高速铁路漏泄同轴电缆智能检测系统

陈小平

当前，我国铁路开始向信息化、智能化、智慧化方向发展［1］。智能铁路的目标为借助新信息通信技术与铁路行业的深度融合，实现铁路运输调度指挥、生产作业、养护维修等各领域的智能化［2］。智能铁路的特征在于，通过对铁路运输系统中移动设备与固定设施等的全面感知，借助多种通信网络方式实现泛在互联，对感知的数据进行融合处理和主动学习，最终支撑科学决策。

其中，铁路轨旁设备设施故障的智能检测及健康管理是实现智能铁路，保障铁路运输安全的重要组成部分。在GSM-R系统及450 MHz无线列调系统中，为解决铁路多弯处、隧道群、长大隧道及山区等弱场强或无场强区域的信号覆盖问题，多采用直放站+漏缆的建设方式，漏缆可以为这些区段提供稳定的无线信号覆盖，在目前的高铁线路及既有线中得到大量运用，因此，漏缆质量是保障铁路无线通信系统能否正常工作的关键。

漏缆在隧道中通常采用壁挂敷设方式，通过卡具将漏缆固定在隧道壁上［3］，但列车，尤其是高速铁路列车在隧道内行驶时产生的能量波会对漏缆卡具产生振动和冲击，隧道内潮湿的自然环境也会腐蚀漏缆卡具，这些因素都会造成漏缆卡具的松动、脱落，甚至断裂，严重影响高铁正常运行［4］。

按照当前铁路运维管理规定，铁路沿线漏缆以月为单位进行巡检，主要采用人工徒步巡检方式，存在作业效率低、作业难度大、作业质量难以保障、安全风险大等问题。首先，对于高速铁路来说，作业主要集中在“维修天窗”时间段内执行，“维修天窗”一般在凌晨之后，作业时间短，巡检作业效率低；其次，夜间作业光线条件差，巡检人员作业难度大，通过肉眼难以发现故障，且由于不同巡检人员因自身知识水平和经验的差异，对漏缆故障的判断能力不同，容易出现漏判、误判等；最后，该方式对人身安全和列车运行安全也造成了很大的压力。

针对人工巡检存在的弊端，目前铁路部门开展了相关研究，例如：采用车载式检测手段［5］，但存在需要改装检测车、对高速适应性差、故障智能识别能力低等问题［6-7］。因此，需要研究一种全新的车载式检查方式，并结合最新的图像采集与智能检测技术，进一步提升漏缆检测的便利性和可实施性，以便大范围推广，全面提升漏缆检测水平，为漏缆的全生命周期管理打下基础。本文研发了适用于高速铁路的漏泄同轴电缆智能检测系统，通过运用图像采集、压缩处理、智能检测等关键技术，实现对漏缆的智能图像检测，提高运维管理水平和效率。

1 漏泄同轴电缆智能检测系统功能与架构

适用于高速铁路的漏泄同轴电缆智能检测系统包括车载采集子系统和地面数据分析中心两部分。其中，车载采集子系统为一套便携式检测系统，安装在高铁动检车车厢玻璃内侧，借助高速低照度工业相机实现漏缆的图像采集，可以同时采集专网漏缆与公网漏缆图像。地面数据分析中心通过引入深度学习等智能图像识别算法自动识别和提取漏缆的各种故障状态信息，并辅以人工确认，判断各类故障，提高故障判别的可靠性。系统可以检测铁路沿线专网与公网漏缆及其附属件的松动、脱落、断裂等故障状态。

1.1 车载采集子系统

如图1所示，车载采集子系统由图像采集存储单元、图像采集控制单元及激光测距模块、高亮补光单元等构成。其中，图像采集存储单元包括高速低照度工业相机、图像压缩模块和图像存储模块。通过大容量FPGA，将这些功能集成在一起，实现设备的小型化和轻量化。

图1 车载采集子系统构成

1.1.1 高速低照度工业相机

系统选配的高速低照度工业相机附带2个镜头，其中一个焦距为35 mm，另一个焦距为50 mm，分别适用于拍摄公网漏缆及专网漏缆。图像采集传感器主体为CMOS传感器，并且对感光性能进行了优化，适合在隧道等黑暗环境成像。低照度相机的分辨率为2048×2048，采集帧率可达100 fps，可满足速度不高于350 km/h的采集作业要求。

1.1.2 图像压缩模块

根据上述高速低照度工业相机的分辨率，如果按照动检车350 km/h的运行速度，需要达到80 fps的速度才能保证不漏拍，这样每秒产生的原始数据量将达到320 MB，如果不进行压缩，数据量非常惊人。因此，图像压缩模块采用实时JPEG压缩技术［8］，可以达到1∶20的压缩率，将数据率降低到20 MB/s以下。

1.1.3 图像存储模块

图像存储模块负责存储压缩后生成的JPEG数据，为了满足便携式要求，系统采用嵌入式存储方案，即通过FPGA将压缩后的数据实时保存在数据硬盘上，拍摄完成后将图像导出，转储到数据中心。

1.1.4 图像采集控制单元

图像采集控制单元由光源相机同步控制、光源供电及驱动、隧道探测处理模块3部分组成。图像采集控制单元采用AC220V供电方式，为整套系统提供电源。图像采集控制单元通过处理激光测距模块的数据，判定隧道是否到来，根据隧道定位信息控制图像的采集和LED的闪亮，为光源和相机提供同步信号。

1.1.5 高亮补光单元

高亮补光单元包括4组高亮频闪光源阵列，瞬时功率可到1000 W，平均功率低于5 W。通过与激光测距模块结合，在隧道内才开始闪光，出隧道后不再闪光，相机也不再拍摄图像，大大降低了功耗。

1.1.6 定位装置

系统采用GPS定位装置与激光测距模块相结合的方式实现对隧道的准确定位。由于补光单元是高功率器件，不能长时间开启，需要在进入隧道时才开启，因此，定位装置将隧道定位信息传输到图像采集控制单元，由图像采集控制单元控制高亮补光单元的开关时间。

1.1.7 配套装置

配套装置包括安装支架及便携式包装箱，便携式检测装置安装在高铁列车车窗玻璃上，通过采用高能吸盘，可以将设备稳稳吸附在玻璃上。一体机、光源、激光测距模块等都安装在支架上，总体重量可以控制在3 kg以内，整体牢靠。同时，根据各个功能模块的尺寸大小专门设计制作了包装箱，可以将所有模块都放置在包装箱中，包装箱内采取了防震及便于拖拉手段，极大地方便了携带。

1.2 地面数据分析中心

地面数据分析中心由GPU工作站、计算服务器、存储服务器、大容量磁盘阵列、交换机和监测终端等构成，见图2。

图2 地面数据分析中心

1.2.1 硬件构成

地面数据分析中心中，计算服务器负责图像存储与回放、检查员复核、统计分析等功能。GPU工作站负责针对车载采集图像进行智能图像处理。存储服务器和大容量磁盘阵列用于数据存储。通过路局数据网，可将GPU工作站的运行结果发送给位于电务段的各个监测终端，实现智能监控。监测终端供养护维修人员使用，可提供采集图像回放、人工辅助确认故障等功能。

1.2.2 主要软件功能

1）图像存储与回放。由计算服务器、存储服务器、磁盘阵列等负责图像存储与回放，存储容量按3个月时长考虑，图像回放时支持对图像的亮度、色度、对比度和饱和度的动态调整。

2）智能图像处理。智能图像处理是地面数据分析中心的关键功能，用于实现设备故障检测。目前业内主要采用深度学习算法实现设备故障检测［9-10］，本研究采用了基于卷积神经网络的深度学习算法，并结合地面台账数据和车载定位信息，实现设备缺陷自动研判及自动预警，对检测结果进行人工复核后形成检测报告，将相关数据分类归档，实现检修有源可溯、有据可查。

通过车载采集子系统采集高精度图像，进行学习样本的标定、训练以及检测试验，不断地训练和优化故障/缺陷检测模型，得到网络模型后，系统可以基于故障检测模型自动研判漏缆故障情况，并输出结果。智能图像处理流程见图3。

图3 智能图像处理流程

2 关键技术

2.1 隧道自动定位

由于漏缆具有不连续性，为避免对高亮光源的浪费以及拍摄无效图片，系统通过GPS定位装置与激光测距模块等方式联合实现隧道定位，只有在列车进入隧道时才启动图像拍摄。首先，系统会记录线路起始公里标，并结合列车速度估算列车当前的公里标位置信息，随着时间的累积会出现一定的误差，结合特定地点GPS与公里标的对应关系，对公里标信息进行校正，检测系统公里标校正方法见图4。当检测系统判断列车即将进入某个隧道时，启动激光测距模块进行测算，激光测距模块利用激光对目标的距离进行准确测定，当判断与目标的距离约等于高铁列车车窗与隧道壁之间的距离时启动高亮光源，并进行图像拍摄和存储；当判断与目标的距离大于高铁列车车窗与隧道壁之间的距离一定数值时，认为列车已经驶出隧道，关闭高亮光源。对于连续隧道群之间的漏缆，结合GPS定位装置进行位置判断，由图像采集控制单元进行图像拍摄控制。

图4 检测系统公里标校正方法

2.2 高精度图像采集

漏泄同轴电缆智能检测系统需要在高速运行的列车上获取轨旁漏缆图像。为减少图像采集误差，系统采用了支持高清晰度和分辨率的面阵相机采集图像，并对图像进行增强，对由于运动造成的图像模糊与畸变进行校正，解决由于车速高、车体振动、定位偏差，大视场大景深等带来的问题，为卡具故障识别打好基础。同时，根据现场实际情况安装照明设备，采用大功率频闪灯作为补偿光源，保证轨旁设备视场处于高亮度、高均匀度的光源条件下，解决由于运动导致图像模糊的问题。

2.3 图像数据压缩与存储

高速铁路列车运行时速一般在250 km以上，所拍漏缆图像数据之间具有较高的冗余度，因此本系统采用了图像压缩技术，综合考虑压缩算法的压缩率和图像清晰度要求，选用了JPEG压缩技术。

JPEG标准中定义了2种基本压缩算法：基于DCT变换的有失真压缩算法和基于空间预测编码DPCM的无失真压缩算法。前者实现较为复杂，可以得到高质量的压缩图像；后者实现较为简单，但压缩质量也较低。综合考虑检测性能及成本等要求，系统选用了基于DCT变换的有失真压缩算法。同时，考虑到尽量减小系统体积与功耗，便于作业人员携带，采用了基于FPGA的嵌入式存储方案实现数据存储，大大提升了设备的便携性。

2.4 漏缆故障识别算法

漏缆故障识别算法主要实现对漏缆及卡具的定位和故障识别。由于漏缆的光线条件变化不一，采用传统的识别算法难以应对复杂多变的情况，因此，采用基于卷积神经网络的语义分割算法实现对漏缆的定位，再通过SSD目标检测算法实现对卡具的精确定位和故障识别。

其中，漏缆定位采用语义分割算法。语义分割算法与一般的目标检测算法不同，一般的目标检测算法只需初步确定目标的位置，判断出目标的类别即可，而语义分割算法是将图像的每个像素进行分类，预测图像中每个像素的类别，从而检测出目标的位置。语义分割算法需要获得原始数据进行标注，与目标检测标注框不同，语义分割标注结果是带有像素信息的PNG图片。标注完成之后，将原始图片与标注数据送入神经网络进行训练，当损失函数降到一定程度后终止训练，导出网络模型，用于未知图片的目标检测。经过上述训练得到适用于漏缆检测的神经网络模型，送入待检测的漏缆图片，模型可自动检测出漏缆位置。

实现漏缆定位后，采用SSD目标检测算法实现对卡具的定位、分类和故障识别。目标检测算法一般分为基于区域的检测算法（包括RCNN、Fast RCNN、Faster RCNN等）以及基于回归的检测算法（包括YOLO等）。其中，前者检测精度较高，但检测速度慢；后者检测速度快，但精度不高。SSD算法则兼具以上2类算法的优势，既采用了基于回归的模式，同时也利用了基于区域的概念，其主网络为VGG16，检测精度可以达到83%。

3 系统特点及运用效果

适用于高速铁路的漏泄同轴电缆智能检测系统具备便携、支持250～350 km/h高速铁路场景、无需对车辆进行改造、图像自动采集、故障自动检测等特点；图像采集精度高，可达1像素/mm²；通过隧道探测定位装置、高精度图像采集、图像压缩与存储等技术实现车载图像的采集与处理。地面数据分析中心借助智能图像处理技术对铁路沿线漏缆及配属件进行状态模式识别，故障判别率远高于人工肉眼巡视。

该系统在广州局集团公司管内衡柳线、厦深线、南广铁路、武广客专和广深港高铁已得到应用，车载采集子系统采用便携式安装方式，如图5所示，无需对车辆进行改造，大大提高了系统的可用性。

图5 漏缆智能图像采集装置安装示意图

4 结束语

适用于高速铁路的漏泄同轴电缆智能检测系统采用便携式安装设计方式，支持对高速铁路场景下隧道漏缆图像的采集，图像采集精度高，使用便利，大大提高了作业效率，降低了作业难度，提升了作业质量，有效保障了一线作业人员的人身安全与列车运行安全，对改善铁路漏缆检测作业现状和提高漏缆检测作业管理水平具有重大意义。该系统建成投入运用后，将积累越来越多的数据，为后续实现基于人工智能、大数据的铁路电务轨旁设备健康管理创造良好条件，将有力支撑智能铁路的发展。