铁路钢轨外观与几何状态智能检测关键技术研究

毛庆洲，寇东华，代永波，胡 伟，郑继忠

(1.武汉大学 宇航科学与技术研究院，湖北 武汉 430072；2.中国铁路武汉局集团有限公司 武汉高铁工务段，湖北 武汉 430080；3.武汉汉宁轨道交通技术有限公司，湖北 武汉 430074)

随着我国铁路运营里程、行车速度和密度的逐年增长，铁路基础设施的检测与养护能力也需要随之提升。钢轨表面状态与轨道几何状态是影响列车运行平稳性、舒适性和安全性的2个重要因素，对钢轨的表面状态检测包括对钢轨横断面的波磨、掉块等异常状态检测和对钢轨纵断面的廓形磨耗检测，对轨道几何状态检测包括对轨距、超高、轨向和曲率等几何参数进行检测[1-3]。目前，采用惯性单元和激光相机等多传感器对轨道综合状态进行检查成为一种趋势[4-6]。国内外对此已有大量的理论研究和实践，其中日本的East-i综合轨道检测列车由6组检测车构成，第三号检测车为轨道检测车，其余的为通信信号和电力检测车，检测项目包括轨道几何参数、接触网、通信信号、环境噪声和轮轨作用力等，对轨道参数进行检测的方法是弦测法；意大利的阿基米德号综合检测列车通过集成多个激光器、光学相机、加速度计、陀螺仪以及高精度惯性平台等多种传感器实现了轨道几何参数、钢轨断面、钢轨波浪磨耗、接触网状态、通信信号、车体和轴箱加速度、轮轨作用力等项目的检测，其轨道检测速度较低时采用弦测法，检测速度高时采用惯性基准法；美国的TGMS检测系统同样集成多种传感器对轨道几何参数、钢轨断面、钢轨波浪磨耗等参数进行检测，采用非接触式和惯性基准法对轨道参数进行检测；我国自主开发的GJ-6型轨道检测系统主要由激光摄像组件、惯性测量组件、信号处理组件、数据处理组件、里程定位组件和机械悬挂装置等六部分组成，其在GJ-4型和GJ-5型轨道检测系统的基础上提高了检测精度和抗干扰能力，并采用实时控制技术;实现里程精确定位，具有高速、精确、可靠的特点[7]。上述检测系统或检测列车虽然检测技术和检测结果均达到了很好的效果，但是基于大型检测车的检测系统存在先天的不足：首先是造价昂贵，由于其集成多个检测模块，造成系统复杂庞大，不适合在铁路日常巡检中使用；其次，上述综合检测系统在满足高速检测的状态下会降低空间上的检测频率，不适合如钢轨断面检测等某些日常巡检项目需要的精细化检测。

目前在日常巡检中对钢轨的表面状态检测和轨道几何状态检测也有例如丹麦miniprof钢轨轮廓检测仪[8]和我国日月明GJY型轨道几何状态检查仪[9]等检测设备。前者采用由一个直径为12 mm的小磁性轮连在两铰接点的延伸杆端部的传感器作为测量单元，人工在钢轨表面转动磁性轮完成测量过程，系统通过光译编码器对两自由度的极坐标系统的角度进行高精度测量，保证其在笛卡尔坐标系下精度为0.001 mm左右；后者利用轮轨接触式测量方式测量轨距，基于数字陀螺测角测量原理测量高低和轨向等几何参数，并实现在线数据及波形显示与报警功能。二者均为我国铁路日常巡检中使用的成熟产品，但仍有其各自缺点：miniprof钢轨轮廓检测仪测量效率低，单个天窗所采集的钢轨廓形数量有限，无法准确连续还原整个测量区间的廓形；GJY型轨道几何状态检查仪虽然能对轨道几何状态进行有效测量，但其无法实现钢轨断面测量和轨面状态的检查，缺少对钢轨自身的服役状态进行检测的手段。

1 系统组成与工作原理

1.1 系统组成

为满足上述需求，基于多传感器集成技术研发了一种铁路钢轨外观与几何状态智能检测系统(图1)。该系统以小车载体为基础，集成GNSS/惯性测量单元(IMU)/DMI组合定位定姿系统、线结构光传感器、多传感器同步控制电路以及存储单元、车轮编码器及安装组件、嵌入式计算机以及电源供电系统等设备，组建铁路检测与测量平台，在同步控制单元的协调下各个传感器之间实现时空同步，快速采集铁路轨道的全断面时空数据。其中线结构光传感器作为感知传感器，GNSS、IMU与里程计作为定位定姿传感器，可在连续运动状态下进行轨道结构形面的同步检测。

图1 铁路钢轨外观与几何状态智能检测系统总体组成

1.2 工作原理

如图2所示，系统中的传感器包括光电编码器、GNSS系统、惯性测量单元(IMU)和线结构光扫描仪。其中光电编码器通过车轮转动单位周长的脉冲数推算出系统的瞬时速度和行驶里程；GNSS系统通过载波相位差分定位法测量系统位置信息，实现移动载体的精确定位，建立高精度的空间基准，GNSS系统同时也提供高精度时间信息和PPS脉冲，对移动载体的测量传感器及设备进行高精度授时，为系统建立统一的时间基准；IMU由三轴加速度计和陀螺仪输出系统每个时刻的姿态；线结构光扫描仪通过三角测量法测量每个钢轨断面的点云和灰度图。

图2 铁路钢轨外观与几何状态智能检测系统工作原理

人工推行小车在轨道上运行，车轮带动光电编码器转动，编码器向同步板发送脉冲信号，同步板接收到脉冲信号后按照预定的规则控制线结构光扫描仪和同步触发，同步板通过无线网络向上位机发送解析指令，通知上位机接收来自线结构光扫描仪的轮廓数据、GNSS数据、IMU数据以及光电编码器的脉冲数据，上位机对数据进行融合、解算，最终得到每个时刻钢轨的轨面异常状态、廓形磨耗值和轨道几何参数。

2 关键技术

2.1 多源异构传感器数据同步与融合技术

上述多种传感器的工作原理不同，采集的物理量各异，数据采集的频率不同，数据输出方式和接口也不一样，属于典型的多源异构数据，在不同数据之间建立统一的基准是同步控制的核心，而多源数据融合则可充分发挥多传感器系统优势，对多个传感器数据进行融合解算。

2.1.1 时空同步控制技术

多传感器的同步控制是指为完成指定的检测和测量任务，通过特定的方法和手段使得参与任务的多个传感器按照预定的节奏、频率和逻辑顺序协同工作。时间同步控制器就是通过一系列的电路系统，保证各个传感器之间以及传感器和定位系统之间的时间同步。对于三维移动测量系统的任意一种传感器而言，其数据采样无非采用了2种方式：时间间隔采样和空间间隔采样。

图3 GNSS/IMU松组合导航工作原理

采用时间间隔采样的传感器一般要求其输出的数据带有采样的时刻信息，或者输出采样时刻的脉冲信号。如本系统中GPS接收机和IMU的每帧数据都有UTC时间等。

采用空间间隔采样的传感器可以从外部控制其数据采样和输出的时刻，所以需要一套用来精准记录外部控制信号的电路来实现。为完成该类传感器与GPS等时间间隔的传感器的数据融合，本系统采用GPS作为时间基准。

对于采用空间间隔采样工作方式的铁路钢轨外观与几何状态智能检测系统，首先在控制器在外部编码器产生的距离脉冲的驱动下，按照预先设置好的脉冲宽度对距离脉冲进行调制放大，并实时转发给数据采集传感器系统，作为触发信号控制线结构光扫描仪进行同步采集。并且同步控制器会把脉冲发生时间、序列号等有用信息，通过RS232串口实时传送到采集系统的计算机系统内存储起来。在数据采集的同时，距离脉冲传输给POS(Position and Orientation System)系统，并实时记录下该时刻的车辆平台在大地坐标系中的位置和姿态信息，然后通过时间同步控制系统，实现POS系统的数据和测量传感器系统采集到的数据之间的统一。为了获取准确的时间，在同步控制系统中也安装了GPS系统(主要是用来接收和校正时间)和高精度的晶振，用来提供同步信号中的时间，并且需要达到毫秒级的精度。

2.1.2 多源数据融合技术

系统中多种传感器之间的数据需要进行相互融合，其中主要包括GNSS和IMU之间的组合导航解算以及解算出的位姿数据和激光数据融合得到绝对位置的轨道点云数据。

本系统中GNSS与IMU的组合方式为松组合，其导航工作原理如图3所示。GNSS接收机使用导航滤波器把伪距和载波相位观测量处理成独立的位置、速度导航解，把位置、速度数据作为观测量直接输入到卡尔曼滤波器中，执行递归最小二乘估计，并对惯性导航仪(INS)进行导航改正；GNSS和INS作为2套独立的位置和姿态参数值输入到组合处理器中，组合处理器与GNSS和INS之间存在反馈回路，最终产生单一的组合导航解。其特点是：(1)将系统导航解反馈到GNSS接收机内的滤波器中，用GNSS测量值修正系统的导航解；(2)辅助GNSS跟踪环路的速率；(3)使用INS误差状态反馈来改正下一历元的INS导航解。

松组合导航系统的状态参数向量至少是载体的速度误差、位置误差、姿态误差、加速度计误差和陀螺仪误差分别在三轴上的误差分量，共15维向量，而在加入尺度因子误差、重力误差等参数后，可以进一步增加状态参数向量的维数形成18维甚至27维向量。

松组合导航系统状态方程为：

Xk+1= ∂k+1|kXk+Gk+1

(1)

∂k+1|k=I15×15+Fk+1δt

(2)

式中：∂k+1|k——状态转移矩阵；

Gk+1——状态转移噪声；

δt——滤波更新周期。

利用卡尔曼滤波建立时间更新方程和状态更新方程(推导过程略)为：

Xk+1|k=∂kXk

(3)

(4)

Xk+1=Xk+1|k+Kk+1(Lk-HXk+1|k)

(5)

(6)

Dk+1= (I-Kk+1H)Pk+1|k

(7)

式中：H——观测矩阵；

Lk——GNSS模块与INS模块二者残差观测向量。

系统更新状态值后，INS模块的位置、速度和姿态通过位置误差、速度误差以及姿态误差改正量估计值改正，最后将加速度计零偏估计量和陀螺漂移估计量反馈至观测方程中，完成一轮GNSS/INS松组合定位定姿。

经过迭代多次后，得到高精度POS数据，再利用系统惯导中心和线结构光扫描仪中心之间的杆臂值关系，通过杆臂姿态模型计算出每个线结构光传感器中心的位置和姿态，最后与原始激光数据融合生成高密度、高精度铁路轨道三维点云。

2.2 基于改进U-Net卷积神经网络的钢轨表面病害检测方法

近年来，针对表面缺陷的自动检测提出了很多方法，其中基于数据驱动的深度学习方法得到了广泛的关注。尽管经典的目标检测方法已经获得了相对不错的效果，但目前仍然存在检测图像背景复杂、图像噪声干扰以及检测方法的泛化性和准确率较低等问题。

U-Net模型是以FCN模型为基础进行优化的网络模型，模型结构是“U“字形，沿着中心对称轴把整个网络模型分为两部分，分别为收集特征的编码器部分和还原细节的解码器部分。编码器是由3×3的卷积层、激活层和2×2最大池化层组合而成，其主要是通过卷积神经网络获取目标图像的数据特征信息。在编码器部分每采用一次下采样操作，模型的通道数都是上个通道数的一倍。解码器部分是由2×2的反卷积、3×3的卷积以及激活层组合而成。解码器进行的操作与编码器相反，使用上采样操作，使用反卷积的方法结合编码器下采样获取的信息对图像细节进行复原操作，每进行一次上采样操作，通道数会变成上个通道数的一半并且特征图被扩大，逐步恢复图片精度，最终输出只包含背景和目标图像信息的图像。总的来说，U-Net模型特殊的“U”字形状让模型结构更加的整齐和清晰，图像之间的裁剪拼接和反复卷积以及一系列相关算法的计算让U-Net网络模型获取更加详细的上下文信息，同时可以获得丰富的细节信息，输出更加清晰的图像。

本文采用改进的U-net模型(图4(a))，Non-local网络模型的特点在于其所包含的上下文信息十分相似，因此，建立一个共享的全局上下文模块代替其他的上下文模块，以达到降低网络运算量的目的。并引入了轻量化的全局模块(GC模块)(图4(b))，构建一个全局的上下文网络。同时，为了提高通道之间的关联性，在Non-local网络模型中插入SENet模块便可以达到此目的。在模型中加入GC模块后，既具备简化后Non-local模块的优点，同时为了降低参数量，在模块中用1×1卷积替换瓶颈转换模块，参数量从原先的C×C优化到了2×C×C/r。也就是说，如果原先设定的参数量是32，那么现在的参数量就是原先的1/16。因此，该模块优化后是一个轻量级模块，而且可以灵活地穿插到网络的不同位置。全局模块的优化过程分为3个步骤：首先，通过将1×1卷积与softmax函数叠加在一起使用得到注意力权重；其次，将采用注意力池化的方法获取全局模块的上下文信息；最后，利用1×1的卷积Wv对其进行特征变化，将获取的信息再次聚合到每个查询位置上。

图4 改进U-net模型

2.3 基于钢轨曲率特征改进ICP的钢轨磨耗值检测方法

一般来说，小车在钢轨上运动是一种蛇行运动，这会造成线结构光传感器扫描角度非垂直钢轨，另外，车体在运动时会因为某些外界因素造成车体抖动。所以要实现钢轨轮廓高精度动态测量，必须进行车辆运动补偿。本文利用多级低通FIR数字滤波器将高频的扰动加速度信息滤除，只保留低频重力加速度矢量，最终得到陀螺3个方向的角度补偿。数字滤波器的具体设计方案见文献[10]，限于篇幅这里不再赘述。横滚角补偿LR、偏航角补偿LH和俯仰角补偿LP引起的误差关系如公式(8)所示，图5为系统振动补偿关系图。

(8)

式中：xm、ym——激光器原始测量得到的点坐标；

xs、ys——经过运动补偿之后的点坐标。

图5 系统振动补偿

为了提高左右2个激光器的点云配准精度，本文还设计了一种基于钢轨曲线法向量改进的迭代最近点(ICP)算法：

第一步,通过对左右2个激光器数据进行配准快速还原钢轨真实的廓形；

第二步,通过与标准轨廓进行匹配计算出磨耗数据。

ICP算法是通过求取源点云和目标点云之间的对应点对，基于对应点对构造旋转平移矩阵，并利用所求矩阵将源点云变换到目标点云的坐标系下，然后估计误差函数并设定阈值，最后迭代进行上述运算直到满足给定的误差要求。ICP算法采用最小二乘估计计算变换矩阵，原理简单且具有较好的精度，但是由于采用了迭代计算，导致算法计算速度较慢，而且ICP算法容易陷入局部最优解。因此，本文对线结构单帧二维点云提出一种根据曲率变化提取出特征度较大的轨腰点作为关键点，通过计算关键点的曲率查找初始匹配点对来提高ICP算法效率的方法。其具体步骤如下：

第一步，利用标定的偏转角将钢轨左右两侧激光器的原始点云拼接在一起进行粗匹配，然后利用钢轨轨头曲率变化大的末端，分别在两侧激光器原始数据中取出，最后利用ICP算法精匹配将二者合并成一个包含完整钢轨点云的数据(图6(a)至图6(b)的过程)。

第二步，选择合适范围的直通滤波，过滤除钢轨之外的离群点，得到钢轨范围内的点云，然后设计2个具有对应关系的目标点集和参考点集，计算二者最优的刚性变换，重复这个过程直到满足设定收敛准则，从而解算得到起始点集A到终止点集B的旋转变换量R和平移变换量T。本方案中，目标点集即为滤波后的轨头点云数据，而参考点集即为标准的轨头模型点集(限于篇幅，过程的数学描述略)。

最后根据计算得到平移矩阵和旋转矩阵，对轨头部分点云施加相同的旋转平移变换，将变换之后的点云与标准轮廓的轨头点云做对比，依据定义，垂直磨耗在钢轨顶面1/3宽处(距标准工作边)测量，侧面磨耗在钢轨踏面(按标准断面)下16 mm处测量。总磨耗为垂直磨耗与侧面磨耗的一半之和，从而计算出该钢轨断面廓形的侧面磨耗、垂直磨耗以及总磨耗。经过点云配准后的数据如图6(c)所示。

图6 钢轨断面匹配过程

2.4 轨道几何状态检测技术

轨道几何状态主要指几何形状、尺寸和空间位置等几何参数，主要通过轨道特征点的坐标位置来描述，具体包括轨距、高低、轨向、超高、水平和三角坑等。轨道几何状态检测采用精密测量技术，精确测量轨道几何形变量及确定变形发生位置；计算出钢轨的调整量，评估不平顺状态；并根据精密测量的轨道形变量，将轨道调整至设计的平顺度，保证行车安全和乘客舒适度。目前轨道几何状态检测主要采用弦测法和惯性基准法[11]，检测设备测量形式包括直接与钢轨触碰的接触式测量和采用光电设备扫描或拍摄钢轨的非接触测量2种，检测技术的核心是采用惯性组合导航技术精确获取检测设备的位姿信息，进而高精度地重建钢轨的空间位置，并在此基础上进行不平顺分析。本系统采用非接触测量惯性基准法，最终生成的轨道结构三维点云如图7所示。

图7 轨道结构三维点云

由于该点云是包含绝对位置的高精度点云，它可以真实地反映现场的情况。基于此点云和轨道几何参数的定义，提取或拟合出关键点，即可计算出轨道几何参数。图8为轨道几何参数计算示意图。

图8 轨道几何参数

轨距是指钢轨内侧距离钢轨顶面向下16 mm处2根钢轨之间的最短距离。我国铁路在直线段的标准轨距是1 435 mm，实际的轨距值与标准值的偏差为轨距偏差(G)，其计算公式为：

G=D-Db

(9)

式中：D——实际测量的轨距值；

Db——标准轨距值，一般为1 435 mm。

轨向是指钢轨内侧沿着长度方向的横向的凹凸不平顺。横向不平顺有左轨、右轨之分，并且通常不一致，左右轨方向不平顺的平均值作为轨道中心线的方向偏差值，方向不平顺的存在会导致车轮受到的横向力增大，产生横向振动和左右摇摆，加速部件损坏。直接提取轨距点处的水平坐标，可直接计算轨向不平顺。图8(a)中B1处的轨向不平顺L计算公式为：

(10)

其中：M=(TA1B1+TB1C1+TA1C1)/2

式中：SA1B1C1——△A1B1C1的面积；

TA1B1、TB1C1、TA1C1——分别为A1B1、B1C1和A1C1的距离。

高低是指钢轨顶面沿着钢轨中心线在垂直方向上的凹凸不平顺，分左右轨高低不平顺，可以分别按不同弦长的正矢和不同波长范围的空间曲线表示。高低不平顺(H)会导致轮轨间过大的垂向作用力，引起列车剧烈的浮沉和点头,其计算公式为：

(11)

式中:hA2、hB2、hC2——分别指A2、B2、C2点的高程。

轨道水平是指轨道同一横截面上左右2根钢轨的轨顶处相对于水平面的高程差，不含圆曲线上设置的超高和缓和曲线上超高顺坡量。超高(S)是指曲线地段外轨顶面与内轨顶面设计水平高度之差，其计算公式为：

S=So-Si

(12)

式中：So、Si——分别指外侧和内侧轨顶面的水平高度。

对于上述轨道几何参数的定义中的各个关键部位，如何在轨道三维点云中准确找到其对应位置是保证结果精度的关键。对于铁路特定里程处的轨道几何参数，本文首先利用组合导航系统找出该位置，再根据结构光点云前后帧插值拟合出该点处的断面廓形点云，然后利用2.3节提出的基于曲率改进的ICP匹配方法，快速将该点处的断面点云和标准廓形作匹配，最后根据标准钢轨廓形中的轨道几何参数关键点提取其在断面点云中的对应点，通过上述公式计算每种轨道几何参数。

3 试验验证

3.1 数据采集

为了验证系统及其关键技术的有效性，选取某实际运行线路作为试验地点，现场作业情况如图9所示。系统检测速度为5 km/h左右，单人推行小车在轨道上行驶，共计行驶里程约6 km。现场利用道尺采集30组轨距和超高数据，用于和系统输出的轨距和超高值进行精度对比；同时利用miniprof廓形仪采集钢轨断面，人工现场调查轨面异常情况，用于廓形分析和轨面异常状态的对比。

3.2 结果验证

3.2.1 轨面状态结果验证

本系统利用改进U-Net卷积神经网络对采集的轨面图像进行异常状态检测，检测的轨面异常状态包括焊缝、波浪磨耗和擦伤等病害(图10)。通过与现场复核结果比较，该方法可以快速准确识别钢轨表面各种异常状态，并输出具体里程和病害种类。

钢轨踏面掉块是轨面病害较严重的一种，本系统也可以对掉块情况进行检测。由图11可知，经过本系统分析处理后，较大面积的掉块位置可以被找出，并输出具体里程信息，这对后续轨面病害的治理工作可起到有效的指导作用。

图11 钢轨踏面掉块

如表1所示，本文采用的改进U-Net模型以99.19%的全局识别正确率(Accuracy)比传统U-Net模型的98.43%更佳；在准确率(Precision)上，改进的U-Net以83.53%相较于传统U-Net模型的80.43%有了较大提升；在召回率(Recall)上，改进的U-Net以80.72%高出传统U-Net模型近10%，证明改进的U-Net模型在对多种病害识别的全面性上更好；对于mIoU数据，改进的U-Net模型的图像分割精度指标为84.68%，对比传统U-Net模型的81.87%，证明其在病害分割提取的精度上也有所提高。

表1 试验结果指标对比 %

3.2.2 钢轨廓形结果验证

本系统通过线结构激光器采集的数据利用基于曲率改进的ICP算法输出钢轨轨头廓形，左右原始廓形如图12(a)、图13(a)所示，将廓形与实际线路设计廓形对比得到廓形法向偏差如图12(b)、图13(b)所示，在X=20 mm处总体偏差处于-0.6～+0.6 mm之间。

图12 左股钢轨廓形及偏差

图13 右股钢轨廓形及偏差

通过拟合连续轮轨主要接触区域的钢轨廓形轨面状态，可对轨面整体平顺性进行检测。如图14所示，当有左右股钢轨工作边持续性的高低交替变化现象，廓形交替变化长度在40～80 m范围，并且在运行速度300 km/h时，会诱发车体蛇行失稳，造成动车组晃车，可以根据廓形检测情况进行廓形整体修复。

图14 钢轨连续廓形变化图

3.2.3 轨道几何参数结果验证

本系统利用真实轨道三维点云处理得到的轨距和超高与现场利用道尺测量的轨距和超高结果对比如表2所示。可以看出，30组数据轨距偏差的均值为0.13 mm，中误差为0.15 mm；超高偏差均值为0.09 mm，中误差为0.12 mm。由此可知，铁路钢轨外观与几何状态智能检测系统输出的轨距和超高与道尺测量出的结果基本一致，证明本系统与检测方法可以较准确测量轨道几何参数。

表2 轨距和超高精度对比

4 总结

本文针对钢轨表面状态、钢轨连续廓形以及轨道几何状态检测无法准确、高速和自动化同步检测的问题，研制了一种铁路钢轨外观与几何状态智能检测系统，分别提出基于改进U-Net卷积神经网络的钢轨表面异常状态检测方法、基于钢轨曲率特征改进ICP的钢轨磨耗值检测方法以及一种融合线结构激光与惯性数据的非接触式轨道几何参数测量方法，通过在实际线路上的验证，证明该系统可以有效检测出焊缝、波浪磨耗、擦伤和掉块等轨面异常状态，输出高密度、高精度钢轨断面轮廓数据，同步解算出高精度轨道几何参数，对三者进行综合检测。

虽然本研究取得了上述成果，但是仍存在以下几个方面需要深入研究：(1)进一步完善轨道几何参数中的轨向、高低和扭曲等参数的效果；(2)优化廓形检测精度和可靠性，力争与接触式测量方法达到相同的效果；(3)深度整合多源数据，充分挖掘数据价值，对钢轨整体服役状态进行综合分析。