張漢平　歐偉　范忠林　吳宇　吳耿才　劉東光　賴文輝　張密

摘 要：論述了新型軌道綜合智能檢測系統(tǒng)各子系統(tǒng)的方案設計和驗證效果，新型軌道綜合智能檢測系統(tǒng)由圖像采集處理、里程定位、離線數據分析三個子系統(tǒng)組成，圖像采集處理采用了高速二維線陣相機、高速三維激光測量等技術，并基于深度學習算法的圖像智能識別方法對軌道扣件異常、鋼軌表面缺陷病害進行自動檢測，可以安裝在運營電客車或工程車上，對軌道圖像進行采集、分析和綜合統(tǒng)計處理，相關維修人員能夠及時發(fā)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;三維激光測量;深度學習;精確定位;智能識別

中圖分類號：U270.7 文獻標識碼：A

0 引言

隨著我國城市的不斷發(fā)展，地鐵軌道交通已成為其中不可分割的重要組成部分。軌道作為重要的鐵路基礎設施，其運用狀態(tài)對行車安全具有直接和至關重要的影響?，F階段，對于軌道的檢測主要是人工巡檢，該方式依賴于自然條件、巡檢人員的精力和熟練度。

在過去幾十年中，世界上許多個國家的鐵路研究院和一些研發(fā)相關產品的公司就利用計算機視覺技術研發(fā)出了許多監(jiān)控鐵路構配件的狀態(tài)的自動檢測系統(tǒng)，例如日本的列車運營管理自動化系（COMTARC）、德國MEMEC公司的軌檢綜合檢測車等，大大地增加了準確率和檢測效率，并且實時高效，也增加了檢測的可靠性和穩(wěn)定性。

1 系統(tǒng)整體設計

系統(tǒng)的設計原理為基于先進的二維和三維圖像采集技術對軌道設備、設施進行成像，將采集的數據與線路里程信息相對應，獲得完整的二維和三維軌道圖像數據記錄，然后采用圖像處理和基于深度學習的目標智能識別算法，實現對軌道病害的自動檢測、識別，同時輸出缺陷報表，指導工務人員進行現場維修。

軌道綜合智能巡檢系統(tǒng)從功能上可劃分為圖像采集處理、里程定位、離線數據分析三個功能模塊。

1.1 圖像采集模塊

圖像采集模塊的主要功能是在列車高速運動的狀態(tài)下，采集軌道全斷面、軌枕、道床區(qū)域的二維和三維圖像;盡可能完整地呈現扣件、軌道夾板、軌枕、軌面的清晰圖像;采集速度要滿足列車0 km/h～120 km/h的工況下運行;為此采用了高速線陣相機進行二維圖像采集、采用了高速三維激光掃描相機進行三維成像。

圖像采集模塊主要由二維線陣相機成像裝置、三維激光掃描成像裝置、同步觸發(fā)裝置、采集主機及軟件系統(tǒng)等組成。

二維線陣相機成像裝置采用了5組線陣圖像采集模塊分別對左右軌和軌枕進行全斷面圖像采集，二維線陣相機的采樣頻率>30 kHz，在120 km/h時速下能夠達到縱向1 mm的采樣間距;設備的布局圖如下：

圖1 二維線陣相機成像裝置設備

二維線陣相機成像裝置內部集成了紅外補償光源，符合鐵路設備國家標準TB、防護等級IP67，適應環(huán)境溫度-40℃～60℃。

采集圖像效果圖：

圖2 二維線陣相機成像裝置采集效果圖

三維激光掃描裝置采用了高速激光掃描三維成像系統(tǒng)，采集頻率大于15 kHz，滿足120 km/h時速下2 mm的縱向采樣間距;同時配置了一臺激光線結構光進行輪廓測量，可以精確測量鋼軌的輪廓外形，同時通過點云渲染的方式還原鋼軌及扣件的三維圖像。

設備采集的三維點云圖像如下圖所示：

圖3 三維激光掃描裝置采集效果圖

同步觸發(fā)裝置安裝在檢測梁底部，主要功能是通過在列車軸端安裝的光電編碼器輸出的脈沖，來同步觸發(fā)各個相機進行拍照的功能，由于編碼器輸出脈沖與速度成正比，所以使得線陣模塊采集的行頻率隨速度精確變化，保證了采集圖像的正常比例，杜絕了橫向和縱向的變形。

1.2 里程定位模塊

里程定位模塊的功能是實時獲取列車當前運行的速度和位置信息，為圖像采集的數據提供里程定位信息。

主要采用速度傳感器和軌道電子標簽的方式進行綜合定位。

車輛運行過程中，由安裝在車輪軸頭上的速度傳感器隨著車輪的轉動而輸出距離脈沖，通過對距離脈沖計數計算出列車走行里程;在列車加減速和彎道位置，由于慣性會產生空轉和打滑的情況，導致計算的里程信息產生累積誤差，需要通過其他方式的位置信息進行里程校準。

在軌道線路上每隔一定距離布置一個RFID電子標簽，在檢測裝置上安裝高速閱讀器。當列車通過電子標簽位置時，會自動識別出電子標簽的卡號，將這個卡號與數據庫中的信息進行比對，獲取該標簽所對應的里程信息，同時對當前檢測的位置進行一次里程校準，避免產生累積誤差。

通過綜合定位后的定位誤差可以達到+/-2 m內。

1.3 離線數據分析模塊

離線數據分析模塊包含：智能識別、圖像顯示和數據統(tǒng)計等功能。

圖像采集完成后，由于數據量十分龐大，依靠人工瀏覽尋找病害變化的方式不可行，需要采用智能識別的方式進行自動識別分類。

缺陷檢測的具體流程可分為圖像增強、圖像分割、目標檢測、特征描述、數據降維和模式分類五個環(huán)節(jié)。

當接收到輸入圖像時，該模塊先利用濾波等圖像增強技術消除光線、霧霾等對圖像質量的影響，以豐富圖像信息量，加強圖像的識別效果;圖像分割為鋼軌、扣件和道床三個區(qū)域;分割完成后，使用目標檢測算法將每個區(qū)域中的待識別的特征目標提取出來，比如鋼軌、扣件、軌枕等;然后以特征目標的典型病害為識別對象，通過特征變換將圖像空間轉化到更易于識別的特征空間;最后采用模式分類方法完成病害類型的判別。

該系統(tǒng)對各類缺陷的識別率都在90%以上，識別率跟網絡訓練所采用的樣本量相關，樣本量越多，檢測模型的性能就會越優(yōu)異。通過檢測次數增加，其訓練樣本量不斷擴充，讓模型學習到更多有用信息，從而提高系統(tǒng)的檢測性能。

圖像顯示功能集成在軟件界面，通過圖像拼接可以清晰地呈現軌道和軌枕全斷面的圖像，如圖4所示，并且具備里程和站點位置提示，便于人工復核和查看。

圖4 軌道圖像分析界面

圖像顯示還可以將故障數據和圖像進行導出，為維修人員進行現場復核提供依據。

數據統(tǒng)計功能可以將每趟車跑車的缺陷進行報表統(tǒng)計，如圖5所示，可以按照時間、站點區(qū)間、缺陷類型進行分類統(tǒng)計，為軌道缺陷數據分析提供依據。

圖5 軌道缺陷統(tǒng)計分析

2 系統(tǒng)驗證核實

軌道綜合智能巡檢系統(tǒng)在東莞地鐵二號線安裝以來，每次巡檢能檢出彈條缺失、彈條松動、鋼軌波磨、鋼軌掉塊、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，從而能及時地處理故障，保障地鐵的安全運營。

軌道異常識別案例如圖6、7所示：

從軌道巡檢系統(tǒng)檢測的結果對比分析來看，每次跑車都會發(fā)現一些在檢測周期間隔內新產生的軌道病害。較為常見的是扣件彈條移位、鋼軌波磨、鋼軌掉塊等病害缺陷，對比以往人工步行巡檢，新型綜合智能巡檢系統(tǒng)的檢出效率和效果均遠遠高于人工巡檢，通過現場檢測、符合，系統(tǒng)對鋼軌波磨、扣件脫落、扣件斷裂等病害的檢出率在90%以上。

3 結論

本文提出的新型軌道綜合巡檢系統(tǒng)，利用計算機二維視覺、三維測量、深度學習等技術，結合目標檢測算法采集軌道鋼軌和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，并將檢測數據通過離線分析軟件存儲顯示，方便工作人員監(jiān)視，及時處理故障。以東莞地鐵二號線為例，驗證了本文所提出的新型軌道綜合巡檢系統(tǒng)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(jié)約了地鐵運營成本。