车载式智能巡检系统在地铁运营维护中的应用

钟涛

广州地铁集团有限公司 广东省广州市 510000

摘 要：研究一种应用于城市轨道交通中，可适应列车正常行驶速度的车载式智能巡检系统。在其工作过程中，高分辨率相机采集轨道高清图像并实时传输至图像处理系统。再基于传统图片处理技术、深度学习技术等方法实现钢轨扣件断裂、松动及缺失，轨枕裂纹、掉块，道床空间异物入侵等3类主要轨道缺陷的智能识别，并将轨道缺陷照片上传至云服务器。在云服务器中通过二次识别以及人工判别提高缺陷识别准确率，指导轨道日常运营维护。

关键词: 智能巡检；轨道交通；轨道缺陷；图像识别；深度学习

Application of Vehicle-mounted Intelligent Detecting System in Metro Maintenance

ZHONG Tao¹

(1. Guangzhou Metro Group Co., Ltd, 510000, China)

Abstract: A vehicle-mounted intelligent Detecting system applied in urban rail transit is studied. Under the normal running speed of the train, six high-resolution cameras collect and store high-definition images of the track in real time. Through traditional image processing technology, deep learning technology and other methods, the intelligent identification of three main types of track defects, such as rail fastener fracture, looseness and missing, sleeper crack and falling block, and foreign body intrusion, is realized, and the defect images are uploaded to the cloud server. Through secondary identification and manual identification in the cloud server, the accuracy of defect identification can be improved to guide the daily maintenance of the track.

Key words: Intelligent Detecting system; rail transit; Track defects; image recognition; Deep learning

0. 引言

截至2020年12月，我国共有43座城市开通轨道交通线网并投入运营使用，总运营里程约7 655 km，其中地铁里程约6483 km，占总里程的84.69%^[1]。在今时今日的大城市中，轨道交通扮演着城市交通大动脉的角色，任何故障造成的行车延误，不仅会影响广大市民的日常出行，还将波及城市的经济发展，对社会造成不容小觑的负面影响，这就要求城市轨道交通的各类设备状态必须时刻保持良好可靠。轨道作为承载列车运行的基础设备，保持轨道设备状态良好是保障轨道交通安全运行的重中之重。一旦发生故障，轻则造成列车的晚点延误，重则危及广大乘客的人身财产安全，造成难以预测的经济损失和社会影响。因此，为保证列车行驶安全，必须提高对轨道状态信息掌握的时效性与准确性。

目前国内对轨道状态的检查主要以传统的人工步巡为主，存在效率低、主观性强、耗时等劣势^[2]。在当前轨道交通行业迅速发展态势下，人工步巡明显难以满足高效精准的检测要求。本文基于传统图片处理技术、深度学习技术等方式，研究一种能及时发现钢轨扣件缺陷、轨枕缺陷、感应板移位以及道床异物的车载式智能巡检系统，以指导轨道运营维护。

0. 国内外研究现状

轨道智能化巡检设备由德、日、澳等国于2000年先行开发。随后，意、美等国也针对同类巡检系统进行了开发并投产。当时，以美国ENSCO公司所研发的轨道视觉检查系统（TVIS）以及澳大利亚研发的非接触式轨道测量系统（RAILSCAN）为代表，在一定的工作条件下，上述系统已经成功实现某些明显的轨道设备状态异常的自动识别^[3]。

2005年，我国以及法国等国的研发工作也先后走上轨道，中国铁道科学研究院基础设施检测研究所正式立项开展智能化巡检技术的相关研究。2010年后，智能巡检系统在我国正式迎来了技术深化研究阶段，原铁道部重点研究课题《高速铁路综合巡检及线路里程精确定位技术研究》顺利立项，并成功在GTC-60型钢轨探伤车上调试搭载“钢轨表面擦伤检测系统”，完成了车载轨道状态巡检系统的自主研发

^[4]。

目前国内外的研究现状表明，城市轨道交通智能化巡检系统的研发与应用虽已具备较好的广度，但其精度与适配度仍有所欠缺，故本文结合智能图像识别与深度学习技术，研究一种可达更高精度的车载式智能巡检系统在地铁运维实际中的优化与应用。

0. 系统构成

本文研究的车载式智能巡检系统从功能上主要由图像采集及存储、缺陷图像识别以及客户端三个子系统组成。用于采集轨道状态图像的6组高分辨率相机及照明光源安装在车辆下部，对道床断面的全覆盖，如图1所示。1台部署在车内的检测机柜用于存储实时拍摄的图像，通过传统图片处理技术以及深度学习技术将缺陷图像识别后上传至云服务器，并同步推送至车辆段终端监控计算机，由终端计算机对轨道缺陷照片进行二次识别提高检测精度。此外，用户可通过客户端软件进行人工判别，为巡检系统扩大深度学习训练库。

图1 相机及照明光源示意图

0. 图像采集及存储子系统

图像采集及存储子系统主要完成对扣件、轨枕、道床以及感应板等轨道外观特征高清图像采集和不丢帧存储。

图像采集组件由6组高速检测相机与光源组成。照明光源脉冲宽度1~1023μs，为机器视觉专用光源，额定功率432W，响应时间可达15μs以内，满足高速相机拍摄以及图像智能识别的光源要求。相机相关参数如表1所示，两股钢轨由其中4台检测相机分别从两侧采集图像，中间道床则由2台正上方的检测相机采集图像，从而获得整个道床断面的图像信息。

图像采集及储存系统工作时，高速检测相机与光源同时响应同步触发装置输出的同步信号，同步拍摄轨道区域图像。各检测相机采集的高清图像信息通过网络发送至车内的检测主机进行存储并同步分析处理。

表1 相机参数

0. 缺陷图像识别子系统

缺陷图像识别系统深度融合了传统图像处理和深度学习技术，以实现对轨道缺陷的实时高效处理，并通过二次识别减少误判，同时保证识别的时效性和准确性。

4.1扣件缺陷图像识别

列车在行驶时既要确保“一个扣件都不能不漏检”，还要保证精准高效的识别能力，这对扣件检测算法提出了严格的要求。经过对多个算法的对比测试，本系统最终选择了速度快、效果好的基于深度学习的检测算法Yolo v2。经过大量正常和异常扣件数据的采集，在训练库积累不同光照强度、不同类型的正常、异常扣件，通过对算法进行微调后，实测系统对扣件缺陷的识别率可达99%。

4.2轨枕缺陷图像识别

轨枕缺陷图像识别主要针对轨枕破裂和掉块的工况。由于在4.1中我们已经能够识别到扣件缺陷，轨枕区域位于扣件正下方，因此我们只需要在原图像中裁剪出轨枕区域，再利用SVM分类器算法对轨枕区域缺陷图像进行训练。

4.3道床异物图像识别

道床异物检测模块主要负责检测出轨道两侧和内部的非铁轨相关的物体。具体识别方法先是利用传统图像识别算法，结合异物的边缘和梯度信息初步筛选出疑似异物图片，然后进行形态学闭运算，实现了形态空洞区域的填充使其连通成为一片，最后再对疑似异物区域进行二次识别判定，确定是否属于道床异物。

0. 客户端子系统

客户端子系统可部署在任何能接入互联网的电脑上，能将现场识别出来的缺陷图片进行汇总归类，提供缺陷图片查看、对比、数据统计、分析、生成报表等功能。本子系统能自适应屏幕分辨率，可以在大屏很好的显示。其主要功能模块包括：用户登录、主页动态、巡检管理、统计分析、用户管理、系统管理。

0. 试验与验证

该系统已于2019年年底开始投入至国内某条地铁上进行试用，试用过程中发现相机曝光严重会对扣件缺陷产生误判现象，后续通过对相机的调试，对算法的多次优化以及对硬件的升级后得以很好的解决；对系统检测出的扣件缺失、松动等现象安排人员现场核对后进行处理，能较快的消除隐患。道床上存在的异物小碎石会导致系统识别出的“疑似缺陷图像”数量增加，通过二次识别后道床异物检测可靠度得到了提升。目前该系统运行稳定，使用情况良好，能检测出轨道出现的缺陷。

从客户端子系统的统计数据来看，较为常见的轨道缺陷是扣件松动和缺失，轨枕破损和挡肩缺陷等。试用过程中检测到的缺陷图像如图2-3所示。

图2 扣件松动

图3 扣件缺失

0. 结论

基于深度学习的车载式智能巡检系统，能够在列车正常行驶条件下对轨道图像进行采集和存储，并通过传统图片处理技术、深度学习技术等方法实现钢轨扣件断裂、松动及缺失、轨枕裂纹及掉块、道床空间异物入侵等3类主要轨道缺陷的智能识别，并实时将缺陷图像上传至客户端，用户可通过客户端一定程度上实时了解轨道状态，指导日常运营维护。研究本系统的目的旨在逐步替代传统的人工巡检，改变地铁线路专业的巡检模式，对提高巡检效率和质量，降低人工成本具有一定积极意义。

参考文献

[1] 叶晓平,冯爱军. 中国城市轨道交通2020年数据统计与发展分析[J]. 隧道建设(中英文),2021.

[2] Singh M, Ingh S, Jaiswall, et al. Autonomous rail track inspection using vision based system[C]. Proceedings of the 2006 International Conference on Computational Intelligence for Homeland Security and Personal Safety. Alexandria, 2006..

[3] 马臣希,张二永,方玥等. 车载轨道状态巡检技术发展及应用[J]. 中国铁路,2017.

[4] 柴雪松，朱锦堂，马辉．青藏铁路高原巡检车的研究[C].青藏铁路运营管理及相关技术研讨会论文集．北京：中国科学技术出版社，2005.