基于图像技术的无砟道床表观伤损检测系统研制

2022-05-10暴学志徐稳柴雪松李健超王宁马学志

铁道建筑 2022年4期

暴学志徐稳柴雪松李健超王宁马学志

1.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；2.中国铁道科学研究院集团有限公司高速铁路轨道技术国家重点实验室，北京 100081；3.广西计算中心有限责任公司，南宁 530000

随着经济的发展，我国高速铁路大量投入运营，部分线路无砟道床在服役期内出现轨道板裂缝、CA砂浆层离缝、混凝土缺损等伤损，影响轨道结构稳定性及旅客舒适性，严重时还会对列车运行安全造成较大隐患。对无砟道床表观伤损检测主要依赖人工巡检方式［1-2］。人工巡检不仅成本高、效率低，且检测结果极大依赖巡检工人的经验和责任心。准确检测无砟道床表观伤损，及时整修，并对劣化伤损数据进行分析，掌握轨道表观伤损劣化演变规律，对轨道结构科学维护具有重要意义［3-4］。目前，缺乏有效的无砟道床表观伤损检测手段，严重制约着高速铁路轨道维修技术的发展［5］。在我国铁路运维智能化发展趋势下，迫切需要采用新技术、新方法来研制面向铁路无砟道床的新型检测设备，提高无砟道床表观伤损检测的自动化水平及智能识别与状态评估能力，以满足铁路安全运行、高效运营和精细化养护的需求。

近些年，人工智能技术不断发展，无砟道床表观伤损检测在理论研究方面取得了较大进展，但在现场应用方面还无成熟产品。基于图像视觉检测技术研制无砟道床表观伤损检测系统，与其他自动化检测技术相比，在安全性、准确性、可视化、智能化等方面具有较大优势，可满足当前运维部门迫切需求，具有较好的市场应用前景。

本文基于无砟道床表观伤损检测需求，利用图像识别、机械设计等技术，开展无砟道床表观伤损检测技术研究，研制无砟道床表观伤损检测系统，为现场检测提供智能、准确、高效、便携的检测装备。

1 无砟道床结构与典型伤损

截至2020年底，我国高速铁路无砟轨道营业里程已达2.3万km，约占高速铁路营业里程的61%。无砟道床铺设里程及比例分布如图1所示。

图1 无砟道床铺设里程及比例分布

对京沪、哈大、武广、京津、盘营、沪宁、兰新等线路表观伤损数据进行分析，并按照伤损形式将伤损分为两类，见表1。

表1 无砟道床表观伤损分类

B类伤损特征明显，人工巡检时容易识别并定性判断，可结合巡检车等方式检测。A类伤损细微，形式多样、不规则，离缝伤损分布在轨道板侧面，巡检车检测精度无法满足该类伤损检测要求，人工巡检定量检测难度大、效率低，检测结果易受人员因素影响，缺乏有效手段进行检测。因此，结合运维管理部门需求，无砟道床表观伤损检测系统以检测A类伤损为目标。

2 系统方案

基于图像技术的无砟道床表观伤损检测系统技术方案主要由图像采集、伤损智能识别、评估分析三部分构成。

2.1 图像采集

无砟轨道结构主要由钢轨、扣件、轨道板、砂浆填充层、底座板、限位结构等部分组成，其中扣件以下至底座板之间的混凝土结构是无砟道床的主要部分。通过安装可在无砟轨道上连续移动的图像采集装置实现无砟道床表观图像采集（图2）。检测时人工推行轨道小车连续运行，安装在走行轮轴头的触发编码器为采集相机提供触发信号，采集相机连续采集无砟道床表观高清图像，处理单元对采集到的图像进行信息处理、分析及存储，得到无砟道床表观图像数据。

图2 图像采集装置

2.2 伤损智能识别

基于深度学习技术实现无砟道床表观伤损智能识别。首先对伤损样本图像预处理，显化伤损特征，实现伤损区域图像增强，使用标注工具对每张图像进行像素级语义分割标注，建立伤损特征分布均衡且满足一定规模的病害样本数据集，将数据集按一定比例分为训练集和验证集［6］。然后构建基于编码-解码架构的深度神经网络病害分割模型，将训练集的图片输入到分割模型的编码网络提取特征，再输入到解码网络中将提取的特征生成对象分割结果，持续进行模型训练。通过验证集对模型识别能力进行评估，找到最优的模型参数。最后采用训练后的模型对无砟道床表观采集图像快速检测，识别裂缝、离缝、缺损等像素级类别和位置，依据图像尺度提取伤损几何尺寸信息，实现无砟道床表观伤损的快速自动化检测。随着检测数据的增多，样本库数据不断丰富，深度神经模型不断训练、学习，可大大提高识别准确率。

2.3 评估分析

根据Q/CR 803—2020《高速铁路无砟道床伤损评定》［7］规定建立评估模型。首先确定无砟道床类型及伤损部位，然后判定伤损类型及其几何特征，最终根据几何特征评定伤损等级。评估流程如图3所示。

图3 评估流程

开发评估软件对识别后的检测数据进行评估分析，将里程、伤损等级、伤损图例、伤损数量等信息智能化展示，便于历史数据查询、伤损劣化规律分析及存储管理，检测结果格式见图4。

图4 检测结果格式

3 系统研制

无砟道床表观伤损检测系统主要由轨道小车、多通道图像采集模块、同步触发模块、采集计算机、数据处理中心等部分构成。

3.1 轨道小车

轨道小车是检测系统的移动检测平台，采用模块化设计以满足拆装便携的要求。轨道小车车架设计为工字形，材料选择铝合金，具有质量小、刚度大、稳定性高的优点。小车共设4个走行轮，走行轮采用增韧尼龙或陶瓷等绝缘材质制作而成。在走行轮与车架之间设置二次绝缘机构，确保轨道小车运行过程中不会导通两侧钢轨电阻而影响轨道信号。在其中一个走行轮上安装触发编码器，并设置由限位轴、缓冲弹簧等构成的防空转机构（图5），以避免走行过程中该轮发生空转或打滑，导致触发中断、图像缺失。缓冲弹簧在车体重力作用下始终对触发走行轮施加压力，保证运行过程中触发走行轮与钢轨的密贴接触。

图5 防空转机构

3.2 图像采集模块

图像采集模块由多通道线阵扫描相机及激光照明单元一体化组成。线阵相机由单列感光元素构成，可进行高频率、高精度的连续成像，与面阵相机相比具有分辨率更高，抗干扰性、稳定性更好，视觉范围更大的优点［8］。采用线阵相机对无砟道床表观图像采集时无砟道床固定不变，将线阵相机固定于移动轨道小车上，线阵相机相对无砟道床快速移动，线阵采集相机每收到一个触发信号拍摄一张单像素图像，最终将这些单像素图片重构拼接成大图，可获得较好的成像效果。

3.3 同步触发模块

为了避免检测速度变化对采集图像亮度及分辨率的影响，实现沿线路方向等间距固定分辨率成像，采用按距离采样的模式触发相机工作。将A-CHA光栅编码器安装在检测轮轴上提供触发信号，触发信号经分频及同步装置处理，可同时触发多路信号。同步模块工作原理如图6所示。

图6 同步模块工作原理

3.4 采集计算机

在采集计算机中安装多通道相机采集程序、激光控制程序及里程同步程序，将其固定于轨道小车上实现相机、激光自动控制，无砟道床表观高清图像及里程数据快速采集、传输、存储，图像数据定位和校正。

3.5 数据处理中心

数据处理中心包括GPU服务器、图形工作站、数据存储阵列等。GPU服务器部署伤损智能识别算法，完成伤损的快速定位和特征提取；图形工作站负责所有人机交互动作，完成伤损智能识别、伤损状态评估功能；数据存储阵列保存所有数据实体，便于实现检测数据规则化存储、历史数据对比分析、伤损发展趋势判断等功能。

4 试验验证

无砟道床表观伤损检测系统工作流程见图7。对我国一条运营的高速铁路开展了现场试验，试验区段3 km，上下行合计6 km。对无砟道床表观图像识别结果进行数据分析、计算，以验证检测系统的识别准确率、检测精度及检测效率。

图7 检测系统工作流程

4.1 识别准确率

在现场采集的图像样本中，随机选取含裂缝、离缝及缺损的正样本50张和不含伤损的负样本50张。将100张测试样本放入识别模型自动识别，识别正确则为真，识别错误则为假。准确率测试结果见表2。可知，判断为真的正样本和负样本总数为91张，其余9张判断为假，因此计算识别准确率为91%。

表2 准确率测试结果

4.2 检测精度

无砟道床表观裂缝、离缝、缺损等伤损检测精度由相机分辨率、相机空间布置、图像识别算法等多个因素综合决定。研制的无砟道床表观伤损检测系统相机分辨率为4 096×1，最大行频26 kHz，结合相机空间布置计算得到检测像素分辨率为0.1 mm，利用识别软件识别结果检测精度优于0.1 mm。现场试验选取标记裂缝进行人工测量，测量宽度为0.15 mm，利用检测系统能准确检测出该处标记裂缝（图8），检测结果显示该裂缝宽度为0.2 mm，检测误差为0.05 mm。

图8 现场标记裂缝及识别结果

4.3 检测效率

4名检测人员利用无砟道床表观伤损检测系统对无砟道床表观检测，天窗点内完成上下行6 km无砟道床表观图像采集共用时2 h，依此推算，一个天窗点按4 h计算，利用检测系统可完成12 km无砟道床表观图像采集。线下数据处理中心对采集图像进行伤损智能识别，每日可完成12 km表观图像识别及检测数据分析、整理，并出具检测报告。另有4名检测人员利用钢板尺、测宽仪、塞尺等工具对无砟道床表观伤损检测并记录，4 h共检测约400 m，依此推算，如果完成12 km无砟道床表观检测，需要申请约30个天窗。由此可见，采用研制的无砟道床表观伤损检测系统对无砟道床表观伤损进行检测，检测效率可显著提升约15倍。