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发表在《Reliability Engineering and System Safety》期刊上的研究，题为《Virtual Point Tracking Method for Online Detection of Relative Wheel-Rail Displacement of Railway Vehicles》。该研究提出了一种基于计算机视觉的虚拟点追踪（Virtual Point Tracking, VPT）方法，用于在线检测铁路车辆轮轨相对位移（Relative Wheel-Rail Displacement, RWRD），旨在提高铁路车辆运行的安全性和稳定性。

研究背景与意义

轮轨相对位移（RWRD）是反映铁路车辆蛇行运动稳定性和运行安全性的重要物理量。较大的轮轨相对位移可能导致列车脱轨事故，因此实时监测RWRD对于确保列车运行安全至关重要。然而，由于复杂的运行环境以及车辆-轨道系统的非线性特性，RWRD的在线检测具有挑战性。现有的检测方法包括激光检测、热成像检测、传统图像处理方法以及基于机器学习的检测方法，但这些方法在实时性、准确性和成本方面存在局限性。因此，本研究提出了一种基于计算机视觉的VPT方法，旨在实现RWRD的实时监测。

研究方法与流程

VPT方法的核心是通过计算机视觉技术对轮轨接触区域的视频图像进行处理，提取关键点并计算RWRD。具体流程包括以下四个步骤：

1. 基于简化YOLO（SYOLO）模型的感兴趣区域（ROI）检测：首先，使用SYOLO模型从轮轨接触视频中提取多个类别的ROI。SYOLO模型基于YOLOv5模型进行简化，通过减少计算量提高检测速度和准确性。ROI包括轮缘最低点区域、轨顶靠近轮缘的最低点区域、轮踏面倒角中点区域以及轨顶靠近轮踏面的最低点区域。

2. 数据增强：为了提高模型的泛化能力，对提取的ROI图像进行数据增强操作，包括随机添加噪声、改变对比度、饱和度和亮度等。

3. 基于改进UNet（IUNet）模型的局部虚拟点检测：对每个ROI图像进行虚拟点标注，并使用改进的UNet模型进行训练。IUNet模型通过增加注意力机制和优化卷积模块，提高了对小目标的检测能力。虚拟点包括轮缘最低点、轨顶靠近轮缘的最低点、轮踏面倒角中点以及轨顶靠近轮踏面的最低点。

4. RWRD预测：将SYOLO模型和IUNet模型结合，通过热图回归和软最大值函数计算虚拟点的全局坐标，进而计算轮轨相对位移。最终，通过处理视频帧，生成反映RWRD变化的曲线。

实验结果与对比

研究团队在西南交通大学的全尺寸滚轮试验台上进行了实验，验证了VPT方法的可行性和优越性。实验结果表明，VPT方法在检测RWRD时具有更高的准确性和可靠性。与直接使用UNet模型相比，VPT方法的平均绝对误差（MAE）和均方根误差（RMSE）显著降低，尤其是在轮缘侧的检测精度更高。

研究结论与价值

本研究提出的VPT方法通过计算机视觉技术实现了RWRD的实时在线检测，具有以下优势： 1. 准确性高：通过定义四个虚拟点，VPT方法能够更直观地反映轮轨相对位移的变化趋势。 2. 实时性强：VPT方法能够在20帧/秒的速度下进行实时检测，适用于实际运行环境。 3. 成本较低：与激光检测和热成像检测相比，VPT方法无需昂贵的设备，具有较高的应用价值。

然而，VPT方法也存在一些局限性，例如需要较大的训练数据集来适应不同的运行条件，且人工标注可能存在误差。未来的改进方向包括使用更高分辨率的图像、优化模型结构以提高计算速度，以及增加像素坐标与实际坐标的映射算法。

研究亮点

1. 创新性：VPT方法首次将计算机视觉技术应用于RWRD的在线检测，提出了一种全新的检测思路。
2. 实用性：该方法能够在实际运行环境中实现实时监测，为铁路车辆的安全运行提供了可靠的技术支持。
3. 技术优势：通过结合SYOLO和IUNet模型，VPT方法在检测精度和速度上均优于传统方法。

总结

本研究通过提出VPT方法，为铁路车辆轮轨相对位移的在线检测提供了一种高效、准确的解决方案。该方法不仅具有重要的科学价值，还为铁路运输的安全性提供了实际应用价值。未来的研究可以进一步优化模型性能，扩大应用范围，推动铁路运输系统的智能化发展。