轨道电路引接线图像识别技术研究

宋坤骏 中国铁路上海局集团有限公司科研所

1 引言

高铁电务设备设施的服役状态直接关系到高铁的安全、平稳运营。轨道电路引接线作为轨道电路元件的可靠连接线对于安全行车起着基础保障作用。采用传统人工上道方式巡检引接线存在危险性高，劳动强度大，检查准确率低，巡检效率低，天窗利用率低，故障处理仓促，受环境因素影响显著等缺陷，而采用深度学习技术处理探伤车采集的高分辨率图像则能够克服环境和天窗限制，节约人力资源的同时提升巡检效率和准确率。出于兼顾速度和精度的要求，本文用到的深度学习目标检测算法是scaled_yolov4。该算法由yolov3算法和yolov4 算法演进而来，其为高端GPU 设计的YOLOv4-P7 模型在coco 数据集上取得了73.3%的mAP，并可达到16FPS。

2 Scaled_yolov4算法

图1 所示为Scaled-YOLOv4 网络结构，其实为三个模型的集合，分别为面向云GPU 的YOLOv4-large，面向常规GPU的YOLOv4-CSP，面向小型轻量级GPU 的YOLOv4-Tiny。而YOLOv4-large 又分为YOLOv4-P5,YOLOv4-P6,YOLOv4-P7三种具体的网络结构，本文采用的具体网络是YOLOv4-P5。

图1 Scaled_yolov4网络结构

3 优化技巧

3.1 自适应亮度增强和对比度增强

增强原理：增强原理对于亮度、对比度、饱和度和锐度等是通用的，即线性插值和外推。这一方法对于许多点处理和面积图像处理操作提供了通用的解决方案，而且还能获得性能上的优势。所有的增强都基于下面这个线性插值公式：

不同的增强类型对应不同的退化图，即alpha=0时的图image1。例如对于亮度增强，退化图就是全黑图，即全图亮度为0，对于对比度增强，退化图就是该图的每个通道的每个像素值都等于原图灰度平均值的图，因为这张图完全没有对比度，所有像素之间的灰度差都是0。当alpha在0-1 之间时代表内插，在0-1 范围外，则是外推，亮度增强和对比度增强都是通过alpha＞1来实现的。

自适应亮度增强:将0-255灰度划分为0-80,80-160,160-255 三个亮度等级区间，首先判断原图平均灰度在哪个等级区间，然后随机生成另外两个亮度等级区间两个随机亮度值，将原图按照这两个随机亮度值生成另外两幅图像，平均灰度等于这两个随机亮度值，这样原来一张图片扩充为3 个亮度等级的3张图片。

对比度增强：对比度增强固定倍数1.7 倍，即上面公式中alpha=1.7,如此外推可以增大目标物和背景之间的灰度差。而不是像亮度增强那样将所有像素灰度值平移增加一个数值。对于机器识别来说作用更为明显。见图2、图3。

图2 对比度增强, 左：原图，右：对比度增强后效果

图3 自适应亮度增强, 左：原图，右：亮度增强后效果

亮度和对比度增强后，每张图片对应生成4张图片，数据集规模扩大了四倍，有效凸显了目标，并增加了对于各种光照条件的鲁棒性。

3.2 基于ResNeXt101等网络架构的有砟无砟预分类

本文针对无砟轨道板和有砟轨道板分别训练了一个引接线检测器。不排除一条以无砟轨道板为主的线路中还可能出现有砟轨道板，所以这里增加一个可选的速度精度权衡机制，即在轨道板图像送入检测器前先通过一个有砟无砟分类器，判断属于哪种轨道板类型，再送入相应类型检测器，这样理论上是可以提升引接线检测精度的，但会牺牲推理速度。注意有砟轨道板引接线检测器在很多无砟轨道板的情况下也能检测出来引接线，同理，无砟轨道板引接线检测器在有砟轨道板上也能保持比较好的检测性能，即道砟背景切换并不会导致引接线检测性能的急剧下降。所用分类网络架构是何恺明团队的resnext101_32x32d。图像压缩成64×64大小，在10000张轨道板原图上分类准确率约等于100%。如图4所示。

图4 有砟无砟预分类网络性能

实际上由于预分类只是一个中间过程，分类准确率不用严苛要求达到非常高的水准，因前已述及，分类错误并不必然导致检测错误，很大概率分类错误检测结果仍然正确。通过改变输入图像分辨率和分类网络架构的方法可以寻求预分类步骤精度和速度的最优折中。

3.3 基于分段抛物线灰度伸缩的推理时预处理

此预处理最初是为解决雨天图像黑暗，目标不清晰，检测结果不佳设计的，但实际上它也可以作为一个通用的预处理步骤。其体现的中心思想是，首先通过灰度直方图统计出引接线目标大致的灰度范围。该灰度范围以内的像素应做灰度拉伸增强对比度，该灰度范围以外的像素应做灰度压缩处理减少对比度。亦即对关心的目标做灰度范围拉伸，增加模型分辨力，对不关心的背景做灰度范围压缩，减少背景对模型的干扰。因为引接线的灰度最小值接近0，所以这里灰度拉伸的直线段接近从0 开始，直线段两端则是进行灰度压缩的抛物线状函数，整个分段函数的表达式如下式所示。

f(x)分为三段，其图像如图5所示。

图5 分段抛物线灰度伸缩函数

之所以未采用通常的分段线性函数而在灰度压缩段采用了抛物线状函数，是因为希望越是极端的灰度值，压缩的越厉害一些，例如接近255 的灰度基本上在光带附近才会出现，这种灰度的像素对于检测没有什么用处，可以让它们的灰度值都减小到接近200，这样模型碰到这种接近200 的像素值就发现这里没有灰度的变化，就知道这里没有目标物。为了推理加速，上面这个作用于全图所有像素的分段函数还采用了np.vectorize 函数进行向量化加速。该预处理作用于推理阶段，可显著提高淋雨轨道板上引接线检测效果，亦可作为训练阶段数据增强手段加以运用。

3.4 基于修改网络配置文件的模型缩放技术

所谓模型缩放即希望一个算法衍生出多个模型，对计算和存储的需求不同（精度当然也不同），以满足部署在不同平台的需求。模型缩放通过改变模型输入图像的分辨率，模型的深度和宽度这三个要素来实现。本文，试验了yolov4_p7和yolov4_p5 这两种网络结构，试验了三种输入图像分辨率800×800,640×640,512×512，试验了多种宽度乘数width_multiple和深度乘数depth_multiple 的组合，最终得到最优的网络结构是yolov4_p5，且宽度乘数为0.8，深度乘数为1.0，输入图像分辨率为640×640。这一结构是满足显存大小和训练时间约束下速度精度权衡后最优的选择。

如此优选的网络结构带来的性能提升是最为显著的，mAP从最开始yolov4_p7模型的0.766改进为最终yolov4_p5模型的0.97，推理速度从平均0.1s一张图提升为0.05s一张图。

4 用户界面和统计结果

本文成果涉及我国“四纵四横”高铁规划网中沪汉蓉高速铁路和徐兰高铁上引接线的智能检测，成果体现为用户可一键运行的批处理程序，双击运行后会弹出如下用户界面供用户选择多次探伤车采集生成的轨道板图像文件夹所在根目录。选择根目录并点击开始检测后，软件将自动依次读取根目录下所有文件夹内轨道板原始图像并将引接线检测结果自动保存在根目录下，程序平均约每0.05 s 处理一张标准的2048×2087 大小的原始图片，在用户界面下方有一栏检测进度会实时显示当前已经处理到哪个文件夹的哪张图片，整个过程无需人工干预即可遍历完根目录下所有批次文件夹，程序自动挑出带有引接线的图片到同结构的结果文件夹中。见图6。

图6 成果软件用户界面

考虑到漏检和误检带来的代价不对等，漏检一例即可能带来严重高铁运营安全隐患，而误检一例仅增加少许人工看图工作量，故成果优化重点在引接线的漏检率上，同时减负率=1-总检出图数/总图数也是需要关注的成果指标，因为该指标直接反映了机器智能检测带来的人工成本的降低。经处理汇总，对于无砟轨道徐兰高铁和有砟轨道沪汉蓉高铁的统计结果如表1 所示。其中漏检率的分母是总带目标图数，误检率的分母是总共统计图数。见表1。

表1 徐兰高铁和沪汉蓉高铁检测结果统计汇总

5 结束语

本文在先进目标检测算法Scaled_yolov4 基础上结合一些训练及推理阶段的优化手段，提出了一些针对引接线检测问题的技巧，通过这些技巧的综合运用，能够有效减少引接线漏检率和误检率，显著提高看图工作减负率，所述模型在徐兰高铁和沪汉蓉高铁上取得了良好的应用效果。