劉孜學 王富斌 虞 凱

(中鐵二院工程集團有限責任公司， 成都 610031)

由于我國山區(qū)、丘陵地帶居多，眾多主干及戰(zhàn)略通道都分布其中，鐵路選線不可避免的需要穿越這些地帶。這些地帶的地質情況多數(shù)不良，使得地質災害發(fā)生的幾率大大增加，其中由地災引發(fā)的鐵路沿線山體滑坡、泥石流塌方造成的線路損毀，以及邊坡崩塌落石侵入鐵路限界將嚴重危及列車運行安全。

近年來，我國鐵路建設及運營管理更加注重在科技創(chuàng)新的引領下推動鐵路高質量發(fā)展，也對鐵路安全保障提出更高層次的要求。2020年施行的國家行業(yè)標準TB 10671-2019《高速鐵路安全防護設計規(guī)范》中明確提出“異物侵限系統(tǒng)監(jiān)測對象根據(jù)需要可包括山體滑坡、泥石流、危巖落石等[1]”。2021年12月，國家鐵路局印發(fā)的《“十四五”鐵路科技創(chuàng)新規(guī)劃》中在安全保障領域將“研發(fā)高海拔惡劣地質環(huán)境條件下鐵路主動安全保障與防災救援系統(tǒng)”列為重點工程。

當前，業(yè)內針對鐵路危巖落石監(jiān)測已開展了長期研究與試驗[2-3]。楊小軍[4]等采用光纖光柵振動傳感技術研制的鐵路沿線崩塌落石監(jiān)測報警系統(tǒng)在重慶某鐵路線進行了現(xiàn)場試驗，監(jiān)測報警系統(tǒng)可對沖擊到鐵路界限內大于 4 000 J的能量(相當于80 kg落石從5 m高度落下)進行監(jiān)測報警。夏洪峰[5]提出了采用紅外激光軌面掃描技術和振動波檢測技術相融合的危巖落石災害監(jiān)測系統(tǒng),并在宜萬鐵路橋隧相連防洪點開展試驗應用。徐成偉[6]等提出了一種結合雷達掃描與視頻智能分析技術進行綜合報警評判的鐵路崩塌落石自動監(jiān)測報警系統(tǒng)，提高了報警準確率，該系統(tǒng)在大(同)西(安)高速鐵路進行了試點運行及試驗。綜上，當前對鐵路危巖落石的自動化監(jiān)測技術主要分為接觸式與非接觸式，其中接觸式監(jiān)測方法主要為電網(wǎng)和光纖光柵監(jiān)測技術；非接觸式則主要采用：視頻圖像分析、雷達、超聲和紅外線等監(jiān)測方法及技術手段。

通過調研分析已有上道應用試驗的各類鐵路沿線崩塌落石監(jiān)測系統(tǒng)，各種系統(tǒng)在應用中均存在不足，面臨的挑戰(zhàn)和問題主要歸結為監(jiān)測報警系統(tǒng)的誤報、漏報及時效性，其中誤報率難以降低的根本原因在于鐵路沿線環(huán)境的復雜性。各類監(jiān)測系統(tǒng)對侵限落石的檢測方法成為了制約系統(tǒng)性能指標的關鍵因素。接觸式監(jiān)測系統(tǒng)在檢測判斷落石時可以優(yōu)化降低誤判率，但無法檢測區(qū)分異物，不能檢測落石大小等。非接觸式監(jiān)測系統(tǒng)特別是采用視頻和雷達檢測技術可區(qū)分異物，對落石的檢測精度更高，并能獲取落石大小及位置信息。

隨著近年來人工智能技術的不斷發(fā)展，視覺圖像檢測方法也得到了質的提升。徐巖[7]等開展了基于Faster RCNN網(wǎng)絡模型的鐵路異物侵限檢測算法研究，通過對鐵路異物侵限視頻數(shù)據(jù)集上進行測試，該算法對于人、車及部分動物的綜合檢測精確度達到了97.81%。劉林芽[8]提出基于YOLOv3算法的落石檢測方法，對巖石樣本進行測試，結果表明YOLOv3算法具有檢測速度快、效率高等特點，但是作者未在真實鐵路邊坡落石場景下檢測YOLOv3算法性能，距離實際工程應用還有一段距離。鑒于此，本文為滿足實際工程需要，采集大量鐵路落石樣本，開展基于YOLOv3算法的落石檢測方法研究，并根據(jù)鐵路邊坡落石檢測特點，對YOLOv3網(wǎng)絡架構等進行改進，以提升鐵路沿線邊坡落石的檢測實時性和精確度。

1 數(shù)據(jù)樣本

本文采用YOLOV3算法解決鐵路場景下落石的檢測與識別問題，因此需要大規(guī)模樣本訓練深度神經(jīng)網(wǎng)絡，生成落石檢測模型。為了獲得更好的訓練結果，采集足夠多的樣本數(shù)據(jù)是先決條件之一。

首先采用現(xiàn)場實景拍攝的方式獲取了大量鐵路真實場景下的崩塌落石樣本，同時利用網(wǎng)絡爬蟲方便快捷地獲取了少量落石圖片，對所有圖片進行下采樣處理，將分辨率調整到500×375，形成了規(guī)模為948張鐵路場景下的目標數(shù)據(jù)集。然后為滿足卷積神經(jīng)網(wǎng)絡的訓練要求，采用圖像增強的方式對樣本集進行擴充，樣本庫規(guī)模從948張擴充為 8 532張圖片。圖像數(shù)據(jù)增強的方式包括水平翻轉、垂直翻轉、旋轉、加噪聲、亮度調整、調整RGB通道值等方法。最后，借助labelimg軟件完成了樣本庫的標注以及格式轉換，在標注時根據(jù)落石的尺寸、分布情況將樣本名稱標簽分為兩類：落石(stone)和落石群(stones)。

2 算法比選

2.1 算法選擇

目前而言，基于深度學習的圖像識別算法分為2個方向。一是基于候選區(qū)域的圖像識別算法，又稱為兩階段(Two-stage)算法，主要以RCNN、Fast RCNN、Faster RCNN為主，以及在此基礎上的改進算法。這類算法在第一階段首先產(chǎn)生候選區(qū)域(Region Proposal)，包含了檢測目標的大致位置信息；第二階段對產(chǎn)生的所有候選區(qū)域進行分類和再次位置精修。二是基于回歸的圖像識別算法，又稱為一階段(One-stage)算法，比較典型的算法有YOLO系列、SSD。這類檢測算法不需要產(chǎn)生候選區(qū)域，可以通過一個階段直接產(chǎn)生目標的類別概率和位置坐標值。一般情況下，Two-stage算法在準確度上有優(yōu)勢，而One-stage算法在速度上有優(yōu)勢[9]。本文在鐵路落石檢測應用中，選取具有代表性的Faster RCNN和YOLOv3算法進行比選。

2.2 測試對比

本文的實驗測試環(huán)境在Ubuntu16.04系統(tǒng)進行，python 版本為3.5，所使用的處理器是Intel(R)Xeon(R)Gold 5115 CPU，10核20線程，主頻2.4 GHz，內存32 G，顯卡采用NVIDIA Quadro P5000，顯存為16 G。

Faster RCNN和YOLOv3兩種算法在測試集上對目標的檢測準確度和檢測速度對比如表1、表2所示，YOLOv3算法對目標的平均檢測準確度(mAP)為71.14%，略低于Faster RCNN算法(mAP=76.26%)，但是在檢測速率方面，YOLOv3算法明顯比Faster RCNN 算法快。綜上所述，考慮到在實際工程中更看重檢測系統(tǒng)的實時性能，因此本文選取YOLOv3算法檢測鐵路落石。但是YOLOv3算法對鐵路落石和落石群的檢測準確度較低，究其原因有三：落石數(shù)據(jù)集規(guī)模小，不能涵蓋各種形狀、光線、環(huán)境下的落石；數(shù)據(jù)集中的落石尺寸比較小，占像素面積小，導致難以檢測到；原始YOLOv3算法網(wǎng)絡結構對鐵路雜亂復雜的環(huán)境難以適用。因此還需要對YOLOv3進行改進，提高對stone和stones的檢測率。

表1 檢測準確度對比表(%)

表2 檢測速率對比表

3 落石檢測

3.1 改進YOLOv3模型

YOLOv3算法引入FPN(Feature Pyramid Networks)網(wǎng)絡，通過上采樣和融合不同層的特征，利用低層特征的高分辨率和高層特征的高語義信息，在3個不同尺度的特征圖上檢測物體。由于鐵路落石在形態(tài)、尺寸、外觀等方面千差萬別，并考慮到背景環(huán)境變化多樣，因此本文通過改進YOLOv3模型，原有的3個尺度擴展為4個，同時分配準確的錨點框，以此來提高落石和落石群的檢測準確度，提升算法對鐵路復雜環(huán)境的適應能力。本文提出的改進YOLOv3網(wǎng)絡結構如圖1所示。

圖1 改進YOLOv3網(wǎng)絡結構圖

3.2 試驗測試

本文對改進前后YOLOv3算法的各項性能指標進行對比分析。在測試之前，對落石和落石群兩類樣本進行了擴充。

(1)loss曲線對比

改進前后YOLOv3算法的網(wǎng)絡訓練過程中損失變化曲線對比如圖2所示，改進后YOLOv3算法的損失曲線收斂速度比原始YOLOv3快，而且更加平滑。

圖2 改進前后YOLOv3算法損失值變化曲線圖

(2)檢測準確度對比

改進前后YOLOv3算法的P-R曲線如圖3、圖4所示，相比于原始YOLOv3的 P-R曲線，改進后YOLOv3算法的檢測準確度提升明顯。

圖3 原始YOLOv3的 P-R曲線圖

圖4 改進后YOLOv3算法損失值變化曲線圖

原始YOLOv3和改進YOLOv3兩種算法在測試集上對落石和落石群的檢測準確度對比如表3所示。原始YOLOv3算法的平均檢測準確度(mAP)為71.14%，改進YOLOv3算法的平均檢測準確度(mAP)提升為89.09%，效果明顯。

表3 檢測準確度對比表(%)

(3)實際場景檢測結果

本文將算法用于實際場景中檢測，檢測結果較為準確，如圖5所示。

圖5 鐵路落石檢測結果圖

4 結論

為滿足鐵路落石檢測的實際工程需要，收集了8 532張鐵路真實場景下的崩塌落石樣本，并對深度學習目標檢測算法進行了深入研究與訓練測試。本文首先選取Faster RCNN和YOLOv3算法進行了平行對比實驗，實驗結果顯示YOLOv3算法較Faster RCNN算法檢測精度相似，但是檢測速度更快，更能滿足鐵路沿線危巖落石檢測的實際應用要求，因此本文選取YOLOv3算法進行鐵路落石檢測研究。但是YOLOv3算法對落石群(stones)的檢測準確度較低，因此本文提出一種基于YOLOv3框架的鐵路落石實時檢測改進算法，以YOLOv3為基礎網(wǎng)絡結構，通過增加多尺度檢測，利用更多的圖片信息等方法來改進檢測效果。通過對改進前后YOLOv3算法在測試集上的檢測準確度進行對比，改進YOLOv3算法的平均檢測準確度由原來的71.14%提升為89.09%。綜上所述，本文提出的基于改進YOLOv3算法的鐵路落石檢測方法在將來實際工程中具有較大的應用潛能。