李治泓 朱慶 廖成 胡翰 陳琳

（西南交通大學(xué)地球科學(xué)與環(huán)境工程學(xué)院，成都 611756）

0 引言

鐵路在我國綜合交通運(yùn)輸體系中扮演著至關(guān)重要的角色，是國民經(jīng)濟(jì)大動(dòng)脈和重要的基礎(chǔ)設(shè)施。隨著我國鐵路運(yùn)營里程的不斷增加，鐵路在西部復(fù)雜艱險(xiǎn)山區(qū)的覆蓋范圍快速提升，鐵路外部環(huán)境日益復(fù)雜，安全隱患頻繁引發(fā)重大事故，嚴(yán)重威脅鐵路運(yùn)營安全[1-3]。國家鐵路局2023 年3 月發(fā)布《鐵路安全風(fēng)險(xiǎn)分級管控和隱患排查治理管理辦法》明確指出“推進(jìn)事故預(yù)防工作科學(xué)化、信息化、標(biāo)準(zhǔn)化，實(shí)現(xiàn)把風(fēng)險(xiǎn)控制在隱患形成之前、把隱患消滅在事故前面?！睘楸Ｕ翔F路安全運(yùn)營，亟需對鐵路外部環(huán)境隱患實(shí)施高效、精準(zhǔn)、科學(xué)、全面的風(fēng)險(xiǎn)評估及防治措施。

鐵路外部環(huán)境隱患的可靠識別和動(dòng)態(tài)監(jiān)測是實(shí)現(xiàn)風(fēng)險(xiǎn)評估、防治的重要前提。國務(wù)院辦公廳轉(zhuǎn)發(fā)的《關(guān)于加強(qiáng)鐵路沿線安全環(huán)境治理工作的意見》指出，鐵路兩側(cè)500 m 范圍內(nèi)的飄浮物隱患為重點(diǎn)治理對象。據(jù)多個(gè)鐵路局實(shí)際數(shù)據(jù)統(tǒng)計(jì)，飄浮物隱患的主要類型是彩鋼瓦房、防塵網(wǎng)、塑料大棚、地膜和塑料垃圾[4-6]，本文也主要針對這5 類隱患開展研究分析。由于鐵路線路跨越復(fù)雜多樣的地形地貌環(huán)境，隱患分布散亂，部分隱患較細(xì)碎，同一類型隱患可能會存在形態(tài)與結(jié)構(gòu)上的顯著差異，不同類型的隱患也可能呈現(xiàn)相似特征，這導(dǎo)致全域隱患精確識別、監(jiān)測的難度較大[7-8]。此外，隱患受外界因素（如強(qiáng)降雨、大風(fēng)等）影響而導(dǎo)致事故的發(fā)生，各因素之間錯(cuò)綜復(fù)雜的因果關(guān)系及相互作用機(jī)理使得動(dòng)態(tài)監(jiān)測預(yù)警難度急劇增加。

鐵路外部環(huán)境隱患監(jiān)測目前主要依賴人工實(shí)地巡檢，人工實(shí)地巡檢主觀因素多，且部分區(qū)域巡檢人員不可到達(dá)，另外由于隱患點(diǎn)多、面廣，導(dǎo)致隱患排查效率不高、時(shí)效性較差，隱患判識結(jié)果可靠性不強(qiáng)。因此，基于人工實(shí)地巡檢的隱患監(jiān)測方法難以滿足我國鐵路高質(zhì)量發(fā)展和防災(zāi)減災(zāi)的需求[9-11]。遙感技術(shù)具有覆蓋范圍廣、對地觀測效率高、信息豐富等優(yōu)點(diǎn)[12-14]，利用遙感技術(shù)對鐵路沿線安全隱患實(shí)施智能識別及監(jiān)測預(yù)警具有重大意義，是降低鐵路外部環(huán)境事故風(fēng)險(xiǎn)的有效途經(jīng)。

本文首先介紹了光學(xué)遙感、合成孔徑雷達(dá)、激光雷達(dá)及地基視頻監(jiān)控作為鐵路外部環(huán)境重點(diǎn)類型隱患遙感監(jiān)測技術(shù)的應(yīng)用現(xiàn)狀以及各自的優(yōu)勢和不足；然后總結(jié)了現(xiàn)有基于遙感監(jiān)測技術(shù)的隱患自動(dòng)識別監(jiān)測方法的特點(diǎn)和局限；最后，對鐵路外部環(huán)境重點(diǎn)類型隱患智能監(jiān)測的研究方向進(jìn)行了展望。

1 鐵路外部環(huán)境隱患遙感監(jiān)測技術(shù)

近年來，空-天-地遙感平臺（如星載平臺、機(jī)載平臺、車載平臺、地基平臺、背包平臺等）和傳感器技術(shù)（如可見光、SAR、紅外傳感器等）快速發(fā)展，為鐵路外部環(huán)境重點(diǎn)類型隱患的識別及監(jiān)測提供了更高空間、時(shí)間、光譜、輻射分辨率的多源多模態(tài)遙感數(shù)據(jù)。

1.1 光學(xué)遙感

光學(xué)遙感技術(shù)在鐵路外部環(huán)境隱患監(jiān)測方面取得了一定成效，通過獲取蘊(yùn)含豐富監(jiān)測信息的光學(xué)影像，結(jié)合隱患自身特征，該技術(shù)已成為高效識別、監(jiān)測鐵路外部環(huán)境隱患的重要工具。光學(xué)遙感監(jiān)測技術(shù)是利用光學(xué)成像技術(shù)采集地表反射的可見光、近紅外光、短波紅外光等，對所獲得的影像進(jìn)行分析，以實(shí)現(xiàn)識別和監(jiān)測地物的任務(wù)要求[15-16]，通常以星載、機(jī)載平臺為主。光學(xué)遙感數(shù)據(jù)根據(jù)傳感器采集信號的波段數(shù)量可劃分為全色、多光譜、高光譜影像[17]。全色影像利用單一寬波段記錄整個(gè)光譜范圍，能反映出隱患精細(xì)的幾何結(jié)構(gòu)和紋理特征信息，具有較高的空間分辨率，但缺乏光譜信息。多光譜影像通過幾個(gè)離散的波段（如紅、綠、藍(lán)和近紅外波段等）獲取目標(biāo)的較豐富光譜特征信息，其空間分辨率低于全色影像[18]。高光譜影像覆蓋大量連續(xù)狹窄波段（數(shù)十到上千個(gè)），可以得到隱患詳細(xì)的光譜特征，但受到成像技術(shù)限制，其空間分辨率最低[19]。因此，在實(shí)際應(yīng)用中，通常將全色影像、多光譜影像、高光譜影像進(jìn)行融合處理，以得到高空間、高光譜分辨率的光學(xué)遙感融合影像[20]，其豐富的光譜、幾何結(jié)構(gòu)、紋理特征信息等優(yōu)勢成為鐵路外部環(huán)境隱患識別與監(jiān)測的有利條件[21]。

目前，光學(xué)遙感技術(shù)在鐵路外部環(huán)境隱患監(jiān)測方面得到了較多的應(yīng)用。我國自主研發(fā)的“高分二號”、“高分七號”衛(wèi)星可為隱患監(jiān)測提供空間分辨率優(yōu)于米級的高精度遙感影像[22]，其中“高分二號”衛(wèi)星遙感影像應(yīng)用較多，在武九高鐵鄂州東站至大冶北站區(qū)段、京津城際鐵路試驗(yàn)區(qū)域進(jìn)行了應(yīng)用[23-24]。但這類單源星載光學(xué)遙感可能存在重訪周期過長、受被動(dòng)成像機(jī)制限制等問題，在重返時(shí)受云霧、光照、氣候影響，難以獲取滿足隱患定期監(jiān)測的時(shí)間窗口需求的影像。為此，有學(xué)者采用多源多時(shí)相星載光學(xué)遙感影像，并從中篩選出在監(jiān)測時(shí)間窗口內(nèi)效果較佳的影像對隱患進(jìn)行監(jiān)測，如SPOT-6、WorldView-3、Pléiades-2、SkySat 等遙感影像[25]。然而，在我國西南地區(qū)多云多雨的氣候條件下，星載光學(xué)遙感技術(shù)仍然會受到較大程度的干擾，嚴(yán)重制約數(shù)據(jù)持續(xù)獲取的可靠性。機(jī)載光學(xué)遙感通常處于較低的觀測高度，且有更高的靈活性，能夠更有效地克服云層帶來的觀測障礙。因此，學(xué)者在星載光學(xué)遙感技術(shù)的基礎(chǔ)上，結(jié)合了機(jī)載光學(xué)遙感技術(shù)對隱患進(jìn)行監(jiān)測[5]。但機(jī)載光學(xué)遙感技術(shù)也面臨一些難題：高空機(jī)載平臺數(shù)據(jù)獲取成本高、靈活性差、時(shí)效性難以保證；無人機(jī)平臺存在墜落風(fēng)險(xiǎn)，易造成事故，為此國家鐵路部門規(guī)定鐵路沿線兩側(cè)500 m 范圍禁飛[26]。

1.2 合成孔徑雷達(dá)

合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）是一類主動(dòng)式微波成像技術(shù)，通過發(fā)射微波作用于地物產(chǎn)生后向散射能量所形成的回波信號，來獲取地物的表面特征和介電性質(zhì)，并利用成像處理算法生成SAR 影像。由于SAR 使用微波主動(dòng)成像，其穿透性和抗干擾性較強(qiáng)，不受天氣、云霧、光線影響，具備全天時(shí)、全天候監(jiān)測的優(yōu)勢[27]。此外，彩鋼瓦通常由金屬材質(zhì)制成，其微波反射率遠(yuǎn)遠(yuǎn)高于其他地物[28]，因此，利用SAR 對彩鋼瓦房隱患進(jìn)行監(jiān)測時(shí)存在一定的優(yōu)勢。極化合成孔徑雷達(dá)(Polarimetric SAR, PolSAR）是一種多參數(shù)、多通道的SAR 技術(shù)，其通過發(fā)射和接收多種極化方式的微波來探測目標(biāo)的極化散射特征[29]。微波極化散射對地物的各種屬性如材質(zhì)、濕度、幾何形態(tài)和表面粗糙度等高度敏感[30-33]。PolSAR 的優(yōu)勢在于其可反映隱患豐富的微波極化散射信息，有助于對鐵路外部環(huán)境重點(diǎn)類型隱患進(jìn)行識別和監(jiān)測。因此，PolSAR 在鐵路外部環(huán)境隱患監(jiān)測方面得到了一定的應(yīng)用。

我國自主研發(fā)的C 頻段米級空間分辨率多極化SAR 衛(wèi)星“高分三號”，以及國際上的RADARSAT-2、Sentinel-1 等PolSAR 衛(wèi)星為鐵路外部環(huán)境隱患識別監(jiān)測提供了豐富的雷達(dá)、極化特征，其能力已在我國北京、江門等地進(jìn)行了驗(yàn)證[34-35]。針對我國部分地區(qū)的星載PolSAR 回訪周期較長、極化類型較少、SAR 波段對部分隱患的針對性不強(qiáng)等問題，已有學(xué)者設(shè)計(jì)了專用于服務(wù)鐵路外部環(huán)境隱患識別監(jiān)測的全極化SAR 衛(wèi)星[36]。但由于成像機(jī)制的原因，SAR 影像不可避免的存在相干斑噪聲，對其影像質(zhì)量和解譯效果造成影響。此外，SAR 影像不太符合人類視覺感知習(xí)慣，使得在基于深度學(xué)習(xí)的識別監(jiān)測方法應(yīng)用中較難人工標(biāo)注訓(xùn)練樣本，增加了監(jiān)測應(yīng)用的難度。

1.3 激光雷達(dá)

激光雷達(dá)（Light Detection and Ranging，LiDAR）是一種通過主動(dòng)發(fā)射激光脈沖獲取目標(biāo)物三維空間信息的觀測技術(shù)[37]。在鐵路外部環(huán)境隱患監(jiān)測中應(yīng)用較多的是機(jī)載及地面（車載、背包）平臺[38]。LiDAR 的激光光束具有較高的單色性、方向性和相干性，可將能量聚焦，這使得 LiDAR 在數(shù)據(jù)精度、穿透性和抗干擾性等方面表現(xiàn)出色，且工作不受光照條件影響，為精準(zhǔn)提取和精細(xì)刻畫監(jiān)測目標(biāo)三維空間特征提供了有效的技術(shù)手段。LiDAR 數(shù)據(jù)中包含的高度特征、激光反射強(qiáng)度和波形信息，為隱患監(jiān)測提供了更多維度的數(shù)據(jù)支撐，能夠提高對隱患的識別精度[39]。目前，LiDAR 已被應(yīng)用于鐵路外部環(huán)境隱患監(jiān)測，利用LiDAR 數(shù)據(jù)中精細(xì)的三維空間信息，可實(shí)現(xiàn)鐵路與外部環(huán)境隱患間的測距分析[40]、三維跟蹤分析[41]。然而，目前應(yīng)用最為廣泛的LiDAR 采用單波段，無法提供豐富的光譜信息，難以直接用于隱患識別。在對隱患進(jìn)行識別和監(jiān)測時(shí)，常常需要將LiDAR 數(shù)據(jù)和光學(xué)影像相結(jié)合，利用前者的高度特征、激光反射強(qiáng)度和波形信息來增強(qiáng)識別監(jiān)測效果[42]。此外，由于LiDAR 單一設(shè)備探測范圍的限制以及監(jiān)測環(huán)境中存在遮擋，LiDAR 技術(shù)難以提供大范圍的監(jiān)測數(shù)據(jù)，且單一平臺的LiDAR 往往無法獲取到隱患完整的三維結(jié)構(gòu)信息。

1.4 地基視頻監(jiān)控

面對我國不斷擴(kuò)張的鐵路網(wǎng)絡(luò)與日益復(fù)雜的運(yùn)營環(huán)境，鐵路部門積極構(gòu)建了鐵路綜合視頻監(jiān)控系統(tǒng)、高速鐵路自然災(zāi)害及異物侵限監(jiān)測系統(tǒng)等綜合監(jiān)測體系，以滿足不斷增長的安全運(yùn)營監(jiān)測需求[43]。這些監(jiān)測系統(tǒng)在鐵路車站、區(qū)段、設(shè)備機(jī)房等大量點(diǎn)位上部署了地基視頻監(jiān)控設(shè)施。對于鐵路外部環(huán)境關(guān)鍵管控區(qū)域，如復(fù)雜山區(qū)、人口密集地區(qū)以及隧橋結(jié)合部等，采用了紅外、激光綜合高清視頻監(jiān)控技術(shù)[44]。豐富的地基視頻監(jiān)控?cái)?shù)據(jù)為實(shí)現(xiàn)重點(diǎn)區(qū)域鐵路外部環(huán)境隱患的針對性排查和全天時(shí)、全天候持續(xù)監(jiān)測提供了有力支持，使其在復(fù)雜多變的城際鐵路和艱險(xiǎn)環(huán)境下的鐵路運(yùn)營場景中得到廣泛應(yīng)用[45-47]。但受成本限制，綜合高清視頻監(jiān)控通常僅支持重點(diǎn)管控區(qū)域的布設(shè)，且由于布設(shè)的位置受限，部分視野可能被建筑物、樹植等環(huán)境因素遮擋，無法完整覆蓋鐵路兩側(cè)500 m 范圍的外部環(huán)境。

綜上所述，單一的遙感監(jiān)測技術(shù)難以周期性全面覆蓋鐵路外部環(huán)境區(qū)域，無法全面、準(zhǔn)確地對隱患進(jìn)行監(jiān)測。因此，需結(jié)合各類遙感技術(shù)的特點(diǎn)，根據(jù)實(shí)際鐵路沿線區(qū)域外部環(huán)境情況選擇多源遙感監(jiān)測技術(shù)，發(fā)展高效精準(zhǔn)的多源遙感監(jiān)測數(shù)據(jù)多層次融合體系，滿足鐵路外部環(huán)境重點(diǎn)類型隱患的全面識別與監(jiān)測的高質(zhì)量數(shù)據(jù)需求。表1 歸納了本文所介紹的各項(xiàng)遙感監(jiān)測技術(shù)的精度、監(jiān)測條件、成本、監(jiān)測周期、優(yōu)勢及主要局限。

表1 遙感監(jiān)測技術(shù)對比Tab.1 Comparison of remote sensing monitoring data sources

2 鐵路外部環(huán)境重點(diǎn)類型隱患監(jiān)測方法現(xiàn)狀

鐵路外部環(huán)境重點(diǎn)類型隱患監(jiān)測的基本過程是通過各類監(jiān)測技術(shù)獲取的監(jiān)測數(shù)據(jù)，結(jié)合隱患監(jiān)測方法，定期識別彩鋼瓦房、塑料大棚、地膜、防塵網(wǎng)、塑料垃圾等主要類型隱患的時(shí)空分布信息，其本質(zhì)是遙感影像像素級分類問題。早期基于遙感監(jiān)測數(shù)據(jù)的隱患監(jiān)測方法以目視解譯法為主，即解譯人員通過直接觀察影像，識別和解譯遙感影像中的隱患，這種方法面臨主觀性影響多和人工勞動(dòng)強(qiáng)度大的問題。隨著遙感影像自動(dòng)化解譯方法的發(fā)展，在隱患監(jiān)測領(lǐng)域也開啟了應(yīng)用，極大程度上緩解了目視解譯法的壓力。對于目前應(yīng)用于鐵路外部環(huán)境隱患監(jiān)測領(lǐng)域的自動(dòng)化解譯方法，可根據(jù)隱患分類特征獲取的方式劃分為基于人工特征和基于深度學(xué)習(xí)兩大類別。

2.1 基于人工特征的隱患監(jiān)測方法

基于人工特征的隱患監(jiān)測方法是指通過領(lǐng)域先驗(yàn)知識分析隱患與其他地物特征上的差異，人為地設(shè)計(jì)特征模型，再結(jié)合人工設(shè)定閾值或傳統(tǒng)機(jī)器學(xué)習(xí)模型對鐵路外部環(huán)境重點(diǎn)類型隱患進(jìn)行識別[48-49]，基于人工特征的隱患監(jiān)測方法流程如圖1 所示。

圖1 基于人工特征的隱患監(jiān)測方法流程Fig.1 Process of hazard monitoring method based on human-crafted feature

在人工特征設(shè)計(jì)方面，學(xué)者通常結(jié)合領(lǐng)域先驗(yàn)知識從各類光譜、紋理、雷達(dá)等特征中選取能映射隱患的特征類型，對所選的特征進(jìn)行組合、權(quán)重調(diào)節(jié)及特定的數(shù)學(xué)變換，從而構(gòu)建出能夠高效凸顯隱患特點(diǎn)的人工特征模型。以光譜特征為主的人工特征模型應(yīng)用較為廣泛，例如：彩鋼瓦通常為藍(lán)色或紅色，在藍(lán)色和近紅外波段之間呈現(xiàn)出明顯的“U 形谷”，針對彩鋼瓦房這種獨(dú)特的光譜特征，學(xué)者構(gòu)建了彩鋼瓦指數(shù)[50]、歸一化差異藍(lán)色建筑指數(shù)[51]、 歸一化差異紅色建筑指數(shù)[51]等對彩鋼瓦房進(jìn)行提??；針對以塑料垃圾在近紅外波段具有獨(dú)特的反射特性，學(xué)者構(gòu)建了塑料指數(shù)和反向歸一化植被指數(shù)[52]等對塑料垃圾進(jìn)行提取。但這類以光譜特征為主的方法通常以像素為分析單元，難以將光譜特征、紋理特征及上下文信息結(jié)合，無法滿足復(fù)雜的環(huán)境下的隱患識別監(jiān)測需求。為解決這一問題，基于對象的圖像分析方法被提出，通過采用非參數(shù)監(jiān)督分類[53]、多分辨率分割[54-55]、平均局部方差函數(shù)[56]將像素分組以形成對象，再對各類對象的特征進(jìn)行分析，構(gòu)建出更具代表性的隱患人工特征模型。此外，隨著SAR、LiDAR 等多源遙感數(shù)據(jù)的廣泛應(yīng)用，結(jié)合雷達(dá)特征[57]、高度特征[58]的人工特征模型也進(jìn)一步提升了隱患識別的精度。

在結(jié)合機(jī)器學(xué)習(xí)模型進(jìn)行識別監(jiān)測方面，學(xué)者對機(jī)器學(xué)習(xí)模型本身研究并不多，一般直接采用較為成熟的模型，包括決策樹[59]、支持向量機(jī)[60]、隨機(jī)森林[61]、神經(jīng)網(wǎng)絡(luò)模型[62]、多核主動(dòng)學(xué)習(xí)[63]等。

綜上，基于人工特征的隱患監(jiān)測方法可高效率運(yùn)行，在具有明顯選定特征的影像上表現(xiàn)良好。但人工特征模型在設(shè)計(jì)的過程中需要大量的領(lǐng)域先驗(yàn)知識來支撐特征的選取，并且需要大量交叉驗(yàn)證才能有效應(yīng)用。此外，防塵網(wǎng)、塑料大棚、地膜等塑料覆蓋物的光譜、散射特征相似，也導(dǎo)致基于人工特征的監(jiān)測方法難以將它們彼此區(qū)分。并且，當(dāng)面對特征存在一定差異的隱患和新的場景時(shí)，基于人工特征的隱患監(jiān)測方法需要重新設(shè)計(jì)人工特征模型，泛化能力較差，難以靈活應(yīng)用于廣域范圍鐵路外部環(huán)境大規(guī)模的隱患監(jiān)測。

2.2 基于深度學(xué)習(xí)的隱患監(jiān)測方法

基于深度學(xué)習(xí)的隱患監(jiān)測方法是通過各類遙感監(jiān)測數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)集，采用深度學(xué)習(xí)模型自動(dòng)學(xué)習(xí)隱患分類特征，以實(shí)現(xiàn)鐵路外部環(huán)境重點(diǎn)類型隱患的識別[64]。基于深度學(xué)習(xí)的隱患監(jiān)測方法流程如圖2 所示。

圖2 基于深度學(xué)習(xí)的監(jiān)測方法流程Fig.2 Process of hazard monitoring method based on deep learning

基于深度學(xué)習(xí)的方法可以通過端到端的訓(xùn)練，自動(dòng)從數(shù)據(jù)中學(xué)習(xí)從低層次光譜、紋理到高層次語義等各層次的分類特征，能夠有效地對復(fù)雜場景影像進(jìn)行解譯，在鐵路外部環(huán)境重點(diǎn)類型隱患的識別與監(jiān)測方面取得了良好的效果[65]。目前，針對本文所研究的隱患類型，卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用最為廣泛。其中一些研究采用現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)對隱患進(jìn)行提取，例如：文獻(xiàn)[66]采用了1D-CNN 捕捉光譜曲線的微妙細(xì)節(jié)和整體趨勢來實(shí)現(xiàn)塑料大棚的識別；文獻(xiàn)[67]采用了DeepLabv3+語義分割模型，該模型使用空洞卷積來擴(kuò)大感受野，有助于更好地捕捉影像中的上下文特征，使其能夠準(zhǔn)確地識別出防塵綠網(wǎng)；文獻(xiàn)[68]采用了U-net 模型，這種網(wǎng)絡(luò)的結(jié)構(gòu)呈U 形，包含對稱的下采樣（編碼器）和上采樣（解碼器）路徑，有助于更好地捕獲影像中的局部和全局特征，實(shí)現(xiàn)防塵網(wǎng)精準(zhǔn)識別。盡管現(xiàn)有的網(wǎng)絡(luò)模型結(jié)構(gòu)被直接應(yīng)用于隱患識別并取得了一定成效，但對隱患和遙感影像特點(diǎn)的考慮尚顯不足，對于隱患邊界的精準(zhǔn)提取、小尺寸隱患的可靠識別監(jiān)測以及存在相似特征隱患的區(qū)分等方面仍有待提升。因此，許多學(xué)者致力針對這些特點(diǎn)優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型以取得更優(yōu)的識別效果，例如：針對彩鋼瓦房所處背景場景復(fù)雜這一特點(diǎn)，文獻(xiàn)[69]構(gòu)建了一種基于變形感知特征增強(qiáng)和對齊網(wǎng)絡(luò)（DFEANet），其中變形感知特征增強(qiáng)模塊可自適應(yīng)調(diào)整感知場，以更好地分離復(fù)雜背景和彩鋼瓦房建筑，特征對齊與門控融合模塊用于細(xì)化邊界、保留結(jié)構(gòu)細(xì)節(jié)，以改善相鄰特征之間的錯(cuò)位，并在融合過程中抑制冗余信息；針對隱患類別間數(shù)量和分布不均衡，且部分隱患尺度較小的特點(diǎn)，文獻(xiàn)[70]提出了一種基于ResUNet 模型的方法，通過引入殘差塊對U-NET 進(jìn)行改進(jìn)，以更有效地學(xué)習(xí)和保留圖像中的特征，同時(shí)引入紋理增強(qiáng)模塊以提高對紋理特征的感知，并采用多尺度Lovász 損失函數(shù)解決類別不平衡問題，在識別隱患邊界和小目標(biāo)時(shí)具有較優(yōu)效果；針對塑料大棚、地膜尺度多樣且存在大量相似特征而難以準(zhǔn)確區(qū)分的特點(diǎn)，文獻(xiàn)[71]提出了擴(kuò)張和非局部卷積神經(jīng)網(wǎng)絡(luò)（DNCNN），其包括多個(gè)多尺度擴(kuò)張卷積塊和一個(gè)非局部特征提取模塊，前者用于聚合多級空間特征以考慮地物尺度變化，后者通過非局部模塊提取全局和上下文特征，從而增強(qiáng)大棚和地膜之間的可分性。

此外，針對高質(zhì)量的像素級別標(biāo)簽獲取成本較高的問題，學(xué)者們引入了半監(jiān)督和弱監(jiān)督的學(xué)習(xí)范式，例如：文獻(xiàn)[72]使用多尺度可變形卷積神經(jīng)網(wǎng)絡(luò)適應(yīng)復(fù)雜城市景觀，采用半監(jiān)督學(xué)習(xí)策略整合有限標(biāo)記數(shù)據(jù)和大量無標(biāo)記數(shù)據(jù)，提高了模型識別防塵網(wǎng)的泛化能力和性能；文獻(xiàn)[73]提出了一種粗到細(xì)的弱監(jiān)督分割方法，利用弱監(jiān)督學(xué)習(xí)降低標(biāo)簽獲取成本，再通過先分類-再分割策略提高防塵網(wǎng)識別的完整性和準(zhǔn)確性。

綜上所述，基于人工特征的隱患監(jiān)測方法在有明顯選定特征的影像上表現(xiàn)良好，但人工特征模型的構(gòu)建需要大量先驗(yàn)知識支撐，在鐵路覆蓋范圍廣泛、環(huán)境及隱患復(fù)雜多樣、監(jiān)測數(shù)據(jù)多源異構(gòu)等情況下存在較大局限。相比之下，基于深度學(xué)習(xí)的方法通過端到端的訓(xùn)練，自動(dòng)從數(shù)據(jù)中學(xué)習(xí)各層次隱患特征，通常具有更優(yōu)的識別效果和泛化能力，但面對廣域范圍鐵路外部環(huán)境隱患監(jiān)測的應(yīng)用場景時(shí)，仍普遍存在人工標(biāo)注訓(xùn)練樣本數(shù)據(jù)匱乏、泛化能力有限、特征學(xué)習(xí)和模型訓(xùn)練過程復(fù)雜且耗費(fèi)時(shí)間較長等困境。此外，深度學(xué)習(xí)模型學(xué)習(xí)到的隱患特征不一定有清晰的物理意義，存在可解釋性較差的問題。為克服這些限制，可以深入研究遷移學(xué)習(xí)、增量學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、自監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、元學(xué)習(xí)等方式，并結(jié)合領(lǐng)域先驗(yàn)知識引導(dǎo)提取高層次語義特征，降低標(biāo)注數(shù)據(jù)依賴，使提取結(jié)果更精準(zhǔn)、全面、可靠，使模型泛化能力更強(qiáng)、更加適用廣域范圍鐵路外部環(huán)境。

3 鐵路外部環(huán)境重點(diǎn)類型隱患智能監(jiān)測研究展望

在遙感監(jiān)測技術(shù)和人工智能蓬勃發(fā)展的大背景下，海量多源異構(gòu)遙感數(shù)據(jù)的涌現(xiàn)和先進(jìn)深度學(xué)習(xí)模型的引入，極大地提高了鐵路隱患監(jiān)測的精度、效率及自動(dòng)化水平。然而，面對鐵路運(yùn)營中復(fù)雜多變的外部環(huán)境和動(dòng)態(tài)監(jiān)測的應(yīng)用場景，鐵路隱患監(jiān)測在數(shù)據(jù)、模型和知識應(yīng)用層面仍然面臨著一系列的挑戰(zhàn)。本文從鐵路外部環(huán)境多源遙感數(shù)據(jù)多層次融合、鐵路外部環(huán)境隱患精準(zhǔn)識別模型構(gòu)建、知識引導(dǎo)的鐵路外部環(huán)境隱患智能動(dòng)態(tài)監(jiān)測這3 個(gè)方面進(jìn)行展望，3 方面之間的關(guān)聯(lián)如圖3 所示。

圖3 多源遙感融合隱患智能監(jiān)測的展望Fig.3 The prospect of multi-source remote sensing fusion for intelligent hazard monitoring

3.1 鐵路外部環(huán)境多源遙感數(shù)據(jù)多層次融合

光學(xué)遙感、SAR、LiDAR、地基視頻監(jiān)控技術(shù)在鐵路外部環(huán)境隱患識別監(jiān)測方面提供了多源異構(gòu)的監(jiān)測數(shù)據(jù)，且均取得了一定的成效。然而，這些遙感技術(shù)在抗干擾性、全天候監(jiān)測、成像噪聲、分類信息的豐富程度、數(shù)據(jù)覆蓋完整性等方面仍存在或多或少的局限。此外，鐵路外部環(huán)境與隱患自身的復(fù)雜多樣性，以及部分線路高頻的巡檢需求，對遙感監(jiān)測數(shù)據(jù)的時(shí)空分辨率也提出了挑戰(zhàn)，現(xiàn)實(shí)中難以直接獲取滿足這些要求的高質(zhì)量監(jiān)測數(shù)據(jù)[74]。多源遙感數(shù)據(jù)融合有望克服以上限制。現(xiàn)有遙感數(shù)據(jù)融合可分為3 個(gè)層次——像素層融合、特征層融合及決策層融合[75]。像素層融合主要有全色、多光譜、高光譜影像之間的融合，以及光學(xué)遙感與SAR 之間的融合。通過像素層融合可以引入更豐富的分類信息，也可以利用SAR 輔助光學(xué)影像去云[76]，如何實(shí)現(xiàn)多源影像的高效校正、配準(zhǔn)等預(yù)處理及多源影像間的高精度無縫融合是像素層融合亟需關(guān)注的重點(diǎn)問題；特征層融合針對遙感數(shù)據(jù)的特點(diǎn)提取特征來進(jìn)行融合，具有靈活性、融合效率高等優(yōu)勢[77]，在融合過程中如何實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)中隱患特征對齊并制定有效的特征融合策略是需要關(guān)注的研究方向；而決策層融合則涉及深層次的語義信息融合，具有魯棒性、自適應(yīng)性強(qiáng)等優(yōu)勢[78]，如何實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)中存在較大差異和潛在沖突的語義信息的高質(zhì)量融合是重要研究方向。因此，未來可進(jìn)一步探索面向鐵路外部環(huán)境隱患監(jiān)測應(yīng)用的多源遙感多層次有效協(xié)同融合策略，通過系統(tǒng)深入分析多源遙感數(shù)據(jù)間的互補(bǔ)合作關(guān)系，整合不同平臺和傳感器的優(yōu)勢，為鐵路隱患識別監(jiān)測提供高質(zhì)量數(shù)據(jù)支撐。此外，從硬件技術(shù)的角度出發(fā)，發(fā)展多模融合成像系統(tǒng)也是實(shí)現(xiàn)多源遙感數(shù)據(jù)高效融合的有效途徑，可以有效降低多源遙感數(shù)據(jù)融合的復(fù)雜度，顯著提升融合性能。

3.2 鐵路外部環(huán)境隱患精準(zhǔn)識別模型構(gòu)建

基于深度學(xué)習(xí)的隱患監(jiān)測方法相較基于人工特征的隱患監(jiān)測方法在大量研究場景下展現(xiàn)出了更高的精度和更強(qiáng)的適用性，但深度學(xué)習(xí)模型可解釋性較弱，且通常依賴于大量的人工標(biāo)注訓(xùn)練樣本數(shù)據(jù)，并且，實(shí)際應(yīng)用中難以獲取廣域范圍鐵路外部環(huán)境中大規(guī)模、高質(zhì)量、完備的訓(xùn)練樣本數(shù)據(jù)，導(dǎo)致深度學(xué)習(xí)模型隱患識別監(jiān)測的泛化能力有限。領(lǐng)域先驗(yàn)知識的結(jié)合能夠有效降低深度學(xué)習(xí)對訓(xùn)練樣本數(shù)據(jù)的依賴[79]。知識圖譜可以有效整合領(lǐng)域先驗(yàn)知識，并以結(jié)構(gòu)化的形式對領(lǐng)域先驗(yàn)知識進(jìn)行存儲，使得深度學(xué)習(xí)模型能夠更好地理解和利用領(lǐng)域先驗(yàn)知識[80]。遷移學(xué)習(xí)可以將源域中從大量標(biāo)注訓(xùn)練數(shù)據(jù)里提取的知識遷移至目標(biāo)域，以提高在目標(biāo)域上的性能[81]。因此，在鐵路外部環(huán)境隱患精準(zhǔn)識別模型構(gòu)建過程中，可建立鐵路外部環(huán)境關(guān)鍵類型隱患的遙感知識圖譜，通過共享實(shí)體和關(guān)系、實(shí)體對齊、語義相似度計(jì)算以及領(lǐng)域自適應(yīng)等方式，利用知識圖譜為模型遷移提供豐富的語義信息和關(guān)聯(lián)關(guān)系，引導(dǎo)和約束根據(jù)訓(xùn)練樣本數(shù)據(jù)豐富地區(qū)構(gòu)建的隱患識別模型遷移至鐵路全域范圍，從而提升對鐵路外部環(huán)境隱患的識別性能[82-83]。通過上述構(gòu)建方式可以實(shí)現(xiàn)數(shù)據(jù)-知識協(xié)同驅(qū)動(dòng)，使得深度學(xué)習(xí)模型能夠?qū)V域范圍鐵路外部環(huán)境重點(diǎn)類型隱患實(shí)現(xiàn)精準(zhǔn)識別，也是提升深度學(xué)習(xí)模型可解釋性的一個(gè)重要方向。此外，增量學(xué)習(xí)可在已有深度學(xué)習(xí)模型的基礎(chǔ)上，通過引入新的隱患數(shù)據(jù)或任務(wù)來更新和擴(kuò)展模型，并使深度學(xué)習(xí)模型對新舊隱患識別監(jiān)測任務(wù)均擁有較好的性能[84-85]，因此增量學(xué)習(xí)是實(shí)現(xiàn)識別模型快速落地應(yīng)用的重要方向。

3.3 知識引導(dǎo)的鐵路外部環(huán)境隱患智能動(dòng)態(tài)監(jiān)測

鐵路外部環(huán)境隱患涵蓋的類型繁多且數(shù)量龐大，其演化為事故受多種錯(cuò)綜復(fù)雜的因果關(guān)系影響，僅通過鐵路外部環(huán)境重點(diǎn)類型隱患的時(shí)空分布信息對其進(jìn)行定期監(jiān)測，以及對監(jiān)測結(jié)果不分主次順序的治理管控，可能會導(dǎo)致較高風(fēng)險(xiǎn)隱患未被及時(shí)治理，從而引發(fā)事故。計(jì)算流體力學(xué)（Computational Fluid Dynamics，CFD）模型可以對復(fù)雜環(huán)境下隱患受風(fēng)場等因素作用下的運(yùn)動(dòng)軌跡進(jìn)行模擬，并結(jié)合各類傳感器的動(dòng)態(tài)監(jiān)測數(shù)據(jù)（風(fēng)速風(fēng)向、降雨量等），對鐵路外部環(huán)境隱患進(jìn)行精細(xì)化智能動(dòng)態(tài)監(jiān)測[86]。但CFD 模擬通常運(yùn)算量較大，難以應(yīng)用于大尺度場景。CFD 模擬結(jié)合深度學(xué)習(xí)技術(shù)可以構(gòu)建降階模型，實(shí)現(xiàn)對CFD 模擬隱患復(fù)雜侵限時(shí)空過程的高效近似[87]。然而，深度學(xué)習(xí)模型的構(gòu)建面臨鐵路外部環(huán)境隱患侵限訓(xùn)練樣本數(shù)據(jù)不完備的情況，需結(jié)合侵限相關(guān)的專家經(jīng)驗(yàn)知識以提升基于深度學(xué)習(xí)的CFD 降階的模擬精度[88]。知識圖譜具備對事故多因素耦合觸發(fā)機(jī)理深層次精準(zhǔn)刻畫的能力[89]，可通過充分考慮各類型隱患的自身屬性，以及隱患與環(huán)境因素間的互饋?zhàn)饔门c級聯(lián)效應(yīng)，結(jié)合侵限事故風(fēng)險(xiǎn)管控領(lǐng)域?qū)＜医?jīng)驗(yàn)知識來提取事故風(fēng)險(xiǎn)因素，并根據(jù)重點(diǎn)類型隱患?xì)v史事故信息，抽取事故觸發(fā)的風(fēng)險(xiǎn)因素本體及相關(guān)知識，構(gòu)建鐵路外部環(huán)境重點(diǎn)類型隱患侵限知識圖譜[90]。因此，通過知識圖譜引導(dǎo)CFD 深度學(xué)習(xí)降階模型的構(gòu)建，是揭示隱患-事故安全態(tài)勢時(shí)空演化規(guī)律、實(shí)現(xiàn)隱患動(dòng)態(tài)智能監(jiān)測所值得關(guān)注的一個(gè)研究方向。

4 結(jié)束語

面向鐵路外部環(huán)境重點(diǎn)類型隱患高效、精準(zhǔn)、智能監(jiān)測需求，本文分析了光學(xué)遙感、合成孔徑雷達(dá)、激光雷達(dá)、地基視頻監(jiān)控作為鐵路外部環(huán)境重點(diǎn)類型隱患遙感監(jiān)測技術(shù)的優(yōu)勢、局限及應(yīng)用現(xiàn)狀，歸納總結(jié)了以基于人工特征和基于深度學(xué)習(xí)為代表的兩類鐵路外部環(huán)境重點(diǎn)類型隱患監(jiān)測方法的特點(diǎn)與不足。通過分析發(fā)現(xiàn)，單一遙感監(jiān)測技術(shù)在抗干擾性、全天候監(jiān)測、成像噪聲、分類信息的豐富程度、數(shù)據(jù)覆蓋完整性等方面仍存在或多或少的局限，難以直接獲取滿足隱患監(jiān)測要求的高質(zhì)量監(jiān)測數(shù)據(jù)；現(xiàn)有隱患監(jiān)測方法泛化能力均有限，難以對廣域范圍鐵路外部環(huán)境適用；隱患侵限事故演化機(jī)理復(fù)雜，僅通過定期監(jiān)測隱患的時(shí)空分布信息可能導(dǎo)致風(fēng)險(xiǎn)管控滯后。為了應(yīng)對這些局限與挑戰(zhàn)，從鐵路外部環(huán)境多源遙感數(shù)據(jù)多層次融合、鐵路外部環(huán)境隱患精準(zhǔn)識別模型構(gòu)建、知識引導(dǎo)的鐵路外部環(huán)境隱患智能動(dòng)態(tài)監(jiān)測這三方面進(jìn)行了研究展望。為鐵路外部環(huán)境高質(zhì)量監(jiān)測數(shù)據(jù)獲取、隱患高效精準(zhǔn)識別、動(dòng)態(tài)智能監(jiān)測預(yù)警、侵限風(fēng)險(xiǎn)態(tài)勢感知以及安全事故預(yù)測防控等提供了新思路。