鐵路扣件彈條傷損自動檢測系統(tǒng)研發(fā)與驗(yàn)證

代先星，丁世海，陽恩慧，WANG Kelvin Chenping，邱延峻，王平

?

鐵路扣件彈條傷損自動檢測系統(tǒng)研發(fā)與驗(yàn)證

代先星1, 2，丁世海1，陽恩慧1，WANG Kelvin Chenping1，邱延峻1，王平1

(1. 西南交通大學(xué) 道路工程四川省重點(diǎn)實(shí)驗(yàn)室，四川 成都 610031； 2. 成都高投建設(shè)開發(fā)有限公司，四川 成都 610031)

針對鐵路扣件缺陷自動識別準(zhǔn)確率不高等問題，介紹基于三維激光成像技術(shù)的高速鐵路扣件自動檢測系統(tǒng)，重點(diǎn)闡述基于軌道三維圖像的彈條型扣件的檢測算法。在扣件檢測算法中，以先驗(yàn)知識驗(yàn)證扣件位置的方法保證扣件定位的準(zhǔn)確率；實(shí)現(xiàn)彈條圖像的提取；基于正常彈條圖像創(chuàng)建真實(shí)模擬折斷扣件的虛擬負(fù)樣本。提取圖像特征后，利用經(jīng)過訓(xùn)練的分類器識別扣件缺失、單側(cè)斷裂和雙側(cè)斷裂的狀態(tài)。最后，結(jié)合室內(nèi)實(shí)尺Ⅲ型板軌道模型的數(shù)據(jù)驗(yàn)證系統(tǒng)的檢測效果。研究結(jié)果表明，采用提出的扣件缺陷自動檢測算法的識別準(zhǔn)確率高達(dá)97.3%，該系統(tǒng)具有較高的實(shí)用潛力。

三維激光成像；扣件定位；虛擬樣本；識別算法；準(zhǔn)確率

軌道結(jié)構(gòu)是引導(dǎo)并支撐高速列車平穩(wěn)安全運(yùn)行的重要基礎(chǔ)結(jié)構(gòu)，其應(yīng)始終保持高平順性、高穩(wěn)定性與高可靠性。統(tǒng)計(jì)數(shù)據(jù)顯示，軌道結(jié)構(gòu)的不良狀態(tài)很可能導(dǎo)致列車脫軌等安全事故[1]。傳統(tǒng)的軌道檢測方式是天窗時(shí)間人工巡檢，但該方式檢測成本高、效率低。隨著計(jì)算機(jī)視覺和數(shù)字圖像處理技術(shù)的發(fā)展，20世紀(jì)90年代美國等發(fā)達(dá)國家就開始了非接觸式快速檢測技術(shù)的研究[1?4]。我國自2006年起陸續(xù)引進(jìn)該檢測技術(shù)并開始自主研發(fā)，如今已取得豐碩成果[5]。然而，采用漫反射光源(如LED燈)的檢測系統(tǒng)無法克服光照不均勻等因素的影響，造成系統(tǒng)的檢測效果不穩(wěn)定。為解決該問題，部分學(xué)者利用線結(jié)構(gòu)激光提供光源，并用相機(jī)捕捉激光在軌道上的運(yùn)動圖像[6]，然而該數(shù)據(jù)仍局限于二維數(shù)據(jù)。隨著三維激光成像技術(shù)的發(fā)展，自2013年以來國外陸續(xù)呈現(xiàn)基于三維數(shù)據(jù)的扣件檢測研究成果[7?9]，盡管其檢測對象是螺栓扣件，但這對彈條型扣件的檢測研究仍具有一定借鑒意義。為促進(jìn)扣件檢測系統(tǒng)準(zhǔn)確率和穩(wěn)定性的提升，基于三維激光成像技術(shù)的前期研究基礎(chǔ)[10?11]，作者研發(fā)了高速鐵路扣件自動檢測系統(tǒng)，提出基于三維數(shù)據(jù)檢測彈條型扣件缺失、單側(cè)斷裂和兩側(cè)斷裂等狀態(tài)的檢測算法；為解決扣件正負(fù)樣本數(shù)量不平衡的困境，提出創(chuàng)建真實(shí)模擬扣件折斷數(shù)據(jù)的方法，最后結(jié)合室內(nèi)實(shí)尺Ⅲ型板試驗(yàn)段的數(shù)據(jù)對高速鐵路扣件檢測系統(tǒng)的準(zhǔn)確率進(jìn)行驗(yàn)證。

1 檢測系統(tǒng)的基本技術(shù)原理

扣件檢測系統(tǒng)利用主動視覺的直射式激光三角測量法采集鐵路軌道的三維數(shù)據(jù)，檢測原理如圖1(a)所示。為方便理解，先以點(diǎn)激光為例介紹基本原理。點(diǎn)激光發(fā)射器發(fā)出的光束經(jīng)過準(zhǔn)直、聚焦光學(xué)系統(tǒng)處理后照射到物體表面，其漫反射光經(jīng)過相機(jī)透鏡后在光敏面上成像。如圖1(b)所示，物體在激光入射方向上有位移變化Δ時(shí)，漫反射光點(diǎn)的相對位置也將發(fā)生改變，此時(shí)光敏面上的位移為δ。光點(diǎn)位移與像點(diǎn)位移間的關(guān)系為[12]

式中：0是入射激光束軸線與成像透鏡光軸的交點(diǎn)到成像透鏡前主面的距離；1是成像透鏡后主面到接收器成像中心點(diǎn)的距離；為入射激光束軸線與成像透鏡光軸的夾角；為成像平面與成像透鏡光軸的夾角。

(a) 線激光示意圖；(b) 點(diǎn)激光示意圖

圖1 激光測量原理

Fig. 1 Measure rationale based on laser

當(dāng)線激光作為光源時(shí)，結(jié)構(gòu)光平面與軌道表面相交形成一條激光線，相機(jī)以一定夾角捕捉軌道表面的反射激光，此時(shí)可獲得激光線上各光點(diǎn)在相機(jī)成像平面的位置，如圖1(a)所示，從而可計(jì)算各光點(diǎn)與其基準(zhǔn)位置的高度變化，最終輸出激光線處的軌道表面的相對高度信息。通過距離測量儀發(fā)送采集信號，相機(jī)每次只收集線激光所在橫斷面的三維數(shù)據(jù)，并隨著相機(jī)的運(yùn)動掃描軌道表面，從而獲得整個(gè)軌道的三維數(shù)據(jù)[11]。

2 扣件檢測系統(tǒng)

在前期研究中自主研發(fā)設(shè)計(jì)了用于搭載扣件檢測系統(tǒng)的軌道檢測車[13]，如圖2所示，其包括設(shè)備搭載平臺、設(shè)備位置變換系統(tǒng)和小車動力系統(tǒng)。設(shè)備搭載平臺可調(diào)整激光?相機(jī)組件的豎直位置和水平位置，使檢測系統(tǒng)能夠采集軌道橫斷面任意位置的數(shù)據(jù)。

扣件檢測系統(tǒng)包括數(shù)據(jù)采集、數(shù)據(jù)存儲和數(shù)據(jù)分析3個(gè)子系統(tǒng)，如圖3所示。盡管數(shù)據(jù)采集子系統(tǒng)集成了一系列高精度傳感器，如GPS、距離測量儀(DMI)、慣性測量單元(IMU)、三維加速度傳感器和激光?相機(jī)組件以及路權(quán)相機(jī)(ROW)，其仍能通過控制箱(WCC)控制各傳感器進(jìn)行同步的數(shù)據(jù)搜集。與控制箱相連的高性能電腦發(fā)出采集指令后，WCC協(xié)同各傳感器高頻率地采集數(shù)據(jù)，并將各數(shù)據(jù)流實(shí)時(shí)傳輸至電腦。數(shù)據(jù)存儲系統(tǒng)將相機(jī)，IMU，DMI和GPS等傳感器的數(shù)據(jù)經(jīng)過壓縮后保存為三維云點(diǎn)數(shù)據(jù)。解壓三維云點(diǎn)數(shù)據(jù)后可將軌道數(shù)據(jù)進(jìn)行三維重構(gòu)，重構(gòu)后的軌道圖像如圖4(a)所示。

圖2 軌道檢測車

圖3 檢測系統(tǒng)組成

(a) 重構(gòu)后的三維數(shù)據(jù)；(b) 激光－相機(jī)組件

為保證檢測系統(tǒng)完整地采集鋼軌兩側(cè)的扣件，調(diào)整激光?相機(jī)組件的水平位置并使其位于鋼軌正上方，激光?相機(jī)采集箱如圖4(b)所示。通過檢測車的移動，采集系統(tǒng)可獲得尺寸為2 048*(/)的軌道圖像，其中為軌道長度，是縱向(軌道檢測車前進(jìn)方向)精度，取值為1 mm。當(dāng)需要提高縱向精度時(shí)，檢測系統(tǒng)可通過DMI進(jìn)行調(diào)整。

為方便后續(xù)的算法研究，檢測系統(tǒng)可將軌道數(shù)據(jù)以BMP格式導(dǎo)出，并可通過調(diào)整輸出參數(shù)保證每張圖像中均包含完整的扣件區(qū)域。數(shù)據(jù)輸出界面和輸出的三維圖像如圖5所示。

圖5 數(shù)據(jù)輸出界面和數(shù)據(jù)源圖

3 扣件自動識別算法

3.1 扣件子圖像分割

采集子系統(tǒng)輸出的軌道圖像包含大量軌道板等背景信息，如圖5所示。為提高檢測效率，首先準(zhǔn)確地提取扣件子圖像，這也是實(shí)現(xiàn)扣件自動檢測的關(guān)鍵一步。

分析采集系統(tǒng)輸出的圖像可知，軌道三維圖像具有以下特征：1) 鋼軌區(qū)域沿垂直方向分布，軌頭部分的高度值最大，且高度值變化較?。?) 承軌臺區(qū)域沿水平方向分布，該區(qū)域的高度值有較大變化；3) 扣件區(qū)域與軌頭邊緣、承軌臺邊緣的相對位置固定。

鋼軌和承軌臺的位置可根據(jù)三維圖像的深度梯度確定，鋼軌軌頭左側(cè)邊緣和承軌臺上側(cè)水平邊緣需分別滿足式(2)，即

式中：，分別為像素的縱坐標(biāo)和橫坐標(biāo)；1為鋼軌軌頭邊緣與鋼軌軌底高度差；2為承軌臺邊緣與軌道板的高度差。同理可定位鋼軌軌頭右側(cè)邊緣和承軌臺下側(cè)橫向邊緣。

高速鐵路軌道板是以毫米級精度在工廠預(yù)制，因而扣件的位置非常固定且扣件間距為定值。定位出鋼軌和承軌臺位置后，借鑒文獻(xiàn)[14]十字交叉法即可定位出扣件區(qū)域的位置。為保證提取的扣件位置完全準(zhǔn)確，利用固定的扣件間距驗(yàn)證扣件位置是否正確。該方法在扣件缺失時(shí)仍然能驗(yàn)證扣件位置?？奂g距計(jì)算公式為

3.2 彈條圖像提取

鐵路扣件狀態(tài)主要指彈條狀態(tài)，因此，針對扣件區(qū)域提取特征的檢測算法無法避免背景信息對特征穩(wěn)定性的影響，該類算法只能通過融合彈條的結(jié)構(gòu)特征進(jìn)行改善[15]。因不均勻光照等因素的影響，基于二維圖像不可能提取出形狀復(fù)雜的彈條，但結(jié)合彈條輪廓和高度信息，三維圖像檢測算法能有效地將彈條與背景分離。

彈條表面高于鋼軌底部和承軌臺，且低于T型螺栓表面。據(jù)此利用閾值分割法可將扣件深度圖像中的彈條部分提取出來，即

在初步提取出彈條后，利用形態(tài)學(xué)方法進(jìn)行去噪處理。最終得到的彈條圖像如圖6所示。

3.3 創(chuàng)建扣件斷裂的虛擬樣本

鐵路現(xiàn)場扣件斷裂的數(shù)量遠(yuǎn)小于扣件正常的數(shù)量。為解決正負(fù)樣本數(shù)量不平衡的困境，本節(jié)提出一種創(chuàng)建真實(shí)模擬扣件斷裂數(shù)據(jù)的方法。如圖7(a)的彈條力學(xué)分析結(jié)果[16]所示，應(yīng)力集中等原因使彈條后肢的應(yīng)力比其他各處的應(yīng)力大，這導(dǎo)致扣件通常在此處發(fā)生斷裂。團(tuán)隊(duì)在現(xiàn)場病害調(diào)研時(shí)也發(fā)現(xiàn)彈條通常在彈條后肢處折斷的現(xiàn)象，如圖7(b)所示。

圖6 彈條三維圖像

圖7 彈條應(yīng)力分布和現(xiàn)場折斷扣件

借鑒文獻(xiàn)[17]中旋轉(zhuǎn)源圖像等方式增加樣本數(shù)量的方法，基于上節(jié)提取的正常彈條圖像，在彈條后肢處截?cái)鄰棗l，達(dá)到真實(shí)模擬彈條折斷數(shù)據(jù)的目的。旋轉(zhuǎn)式方法與此方法相比，前者僅改變了圖像的視覺效果，而后通過去除部分彈條能真實(shí)模擬扣件斷裂。創(chuàng)建扣件斷裂虛擬負(fù)樣本的具體處理過程為：1) 基于正常彈條圖像，定位彈條后肢在上側(cè)和下側(cè)的垂向坐標(biāo)1和2；2) 分別將上側(cè)、下側(cè)彈條前肢至后肢的部分去除，之后即可獲得彈條上側(cè)斷裂、下側(cè)斷裂以及兩側(cè)同時(shí)斷裂的圖像，其效果如圖8所示。

(a) 源始圖像；(b) 上側(cè)彈條斷裂； (c) 下側(cè)彈條斷裂；(d) 兩側(cè)彈條斷裂

3.4 PCA-HGOH特征提取

方向梯度直方圖HOG特征[18]統(tǒng)計(jì)圖像局部區(qū)域梯度方向直方圖，能較好地描述目標(biāo)對象的形狀，故借鑒HOG特征的計(jì)算方法提取三維圖像中彈條深度梯度特征HGOH。然而，基于尺寸為144×352的彈條圖像獲得的HGOH特征維數(shù)較大，將增加算法處理時(shí)間。為此，利用主成分分析方法(PCA)將HGOH特征進(jìn)行降維處理，最終獲得PCA-HGOH特征，具體步驟如下。

步驟1：提取HGOH特征。

1) 計(jì)算梯度與梯度方向。水平和垂直梯度分別為

梯度幅值和梯度方向分別為

2) 計(jì)算單元的方向梯度直方圖。將圖像分為大小*(=8)的非重疊單元，且將梯度方向(,)在(0,180]取值范圍量化為9個(gè)區(qū)間，每個(gè)區(qū)間長度為20。為避免量化效應(yīng)[19]，當(dāng)像素的梯度方向不屬于第九區(qū)間時(shí)，每個(gè)像素(,)對其梯度方向的相鄰區(qū)間有一定貢獻(xiàn)，其貢獻(xiàn)大小按照該像素的梯度方向與相鄰梯度方向區(qū)間中心點(diǎn)的距離線性遞減確定，該像素對區(qū)間和+1區(qū)間的貢獻(xiàn)大小V，V+1分 別為

式中：為像素(,)的梯度方向；為像素(,)的梯度幅值；c表示第個(gè)區(qū)間的中心值。通過該方法可將單元內(nèi)所有像素的梯度幅值在各個(gè)方向區(qū)間進(jìn)行直方圖統(tǒng)計(jì)，獲得一個(gè)單元的9維特征 向量。

3) 圖像的HGOH特征。將相鄰4個(gè)單元組成一個(gè)塊，把4個(gè)單元的特征向量串聯(lián)起來獲得塊的36維特征向量，并進(jìn)行歸一化處理，歸一化公式為

式中：為很小的實(shí)數(shù)，取=0.01。最后以一個(gè)單元為步長，用塊對樣本圖像進(jìn)行掃描，最終將所有塊的特征串聯(lián)得到彈條深度梯度特征HGOH。

步驟2：PCA降維處理。

PCA(Principal Component Analysis)[20]是多變量統(tǒng)計(jì)分析的一種方法，其最終獲得的主成分是正交不相關(guān)的。PCA方法的優(yōu)點(diǎn)是減少特征向量維數(shù)的同時(shí)仍能保證特征的稀疏性，這有利于減少計(jì)算的復(fù)雜性，從而縮短分類器的訓(xùn)練和識別時(shí)間。

之后利用該式就可對任何HGOH特征進(jìn)行PCA降維處理，從而得到PCA-HGOH特征。

3.5 一對多SVM分類器

支持向量機(jī)(SVM)主要思想是建立一個(gè)超平面作為決策曲面，使正例和反例之間的隔離邊緣最大化，因其采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則代替?zhèn)鹘y(tǒng)統(tǒng)計(jì)學(xué)中的基于大樣本的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化，對于小樣本數(shù)據(jù)分析具有出色的學(xué)習(xí)能力和推廣能力。針對(＞2)分類問題，直接法目標(biāo)函數(shù)過于復(fù)雜，計(jì)算復(fù)雜度高[21]。間接法相對簡單，其通過組合多個(gè)二分類器來實(shí)現(xiàn)多分類的構(gòu)造。一對一法是在任意2類樣本之間設(shè)計(jì)一個(gè)SVM，其總共需要構(gòu)造*(?1)/2個(gè)SVM，而一對多法是將某個(gè)類別的樣本歸為一類，剩余樣本歸為另一類，其總共僅需構(gòu)造個(gè)SVM，計(jì)算成本比一對一法低，故本文采用一對多SVM分類器進(jìn)行扣件狀態(tài)的分類識別。

對于類分類問題，一對多方法把類別作為一類，其余?1類視為一類，自然地將分類問題轉(zhuǎn)化為二分類問題。其分類函數(shù)[22]為

對于測試樣本，若有

則該輸入樣本屬于第m類。

支持向量位于決策邊緣，由各類別對應(yīng)的支持向量最終形成了多分類系統(tǒng)的決策邊界。一對多SVM分類器的扣件識別決策邊界如圖9(a)所示，其中1表示扣件正常，2表示扣件上側(cè)斷裂，3表示扣件下側(cè)斷裂，4表示扣件兩側(cè)斷裂?？奂顟B(tài)的識別流程如圖9(b)所示。首先利用訓(xùn)練集訓(xùn)練4個(gè)SVM，當(dāng)測試圖像作為輸入時(shí)，每個(gè)SVM對圖像進(jìn)行分類識別，之后利用式(12)判斷測試圖像的類別。如此設(shè)計(jì)識別方法的優(yōu)勢是各類別間的決策邊緣非常明確，每個(gè)分類器均能準(zhǔn)確地分類測試 樣本。

(a) 高維空間中扣件數(shù)據(jù)集的決策邊界；(b) 測試圖像識別流程圖

4 室內(nèi)試驗(yàn)驗(yàn)證

為驗(yàn)證扣件檢測系統(tǒng)的效果，用扣件檢測系統(tǒng)采集的試驗(yàn)段數(shù)據(jù)進(jìn)行測試。受試驗(yàn)條件限制，檢測系統(tǒng)只能以5~10 km/h的檢測速度在室內(nèi)實(shí)尺Ⅲ型板軌道結(jié)構(gòu)試驗(yàn)線上采集數(shù)據(jù)。扣件斷裂和缺失的負(fù)樣本通過人工制造的方式獲得。高速鐵路的軌道板、扣件等的精度都是毫米級，若不考慮部件公差、隨機(jī)噪聲等因素扣件區(qū)域的深度圖像應(yīng)完全一致。為此，以重復(fù)采集軌道板兩側(cè)數(shù)據(jù)的方式增加樣本數(shù)量。為增加樣本的隨機(jī)性，一次采集完成后人工將扣件拆卸并再安裝，之后進(jìn)行下一次的數(shù)據(jù)采集。

目前常用于衡量特征向量類間距離的指標(biāo)是卡方距離[23]，其計(jì)算公式為：

式中：和為維向量。為驗(yàn)證重復(fù)采集數(shù)據(jù)的有效性，隨機(jī)選取圖像計(jì)算卡方距離。在試驗(yàn)樣本庫中隨機(jī)選取62張正常彈條圖像，其中31張是第1次采集的圖像，另外31張圖像是位置相對應(yīng)的重復(fù)采集數(shù)據(jù)，之后分別提取其HGOH特征。

計(jì)算不同位置圖像的特征距離時(shí)，隨機(jī)選取一張為基準(zhǔn)，分別計(jì)算其與剩下30張圖像的特征距離；之后計(jì)算30張位置相對應(yīng)的重復(fù)采集圖像間的特征距離。每次數(shù)據(jù)采集前人工拆卸再安裝扣件，彈條的姿態(tài)有微小的變化，并且數(shù)據(jù)采集過程中不可避免有一定的隨機(jī)噪聲，使得重復(fù)數(shù)據(jù)間存在特征距離，具體計(jì)算結(jié)果如圖10所示，重復(fù)采集圖像特征距離與不同位置圖像的特征距離相近，它們的平均值分別為21.50和21.80，這說明重復(fù)采集的數(shù)據(jù)是有效的。

圖10 圖像特征距離計(jì)算結(jié)果

從采集的圖像中選取500張扣件子圖像組成圖像庫，其中正?？奂?00張，扣件缺失150張，扣件斷裂(上側(cè)扣件斷裂)50張?；谡？奂膹棗l圖像，利用創(chuàng)建虛擬負(fù)樣本的方法獲得250張上側(cè)扣件斷裂圖像、300張下側(cè)扣件斷裂圖像、300張兩側(cè)扣件斷裂圖像，即將圖像庫可擴(kuò)展為正?？奂?、扣件位置異常、上側(cè)扣件斷裂、下側(cè)扣件斷裂、兩側(cè)扣件斷裂各300張。本文將150張扣件缺失的圖像全部歸入測試集，并將圖像庫中剩余圖像中的一半作為訓(xùn)練集，余下一半作為測試集。

扣件子圖像通過彈條提取算法的結(jié)果若為空白圖像，則判定該圖像屬于扣件缺失；若結(jié)果不是空白圖像，則進(jìn)行下一步的PCA-HGOH特征提取，最后利用4個(gè)一對多線性支持向量機(jī)進(jìn)行分類。分類算法性能通常以準(zhǔn)確率作為衡量指標(biāo)，計(jì)算公式為

式中：T1，T2，T3，T4和T5分別為正確識別的正?？奂?、上側(cè)斷裂扣件、下側(cè)斷裂扣件、兩側(cè)斷裂扣件和缺失扣件的數(shù)量；為用于測試的5類扣件的總數(shù)。數(shù)據(jù)測試結(jié)果如表1所示，缺失的扣件能全部正確識別，針對5種扣件狀態(tài)的檢測，算法檢測準(zhǔn)確率高達(dá)97.3%，能較好地滿足現(xiàn)有扣件檢測的要求。

表1 測試集試驗(yàn)結(jié)果

5 結(jié)論

1) 運(yùn)用三維激光成像技術(shù)，研發(fā)高速鐵路扣件自動檢測系統(tǒng)，提出基于三維數(shù)據(jù)的扣件檢測算法，經(jīng)試驗(yàn)段的數(shù)據(jù)測試表明，提出的方法檢測準(zhǔn)確率較高，具有較高的實(shí)用潛力。

2) 利用先驗(yàn)知識驗(yàn)證提取的扣件位置是否正確，保證扣件定位的準(zhǔn)確率；提出創(chuàng)建真實(shí)模擬扣件斷裂圖像的方法，有效解決正、負(fù)樣本數(shù)量不平衡的困境；另外，本文考慮單側(cè)斷裂扣件、雙側(cè)斷裂扣件的狀態(tài)檢測，可更全面地檢查鐵路現(xiàn)場扣件的多種狀態(tài)。

[1] Gibert X, Patel V M, Chellappa R. Deep multi-task learning for railway track inspection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015(2): 30?40.

[2] 柴雪松, 楊鳳春, 羅林. 軌道視頻檢查系統(tǒng)[J]. 中國鐵路, 2001(6): 59?60. CHAI Xuesong, YANG Fengchun, LUO Lin. Visual frequency inspection system of track[J]. Chinese Railways, 2001(6): 59?60.

[3] 李彧雯. 軌道部件圖像檢測系統(tǒng)設(shè)計(jì)[D]. 南昌: 南昌大學(xué)機(jī)電工程學(xué)院, 2012: 40?50. LI Yuwen. The design of railway components image detection system[D]. Nanchang: College of Mechanical and Electrical Engineering, Nanchang University, 2012: 40?50.

[4] 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: IEEE Conference Publications Loughborough, UK, 2006: 56?59.

[5] 許貴陽, 史天運(yùn), 任盛偉, 等. 基于計(jì)算機(jī)視覺的車載軌道巡檢系統(tǒng)研制[J]. 中國鐵道科學(xué), 2013, 34(1): 139?144. XU Guiyang, SHI Tianyun, REN Shengwei, et al. Development of the on-board track inspection system based on computer vision[J]. China Railway Science, 2013, 34(1): 139?144.

[6] ZHANG Haibo, YANG Jinfeng, TAO Wei, et al. Vision method of inspecting missing fastening components in high-speed railway[J]. Optical Society of America, 2011, 50(20): 3658?3665.

[7] Metari S, XIE Yuanchang, Talbot M, et al. Automatic track inspection using 3D laser profilers to improve rail transit asset condition assessment and state of good repair-a preliminary study[C]// Transportation Research Board 93rd Annual Meeting, Washington D. C., USA, 2014: 14?23.

[8] Aytekin ?, Rezaeitabar Y, Dogru S, et al, Railway fastener inspection by real-time machine vision[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2015, 45(7): 1101?1107.

[9] Lorente A G, Llorca D F, Velasco M G, et al. Range-based rail gauge and rail fasteners detection using high-resolution 2D/3D images[C]// TRB 2014 Annual Meeting Washington D.C., USA, 2014: 125?132.

[10] WANG Kelvin Chenping. Elements of automated survey of pavements and A 3D methodology[J]. Journal of Modern Transportation, 2011(19): 51?57.

[11] LI Baoxian, DAI Xianxing, WANG Kelvin Chenping, et al. Automated survey of railway conditions: A preliminary investigation[C]// International Conference on Transportation and Development, Houston USA, 2016: 446?454.

[12] 閆加俊. 小型激光三角探頭光學(xué)系統(tǒng)設(shè)計(jì)[D]. 長春: 長春理工大學(xué)機(jī)電工程學(xué)院, 2012: 23?33. YAN Jiajun. The optical system design of a miniaturization laser triangulation probe[D]. Changchun: College of Mechanical and Electrical Engineering, Changchun University of Science and Technology, 2012: 23?33.

[13] 彭毅, 王郴平, 陽恩慧, 等. 一種軌道表面檢測儀器搭載系統(tǒng)[P]. 中國: 201521093316.6[P]. 2016?05?11. PENG Yi, WANG Chenping, YANG Enhui, et al. The carrying system for track surface inspection instrument[P]. China: 201521093316.6. 2016?05?11.

[14] 陳小艷. 融合結(jié)構(gòu)信息的LDA扣件狀態(tài)識別研究[D]. 成都: 西南交通大學(xué)機(jī)械工程學(xué)院, 2015: 65?71. CHEN Xiaoyan. Research on the fastener status recognition based on LDA combined with structure information[D]. Chengdu: College of Mechanical Engineering, Southwest Jiaotong University, 2015: 65? 71.

[15] 劉甲甲, 熊鷹, 李柏林, 等. 基于計(jì)算機(jī)視覺的軌道扣件缺陷自動檢測算法研究[J]. 鐵道學(xué)報(bào), 2016, 38(16): 73?80. LIU Jiajia, XIONG Ying, LI Bailin, et al. Research on automatic inspection algorithm for railway fastener defects based on computer vision[J]. Journal of the China Railway Society, 2016, 38(16): 73?80.

[16] 李中, 郭瑞琴, 武帥. 彈條偏轉(zhuǎn)和扣件松動對彈條扣壓力的影響[J]. 鐵道標(biāo)準(zhǔn)設(shè)計(jì), 2016, 60(2): 47?52. LI Zhong, GUO Ruiqin, WU Shuai. Effects of elastic strip deflection and fastening looseness on toe load of elastic strip[J]. Railway Standard Design, 2016, 60(2): 47?52.

[17] FU Huazhu, XU Yanwu, LIN Stephen, et al. Deep vessel: retinal vessel segmentation via deep learning and conditional random field[C]// International Conference on Medical Image Computing and Computer-Assisted Intervention, Athens, Greece, 2016: 132?139.

[18] Dalal Navneet, Triggs Bill. Histograms of oriented gradients for human detection[C]// IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Madison, USA, 2005: 886?893.

[19] LUO Weiqi, WANG Yuangen, HUANG Jiwu. Detection of quantization artifacts and its applications to transform encoder identification[J]. IEEE Transactions on Information Forensics and Security, 2010, 5(4): 810?815.

[20] Jolliffe I T. Principal component analysis[M]. Springer Science & Business Media, 2006: 40?60.

[21] Weston J, Watkins C. Multi-class support vector machines[R]. Lodon: University of London, 1998: 20?40.

[22] Manikandan J, Venkataramani B. Design of a modified one against all SVM classifier[C]// Proceedings of the IEEE International Conference Systems, Manand Cybernetics, Banff, Canada, 2009: 1869?1874.

[23] Chan Chiho, Tahir Muhammadatif, Kittler Josef, et al. Multi-scale local phase quantization for robust component-based face recognition using kernel fusion of multiple descriptors[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(5): 1164? 1177.

(編輯 陽麗霞)

Development and verification of automatic inspection system for high-speed railway fastener

DAI Xianxing1, 2, DING Shihai1, YANG Enhui1, WANG Kelvin Chenping1, QIU Yanjun1, WANG Ping1

(1. Key Laboratory of Highway Engineering of Sichuan Province, Southwest Jiaotong University, Chengdu 610031, China; 2. Chengdu Hi-tech Investment Development Co. Ltd, Chengdu 610031, China)

Aiming at the low recognition accuracy of detection algorithms for railway fastener defects, a novel high-speed railway fastener automatic inspection system was developed using three-dimension (3D) laser imaging and detection algorithm based on track 3D image for hook-shaped fastener. The detection algorithm has some distinctive characteristics. Firstly, the method of verifying fastener location with prior-knowledge was applied to improve the correct rate of locating fasteners. To the best of our knowledge, this is the first time to extract clip images. Secondly, the algorithm of creating visually defective fastener images was proposed to simulate broken fastener based on intact clip images. After extracting the feature of images, the fastener defective statuses, such as missing, one-side broken and two-side broken were identified by the special classifier after training. The experimental results of this detection algorithm verifying with the data of indoor real-scale model indicate that the detection accuracy of this algorithm is as high as 97.3%, and this inspection system has a high potential for field implementation.

3D laser imaging; fastener location; visual sample; inspection algorithm; recognition rate

10.19713/j.cnki.43?1423/u.2018.10.004

U216.3

A

1672 ? 7029(2018)10 ? 2478 ? 09

2017?08?31

國家自然科學(xué)基金資助項(xiàng)目(51478398，U1534203，51308477)

陽恩慧(1982?)，男，湖南岳陽人，講師，博士，從事道路工程方面的科研與教學(xué)工作；E?mail：yeh1982@163.com