基于动态蛇形卷积的钢轨RGB图像光带分割方法

Segmentation Method of Wheel-Rail Contact Surface for RGB Rail Images Based on Dynamic Snake Convolution

摘要

针对钢轨光带边缘存在的锯齿状现象导致对灰度图像进行光带分割算法精度不高的问题，提出基于动态蛇形卷积的钢轨RGB图像光带分割方法。设计和实现基于彩色线阵相机与白激光光源的RGB图像采集模块，通过嵌入动态蛇形卷积加强锯齿状不规则特征的提取，改进DeepLabv3+分割网络，完成基于RGB图像光带与轨面的一体化分割，实现对光带的分类检测。结果表明：对非道岔区段RGB图像分割的平均交并比为93.50%，类别平均像素准确率为96.39%，像素准确率为98.85%；包含道岔区段RGB图像分割的平均交并比、类别平均像素准确率以及像素准确率分别为91.87%，96.04%和98.60%；RGB图像可较好地还原钢轨表面的真实状态，加入动态蛇形卷积改进的分割网络能够实现对钢轨光带区域的精确提取，比现有方法的平均交并比提升了2.25%。

Abstract

To address the issue that jagged edges of the wheel-rail contact surface lead to low accuracy of segmentation algorithm for grayscale rail images, this paper proposes a segmentation method for wheel-rail contact surface in RGB rail images based on dynamic snake convolution. A rail image acquisition module based on a color linear array camera and a white laser light source is designed and implemented. By embedding dynamic snake convolution, this research enhances the extraction of jagged irregular features and improves the DeepLabv3+ segmentation network, thereby completing integrated segmentation of wheel-rail contact surface and rail surface based on RGB image, as well as classification and detection of the wheel-rail contact surface. The experimental results show that the average Intersection over Union (IoU) for RGB rail images excluding turnout section segmentation is 93.5%, the average pixel accuracy of the category is 96.39%, and the pixel accuracy is 98.85%. For RGB images containing the turnout section segmentationt, the average IoU, the average pixel accuracy of the category and the pixel accuracy of the are 91.87%, 96.04%, and 98.60%, respectively. RGB images can better represent the true state of the wheel-rail contact surface. The segmentation network improved by adding dynamic snake convolution can enhance the accurate extraction of the rail-wheel rail contact surface area, the average IoU is improved by 2.25% compared to existing methods.

Graphical abstract

关键词

钢轨 / 光带分割 / 检测 / RGB图像 / 动态蛇形卷积

Key words

Rail / Segmentation of wheel-rail contact surface / Detection / RGB image / Dynamic snake convolution

在列车运行过程中，车轮踏面与钢轨顶面的滚动和滑动接触，以及车轮轮缘与钢轨之间的相互作用，会在钢轨表面形成钢轨光带。钢轨光带可直观反映轮轨关系，其异常状态直接影响列车运行的安全性与稳定性，因此，钢轨光带的异常检测至关重要^［1-3］。随着计算机视觉技术的发展，当前钢轨外观检测主要采用高清相机捕捉轨道图像，结合图像处理技术实现自动化分析。该方法目前已成功应用于扣件外观及钢轨顶面擦伤等异常状态的识别^［4-6］。尽管设备管理单位对钢轨光带不良的检测需求日益增加，且业内将光带过宽、过窄、偏心或双光带等异常形态作为评判指标^［7］，但受限于数据质量、算法性能等多方面原因，钢轨光带的自动化检测在现场应用较少。因此研究采用计算机视觉技术高效识别钢轨异常光带，对于现场设备的维护管理、确保运营安全具有重大意义。

基于轨道图像的钢轨表面状态检测方法极度依赖于图像质量，如何提升图像质量是研究者要解决的首要问题。谢敏杰等^［8］使用黑白线阵相机获取轨道图像，并辅以线阵白光光源主动照明减少外界光源的干扰，以手推式轨道检测车为平台建立基于机器视觉的钢轨表面缺陷检测系统。李忠海等^［9］设计了一种带有LED辅助光源和遮光箱的图像采集装置，利用光电编码器对线阵相机进行外部触发并通过列车运行监控装置获取图像的位置信息，采集高质量图像数据。吴禄慎等^［10］提出一种基于线阵相机和线阵光源的钢轨表面缺陷检测光学理论模型，分析推导出图像灰度值与成像系统运动过程中振动幅度和缺陷深度的关系，研究了光源照射角度和相机拍摄角度对图像灰度和缺陷区域对比度的影响。谭松等^［11］基于机器视觉检测方法对钢轨光带检测系统进行了研究，比较了面阵高速相机+面阵光源、线阵相机+近红外线光源和线阵相机+LED线光源这3种成像方案的优缺点，结合光带成像特征，确定了采用线阵相机+LED线光源的图像采集技术方案。

目前，基于计算机视觉的钢轨光带分割主要有基于传统机器视觉分割方法和基于深度学习的分割方法。基于传统机器视觉的光带分割方法采用图像处理技术，通过提取图像特征、应用滤波器、阈值处理等手段来实现钢轨光带的分割^［12］。李唯一等^［13］提出基于图像识别技术的钢轨光带异常检测系统。张博等^［14］提出基于占优的频率域采样值的轨面区域定位算法，从轨道图像中准确提取出轨面区域，利用图像灰度变换突出光带与非光带区域的边界，通过逐行计算梯度识别光带的位置。这类方法在一些场景下取得了良好的效果，但其性能可能受限于复杂的光照变化和视觉噪声。

基于深度学习的光带分割方法通过自动学习大量图像中的特征和表示，能够有效地适应铁路系统中各种不同的结构和场景，从而提供更为灵活和全面的分割能力。Bojarczak等^［15］提出了一种用于轨道部件的视觉检测方法，使用8次上采样的全卷积神经网络^［16］识别紧固件、轨枕、钢轨、道岔等设备设施。Wang等^［17］提出了深度区域融合网络模型，该模型由深度估计、图像分割和数据融合3个部分组成，通过构建钢轨磨损分类的双通道注意力融合网络，将深度信息与分割信息融合，实现对钢轨损伤的检测。Guo等^［18］提出了深度学习语义分割算法框架，使用改进的DeepLabv3+模型^［19］和注意力模块^［20］对钢轨表面伤损进行逐像素边缘分割，并讨论了不同裁剪尺寸图像样本输入对模型训练的影响。张新峰等^［21］提出利用Deeplabv3+分割网络对图像的光带和钢轨区域进行分割，并针对钢轨边缘容易分割不清的问题，采用基于Douglas-Peucker^［22］的后处理算法，通过压缩线状实体的点和简化矢量数据，对钢轨边缘进行拟合，在一定程度上保持轨面原有形状，最终实现钢轨光带分割。

然而，现有方法对钢轨光带的分割仍存在以下问题。第一，钢轨光带具有细长的特点，而且由于存在蛇形光带、顶面光带不均、圆弧处光带不均等异常情况，钢轨光带边缘区域呈现弯曲的锯齿状结构，但是，当前的分割算法大多对钢轨光带的边缘形状变化考虑不足。第二，对道岔与非道岔区段一般先检测再分割，操作过程复杂，同时对不同场景的泛化能力不足。第三，多使用灰度图像，难以还原钢轨表面的真实状态，使光带与轨面不易分辨，影响标签和分割的质量。

本文设计彩色线阵相机与白激光光源补光的成像方案，实现高清RGB图像采集；基于Deeplabv3+分割网络，利用动态蛇形卷积^［23］捕捉光带边界锯齿状特征，提出一种更适应光带细长特点的钢轨光带和轨面一体化分割网络动态蛇形卷积光带分割网络（Dynamic Snake Convolution Deeplab，DSCDeeplab），实现钢轨光带的高效分割。

1 钢轨RGB图像获取

1.1　成像方案设计

本文通过大量试验验证，从便于模块化集成、发热量可控、图像效果稳定等因素考虑，采用彩色线阵相机与白激光光源补光的成像方案。成像原理如图1所示。

彩色线阵相机与白激光光源在脉冲信号同步触发作用下同时工作。白激光光源经过红、绿、蓝3种激光混合射出白色激光线，经过整形透镜将激光束散射为长条形区域，拍摄物体被激光器照亮，彩色线阵相机获取激光线照亮的区域，滤光片滤除太阳光中的杂光干扰，经过多线合并形成图像。

从帧频、感光性和易于后期拓展的角度考虑，选用千兆网接口彩色相机，该传感器横向分辨率为2 048像素，像元分辨率为7.04 µm，在选取感兴趣区的情况下，最高扫描频率可达到45 kHz。

根据拍摄距离、光圈值、镜头焦距、像元分辨率及相机与拍摄物体角度等参数可以计算景深值ΔL^［24］，计算式如下。

\mathrm{\Delta }L=\mathrm{\Delta }{L}_{\mathrm{1}}+\mathrm{\Delta }{L}_{\mathrm{2}}（1）

其中，

\mathrm{\Delta }{L}_{\mathrm{1}}=\frac{F\delta L^{\mathrm{2}}}{f^{\mathrm{2}}+F\delta L}

\mathrm{\Delta }{L}_{\mathrm{2}}=\frac{F\delta L^{\mathrm{2}}}{f^{\mathrm{2}}-F\delta L}

式中：ΔL₁为前景深；ΔL₂为后景深；δ为容许弥散圆直径；f为镜头焦距；F为镜头的拍摄光圈值；L为对焦距离。

设定参数δ为14.08 µm，F为8，f为12.5 mm，视场角约为60°，L为400 mm。将以上参数代入式（1），计算得前景深约为89 mm，后景深约为160 mm，景深约为249 mm。在工作距离的前后景深区间内可以清晰成像。

车上接口方面，通过巡检梁体安装在车辆的转向架上，使用橡胶减振件进行缓冲，同时全部螺栓采用止转垫片进行机械防松。成像模块实物如图2所示，安装设计如图3所示。

1.2　数据采集

基于彩色线阵相机与白激光光源的成像模块已在检测速度120 km · h^－1的综合巡检车上部署安装，采集频率不低于40 kHz，图4为成像模块车上安装图。

为了验证系统总体性能，在北京环形铁道试验线，采用综合巡检车对图像采集效果进行试验验证，最高速度120 km · h^－1。采用本文提出的成像模块进行数据采集，图5为采集的轨道图像。

由图5可知，采集的图像清晰完整，轨道区域成像均匀，无阳光干扰，钢轨表面未出现过曝现象；轨面高清相机较好地还原钢轨表面的真实状态，过滤掉了光线干扰，使光带与轨面更易分辨，为光带分割与异常识别提供了更好的数据基础。

2 基于动态蛇形卷积的一体化分割网络

2.1　DSCDeeplab网络结构

本文提出基于动态蛇形卷积的一体化分割网络DSCDeeplab，实现对钢轨轨面与光带区域进行一体化分割。DSCDeeplab网络以Deeplabv3+架构为基础，针对钢轨光带具有细长的特点，在特征提取中针对性的增加了动态蛇形卷积模块，能自适应地关注细长且弯曲的局部结构来准确地捕捉光带的特征，使光带在分割后能够保持其本质形状，并实现对边缘的准确分割。DSCDeeplab网络由编码器与解码器2部分组成，网络结构如图6所示。

网络编码器模块，包括Mobilenetv2骨干网络、空间卷积池化金字塔（Atrous Spatial Pyramid Pooling，ASPP）组件和动态蛇形卷积3部分，分别承担特征提取、多尺度语义信息提取和形变学习的功能。在铁路钢轨光带图像中，这种模块化设计有助于高效提取关键特征，适应多样的轨道损伤场景。

Mobilenetv2以轻量化结构和高效性著称，作为主干网络使用深度可分离卷积对轨道巡检图像进行特征提取，输出低层次特征图与高层次特征图，低层次特征图提供丰富的纹理和边缘信息，高层次特征图则包含抽象的语义特征。钢轨图像通常存在复杂背景和细小损伤，Mobilenetv2通过有效提取低层次特征（如轨面纹理、轨缝边缘）和高层次特征（如语义类别），为后续模块提供多维度信息，确保关键损伤特征被捕获。深度可分离卷积通过减少参数量和计算量，加快了特征提取过程，同时保持较高的特征表示能力。低层次特征图进入解码器模块，高层次特征图输入ASPP模块和动态蛇形卷积模块。

ASPP可以同时感知小范围局部特征和大范围上下文信息，通过引入不同空洞率的卷积，从而提升对光带形状的检测能力。例如细小的擦伤处可以通过小感受野检测，双光带处可以通过大感受野捕获。此外，池化层进一步增强了对全局语义的理解。ASPP模块由多尺度空洞卷积、池化层组成，多尺度空洞卷积设置了3个空洞比率（6，12，18），构建不同感受野的卷积核，获得图像中丰富的多个尺度上下文语义信息。

光带与轨面通常呈现细长、连续、不规则的边界形状，传统固定形状的卷积核难以有效捕获这些复杂边界特征。动态蛇形卷积核^［23］根据输入特征图沿纵向进行形变学习，适应锯齿状或弯曲的光带形状，模块通过动态调整卷积核的位置，捕获不规则特征的边界和细节。动态蛇形卷积允许每个卷积位置在自由选择的同时，保持对目标结构的连续关注。光带边缘像素点的分类决策受限于周围的局部信息，动态蛇形卷积核能够灵活地贴合边缘结构并学习特征，同时在一定约束条件下不偏离目标结构太远。这种形变学习还使得模型对复杂局部结构更加敏感，对双光带分割更加有效。

网络解码器模块接收来自编码器的高级语义特征图与Mobilenetv2输出的低层次特征图后，使用局部动态蛇形卷积模块和1×1的普通卷积对低层次特征进行特征提取，并对高级语义特征图进行4倍双线性插值上采样，以此提高特征图的空间分辨率。通过将二者进行融合，使用3×3的卷积进一步特征提取。最后，通过4倍上采样还原到原始图像分辨率。

局部动态蛇形卷积模块由2层蛇形卷积与最大池化组成，专注于局部区域的细节提取，同时保留关键特征，如图7所示。钢轨损伤细长且通常锯齿状的特性，使得局部特征提取尤为重要。动态蛇形卷积能够准确捕捉细微边界，而最大池化保留了关键信息，减少背景干扰。根据光带细长且呈现锯齿状的局部结构，动态蛇形卷积均沿纵向进行形变学习。最大池化层保留了输入数据中的重要信息，有效筛选关键特征，有助于关键特征的提取，减少噪声干扰，提高分割模型的鲁棒性。

局部动态蛇形卷积模块作为解码器中的关键组成部分，通过与高层语义特征的融合，进一步增强了解码阶段的特征提取能力，确保最终分割结果的分辨率和精度。该模块的加入显著提高了铁路巡检图像分割任务的性能，特别是在处理复杂背景和不规则光带特征方面表现出明显的优势，在分割结果中表现为更清晰的边缘区域分割。

2.2　损失函数

本文所使用的损失函数由交叉熵损失与戴斯损失2部分组成，以衡量模型预测结果与真实标签之间的差异。

逐像素交叉熵损失是图像分割中常用的损失函数，该损失函数分别检查每个像素，将类预测值与目标向量进行比较。对于光带分割网络，模型预测值与真实标签之间的差距越小越好，即交叉熵损失取较小值。多分类任务中交叉熵损失函数D₁计算式如下。

D_{\mathrm{1}}=-{\sum }_{i=\mathrm{1}}^C{y}_i\mathrm{l}\mathrm{g}{p}_i（2）

式中：C为类别的数量；p_i为样本属于第i类的概率；y_i 是样本的独热编码值，当样本属于第i类时y_i=\mathrm{1}，否则y_i=\mathrm{0}。

戴斯损失函数是主要用于语义分割任务中，衡量模型生成分割结果与真实分割标签之间的相似度。戴斯损失函数D_{\mathrm{2}}计算式如下。

D_{\mathrm{2}}=\mathrm{1}-\frac{\mathrm{2}{N}_{\mathrm{3}}}{N_{\mathrm{1}}+N_{\mathrm{2}}}（3）

式中：N₁表示预测分割区域中元素的数量；N₂表示真实分割区域中元素的数量；N₃表示预测分割区域与真实分割区域的交集中的元素数量。

3 钢轨光带检测

钢轨光带的分类方式有3种，分别为依据宽度分类、依据光带在轨面上的位置分类以及依据光带的均匀性分类。由于分类的标准不同，所以对每条光带都要进行3次分类，只有3次分类均显示正常的光带才是正常光带，其中在某1种或2种光带中分类正常的光带并不属于正常光带。

3.1　光带宽度

从宽度对光带进行分类可以分为3类，即过宽光带、过窄光带和正常光带。正常光带的宽度大约为30 mm，边缘整齐、位置居中且上下宽度均匀。过宽光带主要出现在道岔段，光带的宽度几乎覆盖了整个钢轨轨面的部分，整体平均宽度大于40 mm。光带过窄的情况主要出现在曲线超高地段，由于轨道高低不平顺，导致钢轨与列车车轮的接触踏面减小，使得光带宽度占钢轨轨面的比例减小。当光带的整体平均宽度小于20 mm时，认定该光带为窄光带。

对经过深度网络分割后的光带图像进行图像二值化处理，光带区域像素为一类，轨面与背景归为另一类。得到二值图像后，对光带图像逐行扫描，逐行遍历得到每行中光带区域的宽度，并对所有行的光带宽度求取平均值，即可得到巡检图像中光带的平均宽度w。w计算式如下。

w=\frac{{\sum }_{j=\mathrm{1}}^n{w}_j}{n}（4）

式中：n为总行数；w_j为第j行的光带区域宽度。

3.2　光带位置

从光带在轨面上的位置分类可以分为2类，即光带偏心和光带不偏心。光带的中心位置偏离轨面中线说明钢轨与列车在垂直方向有误差，这种情况通常出现在钢轨轨底坡不良的地段。一般当光带的平均中心线与轨面中心线偏离6 mm以上为偏心光带。

计算光带平均中心线与轨面中心线位置的绝对差值步骤如下。首先，计算轨面的中心线，对轨面分割图像进行灰度变换，逐行计算梯度，找出每行中轨面的左边缘和右边缘精确位置，并根据左右边缘计算平均轨面宽度，进而计算出轨面中心线的位置。然后，根据由式（4）得到的光带平均宽度w和每行中光带左边界的精确位置，计算出光带的平均中心线位置。最后，计算光带平均中心线位置与轨面中心线位置的绝对差值，该差值大于6 mm则为偏心光带，该差值小于等于6 mm的光带为正常光带。

3.3　光带均匀性

从均匀性方面主要分为3类，即双光带、缺陷光带和均匀性正常光带。当钢轨上的光带分布在轨顶两侧，轨面上出现2条明亮的带状区域，则该光带则为双光带。计算并判断光带中心线位置所在区域是否存在非光带像素，若该区域存在非光带像素值则该光带为双光带。钢轨顶面光带出现宽度突变现象，即光带宽度出现突然从正常取值范围锐减到原带宽的一半以下，或相邻行之间光带宽度差异较大，则判定该光带为缺陷光带。光带分布均匀且连续，没有明显的亮暗变化，亮度直方图集中于某一范围，此类无明显偏移或异常尖峰的光带为均匀性正常光带。

4 试验验证

为了验证本文提出的网络在光带分割任务上的效果，采用综合巡检车在北京环形铁道试验线采集RGB轨道图像数据进行试验。试验平台及环境如下：处理器为lntel（R）Xeon（R），系统为Ubuntu 22.04.2 LTS，显卡为RTX A6000，使用编程语言为Python3.9，使用pytorch作为深度学习框架，视觉函数库版为OpenCV 4.1.2。

4.1　数据集准备

综合巡检车采集到8 100张彩色图像，其中道岔图片186张，非道岔图片7 914张，每张图像的分辨率为1 488×2 048像素。巡检图片中包含不同背景下拍摄的钢轨，可有效检测模型的鲁棒性与泛化能力。使用基于飞桨开发的高效智能交互式分割标注软件EISeg^［25］进行语义标签的半自动化标注。为了实现轨面和光带一体化分割，将轨面与光带同时标注，标签图像包括背景、轨面、光带3部分，如图8所示。整体数据集按照8∶2的比例分为训练集与测试集，其中训练数据有6 480张，测试数据有1 620张。

4.2　分割效果对比试验

4.2.1　参数设置与评价指标

在训练模型时把训练批次分为2个部分，其中前100次先冻结主干网络的参数，仅训练其余部分的网络参数。每个批次的样本数设置为16，较大的批量能够加速训练并有效利用计算资源。此阶段主要目的是优化高层网络参数，缩短训练时间的同时确保初步收敛。后100次迭代解冻，每个批次的样本数设置为4，以更小的批量支持细致的特征调整，此阶段网络的所有参数都参与更新，特征提取能力进一步优化，提升模型的整体性能。这种分阶段训练策略先充分利用冻结阶段的快速收敛特性，再通过解冻阶段对模型进行细化调整，从而实现训练效率与效果的平衡。试验的网络参数设置如下：迭代次数取200次，图像批次设为4，优化器为Adam，学习率取0.007。

为定量评价DSCDeeplab的检测精度，使用平均交并比M_{\mathrm{I}\mathrm{o}\mathrm{U}}、类别平均像素准确率M_{\mathrm{P}\mathrm{A}}和像素准确率P_{\mathrm{A}}作为评价指标，计算式如下。

M_{\mathrm{I}\mathrm{o}\mathrm{U}}=\frac{\mathrm{1}}{k}{\displaystyle \sum _{s=\mathrm{1}}^k}\frac{p_{ss}}{{\sum }_{t=\mathrm{1}}^k{p}_{st}+{\sum }_{t=\mathrm{1}}^k{p}_{st}-p_{ss}}（5）

M_{\mathrm{P}\mathrm{A}}=\frac{\mathrm{1}}{k}{\displaystyle \sum _{s=\mathrm{1}}^k}\frac{p_{ss}}{{\sum }_{t=\mathrm{1}}^k{p}_{st}}（6）

P_{\mathrm{A}}=\frac{{\sum }_{s=\mathrm{1}}^k{p}_{ss}}{{\sum }_{s=\mathrm{1}}^k{\sum }_{t=\mathrm{1}}^k{p}_{st}}（7）

式中：k为类别的个数，本试验在进行光带分割时包含背景、轨面和光带共3种类别，即k=\mathrm{3}；s和t为类别参数；p_{st}为真实值为s类但被预测为t类的像素数量；p_{ss}为真实值与预测值类别相同的像素数量。

4.2.2　非道岔区段图像分割效果

使用非道岔区段数据集，选取常用于钢轨光带分割的DeepLabv3+，DeepLabv3+&DP边缘优化等模型，对RGB图像与灰度图像在不同模型下的光带分割效果进行试验对比分析。灰度图像同样使用综合巡检车在北京环形铁道试验线路采集的图像数据。试验结果见表1。

在灰度图像数据集上，DSCDeeplab网络的M_IoU，M_PA和P_A分别为92.10%，96.25%和98.66%。相比已有的机器视觉方法、DeepLabv3+方法与DeepLabv3+&DP边缘优化方法M_IoU分别提高了3.29%，0.58%与0.41%，DSCDeeplab网络取得最好的分割效果。

在RGB图像数据集上，DSCDeeplab网络的M_IoU，M_PA和P_A分别为93.50%，96.39%和98.85%。与DeepLabv3+方法相比M_IoU提升了1.20%。DSCDeeplab网络同样取得最好的分割效果。

DSCDeeplab网络利用RGB图像分割的M_IoU为93.50%，相比使用灰度图像，M_IoU提高了1.40%，效果显著优于灰度图像。

图9和图10分别为非道岔区段单光带和双光带工况下对灰度图和RGB图的分割效果，在分割结果中，绿色代表光带区域，蓝色为轨面所在区域，红色为背景区域。由图可知：二者光带中间位置均存在非光带区域；对灰度图像，算法都没能有效地分割出双光带，而对RGB图像，DSCDeeplab网络可有效地分割。

上述试验结果表明：高清的RGB图像能更好地还原钢轨表面的真实状态，使光带与轨面更易分辨；DSCDeeplab网络由于使用了动态蛇形卷积，确实能针对钢轨光带具有细长的特点，自适应地关注细长且弯曲的局部结构来准确地捕捉光带的特征，使光带在分割后能够保持其本质形状，并实现对边缘的准确分割。

4.2.3　道岔区段分割效果

使用道岔和非道岔数据集，进一步对提出的DSCDeeplab网络进行试验分析。表2为不同模型在道岔和非道岔验证集的分割结果。由表2可知：DSCDeeplab网络在验证集上的M_IoU，M_PA和P_A分别为91.87%，96.04%和98.60%，相比已有Deeplabv3+，DeepLabv3+&DP边缘优化方法，M_IoU值提升2.25%，效果提升显著。

不同模型在道岔区段的分割效果如图11所示。由图11可知：本文方法可以捕捉光带边界区域，减少轨面边缘不规则的情况；对于复杂背景的图像，DeepLabv3+存在漏检或过检现象，对轨面细节切分的准确性不足，本文提出的DSCDeeplab能够准确地对复杂背景下的光带边界进行细节切分，并识别光带的范围与位置。试验分析表明DSCDeeplab不仅实现了一体化分割，而且具有良好的鲁棒性和抗干扰能力。

4.3　光带检测试验

由于道岔图片中光带形状不规则且位置复杂，只对非道岔分割图像进行分类检测。为验证算法的有效性，逐行扫描光带图像，提取出的光带边缘位置与实际位置。根据光带检测算法对分割后的光带进行异常分类，分类结果见表3。由表3可知：本文方法对宽度、位置、均匀性检测的精确率均高于80%。

对上述钢轨光带区域，使用异常识别算法进行光带异常识别，并对钢轨光带宽度进行统计。光带宽度统计曲线可以观察出光带出现异常的具体位置，并判定光带异常的类别，为今后的光带异常检测提供参考性。

选取20 m的钢轨光带区域，并对其可视化，结果如图12所示。由图12可知：在2 250~2 255 m之间处出现2处光带异常；在2 260 m附近出现2条光带宽度，说明该光带是双光带。

提取图12中光带异常里程处的钢轨可视化效果图，如图13所示。由图13可知：根据宽度统计曲线找到对应位置的光带分割图片，3处光带异常位置分别是缺陷光带与双光带。

5 结论

（1）为较好地还原钢轨表面的真实状态，提出彩色线阵相机与白激光补光的成像方案，并在检测速度120 km · h^－1的综合巡检车上部署实施，实现了钢轨表面的高清RGB图像采集，使光带与轨面更易分辨，为光带异常识别提供了更好的数据基础。

（2）为提升钢轨光带边缘存在锯齿状现象下分割精度，提出基于动态蛇形卷积的钢轨RGB图像的光带分割网络DSCDeeplab，实现了道岔区段与非道岔区段一体化分割。试验结果表明，DSCDeeplab在非道岔区段RGB图像分割的平均交并比，类别平均像素准确率以及像素准确率分别为93.50%，96.39%和98.85%；在包含道岔区段RGB图像分割的平均交并比，类别平均像素准确率以及像素准确率分别为91.87%，96.04%，98.60%，对比基准方法平均交并比提升了2.05%，提升了光带分割性能。

（3）通过计算识别出的光带像素，实现对钢轨光带的异常检测，其宽度、位置、均匀性检测的精确率均高于80%。同时通过绘制光带宽度统计曲线可以观察出光带出现异常的具体位置，并判断是否出现双光带现象，为今后的光带异常检测提供参考。

参考文献

[1] 胡二根.钢轨擦伤原因及其防治［J］.铁道建筑，2000，40（1）：32-33.

[2] HU Ergen. Causes and Prevention of Rail Abrasion ［J］. Railway Engineering， 2000， 40 （1）： 32-33. in Chinese

[3] 罗林，张格明，吴旺青，等.轮轨系统轨道平顺状态的控制［M］.北京：中国铁道出版社，2006．

[4] LUO Lin， ZHANG Geming， WU Wangqing， et al. Control of Track Regularity in Wheel-Rail Systems ［M］. Beijing： China Railway Publishing House， 2006. in Chinese

[5] 刘丰收，李闯，田常海.我国高速铁路钢轨早期伤损研究［J］.铁道建筑，2018，58（1）：138-140.

[6] LIU Fengshou， LI Chuang， TIAN Changhai. Study on Early Damage of Rail in High Speed Railway in China ［J］. Railway Engineering， 2018， 58 （1）： 138-140. in Chinese

[7] 李闯，张银花，田常海，等.高速铁路钢轨服役状态及病害整治研究［J］.铁道建筑，2020，60（8）：126-129，142.

[8] LI Chuang， ZHANG Yinhua， TIAN Changhai， et al. Study on Rail Service Status and Disease Treatment of Rail for High Speed Railway ［J］. Railway Engineering， 2020， 60 （8）： 126-129， 142. in Chinese

[9] 赵康云.高速铁路钢轨常见表面伤损及其对策分析［J］.中国高新科技，2020（17）：83-84.

[10] ZHAO Kangyun. Common Surface Damage of High-Speed Railway Rails and Its Countermeasures ［J］. China High and New Technology， 2020 （17）： 83-84. in Chinese

[11] 许贵阳，史天运，任盛伟，等.基于计算机视觉的车载轨道巡检系统研制［J］.中国铁道科学，2013，34（1）：139-144.

[12] XU Guiyang， SHI Tianyun， REN Shengwei， et al. Development of the On-Board Track Inspection System Based on Computer Vision ［J］. China Railway Science， 2013， 34 （1）： 139-144. in Chinese

[13] 左玉良.从钢轨光带异常看高速线路轨道平顺性［J］.铁道标准设计，2009，53（4）：13-16.

[14] ZUO Yuliang. Study on Smoothness of High Speed Railway Track from Unusualness of Steel Track Light Ribbon ［J］. Railway Standard Design， 2009， 53 （4）： 13-16. in Chinese

[15] 谢敏杰，吕奉坤，袁小翠.基于机器视觉的钢轨表面缺陷检测系统［J］.南昌工程学院学报，2020，39（1）：74-79.

[16] XIE Minjie， Fengkun LÜ， YUAN Xiaocui. Design of Rail Surface Defect Detection System Based on Machine Vision ［J］. Journal of Nanchang Institute of Technology， 2020， 39 （1）： 74-79. in Chinese

[17] 李忠海，白秋阳，王富明，等.基于语义分割的钢轨表面缺陷实时检测系统［J］.计算机工程与应用，2021，57（12）：248-256.

[18] LI Zhonghai， BAI Qiuyang， WANG Fuming， et al. Real-Time Detection System of Rail Surface Defects Based on Semantic Segmentation ［J］. Computer Engineering and Applications， 2021， 57 （12）： 248-256. in Chinese

[19] 吴禄慎，张丛，万超，等.基于机器视觉的钢轨表面检测光学模型的研究［J］.铁道标准设计，2017，61（5）：50-57.

[20] WU Lushen， ZHANG Cong， WAN Chao， et al. Study on Optical Model for Rail Surface Detection Based on Machine Vision ［J］. Railway Standard Design， 2017， 61 （5）： 50-57. in Chinese

[21] 谭松，李唯一，韩强.基于计算机视觉的车载钢轨光带异常检测系统研制［J］.铁道建筑，2016，56（2）：128-131.

[22] TAN Song， LI Weiwei， HAN Qiang. Research and Manufacture of On-Board Detection System for Abnormal Rail Light Band Based on Computer Vision ［J］. Railway Engineering， 2016， 56 （2）： 128-131. in Chinese

[23] 毛庆洲，寇东华，代永波，等.铁路钢轨外观与几何状态智能检测关键技术研究［J］.铁道车辆，2021，59（6）：64-72.

[24] MAO Qingzhou， KOU Donghua， DAI Yongbo， et al. Research on Key Technologies of Intelligent Detection of Railway Rail Appearance and Geometric State ［J］. Railway Rolling Stock， 2021， 59 （6）： 64-72. in Chinese

[25] 李唯一，韩强，王登阳，等.高速铁路钢轨光带检测系统［J］.中国铁路，2018（2）：100-104.

[26] LI Weiyi， HAN Qiang， WANG Dengyang， et al. Inspection System for Light Band of High Speed Rails ［J］. China Railway， 2018 （2）： 100-104. in Chinese

[27] 张博，刘秀波.基于机器视觉的钢轨光带检测方法［J］.铁道建筑，2022，62（10）：34-44.

[28] ZHANG Bo， LIU Xiubo. Detection Method of Running Band of Rail Based on Machine Vision ［J］. Railway Engineering， 2022， 62 （10）： 34-44. in Chinese

[29] BOJARCZAK P， NOWAKOWSKI W. Application of Deep Learning Networks to Segmentation of Surface of Railway Tracks ［J］. Sensors， 2021， 21 （12）： 4065-4065.

[30] LONG J， SHELHAMER E， DARRELL T. Fully Convolutional Networks for Semantic Segmentation ［C］// 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Boston， MA， USA. New York： IEEE， 2015： 3431-3440.

[31] WANG Q H， GAO T C， HE Q， et al. Severe Rail Wear Detection with Rail Running Band Images ［J］. Computer-Aided Civil and Infrastructure Engineering， 2023， 38 （9）： 1162-1180.

[32] GUO F， QIAN Y， YU H Y. Automatic Rail Surface Defect Inspection Using the Pixelwise Semantic Segmentation Model ［J］. IEEE Sensors Journal， 2023， 23 （13）： 15010-15018.

[33] CHEN L C， ZHU Y K， PAPANDREOU G， et al.Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation ［M］// European Conference on Computer Vision - ECCV 2018. Cham： Springer， 2018： 833-851.

[34] VASWANI A， SHAZEER N， PARMAR N， et al. Attention is All You Need ［C］// 31st Conference on Neural Information Processing Systems （NIPS 2017）. California， USA. New York： Curran Associates Inc.， 2017， 6000-6010.

[35] 张新峰，边浩南，张博，等.基于深度学习的钢轨光带检测算法［J］.计算机科学，2023，50（增2）：301-306.

[36] ZHANG Xinfeng， BIAN Haonan， ZHANG Bo， et al. Rail Light Band Detection Algorithm Based on Deep Learning ［J］. Computer Science， 2023， 50 （）： 301-306. in Chinese

[37] 任诚.基于径向约束与点位优化的Douglas-Peucker改良算法［J］.地矿测绘，2017，33（4）：5-7.

[38] REN Cheng. An Improved Douglas-Peucker Algorithm Based on Radial Constraint and Point Optimization ［J］. Surveying and Mapping of Geology and Mineral Resources， 2017， 33 （4）： 5-7. in Chinese

[39] QI Y L， HE Y T， QI X M， et al. Dynamic Snake Convolution Based on Topological Geometric Constraints for Tubular Structure Segmentation ［C］// Proceedings of the IEEE/CVF International Conference on Computer Vision （ICCV）. Paris， France. Paris： IEEE， 2023： 6070-6079.

[40] 程雨，杜馨瑜，顾子晨，等.基于FPGA和DSP的高速实时轨道巡检图像采集处理系统［J］.中国铁道科学，2021，42（1）：32-42.

[41] CHENG Yu， DU Xinyu， GU Zichen， et al. High-Speed Real-Time Acquisition and Processing System of Track Inspection Images Based on FPGA and DSP ［J］. China Railway Science， 2021， 42 （1）： 32-42. in Chinese

[42] HAO Y Y， LIU Y， CHEN Y Z， et al. EISeg： an Efficient Interactive Segmentation Tool Based on PaddlePaddle ［EB/OL］. 2022： 2210.08788.

基金资助

中国铁道科学研究院集团有限公司院基金课题(2023YJ100)