陳小平

當前，我國鐵路開始向信息化、智能化、智慧化方向發(fā)展［1］。智能鐵路的目標為借助新信息通信技術與鐵路行業(yè)的深度融合，實現(xiàn)鐵路運輸調度指揮、生產(chǎn)作業(yè)、養(yǎng)護維修等各領域的智能化［2］。智能鐵路的特征在于，通過對鐵路運輸系統(tǒng)中移動設備與固定設施等的全面感知，借助多種通信網(wǎng)絡方式實現(xiàn)泛在互聯(lián)，對感知的數(shù)據(jù)進行融合處理和主動學習，最終支撐科學決策。

其中，鐵路軌旁設備設施故障的智能檢測及健康管理是實現(xiàn)智能鐵路，保障鐵路運輸安全的重要組成部分。在GSM-R系統(tǒng)及450 MHz無線列調系統(tǒng)中，為解決鐵路多彎處、隧道群、長大隧道及山區(qū)等弱場強或無場強區(qū)域的信號覆蓋問題，多采用直放站+漏纜的建設方式，漏纜可以為這些區(qū)段提供穩(wěn)定的無線信號覆蓋，在目前的高鐵線路及既有線中得到大量運用，因此，漏纜質量是保障鐵路無線通信系統(tǒng)能否正常工作的關鍵。

漏纜在隧道中通常采用壁掛敷設方式，通過卡具將漏纜固定在隧道壁上［3］，但列車，尤其是高速鐵路列車在隧道內行駛時產(chǎn)生的能量波會對漏纜卡具產(chǎn)生振動和沖擊，隧道內潮濕的自然環(huán)境也會腐蝕漏纜卡具，這些因素都會造成漏纜卡具的松動、脫落，甚至斷裂，嚴重影響高鐵正常運行［4］。

按照當前鐵路運維管理規(guī)定，鐵路沿線漏纜以月為單位進行巡檢，主要采用人工徒步巡檢方式，存在作業(yè)效率低、作業(yè)難度大、作業(yè)質量難以保障、安全風險大等問題。首先，對于高速鐵路來說，作業(yè)主要集中在“維修天窗”時間段內執(zhí)行，“維修天窗”一般在凌晨之后，作業(yè)時間短，巡檢作業(yè)效率低；其次，夜間作業(yè)光線條件差，巡檢人員作業(yè)難度大，通過肉眼難以發(fā)現(xiàn)故障，且由于不同巡檢人員因自身知識水平和經(jīng)驗的差異，對漏纜故障的判斷能力不同，容易出現(xiàn)漏判、誤判等；最后，該方式對人身安全和列車運行安全也造成了很大的壓力。

針對人工巡檢存在的弊端，目前鐵路部門開展了相關研究，例如：采用車載式檢測手段［5］，但存在需要改裝檢測車、對高速適應性差、故障智能識別能力低等問題［6-7］。因此，需要研究一種全新的車載式檢查方式，并結合最新的圖像采集與智能檢測技術，進一步提升漏纜檢測的便利性和可實施性，以便大范圍推廣，全面提升漏纜檢測水平，為漏纜的全生命周期管理打下基礎。本文研發(fā)了適用于高速鐵路的漏泄同軸電纜智能檢測系統(tǒng)，通過運用圖像采集、壓縮處理、智能檢測等關鍵技術，實現(xiàn)對漏纜的智能圖像檢測，提高運維管理水平和效率。

1 漏泄同軸電纜智能檢測系統(tǒng)功能與架構

適用于高速鐵路的漏泄同軸電纜智能檢測系統(tǒng)包括車載采集子系統(tǒng)和地面數(shù)據(jù)分析中心兩部分。其中，車載采集子系統(tǒng)為一套便攜式檢測系統(tǒng)，安裝在高鐵動檢車車廂玻璃內側，借助高速低照度工業(yè)相機實現(xiàn)漏纜的圖像采集，可以同時采集專網(wǎng)漏纜與公網(wǎng)漏纜圖像。地面數(shù)據(jù)分析中心通過引入深度學習等智能圖像識別算法自動識別和提取漏纜的各種故障狀態(tài)信息，并輔以人工確認，判斷各類故障，提高故障判別的可靠性。系統(tǒng)可以檢測鐵路沿線專網(wǎng)與公網(wǎng)漏纜及其附屬件的松動、脫落、斷裂等故障狀態(tài)。

1.1 車載采集子系統(tǒng)

如圖1所示，車載采集子系統(tǒng)由圖像采集存儲單元、圖像采集控制單元及激光測距模塊、高亮補光單元等構成。其中，圖像采集存儲單元包括高速低照度工業(yè)相機、圖像壓縮模塊和圖像存儲模塊。通過大容量FPGA，將這些功能集成在一起，實現(xiàn)設備的小型化和輕量化。

圖1 車載采集子系統(tǒng)構成

1.1.1 高速低照度工業(yè)相機

系統(tǒng)選配的高速低照度工業(yè)相機附帶2個鏡頭，其中一個焦距為35 mm，另一個焦距為50 mm，分別適用于拍攝公網(wǎng)漏纜及專網(wǎng)漏纜。圖像采集傳感器主體為CMOS傳感器，并且對感光性能進行了優(yōu)化，適合在隧道等黑暗環(huán)境成像。低照度相機的分辨率為2048×2048，采集幀率可達100 fps，可滿足速度不高于350 km/h的采集作業(yè)要求。

1.1.2 圖像壓縮模塊

根據(jù)上述高速低照度工業(yè)相機的分辨率，如果按照動檢車350 km/h的運行速度，需要達到80 fps的速度才能保證不漏拍，這樣每秒產(chǎn)生的原始數(shù)據(jù)量將達到320 MB，如果不進行壓縮，數(shù)據(jù)量非常驚人。因此，圖像壓縮模塊采用實時JPEG壓縮技術［8］，可以達到1∶20的壓縮率，將數(shù)據(jù)率降低到20 MB/s以下。

1.1.3 圖像存儲模塊

圖像存儲模塊負責存儲壓縮后生成的JPEG數(shù)據(jù)，為了滿足便攜式要求，系統(tǒng)采用嵌入式存儲方案，即通過FPGA將壓縮后的數(shù)據(jù)實時保存在數(shù)據(jù)硬盤上，拍攝完成后將圖像導出，轉儲到數(shù)據(jù)中心。

1.1.4 圖像采集控制單元

圖像采集控制單元由光源相機同步控制、光源供電及驅動、隧道探測處理模塊3部分組成。圖像采集控制單元采用AC220V供電方式，為整套系統(tǒng)提供電源。圖像采集控制單元通過處理激光測距模塊的數(shù)據(jù)，判定隧道是否到來，根據(jù)隧道定位信息控制圖像的采集和LED的閃亮，為光源和相機提供同步信號。

1.1.5 高亮補光單元

高亮補光單元包括4組高亮頻閃光源陣列，瞬時功率可到1000 W，平均功率低于5 W。通過與激光測距模塊結合，在隧道內才開始閃光，出隧道后不再閃光，相機也不再拍攝圖像，大大降低了功耗。

1.1.6 定位裝置

系統(tǒng)采用GPS定位裝置與激光測距模塊相結合的方式實現(xiàn)對隧道的準確定位。由于補光單元是高功率器件，不能長時間開啟，需要在進入隧道時才開啟，因此，定位裝置將隧道定位信息傳輸?shù)綀D像采集控制單元，由圖像采集控制單元控制高亮補光單元的開關時間。

1.1.7 配套裝置

配套裝置包括安裝支架及便攜式包裝箱，便攜式檢測裝置安裝在高鐵列車車窗玻璃上，通過采用高能吸盤，可以將設備穩(wěn)穩(wěn)吸附在玻璃上。一體機、光源、激光測距模塊等都安裝在支架上，總體重量可以控制在3 kg以內，整體牢靠。同時，根據(jù)各個功能模塊的尺寸大小專門設計制作了包裝箱，可以將所有模塊都放置在包裝箱中，包裝箱內采取了防震及便于拖拉手段，極大地方便了攜帶。

1.2 地面數(shù)據(jù)分析中心

地面數(shù)據(jù)分析中心由GPU工作站、計算服務器、存儲服務器、大容量磁盤陣列、交換機和監(jiān)測終端等構成，見圖2。

圖2 地面數(shù)據(jù)分析中心

1.2.1 硬件構成

地面數(shù)據(jù)分析中心中，計算服務器負責圖像存儲與回放、檢查員復核、統(tǒng)計分析等功能。GPU工作站負責針對車載采集圖像進行智能圖像處理。存儲服務器和大容量磁盤陣列用于數(shù)據(jù)存儲。通過路局數(shù)據(jù)網(wǎng)，可將GPU工作站的運行結果發(fā)送給位于電務段的各個監(jiān)測終端，實現(xiàn)智能監(jiān)控。監(jiān)測終端供養(yǎng)護維修人員使用，可提供采集圖像回放、人工輔助確認故障等功能。

1.2.2 主要軟件功能

1）圖像存儲與回放。由計算服務器、存儲服務器、磁盤陣列等負責圖像存儲與回放，存儲容量按3個月時長考慮，圖像回放時支持對圖像的亮度、色度、對比度和飽和度的動態(tài)調整。

2）智能圖像處理。智能圖像處理是地面數(shù)據(jù)分析中心的關鍵功能，用于實現(xiàn)設備故障檢測。目前業(yè)內主要采用深度學習算法實現(xiàn)設備故障檢測［9-10］，本研究采用了基于卷積神經(jīng)網(wǎng)絡的深度學習算法，并結合地面臺賬數(shù)據(jù)和車載定位信息，實現(xiàn)設備缺陷自動研判及自動預警，對檢測結果進行人工復核后形成檢測報告，將相關數(shù)據(jù)分類歸檔，實現(xiàn)檢修有源可溯、有據(jù)可查。

通過車載采集子系統(tǒng)采集高精度圖像，進行學習樣本的標定、訓練以及檢測試驗，不斷地訓練和優(yōu)化故障/缺陷檢測模型，得到網(wǎng)絡模型后，系統(tǒng)可以基于故障檢測模型自動研判漏纜故障情況，并輸出結果。智能圖像處理流程見圖3。

圖3 智能圖像處理流程

2 關鍵技術

2.1 隧道自動定位

由于漏纜具有不連續(xù)性，為避免對高亮光源的浪費以及拍攝無效圖片，系統(tǒng)通過GPS定位裝置與激光測距模塊等方式聯(lián)合實現(xiàn)隧道定位，只有在列車進入隧道時才啟動圖像拍攝。首先，系統(tǒng)會記錄線路起始公里標，并結合列車速度估算列車當前的公里標位置信息，隨著時間的累積會出現(xiàn)一定的誤差，結合特定地點GPS與公里標的對應關系，對公里標信息進行校正，檢測系統(tǒng)公里標校正方法見圖4。當檢測系統(tǒng)判斷列車即將進入某個隧道時，啟動激光測距模塊進行測算，激光測距模塊利用激光對目標的距離進行準確測定，當判斷與目標的距離約等于高鐵列車車窗與隧道壁之間的距離時啟動高亮光源，并進行圖像拍攝和存儲；當判斷與目標的距離大于高鐵列車車窗與隧道壁之間的距離一定數(shù)值時，認為列車已經(jīng)駛出隧道，關閉高亮光源。對于連續(xù)隧道群之間的漏纜，結合GPS定位裝置進行位置判斷，由圖像采集控制單元進行圖像拍攝控制。

圖4 檢測系統(tǒng)公里標校正方法

2.2 高精度圖像采集

漏泄同軸電纜智能檢測系統(tǒng)需要在高速運行的列車上獲取軌旁漏纜圖像。為減少圖像采集誤差，系統(tǒng)采用了支持高清晰度和分辨率的面陣相機采集圖像，并對圖像進行增強，對由于運動造成的圖像模糊與畸變進行校正，解決由于車速高、車體振動、定位偏差，大視場大景深等帶來的問題，為卡具故障識別打好基礎。同時，根據(jù)現(xiàn)場實際情況安裝照明設備，采用大功率頻閃燈作為補償光源，保證軌旁設備視場處于高亮度、高均勻度的光源條件下，解決由于運動導致圖像模糊的問題。

2.3 圖像數(shù)據(jù)壓縮與存儲

高速鐵路列車運行時速一般在250 km以上，所拍漏纜圖像數(shù)據(jù)之間具有較高的冗余度，因此本系統(tǒng)采用了圖像壓縮技術，綜合考慮壓縮算法的壓縮率和圖像清晰度要求，選用了JPEG壓縮技術。

JPEG標準中定義了2種基本壓縮算法：基于DCT變換的有失真壓縮算法和基于空間預測編碼DPCM的無失真壓縮算法。前者實現(xiàn)較為復雜，可以得到高質量的壓縮圖像；后者實現(xiàn)較為簡單，但壓縮質量也較低。綜合考慮檢測性能及成本等要求，系統(tǒng)選用了基于DCT變換的有失真壓縮算法。同時，考慮到盡量減小系統(tǒng)體積與功耗，便于作業(yè)人員攜帶，采用了基于FPGA的嵌入式存儲方案實現(xiàn)數(shù)據(jù)存儲，大大提升了設備的便攜性。

2.4 漏纜故障識別算法

漏纜故障識別算法主要實現(xiàn)對漏纜及卡具的定位和故障識別。由于漏纜的光線條件變化不一，采用傳統(tǒng)的識別算法難以應對復雜多變的情況，因此，采用基于卷積神經(jīng)網(wǎng)絡的語義分割算法實現(xiàn)對漏纜的定位，再通過SSD目標檢測算法實現(xiàn)對卡具的精確定位和故障識別。

其中，漏纜定位采用語義分割算法。語義分割算法與一般的目標檢測算法不同，一般的目標檢測算法只需初步確定目標的位置，判斷出目標的類別即可，而語義分割算法是將圖像的每個像素進行分類，預測圖像中每個像素的類別，從而檢測出目標的位置。語義分割算法需要獲得原始數(shù)據(jù)進行標注，與目標檢測標注框不同，語義分割標注結果是帶有像素信息的PNG圖片。標注完成之后，將原始圖片與標注數(shù)據(jù)送入神經(jīng)網(wǎng)絡進行訓練，當損失函數(shù)降到一定程度后終止訓練，導出網(wǎng)絡模型，用于未知圖片的目標檢測。經(jīng)過上述訓練得到適用于漏纜檢測的神經(jīng)網(wǎng)絡模型，送入待檢測的漏纜圖片，模型可自動檢測出漏纜位置。

實現(xiàn)漏纜定位后，采用SSD目標檢測算法實現(xiàn)對卡具的定位、分類和故障識別。目標檢測算法一般分為基于區(qū)域的檢測算法（包括RCNN、Fast RCNN、Faster RCNN等）以及基于回歸的檢測算法（包括YOLO等）。其中，前者檢測精度較高，但檢測速度慢；后者檢測速度快，但精度不高。SSD算法則兼具以上2類算法的優(yōu)勢，既采用了基于回歸的模式，同時也利用了基于區(qū)域的概念，其主網(wǎng)絡為VGG16，檢測精度可以達到83%。

3 系統(tǒng)特點及運用效果

適用于高速鐵路的漏泄同軸電纜智能檢測系統(tǒng)具備便攜、支持250～350 km/h高速鐵路場景、無需對車輛進行改造、圖像自動采集、故障自動檢測等特點；圖像采集精度高，可達1像素/mm2；通過隧道探測定位裝置、高精度圖像采集、圖像壓縮與存儲等技術實現(xiàn)車載圖像的采集與處理。地面數(shù)據(jù)分析中心借助智能圖像處理技術對鐵路沿線漏纜及配屬件進行狀態(tài)模式識別，故障判別率遠高于人工肉眼巡視。

該系統(tǒng)在廣州局集團公司管內衡柳線、廈深線、南廣鐵路、武廣客專和廣深港高鐵已得到應用，車載采集子系統(tǒng)采用便攜式安裝方式，如圖5所示，無需對車輛進行改造，大大提高了系統(tǒng)的可用性。

圖5 漏纜智能圖像采集裝置安裝示意圖

4 結束語

適用于高速鐵路的漏泄同軸電纜智能檢測系統(tǒng)采用便攜式安裝設計方式，支持對高速鐵路場景下隧道漏纜圖像的采集，圖像采集精度高，使用便利，大大提高了作業(yè)效率，降低了作業(yè)難度，提升了作業(yè)質量，有效保障了一線作業(yè)人員的人身安全與列車運行安全，對改善鐵路漏纜檢測作業(yè)現(xiàn)狀和提高漏纜檢測作業(yè)管理水平具有重大意義。該系統(tǒng)建成投入運用后，將積累越來越多的數(shù)據(jù)，為后續(xù)實現(xiàn)基于人工智能、大數(shù)據(jù)的鐵路電務軌旁設備健康管理創(chuàng)造良好條件，將有力支撐智能鐵路的發(fā)展。