机器视觉在轨道交通系统状态检测中的应用综述

发布时间：2022-03-26所属分类：科技论文浏览：1次

摘 要： 摘 要: 城市轨道交通系统主要由弓/网系统、轨道线路、车辆、车站等组成,传统的人工巡检等方法检测效率低、劳动强度大、自动化和智能化程度不高,给城市轨道交通的运营保障和进一步健康发展带来了巨大的挑战. 机器视觉作为一种重要的检测手段,在城市轨道交通系统状态检测

　　摘 要: 城市轨道交通系统主要由弓/网系统、轨道线路、车辆、车站等组成,传统的人工巡检等方法检测效率低、劳动强度大、自动化和智能化程度不高,给城市轨道交通的运营保障和进一步健康发展带来了巨大的挑战. 机器视觉作为一种重要的检测手段,在城市轨道交通系统状态检测领域得到了广泛的应用. 鉴于此,针对机器视觉在城市轨道交通系统安全状态检测中的研究和应用进行综述. 首先,简要介绍城市轨道交通的基本概念和快速发展所面临的挑战与机遇. 然后,详细介绍机器视觉技术在城市轨道交通各子系统安全状态检测中的研究与应用情况;针对弓/网系统状态检测问题,分别重点介绍机器视觉在受电弓磨耗检测、受电弓包络线等其他病害检测、接触网几何参数检测、接触网磨耗检测以及接触网悬挂病害检测中的国内外研究现状;在轨道线路安全状态检测方面,分别介绍机器视觉在扣件安全状态检测和钢轨表面病害检测中的应用与研究现状;从不同检测项点角度详细介绍机器视觉在车辆状态检测中的应用与研究进展;梳理和总结机器视觉在车站电扶梯安全监控和站台安全监控的异常行为检测中的具体应用和研究;并重点介绍机器视觉在轨道交通司机行为监测中的具体应用和背景技术. 最后,对机器视觉技术应用于城市轨道交通系统状态检测领域的未来进行展望.

　　关键词: 城市轨道交通;安全状态检测;智能化;运营保障;机器视觉

　　0 引 言

　　轨道交通是集多专业、多工种于一身的复杂系统,通常由轨道线路、车站、车辆、弓/ 网系统、通信信号系统等组成,本文讨论的轨道交通主要指城市轨道交通. 常见的轨道交通有传统铁路(包括国家铁路、城际铁路和市域铁路)、地铁、轻轨和有轨电车. 其中与其他类轨道交通不同的是,地铁是修建在城市中的一种快速、大运量、用电力牵引的轨道交通[1] . 目前, 随着我国城市化进程逐步加快,城市规模不断扩张, 城市人口日益增加,大量流动人口开始涌向城市,居民出行的交通需求急剧增长,轨道交通由于其方便、快捷、环保、载客多的特点已广泛应用于解决我国一些大城市的交通问题. 轨道交通作为改善城市交通环境的重要交通工具,其建设是衡量城市经济发展水平的重要标识之一[2] .

　　近年来,得益于各大领域相关科学技术的不断进步,城市轨道交通也得到了飞速发展,逐渐成为各大城市主要的交通运输方式. 据统计[3] ,截至2019年底, 中国大陆地区共有40个城市开通轨道交通运营线路 208 条, 运营线路总长度 6 736.2 km. 其中, 地铁运营线路5 180.6 km,占比76.9 %. 当年新增运营线路长度974.8 km. 此外, 2019年全年累计完成客运量237.1 亿人次,同比增长12.5 %;总进站量为149.4亿人次,同比增长12.2 %;总客运周转量为2 003.1亿人km,同比增长13.8 %,运营规模继续保持高增长势头. 从2019 年的统计数据不难看出,轨道交通的发展非常迅猛, 且在“交通强国”“新型城镇化”等发展战略下,国家也将投入更多的资金,在更多的城市规划和建设轨道交通线网.

　　然而,随着轨道交通的快速发展,对于轨道交通的运输安全和维保决策也提出了更加严苛的要求. 轨道交通系统由多个部分组成,每个部分的安全都将影响整个系统的运营安全. 如轨道线路,作为轨道交通整个系统的生命线,其安全状态的好坏直接影响着运营车辆在正常行驶过程中的平稳性和安全性,同时也会影响乘客乘坐时的舒适性. 当轨道线路设备出现病害且不断发展恶化,也将增加线路维修养护的成本和维保决策的难度[4] . 此外,如弓 / 网系统,其担负着将牵引网电能输送给运营中车辆使用的重要任务, 这一过程中若存在任何异常或者病害没有及时发现并进行处理,则有可能导致严重的故障,严重影响运营车辆的安全运行,而弓 / 网故障以及进一步引起的弓 / 网相关故障已经成为轨道交通事故中最主要的事故原因之一,牵引系统故障约占总事故数的三分之一,部分严重的年份甚至能达到40 %以上[5] . 因此,对于轨道交通安全状态的及时且精准检测,优化维修策略,保障轨道交通高效率零事故的安全运营,进一步促进我国轨道交通的发展,具有相当重要的意义.

　　长久以来,对于轨道交通安全状态的检测主要以人工巡检的方式为主,该方式虽简单易行但劳动强度大,效率低下,对巡检人员的专业素质要求较高,检测结果往往受主观的影响较大,不仅一些检测需在运营空窗期内完成,甚至还可能危害到巡检工人的人身安全,而且难以满足日益增长的运营需求[6] . 针对人工检测方式存在的诸多问题,在科学水平和自动化技术不断发展和成熟的推动下,多种非接触式无损检测方法逐渐被提出并应用在轨道交通系统安全状态检测领域. 非接触式无损检测技术是一种具有较高自动化程度和检测精度[7] ,且便于操作的现代化诊断技术,主要包括超声波检测、电涡流法、漏磁检测、红外检测、激光全息检测等方法. 该技术在检测过程中没有破坏性,效率较高,且不与待检测目标接触,能够远距离实现对待测目标的检测. 近几年,随着机器视觉、机器学习、深度学习、人工智能等领域技术的迅速发展,基于机器视觉的非接触式检测方法逐渐发展成熟并广泛应用在电气、电子、机械、汽车、工业检测等领域,是目前最为常用的一种检测方法[8] .

　　机器视觉技术一般是指使用非接触式光学设备和传感器自动接收并处理真实场景的图像以获得人们所需要的信息[9] ,它可以代替人类进行尺寸测量、缺陷检测、目标识别、机器人导航等. 工业上典型的机器视觉系统主要由光学成像模块(包括光源、相机、镜头)、图像获取模块(图像采集卡)、实时处理模块和执行模块等组成[10] . 相较于传统的人工检测技术,基于机器视觉的检测方式具有非接触性、实时性、灵活性和精确性等特点,适用于重复性高、环境条件恶劣以及非接触精密测量的场合[11] . 随着机器视觉技术的逐步发展,上述机器视觉的优势和特点可有效解决传统检测方式存在的诸多问题,使其在轨道交通系统状态检测领域得到了越来越多的关注和应用. 与此同时,如何更好地在利用机器视觉技术的基础上,结合深度学习、人工智能等先进的技术,实现更加自动化、智能化的轨道交通系统状态检测,也成为近几年研究的热点问题,有重要的研究价值.

　　鉴于此,本文针对机器视觉技术在轨道交通系统状态检测中的研究和应用进行全面且系统的总结. 详细介绍了机器视觉技术在轨道交通中的弓 / 网系统、轨道线路、车辆、车站等子系统的安全状态检测中的热点应用,并分析总结了现有各子系统的安全状态检测方法. 最后总结和展望基于机器视觉的轨道交通系统状态检测目前存在的问题及其研究趋势和应用前景.

　　1 机器视觉在弓/网系统状态检测中的应用

　　弓/ 网系统是轨道交通供电系统中的关键组成部分,其安全状态的好坏直接影响着运营车辆的正常运行. 因此,在列车运行过程中需要对弓 / 网系统状态实时进行监测,以发现可能存在的故障并及时排除隐患. 弓/ 网系统检测目前主要采取4种技术手段,包括人工检测、接触式弓 / 网检测、非接触式测距技术弓 / 网检测以及非接触式图像处理技术弓 / 网检测[12] . 基于机器视觉的弓网检测相比其他3种方案而言,检测灵活性高,准确度高,设备智能程度高,并且对正常行车干扰影响小,因此得到了越来越广泛的应用.

　　弓/ 网非接触式图像检测实际上是利用相机设备对弓 / 网进行远距离图像采集,再通过计算机视觉相关技术对弓 / 网状态进行分析,以对其状态进行检测,因此,弓 / 网监测系统的设计与研制便成为一个比较关键的问题. 弓 / 网系统是比较复杂的综合系统, 其中受电弓与接触网之间是相对独立的两个子系统, 受电弓安装在机车车辆顶部(如图1所示),接触网安装在地铁隧道顶部或者布置在室外线路上(如图2所示),因此受电弓和接触网的检测系统往往是相对独立的,本节将从这两个部分分别介绍机器视觉技术在弓/ 网系统状态检测中的应用.

　　1.1 受电弓状态检测

　　受电弓检测系统往往是安装在地面上的定点设备,当列车运行经过检测装置时,由高速相机等设备采集得到受电弓图像,然后将图像传回后端进一步对受电弓状态进行检测和分析. 目前,国内外有多家公司和研究所研制了受电弓监测系统方案,如英国 Ricardo Rail公司、土耳其科学研究院(TUBITAK)及中国中车株洲电力机车有限公司等[13-18] . 以文献[18] 为例,一个完整的受电弓监测系统往往包含若干个子系统,如触发系统、拍摄系统、照明系统、传输系统、中心处理系统等. 如图3所示,当列车通过检测设备时, 运用电流传感器、紫外探测器、红外成像仪、激光发生器、高速相机监测和采集弓网主要结构参数以及弓网图像,然后在后台进行分析和检测. 不同单位研制的系统在设备和布置形式上会有一些差异,但大致相同. 在获取到受电弓图像后,关键的问题就是利用计算机视觉技术对受电弓状态进行识别和分析.

　　1.1.1 受电弓磨耗检测

　　在国内外受电弓状态检测相关的研究中,针对受电弓滑板磨耗病害的检测相对较多,根据所采用的具体算法主要分为基于传统图像处理的检测方法和基于深度学习的检测方法.

　　基于传统图像处理的检测方法检测步骤如下: 首先通过边缘检测等算法来提取受电弓滑板边缘磨耗曲线,然后在此基础上分析和评估受电弓磨耗的严重程度. 文献[19]分析对比了不同的边缘检测算子, 最终得出Canny边缘检测算子的提取效果最好. 文献 [20]采用了对称近邻均值滤波器(SNN),能一定程度上过滤噪声并保护图像边缘. 文献[21-22]首先采用模糊C 均值聚类算法(FCM)对原始图像进行分割,提取出受电弓有效区域;然后使用边缘提取和边缘生长方法获取磨耗边缘,并利用基于数学形态学的边缘生长法连接边缘中断的位置,最终得到完整的受电弓滑板边缘. 这种方法在受电弓滑板磨耗较为严重,即滑板边缘曲线梯度值较大的情况下检测效果较为良好. 以文献[21]结果为例,原始的受电弓滑板图像和提取的磨耗曲线如图4所示. 基于传统图像处理的检测方法思想简单,易于实现,但算法稳定性差,鲁棒性不高,检测步骤较繁琐,而且最终检测结果受制于滑板边缘曲线的提取结果.

　　近年来,针对传统基于图像处理的检测方法存在的不足,基于深度学习技术的受电弓滑板磨耗检测和分析方法得到越来越多的关注,逐渐成为研究热点. 文献[5]基于经典卷积神经网络,经过结构调整及参数调优提出了PDDNet,经过训练后能够以超过 90 %的准确度实现受电弓病害类别识别. 文献[23] 在文献[5]的基础上,利用深度学习中的目标检测技术,并使用基于Soft-NMS改进的Faster R-CNN网络, 以更高的准确度在原始图像中实现受电弓区域的提取以及病害识别[23] . 基于深度学习的方法相比传统方法而言,具有更好的泛化能力和智能性,但是受限于设备计算能力以及训练数据集的不足,在实际线路中的应用还有待进一步研究.

　　1.1.2 受电弓其他病害检测

　　在实际车辆运营线路上, 除了滑板磨耗外, 受电弓还存在包络线、中心线偏移和羊角缺失等病害, 这些病害的存在都会不同程度地影响车辆运营的安全[24-28] .

　　受电弓包络线是指运营车辆在最高设计运行速度之下时受电弓外形轮廓在垂直方向的上下最大振动量,以及水平方向的左右最大摆动量所形成的包络线[24] ,检测受电弓包络线对于弓网设备安装、维护以及状态检测具有重要的意义. 文献[24-25]设计一种受电弓包络线检测装置,在高压钠灯照明环境下拍摄受电弓图像,并采用了一种基于序贯相似性检测算法的模板匹配法以获取受电弓运行位置,进而计算出其动态包络线结果. 实验结果表明,该方法具有较高的精确度,可行性较强,但检测效果依赖于对待检测受电弓模板图像的设计.

　　相关知识推荐：论文投稿前怎么查重复率

　　文献[26]利用多种图像处理算法研究了受电弓中心线偏移检测和羊角缺失检测方法. 针对中心线偏移检测,首先通过Hough变换等方法检测并计算滑板中心点,同时检测弓网接触点的位置,然后计算差值得到中心线偏移值. 针对受电弓羊角缺失病害的检测,首先通过对比分析羊角图像灰度特征与羊角状态之间的关系,并采用HOG特征描述算子对羊角图像进行特征提取,然后使用SVM (支持向量机)对特征向量进行二分类,从而判定图像中羊角是否有缺失. 文中所提出的检测算法关键在于受电弓中心和羊角中心的准确定位,鲁棒性有待进一步提升.

　　此外,针对受电弓裂纹病害的检测,文献[27]利用曲波变换多方向性及各向异性特点,对受电弓滑板图像点状、线性和非线性特征进行分类. 在曲波分解方向矩阵中使用移动平行窗口并计算窗口能量值,依据能量值区分线性平行接缝与背景噪声、螺钉和刮痕等其他非线性图像特征,最终获取滑板裂纹信息; 文献[28]在基于区间二型模糊熵的边缘检测结果的基础上,采用变换分析各类图形元素在参数空间的特征分布,提出一种基于极角约束Hough变换的裂纹提取方法,通过有效地排除非裂纹图形元素的特征点, 最终实现滑板裂纹的自动检测. 两者均实现了受电弓滑板裂纹的非接触式检测,为实际工程应用领域中解决滑板裂纹自动检测问题提供了新的思路,但检测精度及速度都还无法达到现场使用的要求.

　　1.2 接触网状态检测

　　城市轨道交通接触网主要沿着轨道车辆运营线路布置,根据安装地点及方式不同可分为刚性接触网和柔性接触网两类. 其中,刚性接触网安装在地铁隧道顶端,柔性接触网安装在线路两旁的支架上,因此对于接触网的检测和受电弓检测不同,不能使用定点设备. 目前,基于机器视觉的接触网状态检测方法是利用安装在车顶的检测设备,实现了在途检测,也有部分通过检测车或者手持设备进行检测的方案,但实际应用效果相对较差[29] . 接触网状态检测系统根据检测项点的不同,其具体设计方案也会有所区别.

　　1.2.1 接触网几何参数检测

　　接触网几何参数是接触网系统的重要数据,主要包括导高和拉出值,分别为接触线与钢轨平面垂直距离,以及接触线与轨道中心水平距离[30] . 接触网几何参数是衡量接触网运行状态的重要指标,是影响弓网匹配关系以及列车行驶安全的重要因素,也是相关部门进行维护的重要参考依据. 目前,接触网几何参数检测方案主要包含单目相机方案和双目相机方案两种.

　　单目相机方案即采用一个相机检测接触网几何参数[30-31] ,通过摄像机拍摄接触网视频,对于视频中的每一帧图像,通过灰度分布图等方式获取接触线位置,并计算其像素坐标. 为了将像素坐标转换成实际物理坐标需要进行标定,利用预先设置尺寸已知的标定物,通过计算转换关系获取接触网实际的导高和拉出值信息. 单目相机方案图像获取便捷,计算相对简单,成本低,但接触线的水平位置经常变化会使得单相机的数据采集范围有限,实现车载实时检测困难.

　　双目相机方案采用两个相机,在接触网两侧分别拍摄接触线,如图5所示[32] . 在设置好系统参数后分别拍摄接触网图像,并获取接触网中心点在左右图像上的坐标,进行系统标定后即可通过三角形原理计算出接触网在整个系统中的三维物理坐标[33-35] . 双目方案的优点在于测量更加迅速准确,拍摄范围更广, 对图像处理方面的要求更低,适用性更好. 但是,该方案需要保证相机安装参数的精度,容易受到各种误差的影响.

　　1.2.2 接触网磨耗检测

　　接触网作为弓网系统的核心部件,在运营车辆高速运动过程中与受电弓碳滑板一直保持高速接触摩擦状态,经过长期运行接触网底部即接触线表面往往会出现磨耗,如图6所示. 其中: r 为接触曲线半径, h 为接触线残高, θ 为磨耗点与中线的夹角. 与受电弓滑板相同,接触网磨耗较为严重时会影响到轨道交通的运营,需要及时进行更换. 目前,基于机器视觉的接触网磨耗检测方案主要分为3种,包括单目相机方案、双目相机方案和结构光检测方案.通常,当接触网存在磨耗时,其底部会存在断面, 断面对光的反射性比导线其余弧形部分要强,因此在采集到的图像中,接触线磨耗边缘会产生明显的梯度变化,为提取接触线磨耗部分提供了可能. 文献[36] 展示了一种典型单目检测接触网磨耗的方法,通过从车顶对接触网图像进行拍摄,并经过图像增强、图像分析、边缘检测以及形态学处理方法,在一张图像中提取出磨耗部分的轮廓信息,进而分析磨耗状况. 该检测方法思想简单,容易实施,但检测结果极易受参数标定结果的影响,而且该方法对图像处理的要求较高,鲁棒性差.

　　双目视觉法是在单目相机的基础上添加一个相机,左右相机分别拍摄得到接触线图像. 在系统物理参数固定的情况下,根据系统坐标关系得到接触线磨耗面上某个点在左右相机坐标系下的坐标后,利用三角成像原理即可以计算出该点在世界坐标系上的坐标. 提取出接触线磨耗面边缘后计算得到某一断面上左右边缘的坐标即可计算得到这一接触线断面的磨耗情况[37-39] . 双目相机方案也是目前接触网磨耗检测的主要方案,相比单目相机方案检测结果更为准确,一定程度上避免了参数较难标定的问题,但检测结果仍然比较依赖图像处理技术提取接触线边缘.

　　以上研究都只能得到接触线磨耗的数值信息,无法识别出接触线磨耗的具体形态. 文献[40]基于双目立体成像原理,提取出左右图像中的SURF特征进行立体匹配,进而得到接触线的视差图,从而实现了接触线表面的三维重建. 基于图像匹配的方式依赖于图像特征的提取,受噪声影响较大,使用结构光则可以很好地避免这一问题. 文献[41-42]利用单目相机和线结构光相结合的方式,依据三角成像原理,经过结构光平面参数标定以及激光光条中心线提取,获取接触网表面某一截面的三维坐标,通过重复计算获取多个截面坐标,进一步实现接触网表面的三维重建. 基于结构光的检测方案对图像处理的要求较低, 同时多方案融合的方式也有效提升了重建结果,实际现场应用效果有待进一步验证,技术方面还有很大的可提升空间.

　　1.2.3 接触网悬挂病害检测

　　高速发展的城市轨道交通对于轨道交通运行装置的安全检测同样也提出了更高的要求. 在众多运行装置中,接触网悬挂装置是向城市轨道交通运营车辆提供电力的关键电力设备,是轨道交通牵引供电系统的关键组成部分. 如上所述,接触网主要分为柔性接触网和刚性接触网两大类. 柔性接触网一般在空间大的车场、车辆段等高架线路或地面线路使用,而刚性接触网在城市轨道交通线路的地下区段使用,且在城市轨道交通系统中占据主要部分[43] .

　　刚性接触网(如图7所示)相对于柔性接触网具有诸多优点,如维护检修容易,架构比较简单,安全方便,较难断线等[44-45] . 但是,在恶劣且长期振动的工作环境下,容易出现刚性接触网导流板故障、汇流排腐蚀、汇流排局部严重磨损等故障[46] . 接触网悬挂装置的故障将导致该供电分区全部失去电力,区段内所有运行中的车辆将失去动力,轻则发生车辆停运,重则造成交通事故. 因此,实时有效地检测接触网悬挂装置的运行状态是保障轨道车辆能正常运营的重要措施。——论文作者：魏秀琨† , 所 达, 魏德华, 武晓梦, 江思阳, 杨子明