信息，根據線路上的設備，通過RFID檢測獲取精確的位置信息，以此對機器人和定位，輔助機器人自動控制。

其七，輔助功能主要控制車燈照片和擴音器。根據行車方向的不同（正向或方向），控制器自動控制前后照明大燈和尾燈的亮滅。控制擴音器進行語音播報，用于對線路上的行人進行警示。

3 關鍵技術

3.1 三維測量技術

在役軌道智能巡檢機器人的核心設備為3D相機，其技術原理為三維測量技術。

所謂三維測量技術是指利用光學投影和成像設備相配合以獲取物體表面點的三維空間坐標的一種非接觸式測量技術，常用方法包括雙目視覺、激光散斑、莫爾條紋、結構光等。其中，結構光三維測量技術最成熟，相對而言檢測精度最高，近年來隨著智能芯片技術的發展，在工業檢測領域得到快速推廣，也是軌道智能巡檢系統采用的技術方法。

結構光三維測量方法也稱為“光切法”或“光刀法”，其技術原理為三角測量原理。利用激光器向測量物體投射激光，從而在物體表面獲得一個反射點。再利用與激光器呈一定角度的相機對其進行拍攝，從而在物體、激光器和相機之間構成空間三角關系。由于相機與激光器之間的位置關系（角度和距離）可以通過事先標定的方法獲得，從而即可根據激光點（也就是物體表面點）在相機成像面中的位置（像素坐標）推算出其與相機成像面的實際距離，進而可推算出其在世界坐標系中的實際坐標［2］。

光切法實質是三角測量法的一種擴展應用，即將激光光線改換成激光光面（光刀）。這樣，在單次測量時，獲得的便不是一個點的高度值，而是一條線（輪廓線）上各個點的高度值。進一步，利用激光線對物體表面進行縱向掃描，即可獲得物體整個表面各點的高度值，也就是物體的輪廓面，俗稱“三維點云”。

顯然，相對于二維圖像而言，三維測量技術對于物體外形和結構的測量具有天然的優勢。因為圖像的拍攝過程實際是將三維立體轉換為二維平面的過程，不可避免的丟失了一個維度（深度）的信息。想利用二維圖像對物體外形進行測量，則需要通過其他信息（如灰度、陰影、顏色、物體表面各點相對位置關系等）將丟失的深度信息彌補回來，這從物理源頭上即存在技術障礙，難免對檢測算法提出極大挑戰。而鋼軌、扣件等軌道部件的可視病害中，軌面剝落掉塊、扣件螺栓松動等無一不是改變了物體的原本外形，這就為三維測量技術發揮天然優勢提供了理所當然的應用場景。

3.2 二維與三維視覺聯合測量技術

在役軌道智能巡檢機器人可同時采集軌道部件的二維灰度圖像和三維深度數據，將兩種數據類型各自在物體表面紋理檢測和立體結構檢測方面的天然優勢進行結合，并針對不同軌道部件的不同病害在兩種數據類型中的不同表現特征進行針對性的數據應用，從而實現病害檢測算法的高效率運行［3］。圖1為將二維灰度圖像和三維立體數據進行像素級數據融合后得到的聯合視覺數據。

3.3 深度學習技術

在現代社會，實現人工智能需經過機器學習，而深度學習是機器學習的一種應用較廣泛的技術方法。深度學習來源于人工神經網絡的研究，與神經網絡結構相似，其由多個多層感知器構成。

深度學習尋找樣本數據特征的方式為通過將低層特征數據進行多種組合，并形成更為抽象復雜的高層表示屬性的類別或特征。深度學習是為了讓機器模擬人腦具備分析整合能力，以達到識別文字、音頻和圖像等數據的目的。學習的過程是通過學習樣本數據的內在規律和表現層次，以幫助人們更好地解釋文字、圖像和音頻等數據的規律及其內在關系。

深度學習首先需要設定合適的神經元計算節點數量和多層運算結構層次，選擇合適的輸入層和輸出層樣本數據，在所構建網絡的基礎上，由機器進行學習，從而建立輸入層到輸出層對應的函數關系，并通過多次調優，盡可能建立與現實相符的關聯關系。訓練成功的網絡模型可以幫助自動化處理復雜事務。

在役軌道智能巡檢機器人通過不斷使用積累大量的軌道視覺數據，利用深度學習算法對軌道構件病害進行自動識別和檢測，再進一步進行迭代學習，可使得巡檢機器人“越檢越準”。

3.4 軌道構件病害人工智能識別算法設計與模型訓練

檢測算法的整體流程，首先，在數據預處理階段，對兩臺視覺模塊采集的二維灰度圖像和三維形貌圖像進行空間標定、濾波去噪以及拼接融合，為后續病害檢測識別和可視化打下基礎；其次，基于軌道二維灰度信息和三維深度信息，綜合采用深度學習、模式識別、圖像處理等方法，分別對鋼軌、接頭、扣件、道岔以及道床進行病害檢測［4］；最后，在整條線路檢測結束后，生成檢測結果報表。

圖2為鋼軌病害檢測算法原理。基于軌道三維信息，采用圖像處理算法，將鋼軌區域進行分割提取。同時，基于軌道二維灰度信息和三維深度信息，綜合采用圖像處理算法和異常檢測算法，對鋼軌折斷、鋼軌剝落掉塊、鋼軌爬行等病害進行檢測。

圖3為接頭病害檢測算法原理。基于二維灰度圖像和三維深度圖像，采用深度學習檢測模型，在海量數據中實現鋼軌接頭的檢測識別和精確定位。在此基礎上，采用模式識別和圖像處理算法，將接頭接縫、夾板、螺栓等各個部件區域進行進一步定位分割提取，通過特征檢測、區域測量等方法，實現接頭錯牙、接縫超標、夾板脫落、聯結螺栓脫落等病害的有效檢測。

圖4為扣件病害檢測算法原理。基于二維灰度圖像和三維深度圖像，采用深度學習檢測模型，在海量數據中實現扣件的精確定位。在此基礎上，綜合采用針對螺栓、彈條、軌距塊等扣件部件的深度學習檢測模型、分割模型以及圖像處理算法，實現螺栓缺失、螺栓松動、彈條脫落、彈條折斷、彈條退出移位、彈條歪斜、軌距塊缺失等病害的有效檢測。

4 結語

針對鐵路軌道構件病害巡檢對于檢測的高精度和長里程的高要求，對機器人的構造設計和圖像識別算法的深度研究提出合理方案，設計的小型化、自行走的軌道構件智能巡檢機器人，兼顧了人工巡道的靈活性和綜合檢測車的高效率與準確性，利用二維與三維視覺聯合測量技術彌補傳統二維圖像識別技術的不足，既提高了算法效率，也提高了檢測準確率和檢測內容的豐富度。通過在邯黃鐵路進行多次模擬和改進，機器人的各項功能符合鐵路現場的功能需求，可以為相關軌道構件病害智能巡檢機器人的研究提供參考。

參考文獻

［1］鄧克濤. 城市軌道交通安全事故隱患排查治理信息化技術探討［J］. 科技風，2020（4）：83.

［2］郭繼平，李名兆，周迎春，等. 基于快速散斑結構光三維重建的在線測量系統［J］. 計測技術，2022，42（6）：48-52.

［3］王鯤鵬，趙心穎，王雨婷，等. 城軌車輛車載軌道智能巡檢系統設計［J］. 機電工程技術，2023，52（5）：204-208.

［4］于子良，黃志輝，楊玨，等. 軌道隧道巡檢現狀及智能檢測機器人發展趨勢［J］. 機車電傳動，2020（6）：137-142.

［作者簡介］王丹，男，河北滄州人，邯黃鐵路有限責任公司，中級工程師，本科，研究方向：鐵路設備維修與管理。

李東騰，男，河北石家莊人，邯黃鐵路有限責任公司，助理工程師，本科，研究方向：鐵路牽引供電。