自动化轨道病害检测对于维护铁路运输安具有重要的现实意义。考虑到视觉检测在速度、成本和可视化等方面的优势，本文聚焦于轨道病害视觉检测技术，文包含以下内容：
1.对广泛应用的无砟轨道为例介绍了轨道的基本结构，对常见的轨道表观病害进行了介绍；
2.依照前景模型、背景模型、盲源分离模型及深度学习模型的分类逻辑对轨道病害视觉检测领域的研究现状进行了文献综述；
3.针对智能化铁路的发展需求，展望了未来轨道病害视觉检测技术的研究趋势.
0引言
近年来，我国高速铁路技术发展迅猛，目前已是世界上高速铁路运营里程长和商业运营速度快的国家。作为我国“一带一路”倡议中基础设施建设的重要组成部分，高铁已然成为中国新的外交名片。轨道交通基础设施服役状态检测是保障列车安运营的重要手段，轨道病害检测是其中的核心内容，研究轨道病害检测的新理论和新技术是当前高速铁路发展的迫切需求。
首先，中国高铁的发展逐渐由“建设为主”演变为“运维为主”。覆盖国的“四纵四横”高速铁路网已经建成通车，且根据《中长期铁路网规划》，2020年我国高速铁路里程会达到3万公里。随着高速铁路运营里程增长、速度提高以及密度增大等发展趋势，铁路基础设施状态逐渐由新转旧，随之而来的安维护将是未来铁路管理部门的重中之重。
其次，轨道病害检测是铁路工务部门的核心业务。传统的人工巡检不仅成本高效率低，且检测结果依赖于巡检工人的经验和责任心。另外，当前轨道的养护维修大都采用“计划修”模式，检测和维修按照固定周期进行，过修和欠修现象严重，造成的财力物力浪费。统计数据表明：60%以上的钢轨在良好状态下被替换(Ph Papaelias等,2008)，造成了铁路资产的浪费。“状态修”模式代表轨道基础设施检修的发展方向，相关智能化理论和关键技术亟待研究。
后，针对轨道检测的发展需求，尽管各种新型检测技术包括超声探伤、涡流检测等不断涌现，但现有系统在实际运营中还存在着鲁棒性弱、虚警率高等问题。由于视觉检测技术在检测速度、准确性和可视化等方面的优势，轨道病害的视觉检测近年来得到了国内外研究学者的广泛研究，并在部分铁路网中得以应用(Fu等,2019,Liu等,2019)。为此，本文将围绕轨道病害视觉检测任务，从背景、方法和趋势3个方面进行系统概述。
1轨道结构与典型病害
1.1无砟轨道基本结构
作为新型道床结构，无砟轨道如今广泛应用于高速铁路、地铁等轨道交通基础设施的建设，其特征是使用刚性混凝土或沥青道床替代由道砟和枕木组成的传统道床，是一种通过扣件直接与钢轨弹性联结的轨道结构。和传统的有砟轨道相比，无砟轨道能够长久保持钢轨的形状和位置，具有结构耐久性好、稳定性强、易于维护的特点。
当今广泛应用的中国铁路轨道系统(China Railway Track System,CRTS)II型无砟轨道主要由混凝土底座、水泥沥青砂浆填充层、轨道板、扣件和钢轨组成。
1.2轨道病害检测
1.2.1典型轨道病害
钢轨表面瑕疵、损伤和变形等均属于钢轨表面病害的范畴。一般地，轨道表面病害可分为两种类型：表面裂缝和滚动接触疲劳磨损(刘泽等,2010)。更具体地,Li等人(2015)将常见钢轨表面病害进一步细分为剥离、鱼鳞伤、擦伤、压陷、层裂和波磨6种病害。
本文将扣件损伤也归类到轨道表面病害，常见的扣件损伤包括弹条断裂、扣件丢失等。相应的病害示意图如图2所示，病害表观、成因及影响概述如下。剥离的宏观形貌如图2(a)所示，其通常分布在钢轨踏面工作边轨距角R13～R80圆弧区域，裂纹长约30mm，裂纹间距为25mm，从轨距角向踏面中心拓展。武汉钢铁集团公司研究院的周剑华等人(2013)通过对产生该类病害的钢轨进行性能检验后认定其是一种典型的滚动接触疲劳磨损，与钢轨自身质量无直接关系，主要是由于轮轨长期在曲线外轨圆弧区域接触，导致接触应力过大而造成的。鱼鳞伤表现为钢轨表面产生的鳞状碎片，其基本形态如图2(b)所示。由于列车车轮踏面有1:40的锥度，车轮踏面各质点运行速度不同，接触区存在非均匀碾压进而形成疲劳伤损裂纹(张永革等,2011)。鱼鳞伤一方面会加剧轨道疲劳伤损的发展，另一方面则严重影响车辆运行的平稳性和速度。
表面擦伤常呈现出连续的长条形，其源自滑动机车轮的密集摩擦，使得轨头温度过高，轨面金属移位。在高强度运输环境下，擦伤区域将逐渐剥落，进而变得粗糙不平，危及行车安。压陷病害表现为一小段轨面被压扁高度大于等于3/8英寸的现象，该类病害的发生通常没有重复规律性。由于列车车轮反复轧踏，在巨大压力下轨道表层会发生金属移位的现象，进而形成层裂，该类病害进一步发展将导致轨道表面发生严重剥落。波磨损伤是指钢轨顶面出现的类似波浪形状的规律性高低不平现象。当前各国对波磨损伤的产生机理尚未有统一定论。当列车通过轨道波磨区域时，容易产生剧烈振动，造成扣件松动，加剧轨道表面磨损进而缩短轨道服役周期。扣件是联结钢轨和轨道板的紧固件，由于轨道振动、安装不规范及固有瑕疵等问题，扣件可能出现类似的弹条断裂、丢失等类型病害，其不仅会加剧轮轨之间的摩擦损耗，一定条件下可能导致列车脱轨，造成严重的安事故。
钢轨内部伤损主要包括内部横向裂缝、轨头水平分离和轨头纵向分离等病害类型。钢轨内部病害通常需要使用超声波、涡流等技术手段进行检测。本文专注于轨道表观病害视觉检测，有关轨道内部核伤详细分类及检测手段可参考(Li等,2015)。
1.2.2轨道检测技术
在自动化巡检技术兴起之前，轨道病害检测主要依赖于人工巡检，成本高、效率低、安性差。随着自动化巡检技术的不断发展，传统的人工巡检逐渐被各种基于传感器的检测方法所取代。轨道内部结构的变化会对超声波的传播产生一定程度的影响。基于此，超声波技术被广泛应用于轨道内部核伤的检测(Loveday等,2019)。但由于超声波反射等原因导致该类技术对轨道踏面的疲劳损伤检测能力有限，且检测速度也相对较慢。
涡流探伤的基本原理是用激磁线圈使轨道表面产生涡电流，借助探测线圈测定涡电流的变化量从而获取缺陷的有关信息。与超声技术相反的是，涡流探伤技术检测速度快，对轨道表面剥离、车轮擦伤等病害的检测表现出明显优势，但对位于轨腰、轨底的缺陷则无法检出(王雪梅等,2013)。因此，涡流探伤常常与超声波检测设备配合使用(Thomas等,2007)。需要指出的是，涡流探伤技术对检测线圈的安装位置要求较高，在实际的检测作业中，设备调试较为复杂，检测结果的稳定性不够强。
随着人工智能技术的不断发展，基于机器视觉的轨道表观病害检测在理论研究和实际应用等方面也取得了一定的进展(Li等,2016,Dai等,2019)。相较其它自动化检测手段，轨道病害视觉检测技术在安性、可视化和智能化等方面表现出较大的优势（甘津瑞,2019），但整体上仍面临以下3个方面的挑战：
1）图像质量不均。轨道图像通常是通过安装在检测列车底部的高速线阵相机采集的，列车抖动和开放环境中自然光的变化等因素极易导致所采集的图像存在光照不均、病害目标与图像背景对比度偏弱等问题。作为视觉检测系统的数据源，图像质量不均直接影响着轨道病害视觉检测算法的性能。
2）可用特征较少。轨道外观病害大多形态多样，不同样本的纹理或形状特征差异巨大，这意味着难以将一些基于纹理或形状特征的目标检测方法直接迁移到轨道病害检测任务中来。对于传统的轨道病害视觉检测方法而言，往往仅有局部灰度信息可作为区分病害目标与图像背景的可靠特征，有限的可用特征对模型的检测能力提出了更高的要求。
3）模型更新困难。在传统的轨道病害视觉检测方法中，由于轨道图像特征相对单一等原因导致难以实现检测模型的有效更新；在基于深度学习的轨道病害检测模型中，尽管精细设计的神经网络被认为能够自动提取到高层次的语义特征，但由于缺乏足量的标注样本、任务孤立等因素也使得病害识别模型的训练和更新较为复杂。
2轨道病害视觉检测方法
2.1前景模型
由于环境、设备或人为的原因，工业现场采集到的钢轨图像存在着光照不均和噪声干扰的情况，导致图像中病害目标与背景的对比度较低，严重影响后续病害目标的检测与识别。为此，研究者们提出了一系列的前景模型，通过局部图像滤波等方式不利因素干扰，增强病害目标与图像背景之间的对比度从而便于病害目标的定位与识别。
兰州交通大学的Min等人(2018)利用图像在色相、饱和度和亮度(Hue,Saturation,Lightness,HSL)空间中的H值作为特征从景图像中提取出轨道区域，然后借助于图像形态学操作进行表面病害分割，并通过构建原型检测系统验证了算法性能。
湖南大学的研究人员先后提出了基于反向Perona-Malik(PM)扩散(贺振东等,2014)和基于图像差分(贺振东等,2016)的钢轨表面病害检测系统。
北京交通大学的李清勇等人聚焦于病害目标的视觉特征，设计了适用于轨道病害检测的对比度增强算法，提出了基于投影轮廓的病害定位算法(Li等,2012)和基于比例强化大熵的病害检测算法(Li等,2012)。
代表性地，基于投影轮廓的轨道病害定位算法流程图如图3所示，主要包括局部归一化滤波、纵向病害位置定位、横向病害位置定位和病害识别等步骤。具体地，在使用局部归一化方法消除轨道图像的光照不均衡，增强病害目标与图像背景之间的对比度后，通过灰度投影的方式进行病害定位。该算法具有线性复杂度，检测效率较高，理论上能够在216km/h的条件下满足实时检测的要求。整体而言，聚焦轨道病害目标的前景检测模型复杂度低，检测速度快，通常能够满足实时检测的需求，但同时存在着误报率高、难以准确分割病害目标等问题。
2.2背景模型
前景模型聚焦于病害目标，通过消除轨道图像中的光照不均、增强对比度的方式进行病害定位。但是，开放环境下巡检车在高速运行时采集的图像难以包含足够的病害辨别性信息，导致识别系统容易产生大量的误报结果。为此，研究者们提出了一系列基于背景建模的轨道病害检测算法。
当列车在轨道上运行时，轨道表面和轮对之间相互摩擦，接触的相对位置几乎恒定，轨道表面上所有位于同一纵向位置的点所受的摩擦力几乎相同，这使得轨道图像背景尽管呈现一定幅度的动态变化，但像素灰度仍保持相对一致。因此，轨道图像特定位置灰度的显著偏差指示着病害目标的产生或噪声干扰的存在。
基于此，北京交通大学的Gan等人(2017)和Yu等人(2018)相继提出了基于均值漂移和显著性检测的表面病害检测方法，以逐步求精的方式实现了表面病害的准确分割。代表性地，Gan等人(2018)提出了一种基于背景建模的轨道表观病害检测方法如图4所示。具体地，该方法假设纵向病害像素点多占总像素样本量的4%，基于二项式分布进行纵向背景模型的迭代更新；在横向上，其基于病害通常发生在中心区域这一先验进行病害位置建模。终，利用轨道图像纵向与横向的一致连续性进行背景模型的迭代更新，采用多次随机构建与集成策略来增强背景模型的表征能力。在真实线路上的实验表明该方法具备在线实时检测的能力。
2.3盲源分离模型
在轨道表观病害检测场景中，病害目标形态多样且容易受到各种外部环境的干扰，低层视觉特征稳定性较弱，但是病害目标在实体、特征和像素等多个层面却体现出稳定的稀疏低秩特性。首先，病害实体在待检轨道中是稀疏的，它包含2方面的含义：病害目标在服役轨道中出现的概率低，以及病害目标在待检图像中出现的面积较小；其次，病害图像在变换域中可以通过超完备字典进行稀疏表示，得到对应的稀疏表示模型与病害检测算法；后，钢轨和轨道板等部件的图像灰度矩阵在理想条件下是低秩的，空间上连续的图像序列在特征空间中一般也满足低秩要求。为此，研究者们从盲源分离的角度提出了一系列的轨道病害检测模型。
考虑到轨道图像背景纹理模式一致性较强，在变换域中具备表征稀疏性，李清勇等人(2014)将轨道图像看作由病害成分、背景成分和噪声3种要素组成，提出了基于稀疏表示的钢轨表面擦伤分割方法。实验结果表明，所提出的模型比低层视觉特征表示模型更加通用和有效。
基于轨道图像自身的对称性，西南交通大学的Liu等人(2015)提出了一种改进的稀疏表示模型用于扣件分类和病害识别。从矩阵分解的角度出发，待检图像在空间域中对应的灰度矩阵或者由局部图像块构造的特征矩阵应该是低秩的，即矩阵的行或列之间存在着较大的相关性，而病害目标的存在则会破坏这种低秩性。基于此，张琳娜等人(2019)提出了基于低秩矩阵分解的轨道表面病害检测模型，将图像灰度矩阵分解为低秩矩阵和稀疏矩阵分别对应图像背景和病害目标。对于求解得到的稀疏矩阵，计算矩阵元素的行累积量和列累积量并通过使用阈值进行病害定位。然而，当待检图像中病害尺度较大时，直接应用低秩分解模型容易将图像灰度矩阵中的病害区域误判为图像背景导致检测失败。
考虑到病害目标存在实体稀疏性，Wang等人(2019)提出了一种固有先验指导的低秩矩阵分解模型用于轨道表观病害检测，框架图如图5所示。该方法以超像素为基本处理单元，利用待检图像的背景相似性和病害目标的局部显著性来指导特征矩阵的分解过程。在轨道表面病害图像等多个数据集上的实验表明，该模型具有良好的泛化能力和检测性能。需要指出的是，基于盲源分离的病害检测模型大多存在着复杂度高和实时性略差的问题，但一些随机性求解策略的提出和高性能计算架构的出现为此类模型的高效求解带来了转机。
2.4深度学习模型
近几年来，随着计算能力的不断提升，深度神经网络得到了广泛的研究与应用。与传统的特征抽取与图像表征方法相比，深度神经网络被认为具备抽取高层次的语义特征和刻画复杂数据分布的能力。因此，研究者们也提出了一系列基于深度学习的轨道病害检测模型。
湖南大学的Jin等人(2019)将马尔可夫随机场与高斯混合模型同卷积神经网络相结合，提出了一种深度多模型融合的轨道检测系统，该系统利用高斯混合模型得到病害初始分割结果后，使用基于区域的卷积神经网络(Region-based Convolutional Neural Network,RCNN)输出的目标框辅助背景干扰从而得到更准确的病害分割图。代表性地，荷兰代尔夫特理工大学的Faghih-Roohi等人(2016)提出了一种基于深度卷积神经网络的轨道表观病害检测模型，基本框架示意图如图6所示。该模型使用由巡检视频标注生成的训练数据进行神经网络的参数优化，终能够实现6种表观病害的检测与分类。
深度学习模型在异常扣件检测中也有着较多的应用。在真实线路中，异常扣件出现的频次较低且形态多变，导致难以搜集和标注足量的病害样本用于神经网络的训练。为此，美国马里兰大学的Gibert等人(2016)提出了一种多任务学习框架，该框架集成了多种检测子以提升神经网络在异常扣件检测任务中的性能表现。针对异常扣件训样本不足的问题，Liu等人(2019)提出了一种基于模板匹配的分类方法用于挑选扣件和生成训练样本，设计了一种基于相似度的神经网络来缓解数据不平衡的问题。
同样为了解决标注数据不足的问题，北京交通大学的Dong等人(2019)提出了一种基于数据合成的端到端的异常扣件检测模型，主要包含主干网络、扣件定位网络和候选区域分类网络3个模块，整体框架如图7所示。面向铁路系统实时检测的应用需求，该模型采用轻量化的深度神经网络ShuffleNetv2作为主干网络，在扣件定位阶段使用阈值剪枝策略减少误判。针对异常扣件与正常扣件数量不均衡问题，作者提出了有效的数据合成方法并设计了加权中心损失函数。实验结果表明，所提出的模型不仅能够将检测速度提高近2倍，且检测性能较主流的目标检测网络相比有着较大的提升。
需要明确的是，尽管深度学习技术在轨道病害检测领域有着良好的性能表现，但仍面临着缺乏大规模的公开训练数据、定制化的网络结构导致模型迁移困难等问题。
3结论与展望
考虑到当前轨道病害视觉检测系统中存在的问题，结合铁路智能化的发展需求，我们认为以下方向值得未来深入研究：
1）小样本/零样本学习。小样本学习的基本原理是将学习自海量辅助数据中的知识迁移到小样本数据上，辅助完成小样本目标的分类检测(Snell等,2017)。零样本学习的重点在于利用辅助信息来学习视觉特征和语义特征之间的映射关系(Romera-Paredes等,2015)。在实际运营的高速铁路系统中，因为病害发生的概率比较低，病害样本的数量和质量都无法得到保障。现有的轨道病害视觉检测方法的鲁棒性比较弱，大部分检测系统的虚警率比较高，病害样本的数量和质量是影响检测方法性能的关键，小样本/零样本学习是突破上述瓶颈的核心问题。
2）多任务学习。在当前轨道病害视觉检测的研究中，钢轨擦伤、扣件缺失和轨道板裂纹等检测任务都是独立运行的，导致标注数据不能共享，识别模型的训练和更新也较复杂。事实上，这些检测任务在特征形态和发生机理等方面存在一定的关联。比如，钢轨表面擦伤检测和轨道板裂纹检测都是在一致性强的背景中检测异常目标；钢轨病害和扣件缺损虽然发生的强因果关系还未验证，但经验数据表明他们共现概率比较高。因此，使用多任务学习框架(Zhang等,2017)，采用并行训练的方法学习多个任务，进而挖掘共享多个相关任务中的有效信息来提升算法的泛化能力，也是解决轨道病害视觉检测问题的一种可行的技术路线。
3）多源异构数据融合。在当前轨道病害检测的研究中，视觉传感器、超声传感器和电磁感应器等手段都被用于轨道巡检，但相应的系统却缺乏协作和交互，形成一个个的“感知孤岛”。与此同时，这些数据规模大、类型多样，现有检测系统大都是对单一模态的数据进行分析，综合利用率低，导致现有的检测技术在不同天气和线路条件下检测性能差异巨大，多源异构数据的融合是解决该问题的有效途径。
