案例简介

成都国铁电气设备有限公司采用飞桨开源深度学习平台开发基于嵌入式GPU的轨道在线智能巡检系统，该系统以多个NVIDIA Jetson嵌入式模组作为计算单元，对巡检采集的轨道图片进行实时检测，识别轨道表面伤害。

相关产品

PaddleDetection

合作伙伴简介

成都国铁电气设备有限公司成立于2011年，坐落于成都航空港经济开发区，是一家专注于高速电气化铁路、城市轨道交通领域、供电信息监测领域等各类产品的研发、生产、销售和服务的高科技企业。通过大数据+人工智能+云计算及物联网技术，与铁路全专业检测技术进行深度融合，为中国铁路总公司、铁路局及各供电段等提供“终端+数据+应用+服务”的端到端整体解决方案。

业务挑战

铁路的安全运输关系国计民生，而钢轨的损害检测是保证列车安全行驶的重要手段。目前，轨道表面伤害检测利用工务巡检车上的成像装置对轨道进行高清成像，再采用人工的方式进行检查，存在效率低、滞后性强等问题。

轨道巡检装置为成都国铁轨、网、隧综合检测车的子系统，安装在综合检测车底。在检测车行驶过程中，对轨道表面及其紧固件进行扫描成像，同时利用边缘嵌入式GPU设备，实时检测轨道表面及其紧固件缺陷。检测结果通过车内展示系统呈现，并由分析人员最终确认缺陷结果，形成缺陷报表。

下图从左至右依次为巡检车、车底轨道巡检设备和后台检测系统。

轨道表面主要有肥边、扣件缺失、扣件倾斜、擦伤、波磨、轨道裂纹，以及剥离掉块、疲劳裂纹等伤害瑕疵类型，如下图所示。

解决方案

针对深度学习落地中面临的问题，成都国铁找到了解决方案，就是使用百度飞桨PaddleDetection进行轨道检测算法的开发。PaddleDetection可以通过数据增强、算法选择等技术很好地解决以上问题，有效的帮助传统行业的技术人员进行AI算法的开发。

第一阶段：模型代码开发测试

首先将对路图像数据进行拼接处理，拼接好的图片传入目标检测模型YOLOv3，对关键部件和部分缺陷特征进行识别，同时结合先验，得出缺陷类型。目标检测的缺陷结果输入下一阶段的缺陷分类器进行过滤，进一步提升检测精度。

算法结构如下：

第二阶段：模型测试调优

通过四次实地跑车，采集了大量的实地数据以及缺陷样本，扩充了原有的数据集。并且在螺栓缺失和弹条缺损的检测任务中进行了调整，在缺陷分类过滤阶段采用直接检测，大大提升了检测精度。

第三阶段：实地测试验收

某市地铁路段，40770 米，40770*6帧图片：

1）螺栓缺失：12/753 提升至 12/39；2）弹条破损：5/691提升至3/12；3）弹条缺失：32/1001提升至29/73，其中3个缺陷被分类到了弹条破损；4）枕木裂缝: 35/155 提升至 32 /67；5） 弹条移位：63/111。

检测速度30FPS/路，达到上线标准。如下为轨道检测图片。

价值成果

目前地铁巡检和安全防护以人工静态检查为主，每条线路需要10到20名轨道检修工每天凌晨进入隧道步行检修，每小时只能检测5公里轨道线路，存在“作业效率低、人身安全隐患、无客观标准、原始数据无详实记录、人工成本增加、夜间作业难免漏检”等诸多弊端。本项目研发的轨道在线智能巡检系统可同时安装到工程作业车和运营电客车上，能够在不影响电客车正常行驶的情况下，全天候对轨道缺陷实施智能判断。

地铁运营公司领导这样评价本项目：“轨道在线智能巡检系统通过替代人工巡检，大大降低了人力成本，实现了轨道巡检过程中的“安全、高效、精准”的目标，从而推动了地铁交通安全领域的智能化创新。”