交通轨道的主要检测技术

交通轨道的主要检测技术
铁路是国家经济发展的重要基础设施，是国家经济的骨干和中坚力量。

轨道作为铁路的重要组成部分，其故障诊断是其中的一项重要工作。

传统的人工巡查不仅费时费力，而且容易受到各种主观因素的干扰。

因此，对线路故障进行自动诊断，是保证铁路运输安全的关键。

轨道结构与典型病害
无砟轨道基本结构
无碴轨道是一种新型的道床结构，目前已在高速铁路、地铁等轨道工程中得到了广泛的应用，其特点是采用硬质混凝土或柏油路面代替了传统的道床，它是一种利用固定装置与轨道直接弹性连接的轨道结构。

与常规有碴轨道相比，它可以长期维持轨道的形态和位置，并使其具有良好的耐久性、稳定性和维修能力。

目前中国轨道交通系统（CRTS)II型无碴轨道主要由混凝土基础、水泥沥青砂浆填充层、轨道板、扣件和轨道轨道构成。

轨道病害检测
典型轨道病害：钢轨表面缺陷、损伤、变形是轨道表面缺陷的一种类型。

一般的路面病害可划分为两类：表面裂纹和滚动接触疲劳。

普通钢轨表面病害可分为脱皮、鱼鳞伤、擦伤、压陷、层裂、波纹等六类。

扣件损坏也属于轨道面损坏，主要有弹条断裂、扣件丢失等。

轨道检测技术：在无人值守技术出现以前，铁路病害的监测大多依靠手工进行，不仅成本高，而且效率低，对人工的安全性也没有相应的保障。

在自动化巡检技术的发展下，传统的手工巡检方式已逐步被基于传感的各种检测手段所代替。

由于轨道内部结构的改变，在某种程度上会影响到超声波的传播。

因此，超声技术在轨道内部探测中得到了广泛的应用。

但是，由于超声反射等原因，这种方法在检测履带踏面疲劳损伤时，其检测速度也比较缓慢。

涡流检测的基本原理是利用激磁线圈在铁轨表面形成涡流，通过检测线圈测量涡流的变化，获得相关的故障信息。

与超声波技术相比，涡流检测技术具有快速的检测能力，在检测轨道表面剥离、车轮擦伤等方面具有显著的优越性。

所以，
通常采用涡流探测和超声探测装置。

由于涡流检测技术对检测线圈的安装位置有很高的要求，因此，在实际测试中，由于设备的调试比较繁琐，测试结果的稳定性也不高。

铁路影像一般由安装于探测车底的高速线阵列摄像机拍摄，由于列车抖动、自然光线的变化，容易造成拍摄到的影像有光照不均、病害目标与背景的反差。

由于图像的不均匀性，对道路病害的视觉识别效果有很大的影响。

这种技术的应用，可以对一些常见的表面损害进行巡查。

由于轨道表面的病害类型多种多样，而且在不同的样品中，其纹理和形状特征也有很大的差别，因此很难将某些基于纹理和形状的物体检测技术应用到铁路病害的诊断中去。

在常规的道路病害可视化检测中，只有局部灰度信息可以很好地识别病害对象和背景，而现有的有限特征则需要更好的识别模型。

由于更新模型较为困难，所以实施起来也较为缓慢。

在传统的道路病害视觉检测中，由于轨道图像的特点比较单一，很难对检测模型进行有效的更新；在基于深度学习的道路病害诊断模型中，虽然经过精密设计的神经网络可以实现对高水平的语义特征的自动抽取，但是由于缺少足够的标注样本，以及任务孤立等原因，使得故障诊断模型的训练与更新变得更加困难。

轨道病害视觉检测方法
前景模型
工业生产现场的轨道影像，因受环境、设备、人工等因素的影响，会造成影像中的光线不均匀、噪音干扰，造成影像与背景的反差，从而影响到后续的影像检测与辨识。

在此基础上，很多学者设计了一套前景模型，利用局部图像滤波等方法来抑制有害因素的影响，提高病害对象和背景的反差，使疾病对象的位置和识别变得更加容易。

并且在此基础上，提出了一种基于投影线的病害定位方法，该方法主要有：局部标准化滤波，纵向病害定位，横向病害定位，病害鉴定。

采用局部规格化技术，克服了道路光照不均匀性，增强了病害目标和背景的反差，采用灰度投影技术进行病害定位。

该方法线性化，检测速度快，可以达到216公里/小时的实时检测。

总体上，针对轨道病害的前景检测模型具有较低的复杂度和较快的检测速度，但也有较高的误报率和难以准确分割的缺点。

背景模型
该模型主要针对病害对象，采用了去除光照不均和增强对比度的方法，实现了病害的位置定位。

然而，在开放条件下，车辆在高速行驶时所获取的图像很难包含足够的病害判别信息，从而造成了大量的误报。

在此基础上，国内外的相关研究人员根据此项技术的发展，研究了一种新的基于背景模型的铁路病害识别方法。

在轨道上行驶时，由于轨道面和车轮对的摩擦力基本是不变的，所以在轨道面上的各个点受到的摩擦力基本相同，因此，虽然轨道图像的背景发生了一些动态的改变，但是象素的灰度仍然是比较稳定的。

因此，在轨道图像中的特殊位置，一旦灰度出现明显的偏离，表明有疾病的发生或者有噪音干扰。

在此基础上，提出了一种基于多个随机构造和多个整合策略，以提高背景模型的特征。

通过实际的测试，证明了这种方法能够实现实时的在线检测。

盲源分离模型
在铁路表面病害探测中，由于病害目标的形状复杂，易受多种外界因素的影响，咋成底部的稳定性较差，视觉特征也变得不明显。

而检测的病害目标受到环境、技术、速度以及像素等等方面的困扰，表面的图像也会呈现出不同的特征。

待检病害体少，这包括两个涵义，第一种是因为这种病害发生的概率本就低，另一个是在待检测的影像中有一个更少的区域；其次，利用超完备词典对病害图像进行稀疏表达，结合其他的检测形式，最后，在理想情况下，钢轨、轨板等等常见的容易产生病害的零部件都能够进行正常的检测。

而空间上连续的图像序列通常也能满足较低的秩次。

因此，在众多学者在研究过程中都会从盲源分离的观点开始，建立相应的预测数据和模型基础。

鉴于疾病对象的物理稀缺性，国内的学者提出一种基于先验准则的低阶矩阵分解模型，用以进行轨道表面损伤的识别。

在此基础上，基于对象的背景相似度和局部显著性，对特征矩阵进行了分解。

通过对多个数据集如轨道表面病害图象的仿真试验，证明了所提出的方法具有较强的推广能力和较高的检测性能。

目前，由于采用盲源分离技术建立的病害诊断模型往往具有较高的复杂性和较低的实时性，而采用随机算法和高性能计算体系结构，为有效地解决这些问题提供了新的思路。

深度学习模型
科学技术的水平的稳定发展也给轨道病害检测技术的革新带来了新的渠道，与传统的特征提取、图象描述等技术相比较，该算法具有提取高层次语义特征、描述复杂数据的分布等优点。

在此基础上，建立了一套基于深度学习的铁路线路故障诊断模型。

国外的研究学者将马尔可夫随机机场与高斯混合模式与卷积神经网络相结合，建立了一套深度多模式融合的道路检测系统。

在数据的实际模拟中，找出真实的案例基础，根据轻型深度神经网络作为骨干网络，进行了非正常扣件和非正常扣件的不平衡问题的探索。

在科学技术的数据能力的分析下，采用特征的函数出了一个权重中心损耗函数。

通过此项的试验数据能够说明，该项技术的检测方式能够比其他检测速度高出二倍不止。

该方法具有更好的检测效果，清楚地看到深度学习技术在轨道故障诊断方面有很好的应用前景，但是由于缺少大量的公开训练数据，以及定制化的网络架构造成了模型的移植难度。

归纳总结
通过实例展示、成因分析、影响评估等方法，对铁路病害可视检测技术进行了分析，并对其优点和主要问题进行了分析，并根据前景模型、背景模型、盲源分离模型和深度学习模型的介绍，对当前的轨道检测技术进行了适当的阐述。

针对目前铁路病害可视化的不足，在科学技术的推动下还有很多可以发掘的检测技术，提出了今后需要进一步研究的方向。

1)小样本量/零样本量的学习。

小样本学习的基础是将大量的辅助资料进行学习，并将其转化为小样本，以帮助小样本对象的识别。

零样本量学习主要是通过学习辅助知识来实现视觉和语义的映射。

在实际运行的高铁系统中，由于病害发生的几率很小，导致了病害的数量和质量不能保证。

目前的道路病害可视化检测技术具有很强的鲁棒性，且多数检测系统存在着高的虚警概率。

病害样品的质量和数量对检测技术的性能有很大的影响，而小样本量/零样本量的学习是解决这一瓶颈的关键。

2)多项工作。

在目前的铁路病害可视化检测中，钢轨擦伤、扣件缺失、轨板开裂等工作均是独立进行的，造成了标识数据无法共享，辨识模型的培训与更新比较复杂。

实际上，这些探测任务具有不同的特征形式和产生机制。

例如，铁轨表面划痕和铁轨板裂痕的探测，都是在高一致性背景下对不正常的物体进行检测；
尽管钢轨病害与扣件缺陷之间存在较强的因果关系尚未得到证实，但从实证资料来看，两者存在的可能性更大。

通过对多任务的协同学习，利用多任务学习的方式进行多任务的学习，从而从多个任务中挖掘出有效的信息，从而提高了算法的泛化能力，从而为铁路病害可视检测提供了一条切实可行的技术途径。

3)不同来源的数据融合。

目前，针对轨道病害的监测，主要采用视觉、超声、电磁传感器等多种方法，但是在复杂的环境下，检测的数据由于受到多种因素的影响，很难形成科学的数据基础。

对日后的检测工作造成较大的误差。

当前在科学技术的拖动下，大数据时代的轨道检测的形式多种多样，在模型模拟的基础上对数据进行识别，能够见啥误差，推进轨道检测技术的大力进步。

但是由于现阶段这种技术的实施难度较大，还需要进一步的发掘，从而提升整体的检测效率。