无砟轨道板裂缝三维激光检测系统研发与算法验证

2021-08-23阳恩慧马啸天安哲立代先星王郴平

铁道学报 2021年7期

战友，阳恩慧，马啸天，安哲立，代先星，王郴平,3

(1.西南交通大学土木工程学院，四川成都 610031；2.中国铁道科学研究院集团有限公司铁道建筑研究所，北京 100081；3.俄克拉何马州立大学土木与环境工程学院，俄克拉何马州静水 74078)

近年来高速铁路在我国发展迅速，国家统计局中国统计年鉴数据显示，截至2020年底，高速铁路运营总里程已达3.8万km，占铁路营业总里程的26%。近年来，随着高速铁路营业比例增加，轨道结构在服役期内的破损问题随之而来，尤其是无砟轨道板开裂问题。轨道板破损以后如未能及时维修养护，将影响轨道结构的动力响应。

传统的轨道板裂缝检测方法是利用天窗时间进行人工巡检，但人工检测效率低、成本高且存在较大的安全隐患。从20世纪90 年代开始，欧美等发达国家开始了非接触式铁路检测技术的研究。比较有代表性的有美国的VIS系统[1]、德国的RAILCHECK系统[2]及法国的MGV铁路巡检列车[3]。近十年来，我国也开始探索研发智能化铁路检测设备，并取得了长足的进步，如车载智能轨道巡检系统、高速车载式轨道图像巡视系统等[4-5]。这些二维检测系统容易受光照以及阴影的影响，且难以捕捉裂缝深度，限制了工程应用中的使用性能。

随着三维激光扫描技术和计算机算法的飞速发展，收集轨道结构表面超高分辨率三维图像数据成为可能，如三维激光三角测量、立体视觉和激光雷达等智能化铁路检测手段[6-7]。但是，目前的检测算法仍基于二维图像特征检测裂缝，并未考虑轨道板结构三维空间特征，且由于研究人员在建立模拟人类认知能力的数学模型方面具有局限性，开发全自动无砟轨道板裂缝识别系统仍面临着挑战和困难。

目前，针对无砟轨道表面破损智能化识别算法的研究较少。文献[8]基于神经网络算法，应用多种表面特征识别算法识别轨道结构裂缝。文献[9]通过小波变换提取轨道表面破损特征。文献[10]通过高速扫描相机提出基于图像的轨道扣件缺失检测算法，其他有关表面破损三维图像识别算法还有种子识别算法[11]、阈值分割方法[12]，3D阴影模型检测算法[13]等。表面裂缝检测算法近年来取得了一定程度的成功，但轨道板表面裂缝自动化检测算法面临的最大挑战是，在各种复杂环境下如何始终保持准确、快速、高性能。目前，大多轨道板裂缝是横向裂缝、纵向裂缝和块状裂缝。1张轨道板图像可能包括若干条横纵向裂缝，也可能有多处范围较小的块状裂缝。传统的阈值分割、边缘检测等识别算法以裂缝像素投影、密度等特征进行分类，但轨道板上的细裂纹与局部噪声、纹理之间的模糊边界及微小噪声给传统的识别算法带来许多困难，如检测结果存在噪声，裂缝连续性较差。从根本上说，高性能的裂缝识别算法必须完全自适应轨道板裂缝的多样性，并在充分学习示例的基础上进行调整。然而，现有的识别算法大多是基于具体的、不全面的假设，缺乏从实例中学习的能力，这可能是目前无砟轨道板裂缝检测存在困难的原因[14]。近年来，人工神经网络(ANN)[15]、随机森林(RF)[16]、贝叶斯数据融合[17]等机器学习算法被引入表面裂缝检测中。文献[18]提出基于支持向量机(SVM)的裂缝检测方法。考虑像素的邻域信息以应对像素强度不均、裂缝拓扑复杂、光照条件差等背景噪声的问题。但是单一的机器学习算法决策条件单一、训练过程计算密集，对于一般的无砟轨道板检测任务来说效率不够高，对于像素级裂缝识别出错概率较大。

本文以三维激光成像技术为基础，研发高速铁路无砟轨道板裂缝自动检测系统，提出基于自适应阈值、概率图模型(PGM)与支持向量机模型(SVM)的集成学习轨道板裂缝识别算法PGM-SVM，其融合集成方式获得了比单一学习器更加显著的泛化性能，提升了轨道板裂缝的识别效果。最后，结合室内实尺CRTSⅢ型无砟轨道板试验段数据及现有的建筑基础设施表面裂缝数据库对高速铁路无砟轨道板裂缝检测系统的准确率进行验证。

1 三维激光成像技术原理

高速铁路轨道板裂缝识别系统采用三维激光成像技术。三维激光成像技术分直射式激光三角测量和斜射式激光三角测量两种。直射式激光三角测量更易于根据像点位移计算物体表面的位移变化，因此目前应用于轨道结构检测的系统均采用直射式系统[19-20]。如图1所示，根据光点与像点位移关系可计算出轨道板平面在激光入射方向的位移变化ΔH[21]

(1)

式中：l0为入射激光束轴和成像透镜光轴的交点到成像透镜前主面距离；l1为成像透镜后主面到接收器像中心点距离；θ为入射激光束轴与成像透镜光轴的夹角；φ为成像平面和成像透镜光轴的夹角。

图1 激光三角测量原理

线激光作为光源时，激光发射器垂向发射线激光，高速相机以一定夹角捕捉轨道板表面的散射激光，捕获整个激光线在相机成像平面的位置，结合各激光点在基准高度时的图像位置，即可得到激光线处轨道板的相对高度。

2 无砟轨道板裂缝检测系统

基于已有三维激光检测系统研究成果，设计高速铁路无砟轨道板裂缝识别检测系统，并编写高速铁路无砟轨道三维数据采集软件。

检测系统组成及工作流程如图2所示，系统以自主研发设计的高速铁路轨道板裂缝检测车为载体，集成所有原件，包括7个激光-相机采集单元、一套系统供电箱(WPC)、一套控制箱(WCC)、惯性陀螺仪IMU和GPS接收器组成的定位系统、行车记录摄像机ROW、距离测量仪DMI和一台8核控制计算机(PC)。由于激光-相机采集单元、DMI距离测量仪、ROW系统等元件的数据采集频率不同，系统通过控制箱(WCC)协同各传感器，从而使各类采集数据能准确对应。PC端发送控制指令到WCC后，WCC根据DMI距离测量仪的触发信号分别发送命令到各传感器，采集的数据最终被传输至PC端，进而融合、压缩并存储。

图2 高速铁路轨道板裂缝检测系统组

激光-相机组件位于钢轨正上方，7个激光-相机组件协同配合，覆盖整个轨道板结构，采集到亚毫米精度的轨道板三维数据。系统采用多GPU并行计算，加速无砟轨道表面三维云点大数据的收集与分析。最终，数据存储系统将数据流压缩、保存。通过三维数据重构技术对轨道板数据进行可视化处理，轨道结构三维重构效果如图3所示。

图3 无砟轨道表面三维数据显示

3 轨道板裂缝识别算法介绍

通过自主研发的轨道结构三维激光检测系统在实验室内检测无砟轨道板裂缝[22]，取得较好的识别效果，如图4所示。但是由于数据样本较少且较为简单，并缺乏轨道板裂缝数据，没有进行其他算法验证。本文将设计一套集成学习轨道板裂缝识别算法，将自适应阈值分割、概率图模型(PGM)、支持向量机(SVM)机器学习模型三种方法集成，结合室内实尺CRTSⅢ型无砟轨道板试验段数据与研究团队多年来所建立的建筑基础设施表面裂缝数据库，选取典型裂缝案例，验证本文所提出的轨道板裂缝识别算法的鲁棒性。

图4 轨道板裂缝识别示例

自适应阈值分割法是裂缝识别算法的第一模块，其将轨道板裂缝图像划分为更小的区域，对子图像分别进行全局阈值分割。采用移动平均法，以及像素邻域的平均强度来确定阈值，对逐个像素阈值进行求解，可以取得较好的效果(图5)，但是分割后的图像存在噪声(红圈标注)，并且裂缝存在不连续现象。

图5 自适应阈值分割效果

识别算法的第二模块为马尔可夫网络概率图模型(PGM)，其为概率论和图论的结合，可为处理应用数学和工程中出现的不确定性和多解性提供一种自然工具，特别是在机器学习算法的设计和分析中发挥着越来越重要的作用。概率图模型提供了一种多变量概率模型的描述框架，可通过已知变量推断未知变量的分布。马尔可夫网络的结构为无向图，常用来建立非因果模型，在计算机视觉与图像处理中为像素点之间的关系建模，应用十分广泛[15]。本文设计了条件随机场(CRF)裂缝识别算法。CRF为判别式模型马尔可夫网络，区别于生成式模型，其对条件分布进行建模。在给定多个变量观测值后，条件随机场可对条件概率进行建模。

SVM机器学习模型是裂缝识别算法中的第三模块，对尺寸为2 048×2 048像素的图像建立数据集，选择适当的核函数，训练分类器。合适的核函数决定SVM划分样本空间的性能。如果核函数选择不合适，则意味着会将样本划分到不合适的样本空间，最终导致分类器性能不佳。常用的核函数有线性核、多项式核、高斯核、拉普拉斯核、Sigmoid核等。SVM模型中另外一个重要参数是误差惩罚参数C，C代表对经验误差的惩罚大小。C的选取由具体问题而定，并取决于样本中噪声数量，在特征空间中若C的取值较小，则表示对经验误差的惩罚小，降低学习器的时间复杂度且增大了经验风险值。若C取无穷大，则代表特征空间中所有约束条件必须被满足，此时学习器的时间复杂度较大。可以证明，在每个特征子空间中，至少存在一个C使得SVM的泛化能力达到最强，当C继续增加时，SVM的时间复杂度增加，但经验风险和泛化能力基本不再变化。此时的C即为使得SVM泛化能力达到最强的值。标准SVM的输出为分类标签，而不是像素被检测为裂缝像素的概率指标，采用文献[23]中引入策略，通过将SVM预测转化为后验概率，可以得到像素为裂缝像素的概率为

(2)

式中：c为标准SVM的输出；A和B为最大似然法估计参数，可通过梯度下降法求得。

利用建立的数据集，通过网格搜索法(Grid Search)寻找最优参数(即核函数与惩罚参数C)，分别对每组参数进行训练，取训练效果最好的一组参数作为模型的最终参数。通过训练得到SVM模型，识别三维图像中裂缝，生成裂缝图像与概率图，如图6所示。此案例中C取10，核函数取Sigmoid核。

图6 生成裂缝概率图示例

用SVM模型进行裂缝图像识别的优点有：适用于高维空间，可以构造高维的特征向量表示裂缝特征；在维数大于样本数的情况下仍然有效；可以为决策函数指定不同的内核函数；能够消除轨道板裂缝识别中的噪声。

4 集成学习裂缝识别算法设计

无砟轨道板裂缝识别集成算法如图7所示。由于所使用的轨道半图像为2 048 × 2 048像素，因此图7数据流中显示的变量均为2 048 × 2 048矩阵。im_out1即为单独使用SVM模型得到的效果欠佳的裂缝图像，probability_map为SVM模型训练得到的概率图，im_out2为融合自适应阈值分割与概率图模型(PGM)分割算法的生成裂缝图像。

图7 集成学习算法流程

基于probability_map和im_out2，将两者结果融合，可将裂缝识别效果进一步提升。该融合算法基于投票思想，即像素点在SVM模型生成的概率图probability_map中被预测为裂缝的概率足够大时(上限大于70%)，就视其为裂缝像素，同理，当像素点在概率图probability_map中被预测为裂缝的概率足够小时(下限小于30%)，则视其为非裂缝像素，否则采用im_out2中的信息来确定该像素点是否为裂缝像素，以保证较低的误差率。同时，考虑对所有样本的普适性，以5%为间隔，通过格点搜寻法适当提高或降低上下限的概率值，以提升检测效果。

该融合算法可以根据裂缝识别的总体要求调整参数。伪代码中使用的参数可达到较高的裂缝识别准确率，当需要算法达到较高的裂缝像素召回率时，可以将像素点在概率图probability_map中被预测为裂缝的概率足够小时，视为非裂缝像素的分支，另外将positive_threshold适当降低也可以提高裂缝像素的召回率。当需要算法达到更高的裂缝识别准确率时，可以将positive_threshold适当提高、negative_threshold适当降低。因此，该算法的参数调整是一个半监督性的优化问题。在融合算法的基础上可以得到最终的裂缝识别图像im_final。

5 集成学习算法性能测试

最终对含有各类裂缝的三维图像(2048×2048像素)进行检测，手动标注出真实裂缝图像作为集成学习算法的参照。运行环境：

操作系统：64位Windows10专业版；

处理器：Intel(R) Core(TM) i7-5500U CPU；

开发工具：PyCharm 2 018.3，Matlab 2018a；

Python解释器：Python 3.6；

Python依赖库：Pillow, Matplotlib, Numpy, Scipy；

Matlab工具包：image processing toolbox。

本研究在PGM与SVM融合处理的实现部分提供了调节算法来改变算法性能的选择，在对算法性能进行测试时，采用召回率更高的参数设置，将算法在更多的实际裂缝图像中实验，实验结果如图8所示。由于篇幅限制，随机选取5幅裂缝图像处理结果，图中每行三幅图像一致，图像尺寸均为2 048×2 048像素。

图8 裂缝识别效果对比

如图8所示，自适应阈值分割法分割后的裂缝图像存在噪声(红圈标注)，且裂缝连续性较差；本文设计的集成学习裂缝识别算法连续性更好，且有效地控制了分割噪声，识别效果显著。

以上是对算法性能的主观评价，下面通过准确率Accuracy、召回率R和F1值对算法性能进行客观评价，即

(3)

(4)

F1=1/[1+(FP+FN)/2TP]

(5)

式中：TP为正确被识别为裂缝的像素数量；FP为错误被识别为裂缝的像素数量；TN为正确被识别为裂缝的像素数量；FN为错误被识别为非裂缝的像素数量。计算结果见表1，由表1可以看出准确率与召回率性能优良。准确率Accuracy反映检测结果的准确程度，本文的集成学习算法准确率很高，可以达到97.3%，并且优于自适应阈值分割；召回率R反应检测结果的全面性，本文所提出的集成学习裂缝识别算法优于自适应阈值分割，达到了稳定的高召回率92.6%，表明本文所提出的算法几乎可以识别出轨道板表面存在的所有裂缝。F1值为各算法的综合评价指标，综合考虑了查准率与召回率，本文所提出的集成学习算法F1值为63.6%，优于自适应阈值分割算法的61.2%。结果表明，本文所提出的集成学习裂缝识别方法有较高的准确率、召回率，通过集成学习对轨道板裂缝识别算法进行了有效优化。