在役轨道构件病害智能检测技术和装备深化研究

王丹　李东腾

［摘 要］针对铁路发展的轨道构件巡检要求，本文提出在役轨道构件病害智能检测技术和装备深化研究方案，通过深入研究一套基于3D视觉测量和机器人技术的在役轨道构件病害智能检测装备来满足高精度、智能化、长里程的要求，以此保障轨道构建高效巡检和铁路安全生产。

［关键词］巡检；二维/三位视觉联合测量技术；深度学习

［中图分类号］U21文献标志码：A

近年来，随着普速铁路的快速发展，轨道构件的状态和性能成为运营安全和维护的重要关注点。轨道的状态会随着时间的推移和列车行轧等因素而逐渐恶化，轨道构件病害的发生使得铁路事故的风险大大增加。但是在巡检方面，人工巡检方式和自动化巡检无法满足工务检测的高精度、长里程的严格要求［1］。因此，本文旨在深化研究在役轨道构件病害智能检测技术和装备方面的关键问题，从而满足铁路构件巡检长里程、高精度的严格要求。

1 研究意义

构件是轨道的重要组成部分，而轨道构件病害则一直是普速铁路工务检测和維修的重点关注内容。目前，对轨道构件状态的检测主要依靠人工巡检的方式进行。巡检的内容包括钢轨表面伤损、接头、扣件失效等异常情况。但是人工巡检方式和自动化巡检无法满足工务检测的严格要求，因此本文提出研究在役轨道构件病害智能检测机器人。

一方面，在役轨道构件病害智能检测装备以小型化、自行走的轨道构件智能巡检机器人为载体，其形态介于手工工器具与大型作业车之间，同时兼顾了人工巡道的灵活性和综合检测车的高效率与准确性。另一方面，利用二维/三维视觉联合测量技术，通过在数据源头上增加一维信息，弥补传统二维图像识别技术的不足，从而大幅简化轨道构件病害识别算法的复杂度，既提高了算法效率和时效性，也提高了检测准确率和检测内容的丰富度。通过本项目技术的应用，获得轨道构件病害的量化表征数据，从而为轨道状态健康管理提供可靠支撑，对于提高目前工务维保专业的智能化水平、实现“状态修”的理想目标具有重要意义。

2 巡检机器人设计

2.1 机械设计

机器人关键设备包括以下四个部分：

其一，传动系统。用于实现电机与车轮之间的动力传递，主要包括减速器和传动机构。巡检机器人采用行星减速机和同步轮带相结合的传动方式。行星减速机通过齿轮组合实现减速，其特点是体积小、重量轻、承载能力高、运转平稳、噪声低、输出扭矩大等。同步轮带通过轮带组合实现减速机与车轴之间的传动，具有传动准确、平稳、效率高等特点。

其二，制动系统。机器人采用电机制动与电磁制动相结合的方式实现制动。由于机器人采用的伺服电机自身具有力矩保持功能，一般情况下，通过遥控终端人机交互界面中的减速按钮，电机自动降低转速直至停止，即可实现机器人的正常制动。同时，电机尾端带有电磁制动器，可实现紧急制动和无电情况下的驻车制动。

其三，车轮采用非金属材料，避免机器人行驶时对线路上的计轴设备产生影响。同时，为尽量减小蛇形现象，车轮采用磨耗型踏面设计。同时，为了保证足够的车底高度以符合限界要求，车轮半径不小于60mm。

其四，快锁结构。巡检机器人采用可拆卸结构设计，各模块之间利用快锁结构进行连接，操作人员无需任何工具即可在几分钟之内完成快速装配或拆卸。为保证快锁结构的牢靠性，采用钛合金材料加工而成，具有极高的刚性和强度。

机器人主体结构机器人结构设计主要考虑以下方面，机器人采用前驱方式，电机位于底盘下方，靠近前轮；为保证视觉模块的下方视场范围内无任何遮挡，视觉模块采用悬臂式结构设计；考虑整体重心平衡，将电源部置于机器人的前部，视觉检测部和自动控制部置于机器人后部；考虑激光雷达的工作需求，将环境感知部置于机器人的最上部；考虑通信控制和数据传输的复杂性，将视觉检测部、自动控制部和环境感知部集成为一个整体；考虑搬运和上下道的便捷性，采用可拆卸的结构设计。

2.2 机器人控制系统设计

机器人控制系统按照功能可分为多个子模块：

其一，操作员在投放机器人后，先对机器人进行巡检任务设置，机器人开始自动运行。在机器人运行过程中，可看到机器人的运行状态、位置信息、任务完成情况，在必要时可切换至手动控制，获取行车监控视频进行手动驾驶。

其二，根据设置的任务信息，机器人自动载入相应的线路信息，并根据时间、里程、线路情况等进行速度规划。在无法继续执行任务的情况下，可进行机器人召回。

其三，为确保机器人的安全运行，环境感知通过摄像头对轨道的状态进行检测，包括可通行状态和道岔等特殊轨道状态，同时通过激光雷达对远距离障碍进行检测，将此类信息传递给行车控制器进行车速控制和制动。

其四，轨道检测完成两台视觉模块的数据采集和预处理，并进行存储。

其五，基于线路信息、位置信息、环境信息和机器人自身状态（过弯、爬坡、下坡等）对机器人进行速度控制，确保机器人在轨道上平稳运行，不发生脱轨、倾覆等问题。根据激光雷达和超声波检测的障碍物信息，控制机器人减速或者紧急制动，避免发生碰撞。

其六，以线路的电子地图为基础，结合编码器里程计数和GPS/北斗定位功能，获得机器人的位置信息，根据线路上的设备，通过RFID检测获取精确的位置信息，以此对机器人和定位，辅助机器人自动控制。

其七，辅助功能主要控制车灯照片和扩音器。根据行车方向的不同（正向或方向），控制器自动控制前后照明大灯和尾灯的亮灭。控制扩音器进行语音播报，用于对线路上的行人进行警示。

3 关键技术

3.1 三维测量技术

在役轨道智能巡检机器人的核心设备为3D相机，其技术原理为三维测量技术。

所谓三维测量技术是指利用光学投影和成像设备相配合以获取物体表面点的三维空间坐标的一种非接触式测量技术，常用方法包括双目视觉、激光散斑、莫尔条纹、结构光等。其中，结构光三维测量技术最成熟，相对而言检测精度最高，近年来随着智能芯片技术的发展，在工业检测领域得到快速推广，也是轨道智能巡检系统采用的技术方法。

结构光三维测量方法也称为“光切法”或“光刀法”，其技术原理为三角测量原理。利用激光器向测量物体投射激光，从而在物体表面获得一个反射点。再利用与激光器呈一定角度的相机对其进行拍摄，从而在物体、激光器和相机之间构成空间三角关系。由于相机与激光器之间的位置关系（角度和距离）可以通过事先标定的方法获得，从而即可根据激光点（也就是物体表面点）在相机成像面中的位置（像素坐标）推算出其与相机成像面的实际距离，进而可推算出其在世界坐标系中的实际坐标［2］。

光切法实质是三角测量法的一种扩展应用，即将激光光线改换成激光光面（光刀）。这样，在单次测量时，获得的便不是一个点的高度值，而是一条线（轮廓线）上各个点的高度值。进一步，利用激光线对物体表面进行纵向扫描，即可获得物体整个表面各点的高度值，也就是物体的轮廓面，俗称“三维点云”。

显然，相对于二维图像而言，三维测量技术对于物体外形和结构的测量具有天然的优势。因为图像的拍摄过程实际是将三维立体转换为二维平面的过程，不可避免的丢失了一个维度（深度）的信息。想利用二维图像对物体外形进行测量，则需要通过其他信息（如灰度、阴影、颜色、物体表面各点相对位置关系等）将丢失的深度信息弥补回来，这从物理源头上即存在技术障碍，难免对检测算法提出极大挑战。而钢轨、扣件等轨道部件的可视病害中，轨面剥落掉块、扣件螺栓松动等无一不是改变了物体的原本外形，这就为三维测量技术发挥天然优势提供了理所当然的应用场景。

3.2 二维与三维视觉联合测量技术

在役轨道智能巡检机器人可同时采集轨道部件的二维灰度图像和三维深度数据，将两种数据类型各自在物体表面纹理检测和立体结构检测方面的天然优势进行结合，并针对不同轨道部件的不同病害在两种数据类型中的不同表现特征进行针对性的数据应用，从而实现病害检测算法的高效率运行［3］。图1为将二维灰度图像和三维立体数据进行像素级数据融合后得到的联合视觉数据。

3.3 深度学习技术

在现代社会，实现人工智能需经过机器学习，而深度学习是机器学习的一种应用较广泛的技术方法。深度学习来源于人工神经网络的研究，与神经网络结构相似，其由多个多层感知器构成。

深度学习寻找样本数据特征的方式为通过将低层特征数据进行多种组合，并形成更为抽象复杂的高层表示属性的类别或特征。深度学习是为了让机器模拟人脑具备分析整合能力，以达到识别文字、音频和图像等数据的目的。学习的过程是通过学习样本数据的内在规律和表现层次，以帮助人们更好地解释文字、图像和音频等数据的规律及其内在关系。

深度学习首先需要设定合适的神经元计算节点数量和多层运算结构层次，选择合适的输入层和输出层样本数据，在所构建网络的基础上，由机器进行学习，从而建立输入层到输出层对应的函数关系，并通过多次调优，尽可能建立与现实相符的关联关系。训练成功的网络模型可以帮助自动化处理复杂事务。

在役轨道智能巡检机器人通过不断使用积累大量的轨道视觉数据，利用深度学习算法对轨道构件病害进行自动识别和检测，再进一步进行迭代学习，可使得巡检机器人“越检越准”。

3.4 轨道构件病害人工智能识别算法设计与模型训练

检测算法的整体流程，首先，在数据预处理阶段，对两台视觉模块采集的二维灰度图像和三維形貌图像进行空间标定、滤波去噪以及拼接融合，为后续病害检测识别和可视化打下基础；其次，基于轨道二维灰度信息和三维深度信息，综合采用深度学习、模式识别、图像处理等方法，分别对钢轨、接头、扣件、道岔以及道床进行病害检测［4］；最后，在整条线路检测结束后，生成检测结果报表。

图2为钢轨病害检测算法原理。基于轨道三维信息，采用图像处理算法，将钢轨区域进行分割提取。同时，基于轨道二维灰度信息和三维深度信息，综合采用图像处理算法和异常检测算法，对钢轨折断、钢轨剥落掉块、钢轨爬行等病害进行检测。

图3为接头病害检测算法原理。基于二维灰度图像和三维深度图像，采用深度学习检测模型，在海量数据中实现钢轨接头的检测识别和精确定位。在此基础上，采用模式识别和图像处理算法，将接头接缝、夹板、螺栓等各个部件区域进行进一步定位分割提取，通过特征检测、区域测量等方法，实现接头错牙、接缝超标、夹板脱落、联结螺栓脱落等病害的有效检测。

图4为扣件病害检测算法原理。基于二维灰度图像和三维深度图像，采用深度学习检测模型，在海量数据中实现扣件的精确定位。在此基础上，综合采用针对螺栓、弹条、轨距块等扣件部件的深度学习检测模型、分割模型以及图像处理算法，实现螺栓缺失、螺栓松动、弹条脱落、弹条折断、弹条退出移位、弹条歪斜、轨距块缺失等病害的有效检测。

4 结语

针对铁路轨道构件病害巡检对于检测的高精度和长里程的高要求，对机器人的构造设计和图像识别算法的深度研究提出合理方案，设计的小型化、自行走的轨道构件智能巡检机器人，兼顾了人工巡道的灵活性和综合检测车的高效率与准确性，利用二维与三维视觉联合测量技术弥补传统二维图像识别技术的不足，既提高了算法效率，也提高了检测准确率和检测内容的丰富度。通过在邯黄铁路进行多次模拟和改进，机器人的各项功能符合铁路现场的功能需求，可以为相关轨道构件病害智能巡检机器人的研究提供参考。

参考文献

［1］邓克涛. 城市轨道交通安全事故隐患排查治理信息化技术探讨［J］. 科技风，2020（4）：83.

［2］郭继平，李名兆，周迎春，等. 基于快速散斑结构光三维重建的在线测量系统［J］. 计测技术，2022，42（6）：48-52.

［3］王鲲鹏，赵心颖，王雨婷，等. 城轨车辆车载轨道智能巡检系统设计［J］. 机电工程技术，2023，52（5）：204-208.

［4］于子良，黄志辉，杨珏，等. 轨道隧道巡检现状及智能检测机器人发展趋势［J］. 机车电传动，2020（6）：137-142.

［作者简介］王丹，男，河北沧州人，邯黄铁路有限责任公司，中级工程师，本科，研究方向：铁路设备维修与管理。

李东腾，男，河北石家庄人，邯黄铁路有限责任公司，助理工程师，本科，研究方向：铁路牵引供电。