朔黃鐵路貨車動態圖像項目可行性研究

摘要：文章對朔黃鐵路貨車動態圖像項目的可行性進行了研究，證明鐵路貨車故障動態圖像分析系統得到了成功運用，優化了TFDS技檢作業流程，提高了檢車效率，實現了車輛運用技術檢查方式由“人檢”向“機檢”的過渡，列檢質量由“人控”向“機控”的轉變，減輕了現場作業勞動強度，確保了運輸安全。

關鍵詞：朔黃鐵路；貨車動態圖像；項目可行性；TFDS；技檢作業 文獻標識碼：A

中圖分類號：U260 文章編號：1009-2374（2015）28-0111-03 DOI：10.13535/j.cnki.11-4406/n.2015.28.054

1 項目概要

鐵路貨車故障動態圖像分析系統通過布置于鋼軌之間的高速相機陣列，拍攝運行貨車車輛的轉向架、中間部、基礎制動裝置、車鉤緩沖裝置等車輛關鍵部位的圖像，采用先進的抗陽光干擾技術、圖像數據實時處理技術、精確定位算法和模式識別技術，實現了12種故障的自動判別，經由列檢值班員確認后，通知室外檢車員進行處理，可預防發生多種危及行車安全的故障。目前朔黃鐵路運用貨車共17000輛左右，與國鐵相比，貨車車型相對單一、周轉速度較快。針對朔黃鐵路的現狀，項目提出的研究內容為：鐵路貨車運行故障動態圖像檢測系統對過往的車輛進行故障自動識別和報警，其中共包括12種故障類型：關門車、閘瓦或閘瓦釬丟失、心盤螺栓丟失、制動系統圓銷丟失、風堵丟失、鉤舌銷丟失、鉤舌推鐵丟失、制動梁支柱圓銷丟失、枕簧丟失、緩沖器托板螺栓丟失、鉤托梁螺栓丟失及滾動軸承端頭螺栓丟失。

通過前期對朔黃鐵路運用貨車車輛和項目涉及的12種故障的調研，項目組制定了一套基于朔黃鐵路的系統技術研發方案。技術人員綜合考慮到算法實現難易程度、現場需求迫切程度及故障發生頻率等特點，有計劃、按步驟地完成了12個故障識別模塊的研發工作，并在朔黃鐵路肅寧段進行了系統測試及數據收集，測試結果理想。鐵路貨車故障動態圖像分析系統的成功運用，優化了TFDS技檢作業流程，提高了檢車效率，減少了由于人工檢測的尺度差異與檢車員疲勞所造成的誤報、漏報數量，符合我國鐵路實現跨越式發展和鐵道部關于貨車檢修自動智能化的要求，實現了車輛運用技術檢查方式由“人檢”向“機檢”的過渡，列檢質量由“人控”向“機控”的轉變，減輕了現場作業勞動強度，確保了運輸安全。

2 項目概況

2.1 項目背景

朔黃鐵路西起山西省神池縣神池南站，東至河北省黃驊市黃驊港口貨場，正線總長近600km，設計為國家Ⅰ級干線、雙線電氣化鐵路，是我國目前投資與建設規模最大的一條合資鐵路，也是我國西煤東運第二大通道和神華集團礦、路、港、電、航、油一體化工程的重要組成部分，在全國路網中占有重要地位。

朔黃鐵路每天圖定過車108對，平均每12分鐘過一列車，目前的TFDS系統都是采用人工室內看圖檢車，檢車員需要逐車逐圖地查看。如果按照一列車60輛編組，每輛車為標準的53幅圖像計算，每列車需要瀏覽3180幅圖像，按照每列車6分鐘技檢時間計算，平均每秒鐘要看9幅圖像，即使按照4人按部件分工看圖，每人每秒也需要瀏覽2幅圖像，因此檢車員勞動強度很大，極容易疲勞，再加上環境、心理等眾多因素的影響，難免會產生漏檢、誤檢。此外，隨著朔黃鐵路運量的不斷增加，加之車輛在運用過程中逐漸老化，貨車運行的安全風險也會越來越大，因此針對朔黃鐵路研發的鐵路貨車動態故障圖像分析系統，不僅符合當前朔黃鐵路的實際需求，同時也能提前應對今后逐步增多的貨車運行故障，為確保行車安全提供可靠的解決方案。

2.2 項目實施目標

實現所有TFDS檢測范圍內的車輛故障自動識別、報警，優化列檢作業流程，降低工人作業強度，提高作業效率，確保行車安全。

2.2.1 建立朔黃鐵路專用的故障樣本庫和樣本收集系統，便于今后貨車故障的自動識別和分析。

2.2.2 實現與現有TFDS系統的無縫接入。

2.2.3 在現有的TFDS設備的基礎上實現對多發性故障進行自動報警。

2.2.4 在現有的TFDS設備的基礎上實現對危及行車安全的故障進行自動報警。

2.2.5 遠期目標：實現TFDS系統的全部計算機快速識別。

2.3 項目實施的技術路線

2.3.1 采集大量圖像信息，建立朔黃鐵路故障樣本庫。通過已經運用的TFDS系統收集貨車故障圖像及相關輔助圖像，然后根據車型、部件建立相應的故障樣本庫及測試庫，作為故障自動識別的研究基礎及測試算法優劣的評價標準。

2.3.2 分析不同故障的特征，分別建立特征抽取模型，通過對收集到的故障樣本庫中的故障圖像進行分析，確定不同故障種類的各種特征，針對各自的特征建立特定的數學模型。

2.3.3 圖像預處理。圖像的預處理包括圖像降噪（頻域可采用SVD奇異值降噪，空域可采用平滑處理）、圖像閾值變換、邊緣檢測、模板定位。通過預處理，可以從一幅圖像中分離出待識別的部件。

2.3.4 特征提取。針對分離出的部件，采用小波分析、紋理分析進行特征抽取，提取出特征參數，如灰度值、灰度均方值、形狀參數等，輸入到識別模型中。

2.3.5 建立數學模型。根據不同的部件，針對不同的特點，選擇建立人工神經網絡模型（ANN）、支持向量機模型（SVM）以及模糊聚類等識別模型，使算法具有自適應性、學習性和魯棒性，能夠少受外界環境如光強、分辨率等的影響。

2.3.6 智能識別算法的研發。對樣本庫中的圖像進行學習，將待識別的零件特征“記憶”到算法中，根據這些特征對故障零件進行識別，同時針對故障的種類及個數對車輛的故障給出綜合評價，實現分級報警。

2.4 主要研究內容

朔黃鐵路貨車運行故障動態圖像檢測系統（TFDS）所檢測的車輛多發性故障和嚴重危及行車安全的故障的自動識別和報警。

具體項目如下：

2.4.1 多發性故障。關門車；閘瓦或閘瓦釬丟失；心盤螺栓丟失；制動系統圓銷丟失；風堵丟失；鉤舌圓銷丟失；鉤舌推鐵丟失。

2.4.2 嚴重危及行車安全的故障。制動梁支柱圓銷丟失；枕簧丟失；緩沖器托板螺栓丟失；鉤托梁螺栓丟失；滾動軸承端頭螺栓丟失。

2.5 研究方法

經過有關專家研究評定，項目采用基于統計學習理論的機器學習識別方法。該方法不但能有效地解決小樣本問題，而且具有很好的推廣能力，可以使分類器更加智能，能夠“認識”更多先前未知的樣本，更好地保證程序的通用性，具有更強的智能性。其自動識別流程如下：

主線程啟動時，創建識別線程，識別線程創建取消息線程。主線程結束時，通知識別線程結束，識別線程通知取消息線程結束。

此外，項目的主要研究內容是對圖像識別算法的研究、編碼及實現。圖像識別算法主要包括圖像預處理算法、部件定位算法、識別分類算法。

2.5.1 圖像預處理方法。系統本身存在著噪聲，而且當照度比較低時，相機要增大信號的放大增益，所以對于采集到的圖像，需要應用濾波技術進行處理。這里我們采用的是先進的雙邊濾波技術，此技術處理過的圖片，能夠在去噪的同時更好地保留邊緣信息，不僅更適于人類視覺系統，對進一步處理圖像也很有好處。

此外，由于拍攝過程中通常采用球面鏡頭，拍攝的圖像中部會很清晰，但在圖像邊緣可能存在幾何失真。因此我們采用2次非線性枕形、梯形校正技術，以此消除圖像的幾何失真，降低圖像邊緣的失真程度。

2.5.2 部件定位算法。系統為了達到自動識別故障的目的，需要從數量眾多的原始圖像中定位到待檢測的部件，部件定位得越準確，最終的識別準確率也就越高。首先，我們從圖像中把待檢部位裁剪出來作為正類樣本，然后再截取除待檢部位以外的其他樣本作為負類樣本，正類樣本與負類樣本共同組成訓練樣本。通常訓練樣本維數都很高，如果直接用分類器進行訓練和分類，不但速度上不能滿足實時要求，而且會很大程度地影響分類效果。因此，我們有針對性地采用主成分分析、獨立成分分析及小波變換等特征提取方法對高維訓練樣本進行降維，并且保證在減少數據集維數的同時能夠保持數據集的特征。

在得到低維訓練樣本以后，需要通過統計學習的方法進行分類。在分類器的選取上我們使用支持向量機方法。支持向量機將向量映射到一個更高維的空間里，在這個空間里建立一個最大間隔超平面。在最大間隔超平面的兩邊建有兩個互相平行的超平面，理論上平行超平面間的距離或差距越大，分類器的總誤差越小。圖2以關門車部件定位為例，說明部件定位的過程：在圖像掃描中以五個步長為單位掃描圖像，每掃描圖像中的一部分，就用得到的決策函數進行判斷，得正1就表示該部分圖像含有待檢部位，得負1表示該部分圖像不含有待檢部位。待整幅圖像掃描完成后，就能夠確定關門車部件在圖像中的位置。通過部件定位得到若干待檢部件的位置后，再使用部件幾何關系的先驗知識，定位出最終需要識別的具體位置。

2.5.3 識別分類算法。我們將需要識別的部件裁剪出來，有故障的定為正類，無故障的定為負類。對于特征較明顯的故障，可以采取部件定位階段使用的特征提取方法以及支持向量機分類器，但對于特征更復雜的故障，我們認為紋理特征通常可以顯示圖像更多的局部特性，所以它可以用來對圖像中的空間信息進行準確的定量描述。局部二值模式（LBP）是一種有效的紋理描述算子。我們應用對圖像旋轉具有不變性的擴展LBP算子，對疑似故障部位圖像的關鍵點的紋理特征進行提取和描述，最后從LBP運算的結果提取直方圖，用直方圖匹配技術進行故障的識別。

在實際應用中，我們運用了更多先驗知識用來提高識別速度和準確率，在保證可靠性的前提下達到事半功倍效果。經過近兩年的技術攻關，技術人員完成了識別算法研究、系統平臺搭建、框架程序調試、12個故障識別模塊的開發及最終的系統測試等工作。現已將TFDS系統安裝在朔黃鐵路肅寧段運行測試，從測試結果來看，系統識別速度快、漏報少，12個故障識別模塊的技術指標均已達到技術要求。

作者簡介：趙松江（1985-），男，河南人，北京國電通網絡技術有限公司項目經理，助理工程師，研究方向：工商管理。

（責任編輯：秦遜玉）