轨道零部件级联缺陷检测算法

林 军，康高强，涂振威，徐阳翰，岳 伟，熊群芳

（中车株洲电力机车研究所有限公司，湖南 株洲 412001）

0 引言

扣件和钢轨是轨道的重要组成部件。扣件将钢轨紧固在轨枕之上以防止钢轨出现横、纵向偏移[1]，钢轨则提供平顺的表面并引导车轮滚动[2]，两者共同作用，为列车提供安全可靠的轨道运行环境。然而，轨道零部件在长期运营之后会出现不同程度的伤损[3]。扣件缺损包含断裂和缺失；钢轨伤损可细分为波浪磨耗、重型划痕、擦伤压陷、光带异常和踏面剥离等[4]。损伤零部件若长久失修，可能会导致钢轨变形、塌陷等问题，继而影响列车的正常运行，严重时将导致列车脱轨甚至翻车等重大交通事故。针对轨道零部件的缺陷检测，传统的人工巡检方式存在耗时耗力、依赖经验、易漏检误检等问题[5]。目前，基于计算机视觉的轨道零部件缺陷检测方法，因其获取的轨道图像具有良好的可视性、可追溯性，且缺陷分析具有自动化、快速化及智能化等诸多优势，受到学界和工业界的广泛关注。根据对轨道图像处理方式的不同，可将其分为传统方法[6-8]和深度学习方法[9-11]。传统方法通过分析轨道图像具体特点，手工提取图像的几何尺寸、灰度等底层特征，并设计缺陷判据以判定是否存在缺陷，在特定场景下具有较高的缺陷识别率，但存在手工设计特征烦琐、泛化性能较差等缺点。深度学习方法通过收集大量轨道数据样本，训练深度卷积神经网络，自动学习图像深层特征并产生结构化输出，不仅克服了手工设计特征局限性，而且大大简化了缺陷检测流程。……