基于深度学习的地铁基础设施病害检测

第1章　绪　　论 近年来，轨道交通作为一种现代化的交通运输方式，在我国各大城市得到了大力发展，在国民经济的发展中起到了关键作用。截至2020年底，中国内地开通城市轨道交通的城市共45座，运营里程达7978.19km，其中地铁6303km，2020年共新增城市轨道交通运营线路1241.99km。2020年为“十三五”收官之年，“十三五”的五年间，中国内地城市轨道交通新增运营里程4360km，年均新增运营里程872km[1]。国内轨道交通在建以及投资规模不断扩大，在未来几年内还将呈持续快速增长的态势。为保障轨道交通的安全运输与运营效率，有必要对钢轨、扣件等轨道线路基础设施开展定期巡检，及时发现并处理轨道线路上存在的缺陷，同时为轨道的维护保养提供有效的数据支持。然而，国内轨道线路基础设施缺陷检测技术的发展相对滞后，目前仍然以人工巡检的方式为主，该方式虽简单易行但效率低下，检测结果受主观的影响较大，还可能危害到巡检工人的人身安全，并且难以满足日益增长的运营需求。因此，轨道线路基础设施缺陷的自动化检测技术或设备是保证高效率轨道交通运营安全的关键。现有的应用相对成熟的自动化检测算法主要有超声波检测、电涡流法、漏磁检测和机器视觉等，其中，除机器视觉外，其他几种检测算法均侧重于钢轨表面缺陷的自动检测，未能实现对其他轨道线路基础设施安全状态的检测，且速度受到一定的限制，检测效率低。充分利用图像处理等机器视觉技术，能够在保障运输安全的前提下更好地满足轨道交通线路自动化检测的需求。 1.1　地铁基础设施检测及意义 随着中国城市化进程不断深入，现代城市轨道交通运营日趋网络化和集成化，对网络化的运营指挥和维护保障整体协同性提出了更高的要求，也对城市轨道交通网络的可靠性保证提出了更大的挑战。城市轨道交通线路的基础设施，如轨道线路、接触网等在列车运行中形成了全息化的移动立体空间，其中，轨道设施设备是承载列车运行的基础，在确保整个立体空间有效、安全、持续运作的综合体系中扮演着重要的角色。因此，如何利用智能化、自动化等技术手段对轨道交通基础设施安全状态进行全方位的检测是目前迫切需要解决的问题。 钢轨和扣件的健康状态是保证轨道交通安全稳定运行的关键因素。扣件的丢失会导致钢轨出现松动，长期发展下去钢轨往往会出现变形，渐渐地出现错位、崩塌等问题，严重时会直接导致机车脱轨发生事故。此外，受电弓和接触网组成的弓网系统是轨道线路列车供电系统中非常重要的部分。受电弓是安装在车顶上，通过与架空线缆进行接触来实现电力收集的装置，担负着将电能由牵引网输送给电力机车的关键作用，其中受电弓上的碳滑板与接触线滑动接触，实现电流的输送。碳滑板滑动受电的过程中包含复杂的力学与电气作用，使得该系统一直存在较高的故障率，对电气化铁路的安全运营造成了较大的影响。接触网是指在电气化铁路线路中沿线架设的输电线路，主要作用是与受电弓相互滑动接触向电力机车直接输送电能，驱动列车运行，是电气化铁路的动脉。保证接触网与受电弓之间的动态紧密接触也是列车能够正常运行的关键因素，但是由于接触网设置在开放的环境下，没有备用线路，并且在电力机车的运行过程中接触网线路上的负荷会随之变化，所以接触网很容易产生磨损和老化，引发安全问题。在列车运行过程中，运行不规律、弓网间关系异常、电气腐蚀等也会导致接触线产生磨损，比较严重时会产生接触网变形甚至断线的情况。当接触网发生故障时，无法更换备用线路，整条铁路线路的运营都将会受到影响，造成巨大的经济损失。所以，一旦弓网系统发生故障，将极大地损害列车的正常运行。 因此，在目前城市轨道交通复杂恶劣的检测环境下，制定综合全面的检测方案，构建高精度、一体化的检测技术体系，并设计针对性强、稳定性好、准确度高的综合安全监测系统具有重大意义。 1.2　深度学习发展现状 深度学习[2]的出现引发了计算机视觉和人工智能领域的深刻变革，近年来，深度学习在不同的新兴行业均取得了不同程度的进展。例如，在语音识别、计算机视觉、自动驾驶等领域，深度学习相比传统算法能取得飞跃式效果提升，而深度学习在计算机视觉领域的辉煌离不开卷积神经网络(convolutional neural network，CNN)[3]，从某种意义上说，CNN成就了深度学习，神经网络的繁荣体现了深度学习的发展。神经网络起源于1943年，McCulloch和Pitts[4]以数学为基础，通过构建相应的算法来模拟人体思维活动，自此世界上首个神经网络的数学模型诞生。1950?年，Turing[5]精心设计了一场机器模仿人类的游戏，据此判断机器是否会“思考”，也就是著名的图灵测试。1958年，Rosenblatt[6]首次提到了感知机的概念，这是首个用算法来定义神经网络的数学模型。1965年，Ivakhnenko和Lapa[7]创建了首个有效的深度学习网络，这是一种针对多层感知的通用的学习算法，首次将理论和想法应用到实践上。1986年，Rumelhart等[8]提出误差反向传播(back propagation，BP)算法，该算法已被广泛应用，并成为神经网络的核心算法。1989年，Lecun等[9]利用机器识别手写数字，将CNN和BP算法结合起来，正式拉开了CNN的序幕。1998年，Lecun和Bottou[10]设计了LeNet-5模型，该模型充分利用了卷积操作中局部连接和权重共享的特性，在手写数字识别上达到了非常好的效果，这也是神经网络的初始阶段。然而后来支持向量机(support vector machine，SVM)[11]在分类上的效果显著，加上SVM具有较强的可解释性以及轻量的运行环境，使得众多学者纷纷投入对它的研究，SVM的应用也愈发广泛，而神经网络由于设备受限等进入沉寂期，直到2006年，Hinton和Salakhutdinov[12]使CNN再次进入公众视野。2009年，Deng等[13]建立了ImageNet图像数据集；2014年，DeepFace[14]被提出；2015年，计算机视觉组(visual geometry group，VGG)模型[15]诞生；同年，DeepID-Net[16]也被提出；2017年，Huang等[17]将人脸数据集(labled faces in the wild，LFW)数据库上的人脸识别精度提高至99%以上。真正轰动全球、令众人了解到深度学习的是2016年AlphaGo[18]在围棋比赛中以绝对优势战胜了***的职业棋手，此后众多学者争相研究深度学习，新的成果层出不穷，机器翻译、唇语识别、视频换脸等应用已经渗透到人们的日常生活中，深度学习的发展迎来了鼎盛时期。 网络架构是神经网络很重要的因素，通常来说，网络层数越多，其拟合能力越强，许多学者在神经网络架构上做出了重要贡献。除了上面提到的LeNet-5之外，2012年，Krizhevsky等[19]提出了AlexNet；2016年，He等[20]提出了残差网络(residual network，ResNet)，解决了神经网络深度难以加深的问题。2016?年，Szegedy等[21]提出Inception-v4网络，从多尺度的角度对神经网络进行了优化。越来越多的专家通过巧妙的网络设计来解决工业中遇到的具体问题，深度学习、神经网络正深远地影响着各行各业。 1.3　地铁基础设施检测国内外研究现状 1.3.1　钢轨检测国内外研究现状 目前，国内外对钢轨表面缺陷检测常用的方法有人工巡检法、电涡流法、超声波法、磁粉法和基于图像处理技术的检测算法等。20世纪70年代末，国际上开始对采用图像处理技术检测轨道缺陷进行研究，但是当时各方面的硬件以及图像处理技术的发展水平还达不到要求，使得其在实践中无法得到应用。目前，随着计算机硬件、计算机仿真技术和计算机图像处理技术的不断发展，基于图像处理技术的钢轨表面缺陷检测算法得到广泛应用。基于图像处理技术的检测算法通过工业相机对钢轨进行图像采集，并将图像信息转换为数字信号反馈给图像处理系统进行分析处理，*终实现对缺陷的检测与识别分类。该算法具有检测精度高、速度快、抗干扰能力强等优点，是目前钢轨表面缺陷检测研究的热点。 美国ENSCO公司对图像处理技术应用于轨道检查系统的研究已有40余年，该公司*新研制了视频检查系统(video inspection system，VIS)，该系统的检测功能主要包括轨道几何形状的检测、钢轨轮廓检测，以及钢轨连接板、钢轨表面损伤、扣件、轨枕的检测等。该系统的检测速度达到了128.8km/h。法国的MGV高速综合检测车上也装载了视频检测系统，于2003年开始对高速路网进行检测，检测速度为320km/h。德国Atlas Electronic公司开发了RAIL CHECK光电式轨道检测系统，该系统采用电荷耦合器件(charge coupled device，CCD)摄像机连续采集轨道图像并储存，利用图像处理技术对图像进行特性分析，可以对钢轨、扣件、轨枕和道床进行损伤检测与分类，系统分辨率为2mm×2mm，检测速度为120km/h。 我国对图像处理技术应用于钢轨缺陷检测的研究开展较晚，该技术还未得到广泛的应用。但是，有大量的学者一直致力于将图像处理技术应用于钢轨表面缺陷检测的研究中，并取得了一定的研究成果。刘泽等[22]设计了一种基于机器视觉的钢轨表面缺陷检测系统，利用该系统配合基于图像处理技术的在线探伤软件，当模拟检测速度为100km/h时，可以准确发现模拟的待测裂纹缺陷，同时能够得到缺陷的特征信息及其所在位置。贺振东等[23]根据钢轨表面图像具有沿列车运行方向像素值基本不变的特征，提出了一种基于背景差分法的钢轨表面缺陷检测算法，将视频监控中的背景差分法推广至缺陷图像的分割领域，实验结果表明，该算法在一定程度上解决了钢轨表面缺陷分割过程中受图像光照变化、反射不均、特征少等不利因素影响的问题，同时对块状缺陷能够很好地识别。任盛伟等[24]采用图像处理技术和模式识别技术，分析钢轨表面图像的特点，通过引入人类视觉对比度感知机理，提出了鲁棒实时的钢轨表面擦伤检测算法，实验结果表明，该算法具有较高的检测性能，平均准确率为90.7%，平均漏检率为3.95%，检测速度快，平均检测时间不超过40ms。陈后金等[25]根据钢轨表面缺陷的灰度和梯度特征，引入*大熵准则求取自动阈值的方法，建立灰度梯度共生矩阵模型来对钢轨缺陷的内边缘进行提取，实现对钢轨缺陷的自动检测，实验结果表明，该算法能够较好地提取正常钢轨表面的边缘特征，可有效地对钢轨缺陷进行检测，在一定程度上满足了实际需求，但该算法的复杂度还需优化，测试样本空间还需更加充足，处理效率有待提升。 1.3.2　扣件检测国内外研究现状 国外在铁路巡检设备上的研究始于20世纪70年代，针对铁路扣件的检测研究始于21世纪初期。Hsieh等[26]首先采用小波变换(wavelet transform，WT)进行扣件的检测，此检测方式需首先确定扣件的局部区域，完成形态学转换后提取扣件特征来进行检测，但该检测方式对光照条件反应敏感，且实际线路中工况复杂，稳定性不足。Stella等[27]通过基于计算机视觉技术的自动检测方法对钢轨轨枕螺栓是否存在进行了准确识别。Singh等[28]利用彩色扣件图像的边缘信息及像素统计信息实现了对Pandrol型扣件的分类检测。Li等[29]实现了对道钉式扣件的检测。以上三种扣件在国外应用较多，国内很少使用。我国的高速铁路建设中主要采用无砟轨道结构，而这种无砟轨道的建设过程中多采用Vossloh300型扣件、WJ-7型扣件和WJ-8型扣件作为紧固连接件，这几种扣件也是目前应用范围*广的扣件。Gibert等[30]通过方向梯度直方图(histogram of oriented gradient，HOG)特征及SVM分类实现对扣件的检测，其检测准确率可以达到98%，但需要提前对扣件进行准确的定位，否则将造成检测准确