机器视觉在轨道交通系统状态检测中的应用综述

2021 年 4 月 2 日 专知

摘要：城市轨道交通系统主要由弓/网系统、轨道线路、车辆、车站等组成, 传统的人工巡检等方法检测效率低、劳动强度大、自动化和智能化程度不高, 给城市轨道交通的运营保障和进一步健康发展带来了巨大的挑战.机器视觉作为一种重要的检测手段, 在城市轨道交通系统状态检测领域得到了广泛的应用.鉴于此, 针对机器视觉在城市轨道交通系统安全状态检测中的研究和应用进行综述.首先, 简要介绍城市轨道交通的基本概念和快速发展所面临的挑战与机遇.然后, 详细介绍机器视觉技术在城市轨道交通各子系统安全状态检测中的研究与应用情况; 针对弓/网系统状态检测问题, 分别重点介绍机器视觉在受电弓磨耗检测、受电弓包络线等其他病害检测、接触网几何参数检测、接触网磨耗检测以及接触网悬挂病害检测中的国内外研究现状; 在轨道线路安全状态检测方面, 分别介绍机器视觉在扣件安全状态检测和钢轨表面病害检测中的应用与研究现状; 从不同检测项点角度详细介绍机器视觉在车辆状态检测中的应用与研究进展; 梳理和总结机器视觉在车站电扶梯安全监控和站台安全监控的异常行为检测中的具体应用和研究; 并重点介绍机器视觉在轨道交通司机行为监测中的具体应用和背景技术.最后, 对机器视觉技术应用于城市轨道交通系统状态检测领域的未来进行展望.

http://kzyjc.cnjournals.com/kzyjc/article/abstract/20210201?st=article_issue

轨道交通是集多专业、多工种于一身的复杂系统, 通常由轨道线路、车站、车辆、弓/网系统、通信信号系统等组成, 本文讨论的轨道交通主要指城市轨道交通.常见的轨道交通有传统铁路(包括国家铁路、城际铁路和市域铁路)、地铁、轻轨和有轨电车.其中与其他类轨道交通不同的是, 地铁是修建在城市中的一种快速、大运量、用电力牵引的轨道交通[1].目前, 随着我国城市化进程逐步加快, 城市规模不断扩张, 城市人口日益增加, 大量流动人口开始涌向城市, 居民出行的交通需求急剧增长, 轨道交通由于其方便、快捷、环保、载客多的特点已广泛应用于解决我国一些大城市的交通问题.轨道交通作为改善城市交通环境的重要交通工具, 其建设是衡量城市经济发展水平的重要标识之一[2].

近年来, 得益于各大领域相关科学技术的不断进步, 城市轨道交通也得到了飞速发展, 逐渐成为各大城市主要的交通运输方式.据统计[3], 截至2019年底, 中国大陆地区共有40个城市开通轨道交通运营线路208条, 运营线路总长度6 736.2 km.其中, 地铁运营线路5 180.6 km, 占比76.9 %.当年新增运营线路长度974.8 km.此外, 2019年全年累计完成客运量237.1亿人次, 同比增长12.5 %; 总进站量为149.4亿人次, 同比增长12.2 %; 总客运周转量为2 003.1亿人km, 同比增长13.8 %, 运营规模继续保持高增长势头.从2019年的统计数据不难看出, 轨道交通的发展非常迅猛, 且在“交通强国” “新型城镇化”等发展战略下, 国家也将投入更多的资金, 在更多的城市规划和建设轨道交通线网.

然而, 随着轨道交通的快速发展, 对于轨道交通的运输安全和维保决策也提出了更加严苛的要求.轨道交通系统由多个部分组成, 每个部分的安全都将影响整个系统的运营安全.如轨道线路, 作为轨道交通整个系统的生命线, 其安全状态的好坏直接影响着运营车辆在正常行驶过程中的平稳性和安全性, 同时也会影响乘客乘坐时的舒适性.当轨道线路设备出现病害且不断发展恶化, 也将增加线路维修养护的成本和维保决策的难度[4].此外, 如弓/网系统, 其担负着将牵引网电能输送给运营中车辆使用的重要任务, 这一过程中若存在任何异常或者病害没有及时发现并进行处理, 则有可能导致严重的故障, 严重影响运营车辆的安全运行, 而弓/网故障以及进一步引起的弓/网相关故障已经成为轨道交通事故中最主要的事故原因之一, 牵引系统故障约占总事故数的三分之一, 部分严重的年份甚至能达到40 %以上[5].因此, 对于轨道交通安全状态的及时且精准检测, 优化维修策略, 保障轨道交通高效率零事故的安全运营, 进一步促进我国轨道交通的发展, 具有相当重要的意义.

长久以来, 对于轨道交通安全状态的检测主要以人工巡检的方式为主, 该方式虽简单易行但劳动强度大, 效率低下, 对巡检人员的专业素质要求较高, 检测结果往往受主观的影响较大, 不仅一些检测需在运营空窗期内完成, 甚至还可能危害到巡检工人的人身安全, 而且难以满足日益增长的运营需求[6].针对人工检测方式存在的诸多问题, 在科学水平和自动化技术不断发展和成熟的推动下, 多种非接触式无损检测方法逐渐被提出并应用在轨道交通系统安全状态检测领域.非接触式无损检测技术是一种具有较高自动化程度和检测精度[7], 且便于操作的现代化诊断技术, 主要包括超声波检测、电涡流法、漏磁检测、红外检测、激光全息检测等方法.该技术在检测过程中没有破坏性, 效率较高, 且不与待检测目标接触, 能够远距离实现对待测目标的检测.近几年, 随着机器视觉、机器学习、深度学习、人工智能等领域技术的迅速发展, 基于机器视觉的非接触式检测方法逐渐发展成熟并广泛应用在电气、电子、机械、汽车、工业检测等领域, 是目前最为常用的一种检测方法[8].

机器视觉技术一般是指使用非接触式光学设备和传感器自动接收并处理真实场景的图像以获得人们所需要的信息[9], 它可以代替人类进行尺寸测量、缺陷检测、目标识别、机器人导航等.工业上典型的机器视觉系统主要由光学成像模块(包括光源、相机、镜头)、图像获取模块(图像采集卡)、实时处理模块和执行模块等组成[10].相较于传统的人工检测技术, 基于机器视觉的检测方式具有非接触性、实时性、灵活性和精确性等特点, 适用于重复性高、环境条件恶劣以及非接触精密测量的场合[11].随着机器视觉技术的逐步发展, 上述机器视觉的优势和特点可有效解决传统检测方式存在的诸多问题, 使其在轨道交通系统状态检测领域得到了越来越多的关注和应用.与此同时, 如何更好地在利用机器视觉技术的基础上, 结合深度学习、人工智能等先进的技术, 实现更加自动化、智能化的轨道交通系统状态检测, 也成为近几年研究的热点问题, 有重要的研究价值.

鉴于此, 本文针对机器视觉技术在轨道交通系统状态检测中的研究和应用进行全面且系统的总结.详细介绍了机器视觉技术在轨道交通中的弓/网系统、轨道线路、车辆、车站等子系统的安全状态检测中的热点应用, 并分析总结了现有各子系统的安全状态检测方法.最后总结和展望基于机器视觉的轨道交通系统状态检测目前存在的问题及其研究趋势和应用前景.