自動化軌道病害檢測對于維護(hù)鐵路運(yùn)輸安具有重要的現(xiàn)實(shí)意義。考慮到視覺檢測在速度、成本和可視化等方面的優(yōu)勢，本文聚焦于軌道病害視覺檢測技術(shù)，文包含以下內(nèi)容：

1.對廣泛應(yīng)用的無砟軌道為例介紹了軌道的基本結(jié)構(gòu)，對常見的軌道表觀病害進(jìn)行了介紹；

2.依照前景模型、背景模型、盲源分離模型及深度學(xué)習(xí)模型的分類邏輯對軌道病害視覺檢測領(lǐng)域的研究現(xiàn)狀進(jìn)行了文獻(xiàn)綜述；

3.針對智能化鐵路的發(fā)展需求，展望了未來軌道病害視覺檢測技術(shù)的研究趨勢.

0引言

近年來，我國高速鐵路技術(shù)發(fā)展迅猛，目前已是世界上高速鐵路運(yùn)營里程長和商業(yè)運(yùn)營速度快的國家。作為我國“一帶一路”倡議中基礎(chǔ)設(shè)施建設(shè)的重要組成部分，高鐵已然成為中國新的外交名片。軌道交通基礎(chǔ)設(shè)施服役狀態(tài)檢測是保障列車安運(yùn)營的重要手段，軌道病害檢測是其中的核心內(nèi)容，研究軌道病害檢測的新理論和新技術(shù)是當(dāng)前高速鐵路發(fā)展的迫切需求。

首先，中國高鐵的發(fā)展逐漸由“建設(shè)為主”演變?yōu)椤斑\(yùn)維為主”。覆蓋國的“四縱四橫”高速鐵路網(wǎng)已經(jīng)建成通車，且根據(jù)《中長期鐵路網(wǎng)規(guī)劃》，2020年我國高速鐵路里程會達(dá)到3萬公里。隨著高速鐵路運(yùn)營里程增長、速度提高以及密度增大等發(fā)展趨勢，鐵路基礎(chǔ)設(shè)施狀態(tài)逐漸由新轉(zhuǎn)舊，隨之而來的安維護(hù)將是未來鐵路管理部門的重中之重。

其次，軌道病害檢測是鐵路工務(wù)部門的核心業(yè)務(wù)。傳統(tǒng)的人工巡檢不僅成本高效率低，且檢測結(jié)果依賴于巡檢工人的經(jīng)驗(yàn)和責(zé)任心。另外，當(dāng)前軌道的養(yǎng)護(hù)維修大都采用“計劃修”模式，檢測和維修按照固定周期進(jìn)行，過修和欠修現(xiàn)象嚴(yán)重，造成的財力物力浪費(fèi)。統(tǒng)計數(shù)據(jù)表明：60%以上的鋼軌在良好狀態(tài)下被替換(Ph Papaelias等,2008)，造成了鐵路資產(chǎn)的浪費(fèi)?！盃顟B(tài)修”模式代表軌道基礎(chǔ)設(shè)施檢修的發(fā)展方向，相關(guān)智能化理論和關(guān)鍵技術(shù)亟待研究。

后，針對軌道檢測的發(fā)展需求，盡管各種新型檢測技術(shù)包括超聲探傷、渦流檢測等不斷涌現(xiàn)，但現(xiàn)有系統(tǒng)在實(shí)際運(yùn)營中還存在著魯棒性弱、虛警率高等問題。由于視覺檢測技術(shù)在檢測速度、準(zhǔn)確性和可視化等方面的優(yōu)勢，軌道病害的視覺檢測近年來得到了國內(nèi)外研究學(xué)者的廣泛研究，并在部分鐵路網(wǎng)中得以應(yīng)用(Fu等,2019,Liu等,2019)。為此，本文將圍繞軌道病害視覺檢測任務(wù)，從背景、方法和趨勢3個方面進(jìn)行系統(tǒng)概述。

1軌道結(jié)構(gòu)與典型病害

1.1無砟軌道基本結(jié)構(gòu)

作為新型道床結(jié)構(gòu)，無砟軌道如今廣泛應(yīng)用于高速鐵路、地鐵等軌道交通基礎(chǔ)設(shè)施的建設(shè)，其特征是使用剛性混凝土或?yàn)r青道床替代由道砟和枕木組成的傳統(tǒng)道床，是一種通過扣件直接與鋼軌彈性聯(lián)結(jié)的軌道結(jié)構(gòu)。和傳統(tǒng)的有砟軌道相比，無砟軌道能夠長久保持鋼軌的形狀和位置，具有結(jié)構(gòu)耐久性好、穩(wěn)定性強(qiáng)、易于維護(hù)的特點(diǎn)。

當(dāng)今廣泛應(yīng)用的中國鐵路軌道系統(tǒng)(China Railway Track System,CRTS)II型無砟軌道主要由混凝土底座、水泥瀝青砂漿填充層、軌道板、扣件和鋼軌組成。

1.2軌道病害檢測

1.2.1典型軌道病害

鋼軌表面瑕疵、損傷和變形等均屬于鋼軌表面病害的范疇。一般地，軌道表面病害可分為兩種類型：表面裂縫和滾動接觸疲勞磨損(劉澤等,2010)。更具體地,Li等人(2015)將常見鋼軌表面病害進(jìn)一步細(xì)分為剝離、魚鱗傷、擦傷、壓陷、層裂和波磨6種病害。

本文將扣件損傷也歸類到軌道表面病害，常見的扣件損傷包括彈條斷裂、扣件丟失等。相應(yīng)的病害示意圖如圖2所示，病害表觀、成因及影響概述如下。剝離的宏觀形貌如圖2(a)所示，其通常分布在鋼軌踏面工作邊軌距角R13～R80圓弧區(qū)域，裂紋長約30mm，裂紋間距為25mm，從軌距角向踏面中心拓展。武漢鋼鐵集團(tuán)公司研究院的周劍華等人(2013)通過對產(chǎn)生該類病害的鋼軌進(jìn)行性能檢驗(yàn)后認(rèn)定其是一種典型的滾動接觸疲勞磨損，與鋼軌自身質(zhì)量無直接關(guān)系，主要是由于輪軌長期在曲線外軌圓弧區(qū)域接觸，導(dǎo)致接觸應(yīng)力過大而造成的。魚鱗傷表現(xiàn)為鋼軌表面產(chǎn)生的鱗狀碎片，其基本形態(tài)如圖2(b)所示。由于列車車輪踏面有1:40的錐度，車輪踏面各質(zhì)點(diǎn)運(yùn)行速度不同，接觸區(qū)存在非均勻碾壓進(jìn)而形成疲勞傷損裂紋(張永革等,2011)。魚鱗傷一方面會加劇軌道疲勞傷損的發(fā)展，另一方面則嚴(yán)重影響車輛運(yùn)行的平穩(wěn)性和速度。

表面擦傷常呈現(xiàn)出連續(xù)的長條形，其源自滑動機(jī)車輪的密集摩擦，使得軌頭溫度過高，軌面金屬移位。在高強(qiáng)度運(yùn)輸環(huán)境下，擦傷區(qū)域?qū)⒅饾u剝落，進(jìn)而變得粗糙不平，危及行車安。壓陷病害表現(xiàn)為一小段軌面被壓扁高度大于等于3/8英寸的現(xiàn)象，該類病害的發(fā)生通常沒有重復(fù)規(guī)律性。由于列車車輪反復(fù)軋?zhí)ぃ诰薮髩毫ο萝壍辣韺訒l(fā)生金屬移位的現(xiàn)象，進(jìn)而形成層裂，該類病害進(jìn)一步發(fā)展將導(dǎo)致軌道表面發(fā)生嚴(yán)重剝落。波磨損傷是指鋼軌頂面出現(xiàn)的類似波浪形狀的規(guī)律性高低不平現(xiàn)象。當(dāng)前各國對波磨損傷的產(chǎn)生機(jī)理尚未有統(tǒng)一定論。當(dāng)列車通過軌道波磨區(qū)域時，容易產(chǎn)生劇烈振動，造成扣件松動，加劇軌道表面磨損進(jìn)而縮短軌道服役周期?？奂锹?lián)結(jié)鋼軌和軌道板的緊固件，由于軌道振動、安裝不規(guī)范及固有瑕疵等問題，扣件可能出現(xiàn)類似的彈條斷裂、丟失等類型病害，其不僅會加劇輪軌之間的摩擦損耗，一定條件下可能導(dǎo)致列車脫軌，造成嚴(yán)重的安事故。

鋼軌內(nèi)部傷損主要包括內(nèi)部橫向裂縫、軌頭水平分離和軌頭縱向分離等病害類型。鋼軌內(nèi)部病害通常需要使用超聲波、渦流等技術(shù)手段進(jìn)行檢測。本文專注于軌道表觀病害視覺檢測，有關(guān)軌道內(nèi)部核傷詳細(xì)分類及檢測手段可參考(Li等,2015)。

1.2.2軌道檢測技術(shù)

在自動化巡檢技術(shù)興起之前，軌道病害檢測主要依賴于人工巡檢，成本高、效率低、安性差。隨著自動化巡檢技術(shù)的不斷發(fā)展，傳統(tǒng)的人工巡檢逐漸被各種基于傳感器的檢測方法所取代。軌道內(nèi)部結(jié)構(gòu)的變化會對超聲波的傳播產(chǎn)生一定程度的影響?；诖?，超聲波技術(shù)被廣泛應(yīng)用于軌道內(nèi)部核傷的檢測(Loveday等,2019)。但由于超聲波反射等原因?qū)е略擃惣夹g(shù)對軌道踏面的疲勞損傷檢測能力有限，且檢測速度也相對較慢。

渦流探傷的基本原理是用激磁線圈使軌道表面產(chǎn)生渦電流，借助探測線圈測定渦電流的變化量從而獲取缺陷的有關(guān)信息。與超聲技術(shù)相反的是，渦流探傷技術(shù)檢測速度快，對軌道表面剝離、車輪擦傷等病害的檢測表現(xiàn)出明顯優(yōu)勢，但對位于軌腰、軌底的缺陷則無法檢出(王雪梅等,2013)。因此，渦流探傷常常與超聲波檢測設(shè)備配合使用(Thomas等,2007)。需要指出的是，渦流探傷技術(shù)對檢測線圈的安裝位置要求較高，在實(shí)際的檢測作業(yè)中，設(shè)備調(diào)試較為復(fù)雜，檢測結(jié)果的穩(wěn)定性不夠強(qiáng)。

隨著人工智能技術(shù)的不斷發(fā)展，基于機(jī)器視覺的軌道表觀病害檢測在理論研究和實(shí)際應(yīng)用等方面也取得了一定的進(jìn)展(Li等,2016,Dai等,2019)。相較其它自動化檢測手段，軌道病害視覺檢測技術(shù)在安性、可視化和智能化等方面表現(xiàn)出較大的優(yōu)勢（甘津瑞,2019），但整體上仍面臨以下3個方面的挑戰(zhàn)：

1）圖像質(zhì)量不均。軌道圖像通常是通過安裝在檢測列車底部的高速線陣相機(jī)采集的，列車抖動和開放環(huán)境中自然光的變化等因素極易導(dǎo)致所采集的圖像存在光照不均、病害目標(biāo)與圖像背景對比度偏弱等問題。作為視覺檢測系統(tǒng)的數(shù)據(jù)源，圖像質(zhì)量不均直接影響著軌道病害視覺檢測算法的性能。

2）可用特征較少。軌道外觀病害大多形態(tài)多樣，不同樣本的紋理或形狀特征差異巨大，這意味著難以將一些基于紋理或形狀特征的目標(biāo)檢測方法直接遷移到軌道病害檢測任務(wù)中來。對于傳統(tǒng)的軌道病害視覺檢測方法而言，往往僅有局部灰度信息可作為區(qū)分病害目標(biāo)與圖像背景的可靠特征，有限的可用特征對模型的檢測能力提出了更高的要求。

3）模型更新困難。在傳統(tǒng)的軌道病害視覺檢測方法中，由于軌道圖像特征相對單一等原因?qū)е码y以實(shí)現(xiàn)檢測模型的有效更新；在基于深度學(xué)習(xí)的軌道病害檢測模型中，盡管精細(xì)設(shè)計的神經(jīng)網(wǎng)絡(luò)被認(rèn)為能夠自動提取到高層次的語義特征，但由于缺乏足量的標(biāo)注樣本、任務(wù)孤立等因素也使得病害識別模型的訓(xùn)練和更新較為復(fù)雜。

2軌道病害視覺檢測方法

2.1前景模型

由于環(huán)境、設(shè)備或人為的原因，工業(yè)現(xiàn)場采集到的鋼軌圖像存在著光照不均和噪聲干擾的情況，導(dǎo)致圖像中病害目標(biāo)與背景的對比度較低，嚴(yán)重影響后續(xù)病害目標(biāo)的檢測與識別。為此，研究者們提出了一系列的前景模型，通過局部圖像濾波等方式不利因素干擾，增強(qiáng)病害目標(biāo)與圖像背景之間的對比度從而便于病害目標(biāo)的定位與識別。

蘭州交通大學(xué)的Min等人(2018)利用圖像在色相、飽和度和亮度(Hue,Saturation,Lightness,HSL)空間中的H值作為特征從景圖像中提取出軌道區(qū)域，然后借助于圖像形態(tài)學(xué)操作進(jìn)行表面病害分割，并通過構(gòu)建原型檢測系統(tǒng)驗(yàn)證了算法性能。

湖南大學(xué)的研究人員先后提出了基于反向Perona-Malik(PM)擴(kuò)散(賀振東等,2014)和基于圖像差分(賀振東等,2016)的鋼軌表面病害檢測系統(tǒng)。

北京交通大學(xué)的李清勇等人聚焦于病害目標(biāo)的視覺特征，設(shè)計了適用于軌道病害檢測的對比度增強(qiáng)算法，提出了基于投影輪廓的病害定位算法(Li等,2012)和基于比例強(qiáng)化大熵的病害檢測算法(Li等,2012)。

代表性地，基于投影輪廓的軌道病害定位算法流程圖如圖3所示，主要包括局部歸一化濾波、縱向病害位置定位、橫向病害位置定位和病害識別等步驟。具體地，在使用局部歸一化方法消除軌道圖像的光照不均衡，增強(qiáng)病害目標(biāo)與圖像背景之間的對比度后，通過灰度投影的方式進(jìn)行病害定位。該算法具有線性復(fù)雜度，檢測效率較高，理論上能夠在216km/h的條件下滿足實(shí)時檢測的要求。整體而言，聚焦軌道病害目標(biāo)的前景檢測模型復(fù)雜度低，檢測速度快，通常能夠滿足實(shí)時檢測的需求，但同時存在著誤報率高、難以準(zhǔn)確分割病害目標(biāo)等問題。

2.2背景模型

前景模型聚焦于病害目標(biāo)，通過消除軌道圖像中的光照不均、增強(qiáng)對比度的方式進(jìn)行病害定位。但是，開放環(huán)境下巡檢車在高速運(yùn)行時采集的圖像難以包含足夠的病害辨別性信息，導(dǎo)致識別系統(tǒng)容易產(chǎn)生大量的誤報結(jié)果。為此，研究者們提出了一系列基于背景建模的軌道病害檢測算法。

當(dāng)列車在軌道上運(yùn)行時，軌道表面和輪對之間相互摩擦，接觸的相對位置幾乎恒定，軌道表面上所有位于同一縱向位置的點(diǎn)所受的摩擦力幾乎相同，這使得軌道圖像背景盡管呈現(xiàn)一定幅度的動態(tài)變化，但像素灰度仍保持相對一致。因此，軌道圖像特定位置灰度的顯著偏差指示著病害目標(biāo)的產(chǎn)生或噪聲干擾的存在。

基于此，北京交通大學(xué)的Gan等人(2017)和Yu等人(2018)相繼提出了基于均值漂移和顯著性檢測的表面病害檢測方法，以逐步求精的方式實(shí)現(xiàn)了表面病害的準(zhǔn)確分割。代表性地，Gan等人(2018)提出了一種基于背景建模的軌道表觀病害檢測方法如圖4所示。具體地，該方法假設(shè)縱向病害像素點(diǎn)多占總像素樣本量的4%，基于二項(xiàng)式分布進(jìn)行縱向背景模型的迭代更新；在橫向上，其基于病害通常發(fā)生在中心區(qū)域這一先驗(yàn)進(jìn)行病害位置建模。終，利用軌道圖像縱向與橫向的一致連續(xù)性進(jìn)行背景模型的迭代更新，采用多次隨機(jī)構(gòu)建與集成策略來增強(qiáng)背景模型的表征能力。在真實(shí)線路上的實(shí)驗(yàn)表明該方法具備在線實(shí)時檢測的能力。

2.3盲源分離模型

在軌道表觀病害檢測場景中，病害目標(biāo)形態(tài)多樣且容易受到各種外部環(huán)境的干擾，低層視覺特征穩(wěn)定性較弱，但是病害目標(biāo)在實(shí)體、特征和像素等多個層面卻體現(xiàn)出穩(wěn)定的稀疏低秩特性。首先，病害實(shí)體在待檢軌道中是稀疏的，它包含2方面的含義：病害目標(biāo)在服役軌道中出現(xiàn)的概率低，以及病害目標(biāo)在待檢圖像中出現(xiàn)的面積較??；其次，病害圖像在變換域中可以通過超完備字典進(jìn)行稀疏表示，得到對應(yīng)的稀疏表示模型與病害檢測算法；后，鋼軌和軌道板等部件的圖像灰度矩陣在理想條件下是低秩的，空間上連續(xù)的圖像序列在特征空間中一般也滿足低秩要求。為此，研究者們從盲源分離的角度提出了一系列的軌道病害檢測模型。

考慮到軌道圖像背景紋理模式一致性較強(qiáng)，在變換域中具備表征稀疏性，李清勇等人(2014)將軌道圖像看作由病害成分、背景成分和噪聲3種要素組成，提出了基于稀疏表示的鋼軌表面擦傷分割方法。實(shí)驗(yàn)結(jié)果表明，所提出的模型比低層視覺特征表示模型更加通用和有效。

基于軌道圖像自身的對稱性，西南交通大學(xué)的Liu等人(2015)提出了一種改進(jìn)的稀疏表示模型用于扣件分類和病害識別。從矩陣分解的角度出發(fā)，待檢圖像在空間域中對應(yīng)的灰度矩陣或者由局部圖像塊構(gòu)造的特征矩陣應(yīng)該是低秩的，即矩陣的行或列之間存在著較大的相關(guān)性，而病害目標(biāo)的存在則會破壞這種低秩性。基于此，張琳娜等人(2019)提出了基于低秩矩陣分解的軌道表面病害檢測模型，將圖像灰度矩陣分解為低秩矩陣和稀疏矩陣分別對應(yīng)圖像背景和病害目標(biāo)。對于求解得到的稀疏矩陣，計算矩陣元素的行累積量和列累積量并通過使用閾值進(jìn)行病害定位。然而，當(dāng)待檢圖像中病害尺度較大時，直接應(yīng)用低秩分解模型容易將圖像灰度矩陣中的病害區(qū)域誤判為圖像背景導(dǎo)致檢測失敗。

考慮到病害目標(biāo)存在實(shí)體稀疏性，Wang等人(2019)提出了一種固有先驗(yàn)指導(dǎo)的低秩矩陣分解模型用于軌道表觀病害檢測，框架圖如圖5所示。該方法以超像素為基本處理單元，利用待檢圖像的背景相似性和病害目標(biāo)的局部顯著性來指導(dǎo)特征矩陣的分解過程。在軌道表面病害圖像等多個數(shù)據(jù)集上的實(shí)驗(yàn)表明，該模型具有良好的泛化能力和檢測性能。需要指出的是，基于盲源分離的病害檢測模型大多存在著復(fù)雜度高和實(shí)時性略差的問題，但一些隨機(jī)性求解策略的提出和高性能計算架構(gòu)的出現(xiàn)為此類模型的高效求解帶來了轉(zhuǎn)機(jī)。

2.4深度學(xué)習(xí)模型

近幾年來，隨著計算能力的不斷提升，深度神經(jīng)網(wǎng)絡(luò)得到了廣泛的研究與應(yīng)用。與傳統(tǒng)的特征抽取與圖像表征方法相比，深度神經(jīng)網(wǎng)絡(luò)被認(rèn)為具備抽取高層次的語義特征和刻畫復(fù)雜數(shù)據(jù)分布的能力。因此，研究者們也提出了一系列基于深度學(xué)習(xí)的軌道病害檢測模型。

湖南大學(xué)的Jin等人(2019)將馬爾可夫隨機(jī)場與高斯混合模型同卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了一種深度多模型融合的軌道檢測系統(tǒng)，該系統(tǒng)利用高斯混合模型得到病害初始分割結(jié)果后，使用基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(Region-based Convolutional Neural Network,RCNN)輸出的目標(biāo)框輔助背景干擾從而得到更準(zhǔn)確的病害分割圖。代表性地，荷蘭代爾夫特理工大學(xué)的Faghih-Roohi等人(2016)提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的軌道表觀病害檢測模型，基本框架示意圖如圖6所示。該模型使用由巡檢視頻標(biāo)注生成的訓(xùn)練數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化，終能夠?qū)崿F(xiàn)6種表觀病害的檢測與分類。

深度學(xué)習(xí)模型在異?？奂z測中也有著較多的應(yīng)用。在真實(shí)線路中，異常扣件出現(xiàn)的頻次較低且形態(tài)多變，導(dǎo)致難以搜集和標(biāo)注足量的病害樣本用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。為此，美國馬里蘭大學(xué)的Gibert等人(2016)提出了一種多任務(wù)學(xué)習(xí)框架，該框架集成了多種檢測子以提升神經(jīng)網(wǎng)絡(luò)在異?？奂z測任務(wù)中的性能表現(xiàn)。針對異常扣件訓(xùn)樣本不足的問題，Liu等人(2019)提出了一種基于模板匹配的分類方法用于挑選扣件和生成訓(xùn)練樣本，設(shè)計了一種基于相似度的神經(jīng)網(wǎng)絡(luò)來緩解數(shù)據(jù)不平衡的問題。

同樣為了解決標(biāo)注數(shù)據(jù)不足的問題，北京交通大學(xué)的Dong等人(2019)提出了一種基于數(shù)據(jù)合成的端到端的異?？奂z測模型，主要包含主干網(wǎng)絡(luò)、扣件定位網(wǎng)絡(luò)和候選區(qū)域分類網(wǎng)絡(luò)3個模塊，整體框架如圖7所示。面向鐵路系統(tǒng)實(shí)時檢測的應(yīng)用需求，該模型采用輕量化的深度神經(jīng)網(wǎng)絡(luò)ShuffleNetv2作為主干網(wǎng)絡(luò)，在扣件定位階段使用閾值剪枝策略減少誤判。針對異?？奂c正?？奂?shù)量不均衡問題，作者提出了有效的數(shù)據(jù)合成方法并設(shè)計了加權(quán)中心損失函數(shù)。實(shí)驗(yàn)結(jié)果表明，所提出的模型不僅能夠?qū)z測速度提高近2倍，且檢測性能較主流的目標(biāo)檢測網(wǎng)絡(luò)相比有著較大的提升。

需要明確的是，盡管深度學(xué)習(xí)技術(shù)在軌道病害檢測領(lǐng)域有著良好的性能表現(xiàn)，但仍面臨著缺乏大規(guī)模的公開訓(xùn)練數(shù)據(jù)、定制化的網(wǎng)絡(luò)結(jié)構(gòu)導(dǎo)致模型遷移困難等問題。

3結(jié)論與展望

考慮到當(dāng)前軌道病害視覺檢測系統(tǒng)中存在的問題，結(jié)合鐵路智能化的發(fā)展需求，我們認(rèn)為以下方向值得未來深入研究：

1）小樣本/零樣本學(xué)習(xí)。小樣本學(xué)習(xí)的基本原理是將學(xué)習(xí)自海量輔助數(shù)據(jù)中的知識遷移到小樣本數(shù)據(jù)上，輔助完成小樣本目標(biāo)的分類檢測(Snell等,2017)。零樣本學(xué)習(xí)的重點(diǎn)在于利用輔助信息來學(xué)習(xí)視覺特征和語義特征之間的映射關(guān)系(Romera-Paredes等,2015)。在實(shí)際運(yùn)營的高速鐵路系統(tǒng)中，因?yàn)椴『Πl(fā)生的概率比較低，病害樣本的數(shù)量和質(zhì)量都無法得到保障?，F(xiàn)有的軌道病害視覺檢測方法的魯棒性比較弱，大部分檢測系統(tǒng)的虛警率比較高，病害樣本的數(shù)量和質(zhì)量是影響檢測方法性能的關(guān)鍵，小樣本/零樣本學(xué)習(xí)是突破上述瓶頸的核心問題。

2）多任務(wù)學(xué)習(xí)。在當(dāng)前軌道病害視覺檢測的研究中，鋼軌擦傷、扣件缺失和軌道板裂紋等檢測任務(wù)都是獨(dú)立運(yùn)行的，導(dǎo)致標(biāo)注數(shù)據(jù)不能共享，識別模型的訓(xùn)練和更新也較復(fù)雜。事實(shí)上，這些檢測任務(wù)在特征形態(tài)和發(fā)生機(jī)理等方面存在一定的關(guān)聯(lián)。比如，鋼軌表面擦傷檢測和軌道板裂紋檢測都是在一致性強(qiáng)的背景中檢測異常目標(biāo)；鋼軌病害和扣件缺損雖然發(fā)生的強(qiáng)因果關(guān)系還未驗(yàn)證，但經(jīng)驗(yàn)數(shù)據(jù)表明他們共現(xiàn)概率比較高。因此，使用多任務(wù)學(xué)習(xí)框架(Zhang等,2017)，采用并行訓(xùn)練的方法學(xué)習(xí)多個任務(wù)，進(jìn)而挖掘共享多個相關(guān)任務(wù)中的有效信息來提升算法的泛化能力，也是解決軌道病害視覺檢測問題的一種可行的技術(shù)路線。

3）多源異構(gòu)數(shù)據(jù)融合。在當(dāng)前軌道病害檢測的研究中，視覺傳感器、超聲傳感器和電磁感應(yīng)器等手段都被用于軌道巡檢，但相應(yīng)的系統(tǒng)卻缺乏協(xié)作和交互，形成一個個的“感知孤島”。與此同時，這些數(shù)據(jù)規(guī)模大、類型多樣，現(xiàn)有檢測系統(tǒng)大都是對單一模態(tài)的數(shù)據(jù)進(jìn)行分析，綜合利用率低，導(dǎo)致現(xiàn)有的檢測技術(shù)在不同天氣和線路條件下檢測性能差異巨大，多源異構(gòu)數(shù)據(jù)的融合是解決該問題的有效途徑。