趙鑫欣 孫淑杰 王凡 劉俊博 杜馨瑜 程雨

（中國鐵道科學(xué)研究院集團有限公司基礎(chǔ)設(shè)施檢測研究所，北京 100081）

隨著高速鐵路的修建與運營，鐵路線路設(shè)施不斷改進更新，一些高站臺的改造、修建及隧道的整修等施工中出現(xiàn)了不符合標(biāo)準(zhǔn)軌距鐵路建筑限界規(guī)范的情況，極大地影響了行車安全。為了確保列車安全運營，安裝在車載平臺的限界檢測系統(tǒng)成為評估鐵路運輸安全和運營維護的重要手段和指標(biāo)，其檢測結(jié)果可以直接反映線路及周邊建筑物的狀態(tài)信息，為線路維修和運營提供科學(xué)依據(jù)。

基于激光掃描測量原理的車載非接觸式限界檢測系統(tǒng)［1-5］，容易受外部檢測環(huán)境的影響，致使限界檢測分析輸出較多侵限檢測誤報，需要進行大量人工復(fù)核工作。因此，須要對線路限界狀態(tài)進行自動化和智能化動態(tài)檢測。本文提出一種基于聚類分析和圖像處理技術(shù)的限界檢測智能分析方法。

1 線路限界檢測系統(tǒng)原理

線路限界檢測系統(tǒng)由數(shù)據(jù)采集子系統(tǒng)、數(shù)據(jù)分析子系統(tǒng)和數(shù)據(jù)管理子系統(tǒng)構(gòu)成，如圖1 所示。線路限界檢測系統(tǒng)以激光掃描測量技術(shù)為基礎(chǔ)，在車頭位置安裝高精度激光傳感器。當(dāng)檢測車高速運行時，實時獲取鐵路建筑限界及周邊建筑物的空間位置信息。首先基于鋼軌表面的基準(zhǔn)坐標(biāo)系建立二維建筑物斷面輪廓，然后通過圖像處理算法實現(xiàn)建筑物侵限狀態(tài)的聚類分析，同時設(shè)計多斷面分析模型，實現(xiàn)鐵路建筑限界的快速自動侵限檢測。

圖1 線路限界檢測系統(tǒng)結(jié)構(gòu)

數(shù)據(jù)采集子系統(tǒng)完成高速運行檢測下的鐵路建筑限界及周邊建筑物斷面輪廓數(shù)據(jù)實時采集與存儲。由于每個輪廓斷面數(shù)據(jù)規(guī)模較大，設(shè)計基于多緩沖機制的大規(guī)模數(shù)據(jù)實時處理算法，同步檢測速度、里程等信息，通過數(shù)據(jù)采集卡和異步傳輸模塊可以實時顯示建筑限界輪廓，如圖2所示。其中，綠色表示非侵限數(shù)據(jù)，紅色表示侵限數(shù)據(jù)，藍色表示限界侵限標(biāo)準(zhǔn)輪廓。

圖2 檢測到的建筑限界輪廓示例

數(shù)據(jù)分析子系統(tǒng)主要實現(xiàn)斷面輪廓數(shù)據(jù)分析與侵限檢測。首先根據(jù)軌面、車體和傳感器坐標(biāo)轉(zhuǎn)換模型完成數(shù)據(jù)預(yù)處理；然后基于聚類分析與圖像處理技術(shù)提取斷面中所有輪廓特征；最后通過侵限判別算法自動輸出建筑物侵限、斷面輪廓和綜合最小建筑限界結(jié)果，基于三維點云建模技術(shù)生成三維立體圖（圖3），能夠展示線路周邊建筑物的三維輪廓。

圖3 三維斷面輪廓示例

數(shù)據(jù)管理子系統(tǒng)實現(xiàn)限界數(shù)據(jù)編輯和侵限報表輸出，建立限界數(shù)據(jù)管理機制，可以指導(dǎo)檢測人員根據(jù)侵限結(jié)果進行現(xiàn)場養(yǎng)護維修。

2 侵限檢測方法

現(xiàn)有侵限檢測方法主要有橫斷面法、軌跡法和綜合斷面法。橫斷面法是一種人工定位測量斷面法；軌跡法根據(jù)捕捉測量點的運動軌跡進行測距；綜合斷面法是檢測過程中的一種定高測量法。上述檢測方法只適用于低速檢測，甚至需要人工參與檢測。隨著激光掃描技術(shù)和圖像處理技術(shù)的發(fā)展，基于傳感器采集的建筑物斷面輪廓數(shù)據(jù)，利用點云聚類分析與圖像處理判別技術(shù)完成侵限自動檢測，可以大幅提高檢測效率，目前已在線路檢測維護中得到廣泛應(yīng)用。

限界檢測系統(tǒng)采集到的原始數(shù)據(jù)為點云數(shù)據(jù)。根據(jù)TB/T 3308—2013《鐵路建筑實際限界測量和數(shù)據(jù)格式》［6］，以軌面為測量基準(zhǔn)時，在垂直于線路中心線的斷面內(nèi)測量建筑物和設(shè)備的內(nèi)輪廓點（最近點、最高點、最低點三者其一）距兩軌頂連線的垂直高度及距垂直平分兩軌連線的直線距離，動態(tài)測量偏差不大于40 mm，檢測橫斷面間隔不大于0.5 m。

根據(jù)檢測車測量允許偏差要求，本文提出一種基于聚類分析和圖像處理算法的侵限檢測方法，包含聚類算法模塊和侵限干擾過濾算法模塊。本文算法流程如圖4所示。

圖4 基于聚類分析和圖像處理算法的侵限檢測流程

2.1 聚類分析算法

聚類分析算法［7-9］是一種非監(jiān)督學(xué)習(xí)算法，作為常用的數(shù)據(jù)分析算法應(yīng)用于很多領(lǐng)域。利用聚類分析，通過將數(shù)據(jù)分簇，可以比較清晰地獲取斷面輪廓數(shù)據(jù)信息。由于傳感器采集的斷面數(shù)據(jù)密度分布不均勻且存在外部環(huán)境噪聲，選取基于密度的聚類算法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN），先掃描斷面全部數(shù)據(jù)點，如果數(shù)據(jù)點的ε鄰域內(nèi)點數(shù)目大于核心點閾值，則將其納入核心點列表并形成對應(yīng)的臨時聚類簇。對每個臨時聚類簇檢查其中的點是否為核心點，如果是，則將該點對應(yīng)的臨時聚類簇和當(dāng)前臨時聚類簇合并，得到新的臨時聚類簇。繼續(xù)對剩余的臨時聚類簇進行相同的合并操作，直到全部臨時聚類簇被處理。聚類結(jié)果中不同顏色的點表示不同聚類，如圖5所示。

圖5 聚類結(jié)果示例

相比傳統(tǒng)聚類分析方法如基于劃分的K-means算法和層次聚類算法，DBSCAN 算法可以獲得更高的執(zhí)行效率和更好的聚類效果。DBSCAN算法不用事先指定類的數(shù)目，可以發(fā)現(xiàn)任意形狀的類，能找出數(shù)據(jù)中的噪聲，且對噪聲不敏感，聚類結(jié)果不依賴于節(jié)點的遍歷順序。

2.2 侵限判別方法

根據(jù)聚類分析結(jié)果，分析限界采集數(shù)據(jù)的聚類特征和狀態(tài)變化，判斷是否為侵限。侵限判別方法步驟為：首先從每個聚類的離散空間點集中抽象出其直觀形狀，即提取出所有平面離散點集的聚類輪廓；然后計算其輪廓特征；最后按照侵限條件及相鄰幀狀態(tài)變化情況，判斷該聚類侵限狀態(tài)。

2.2.1 輪廓提取

侵限判別方法基于有效聚類區(qū)域的輪廓提取。輪廓提取［10］須要遍歷聚類內(nèi)每兩點連線，判斷該線段是否在輪廓邊界上，直到找到所有邊界線段為止。根據(jù)上述輪廓提取算法，可以準(zhǔn)確提取限界侵限數(shù)據(jù)中的站臺、線路環(huán)境和外部環(huán)境干擾輪廓。聚類輪廓結(jié)果如圖6所示。

圖6 提取聚類輪廓結(jié)果示例

2.2.2 侵限判別

根據(jù)每個聚類輪廓提取結(jié)果可以計算輪廓特征，包括面積和質(zhì)心。按照侵限判別定義，計算輪廓面積是否大于侵限面積閾值。如果是，則為侵限聚類；否則要判別與相鄰幀間聚類輪廓的質(zhì)心位置關(guān)系，直到判別出所有侵限聚類為止。該侵限判別包含兩個閾值參數(shù)：最小聚類輪廓面積Amin和相鄰幀中同屬類的質(zhì)心移動距離MD。侵限判別算法流程如圖7 所示。其中，MD1表示前一幀聚類質(zhì)心的位置，MD2表示當(dāng)前幀聚類質(zhì)心的位置。

圖7 侵限判別算法流程

該判別算法相對現(xiàn)有算法有兩個顯著優(yōu)勢：

1）適應(yīng)能力強。該算法對外部環(huán)境變化和采集數(shù)據(jù)變化不敏感，可以將不同物體分別聚類并判別侵限狀態(tài)，具有較強的適應(yīng)能力。

2）準(zhǔn)確率高。該算法選取相鄰幀狀態(tài)變化作為判別條件，提高了復(fù)雜場景的檢測準(zhǔn)確率，侵限分析處理時間小于4 ms。

3 應(yīng)用驗證

在綜合檢測車運行情況下，運用限界侵限檢測系統(tǒng)，結(jié)合本文侵限檢測方法對國內(nèi)某線路進行檢測，對侵限判斷結(jié)果進行準(zhǔn)確性評價，以限界分析結(jié)果作為標(biāo)準(zhǔn)計算每一張圖片的準(zhǔn)確度。準(zhǔn)確率是給定數(shù)據(jù)集中分類正確樣本個數(shù)和總樣本數(shù)的比值，即

式中：STP是將侵限預(yù)測為侵限的樣本數(shù)；SFN是將侵限預(yù)測為非侵限的樣本數(shù)；SFP是將非侵限預(yù)測為侵限的樣本數(shù)；STN是將非侵限預(yù)測為非侵限的樣本數(shù)。

將傳感器采集數(shù)據(jù)分為三類：密集點云數(shù)據(jù)、稀疏點云數(shù)據(jù)、跨限界臨界區(qū)數(shù)據(jù)，分別包含340936，163524，198582 張圖片。利用本文算法進行檢測，并與現(xiàn)有侵限判別算法的檢測結(jié)果對比，如圖8 所示。其中紅色矩形區(qū)域為侵限檢測結(jié)果。

圖8 兩種算法檢測結(jié)果對比

由圖8 可以看出，現(xiàn)有侵限判別算法容易受到異物和外部環(huán)境干擾，將侵限異物判別為非侵限。將離散點聚類誤判為侵限會直接影響限界侵限分析結(jié)果的準(zhǔn)確性。將非異物判為異物，需要大量人工復(fù)核工作，容易造成誤判?；诰垲惙治龊蛨D像處理技術(shù)的侵限判別算法可以將不同離散點進行聚類，再提取每個聚類的輪廓特征，最后通過圖像處理算法判定侵限狀態(tài)，有效克服了外部環(huán)境干擾，實現(xiàn)了自動化和智能化動態(tài)檢測，準(zhǔn)確率更高。

分別對三類數(shù)據(jù)進行算法驗證，并對侵限檢測結(jié)果進行準(zhǔn)確率評價，見表1。

表1 侵限判別算法結(jié)果統(tǒng)計

從表1可以看出，侵限判別算法平均準(zhǔn)確率不小于99%，而現(xiàn)有算法準(zhǔn)確率為84%，本文算法平均準(zhǔn)確率提高了15%。從準(zhǔn)確性和泛化性角度，本文算法充分考慮不同異物侵限的聚類特征，并根據(jù)相鄰幀狀態(tài)變化作為侵限判別條件，可以適應(yīng)不同異物侵限和外部環(huán)境，具有良好的泛化性。

4 結(jié)語

本文提出了一種車載非接觸式的限界異物侵限檢測分析方法，并在實際檢測線路成功引用，實現(xiàn)了限界異物侵限的快速和準(zhǔn)確檢測。該方法有效克服了外部環(huán)境的影響，同時兼顧了檢測實時性要求，準(zhǔn)確率達到99%，算法執(zhí)行時間小于4 ms，可以滿足綜合巡檢車以最高120 km/h的速度進行檢測。