戰(zhàn) 友，陽恩慧，馬嘯天，安哲立，代先星，王郴平,3

(1.西南交通大學(xué) 土木工程學(xué)院，四川 成都 610031；2.中國鐵道科學(xué)研究院集團(tuán)有限公司 鐵道建筑研究所， 北京 100081；3.俄克拉何馬州立大學(xué) 土木與環(huán)境工程學(xué)院，俄克拉何馬州 靜水 74078)

近年來高速鐵路在我國發(fā)展迅速，國家統(tǒng)計(jì)局中國統(tǒng)計(jì)年鑒數(shù)據(jù)顯示，截至2020年底，高速鐵路運(yùn)營總里程已達(dá)3.8萬km，占鐵路營業(yè)總里程的26%。近年來，隨著高速鐵路營業(yè)比例增加，軌道結(jié)構(gòu)在服役期內(nèi)的破損問題隨之而來，尤其是無砟軌道板開裂問題。軌道板破損以后如未能及時(shí)維修養(yǎng)護(hù)，將影響軌道結(jié)構(gòu)的動力響應(yīng)。

傳統(tǒng)的軌道板裂縫檢測方法是利用天窗時(shí)間進(jìn)行人工巡檢，但人工檢測效率低、成本高且存在較大的安全隱患。從20世紀(jì)90 年代開始，歐美等發(fā)達(dá)國家開始了非接觸式鐵路檢測技術(shù)的研究。比較有代表性的有美國的VIS系統(tǒng)[1]、德國的RAILCHECK系統(tǒng)[2]及法國的MGV鐵路巡檢列車[3]。近十年來，我國也開始探索研發(fā)智能化鐵路檢測設(shè)備，并取得了長足的進(jìn)步，如車載智能軌道巡檢系統(tǒng)、高速車載式軌道圖像巡視系統(tǒng)等[4-5]。這些二維檢測系統(tǒng)容易受光照以及陰影的影響，且難以捕捉裂縫深度，限制了工程應(yīng)用中的使用性能。

隨著三維激光掃描技術(shù)和計(jì)算機(jī)算法的飛速發(fā)展，收集軌道結(jié)構(gòu)表面超高分辨率三維圖像數(shù)據(jù)成為可能，如三維激光三角測量、立體視覺和激光雷達(dá)等智能化鐵路檢測手段[6-7]。但是，目前的檢測算法仍基于二維圖像特征檢測裂縫，并未考慮軌道板結(jié)構(gòu)三維空間特征，且由于研究人員在建立模擬人類認(rèn)知能力的數(shù)學(xué)模型方面具有局限性，開發(fā)全自動無砟軌道板裂縫識別系統(tǒng)仍面臨著挑戰(zhàn)和困難。

目前，針對無砟軌道表面破損智能化識別算法的研究較少。文獻(xiàn)[8]基于神經(jīng)網(wǎng)絡(luò)算法，應(yīng)用多種表面特征識別算法識別軌道結(jié)構(gòu)裂縫。文獻(xiàn)[9]通過小波變換提取軌道表面破損特征。文獻(xiàn)[10]通過高速掃描相機(jī)提出基于圖像的軌道扣件缺失檢測算法，其他有關(guān)表面破損三維圖像識別算法還有種子識別算法[11]、閾值分割方法[12]，3D陰影模型檢測算法[13]等。表面裂縫檢測算法近年來取得了一定程度的成功，但軌道板表面裂縫自動化檢測算法面臨的最大挑戰(zhàn)是，在各種復(fù)雜環(huán)境下如何始終保持準(zhǔn)確、快速、高性能。目前，大多軌道板裂縫是橫向裂縫、縱向裂縫和塊狀裂縫。1張軌道板圖像可能包括若干條橫縱向裂縫，也可能有多處范圍較小的塊狀裂縫。傳統(tǒng)的閾值分割、邊緣檢測等識別算法以裂縫像素投影、密度等特征進(jìn)行分類，但軌道板上的細(xì)裂紋與局部噪聲、紋理之間的模糊邊界及微小噪聲給傳統(tǒng)的識別算法帶來許多困難，如檢測結(jié)果存在噪聲，裂縫連續(xù)性較差。從根本上說，高性能的裂縫識別算法必須完全自適應(yīng)軌道板裂縫的多樣性，并在充分學(xué)習(xí)示例的基礎(chǔ)上進(jìn)行調(diào)整。然而，現(xiàn)有的識別算法大多是基于具體的、不全面的假設(shè)，缺乏從實(shí)例中學(xué)習(xí)的能力，這可能是目前無砟軌道板裂縫檢測存在困難的原因[14]。近年來，人工神經(jīng)網(wǎng)絡(luò)(ANN)[15]、隨機(jī)森林(RF)[16]、貝葉斯數(shù)據(jù)融合[17]等機(jī)器學(xué)習(xí)算法被引入表面裂縫檢測中。文獻(xiàn)[18]提出基于支持向量機(jī)(SVM)的裂縫檢測方法?？紤]像素的鄰域信息以應(yīng)對像素強(qiáng)度不均、裂縫拓?fù)鋸?fù)雜、光照條件差等背景噪聲的問題。但是單一的機(jī)器學(xué)習(xí)算法決策條件單一、訓(xùn)練過程計(jì)算密集，對于一般的無砟軌道板檢測任務(wù)來說效率不夠高，對于像素級裂縫識別出錯概率較大。

本文以三維激光成像技術(shù)為基礎(chǔ)，研發(fā)高速鐵路無砟軌道板裂縫自動檢測系統(tǒng)，提出基于自適應(yīng)閾值、概率圖模型(PGM)與支持向量機(jī)模型(SVM)的集成學(xué)習(xí)軌道板裂縫識別算法PGM-SVM，其融合集成方式獲得了比單一學(xué)習(xí)器更加顯著的泛化性能，提升了軌道板裂縫的識別效果。最后，結(jié)合室內(nèi)實(shí)尺CRTSⅢ型無砟軌道板試驗(yàn)段數(shù)據(jù)及現(xiàn)有的建筑基礎(chǔ)設(shè)施表面裂縫數(shù)據(jù)庫對高速鐵路無砟軌道板裂縫檢測系統(tǒng)的準(zhǔn)確率進(jìn)行驗(yàn)證。

1 三維激光成像技術(shù)原理

高速鐵路軌道板裂縫識別系統(tǒng)采用三維激光成像技術(shù)。三維激光成像技術(shù)分直射式激光三角測量和斜射式激光三角測量兩種。直射式激光三角測量更易于根據(jù)像點(diǎn)位移計(jì)算物體表面的位移變化，因此目前應(yīng)用于軌道結(jié)構(gòu)檢測的系統(tǒng)均采用直射式系統(tǒng)[19-20]。如圖1所示，根據(jù)光點(diǎn)與像點(diǎn)位移關(guān)系可計(jì)算出軌道板平面在激光入射方向的位移變化ΔH[21]

(1)

式中：l0為入射激光束軸和成像透鏡光軸的交點(diǎn)到成像透鏡前主面距離；l1為成像透鏡后主面到接收器像中心點(diǎn)距離；θ為入射激光束軸與成像透鏡光軸的夾角；φ為成像平面和成像透鏡光軸的夾角。

圖1 激光三角測量原理

線激光作為光源時(shí)，激光發(fā)射器垂向發(fā)射線激光，高速相機(jī)以一定夾角捕捉軌道板表面的散射激光，捕獲整個(gè)激光線在相機(jī)成像平面的位置，結(jié)合各激光點(diǎn)在基準(zhǔn)高度時(shí)的圖像位置，即可得到激光線處軌道板的相對高度。

2 無砟軌道板裂縫檢測系統(tǒng)

基于已有三維激光檢測系統(tǒng)研究成果，設(shè)計(jì)高速鐵路無砟軌道板裂縫識別檢測系統(tǒng)，并編寫高速鐵路無砟軌道三維數(shù)據(jù)采集軟件。

檢測系統(tǒng)組成及工作流程如圖2所示，系統(tǒng)以自主研發(fā)設(shè)計(jì)的高速鐵路軌道板裂縫檢測車為載體，集成所有原件，包括7個(gè)激光-相機(jī)采集單元、一套系統(tǒng)供電箱(WPC)、一套控制箱(WCC)、慣性陀螺儀IMU和GPS接收器組成的定位系統(tǒng)、行車記錄攝像機(jī)ROW、距離測量儀DMI和一臺8核控制計(jì)算機(jī)(PC)。由于激光-相機(jī)采集單元、DMI距離測量儀、ROW系統(tǒng)等元件的數(shù)據(jù)采集頻率不同，系統(tǒng)通過控制箱(WCC)協(xié)同各傳感器，從而使各類采集數(shù)據(jù)能準(zhǔn)確對應(yīng)。PC端發(fā)送控制指令到WCC后，WCC根據(jù)DMI距離測量儀的觸發(fā)信號分別發(fā)送命令到各傳感器，采集的數(shù)據(jù)最終被傳輸至PC端，進(jìn)而融合、壓縮并存儲 。

圖2 高速鐵路軌道板裂縫檢測系統(tǒng)組

激光-相機(jī)組件位于鋼軌正上方，7個(gè)激光-相機(jī)組件協(xié)同配合，覆蓋整個(gè)軌道板結(jié)構(gòu)，采集到亞毫米精度的軌道板三維數(shù)據(jù)。系統(tǒng)采用多GPU并行計(jì)算，加速無砟軌道表面三維云點(diǎn)大數(shù)據(jù)的收集與分析。最終，數(shù)據(jù)存儲系統(tǒng)將數(shù)據(jù)流壓縮、保存。通過三維數(shù)據(jù)重構(gòu)技術(shù)對軌道板數(shù)據(jù)進(jìn)行可視化處理，軌道結(jié)構(gòu)三維重構(gòu)效果如圖3所示。

圖3 無砟軌道表面三維數(shù)據(jù)顯示

3 軌道板裂縫識別算法介紹

通過自主研發(fā)的軌道結(jié)構(gòu)三維激光檢測系統(tǒng)在實(shí)驗(yàn)室內(nèi)檢測無砟軌道板裂縫[22]，取得較好的識別效果，如圖4所示。但是由于數(shù)據(jù)樣本較少且較為簡單，并缺乏軌道板裂縫數(shù)據(jù)，沒有進(jìn)行其他算法驗(yàn)證。本文將設(shè)計(jì)一套集成學(xué)習(xí)軌道板裂縫識別算法，將自適應(yīng)閾值分割、概率圖模型(PGM)、支持向量機(jī)(SVM)機(jī)器學(xué)習(xí)模型三種方法集成，結(jié)合室內(nèi)實(shí)尺CRTSⅢ型無砟軌道板試驗(yàn)段數(shù)據(jù)與研究團(tuán)隊(duì)多年來所建立的建筑基礎(chǔ)設(shè)施表面裂縫數(shù)據(jù)庫，選取典型裂縫案例，驗(yàn)證本文所提出的軌道板裂縫識別算法的魯棒性。

圖4 軌道板裂縫識別示例

自適應(yīng)閾值分割法是裂縫識別算法的第一模塊，其將軌道板裂縫圖像劃分為更小的區(qū)域，對子圖像分別進(jìn)行全局閾值分割。采用移動平均法，以及像素鄰域的平均強(qiáng)度來確定閾值，對逐個(gè)像素閾值進(jìn)行求解，可以取得較好的效果(圖5)，但是分割后的圖像存在噪聲(紅圈標(biāo)注)，并且裂縫存在不連續(xù)現(xiàn)象。

圖5 自適應(yīng)閾值分割效果

識別算法的第二模塊為馬爾可夫網(wǎng)絡(luò)概率圖模型(PGM)，其為概率論和圖論的結(jié)合，可為處理應(yīng)用數(shù)學(xué)和工程中出現(xiàn)的不確定性和多解性提供一種自然工具，特別是在機(jī)器學(xué)習(xí)算法的設(shè)計(jì)和分析中發(fā)揮著越來越重要的作用。概率圖模型提供了一種多變量概率模型的描述框架，可通過已知變量推斷未知變量的分布。馬爾可夫網(wǎng)絡(luò)的結(jié)構(gòu)為無向圖，常用來建立非因果模型，在計(jì)算機(jī)視覺與圖像處理中為像素點(diǎn)之間的關(guān)系建模，應(yīng)用十分廣泛[15]。本文設(shè)計(jì)了條件隨機(jī)場(CRF)裂縫識別算法。CRF為判別式模型馬爾可夫網(wǎng)絡(luò)，區(qū)別于生成式模型，其對條件分布進(jìn)行建模。在給定多個(gè)變量觀測值后，條件隨機(jī)場可對條件概率進(jìn)行建模。

SVM機(jī)器學(xué)習(xí)模型是裂縫識別算法中的第三模塊，對尺寸為2 048×2 048像素的圖像建立數(shù)據(jù)集，選擇適當(dāng)?shù)暮撕瘮?shù)，訓(xùn)練分類器。合適的核函數(shù)決定SVM劃分樣本空間的性能。如果核函數(shù)選擇不合適，則意味著會將樣本劃分到不合適的樣本空間，最終導(dǎo)致分類器性能不佳。常用的核函數(shù)有線性核、多項(xiàng)式核、高斯核、拉普拉斯核、Sigmoid核等。SVM模型中另外一個(gè)重要參數(shù)是誤差懲罰參數(shù)C，C代表對經(jīng)驗(yàn)誤差的懲罰大小。C的選取由具體問題而定，并取決于樣本中噪聲數(shù)量，在特征空間中若C的取值較小，則表示對經(jīng)驗(yàn)誤差的懲罰小，降低學(xué)習(xí)器的時(shí)間復(fù)雜度且增大了經(jīng)驗(yàn)風(fēng)險(xiǎn)值。若C取無窮大，則代表特征空間中所有約束條件必須被滿足，此時(shí)學(xué)習(xí)器的時(shí)間復(fù)雜度較大?？梢宰C明，在每個(gè)特征子空間中，至少存在一個(gè)C使得SVM的泛化能力達(dá)到最強(qiáng)，當(dāng)C繼續(xù)增加時(shí)，SVM的時(shí)間復(fù)雜度增加，但經(jīng)驗(yàn)風(fēng)險(xiǎn)和泛化能力基本不再變化。此時(shí)的C即為使得SVM泛化能力達(dá)到最強(qiáng)的值。標(biāo)準(zhǔn)SVM的輸出為分類標(biāo)簽，而不是像素被檢測為裂縫像素的概率指標(biāo)，采用文獻(xiàn)[23]中引入策略，通過將SVM預(yù)測轉(zhuǎn)化為后驗(yàn)概率，可以得到像素為裂縫像素的概率為

(2)

式中：c為標(biāo)準(zhǔn)SVM的輸出；A和B為最大似然法估計(jì)參數(shù)，可通過梯度下降法求得。

利用建立的數(shù)據(jù)集，通過網(wǎng)格搜索法(Grid Search)尋找最優(yōu)參數(shù)(即核函數(shù)與懲罰參數(shù)C)，分別對每組參數(shù)進(jìn)行訓(xùn)練，取訓(xùn)練效果最好的一組參數(shù)作為模型的最終參數(shù)。通過訓(xùn)練得到SVM模型，識別三維圖像中裂縫，生成裂縫圖像與概率圖，如圖6所示。此案例中C取10，核函數(shù)取Sigmoid核。

圖6 生成裂縫概率圖示例

用SVM模型進(jìn)行裂縫圖像識別的優(yōu)點(diǎn)有：適用于高維空間，可以構(gòu)造高維的特征向量表示裂縫特征；在維數(shù)大于樣本數(shù)的情況下仍然有效；可以為決策函數(shù)指定不同的內(nèi)核函數(shù)；能夠消除軌道板裂縫識別中的噪聲。

4 集成學(xué)習(xí)裂縫識別算法設(shè)計(jì)

無砟軌道板裂縫識別集成算法如圖7所示。由于所使用的軌道半圖像為2 048 × 2 048像素，因此圖7數(shù)據(jù)流中顯示的變量均為2 048 × 2 048矩陣。im_out1即為單獨(dú)使用SVM模型得到的效果欠佳的裂縫圖像，probability_map為SVM模型訓(xùn)練得到的概率圖，im_out2為融合自適應(yīng)閾值分割與概率圖模型(PGM)分割算法的生成裂縫圖像。

圖7 集成學(xué)習(xí)算法流程

基于probability_map和im_out2，將兩者結(jié)果融合，可將裂縫識別效果進(jìn)一步提升。該融合算法基于投票思想，即像素點(diǎn)在SVM模型生成的概率圖probability_map中被預(yù)測為裂縫的概率足夠大時(shí)(上限大于70%)，就視其為裂縫像素，同理，當(dāng)像素點(diǎn)在概率圖probability_map中被預(yù)測為裂縫的概率足夠小時(shí)(下限小于30%)，則視其為非裂縫像素，否則采用im_out2中的信息來確定該像素點(diǎn)是否為裂縫像素，以保證較低的誤差率。同時(shí)，考慮對所有樣本的普適性，以5%為間隔，通過格點(diǎn)搜尋法適當(dāng)提高或降低上下限的概率值，以提升檢測效果。

該融合算法可以根據(jù)裂縫識別的總體要求調(diào)整參數(shù)。偽代碼中使用的參數(shù)可達(dá)到較高的裂縫識別準(zhǔn)確率，當(dāng)需要算法達(dá)到較高的裂縫像素召回率時(shí)，可以將像素點(diǎn)在概率圖probability_map中被預(yù)測為裂縫的概率足夠小時(shí)，視為非裂縫像素的分支，另外將positive_threshold適當(dāng)降低也可以提高裂縫像素的召回率。當(dāng)需要算法達(dá)到更高的裂縫識別準(zhǔn)確率時(shí)，可以將positive_threshold適當(dāng)提高、negative_threshold適當(dāng)降低。因此，該算法的參數(shù)調(diào)整是一個(gè)半監(jiān)督性的優(yōu)化問題。在融合算法的基礎(chǔ)上可以得到最終的裂縫識別圖像im_final。

5 集成學(xué)習(xí)算法性能測試

最終對含有各類裂縫的三維圖像(2048×2048像素)進(jìn)行檢測，手動標(biāo)注出真實(shí)裂縫圖像作為集成學(xué)習(xí)算法的參照。運(yùn)行環(huán)境：

操作系統(tǒng)：64位Windows10專業(yè)版；

處理器：Intel(R) Core(TM) i7-5500U CPU；

開發(fā)工具：PyCharm 2 018.3，Matlab 2018a；

Python解釋器：Python 3.6；

Python依賴庫：Pillow, Matplotlib, Numpy, Scipy；

Matlab工具包：image processing toolbox。

本研究在PGM與SVM融合處理的實(shí)現(xiàn)部分提供了調(diào)節(jié)算法來改變算法性能的選擇，在對算法性能進(jìn)行測試時(shí)，采用召回率更高的參數(shù)設(shè)置，將算法在更多的實(shí)際裂縫圖像中實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖8所示。由于篇幅限制，隨機(jī)選取5幅裂縫圖像處理結(jié)果，圖中每行三幅圖像一致，圖像尺寸均為2 048×2 048像素。

圖8 裂縫識別效果對比

如圖8所示，自適應(yīng)閾值分割法分割后的裂縫圖像存在噪聲(紅圈標(biāo)注)，且裂縫連續(xù)性較差；本文設(shè)計(jì)的集成學(xué)習(xí)裂縫識別算法連續(xù)性更好，且有效地控制了分割噪聲，識別效果顯著。

以上是對算法性能的主觀評價(jià)，下面通過準(zhǔn)確率Accuracy、召回率R和F1值對算法性能進(jìn)行客觀評價(jià)，即

(3)

(4)

F1=1/[1+(FP+FN)/2TP]

(5)

式中：TP為正確被識別為裂縫的像素?cái)?shù)量；FP為錯誤被識別為裂縫的像素?cái)?shù)量；TN為正確被識別為裂縫的像素?cái)?shù)量；FN為錯誤被識別為非裂縫的像素?cái)?shù)量。計(jì)算結(jié)果見表1，由表1可以看出準(zhǔn)確率與召回率性能優(yōu)良。準(zhǔn)確率Accuracy反映檢測結(jié)果的準(zhǔn)確程度，本文的集成學(xué)習(xí)算法準(zhǔn)確率很高，可以達(dá)到97.3%，并且優(yōu)于自適應(yīng)閾值分割；召回率R反應(yīng)檢測結(jié)果的全面性，本文所提出的集成學(xué)習(xí)裂縫識別算法優(yōu)于自適應(yīng)閾值分割，達(dá)到了穩(wěn)定的高召回率92.6%，表明本文所提出的算法幾乎可以識別出軌道板表面存在的所有裂縫。F1值為各算法的綜合評價(jià)指標(biāo)，綜合考慮了查準(zhǔn)率與召回率，本文所提出的集成學(xué)習(xí)算法F1值為63.6%，優(yōu)于自適應(yīng)閾值分割算法的61.2%。結(jié)果表明，本文所提出的集成學(xué)習(xí)裂縫識別方法有較高的準(zhǔn)確率、召回率，通過集成學(xué)習(xí)對軌道板裂縫識別算法進(jìn)行了有效優(yōu)化。

表1 測試結(jié)果對比分析 %

6 結(jié)論

為實(shí)現(xiàn)高速度、高精度、高可靠度的高速鐵路無砟軌道板檢測需求。研究團(tuán)隊(duì)深入探索無砟軌道表面裂縫檢測技術(shù)，自主研發(fā)高速鐵路軌道板裂縫三維激光檢測系統(tǒng)，設(shè)計(jì)了集成學(xué)習(xí)軌道板裂縫識別算法并加以驗(yàn)證，得到以下結(jié)論：

(1)高速鐵路無砟軌道板裂縫檢測系統(tǒng)采用三維激光掃描技術(shù)，該系統(tǒng)能夠快速獲取高質(zhì)量的軌道板結(jié)構(gòu)三維數(shù)據(jù)，并實(shí)現(xiàn)重構(gòu)，具有較高的應(yīng)用潛力。

(2)針對軌道板結(jié)構(gòu)的表面裂縫，采用集成學(xué)習(xí)算法，有效消除圖像噪聲，獲取連續(xù)性、穩(wěn)定性較好的裂縫數(shù)據(jù)。測試結(jié)果表明本文所提出的集成學(xué)習(xí)軌道板裂縫識別算法有較高的準(zhǔn)確率和召回率。

(3)解決了精細(xì)化檢測面臨的關(guān)鍵問題，完善和發(fā)展了軌道結(jié)構(gòu)檢測方法，對軌道結(jié)構(gòu)的合理養(yǎng)護(hù)維修和保障行車安全性均有重要意義。

(4)由于檢測系統(tǒng)沒有投入使用，目前軌道板裂縫三維數(shù)據(jù)較少，可模擬無砟軌道板裂縫的數(shù)據(jù)有限，研究團(tuán)隊(duì)后期將積累更多軌道板裂縫數(shù)據(jù)，對系統(tǒng)及識別算法加以改進(jìn)。