本文介绍了一项由西南交通大学轨道交通车辆系统国家重点实验室的研究团队 Haoqian Li、Yong Wang、Jing Zeng、Fansong Li、Zhenhuan Yang、Guiming Mei、Hao Gao 和 Yunguang Ye 共同完成的研究,该研究于2024年8月17日在线发表在《Mechanical Systems and Signal Processing》期刊上,题为《Fusing Binocular Vision and Deep Learning to Detect Dynamic Wheel-Rail Displacement of High-Speed Trains》。该研究提出了一种结合双目视觉(Binocular Vision, BV)和深度学习(Deep Learning, DL)的新方法,用于实时检测高速列车轮轨动态位移(Dynamic Wheel-Rail Displacement, DWRD),简称 BV-DL 方法。
在铁路运输中,轮轨之间的动态位移(DWRD)是影响列车运行安全的重要因素。较大的轮轨位移可能导致轨道损坏甚至列车脱轨。因此,实时检测轮轨动态位移对于评估列车运行状态和制定主动控制策略具有重要意义。现有的轮轨位移检测方法包括传感器检测法、应变片检测法、热成像检测法、传统图像处理方法和基于深度学习的检测方法。然而,这些方法各有局限性,如传感器检测法需要安装多个传感器,成本较高;传统图像处理方法受环境参数影响较大,难以长期应用于实际线路。因此,本研究旨在通过结合双目视觉和深度学习技术,提出一种新的轮轨动态位移检测方法。
BV-DL 方法的核心是通过双目相机捕捉轮轨接触区域的动态视频,并结合深度学习算法自动识别轮轨接触区域和关键点,最终通过三维坐标变换模型(3D Coordinate Transformation, 3DCT)计算轮轨之间的实际位移。具体步骤如下:
实验结果表明,BV-DL 方法在像素坐标计算和三维坐标计算中均取得了最优结果。与传统图像处理方法相比,BV-DL 方法能够更准确地识别轮轨接触区域和关键点,且受环境干扰较小。此外,通过激光位移传感器的验证,3DCT 模型的计算结果与实际测量值高度一致,证明了该方法的可靠性。
该研究提出的 BV-DL 方法具有以下优势: 1. 实时性:通过高分辨率视频相机实时记录轮轨接触视频,能够实时计算轮轨动态位移。 2. 精度高:结合双目视觉和深度学习技术,能够准确识别轮轨接触区域和关键点,并通过 3DCT 模型将像素坐标转换为空间坐标,计算实际位移。 3. 鲁棒性强:通过数据增强技术,提高了模型在复杂环境下的鲁棒性,能够有效应对实际线路中的干扰。
尽管 BV-DL 方法在实验中表现出色,但仍存在一些局限性。例如,关键点的像素坐标依赖于人工标注,可能存在一定的误差;此外,该方法尚未在实际线路中进行大规模测试。未来的研究将重点放在实际线路测试上,进一步验证该方法的可行性和鲁棒性。
本研究提出的 BV-DL 方法通过结合双目视觉和深度学习技术,成功实现了高速列车轮轨动态位移的实时检测。实验结果表明,该方法在像素坐标计算和三维坐标计算中均表现出色,具有较高的精度和鲁棒性。该研究为高速列车的运行安全提供了新的技术手段,具有重要的科学价值和实际应用意义。