鐵路道岔場景識(shí)別與間距檢測

何 森，劉少麗+，方 玥，劉檢華，黃 浩，劉 威

(1.北京理工大學(xué) 機(jī)械與車輛學(xué)院數(shù)字化制造研究所，北京 100081；2.中國鐵道科學(xué)研究院集團(tuán)有限公司 基礎(chǔ)設(shè)施檢測研究所，北京 100000)

1 問題的提出

道岔是使列車轉(zhuǎn)入或越過另一股軌道的機(jī)械設(shè)備，包括轉(zhuǎn)轍部分、連接部分、轍叉和護(hù)軌(如圖1)，是鐵路網(wǎng)絡(luò)連接的關(guān)鍵[1-2]。然而列車在駛過道岔時(shí)，會(huì)對(duì)道岔產(chǎn)生很大的沖擊力和側(cè)向力，造成道岔鐵軌磨損和變形[3-4]，改變道岔基本軌與尖軌的內(nèi)側(cè)間距(以下簡稱道岔間距)，降低了道岔的使用壽命，甚至引發(fā)交通事故，因此道岔間距穩(wěn)定是保障道岔質(zhì)量穩(wěn)定，從而保障鐵路安全的前提。目前的道岔檢測方法是人工用卷尺測量道岔轉(zhuǎn)轍部分的道岔間距，由于檢測人員水平參差不齊，測量的道岔間距精度不高，而且鐵路道岔在鐵路總線中的占比不到5%，檢測人員需要在鐵路線上逐個(gè)檢測，效率低且存在一定安全隱患。因此，迫切需要一種高效、準(zhǔn)確的鐵路道岔場景識(shí)別和道岔間距檢測方法。

目前，對(duì)道岔的檢測方法主要分為兩種：

(1)監(jiān)測道岔及其轉(zhuǎn)換設(shè)備在運(yùn)行過程中的各種信號(hào)參數(shù)和環(huán)境參數(shù)，為道岔的維護(hù)和檢修提供參考。國外已有相應(yīng)的系統(tǒng)應(yīng)用于實(shí)際[5]，例如，德國的Roamaster 2002道岔檢測系統(tǒng)，法國的Track and Turnout Monitoring System道岔檢測系統(tǒng)和俄羅斯的無接觸道岔自動(dòng)控制器。這些檢測系統(tǒng)通過監(jiān)測道岔設(shè)備的電流、電壓、各牽引點(diǎn)轉(zhuǎn)換力、鋼軌縱向力等一系列數(shù)據(jù)，確保道岔間距在安全標(biāo)準(zhǔn)范圍內(nèi)。國內(nèi)經(jīng)過多年發(fā)展，也研發(fā)出了相應(yīng)的技術(shù)。曹均平等[6]研制的高速鐵路道岔監(jiān)測系統(tǒng)，采用物理、化學(xué)、信息處理等手段，對(duì)高速鐵路道岔設(shè)備運(yùn)行過程中的各種狀態(tài)參數(shù)和環(huán)境參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測，而且監(jiān)測設(shè)備自身對(duì)道岔不會(huì)產(chǎn)生影響。道岔的監(jiān)測主要通過采集并分析鐵路設(shè)備電信號(hào)來判斷其是否正常工作，然而由于易受通信帶寬限制和其他線纜干擾，電信號(hào)在采集、傳輸過程中，其數(shù)據(jù)的準(zhǔn)確性和實(shí)時(shí)性會(huì)降低，不能真實(shí)反映道岔的實(shí)際狀況。

(2)利用采集的鐵路軌道數(shù)據(jù)，通過相應(yīng)的處理技術(shù)提取需要的鐵路結(jié)構(gòu)特征信息，計(jì)算鐵路軌道相關(guān)參數(shù)并判斷是否符合安全標(biāo)準(zhǔn)。張宇寧[7]運(yùn)用機(jī)器視覺技術(shù)對(duì)鐵路道岔圖像進(jìn)行處理并提取特征，監(jiān)測尖軌與基本軌的密貼度，根據(jù)計(jì)算結(jié)果判斷道岔換位過程是否正常，然而該方法只針對(duì)道岔圖像，泛用性低，而且對(duì)鐵路圖像的質(zhì)量要求較高；徐凡[8]利用鐵路軌道圖像的特點(diǎn)，分別采用直線檢測(Line Segment Detector, LSD)算法和霍夫變換得到鋼軌邊緣直線的數(shù)量；QI等[9]提出基于定向梯度直方圖(Histogram of Oriented Gradient, HOG)特征的鐵路軌道檢測與道岔識(shí)別方法，該方法用HOG特征向量表示原始圖像，用區(qū)域生長算法尋找鐵路基本軌和尖軌，根據(jù)尖軌與基本軌的特點(diǎn)判斷列車轉(zhuǎn)向，然而該方法在光照條件惡劣的情況下會(huì)出現(xiàn)誤檢，而且區(qū)域增長算法本身存在可能只檢測到部分圖像的缺陷。上述基于二維圖像的鐵路道岔檢測雖然已經(jīng)形成了相應(yīng)的體系結(jié)構(gòu)，而且檢測精度高，但是二維圖像質(zhì)量受光照影響大，質(zhì)量差的鐵路圖像難以用于鐵路檢測；另外，各類鐵路場景的數(shù)據(jù)量很不均衡，普通軌道的數(shù)量遠(yuǎn)遠(yuǎn)大于道岔數(shù)量，且道岔圖像混雜在普通軌道圖像中，上述檢測方法需要預(yù)先人工將鐵路數(shù)據(jù)分類，因此降低了檢測效率。

為了避免二維圖像受光照影響，部分學(xué)者提出采用鐵路三維點(diǎn)云進(jìn)行檢測。董飛飛等[10]以高速鐵路18號(hào)道岔為例，通過標(biāo)準(zhǔn)公式計(jì)算出鋼軌圓弧半徑和相切線段的端點(diǎn)，生成高精度的變截面道岔表面模型；CUI等[11]提出根據(jù)扣件系統(tǒng)的原始設(shè)計(jì)，從商業(yè)結(jié)構(gòu)光傳感器獲取的高速鐵路緊固件3D點(diǎn)云數(shù)據(jù)中提取用于扣件幾何參數(shù)測量的關(guān)鍵區(qū)域的點(diǎn)云數(shù)據(jù)，然后根據(jù)布局計(jì)算緊固件的幾何參數(shù)。目前在鐵路方面利用三維點(diǎn)云的研究大多是重建軌道模型，研究點(diǎn)云軌道模型與實(shí)際軌道的誤差，缺少對(duì)道岔間距檢測方面的研究；另外，大部分的鐵路三維數(shù)據(jù)均由固定在鐵路巡檢車上的線掃描相機(jī)采集，數(shù)據(jù)包括鋼軌、扣件、枕木等整個(gè)鐵路信息，無法單獨(dú)對(duì)道岔結(jié)構(gòu)進(jìn)行檢測。因此，道岔檢測研究的難點(diǎn)之一就是如何自動(dòng)識(shí)別道岔結(jié)構(gòu)。

深度學(xué)習(xí)是近年來發(fā)展的一個(gè)研究方向，其在語音識(shí)別、圖像處理等方面取得了突破性進(jìn)展[12]。深度學(xué)習(xí)能夠從輸入數(shù)據(jù)中提取泛化能力強(qiáng)的特征，識(shí)別數(shù)據(jù)并分類，模型表達(dá)能力強(qiáng)、處理速度快。OLGA等[13]采用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)鐵路特征的自動(dòng)提??；劉文祺[14]以鐵路場景圖像為數(shù)據(jù)樣本，采用基于深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法實(shí)現(xiàn)了對(duì)鐵路場景圖像的識(shí)別預(yù)測。上述研究證明了深度學(xué)習(xí)在鐵路檢測方面具有可行性和推廣前景，然而道岔樣本數(shù)量與普通軌道樣本數(shù)量不均衡的問題仍未解決。

基于以上分析，本文提出一種新的鐵路道岔檢測方法，利用線陣工業(yè)相機(jī)采集鐵路點(diǎn)云信息，采用本文設(shè)計(jì)的道岔場景識(shí)別網(wǎng)絡(luò)，采用樹結(jié)構(gòu)Parzen估計(jì)(Tree-structured Parzen Estimator, TPE)算法搜索最優(yōu)超參數(shù)和FocalLoss作為損失函數(shù)，快速識(shí)別道岔場景；開發(fā)了一種道岔鋼軌邊緣特征提取方法計(jì)算道岔間距，完成鐵路道岔場景識(shí)別和道岔間距檢測，解決了道岔場景識(shí)別困難、鐵路樣本數(shù)

量不均衡、間距計(jì)算效率低和精度不足的問題，使道岔識(shí)別準(zhǔn)確度達(dá)到97.5%，道岔間距測量誤差小于0.2 mm，鐵路場景的分類時(shí)間在0.02 s以內(nèi)，滿足道岔檢測高效精確的需求。

2 鐵路道岔場景識(shí)別

為了解決鐵路數(shù)據(jù)分類效率低的問題，本文采用殘差連接的道岔場景識(shí)別網(wǎng)絡(luò)，從鐵路數(shù)據(jù)中學(xué)習(xí)道岔場景特征，結(jié)合FocalLoss解決鐵路正負(fù)樣本不均衡的問題，同時(shí)定制搜索空間，運(yùn)用TPE算法搜尋最優(yōu)超參數(shù)，完成鐵路道岔場景的快速識(shí)別。

2.1 道岔場景識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)

道岔場景識(shí)別網(wǎng)絡(luò)基于卷積神經(jīng)網(wǎng)絡(luò)建立，包括18個(gè)網(wǎng)絡(luò)層、17個(gè)卷積層和1個(gè)全連接層，最后一層全連接層輸出一個(gè)二維向量，表示分類評(píng)分結(jié)果，結(jié)構(gòu)如圖2所示，其中弧線表示殘差連接。

卷積神經(jīng)網(wǎng)絡(luò)通過卷積層提取輸入信息的特征，更深層的網(wǎng)絡(luò)能提取到更復(fù)雜的特征，網(wǎng)絡(luò)的深度對(duì)模型的性能至關(guān)重要。然而在實(shí)驗(yàn)中，隨著網(wǎng)絡(luò)的加深，網(wǎng)絡(luò)性能出現(xiàn)退化，網(wǎng)絡(luò)準(zhǔn)確度出現(xiàn)飽和，甚至下降。HE等[15]提出的ResNet利用殘差連接解決了網(wǎng)絡(luò)加深出現(xiàn)的退化問題，原理如圖3所示。

H(x)=F(x)+x。

(1)

殘差連接將網(wǎng)絡(luò)學(xué)習(xí)輸出H(x)轉(zhuǎn)換為學(xué)習(xí)殘差F(x)=H(x)-x，殘差F(x)相比輸出H(x)更容易學(xué)習(xí)。當(dāng)F(x)=0時(shí)，當(dāng)前網(wǎng)絡(luò)層僅做恒等映射，將前層提取的特征輸送給后層網(wǎng)絡(luò)，網(wǎng)絡(luò)性能至少不會(huì)下降，解決了隨網(wǎng)絡(luò)加深網(wǎng)絡(luò)性能退化的問題。而實(shí)際上，殘差F(x)不會(huì)為0，當(dāng)前網(wǎng)絡(luò)層會(huì)在輸出特征的基礎(chǔ)上學(xué)習(xí)到新的特征，網(wǎng)絡(luò)性能得到增強(qiáng)。本文提出的道岔場景識(shí)別網(wǎng)絡(luò)層數(shù)較多，采用殘差連接可以將前層網(wǎng)絡(luò)提取的有效特征通過捷徑連接到深層，充分保留有效特征，避免網(wǎng)絡(luò)退化問題，同時(shí)在網(wǎng)絡(luò)層數(shù)加深的情況下提高網(wǎng)絡(luò)性能。

在用道岔場景識(shí)別網(wǎng)絡(luò)進(jìn)行道岔識(shí)別時(shí)，將鐵路數(shù)據(jù)大小調(diào)整為128×128×3作為輸入數(shù)據(jù)，用ReLU激活函數(shù)，利用卷積和池化不斷提取鐵路場景特征。最后經(jīng)過輸出層，即兩個(gè)濾波器的全連接層，輸出2×1的預(yù)測結(jié)果，每一行的值表示該分類的評(píng)估分?jǐn)?shù)，分?jǐn)?shù)高的一類即為輸入數(shù)據(jù)的分類結(jié)果。將鐵路數(shù)據(jù)輸入道岔場景識(shí)別網(wǎng)絡(luò)，輸出每個(gè)數(shù)據(jù)的標(biāo)簽，即是否為道岔。

2.2 Focal Loss損失函數(shù)

鐵路道岔場景識(shí)別問題屬于二分類問題，在神經(jīng)網(wǎng)絡(luò)分類問題中，一般采用交叉熵作為損失函數(shù)。交叉熵能量化模型預(yù)測樣本分布與真實(shí)樣本分布之間的差距，指導(dǎo)神經(jīng)網(wǎng)絡(luò)的優(yōu)化方向，表示網(wǎng)絡(luò)區(qū)分樣本的能力。本文采集的鐵路數(shù)據(jù)中，普通軌道占絕大部分，道岔場景僅占一小部分，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中的損失主要源自普通軌道數(shù)據(jù)，道岔場景數(shù)據(jù)帶來的損失遠(yuǎn)小于普通軌道，可忽略不計(jì)，因此網(wǎng)絡(luò)著重學(xué)習(xí)普通軌道特征，忽略對(duì)道岔場景的學(xué)習(xí)。為了解決鐵路正負(fù)樣本數(shù)量不均衡的問題，增加網(wǎng)絡(luò)對(duì)道岔場景小樣本的學(xué)習(xí)能力，本文創(chuàng)新性地使用Focal Loss(以下簡稱FL)作為損失函數(shù)。

FL在交叉熵的基礎(chǔ)上[16]增加了權(quán)重因子，用于控制正負(fù)樣本對(duì)總損失的貢獻(xiàn)和對(duì)難易樣本的學(xué)習(xí)權(quán)重。二分類的交叉熵?fù)p失函數(shù)

(2)

(3)

2.3 超參數(shù)搜索

超參數(shù)是深度學(xué)習(xí)的外部配置，影響訓(xùn)練得到的模型參數(shù)，超參數(shù)的值需要手動(dòng)設(shè)置，以便優(yōu)化訓(xùn)練模型的性能。相同種類的模型需要不同的超參數(shù)來適應(yīng)不同的數(shù)據(jù)，本文將神經(jīng)網(wǎng)絡(luò)應(yīng)用在鐵路道岔場景識(shí)別上，需要設(shè)置相應(yīng)的超參數(shù)匹配鐵路數(shù)據(jù)，使模型的效果達(dá)到最優(yōu)，其中超參數(shù)包括batchsize，learningrate，imagesize。由于超參數(shù)的設(shè)置需要人工手動(dòng)設(shè)置，在沒有先驗(yàn)知識(shí)的情況下只能隨機(jī)試錯(cuò)，效率低下。

本文采用TPE算法搜索最優(yōu)超參數(shù)。BERGSTRA等[17]提出的TPE是一種基于序列模型優(yōu)化的方法，其可根據(jù)歷史指標(biāo)數(shù)據(jù)按順序構(gòu)造模型，估算超參數(shù)的性能，然后基于該模型選擇新的超參數(shù)。

TPE算法通過對(duì)P(θ/γ)和P(γ)建模來搜索超參數(shù)，其中θ表示超參數(shù)，γ在本文表示評(píng)估模型性能的分類準(zhǔn)確率。P(θ|γ)用非參數(shù)密度代替配置的先驗(yàn)分布，通過變換超參數(shù)的生成過程來建模，在P(θ|γ)最大的條件下選取新的超參數(shù)進(jìn)行實(shí)驗(yàn)驗(yàn)證，用實(shí)驗(yàn)結(jié)果更新模型，然后繼續(xù)選取超參數(shù)，重復(fù)上述步驟，直至滿足停止條件。

在進(jìn)行超參數(shù)搜索之前，需要給優(yōu)化算法指定搜索范圍，即定制搜索空間。超參數(shù)優(yōu)化算法會(huì)根據(jù)搜索空間取樣生成超參數(shù)x，再按超參數(shù)配置神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練驗(yàn)證，得到評(píng)估結(jié)果y。大的搜索空間一般可以得到更優(yōu)的超參數(shù)，但搜索時(shí)間較長；小的搜索空間搜索時(shí)間短，但容易得到局部最優(yōu)解。搜索空間的范圍由先驗(yàn)知識(shí)決定。本文建立的道岔場景識(shí)別網(wǎng)絡(luò)以鐵路數(shù)據(jù)為輸入對(duì)道岔場景進(jìn)行分類，取learningrate=0.01，0.001，0.000 1，0.000 01；由于鐵路數(shù)據(jù)較少，取batchsize=4，8，16；設(shè)imagesize=[64,1 024]。

鐵路道岔場景識(shí)別通過道岔場景識(shí)別網(wǎng)絡(luò)實(shí)現(xiàn)，其采用FL損失函數(shù)緩解鐵路樣本不均衡問題，采用TPE算法搜索超參數(shù)，確保神經(jīng)網(wǎng)絡(luò)能夠匹配輸入數(shù)據(jù)而達(dá)到性能最優(yōu)。

3 道岔間距檢測

根據(jù)道岔場景識(shí)別網(wǎng)絡(luò)的分類結(jié)果，本文針對(duì)道岔數(shù)據(jù)進(jìn)行區(qū)域分割、平滑處理、邊緣檢測、直線提取和擬合，得到道岔尖軌和基本軌的邊緣直線解析式，再利用測量比計(jì)算出道岔實(shí)際間距。

3.1 基于Canny算子的邊緣檢測

根據(jù)第2章道岔場景識(shí)別網(wǎng)絡(luò)的分類結(jié)果，可以從大量鐵路數(shù)據(jù)中快速找出道岔數(shù)據(jù)。準(zhǔn)確定位鋼軌位置是自動(dòng)檢測道岔鋼軌間距的關(guān)鍵，從鐵路軌道數(shù)據(jù)的采集特點(diǎn)(如圖4a)可知，相機(jī)與鋼軌的相對(duì)距離在采集過程中基本保持不變，鋼軌軌面的深度是一個(gè)固定值，本文設(shè)定相應(yīng)的深度閾值，對(duì)道岔的深度數(shù)據(jù)進(jìn)行區(qū)域分割，獲得鋼軌軌面點(diǎn)云，如圖4b所示。

鋼軌軌面大部分點(diǎn)云數(shù)據(jù)的分布是連續(xù)且均勻的，然而由于線陣工業(yè)相機(jī)的安裝位置和采集時(shí)的擾動(dòng)等因素影響，鋼軌點(diǎn)云數(shù)據(jù)邊緣出現(xiàn)缺陷和噪點(diǎn)，在二值化圖像中尤其明顯，如圖5a所示。圖5為對(duì)鋼軌軌面點(diǎn)云降維并二值化的結(jié)果，其中黑色部分為背景，白色部分為鋼軌軌面。鋼軌邊緣點(diǎn)云數(shù)據(jù)的噪點(diǎn)會(huì)嚴(yán)重影響邊緣檢測的準(zhǔn)確率，必須采用濾波算法進(jìn)行平滑處理，本文采用中值濾波[18]。中值濾波是一種非線性濾波算法，其能通過將目標(biāo)像素點(diǎn)的像素值變?yōu)樵擖c(diǎn)某個(gè)大小鄰域內(nèi)所有像素值中值的方法減弱噪聲。相比其他濾波算法，中值濾波在濾除噪聲的同時(shí)，能夠很好地保護(hù)圖像邊緣信息不丟失，符合本文利用邊緣信息提取直線的目的。圖6所示為處理后的圖像，可見中值濾波算法的效果極好，處理后的圖像滿足檢測條件。

邊緣檢測[19]通過設(shè)置一定條件，檢測圖像中的所有邊緣像素點(diǎn)，并合并為一個(gè)集合，用于區(qū)分圖像中的不同物體。Canny算子[20]是邊緣檢測中最常用的一種檢測算子，其采用非最大值抑制算法和雙閾值算法，提高了檢測邊緣的準(zhǔn)確性，降低了邊緣的漏檢率。采用Canny算子檢測經(jīng)過平滑處理的鐵路軌面邊緣數(shù)據(jù)點(diǎn)，圖6所示為檢測結(jié)果，其中白色部分為邊緣點(diǎn)，可見經(jīng)Canny算子處理后，邊緣點(diǎn)的分布呈直線，與實(shí)際鐵路鋼軌狀況相同，證明該方法準(zhǔn)確有效。

3.2 基于霍夫變換的邊緣直線提取

霍夫變換通過將直角坐標(biāo)系空間中的曲線轉(zhuǎn)換為參數(shù)空間中的一個(gè)點(diǎn)，將檢測目標(biāo)形狀的問題轉(zhuǎn)化為統(tǒng)計(jì)參數(shù)空間中聚集點(diǎn)的峰值問題[21-22]。本文對(duì)圖6鋼軌軌面邊緣點(diǎn)用霍夫變換提取鋼軌軌面的邊緣直線。

圖7所示為鋼軌軌面邊緣直線的提取結(jié)果，其中加粗線段為霍夫變換從鋼軌軌面邊緣點(diǎn)中檢測得到的多個(gè)邊緣直線段，這些直線段表示經(jīng)過邊緣點(diǎn)最多的直線。從圖7中的白黑分界面，即鋼軌軌面邊緣，可以看出直線段很好地貼合了鋼軌軌面的邊緣，證明了運(yùn)用Canny算子和霍夫變換提取鋼軌軌面邊緣直線方法的正確性。

然而鋼軌軌面邊緣是直線，經(jīng)過Canny算子和霍夫變換得到的邊緣為短直線段，其完整性與本文需要的鋼軌軌面邊緣直線還有一定差距。因此，采用最小二乘法擬合直線段得到完整的鋼軌軌面邊緣直線。

將霍夫變換檢測得到的直線段數(shù)據(jù)作為輸入，采用最小二乘法計(jì)算直線解析式，得到4條擬合邊緣直線，而檢測道岔的間距只需要道岔中間的兩條邊緣直線。由于4條直線在參數(shù)空間與原點(diǎn)的距離不同，本文將這4條直線按距離從小到大排序，得出道岔中間的邊緣直線在4條直線中與原點(diǎn)的距離排在第2和第3。因此，對(duì)于直線擬合結(jié)果，只需保留中間兩條直線，如圖8中的加粗直線所示，對(duì)比白色部分軌面和灰色擬合邊緣直線，可以明顯看出擬合邊緣直線貼合鋼軌軌面邊緣，與鋼軌軌面邊緣基本重合，而且與圖7相比，擬合直線的完整度和準(zhǔn)確度更高。鋼軌軌面邊緣擬合直線的表達(dá)式為yn=knxn+bn，其中：n=1,2，分別表示基本軌與尖軌；kn,bn為直線解析式的系數(shù)；xn,yn為直線上點(diǎn)的坐標(biāo)。

3.3 道岔間距計(jì)算

觀察道岔場景圖像可知，道岔間距隨檢測位置的變化變動(dòng)很大。為了增加間距檢測的靈活性，滿足不同檢測的需求，本文提出一種交互式間距計(jì)算方法，可以根據(jù)所選擇位置的不同而測量不同位置的道岔間距，具體算法流程如下：

如圖9所示，手動(dòng)選擇間距計(jì)算位置P(xi,yi)，設(shè)基本軌為直線L1，尖軌為直線L2，根據(jù)3.2節(jié)可知，基本軌表達(dá)式為L1:y1=k1x1+b1，尖軌表達(dá)式為L2:y2=k2x2+b2。將縱坐標(biāo)yi代入基本軌L1，得到對(duì)應(yīng)點(diǎn)O1(xi1,yi)。以O(shè)1點(diǎn)做L1的垂線L(其解析式如式(4))，交于尖軌L2上一點(diǎn)O2(xi2,yi2)，O1O2的距離d即為當(dāng)前選擇位置的道岔間距信息。

(4)

(5)

式中：k1,b1為基本軌的直線解析式系數(shù)；k2,b2為尖軌的直線解析式系數(shù)；yL,xL為垂線L上的點(diǎn)坐標(biāo)；d為計(jì)算的道岔間距。

直接通過圖像信息計(jì)算道岔間距，結(jié)果的單位是像素?cái)?shù)，而實(shí)際道岔安全檢測需要的數(shù)據(jù)長度單位是mm，需將計(jì)算結(jié)果轉(zhuǎn)換為實(shí)際長度。

本文通過測量比將像素?cái)?shù)轉(zhuǎn)換為實(shí)際長度。測量比指在機(jī)器視覺中標(biāo)定物體的實(shí)際尺寸與其在圖像中像素尺寸的比值，標(biāo)定物體與被測物體到攝像機(jī)的距離要求相同。

同一條鐵路的軌面寬度是一個(gè)確定值，同時(shí)軌面所在平面與道岔邊緣直線構(gòu)成的平面是同一個(gè)平面，軌面與道岔邊緣到攝像機(jī)的距離相同，符合測量比中標(biāo)定物體的要求。因此本文將鋼軌軌面作為該實(shí)驗(yàn)的標(biāo)定物體，計(jì)算測量比，利用該測量比計(jì)算道岔間距的實(shí)際距離。另外，相機(jī)安裝位置等外界因素對(duì)鐵路圖像中軌面和道岔邊緣的影響程度相同，因此用其他采集設(shè)備或從其他角度獲取鐵路數(shù)據(jù)，計(jì)算的道岔間距結(jié)果均相同，該方法對(duì)輸入數(shù)據(jù)的魯棒性較強(qiáng)。本文以50 kg/m鋼軌為研究對(duì)象，其軌面的實(shí)際寬度為70 mm，以此計(jì)算測量比。

道岔間距檢測通過區(qū)域分割和平滑處理提取軌面信息并減小干擾信息的影響，通過Canny算子、霍夫變換和最小二乘直線擬合提取軌面邊緣直線，最后用測量比將像素?cái)?shù)轉(zhuǎn)換為毫米來計(jì)算道岔間距。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 采集設(shè)備

鐵路數(shù)據(jù)采集系統(tǒng)以檢測車為搭載平臺(tái)，對(duì)鐵路進(jìn)行拍攝，如圖10所示。其主要設(shè)備包括工業(yè)相機(jī)、輔助光源等各類硬件設(shè)備。工業(yè)相機(jī)作為前端的成像器件是整個(gè)系統(tǒng)的核心，輔助光源通過補(bǔ)強(qiáng)環(huán)境光照保證圖像的清晰度。電氣系統(tǒng)、傳輸總線、相關(guān)控制部分用于驅(qū)動(dòng)工業(yè)相機(jī)進(jìn)行拍攝，并將圖像數(shù)據(jù)轉(zhuǎn)存到工業(yè)計(jì)算機(jī)。檢測車以固定速度在測試鐵路段行駛，對(duì)現(xiàn)場進(jìn)行動(dòng)態(tài)采集。

本文使用的工業(yè)相機(jī)是由SICK公司生產(chǎn)的Ranger3 3D相機(jī)，該相機(jī)能捕獲整個(gè)鐵路場景的深度信息和強(qiáng)度信息，包括鋼軌、扣件和枕木3部分，如圖11所示。深度信息包含更多的軌道位置信息，用于鋼軌軌面分割和邊緣提?。粡?qiáng)度信息包含更多的語義信息，用于神經(jīng)網(wǎng)絡(luò)分類識(shí)別道岔場景。本文用鐵路的強(qiáng)度信息識(shí)別鐵路道岔場景，用深度信息計(jì)算道岔間距。

4.2 檢測流程

本文提出的鐵路道岔場景識(shí)別與間距檢測方法流程如圖12所示。

(1)采集鐵路圖像 用圖像采集系統(tǒng)采集鐵路場景圖像，包括深度信息和強(qiáng)度信息。

(2)增強(qiáng)圖像特征 圖13a所示為所采集的鐵路軌道強(qiáng)度信息，可以看出鋼軌軌面灰度較高，鐵軌各結(jié)構(gòu)特征信息明顯，但是整體對(duì)比度接近，局部特征信息之間的區(qū)分度不明顯，不同結(jié)構(gòu)之間的分界面不易區(qū)分。因此，利用直方圖均衡化增強(qiáng)圖像中各類特征之間的對(duì)比度，結(jié)果如圖13b和圖13c所示。

(3)神經(jīng)網(wǎng)絡(luò)分類 將經(jīng)過處理的鐵路場景圖像輸送給道岔場景識(shí)別網(wǎng)絡(luò)，得到分類結(jié)果。圖14所示為對(duì)示例圖像的分類結(jié)果。對(duì)于普通鐵路場景圖像，直接輸出分類結(jié)果，結(jié)束檢測；對(duì)于道岔場景圖像，輸出分類結(jié)果后進(jìn)行進(jìn)一步檢測。

(4)分割軌面 提取道岔場景圖像的深度數(shù)據(jù)，進(jìn)行軌面分割，獲得鋼軌軌面點(diǎn)云。

(5)提取直線 用Canny算子、霍夫變換和最小二乘法對(duì)鋼軌軌面點(diǎn)云進(jìn)行擬合，計(jì)算得到鋼軌邊緣直線。

(6)計(jì)算間距 用測量比計(jì)算道岔基本軌與尖軌任意位置處的間距，輸出間距計(jì)算結(jié)果，如圖15所示。

為了從大量鐵路樣本中快速識(shí)別道岔場景，本文提出道岔場景識(shí)別網(wǎng)絡(luò)用于識(shí)別鐵路樣本并分類。在本文采集的鐵路樣本中，基本軌150張，道岔50張，總計(jì)200張。由于本文鐵路樣本較少，本文采用數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)充樣本，對(duì)原始數(shù)據(jù)進(jìn)行翻轉(zhuǎn)、放縮、旋轉(zhuǎn)、中心裁剪、正則化、添加噪聲等操作，將樣本數(shù)量增加到1 600張，提升了神經(jīng)網(wǎng)絡(luò)的泛化性和魯棒性，然后按照60%，20%，20%的比例將數(shù)據(jù)集劃分為訓(xùn)練樣本、驗(yàn)證樣本和測試樣本輸入網(wǎng)絡(luò)，訓(xùn)練流程如圖16所示。

4.3 實(shí)驗(yàn)結(jié)果及分析

本文設(shè)計(jì)的鐵路道岔場景識(shí)別與間距檢測系統(tǒng)均在個(gè)人計(jì)算機(jī)上完成，操作系統(tǒng)為Windows，采用MATLAB和Python為編程語言，MATLAB和Pycharm為開發(fā)工具，同時(shí)采用MATLAB圖像處理工具箱、Pytorch機(jī)器學(xué)習(xí)庫和Visdom可視化工具作為輔助工具，輔助系統(tǒng)開發(fā)。整個(gè)實(shí)驗(yàn)的開發(fā)環(huán)境如表1所示。

表1 系統(tǒng)環(huán)境及硬件設(shè)備配置

以設(shè)定的搜索空間為基礎(chǔ)，本文采用TPE算法搜索最優(yōu)超參數(shù)，以測試集準(zhǔn)確率作為輸出結(jié)果，向最大值方向搜索，耗時(shí)72 h，共得到130組搜索結(jié)果，其中有8組參數(shù)的準(zhǔn)確率均達(dá)到97.5%，結(jié)果如表2所示。本文最終選擇訓(xùn)練時(shí)間最短的第8組超參數(shù)為learningrate=0.01，batchsize=8，imagesize=128，將其作為網(wǎng)絡(luò)初始參數(shù)配置進(jìn)行訓(xùn)練。

表2 各組超參數(shù)及其實(shí)驗(yàn)結(jié)果

圖17所示分別為模型訓(xùn)練過程中的損失和準(zhǔn)確率?？梢钥闯?，隨著訓(xùn)練次數(shù)的增加，損失不斷減小，準(zhǔn)確率不斷上升。在訓(xùn)練后期，訓(xùn)練次數(shù)達(dá)到64次左右以后，損失與準(zhǔn)確率變化不大，說明模型已經(jīng)訓(xùn)練完成，準(zhǔn)確率為0.975，損失為9.8×10-6。

對(duì)道岔識(shí)別網(wǎng)絡(luò)使用精確率、召回率、F1值、準(zhǔn)確率、受試者工作特征(Receiver Operating Characteristic, ROC)曲線和曲線下面積(Area Under Curve, AUC)值進(jìn)行性能評(píng)估，ROC曲線越接近左上角，AUC值越接近1，網(wǎng)絡(luò)性能越好。所得結(jié)果如表3所示。

表3 道岔識(shí)別網(wǎng)絡(luò)性能評(píng)估結(jié)果

如表3所示，道岔識(shí)別網(wǎng)絡(luò)的精確率、召回率、F1分?jǐn)?shù)和準(zhǔn)確率均在96%以上，其中準(zhǔn)確率達(dá)到97.5%。圖18所示為ROC曲線和AUC值，可見ROC曲線主要集中在區(qū)域的左上角，AUC為0.98，表明該模型的分類性能很好，預(yù)測結(jié)果準(zhǔn)確。

經(jīng)過實(shí)驗(yàn)驗(yàn)證，道岔場景識(shí)別網(wǎng)絡(luò)對(duì)一批次8張鐵路樣本的識(shí)別分類時(shí)間不超過0.02 s，對(duì)每個(gè)道岔樣本間距的檢測計(jì)算時(shí)間不超過0.55 s。

本文在道岔轉(zhuǎn)轍部分區(qū)域采集鐵路場景圖片(如圖19)，驗(yàn)證本文方法的測量精度。在該區(qū)域任選20個(gè)測量點(diǎn)(如圖20)，采用本文方法在每個(gè)測量點(diǎn)重復(fù)測量至少5次，其中虛線表示測量的道岔間距。同時(shí)，采用法如的QuantumSV2測量臂(系統(tǒng)精度為0.085 mm)對(duì)每個(gè)測量點(diǎn)進(jìn)行間距測量，作為真值(如圖21)，從而計(jì)算得到20組測量點(diǎn)間距的均值、方差和絕對(duì)誤差(|真值-均值|)，如表4所示，絕對(duì)誤差直方圖如圖22所示。實(shí)驗(yàn)驗(yàn)證，本文方法在圖像中的不同位置均能準(zhǔn)確計(jì)算道岔間距，測量誤差為0.2 mm。在實(shí)際道岔檢測中，通常采用人工方法，允許的誤差范圍為1 mm～2 mm，因此本文檢測方法符合鐵路安全標(biāo)準(zhǔn)中道岔檢測規(guī)定的范圍[23]，能滿足道岔檢測的需求。

表4 道岔間距檢測方法測量結(jié)果

續(xù)表4

續(xù)表4

5 結(jié)束語

本文基于鐵路道岔識(shí)別和間距檢測的需求，提出一種道岔場景識(shí)別與間距檢測方法，該方法結(jié)合深度學(xué)習(xí)與機(jī)器視覺，實(shí)現(xiàn)了鐵路道岔場景的快速識(shí)別分類和道岔間距計(jì)算，最后通過實(shí)驗(yàn)驗(yàn)證了方法的可行性和準(zhǔn)確性。本文的主要研究內(nèi)容和創(chuàng)新點(diǎn)如下：

(1)設(shè)計(jì)了道岔場景識(shí)別網(wǎng)絡(luò)，其結(jié)合FL，在一定程度上緩解了樣本數(shù)量不均衡的問題，然后采用TPE算法搜索最優(yōu)超參數(shù)，實(shí)現(xiàn)了普通鐵路場景和道岔場景的分類識(shí)別，準(zhǔn)確率達(dá)到97.5%，分類時(shí)間在0.02 s內(nèi)，為道岔自動(dòng)化檢測提供了解決方法。

(2)利用區(qū)域分割、Canny算子、霍夫變換和最小二乘法提取道岔邊緣直線，計(jì)算道岔間距，與現(xiàn)場測量相比誤差小于0.2 mm，滿足道岔檢測的要求，能夠保證道岔結(jié)構(gòu)安全可靠。

(3)將鐵路數(shù)據(jù)處理、識(shí)別分類和特征檢測3個(gè)處理模塊一體化，輸入鐵路數(shù)據(jù)即可輸出檢測結(jié)果，操作簡單，提高了道岔檢測效率。

本文方法連通道岔識(shí)別與道岔間距檢測兩個(gè)模塊，雖然實(shí)現(xiàn)了鐵路道岔自動(dòng)化檢測，但是仍然存在提升空間，目前由于訓(xùn)練樣本較少，網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率遇到瓶頸。后續(xù)工作將擴(kuò)充樣本，提高網(wǎng)絡(luò)分類準(zhǔn)確率，同時(shí)完善軟硬件，形成成熟的道岔自動(dòng)檢測設(shè)備，填補(bǔ)我國在道岔自動(dòng)化檢測方面的空白。