基于视觉测量与不确定性预测的绝缘轨缝绝缘体厚度异常检测方法

《IEEE Transactions on Intelligent Transportation Systems》：Visual Measurement and Uncertainty Prediction of Insulator Thickness in Insulated Rail Joints

本刊编辑推荐：针对铁路绝缘轨缝(GIRJ)绝缘体厚度异常检测难题，研究团队创新性地将问题构建为一维回归任务，采用卷积神经网络(CNN)预测绝缘体与钢轨边界位置，并结合Kendall和Gal的不确定性建模方法量化预测置信度。实验表明，该方法在复杂工况下仍能保持较高精度，且已成功应用于实际铁路检测系统，为实现轨道部件自动化巡检提供了重要技术支撑。

　　

铁路轨道作为社会基础设施的重要组成部分，其维护管理直接关系到运营安全。其中，胶结绝缘轨缝(Glued Insulated Rail Joints, GIRJ)作为轨道电路信号控制的关键节点，通过绝缘体（又称端板）实现相邻钢轨的电气绝缘。然而，由于列车通过的冲击作用，钢轨与绝缘体交界处易发生塑性变形，导致绝缘体厚度减薄。当绝缘体过薄导致钢轨接触时，会触发信号红灯，造成列车运行中断。因此，对GIRJ绝缘体厚度的精准监测至关重要。

传统的检测方法主要依赖人工巡检或简单的图像边缘检测技术，但在实际应用中面临诸多挑战：钢轨表面反光、缺陷、锈蚀以及列车运行中的拍摄抖动等因素，导致绝缘体边缘在图像中并不总是清晰可见。如图4所示，在钢轨端部存在缺陷或锈蚀的情况下，传统边缘检测方法（如Sobel算子）会产生大量干扰边缘，难以准确识别绝缘体边界。更有甚者，在某些极端情况下，仅凭图像根本无法做出可靠判断。

为了解决这一难题，东北大学（Tohoku University）的Ryohei Kasai与Takayuki Okatani教授团队开展了创新性研究。与直接将问题简化为正常/异常二分类的传统思路不同，研究团队提出了一种融合模型驱动与数据驱动的混合方法。该方法将绝缘体厚度测量转化为一维回归问题，利用CNN预测绝缘体与钢轨边界的位置坐标，并引入不确定性量化机制，使系统在图像质量不佳时能够输出"无法判定"结果，从而将难以判断的案例移交人工复核，在保证检测可靠性的同时提升整体巡检效率。

关键技术方法包括：1）基于MobileNetV2的钢轨中心线检测回归模型，通过预测钢轨中心y坐标实现长轨图像的快速定位；2）采用SSD（Single Shot Multibox Detector）架构的多组件检测系统，精准识别鱼尾板等轨道部件；3）创新设计的双分支CNN结构，分别预测绝缘体上下边界的位置坐标（μ_y）、不确定性参数（σ_y）和边缘存在概率（r_y），其中不确定性建模采用Kendall和Gal提出的异方差噪声模型；4）针对实际部署设计的四分类决策规则，根据边缘点数量、不确定性程度和厚度测量值将GIRJ状态划分为正常、异常、无法判定和视觉不清四类。

研究团队使用安装在运营列车上的监测设备（图2）采集图像数据，图像沿钢轨方向分辨率为1.0 mm/像素，横向分辨率约为0.7 mm/像素。通过对15.6公里轨道段采集的3,129个GIRJ样本进行实验验证，其中重点关注了1,000个包含异常或检测挑战的样本。

预处理与GIRJ定位

研究首先提出了完整的GIRJ图像提取流程。通过结合钢轨中心线检测和鱼尾板定位技术，从大范围轨道图像中精准裁剪出128×160像素的GIRJ局部图像（图13）。钢轨中心检测采用基于MobileNetV2的回归模型，将图像分块预测钢轨中心y坐标，在测试集上达到4.04像素的平均误差（钢轨宽度约100像素）。鱼尾板检测采用优化设计的SSD算法，在包含多种轨道组件的检测任务中达到0.892的mAP（mean Average Precision）值。

绝缘体厚度与不确定性预测

核心算法通过CNN实现一维边缘点回归，预测公式为：

μ?_y=f_y(I;θ), σ?_y=g_y(I;θ)

网络架构采用早期分离的双分支设计（图15），上下边缘分别通过独立的特征提取路径处理，避免模型对正常厚度（约5mm）的过拟合。损失函数结合坐标回归损失和边缘存在分类损失：

L_y^total=1{r_y=1}L_y^coord+L_y^rail

其中坐标回归损失采用不确定性自适应加权形式，使模型在边缘清晰区域降低不确定性权重，在模糊区域增加不确定性容忍度。

实验结果与分析

在真实数据集上的评估表明（表II），提出方法在误差（Error）、1mm精度（Accuracy@1mm）和边缘存在准确率（Edge Acc.）三项指标上均优于对比基线。其中，带有不确定性建模的完整模型达到0.421mm的平均误差，1mm精度为0.938，显著优于无不确定性建模的变体（0.645mm）和ResNet50基线（0.534mm）。U-Net分割方法虽然误差较低（0.422mm），但1mm精度仅为0.762，表明其离散化输出难以满足亚毫米级精度要求。

定性分析结果（图17-18）进一步验证了不确定性建模的实际价值。在钢轨表面存在缺陷或雨天拍摄等挑战性条件下，模型能够通过增大σ?值合理反映预测不确定性，为后续人工复核提供明确依据。

jk>0.9的预测边缘点，U-Net(e)可视化分割预测大于0.9的边缘点。不确定性估计σ?在(b)和(d)中以阴影带显示。'>

结论与展望

本研究成功开发了一套基于视觉测量的GIRJ绝缘体厚度自动化检测系统，通过将问题构建为一维回归任务并引入不确定性量化，有效解决了传统方法在复杂工况下的可靠性问题。实验证明，该方法在真实铁路环境中具有实用价值，目前已部署于实际运营线路的检测工作中。

该研究的创新点在于：1）首次将不确定性建模引入铁路部件视觉检测，使系统能够明确识别并移交难以判断的案例；2）针对性的网络架构设计，通过早期特征分离提升了对微小塑性变形的检测能力；3）完整的工程化实施方案，从长轨图像预处理到最终状态分类，形成了端到端的解决方案。

尽管本研究聚焦于GIRJ检测，但类似的技术路线可扩展至其他铁路部件的异常检测任务。未来工作将探索该方法在其他关键轨道部件中的应用，并进一步优化模型在极端天气条件下的鲁棒性，推动铁路巡检向全面自动化、智能化方向发展。该研究成果发表于《IEEE Transactions on Intelligent Transportation Systems》期刊，为智能交通基础设施维护提供了重要技术参考。