基于灰度垂直投影与YOLO v2的中低速磁浮接触轨螺钉松动识别

文/陈健雄（中铁第四勘察设计院集团有限公司）

中低速磁浮列车通过受电靴与走行轨两侧的接触轨接触，从而获得开行所需的电能

[1,2]，随着受电靴与接触轨的作用时间增加，接触轨螺钉容易出现松动等故障，影响列车的受流质量。为确保列车能平稳、持久、安全地运行，需要定期对接触轨进行巡视，确认其服役状态，若发现螺钉松动等故障，运维人员需要对其修复，或者直接更换。现有的接触轨螺钉检测主要采用人工巡视和工业摄像机巡检相结合的方式，先通过查阅摄像机对接触轨区域拍摄的图像，再有的放矢地在对应区域进行巡视。这种检测方式相较于单纯的夜间人工巡视安全隐患较小，效率更高。但螺钉故障识别的准确率与技术人员工作状态直接相关，当处于疲劳、虚弱的状态时，容易出现误检以及漏检的情况。因此，接触轨螺钉松动的自动识别是完善中低速磁浮运维急需解决的重要问题。

现有的螺钉松动自动识别方法有：声弹效应法、时间反演法、基于压电主动传感检测法、振动分析法[3,4]等，这些方法均属于接触式检测方法，需要使用探头接触待测紧固件或者直接在紧固件中安装传感材料，多用于小范围区域紧固件的检测，如航空、船舶领域的关键设备。而中低速磁浮接触轨螺钉广泛分布于线路两侧，采用接触式检测方法方案设计困难，投资巨大，可行性较小。基于机器视觉的检测是典型的非接触式检测方法之一，其与被检对象不存在机械或电气上的连接，且传感器布置方案灵活，适应性高，在轨道交通设备监测领域得到了较为广泛的应用[5-10]，基于长沙磁浮公司巡检装置获取的图像，本文提出一种基于灰度累加与YOLO v2网络[11]的接触轨螺钉松动识别方法。该方法由接触轨定位和螺钉松动识别两个部分组成：首先对接触轨图像进行垂直方向上的像素投影，通过对投影结果进行排序，定位接触轨所在区域，排除无关背景干扰。随后基于提取的接触轨区域图像，采用YOLO v2对松动螺钉进行检测，即可完成对松动螺钉的识别。

一、基于灰度垂直投影的接触轨定位

接触轨巡检装置采集的图像中除了接触轨外，还存在大部分的无关背景，为提高松动螺栓的识别准确率，降低算法的复杂度，需要先提取接触轨区域图像。由于摄像机镜头和补偿光源聚焦于接触轨轨面，且后景深较大，导致图像中接触轨区域亮度显著高于四周背景，如图1所示，所以可以此对接触轨区域进行提取。

图1 接触轨图像及其灰度分布

由于光源并非垂直照射接触轨轨面，同时考虑光源的不均匀度，提出基于灰度垂直投影的接触轨提取方法。

算法具体过程如下。

(1)通过对接触轨图像灰度在纵轴方向上的累加，实现垂直投影的计算：

式中，H0是图像的宽度，I(x,y)为图像上坐标为(x,y)的像素的灰度值。

(2) 假定接触轨宽度为WR，图像的长度(x,y)为W0,计算[x0,x0+WR-1]区段投影值的积分：

图2 基于灰度垂直投影的接触轨区域提取

二、基于YOLO v2网络的接触轨螺钉松动识别

（一）YOLO v2网络简介

YYOLO v2采用全卷积网络Darknet19

作为图像特征提取器，其包含22个卷积层、5个池化层，无全连接层，能摆脱对输入图像维度的限制。同时，YOLO v2添加了拼接层，将浅层卷积提取后特征和深层卷积提取特征拼接在一起，由此丰富特征表达，使得分类和位置回归更为准确。YOLO v2网络结构如图3所示。

图3 Y OLO v2网络结构

图3为输入416像素×416像素图像时的特征张量表示，其中，N为特征张量的深度，B为预测框数量，c为检测目标种类。

YOLO v2网络损失函数定义如下：

由于提取的接触轨区域图像尺寸均为600像素像素×2048像素，在保留图像特征的同时，适当的缩小图像能显著的加快卷积神经网络的处理速度，考虑到接触轨区域图像长宽比，将其缩放至256×832像素，则相应网络输出特征图的大小为4×13；同时，边框预测数量B=4，检测目标c=1。

（二）松动螺钉识别

本文采用YOLO v2网络直接定位松动螺钉，由此实现对接触轨螺钉松动故障的识别。

首先，基于开源数据集ImageNet和松动螺钉样本对YOLO v2网络进行训练，步骤如下：

步骤1 去掉最后2层卷积层，并添加全连接层，使用ImageNet数据集中不同类别数据，进行分类训练，直至训练收敛。

步骤2 采用迁移学习，保留卷积层数据，去掉全连接层参数，同时新增2层卷积层，目标类别改为1。使用松动螺钉样本对网络进行微调，通过反向传播算法迭代优化损失函数，直至收敛，完成训练。

基于训练后网络对螺钉松动故障进行检测。步骤如下：

步骤1 将通过垂直投影提取的图像缩放至256像素832像素，使用YOLO v2网络进行预测。网络最终输出包含边框的特征张量。

步骤2 基于上述输出结果，采用非极大值抑制即可定位松动螺钉，由此完成对螺钉松动故障的识别。

三、实验

（一）定位实验

使用500张长沙磁浮公司巡检装置获取的接触轨图像进行试验。处理器为Intel Pentium CPU G4560，显卡为NVIDIA Ge-Force GTX950M。接触轨区域定位结果如图4所示。

图4 定位效果图

从图4可以看出，基于灰度垂直投影的接触轨定位算法在不同摄像机机位情况下均能较好地定位接触轨区域。

对500张图像的定位结果进行统计，接触轨区域的定位准确达到100%，同时，由于算法仅包含简单的累加和排序过程，算法的时间复杂度较低，接触轨区域的定位速度为20帧每秒，具有较强的实时性。

（二）螺钉松动识别实验

通过垂直投影法，得到5张存在松动螺钉的图像，其余均为正常图像。通过镜像、翻转等方法将松动样本扩充至20张。使用YOLO v2网络对上述图像进行检测，松动螺钉的识别结果如图5所示。

图5 松动螺钉识别结果

统计所有图像的检测结果，如表1所示。

表1 检测结果统计表

如表1所示，螺钉松动的识别率在90%以上。实验结果表明，利用灰度垂直投影定位接触轨，并通过YOLO v2网络定位的方法能较好地对接触轨螺钉的松动故障进行检测。

四、结束语

对于中低速磁浮接触轨松动螺钉的识别，本文提出了一种基于垂直投影定位与YOLO v2网络识别的级联检测方法。该方法先对接触轨图像灰度进行垂直投影，实现接触轨区域的定位，随后使用YOLO v2网络定位松动螺钉，实现松动故障的识别。实验证明，本文所述方法能较为准确地识别接触轨螺钉的松动，对工程应用具有一定的参考价值。