李 萍，王君明，劉默耘

（湖北工業(yè)大學(xué) 機(jī)械工程學(xué)院，武漢 430068）

0 引言

我國鐵路不斷提速，為保證列車運(yùn)行安全性和舒適性，軌道日常檢測和養(yǎng)護(hù)要求相應(yīng)提高。用來檢測軌道的幾何不平順狀況，評價軌道幾何狀態(tài)的特種車輛，稱為鐵路軌道檢測儀，簡稱軌檢儀[1]。

目前，用來檢測軌道靜態(tài)下的幾何參數(shù)的常規(guī)軌檢小車主要有德國生產(chǎn)的GEDO CE軌檢小車、瑞士安博格生產(chǎn)的GRP X000系列軌檢小車、鄭州辰維科技公司與鐵道第三勘察設(shè)計院集團(tuán)聯(lián)合研制的TRIG1000鐵路軌道幾何狀態(tài)檢測儀等[2]。這幾款軌道檢測小車在使用時需要配合全站儀來進(jìn)行必要的定位，與檢測人員的技術(shù)程度有很大關(guān)系，可靠性和效率都不高，且操作復(fù)雜。

針對軌道幾何狀態(tài)檢測存在的上述問題，已有一些學(xué)者提出了改進(jìn)方案。陳強(qiáng)等[1]提出基于車載近景攝影采集軌道圖像用以檢測軌道線形，采用軌面移動平臺搭載相機(jī)采集圖像，以軌道板和軌道面稀疏布設(shè)的像控點(diǎn)作為約束條件，使用近景攝影測量空間解析幾何模型，平差解算軌道測點(diǎn)三維坐標(biāo)。仿真計算結(jié)果驗證了車載攝影測量方法用于軌道靜態(tài)幾何參數(shù)快速檢測的可靠性。潘亮[3]從研發(fā)軌道檢測車的角度出發(fā)，描述了軌道各項參數(shù)的測量原理和硬件結(jié)構(gòu)，并將其應(yīng)用于新建高速鐵路和既有線路，結(jié)果證明該軌道檢測車可有效測量軌道實(shí)際狀態(tài)。

列車與軌道的相互作用除了引起軌道幾何狀態(tài)的改變，也會影響鐵軌相連部件（如鋼軌扣件和軌枕等）的“健康”狀況。常規(guī)軌道檢測車難以同時實(shí)現(xiàn)這些部件的動態(tài)檢測與測量。對于每一種部件，若設(shè)計專用的檢測與測量儀器，難以有效保證部件檢測的準(zhǔn)確率與效率。對此已經(jīng)有學(xué)者進(jìn)行了初步探索，如洪思敏[4]利用里程傳感器、軌距傳感器、超高傳感器以及專用便攜計算機(jī)等其它先進(jìn)檢測和數(shù)據(jù)處理設(shè)備，實(shí)現(xiàn)了里程、軌距、超高、扭曲、中線坐標(biāo)、軌向、高低等軌道參數(shù)的測量。同時，針對軌道狀況（如水泥、灌漿等殘留物、小車傾斜）對檢測結(jié)果的影響，將計算機(jī)視覺檢測系統(tǒng)應(yīng)用于軌檢小車，實(shí)現(xiàn)軌道狀況的實(shí)時監(jiān)控。

為針對性解決上述軌道檢測的問題，本文設(shè)計了一種實(shí)時性較強(qiáng)，準(zhǔn)確度較高的軌道動態(tài)檢測系統(tǒng)。該系統(tǒng)可用于檢測有砟軌道的鋼軌以及與鋼軌連接的扣件和軌枕等部件的幾何狀態(tài)，能夠有效提升軌道檢測的可靠性與效率。

1 軌道動態(tài)檢測與測量系統(tǒng)

軌道動態(tài)檢測與多功能測量系統(tǒng)主要用于檢測有砟軌道（如圖1所示）兩列鋼軌的高低、水平方向不平順，鋼軌方向、里程、三角坑以及軌距等參數(shù)[5]，此外還能測量出曲線超高、曲率以及高低方向等軌道不平順的變化數(shù)值。對于與鐵軌相連部件，該系統(tǒng)能檢測扣件的位置和狀態(tài)變化（是否破損與丟失），軌枕的損耗情況。

軌檢測量車搭載軌道動態(tài)檢測與多功能測量系統(tǒng)，可由軌道車提供動力，以數(shù)值或波形的形式實(shí)時輸出軌道的幾何數(shù)據(jù)。

1.1 機(jī)械結(jié)構(gòu)設(shè)計

如圖2所示，軌檢測量系統(tǒng)的硬件由鋼軌測量子系統(tǒng)和部件圖像分析子系統(tǒng)組成，主要包括推桿、激光測距儀、電子羅盤、里程傳感器、GPS、工業(yè)CCD相機(jī)，視覺檢測軟件和電氣柜及工控機(jī)等。

針對工程中需要對多種鋼軌測量信號進(jìn)行采集、處理、分析、顯示、存儲的要求，軌檢測量車的鋼軌測量子系統(tǒng)采用工業(yè)控制計算機(jī)與二次儀表進(jìn)行串行通信的方式，實(shí)現(xiàn)對多種鋼軌測量信號的采集。該系統(tǒng)主要由傳感器、二次儀表、工業(yè)控制計算機(jī)等組成，其中二次儀表實(shí)現(xiàn)信號的濾波、放大等調(diào)理功能，工業(yè)控制計算機(jī)通過RS232串行通信方式獲取信號，并由軟件實(shí)現(xiàn)濾波、分析、顯示、存儲等功能。

圖2 軌檢測量車結(jié)構(gòu)示意圖

其次，對于與鐵軌相連部件，采用工業(yè)CCD相機(jī)透過測量車底部通孔，實(shí)現(xiàn)對扣件和軌枕圖像的采集。軌檢測量車的部件圖像分析子系統(tǒng)主要由工業(yè)相機(jī)、光源、鏡頭、視覺檢測軟件和工業(yè)控制計算機(jī)等組成。為保證圖像傳輸?shù)膶?shí)時性和穩(wěn)定性，利用具有USB3.0接口的相機(jī)采集圖像。系統(tǒng)運(yùn)行前，根據(jù)測量精度的實(shí)際需求，調(diào)整相機(jī)的位置、鏡頭角度、光照強(qiáng)度等影響圖像采集質(zhì)量的因素；待軌檢測量車到達(dá)指定位置后，觸發(fā)多組相機(jī)采集圖像，并傳送至工控機(jī)；應(yīng)用視覺檢測軟件依次對圖像進(jìn)行分析，實(shí)時獲取圖像處理結(jié)果。

1.2 軟件系統(tǒng)設(shè)計

軌檢測量車軟件系統(tǒng)也同樣分為鋼軌測量子系統(tǒng)和部件圖像分析子系統(tǒng)兩部分，測量軟件按功能可分為數(shù)據(jù)采集、分析、顯示以及保存四大模塊，其基本工作流程如圖3所示。

圖3 軟件系統(tǒng)流程圖

數(shù)據(jù)采集模塊控制激光測距儀等傳感器完成對兩列鋼軌幾何狀態(tài)數(shù)據(jù)以及位置信息的采集，并控制相機(jī)采集與鋼軌連接的部件圖像。數(shù)據(jù)分析模塊對采集的鋼軌數(shù)據(jù)進(jìn)行處理，比較得出兩列鋼軌間的數(shù)據(jù)差值，同時實(shí)現(xiàn)部件圖像的檢測和測量，與標(biāo)準(zhǔn)模板圖像進(jìn)行對比并判斷部件的“健康”狀況。數(shù)據(jù)存儲模塊及時存儲數(shù)據(jù)分析模塊處理的鋼軌和部件數(shù)據(jù)，指導(dǎo)制定軌道設(shè)備維護(hù)和維修計劃。

2 鋼軌及其部件動態(tài)測量算法

2.1 鋼軌基本數(shù)據(jù)測量

軌道不平順是指軌道幾何形狀、尺寸和空間位置的偏差。廣義而言，凡是直線軌道不平、不直，對中心線位置和軌道高度、寬度正確尺寸的偏離；曲線軌道不圓順，偏離曲線中心位置和正確曲率、超高、軌距值，偏離順坡變化尺寸等軌道幾何偏差，通稱軌道不平順[6]。系統(tǒng)采用里程傳感器記錄里程數(shù)據(jù)并輔以GPS全球定位系統(tǒng)進(jìn)行矯正，實(shí)現(xiàn)軌檢測量車的準(zhǔn)確定位，實(shí)時記錄測量數(shù)據(jù)。

測量示意圖如圖4所示，四個激光測距儀分別檢測軌面下16mm處到軌檢車中心的距離（分別記為L1～L4），假設(shè)小車在軌面上作蛇形運(yùn)動，在水平面上偏離軌道中心角度為θ，則有：

式中，d為兩組激光測距傳感器之間的距離。

結(jié)合式(1)可知，該點(diǎn)軌距D為：

由于激光測距儀的精度在微米級，故軌距的測量精度主要由測量小車的制造精度和各部件的安裝配合精度決定。

圖4 鋼軌動態(tài)測量原理圖

當(dāng)小車運(yùn)行時，電子羅盤測量的尋北角度為γ時，則軌道的走向角度為γ+θ，其精度與所選用電子羅盤的尋北角度精度相同。

2.2 鋼軌水平不平順檢測

鋼軌水平不平順的測量原理如圖5所示。由高精度電子羅盤測量出兩鋼軌平面與水平面的夾角α，根據(jù)兩軌頂面中心線間的距離L（由軌道設(shè)計資料獲取數(shù)據(jù)）即可由下式計算出兩列鋼軌的水平不平順。

圖5 水平不平順的測量原理

2.3 扣件圖像分析

鋼軌扣件[7]的圖像分析算法按功能可分為圖像獲取、圖像處理、測量分析和缺陷判別四個部分，具體流程[8]如圖6所示。

圖6 扣件圖像分析流程

首先，對采集到的鋼軌扣件圖像進(jìn)行預(yù)處理，降低圖像中含有的噪聲；接著，設(shè)定感興趣區(qū)域（Region of Interest，ROI），提取待測目標(biāo)，減少圖像處理時間并增加精度；其次，利用閾值分割和形態(tài)學(xué)處理進(jìn)一步提取待測目標(biāo)，并測量目標(biāo)的幾何參數(shù)；最后，將上述待測目標(biāo)的幾何參數(shù)與標(biāo)準(zhǔn)目標(biāo)進(jìn)行比較，判定缺陷 程度。

2.4 軌枕圖像分析

軌枕[9]圖像分析算法流程與扣件圖像分析算法類似，唯一的不同之處在于，軌枕圖像采用小波馬爾科夫隨機(jī)場[10]（Markov Random Field，MRF）算法進(jìn)行圖像分割，如圖7所示。

圖7 軌枕圖像分析流程

圖像在二維網(wǎng)格的不同位置上使用不同顏色值來反映真實(shí)景物的有關(guān)信息[12]，該二維網(wǎng)格中的大部分像素都只與鄰域像素相互影響。

小波變換理論[11]則利用此先驗信息建立圖像的多尺度表達(dá)的金字塔模型，而MRF理論則利用此類信息表征圖像像素的空間交互關(guān)系。小波MRF算法能夠建立軌枕圖像的層次特征模型，有效提取軌枕圖像并屏蔽底層圖像的干擾。

3 測量結(jié)果與分析

3.1 鋼軌檢測結(jié)果及分析

以每10mm為間距，采集300組鋼軌幾何數(shù)據(jù)，該段鋼軌是用于測試軌檢測量車性能的標(biāo)準(zhǔn)軌道，檢測結(jié)果如圖8所示。實(shí)驗結(jié)果表明，利用軌檢車測量到的軌距值與真實(shí)軌距值的誤差在±0.05mm之間，水平（垂直）不平順測量誤差為±0.027mm。

圖8 鋼軌測量結(jié)果

經(jīng)過大量實(shí)際軌道測量驗證，該軌檢測量小車的檢測精度可達(dá)如下指標(biāo)：軌距測量范圍在1375～1455mm之間，測量誤差不超過0.05mm，不平順測量誤差為0.03mm。

3.2 扣件與軌枕圖像處理結(jié)果及分析

結(jié)合2.3節(jié)和2.4節(jié)所述的圖像分析流程，扣件與枕木的圖像處理結(jié)果分別如圖9和圖10所示。

圖9 扣件圖像處理結(jié)果

圖10 軌枕圖像處理結(jié)果

從圖9中可以看出，不同狀態(tài)下的扣件圖像處理結(jié)果明顯不同。對比圖9(d)～圖9(f)，扣件的移位或脫落會使圖像黑白像素分布發(fā)生明顯變化。據(jù)此，可以利用扣件處理后的圖像像素分布來判斷扣件狀況。

【】【】

從圖10中可以看出，不同狀態(tài)下的軌枕圖像處理結(jié)果也明顯不同。圖10(d)～圖10(f)表明，軌枕的破損與圖像黑白像素比有直接關(guān)系。軌枕破損程度越大，則圖像黑白像素比越大。

4 結(jié)論

針對軌道幾何狀態(tài)及其相關(guān)部件的檢測要求，設(shè)計了軌道多功能動態(tài)檢測系統(tǒng)，利用激光測距儀與電子羅盤等實(shí)現(xiàn)鋼軌幾何狀態(tài)的動態(tài)測量。此外，結(jié)合圖像分析算法與小波馬爾科夫隨機(jī)場理論，實(shí)現(xiàn)扣件和軌枕的視覺檢測。在標(biāo)準(zhǔn)軌道和實(shí)際軌道上的測量實(shí)驗結(jié)果表明，系統(tǒng)的軌距測量范圍在1375～1455mm之間，測量誤差不超過0.05mm，不平順的測量誤差為0.03mm，充分滿足實(shí)際軌道動態(tài)檢測的需求，并能準(zhǔn)確識別扣件與軌枕破損程度，進(jìn)一步確保列車運(yùn)行的安全性。

參考文獻(xiàn)：

[1]陳強(qiáng),劉麗瑤,楊瑩輝,等.高速鐵路軌道幾何狀態(tài)的車載攝影快速檢測方法與試驗[J].鐵道學(xué)報,2014,36(3):80-86.

[2]劉麗瑤.近景攝影測量檢測高速鐵路軌道幾何狀態(tài)的精度研究[D].成都:西南交通大學(xué),2012.

[3]潘亮.高速鐵路軌道幾何狀態(tài)檢測技術(shù)與實(shí)現(xiàn)[D].長沙:中南大學(xué),2013.

[4]洪思敏.軌道檢測小車測量方法的研究[D].廣州:廣東工業(yè)大學(xué), 2015.

[5]文梅麗.軌道靜態(tài)幾何參數(shù)在線檢測系統(tǒng)[D].武漢:武漢科技大學(xué),2014.

[6]全順喜,王平,陳嶸.無砟軌道高低和方向不平順計算方法研究[J].鐵道學(xué)報,2012,34(5):81-85.

[7]劉甲甲,熊鷹,李柏林,等.基于計算機(jī)視覺的軌道扣件缺陷自動檢測算法研究[J].鐵道學(xué)報,2016,38(8):73-80.

[8]ZHAO Daxing, FENG Wei, SUN Guo- dong, et al.High Precision Measurement System of Micro-electronic Connector based on Machine Vision[J].Journal of Applied Sciences,2013, 13(22):5363-5369.

[9]Yella S, Dougherty M, Gupta N K.Condition monitoring of wooden railway sleepers[J].Transportation Research Part C Emerging Technologies,2009,17(1):38-55.

[10]Feng W, Jia J, Liu Z Q. Self-validated labeling of Markov random fields for image segmentation[J].IEEE Transact- ions on Pattern Analysis and Machine Intelligence,2010,32(10):1871-1887.

[11]Dawoud A, Netchaev A. Fusion of visual cues of intensity and texture in Markov random fields image segmentation[J].Iet Computer Vision,2013,6(6):603-609.