文/陳健雄（中鐵第四勘察設計院集團有限公司）

中低速磁浮列車通過受電靴與走行軌兩側(cè)的接觸軌接觸，從而獲得開行所需的電能

[1,2]，隨著受電靴與接觸軌的作用時間增加，接觸軌螺釘容易出現(xiàn)松動等故障，影響列車的受流質(zhì)量。為確保列車能平穩(wěn)、持久、安全地運行，需要定期對接觸軌進行巡視，確認其服役狀態(tài)，若發(fā)現(xiàn)螺釘松動等故障，運維人員需要對其修復，或者直接更換?，F(xiàn)有的接觸軌螺釘檢測主要采用人工巡視和工業(yè)攝像機巡檢相結(jié)合的方式，先通過查閱攝像機對接觸軌區(qū)域拍攝的圖像，再有的放矢地在對應區(qū)域進行巡視。這種檢測方式相較于單純的夜間人工巡視安全隱患較小，效率更高。但螺釘故障識別的準確率與技術人員工作狀態(tài)直接相關，當處于疲勞、虛弱的狀態(tài)時，容易出現(xiàn)誤檢以及漏檢的情況。因此，接觸軌螺釘松動的自動識別是完善中低速磁浮運維急需解決的重要問題。

現(xiàn)有的螺釘松動自動識別方法有：聲彈效應法、時間反演法、基于壓電主動傳感檢測法、振動分析法[3,4]等，這些方法均屬于接觸式檢測方法，需要使用探頭接觸待測緊固件或者直接在緊固件中安裝傳感材料，多用于小范圍區(qū)域緊固件的檢測，如航空、船舶領域的關鍵設備。而中低速磁浮接觸軌螺釘廣泛分布于線路兩側(cè)，采用接觸式檢測方法方案設計困難，投資巨大，可行性較小?；跈C器視覺的檢測是典型的非接觸式檢測方法之一，其與被檢對象不存在機械或電氣上的連接，且傳感器布置方案靈活，適應性高，在軌道交通設備監(jiān)測領域得到了較為廣泛的應用[5-10]，基于長沙磁浮公司巡檢裝置獲取的圖像，本文提出一種基于灰度累加與YOLO v2網(wǎng)絡[11]的接觸軌螺釘松動識別方法。該方法由接觸軌定位和螺釘松動識別兩個部分組成：首先對接觸軌圖像進行垂直方向上的像素投影，通過對投影結(jié)果進行排序，定位接觸軌所在區(qū)域，排除無關背景干擾。隨后基于提取的接觸軌區(qū)域圖像，采用YOLO v2對松動螺釘進行檢測，即可完成對松動螺釘?shù)淖R別。

一、基于灰度垂直投影的接觸軌定位

接觸軌巡檢裝置采集的圖像中除了接觸軌外，還存在大部分的無關背景，為提高松動螺栓的識別準確率，降低算法的復雜度，需要先提取接觸軌區(qū)域圖像。由于攝像機鏡頭和補償光源聚焦于接觸軌軌面，且后景深較大，導致圖像中接觸軌區(qū)域亮度顯著高于四周背景，如圖1所示，所以可以此對接觸軌區(qū)域進行提取。

圖1 接觸軌圖像及其灰度分布

由于光源并非垂直照射接觸軌軌面，同時考慮光源的不均勻度，提出基于灰度垂直投影的接觸軌提取方法。

算法具體過程如下。

(1)通過對接觸軌圖像灰度在縱軸方向上的累加，實現(xiàn)垂直投影的計算：

式中，H0是圖像的寬度，I(x,y)為圖像上坐標為(x,y)的像素的灰度值。

(2) 假定接觸軌寬度為WR，圖像的長度(x,y)為W0,計算[x0,x0+WR-1]區(qū)段投影值的積分：

圖2 基于灰度垂直投影的接觸軌區(qū)域提取

二、基于YOLO v2網(wǎng)絡的接觸軌螺釘松動識別

（一）YOLO v2網(wǎng)絡簡介

YYOLO v2采用全卷積網(wǎng)絡Darknet19

作為圖像特征提取器，其包含22個卷積層、5個池化層，無全連接層，能擺脫對輸入圖像維度的限制。同時，YOLO v2添加了拼接層，將淺層卷積提取后特征和深層卷積提取特征拼接在一起，由此豐富特征表達，使得分類和位置回歸更為準確。YOLO v2網(wǎng)絡結(jié)構(gòu)如圖3所示。

圖3 Y OLO v2網(wǎng)絡結(jié)構(gòu)

圖3為輸入416像素×416像素圖像時的特征張量表示，其中，N為特征張量的深度，B為預測框數(shù)量，c為檢測目標種類。

YOLO v2網(wǎng)絡損失函數(shù)定義如下：

由于提取的接觸軌區(qū)域圖像尺寸均為600像素像素×2048像素，在保留圖像特征的同時，適當?shù)目s小圖像能顯著的加快卷積神經(jīng)網(wǎng)絡的處理速度，考慮到接觸軌區(qū)域圖像長寬比，將其縮放至256×832像素，則相應網(wǎng)絡輸出特征圖的大小為4×13；同時，邊框預測數(shù)量B=4，檢測目標c=1。

（二）松動螺釘識別

本文采用YOLO v2網(wǎng)絡直接定位松動螺釘，由此實現(xiàn)對接觸軌螺釘松動故障的識別。

首先，基于開源數(shù)據(jù)集ImageNet和松動螺釘樣本對YOLO v2網(wǎng)絡進行訓練，步驟如下：

步驟1 去掉最后2層卷積層，并添加全連接層，使用ImageNet數(shù)據(jù)集中不同類別數(shù)據(jù)，進行分類訓練，直至訓練收斂。

步驟2 采用遷移學習，保留卷積層數(shù)據(jù)，去掉全連接層參數(shù)，同時新增2層卷積層，目標類別改為1。使用松動螺釘樣本對網(wǎng)絡進行微調(diào)，通過反向傳播算法迭代優(yōu)化損失函數(shù)，直至收斂，完成訓練。

基于訓練后網(wǎng)絡對螺釘松動故障進行檢測。步驟如下：

步驟1 將通過垂直投影提取的圖像縮放至256像素832像素，使用YOLO v2網(wǎng)絡進行預測。網(wǎng)絡最終輸出包含邊框的特征張量。

步驟2 基于上述輸出結(jié)果，采用非極大值抑制即可定位松動螺釘，由此完成對螺釘松動故障的識別。

三、實驗

（一）定位實驗

使用500張長沙磁浮公司巡檢裝置獲取的接觸軌圖像進行試驗。處理器為Intel Pentium CPU G4560，顯卡為NVIDIA Ge-Force GTX950M。接觸軌區(qū)域定位結(jié)果如圖4所示。

圖4 定位效果圖

從圖4可以看出，基于灰度垂直投影的接觸軌定位算法在不同攝像機機位情況下均能較好地定位接觸軌區(qū)域。

對500張圖像的定位結(jié)果進行統(tǒng)計，接觸軌區(qū)域的定位準確達到100%，同時，由于算法僅包含簡單的累加和排序過程，算法的時間復雜度較低，接觸軌區(qū)域的定位速度為20幀每秒，具有較強的實時性。

（二）螺釘松動識別實驗

通過垂直投影法，得到5張存在松動螺釘?shù)膱D像，其余均為正常圖像。通過鏡像、翻轉(zhuǎn)等方法將松動樣本擴充至20張。使用YOLO v2網(wǎng)絡對上述圖像進行檢測，松動螺釘?shù)淖R別結(jié)果如圖5所示。

圖5 松動螺釘識別結(jié)果

統(tǒng)計所有圖像的檢測結(jié)果，如表1所示。

表1 檢測結(jié)果統(tǒng)計表

如表1所示，螺釘松動的識別率在90%以上。實驗結(jié)果表明，利用灰度垂直投影定位接觸軌，并通過YOLO v2網(wǎng)絡定位的方法能較好地對接觸軌螺釘?shù)乃蓜庸收线M行檢測。

四、結(jié)束語

對于中低速磁浮接觸軌松動螺釘?shù)淖R別，本文提出了一種基于垂直投影定位與YOLO v2網(wǎng)絡識別的級聯(lián)檢測方法。該方法先對接觸軌圖像灰度進行垂直投影，實現(xiàn)接觸軌區(qū)域的定位，隨后使用YOLO v2網(wǎng)絡定位松動螺釘，實現(xiàn)松動故障的識別。實驗證明，本文所述方法能較為準確地識別接觸軌螺釘?shù)乃蓜樱瑢こ虘镁哂幸欢ǖ膮⒖純r值。