李長生 杜翠 劉杰 張千里

1.國能朔黃鐵路發(fā)展有限責(zé)任公司，河北肅寧 062350；2.中國鐵道科學(xué)研究院集團有限公司鐵道建筑研究所，北京 100081；3.中國鐵道科學(xué)研究院集團有限公司高速鐵路軌道技術(shù)國家重點實驗室，北京 100081

鐵路路基過渡段的長期動力穩(wěn)定性和后續(xù)沉降變形對列車能否高速運行起到控制作用［1］。由于施工階段難以使用大型機械，壓實度不夠，導(dǎo)致過渡段成為路基病害的高發(fā)區(qū)域。重載鐵路軸重的增大和牽引質(zhì)量、行車密度的不斷提高，將進一步加劇列車與線路系統(tǒng)之間的動力相互作用，過渡段路基的工作狀況將更為惡化［2］。

由于路堤與橋涵剛度差別較大引起軌道剛度突變，路堤與橋涵的差異沉降導(dǎo)致軌面不平順，引起列車與線路結(jié)構(gòu)的相互作用增加，使過渡段更容易產(chǎn)生橋頭跳車、道砟囊等病害。這些問題限制了列車的平順、舒適和安全運行，影響了線路的穩(wěn)定性，縮短了軌道結(jié)構(gòu)的使用壽命。

國內(nèi)外學(xué)者針對過渡段的檢測監(jiān)測、養(yǎng)護維修技術(shù)開展了大量研究，如沉降監(jiān)測、病害發(fā)育規(guī)律等［3-4］。探地雷達(dá)（Ground Penetrating Radar，GPR）是目前鐵路路基檢測的最主要手段，具有快速、無損、高效的優(yōu)點，廣泛應(yīng)用于鐵路路基、隧道等基礎(chǔ)設(shè)施檢測領(lǐng)域。但在數(shù)據(jù)處理解釋中，還缺乏對過渡段處信號處理與病害解釋的深度分析。

本文提出雷達(dá)信號過渡段邊界效應(yīng)壓制算法，在分析過渡段病害的雷達(dá)信號響應(yīng)特征的基礎(chǔ)上，提出相應(yīng)的解釋方法，從而提高鐵路路橋過渡段路基病害的檢測效率和檢測精度。

1 路橋過渡段GPR信號特征分析

采用意大利車載多通道探地雷達(dá)對一鐵路線路進行路基檢測，采集的探地雷達(dá)原始圖像如圖1所示?？芍簶蛄翰糠峙c路基部分呈現(xiàn)明顯的差異。道心測線的圖像中，橋梁部分呈現(xiàn)貫穿整個圖像深度范圍的水平條紋，長度為136 m；而左側(cè)、右側(cè)測線中，可微弱分辨出道心測線水平條紋的邊界，并可識別出其內(nèi)部的一個明顯的界限，長度為100 m。根據(jù)橋梁設(shè)備表顯示，該橋全長122 m，擋碴墻間距為98.4 m，梁跨式樣為3×32 m預(yù)應(yīng)力鋼筋混凝土T形梁。由此可驗證，道心測線的水平條紋長度即護軌長度。左側(cè)、右側(cè)測線的內(nèi)部界限為孔跨的總長度，并可分辨橋墩位置。

圖1 路橋過渡段探地雷達(dá)原始圖像

通過信號處理，地質(zhì)雷達(dá)圖像中規(guī)則和隨機的干擾信號得到壓制，信號信噪比得到提高，路基結(jié)構(gòu)層間界面或混合體界面反射波振幅、波形、相位及頻譜隨時間、里程變化等有用的圖像特征得到凸顯。正常的鐵路路基探地雷達(dá)圖像通常為低幅、高頻細(xì)密波，波形均勻，同相軸連續(xù)、平直，可連續(xù)追蹤。

橋梁和路基銜接區(qū)域道心測線處理后圖像見圖2?？芍诘佬臏y線數(shù)據(jù)中，該位置呈現(xiàn)平直的水平條紋，且通常貫穿整個圖像深度，同路基有顯著差別，長度同處理前一致。橋梁兩側(cè)大約100 m長度區(qū)域呈現(xiàn)延伸狀的水平條紋，遮擋住這部分路基的真實信號。在此稱該現(xiàn)象為邊界效應(yīng)，由于護軌部位信號與路基部分信號差異過大，經(jīng)濾波等信號處理算法處理所致。由于該區(qū)域通常為各類路基病害的高發(fā)區(qū)域，若采用目前雷達(dá)數(shù)據(jù)處理軟件的處理方法，該區(qū)域的真實信號往往被橋梁結(jié)構(gòu)引起的邊界效應(yīng)所干擾，無法獲取準(zhǔn)確的解釋結(jié)果，尤其是對下沉和道床厚度的辨識影響較大。

圖2 路橋過渡段道心測線處理后圖像

2 邊界效應(yīng)處理方法

壓制邊界效應(yīng)的關(guān)鍵在于濾除相鄰道的信號差異。因此，本文提出的邊界效應(yīng)壓制算法首先定位探地雷達(dá)信號中橋梁的里程范圍，采用適當(dāng)?shù)闹夭蓸臃椒?，形成濾除橋梁結(jié)構(gòu)的時空過濾篩，再進行常規(guī)的雷達(dá)信號處理，最后將橋梁結(jié)構(gòu)的探地雷達(dá)信號平移回相應(yīng)位置，得到最終的處理結(jié)果。

該壓制算法的步驟為：①橋梁識別，獲取里程的起點和終點。②橋梁過濾，從原始文件中提取或替換橋梁結(jié)構(gòu)所在位置的探地雷達(dá)信號；然后對文件進行信號處理，對過濾后的雷達(dá)文件進行常規(guī)信號處理，如背景去噪、濾波、增益等信號處理算法。③橋梁復(fù)位，將步驟2提取的橋梁結(jié)構(gòu)探地雷達(dá)信號插入到步驟③的處理結(jié)果中，得到最終的處理結(jié)果。

橋梁過濾和橋梁復(fù)位步驟實現(xiàn)的主要工作為解析雷達(dá)文件格式，進而對雷達(dá)文件進行讀寫和編輯。算法實現(xiàn)的關(guān)鍵在于橋梁識別步驟。

在目前的數(shù)據(jù)處理流程中，采集到雷達(dá)原始數(shù)據(jù)后，首先通過人工識別橋梁，將其同設(shè)備表的橋梁進行匹配和里程回歸，從而進行雷達(dá)文件的里程校正。因此，實現(xiàn)準(zhǔn)確、高效的橋梁識別，不僅是邊界效應(yīng)壓制算法實現(xiàn)的關(guān)鍵，也會顯著提高里程校正的效率和自動化程度。

針對雷達(dá)圖像識別，除傳統(tǒng)機器學(xué)習(xí)方法外，國內(nèi)外學(xué)者近年來采用卷積神經(jīng)網(wǎng)絡(luò)、YOLO（You Only Look Once)等深度學(xué)習(xí)方法開展了一些研究［5-8］。其中，YOLO是一種屬于one-stage系列的目標(biāo)檢測算法，它將目標(biāo)檢測視為一類回歸問題，直接從輸入的圖像中預(yù)測目標(biāo)包圍框的坐標(biāo)和類別概率，從而實現(xiàn)了端到端的識別。

本文采用YOLO目標(biāo)檢測算法實現(xiàn)雷達(dá)圖像中橋梁的自動識別。YOLO模型輸入為離散后的GPR原始圖像。部分橋梁的長度可能大于樣本圖片的長度，分段存在于連續(xù)的圖像中，因此根據(jù)橋梁的分布形態(tài)橋梁樣本圖像可分為5種類型，即左側(cè)局部、右側(cè)局部、中間局部、整體、無。識別模型的目標(biāo)是盡可能精準(zhǔn)定位邊界。

3 試驗與分析

3.1 橋梁智能識別

從一線路路基檢測數(shù)據(jù)提取訓(xùn)練樣本和測試樣本，對本文的模型和方法進行驗證。數(shù)據(jù)采集參數(shù)：中心頻率為400 MHz的屏蔽天線，采樣時窗為64 ns，采樣點數(shù)為512，采集道間距為0.114 9 m。試驗的硬件環(huán) 境 參 數(shù)為：Intel（R）Xeon（R）Gold 5115 CPU@2.40 GHz，64 GB內(nèi)存。GPU為NVIDIA GeForce GTX 1080 Ti。

因為橋梁兩端的邊界部位有明顯差異且特征較為鮮明，本文將2種邊界作為目標(biāo)檢測的識別目標(biāo)。將橋梁目標(biāo)標(biāo)注為2類：左側(cè)邊界，右側(cè)邊界。這2種類型在目標(biāo)檢測圖像中分別被標(biāo)注為L、R。每個標(biāo)注的里程范圍約5 m。

訓(xùn)練約耗時25 min，橋梁模型訓(xùn)練結(jié)果見表1?？芍?，左側(cè)邊界、右側(cè)邊界的準(zhǔn)確率分別為94%、100%，召回率均達(dá)到100%。識別目標(biāo)的邊界同標(biāo)注目標(biāo)有輕微差異。左側(cè)邊界的標(biāo)注目標(biāo)全部識別，但有6處道岔被誤判為左側(cè)邊界類型。

表1 橋梁模型訓(xùn)練結(jié)果

橋梁模型測試結(jié)果見表2?？芍髠?cè)邊界、右側(cè)邊界的準(zhǔn)確率分別為91%、97%，召回率均達(dá)到100%。誤判類型均為道岔區(qū)域，但并未成對出現(xiàn)。因此，在對識別結(jié)果的進一步處理中，可濾除未配對的左側(cè)邊界和右側(cè)邊界。并在今后的模型優(yōu)化中，增加對道岔類型的訓(xùn)練。

表2 橋梁模型測試結(jié)果

3.2 邊界效應(yīng)處理

進行常規(guī)信號處理后，原始圖像及進行橋梁過濾的結(jié)果見圖3?？芍?，3種橋梁過濾方法均可較好地壓制邊界效應(yīng)，橋梁護軌區(qū)域兩側(cè)未出現(xiàn)延伸的條紋，圖像特征更加清晰。3種方法實現(xiàn)的復(fù)雜度相近，剪切移除后的雷達(dá)文件道數(shù)減少，可節(jié)約部分信號處理運算的時間；而單道替換方法的圖像視覺上能夠顯著區(qū)分橋梁和路基，可省去橋梁復(fù)位步驟。

圖3 邊界效應(yīng)處理原始及結(jié)果圖像

4 過渡段病害分析

4.1 下沉

下沉是由于基床、路基土密實度不足或地基松軟，在水、上覆荷載、自重、列車動荷載及振動耦合作用下發(fā)生局部或較大面積的豎向下沉或沉降變形，局部或范圍較小且有道砟陷入基床時又稱道砟陷槽、道砟囊或道砟袋。下沉部位的雷達(dá)圖像中，道砟和基床結(jié)構(gòu)層間界面、基床表層和底層間界面反射同相軸發(fā)生明顯的彎曲下沉、層位向下錯斷或偏移，同相軸在相同深度位置附近中斷不連續(xù)、時斷時續(xù)或高低不平，砟土混合比較嚴(yán)重時同相軸可能有缺失。朔黃鐵路某區(qū)段GPR檢測圖像如圖4所示?？芍瑯蝾^兩側(cè)均呈現(xiàn)明顯的下沉特征。小里程一側(cè)還呈現(xiàn)含水較多的特征。在進行常規(guī)處理的圖像中，大里程一側(cè)的下沉趨勢可辨識，但小里程一側(cè)的圖像特征被掩蓋，同相軸延伸特征難以辨識。

圖4 過渡段下沉圖像

4.2 含水異常

含水異常指不同路基結(jié)構(gòu)層道床、基床或地基及不同結(jié)構(gòu)層界面中含水量相對臨近區(qū)段較大的現(xiàn)象。基床或地基含水量較大會導(dǎo)致路基質(zhì)量惡化穩(wěn)定性不足，易引發(fā)翻漿冒泥、下沉等病害。圖像特征為界面低頻強反射、振幅較大、相位反相且存在多次反射。在實際檢測中，含水異常和下沉病害相伴發(fā)生。過渡段含水異常圖像見圖5。可知，橋頭大里程一側(cè)呈現(xiàn)含水異常特征，但其與橋之間的區(qū)段由于邊界效應(yīng)無法辨識。采用本文提出的邊界效應(yīng)壓制算法進行處理后，橋頭大里程一側(cè)的含水異常特征一直延續(xù)到橋頭，并呈現(xiàn)下沉特征。橋頭小里程一側(cè)也有小區(qū)段的含水異常。

圖5 過渡段含水異常圖像

5 結(jié)語

邊界效應(yīng)由護軌部位信號與路基部分信號差異過大，經(jīng)濾波等信號處理算法處理所致。本文提出了一種邊界效應(yīng)壓制算法：首先定位探地雷達(dá)信號中橋梁的里程范圍，采用適當(dāng)?shù)闹夭蓸臃椒?，形成濾除橋梁結(jié)構(gòu)的時空過濾篩，再進行常規(guī)的雷達(dá)信號處理，最后將橋梁結(jié)構(gòu)的探地雷達(dá)信號平移回相應(yīng)位置，得到最終的處理結(jié)果。

YOLO目標(biāo)檢測算法在樣本規(guī)模較小的情況下，取得了較高的識別精度，但計算量較大，訓(xùn)練時長較長，在未訓(xùn)練道岔樣本時，出現(xiàn)了將道岔誤認(rèn)為是識別目標(biāo)的錯誤分類。后續(xù)研究可增加訓(xùn)練樣本和類別，以修正此種錯誤。

通過試驗對比分析了2種橋梁識別方法的效果以及3種橋梁過濾方法的效果。3種橋梁過濾方法均可較好地壓制邊界效應(yīng)，橋梁護軌區(qū)域兩側(cè)未出現(xiàn)延伸的條紋，圖像特征更加清晰。3種方法實現(xiàn)的復(fù)雜度相近，單道替換方法可省去橋梁復(fù)位步驟，而且剪切移除后的雷達(dá)文件道數(shù)減少，還可節(jié)約部分信號處理運算的時間。