轨道动态检测系统设计

李 萍，王君明，刘默耘

（湖北工业大学 机械工程学院，武汉 430068）

0 引言

我国铁路不断提速，为保证列车运行安全性和舒适性，轨道日常检测和养护要求相应提高。用来检测轨道的几何不平顺状况，评价轨道几何状态的特种车辆，称为铁路轨道检测仪，简称轨检仪[1]。

目前，用来检测轨道静态下的几何参数的常规轨检小车主要有德国生产的GEDO CE轨检小车、瑞士安博格生产的GRP X000系列轨检小车、郑州辰维科技公司与铁道第三勘察设计院集团联合研制的TRIG1000铁路轨道几何状态检测仪等[2]。这几款轨道检测小车在使用时需要配合全站仪来进行必要的定位，与检测人员的技术程度有很大关系，可靠性和效率都不高，且操作复杂。

针对轨道几何状态检测存在的上述问题，已有一些学者提出了改进方案。陈强等[1]提出基于车载近景摄影采集轨道图像用以检测轨道线形，采用轨面移动平台搭载相机采集图像，以轨道板和轨道面稀疏布设的像控点作为约束条件，使用近景摄影测量空间解析几何模型，平差解算轨道测点三维坐标。仿真计算结果验证了车载摄影测量方法用于轨道静态几何参数快速检测的可靠性。潘亮[3]从研发轨道检测车的角度出发，描述了轨道各项参数的测量原理和硬件结构，并将其应用于新建高速铁路和既有线路，结果证明该轨道检测车可有效测量轨道实际状态。

列车与轨道的相互作用除了引起轨道几何状态的改变，也会影响铁轨相连部件（如钢轨扣件和轨枕等）的“健康”状况。常规轨道检测车难以同时实现这些部件的动态检测与测量。对于每一种部件，若设计专用的检测与测量仪器，难以有效保证部件检测的准确率与效率。对此已经有学者进行了初步探索，如洪思敏[4]利用里程传感器、轨距传感器、超高传感器以及专用便携计算机等其它先进检测和数据处理设备，实现了里程、轨距、超高、扭曲、中线坐标、轨向、高低等轨道参数的测量。同时，针对轨道状况（如水泥、灌浆等残留物、小车倾斜）对检测结果的影响，将计算机视觉检测系统应用于轨检小车，实现轨道状况的实时监控。

为针对性解决上述轨道检测的问题，本文设计了一种实时性较强，准确度较高的轨道动态检测系统。该系统可用于检测有砟轨道的钢轨以及与钢轨连接的扣件和轨枕等部件的几何状态，能够有效提升轨道检测的可靠性与效率。

1 轨道动态检测与测量系统

轨道动态检测与多功能测量系统主要用于检测有砟轨道（如图1所示）两列钢轨的高低、水平方向不平顺，钢轨方向、里程、三角坑以及轨距等参数[5]，此外还能测量出曲线超高、曲率以及高低方向等轨道不平顺的变化数值。对于与铁轨相连部件，该系统能检测扣件的位置和状态变化（是否破损与丢失），轨枕的损耗情况。

轨检测量车搭载轨道动态检测与多功能测量系统，可由轨道车提供动力，以数值或波形的形式实时输出轨道的几何数据。

1.1 机械结构设计

如图2所示，轨检测量系统的硬件由钢轨测量子系统和部件图像分析子系统组成，主要包括推杆、激光测距仪、电子罗盘、里程传感器、GPS、工业CCD相机，视觉检测软件和电气柜及工控机等。

针对工程中需要对多种钢轨测量信号进行采集、处理、分析、显示、存储的要求，轨检测量车的钢轨测量子系统采用工业控制计算机与二次仪表进行串行通信的方式，实现对多种钢轨测量信号的采集。该系统主要由传感器、二次仪表、工业控制计算机等组成，其中二次仪表实现信号的滤波、放大等调理功能，工业控制计算机通过RS232串行通信方式获取信号，并由软件实现滤波、分析、显示、存储等功能。

图2 轨检测量车结构示意图

其次，对于与铁轨相连部件，采用工业CCD相机透过测量车底部通孔，实现对扣件和轨枕图像的采集。轨检测量车的部件图像分析子系统主要由工业相机、光源、镜头、视觉检测软件和工业控制计算机等组成。为保证图像传输的实时性和稳定性，利用具有USB3.0接口的相机采集图像。系统运行前，根据测量精度的实际需求，调整相机的位置、镜头角度、光照强度等影响图像采集质量的因素；待轨检测量车到达指定位置后，触发多组相机采集图像，并传送至工控机；应用视觉检测软件依次对图像进行分析，实时获取图像处理结果。

1.2 软件系统设计

轨检测量车软件系统也同样分为钢轨测量子系统和部件图像分析子系统两部分，测量软件按功能可分为数据采集、分析、显示以及保存四大模块，其基本工作流程如图3所示。

图3 软件系统流程图

数据采集模块控制激光测距仪等传感器完成对两列钢轨几何状态数据以及位置信息的采集，并控制相机采集与钢轨连接的部件图像。数据分析模块对采集的钢轨数据进行处理，比较得出两列钢轨间的数据差值，同时实现部件图像的检测和测量，与标准模板图像进行对比并判断部件的“健康”状况。数据存储模块及时存储数据分析模块处理的钢轨和部件数据，指导制定轨道设备维护和维修计划。

2 钢轨及其部件动态测量算法

2.1 钢轨基本数据测量

轨道不平顺是指轨道几何形状、尺寸和空间位置的偏差。广义而言，凡是直线轨道不平、不直，对中心线位置和轨道高度、宽度正确尺寸的偏离；曲线轨道不圆顺，偏离曲线中心位置和正确曲率、超高、轨距值，偏离顺坡变化尺寸等轨道几何偏差，通称轨道不平顺[6]。系统采用里程传感器记录里程数据并辅以GPS全球定位系统进行矫正，实现轨检测量车的准确定位，实时记录测量数据。

测量示意图如图4所示，四个激光测距仪分别检测轨面下16mm处到轨检车中心的距离（分别记为L1～L4），假设小车在轨面上作蛇形运动，在水平面上偏离轨道中心角度为θ，则有：

式中，d为两组激光测距传感器之间的距离。

结合式(1)可知，该点轨距D为：

由于激光测距仪的精度在微米级，故轨距的测量精度主要由测量小车的制造精度和各部件的安装配合精度决定。

图4 钢轨动态测量原理图

当小车运行时，电子罗盘测量的寻北角度为γ时，则轨道的走向角度为γ+θ，其精度与所选用电子罗盘的寻北角度精度相同。

2.2 钢轨水平不平顺检测

钢轨水平不平顺的测量原理如图5所示。由高精度电子罗盘测量出两钢轨平面与水平面的夹角α，根据两轨顶面中心线间的距离L（由轨道设计资料获取数据）即可由下式计算出两列钢轨的水平不平顺。

图5 水平不平顺的测量原理

2.3 扣件图像分析

钢轨扣件[7]的图像分析算法按功能可分为图像获取、图像处理、测量分析和缺陷判别四个部分，具体流程[8]如图6所示。

图6 扣件图像分析流程

首先，对采集到的钢轨扣件图像进行预处理，降低图像中含有的噪声；接着，设定感兴趣区域（Region of Interest，ROI），提取待测目标，减少图像处理时间并增加精度；其次，利用阈值分割和形态学处理进一步提取待测目标，并测量目标的几何参数；最后，将上述待测目标的几何参数与标准目标进行比较，判定缺陷 程度。

2.4 轨枕图像分析

轨枕[9]图像分析算法流程与扣件图像分析算法类似，唯一的不同之处在于，轨枕图像采用小波马尔科夫随机场[10]（Markov Random Field，MRF）算法进行图像分割，如图7所示。

图7 轨枕图像分析流程

图像在二维网格的不同位置上使用不同颜色值来反映真实景物的有关信息[12]，该二维网格中的大部分像素都只与邻域像素相互影响。

小波变换理论[11]则利用此先验信息建立图像的多尺度表达的金字塔模型，而MRF理论则利用此类信息表征图像像素的空间交互关系。小波MRF算法能够建立轨枕图像的层次特征模型，有效提取轨枕图像并屏蔽底层图像的干扰。

3 测量结果与分析

3.1 钢轨检测结果及分析

以每10mm为间距，采集300组钢轨几何数据，该段钢轨是用于测试轨检测量车性能的标准轨道，检测结果如图8所示。实验结果表明，利用轨检车测量到的轨距值与真实轨距值的误差在±0.05mm之间，水平（垂直）不平顺测量误差为±0.027mm。

图8 钢轨测量结果

经过大量实际轨道测量验证，该轨检测量小车的检测精度可达如下指标：轨距测量范围在1375～1455mm之间，测量误差不超过0.05mm，不平顺测量误差为0.03mm。

3.2 扣件与轨枕图像处理结果及分析

结合2.3节和2.4节所述的图像分析流程，扣件与枕木的图像处理结果分别如图9和图10所示。

图9 扣件图像处理结果

图10 轨枕图像处理结果

从图9中可以看出，不同状态下的扣件图像处理结果明显不同。对比图9(d)～图9(f)，扣件的移位或脱落会使图像黑白像素分布发生明显变化。据此，可以利用扣件处理后的图像像素分布来判断扣件状况。

【】【】

从图10中可以看出，不同状态下的轨枕图像处理结果也明显不同。图10(d)～图10(f)表明，轨枕的破损与图像黑白像素比有直接关系。轨枕破损程度越大，则图像黑白像素比越大。

4 结论

针对轨道几何状态及其相关部件的检测要求，设计了轨道多功能动态检测系统，利用激光测距仪与电子罗盘等实现钢轨几何状态的动态测量。此外，结合图像分析算法与小波马尔科夫随机场理论，实现扣件和轨枕的视觉检测。在标准轨道和实际轨道上的测量实验结果表明，系统的轨距测量范围在1375～1455mm之间，测量误差不超过0.05mm，不平顺的测量误差为0.03mm，充分满足实际轨道动态检测的需求，并能准确识别扣件与轨枕破损程度，进一步确保列车运行的安全性。

参考文献：

[1]陈强,刘丽瑶,杨莹辉,等.高速铁路轨道几何状态的车载摄影快速检测方法与试验[J].铁道学报,2014,36(3):80-86.

[2]刘丽瑶.近景摄影测量检测高速铁路轨道几何状态的精度研究[D].成都:西南交通大学,2012.

[3]潘亮.高速铁路轨道几何状态检测技术与实现[D].长沙:中南大学,2013.

[4]洪思敏.轨道检测小车测量方法的研究[D].广州:广东工业大学, 2015.

[5]文梅丽.轨道静态几何参数在线检测系统[D].武汉:武汉科技大学,2014.

[6]全顺喜,王平,陈嵘.无砟轨道高低和方向不平顺计算方法研究[J].铁道学报,2012,34(5):81-85.

[7]刘甲甲,熊鹰,李柏林,等.基于计算机视觉的轨道扣件缺陷自动检测算法研究[J].铁道学报,2016,38(8):73-80.

[8]ZHAO Daxing, FENG Wei, SUN Guo- dong, et al.High Precision Measurement System of Micro-electronic Connector based on Machine Vision[J].Journal of Applied Sciences,2013, 13(22):5363-5369.

[9]Yella S, Dougherty M, Gupta N K.Condition monitoring of wooden railway sleepers[J].Transportation Research Part C Emerging Technologies,2009,17(1):38-55.

[10]Feng W, Jia J, Liu Z Q. Self-validated labeling of Markov random fields for image segmentation[J].IEEE Transact- ions on Pattern Analysis and Machine Intelligence,2010,32(10):1871-1887.

[11]Dawoud A, Netchaev A. Fusion of visual cues of intensity and texture in Markov random fields image segmentation[J].Iet Computer Vision,2013,6(6):603-609.