自動化軌道病害檢測對于維護鐵路運輸安具有重要的現實意義。考慮到視覺檢測在速度、成本和可視化等方面的優(yōu)勢，本文聚焦于軌道病害視覺檢測技術，文包含以下內容：

1.對廣泛應用的無砟軌道為例介紹了軌道的基本結構，對常見的軌道表觀病害進行了介紹；

2.依照前景模型、背景模型、盲源分離模型及深度學習模型的分類邏輯對軌道病害視覺檢測領域的研究現狀進行了文獻綜述；

3.針對智能化鐵路的發(fā)展需求，展望了未來軌道病害視覺檢測技術的研究趨勢.

0引言

近年來，我國高速鐵路技術發(fā)展迅猛，目前已是世界上高速鐵路運營里程長和商業(yè)運營速度快的國家。作為我國“一帶一路”倡議中基礎設施建設的重要組成部分，高鐵已然成為中國新的外交名片。軌道交通基礎設施服役狀態(tài)檢測是保障列車安運營的重要手段，軌道病害檢測是其中的核心內容，研究軌道病害檢測的新理論和新技術是當前高速鐵路發(fā)展的迫切需求。

首先，中國高鐵的發(fā)展逐漸由“建設為主”演變?yōu)椤斑\維為主”。覆蓋國的“四縱四橫”高速鐵路網已經建成通車，且根據《中長期鐵路網規(guī)劃》，2020年我國高速鐵路里程會達到3萬公里。隨著高速鐵路運營里程增長、速度提高以及密度增大等發(fā)展趨勢，鐵路基礎設施狀態(tài)逐漸由新轉舊，隨之而來的安維護將是未來鐵路管理部門的重中之重。

其次，軌道病害檢測是鐵路工務部門的核心業(yè)務。傳統的人工巡檢不僅成本高效率低，且檢測結果依賴于巡檢工人的經驗和責任心。另外，當前軌道的養(yǎng)護維修大都采用“計劃修”模式，檢測和維修按照固定周期進行，過修和欠修現象嚴重，造成的財力物力浪費。統計數據表明：60%以上的鋼軌在良好狀態(tài)下被替換(Ph Papaelias等,2008)，造成了鐵路資產的浪費?！盃顟B(tài)修”模式代表軌道基礎設施檢修的發(fā)展方向，相關智能化理論和關鍵技術亟待研究。

后，針對軌道檢測的發(fā)展需求，盡管各種新型檢測技術包括超聲探傷、渦流檢測等不斷涌現，但現有系統在實際運營中還存在著魯棒性弱、虛警率高等問題。由于視覺檢測技術在檢測速度、準確性和可視化等方面的優(yōu)勢，軌道病害的視覺檢測近年來得到了國內外研究學者的廣泛研究，并在部分鐵路網中得以應用(Fu等,2019,Liu等,2019)。為此，本文將圍繞軌道病害視覺檢測任務，從背景、方法和趨勢3個方面進行系統概述。

1軌道結構與典型病害

1.1無砟軌道基本結構

作為新型道床結構，無砟軌道如今廣泛應用于高速鐵路、地鐵等軌道交通基礎設施的建設，其特征是使用剛性混凝土或瀝青道床替代由道砟和枕木組成的傳統道床，是一種通過扣件直接與鋼軌彈性聯結的軌道結構。和傳統的有砟軌道相比，無砟軌道能夠長久保持鋼軌的形狀和位置，具有結構耐久性好、穩(wěn)定性強、易于維護的特點。

當今廣泛應用的中國鐵路軌道系統(China Railway Track System,CRTS)II型無砟軌道主要由混凝土底座、水泥瀝青砂漿填充層、軌道板、扣件和鋼軌組成。

1.2軌道病害檢測

1.2.1典型軌道病害

鋼軌表面瑕疵、損傷和變形等均屬于鋼軌表面病害的范疇。一般地，軌道表面病害可分為兩種類型：表面裂縫和滾動接觸疲勞磨損(劉澤等,2010)。更具體地,Li等人(2015)將常見鋼軌表面病害進一步細分為剝離、魚鱗傷、擦傷、壓陷、層裂和波磨6種病害。

本文將扣件損傷也歸類到軌道表面病害，常見的扣件損傷包括彈條斷裂、扣件丟失等。相應的病害示意圖如圖2所示，病害表觀、成因及影響概述如下。剝離的宏觀形貌如圖2(a)所示，其通常分布在鋼軌踏面工作邊軌距角R13～R80圓弧區(qū)域，裂紋長約30mm，裂紋間距為25mm，從軌距角向踏面中心拓展。武漢鋼鐵集團公司研究院的周劍華等人(2013)通過對產生該類病害的鋼軌進行性能檢驗后認定其是一種典型的滾動接觸疲勞磨損，與鋼軌自身質量無直接關系，主要是由于輪軌長期在曲線外軌圓弧區(qū)域接觸，導致接觸應力過大而造成的。魚鱗傷表現為鋼軌表面產生的鱗狀碎片，其基本形態(tài)如圖2(b)所示。由于列車車輪踏面有1:40的錐度，車輪踏面各質點運行速度不同，接觸區(qū)存在非均勻碾壓進而形成疲勞傷損裂紋(張永革等,2011)。魚鱗傷一方面會加劇軌道疲勞傷損的發(fā)展，另一方面則嚴重影響車輛運行的平穩(wěn)性和速度。

表面擦傷常呈現出連續(xù)的長條形，其源自滑動機車輪的密集摩擦，使得軌頭溫度過高，軌面金屬移位。在高強度運輸環(huán)境下，擦傷區(qū)域將逐漸剝落，進而變得粗糙不平，危及行車安。壓陷病害表現為一小段軌面被壓扁高度大于等于3/8英寸的現象，該類病害的發(fā)生通常沒有重復規(guī)律性。由于列車車輪反復軋?zhí)?，在巨大壓力下軌道表層會發(fā)生金屬移位的現象，進而形成層裂，該類病害進一步發(fā)展將導致軌道表面發(fā)生嚴重剝落。波磨損傷是指鋼軌頂面出現的類似波浪形狀的規(guī)律性高低不平現象。當前各國對波磨損傷的產生機理尚未有統一定論。當列車通過軌道波磨區(qū)域時，容易產生劇烈振動，造成扣件松動，加劇軌道表面磨損進而縮短軌道服役周期?？奂锹摻Y鋼軌和軌道板的緊固件，由于軌道振動、安裝不規(guī)范及固有瑕疵等問題，扣件可能出現類似的彈條斷裂、丟失等類型病害，其不僅會加劇輪軌之間的摩擦損耗，一定條件下可能導致列車脫軌，造成嚴重的安事故。

鋼軌內部傷損主要包括內部橫向裂縫、軌頭水平分離和軌頭縱向分離等病害類型。鋼軌內部病害通常需要使用超聲波、渦流等技術手段進行檢測。本文專注于軌道表觀病害視覺檢測，有關軌道內部核傷詳細分類及檢測手段可參考(Li等,2015)。

1.2.2軌道檢測技術

在自動化巡檢技術興起之前，軌道病害檢測主要依賴于人工巡檢，成本高、效率低、安性差。隨著自動化巡檢技術的不斷發(fā)展，傳統的人工巡檢逐漸被各種基于傳感器的檢測方法所取代。軌道內部結構的變化會對超聲波的傳播產生一定程度的影響。基于此，超聲波技術被廣泛應用于軌道內部核傷的檢測(Loveday等,2019)。但由于超聲波反射等原因導致該類技術對軌道踏面的疲勞損傷檢測能力有限，且檢測速度也相對較慢。

渦流探傷的基本原理是用激磁線圈使軌道表面產生渦電流，借助探測線圈測定渦電流的變化量從而獲取缺陷的有關信息。與超聲技術相反的是，渦流探傷技術檢測速度快，對軌道表面剝離、車輪擦傷等病害的檢測表現出明顯優(yōu)勢，但對位于軌腰、軌底的缺陷則無法檢出(王雪梅等,2013)。因此，渦流探傷常常與超聲波檢測設備配合使用(Thomas等,2007)。需要指出的是，渦流探傷技術對檢測線圈的安裝位置要求較高，在實際的檢測作業(yè)中，設備調試較為復雜，檢測結果的穩(wěn)定性不夠強。

隨著人工智能技術的不斷發(fā)展，基于機器視覺的軌道表觀病害檢測在理論研究和實際應用等方面也取得了一定的進展(Li等,2016,Dai等,2019)。相較其它自動化檢測手段，軌道病害視覺檢測技術在安性、可視化和智能化等方面表現出較大的優(yōu)勢（甘津瑞,2019），但整體上仍面臨以下3個方面的挑戰(zhàn)：

1）圖像質量不均。軌道圖像通常是通過安裝在檢測列車底部的高速線陣相機采集的，列車抖動和開放環(huán)境中自然光的變化等因素極易導致所采集的圖像存在光照不均、病害目標與圖像背景對比度偏弱等問題。作為視覺檢測系統的數據源，圖像質量不均直接影響著軌道病害視覺檢測算法的性能。

2）可用特征較少。軌道外觀病害大多形態(tài)多樣，不同樣本的紋理或形狀特征差異巨大，這意味著難以將一些基于紋理或形狀特征的目標檢測方法直接遷移到軌道病害檢測任務中來。對于傳統的軌道病害視覺檢測方法而言，往往僅有局部灰度信息可作為區(qū)分病害目標與圖像背景的可靠特征，有限的可用特征對模型的檢測能力提出了更高的要求。

3）模型更新困難。在傳統的軌道病害視覺檢測方法中，由于軌道圖像特征相對單一等原因導致難以實現檢測模型的有效更新；在基于深度學習的軌道病害檢測模型中，盡管精細設計的神經網絡被認為能夠自動提取到高層次的語義特征，但由于缺乏足量的標注樣本、任務孤立等因素也使得病害識別模型的訓練和更新較為復雜。

2軌道病害視覺檢測方法

2.1前景模型

由于環(huán)境、設備或人為的原因，工業(yè)現場采集到的鋼軌圖像存在著光照不均和噪聲干擾的情況，導致圖像中病害目標與背景的對比度較低，嚴重影響后續(xù)病害目標的檢測與識別。為此，研究者們提出了一系列的前景模型，通過局部圖像濾波等方式不利因素干擾，增強病害目標與圖像背景之間的對比度從而便于病害目標的定位與識別。

蘭州交通大學的Min等人(2018)利用圖像在色相、飽和度和亮度(Hue,Saturation,Lightness,HSL)空間中的H值作為特征從景圖像中提取出軌道區(qū)域，然后借助于圖像形態(tài)學操作進行表面病害分割，并通過構建原型檢測系統驗證了算法性能。

湖南大學的研究人員先后提出了基于反向Perona-Malik(PM)擴散(賀振東等,2014)和基于圖像差分(賀振東等,2016)的鋼軌表面病害檢測系統。

北京交通大學的李清勇等人聚焦于病害目標的視覺特征，設計了適用于軌道病害檢測的對比度增強算法，提出了基于投影輪廓的病害定位算法(Li等,2012)和基于比例強化大熵的病害檢測算法(Li等,2012)。

代表性地，基于投影輪廓的軌道病害定位算法流程圖如圖3所示，主要包括局部歸一化濾波、縱向病害位置定位、橫向病害位置定位和病害識別等步驟。具體地，在使用局部歸一化方法消除軌道圖像的光照不均衡，增強病害目標與圖像背景之間的對比度后，通過灰度投影的方式進行病害定位。該算法具有線性復雜度，檢測效率較高，理論上能夠在216km/h的條件下滿足實時檢測的要求。整體而言，聚焦軌道病害目標的前景檢測模型復雜度低，檢測速度快，通常能夠滿足實時檢測的需求，但同時存在著誤報率高、難以準確分割病害目標等問題。

2.2背景模型

前景模型聚焦于病害目標，通過消除軌道圖像中的光照不均、增強對比度的方式進行病害定位。但是，開放環(huán)境下巡檢車在高速運行時采集的圖像難以包含足夠的病害辨別性信息，導致識別系統容易產生大量的誤報結果。為此，研究者們提出了一系列基于背景建模的軌道病害檢測算法。

當列車在軌道上運行時，軌道表面和輪對之間相互摩擦，接觸的相對位置幾乎恒定，軌道表面上所有位于同一縱向位置的點所受的摩擦力幾乎相同，這使得軌道圖像背景盡管呈現一定幅度的動態(tài)變化，但像素灰度仍保持相對一致。因此，軌道圖像特定位置灰度的顯著偏差指示著病害目標的產生或噪聲干擾的存在。

基于此，北京交通大學的Gan等人(2017)和Yu等人(2018)相繼提出了基于均值漂移和顯著性檢測的表面病害檢測方法，以逐步求精的方式實現了表面病害的準確分割。代表性地，Gan等人(2018)提出了一種基于背景建模的軌道表觀病害檢測方法如圖4所示。具體地，該方法假設縱向病害像素點多占總像素樣本量的4%，基于二項式分布進行縱向背景模型的迭代更新；在橫向上，其基于病害通常發(fā)生在中心區(qū)域這一先驗進行病害位置建模。終，利用軌道圖像縱向與橫向的一致連續(xù)性進行背景模型的迭代更新，采用多次隨機構建與集成策略來增強背景模型的表征能力。在真實線路上的實驗表明該方法具備在線實時檢測的能力。

2.3盲源分離模型

在軌道表觀病害檢測場景中，病害目標形態(tài)多樣且容易受到各種外部環(huán)境的干擾，低層視覺特征穩(wěn)定性較弱，但是病害目標在實體、特征和像素等多個層面卻體現出穩(wěn)定的稀疏低秩特性。首先，病害實體在待檢軌道中是稀疏的，它包含2方面的含義：病害目標在服役軌道中出現的概率低，以及病害目標在待檢圖像中出現的面積較小；其次，病害圖像在變換域中可以通過超完備字典進行稀疏表示，得到對應的稀疏表示模型與病害檢測算法；后，鋼軌和軌道板等部件的圖像灰度矩陣在理想條件下是低秩的，空間上連續(xù)的圖像序列在特征空間中一般也滿足低秩要求。為此，研究者們從盲源分離的角度提出了一系列的軌道病害檢測模型。

考慮到軌道圖像背景紋理模式一致性較強，在變換域中具備表征稀疏性，李清勇等人(2014)將軌道圖像看作由病害成分、背景成分和噪聲3種要素組成，提出了基于稀疏表示的鋼軌表面擦傷分割方法。實驗結果表明，所提出的模型比低層視覺特征表示模型更加通用和有效。

基于軌道圖像自身的對稱性，西南交通大學的Liu等人(2015)提出了一種改進的稀疏表示模型用于扣件分類和病害識別。從矩陣分解的角度出發(fā)，待檢圖像在空間域中對應的灰度矩陣或者由局部圖像塊構造的特征矩陣應該是低秩的，即矩陣的行或列之間存在著較大的相關性，而病害目標的存在則會破壞這種低秩性?；诖?，張琳娜等人(2019)提出了基于低秩矩陣分解的軌道表面病害檢測模型，將圖像灰度矩陣分解為低秩矩陣和稀疏矩陣分別對應圖像背景和病害目標。對于求解得到的稀疏矩陣，計算矩陣元素的行累積量和列累積量并通過使用閾值進行病害定位。然而，當待檢圖像中病害尺度較大時，直接應用低秩分解模型容易將圖像灰度矩陣中的病害區(qū)域誤判為圖像背景導致檢測失敗。

考慮到病害目標存在實體稀疏性，Wang等人(2019)提出了一種固有先驗指導的低秩矩陣分解模型用于軌道表觀病害檢測，框架圖如圖5所示。該方法以超像素為基本處理單元，利用待檢圖像的背景相似性和病害目標的局部顯著性來指導特征矩陣的分解過程。在軌道表面病害圖像等多個數據集上的實驗表明，該模型具有良好的泛化能力和檢測性能。需要指出的是，基于盲源分離的病害檢測模型大多存在著復雜度高和實時性略差的問題，但一些隨機性求解策略的提出和高性能計算架構的出現為此類模型的高效求解帶來了轉機。

2.4深度學習模型

近幾年來，隨著計算能力的不斷提升，深度神經網絡得到了廣泛的研究與應用。與傳統的特征抽取與圖像表征方法相比，深度神經網絡被認為具備抽取高層次的語義特征和刻畫復雜數據分布的能力。因此，研究者們也提出了一系列基于深度學習的軌道病害檢測模型。

湖南大學的Jin等人(2019)將馬爾可夫隨機場與高斯混合模型同卷積神經網絡相結合，提出了一種深度多模型融合的軌道檢測系統，該系統利用高斯混合模型得到病害初始分割結果后，使用基于區(qū)域的卷積神經網絡(Region-based Convolutional Neural Network,RCNN)輸出的目標框輔助背景干擾從而得到更準確的病害分割圖。代表性地，荷蘭代爾夫特理工大學的Faghih-Roohi等人(2016)提出了一種基于深度卷積神經網絡的軌道表觀病害檢測模型，基本框架示意圖如圖6所示。該模型使用由巡檢視頻標注生成的訓練數據進行神經網絡的參數優(yōu)化，終能夠實現6種表觀病害的檢測與分類。

深度學習模型在異?？奂z測中也有著較多的應用。在真實線路中，異?？奂霈F的頻次較低且形態(tài)多變，導致難以搜集和標注足量的病害樣本用于神經網絡的訓練。為此，美國馬里蘭大學的Gibert等人(2016)提出了一種多任務學習框架，該框架集成了多種檢測子以提升神經網絡在異?？奂z測任務中的性能表現。針對異?？奂枠颖静蛔愕膯栴}，Liu等人(2019)提出了一種基于模板匹配的分類方法用于挑選扣件和生成訓練樣本，設計了一種基于相似度的神經網絡來緩解數據不平衡的問題。

同樣為了解決標注數據不足的問題，北京交通大學的Dong等人(2019)提出了一種基于數據合成的端到端的異常扣件檢測模型，主要包含主干網絡、扣件定位網絡和候選區(qū)域分類網絡3個模塊，整體框架如圖7所示。面向鐵路系統實時檢測的應用需求，該模型采用輕量化的深度神經網絡ShuffleNetv2作為主干網絡，在扣件定位階段使用閾值剪枝策略減少誤判。針對異?？奂c正常扣件數量不均衡問題，作者提出了有效的數據合成方法并設計了加權中心損失函數。實驗結果表明，所提出的模型不僅能夠將檢測速度提高近2倍，且檢測性能較主流的目標檢測網絡相比有著較大的提升。

需要明確的是，盡管深度學習技術在軌道病害檢測領域有著良好的性能表現，但仍面臨著缺乏大規(guī)模的公開訓練數據、定制化的網絡結構導致模型遷移困難等問題。

3結論與展望

考慮到當前軌道病害視覺檢測系統中存在的問題，結合鐵路智能化的發(fā)展需求，我們認為以下方向值得未來深入研究：

1）小樣本/零樣本學習。小樣本學習的基本原理是將學習自海量輔助數據中的知識遷移到小樣本數據上，輔助完成小樣本目標的分類檢測(Snell等,2017)。零樣本學習的重點在于利用輔助信息來學習視覺特征和語義特征之間的映射關系(Romera-Paredes等,2015)。在實際運營的高速鐵路系統中，因為病害發(fā)生的概率比較低，病害樣本的數量和質量都無法得到保障?，F有的軌道病害視覺檢測方法的魯棒性比較弱，大部分檢測系統的虛警率比較高，病害樣本的數量和質量是影響檢測方法性能的關鍵，小樣本/零樣本學習是突破上述瓶頸的核心問題。

2）多任務學習。在當前軌道病害視覺檢測的研究中，鋼軌擦傷、扣件缺失和軌道板裂紋等檢測任務都是獨立運行的，導致標注數據不能共享，識別模型的訓練和更新也較復雜。事實上，這些檢測任務在特征形態(tài)和發(fā)生機理等方面存在一定的關聯。比如，鋼軌表面擦傷檢測和軌道板裂紋檢測都是在一致性強的背景中檢測異常目標；鋼軌病害和扣件缺損雖然發(fā)生的強因果關系還未驗證，但經驗數據表明他們共現概率比較高。因此，使用多任務學習框架(Zhang等,2017)，采用并行訓練的方法學習多個任務，進而挖掘共享多個相關任務中的有效信息來提升算法的泛化能力，也是解決軌道病害視覺檢測問題的一種可行的技術路線。

3）多源異構數據融合。在當前軌道病害檢測的研究中，視覺傳感器、超聲傳感器和電磁感應器等手段都被用于軌道巡檢，但相應的系統卻缺乏協作和交互，形成一個個的“感知孤島”。與此同時，這些數據規(guī)模大、類型多樣，現有檢測系統大都是對單一模態(tài)的數據進行分析，綜合利用率低，導致現有的檢測技術在不同天氣和線路條件下檢測性能差異巨大，多源異構數據的融合是解決該問題的有效途徑。