OpenMMLab助力京港地鐵智能化鋼軌檢測，產業應用共創計劃啟動

大模型蓬勃發展，正推動人工智能進入新的發展階段。學術界和產業界積極探討如何讓人工智能、讓大模型扎根各個行業，成為提升生產效率，催化生產力變革的技術基礎設施。

OpenMMLab 近期啟動了應用案例共創計劃（以下簡稱“共創計劃”），誠邀產業伙伴共同推動 AI 應用實踐。在共創計劃中，OpenMMLab將為合作企業提供解析數據處理、模型選擇、優化和部署等全流程協助，并共享可復用的模型調參和優化經驗。雙方技術專家將緊密合作，共同推動人工智能在產業環境中的應用落地和價值實現。

 “共創計劃”在軌道交通領域的首個項目率先應用于北京京港地鐵有限公司(京港地鐵)，落地方案“智能化鋼軌軌面缺陷檢測”已于今年3月在京港地鐵工務完成部署并試運行。該項目以領先的人工智能技術賦能軌道交通巡檢，實現了鋼軌表面“像素級”“毫米級”缺陷的高效檢測與預警，助力軌道交通安全運行。

【鋼軌損傷細如發絲，亟需智能“巡道員”】

截至2022年底，全國鐵路營業里程達到15.5萬公里，其中高速鐵路4.2萬公里；目前已有超過51個城市投運了軌道交通, 城市軌道交通運營里程達9554.6公里。

在軌道交通運行過程中，由于輪軌作用及鋼軌材質、線路條件和人員操作等原因，鋼軌表面或次表面不可避免會產生接觸疲勞裂紋、變形、剝離、磨耗和擦傷等傷損。常見的軌面傷損往往隱藏深、尺寸小，多數損傷的尺寸甚至為“像素級”“毫米級”，難以被及時發現。軌面損傷若得不到及時發現和處理，將引發震動噪音甚至列車脫軌等問題，嚴重影響運輸安全。

長期以來，對鋼軌的檢修一直依靠軌檢車拍照或巡道工徒步巡視、肉眼判斷和采樣等方式進行，速度慢、效率低，難以對線路進行全覆蓋。例如，在京港地鐵的部分線路中，巡檢班組需攜帶30斤設備在夜間完成徒步巡檢，在地下線路幽暗的光照環境中，工作人員完成一段8公里線路的巡檢，需要耗費將近4小時。

如何將鋼軌巡檢流程數字化、自動化、智能化，進而自動感知、識別、統計、挖掘、預警全線路鋼軌損傷，最終實現數據驅動的智慧軌道工務，成為軌道運輸行業亟需解決的問題。

【AI助力軌道交通智能化升級】

為解決軌道運輸行業的上述痛點，OpenMMLab基于浦視開源體系推出“智能化鋼軌軌面缺陷檢測”方案，為精準評價鋼軌健康與壽命、智能化制定養護維修計劃，提供數據驅動的決策依據。

在該方案中，智能化檢測全程通過圖像采集、數據標注、深度學習訓練、推理預測四大步驟，完成精準定量的鋼軌表面傷損情況輸出。

圖像采集由京港地鐵研發部門組裝的多臂鋼軌檢測車完成。OpenMMLab基于開源標注平臺LabelU開發了專用的工業標注模塊，對原始圖像詳細標注分類、目標檢測、語義分割，構建起像素級數據集。在深度學習訓練階段，基于OpenMMLab開源圖像分割算法庫MMSegmentation，實現對鋼軌表面各類型傷損缺陷的像素級語義分割；借助開源模型部署算法庫MMDeploy，實現了語義分割模型的輕量化終端部署與邊緣計算。最后，在預測推理階段，通過預測結果后處理，智能識別、區分、提取、測量每一處表面傷損詳情，實現對軌面損傷程度的精準定量輸出。

軌檢多臂小車進行圖像采集

基于LabelU開發的標注模塊

波浪磨耗語義分割預測結果

鋼軌表面剝離掉塊、魚鱗裂紋語義分割及后處理

鋼軌表面剝離掉塊語義分割及面積測量

此外，雙方團隊還合作開發了基于智慧鐵路SaaS平臺的Web和移動端App應用，可供工務檢修人員隨拍隨測，提升工作效率。