鐵路路基地質(zhì)雷達檢測數(shù)據(jù)智能里程校正方法

杜翠

（中國鐵道科學研究院集團有限公司鐵道建筑研究所，北京 100081）

地質(zhì)雷達（Ground Penetrating Radar，GPR）技術(shù)作為一種快速、無損、高效的探測技術(shù)，在鐵路路基檢測領(lǐng)域得到廣泛應用。車載地質(zhì)雷達技術(shù)是鐵路路基檢測的主要手段［1-3］。采用車載GPR 技術(shù)進行路基檢測時，天線懸掛固定安裝在檢測車底部，與軌枕頂面保持相對固定的距離進行快速檢測。由于車載GPR檢測速度可達100 km/h，長距離檢測導致雷達數(shù)據(jù)的里程累積誤差較大，對病害解釋結(jié)果的空間準確度有重要影響。因此，里程校正是鐵路路基GPR 檢測數(shù)據(jù)處理的必要步驟。

里程校正普遍采用的是橋梁標記回歸計算的方法。數(shù)據(jù)處理人員從采集到的GPR 原始圖像中人工判讀橋梁，記錄其原始里程，與鐵路局相關(guān)部門提供的橋梁實際里程進行回歸計算。由于鐵路路基檢測的數(shù)據(jù)量很大（3 條測線，每100 km 約12 GB），而人工判讀橋梁的效率較低，導致里程校正耗費了大量的人力和時間，因此須研發(fā)快速、準確的GPR 檢測數(shù)據(jù)里程校正方法。橋梁的識別效率是制約GPR 檢測數(shù)據(jù)里程校正效率的關(guān)鍵因素。近年來，隨著計算機視覺技術(shù)的發(fā)展，國內(nèi)外學者陸續(xù)開展少量關(guān)于GPR 路基圖像識別的研究。主要以路基病害為識別目標，采用處理后的GPR 圖像，以單道波形為單位，提取若干個一維特征值，采用神經(jīng)網(wǎng)絡、稀疏表示、支持向量機（Support Vector Machine，SVM）等方法進行分類識別［4-7］。但識別的病害類型較少，且一維特征值對路基特征的表征能力有限，識別效果不佳，尚未達到滿足工程實際應用的水平。

本文基于對GPR 圖像特征的分析，提出一種鐵路路基GPR 檢測數(shù)據(jù)智能里程校正方法。首先，將GPR原始圖像進行二維離散，分段提取二維特征值，建立初始特征向量。其次，采用主成分分析（Principal Component Analysis，PCA）方法進行降維，得到降維后的特征向量。再次，采用適合小樣本數(shù)據(jù)的SVM 方法，建立橋梁的識別模型。然后，將識別到的橋梁同設備表進行自動匹配，同真實里程進行回歸計算，建立GPR 檢測數(shù)據(jù)原始里程與實際里程的相關(guān)關(guān)系，進而得出GPR 文件的實際起止里程和道間距。最后，從京九線路基檢測數(shù)據(jù)提取訓練樣本和測試樣本，對本文提出的鐵路路基GPR 檢測數(shù)據(jù)智能里程校正方法的準確性進行了驗證。

1 GPR原始圖像特征提取

在處理后的GPR 圖像中，噪聲及干擾信號得到一定程度的去除，信噪比提高，與橋梁呈現(xiàn)相近特征的目標反而增多，不利于橋梁的自動識別。而在GPR 原始圖像中，能夠判別的目標通常只有路基、橋梁、道岔3種，如圖1所示。GPR原始圖像更適合作為橋梁自動識別的數(shù)據(jù)源類型。

針對路基、橋梁、道岔3種類型，各選取1道A-scan數(shù)據(jù)（采樣點為512）觀察單道波形，為便于觀察，將振幅歸一化到［-10，10］內(nèi)。如圖2 所示，波形能量集中于前100 個采樣點，即淺層區(qū)域，橋梁波形的能量最強，道岔與路基相近。3 種類型的目標在A-scan 維度的差異主要體現(xiàn)在沿深度方向的能量和方差變化。

圖1 GPR原始數(shù)據(jù)主要類型

圖2 單道波形對比

綜合圖1、圖2，路基、道岔、橋梁的圖像特征差異主要為能量強弱、沿深度方向的分布以及紋理表征。因此，本文對GPR 圖像進行二維離散，沿水平方向劃分為若干個識別單元，再將每個識別單元沿深度方向劃分為若干個子單元，每個識別單元的特征值由其所有子單元的特征值組成，其維度為子單元個數(shù)與特征值個數(shù)的乘積。選取能量、方差以及6 個反映圖像紋理的直方圖統(tǒng)計特征作為特征值［8］。

2 特征降維

2.1 特征值表征性能對比

為檢驗前文選取的特征值對路基、道岔、橋梁3種類型的表征性能，采用京九線實測數(shù)據(jù)進行計算驗證。以5 m 為單位劃分識別單元，每種類型各選2 個。將其沿深度方向分為5 個子單元，計算特征值并進行歸一化處理。

特征值計算結(jié)果見圖3，各個特征值表征性能分析見表1。標準方差和三階矩可區(qū)分3種類型，而其他特征值則只能區(qū)分2類或不具有區(qū)分性能。方差與能量的表征是冗余的，熵與一致性的表征是冗余的。此外，特征值在不同深度的表征性能不同?？傮w來說，具有有效表征能力的特征值約16個。

圖3 特征值曲線

表1 特征值表征性能分析

2.2 PCA降維

在2.1 節(jié)中構(gòu)建了40 維的特征向量，但存在一定的冗余，且并非所有特征值都具有較高的表征性能。此外，特征向量的維數(shù)過高還會增加計算的復雜度。因此，本文采用主成分分析（Principal Component Analysis，PCA）對原始特征向量進行降維。

為了確定最終的特征向量的維度，以4維為步長，分別進行PCA 降維，檢驗降維后的數(shù)據(jù)集對原始數(shù)據(jù)集的表征性能。表征性能通過2個矩陣的均方根誤差來衡量，計算結(jié)果見圖4。隨著維度增高，均方根誤差呈指數(shù)降低趨勢，20 維處為近似的拐點，即降維至20維后，特征向量表征性能接近原始維度，同2.1節(jié)得出的具有有效表征能力的特征值約16 個的結(jié)論基本一致。

圖4 不同降維維度的重構(gòu)均方根誤差

3 SVM識別模型

SVM 是在統(tǒng)計學習理論的基礎上發(fā)展起來的新一代學習算法，通過把低維的復雜問題轉(zhuǎn)換到高維空間，尋求一個最優(yōu)分類超平面，從而降低問題的復雜度，尤其適用于訓練樣本較小的數(shù)據(jù)分類問題［9］。

核函數(shù)的選擇是SVM 的關(guān)鍵步驟，采用適當?shù)暮撕瘮?shù)就可以實現(xiàn)從低維空間向高維空間的映射，從而實現(xiàn)某一非線性分類變換后的線性分類，并且沒有增加計算復雜度。常用的核函數(shù)有線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù)RBF與Sigmoid核函數(shù)等。本文經(jīng)試驗對比，選用徑向基核函數(shù)構(gòu)建SVM識別模型。

4 智能里程校正方法

綜上所述，本文提出的鐵路路基GPR 檢測數(shù)據(jù)智能里程校正方法的流程如圖5 所示，其關(guān)鍵環(huán)節(jié)分述如下：

1）模型訓練。對訓練樣本進行特征提取和PCA降維后，對降維后的特征向量集進行訓練，建立SVM識別模型。

2）橋梁智能識別。對待處理的GPR 檢測數(shù)據(jù)進行特征提取和PCA 降維，再利用識別模型進行自動分類識別，將識別出的各個橋梁的中心里程作為橋梁標記。

圖5 鐵路路基GPR檢測數(shù)據(jù)智能里程校正方法流程

3）里程回歸。利用橋梁標記和設備表，根據(jù)長度、前后橋梁的里程差等信息，將GPR 檢測數(shù)據(jù)中的橋梁與設備表中橋梁的自動匹配，得到每個橋梁的實際中心里程。再將原始中心里程、實際中心里程進行回歸計算。根據(jù)回歸公式，即可計算GPR 文件的實際起止里程與道間距。

5 試驗與分析

從京九線路基檢測數(shù)據(jù)提取訓練樣本和測試樣本，對本文的模型和方法進行驗證。數(shù)據(jù)采集參數(shù)：中心頻率為400 MHz 的屏蔽天線，采樣時窗為64 ns，采樣點數(shù)為512，采集道間距為0.114 9 m。

試驗的硬件環(huán)境：Intel（R）Xeon（R）Gold 5115 CPU@2.40 GHz，64 GB內(nèi)存。在Windows10 64 位系統(tǒng)下使用Visual Studio 2017+MySQL+ OpenCVSharp3.4編程實現(xiàn)算法。

5.1 SVM識別模型

樣本集構(gòu)建情況見表2。對各類樣本計算特征值后進行歸一化處理，再通過PCA 方法降維至20 維。SVM 模型訓練采用徑向基核函數(shù)RBF，得到82個支持向量，訓練精度達到了98%。

表2 各類型樣本集構(gòu)建情況

各類型樣本識別結(jié)果見表3。可知，路基、橋梁、道岔3 類樣本的識別正確率分別為100%，94%，81%。識別錯誤均為橋梁和道岔的錯誤分類。

表3 各類型樣本識別結(jié)果

5.2 里程校正

選取30 km 京九線路基檢測數(shù)據(jù)，分別采用人工判讀和自動識別的方法得出該區(qū)段的實際里程和道間距，驗證自動識別方法的誤差。為避免道岔的干擾，將橋梁長度設置為不小于30 m。

人工判讀與自動識別結(jié)果見表4?？芍?種方法均識別出8 座橋梁，中心里程的誤差均低于0.005%。回歸計算后得出的里程起止范圍的誤差約2 m，道間距誤差低于1 mm，精度高，滿足鐵路路基檢測工程的實際需求。

表4 人工判讀與自動識別結(jié)果

6 結(jié)論

1）針對目前GPR 檢測數(shù)據(jù)里程校正效率低的問題，提出了一種鐵路路基GPR 檢測數(shù)據(jù)智能里程校正方法。

2）本文提出的里程校正方法通過“二維離散+特征提取+PCA+SVM”的方法自動識別橋梁、路基、道岔，對樣本的需求量小，且降維后計算復雜度降低，計算簡便，不需要較高的硬件配置。

3）經(jīng)京九線路基檢測數(shù)據(jù)驗證測試表明，基于SVM 的橋梁識別方法具有較高的精度，與人工判讀結(jié)果的誤差低于0.005%，最終里程校正的誤差約為2 m，滿足鐵路路基檢測工程的實際需求。