韩 强，戴 鹏，谭 松，李唯一，任盛伟，周 威，张永盛

(1．中国铁道科学研究院基础设施检测研究所，北京 100081;2．北京铁科英迈技术有限公司，北京 100081;3．呼和浩特铁路局包头工务段，内蒙古包头 150200)

高速铁路行车速度快，车流密度大，列车全程封闭运行，使得传统人工步行巡道的线路巡检工作只能在夜间天窗点进行。夜间作业的弊端一是检测人员存在人身安全隐患，二是在夜视条件下难免会发生漏检现象。随着图像采集、处理，模式识别等技术的发展，研制智能化的车载轨道巡检系统代替巡道工的视觉检查成为可能。

车载轨道巡检系统的研究在国外已经有较为成功的先例。日本于20世纪90年代中期试验性地开发了轨道综合巡检设备，实现了对钢轨裂纹、锈蚀，扣件状态，道床形状、尺寸的检查等功能;美国在20世纪90年代末研究开发了轨道视觉检查系统(TVIS)，检查轨道有无影响行车安全的异常［1-2］。澳大利亚和德国先后开发了轨道扫描系统(RAILSCAN系统)、轨道巡检系统(RAILCHECK系统)用于轨道巡检。早期的RAILSCAN系统采用对线路进行视频录像，然后通过回放录像进行故障判断的方式对目标进行检测;近年开发的RAILCHECK系统则采用高清数字成像和图像处理技术，实现了轨道结构可见异常的自动检测［3-4］。另外，法国、意大利等国家也研制开发了巡检设备，实现了钢轨表面缺陷、扣件状态、轨枕破损的自动检查［5-6］。

青藏铁路通车后，恶劣的高原气候下无法再进行人工步行巡道，首次引进了轨道巡检车代替巡道工的工作，初步解决了特殊线路巡查的问题。我国于2010年成功研制了基于计算机视觉的钢轨表面擦伤检测系统［7］，虽然该系统的检测目标仅限于钢轨表面伤损，但却为车载轨道巡检系统的研制做了许多探索性研究。另有一些基于计算机视觉针对扣件螺母缺失进行检测的专项研究［8-9］，因检测成果的工程应用程度较低并未得到推广。

本文基于计算机视觉设计和研发了具备机器视觉功能的车载轨道巡检系统，实现了对钢轨表面擦伤、扣件缺失的自动检测，满足了高速铁路日常轨道巡检需求。

1 系统整体设计

系统的基本设计原理为基于先进的数据采集技术对轨道进行成像，将数据与线路里程信息关联，获得完整的轨道图像数据记录，然后采用图像处理和模式识别技术分析图像，实现对轨道典型病害的自动检测。系统的核心是用计算机视觉学科方法和理论智能识别轨道外观异常。从功能上可将系统划分为图像数据采集、数据分析和数据管理3个子系统，系统整体方案的设计框架如图1所示。

2 图像采集子系统

图像采集子系统的主要功能是在高速运动状态下采集到尽可能真实、清晰、完整地反映轨道中钢轨、扣件等关键部件外观特征的高清数字图像。为此，选用数据传输速度快、扫描频率高、适用于运动扫描成像的线阵相机作为成像设备［9］。本系统硬件配置采用6台线阵CCD相机，相机相对钢轨的视角及成像视场如图2所示。每组线阵相机配置了辅助照明光源，保证成像视场的光强照度和均匀度，确保获得高质量的图像。

利用线阵相机每次扫描只产生单行线像元信号的特性，设计使用脉冲编码器及与钢轨探伤车轮轴联动的控制机构，按固定间距触发线阵相机，控制线阵相机在运动过程中进行等间距触发采样，并将得到的线像元连续拼接为二维可视图像。系统触发采样的固定间距为1.6 mm，达到的最高巡检速度为160 km/h，其采集得到的轨道图像如图3所示。

图1 系统整体方案设计框图

图2 相机相对钢轨的视角及成像视场示意

图3 系统采集的轨道图像示例

3 数据分析子系统

图像采集完成后，依靠人工浏览海量图像数据查找病害是极为繁重的工作，因此需设计数据分析子系统对部分典型设备异常进行识别。

数据分析子系统的工作流程可分为图像分割、特征描述、模式检测3个环节。区域分割的主要功能是将轨道图像分割为钢轨、扣件、道床3个大区域。分割完成后，根据不同的检测需求，通过特征变换将检测目标从图像灰度空间转换到更易于辨识出异常样本的特征空间，最终通过基于离线机器学习获得的模式分类器完成对检测目标状态的判别。系统目前可对钢轨表面擦伤、扣件异常两类问题进行软件自动识别。图4演示了钢轨表面伤损的分析流程。从提取钢轨到特征变换，再到提取出完整的擦伤轮廓并测算得到擦伤的尺寸，整个过程由软件自动完成，系统的智能化程度基本满足现场应用需求。

图4 轨面擦伤的软件自动分析流程示意

4 数据管理子系统

为实现系统的工程化应用，针对图像数据及轨道病害特征的数据管理，建立了具有检索、查询、电子报表等功能的数据管理体系。数据管理子系统功能结构如图5所示。

数据检索功能主要针对指定图像的查找，通过散列表实现了按索引、按里程的数据快速检索。信息查询功能主要针对已检出的轨道病害信息的查找，该功能可通过设置采集时间、钢轨股道、病害类型、里程范围、工务管段等字段对病害信息进行组合查询。在信息的报表输出功能设计上，可输出图文报表及相关病害信息的统计报表。数据管理子系统应用软件界面如图6所示。

图5 数据管理子系统功能结构

5 应用和验证

研制的车载轨道巡检系统目前已完成产品转化，在我国京沪、京广、哈大、郑西等高速铁路干线以及神华集团下属的朔黄、大准等重载铁路进行日常检测，效果良好。巡检部门以2个月为周期，在维修天窗内对指定线路进行全程巡检，每日完成的巡检里程数可达200 km。运用智能分析软件在不同线路检测到了数以万计的扣件异常，在有砟线路(尤其是重载线路)检测到了大量钢轨表面擦伤。检测员在浏览图像的过程中，通过视觉检查还发现了部分轨道板裂纹、异物入侵线路等病害。图7给出了这部分典型病害的示例。

图6 数据管理子系统应用软件示意

图7 系统查出的典型病害

从检查结果的对比分析来看，每次检查都会发现一些在检测周期间隔内新产生的轨道病害，较为常见的是扣件弹条移位、扣件断裂、道床异物、轨枕掉块等。对比以往人工步行巡道每月有效检出的病害数量，车载轨道巡检系统的检出效率和效果均远远高于人工步行巡道。通过现场检测、复核，系统对钢轨表面擦伤、扣件外观异常及道床裂纹等病害的检出率在80%以上。

总之，车载轨道巡检系统无论从检测效率还是从检查质量上看，均优于传统人工步行巡道检查，在高速铁路工务设备养护维修中发挥的重要作用已初见成效。

6 结语

本文阐述了车载轨道巡检系统的构成，子系统设计原理及系统应用情况。系统可满足160 km/h速度条件下对轨道图像的动态采集。设计了智能分析模块对钢轨表面伤损、扣件异常等进行软件智能识别。本系统的成功应用旨在替代传统人工步行巡道的视觉检查工作，改变高速铁路工务巡检作业模式，提高了工务设备检查和维护的工作效率。

［1］SINGH M，SINGH S，JAISWAIL，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，2006:56-59．

［2］SHOLL H，AMMAR R，GREENSHIELDS I，et al．Applicaiton of Computing Analysis to Real-Time Railroad Rrack Inspection［C］//World Automation Congress 2006．Budapest，2006:1-6．

［3］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，2005:119-126．

［4］KHANDOGIN I，KUMMERT A，MAIWALD D．Automatic Damage Detection for Railroad Tracks by the Analysis of Video Images［C］//Proceedings of the 8th International Conference on Signal Processing Applications and Technology．San Diego，1997:1130-1134．

［5］MARINO F，DISTANTE A，MAZZEO P L，et al．A Real Time Visual Inspection System for Railway Maintenance:Automatic Hexagonal Headed Bolts Detection［J］．IEEE Transactions on Systems，Man and Cybernetics，Part C:Applications and Reviews，2007，37(3):418-428．

［6］SIRIL Y，MARK D，NARENDRAK G．Condition Monitoring of Wooden Railway Sleepers［J］．Transportation Research Part C:Emerging Technologies，2009，17(1):38-55．

［7］任盛伟，李清勇，许贵阳，等．鲁棒实时钢轨表面擦伤检测算法研究［J］．中国铁道科学，2011，32(1):25-29．

［8］王凌，张冰，陈锡爱．基于计算机视觉的钢轨扣件螺母缺失检测系统［J］．计算机工程与设计，2011，32(12):4147-4150．

［9］赵晓东，孙运强，姚爱琴，等．线性CCD实验系统的研究［J］．电子测试，2012(5):85-88．