用于動車組故障檢測的圖像識別對比算法研究

趙慶賀 翟星宇

摘要：動車組故障檢測動態圖像識別利用了當前圖像與歷史圖像進行比較，實現了動車組在運行狀態下的實時監測以及自動預警，使得工作人員能夠及時發現問題，確保動車組運行安全。由于各個時間段獲取的圖像不可能完全一致，就導致故障識別算法的誤報率要求非常高。因此，本文采用模塊化、小型化的研究理念，運用圖像識別技術對異常圖像進行分級預警。在圖像自動識別技術基礎上，設計了整體圖像識別框架、圖像對比、分級預報算法，從而提高了動車組故障自動識別效果，達到分級預警的要求。

關鍵詞：動車組故障檢測；動態圖像識別；算法研究

ABSTRACT： Dynamic image recognition of EMU fault detection makes use of the comparison between the current image and the historical image to realize the real-time monitoring and automatic early warning of EMU under the running state， so that the staff can discover problems in time and ensure the safety of EMU operation. The false alarm rate of the fault recognition algorithm is very high because the images obtained in each time period can not be completely consistent. Therefore， this paper uses the modular， miniaturized research concept， the use of image recognition technology for abnormal image classification early warning. On the basis of image automatic recognition technology， the whole image recognition frame， image contrast and classification prediction algorithm are designed， which improves the automatic recognition effect of EMU fault and meets the requirement of classification early warning.

Key words： EMU fault detection；dynamic image recognition；algorithm research；

近年隨著我國高速鐵路行業的飛速發展，動車組安全檢測與監督工作變得尤為重要。現如今動車組的檢測形式為入庫地溝式靜態監控模式，而對于動態運行過程中的監控還很不足，這必然造成了巨大的安全隱患。動車組在高速運行過程中會遇到各種問題，例如：長時間高速運行受到傳動力及制動力的影響，其部件會出現各種程度的磨損；關鍵部位遭到石塊及堅硬物的強烈撞擊，這都是很大的安全隱患，所以對高速行駛的動車組進行動態監控變得至關重要。

基于上述背景，鐵道部相關部門提出了一種新的動車組故障檢測系統——動車組故障圖像自動識別檢測系統（TEDS），該系統利用安裝在軌道上的線陣高速攝像機對動車組進行動態多方位多角度拍攝，采集動車組底部可視部件（車體底部及轉向架制動裝置、傳動裝置、牽引裝置、輪軸、車鉤及車底部其他可視部位）、側部可視部件（側部裙板、轉向架及軸箱、車端連接部等可視部件）圖像，采用圖像自動識別技術，實現自動對圖像進行異常識別以及分級預警，人工僅需要對異常警報信息進行確認。

目前TEDS系統僅完成了圖象的采集及傳輸，而針對圖像的異常自動識別模塊仍亟待解決。本文提出了一種模塊化、小型化的設計理念，運用圖像自動識別技術增加了具體重點部件的故障識別算法，對圖像自動進行對比分析和異常分級預警，使動車組較短的時間內利用該算法完成一系列的異常檢測，人工對異常預警信息進行確認處理，從而完善當前的TEDS系統，順應和推動動車組運輸安全的發展。

一、設計背景

TEDS 由軌邊設備、探測站設備和監測站3部分組成，其關鍵部件包括：相機采集模塊、AEI 裝置、車輪傳感器、圖像信息處理和數據傳輸、數據存儲和圖像分析識別服務器、集中復示中央服務器和網絡設備、監控終端和防雷設備等。TEDS采用圖像自動識別、圖像實時處理、低信道圖像傳輸、車號自動識別、精確定位實時采集等技術，實現了圖像檢測、車號識別索引、圖像自動識別報警、外部數據交互、數據統計分析等功能。對于TEDS 的系統設計，關鍵要解決如何快速準確地實現對動車組大量圖像的對比分析和故障識別，本文主要對圖像處理、對比和報警的算法進行研究。

二、對比算法的設計流程

在TEDS 的故障識別模塊中，綜合對比圖像信息與識別信息，在圖像處理和歷史對比的基礎上，對重點部位進行針對性識別，從而更加準確地對動車組的故障部件提出預警。對比算法流程如下圖所示：

（一）圖像對齊模塊

TEDS 在獲取圖像的時候，以動車組的車軸順位為基準進行圖像拍攝校正，所以本文利用圖像相對車軸的信息，把當前圖像和歷史圖像對齊，找到含有共同信息的兩張圖。

圖像對比的算法核心，是如何對兩張圖像中的公共區域進行對比，找到不同。本文基于人眼識別的思維模式，采用從大到小，從粗到細，逐層遞推的思想，設計了一套算法流程來進行識別。算法具體流程如下所示：

（二）圖像預處理

由于現場環境和圖像在壓縮傳輸過程中存在圖像質量下降和噪聲干擾，因此在對比過程中，噪聲往往使局部梯度信息比較多，很容易對圖像的邊緣信息造成混淆，使得噪聲對圖像自動識別造成非常嚴重的影響，所以在對比前需要對圖像做預處理。

圖像去噪包括消除噪聲和增強圖像特征。在原圖像上直接進行處理的常見去噪算法有：鄰域平均法、中值濾波法、高斯濾波、雙邊濾波、非局部平均濾波等。由于去除噪聲意味著除去圖像的高頻部分，與此同時圖像的邊界同樣是高頻部分，所以在去除噪聲的同時，往往使得圖像的邊界變得模糊。

雙邊濾波是為解決邊緣模糊而提出的，它基于高斯濾波針對權系數直接與圖像信息作卷積運算進行圖像濾波的原理，其濾波器系數由幾何空間距離和像素差值決定，同時利用像素點的空間鄰近度信息和亮度相似度信息來處理圖像，既可有效降低圖像噪聲又可使圖像邊緣信息保持清晰和邊緣平滑。但由于動車組檢測圖像信息量大，雙邊濾波存在濾波速度慢、信息丟失嚴重等缺陷。根據雙邊濾波的基本原理，為使圖像平滑并保留邊界信息，本文設計了一個實用的去噪算法。算法流程如下圖，本上得到了抑制，邊界效果雖然有所平滑，但保留了足夠的細節信息。

考慮到圖像傳輸和故障識別的時效性，為了提高自動檢測識別效率，圖像處理經過第2次銳化后，在減少圖像中的噪聲的同時，又保留了必要的邊緣信息，可滿足圖像預處理的要求。圖像預處理的算法具體流程如下圖所示：

（三）部件區域定位

動車組車軸涂層對車軸起到一種保護作用，涂層脫落，使得車軸暴露在外界環境下，外界環境會對車軸造成污染、腐蝕或異常打擊損傷，從而影響車軸的使用壽命甚至危及列車運行安全。

通過以上對比算法，可實現對同一部位故障的自動識別。實驗結果對比可看出，通過對涂層脫落部位進行定位，根據脫落面積，分級預報。

（四）歷史數據對比

本文以閘片為例，對重點部件進行特殊的故障識別算法研究。閘片作為動車組的制動裝置部件，在動車組的安全運行中，起到了非常重要的作用。閘片裂損、掉塊、磨耗過限等對動車組的制動性能均會帶來較大的潛在危害，因此需要對動車組故障軌邊圖像自動檢測系統圖像對比算法研究閘片圖像進行更加精確地識別判斷。

通過這兩幅圖對比中可以看出，右邊的閘片厚度明顯比左邊正常圖要薄很多。這種狀態會造成動車組制動效能下降，并且危及動車組的運行安全。通過對比算法，可以實現閘片異常預報，同時針對閘片磨耗過限給出精確預報，為動車組的安全運行提供了保障。

三、總結

本文通過對TEDS 圖像對比算法流程的設計，實現了對動車組運行通過時檢測圖像的歷史對比，能夠自動識別故障圖像和進行分級報警，滿足動車組運行速度高和檢修作業人員緊張下的安全需求。在圖像對比中，采用從大到小、逐級細化的模式，從而更符合人眼識別的思維模式；采用動態閾值，使圖像在匹配的過程中，在區域面積比較大的時候，可自動調整為較大的閾值，使得對區域中的細節上的不同更加敏感；增加了對重點部位的故障識別，利用信息組合的方式，判斷對比區域是否相同，實現對關鍵部件故障的自動識別和分級報警。

通過對TEDS 圖像自動識別技術的運用，不但可以有效提高動車組車輛檢測的準確性，提高檢測效率，減少人工工作量，而且可以更有效地保障動車組運行安全和鐵路運輸秩序。

參考文獻：

[1]陳 雷，趙長波.TFDS 動態檢查方法與技巧[M]. 北京：中國鐵道出版社，2010

[2]王榮勝，陳 巖，謝 偉. TFDS 的使用效果分析及改進措施[J]. 鐵道車輛，2006，44（12）

[3] Gary Bradski ， E Adrian Kaebler.學習OpenCV[M]. 于仕 琪，劉瑞幀. 北京：清華大學出版社，2009，10

[4]李 軍.TFDS 圖像自動識別技術的分析[J].上海鐵道科技，2011（01）

[5] Rafael C.Gonzalez ，Richard E.Woods.數字圖像處理[M]. 3版. 阮秋琦，阮宇智. 北京：電子工業出版社，2011