鐵路貨車故障圖像自動識別的研究

覃華兵

【摘 要】文章對TFDS系統中的鐵路貨車故障圖像自動識別的方法進行討論。經故障圖像定義、圖像提取、圖像區域的劃分、目標區域的提取和特征比較等流程后，自動識別出故障圖像，減少利用人工識別過程，減少工作強度，提高工作效率和質量。

【關鍵詞】鐵路貨車：故障圖像：自動識別

【中圖分類號】TP391.41 【文獻標識碼】A 【文章編號】1674-0688（2019）09-0100-02

貨車運行故障動態檢測系統（TFDS）已在鐵路上廣泛應用。一般來說，一列車有40～60輛貨車，TFDS對每輛貨車底部會采用拍照方式一次性拍攝60張左右的圖片，圖片涵蓋了貨車底部各個部件，這樣每趟列車有2 400張圖片以上。目前，一直由室內檢車員對所有圖片進行逐一瀏覽，并從圖片中找出貨車故障部件，然后把故障位置預報給現場作業人員，使現場作業人員有針對性地進行故障處理。對于室內檢車員來說，要用肉眼在短時間內瀏覽一列車的所有圖片并做出正確判斷，存在以下問題：一是工作量非常大，不僅需要具備較高的專業技能，還需要具備較強的專注力和眼睛抗疲勞能力。二是通過室內檢車員瀏覽圖像，因為工作內容比較枯燥，所以人的情緒容易波動，進而造成誤判、漏判等現象，從而影響工作質量。因此，如果用故障圖像自動識別，代替人來完成相關工作，將大大降低列檢作業人員的工作量，提高作業效率和增強故障識別的準確性。

1 項目的總體結構

首先定義故障圖像的范圍，從TFDS系統提取圖像，通過目標邊際的提取，確定目標區域和背景區，然后提取目標區域及樣本區域結構特征，最后進行目標區域及樣本區域結構特征的比較，以確定是否故障圖像。

根據這個原則，鐵路貨車故障圖像自動識別的體系結構圖如圖1所示。

2 采用的技術手段

在實現該系統的過程中，關鍵步驟如下：{1}圖像數據的預處理;{2}圖像數據的特征值提取;{3}基于模式匹配的識別故障圖像。

2.1 圖像數據的預處理

TFDS采集底部各部件的圖像不會很清晰，有以下3種因素影響圖像質量：一是列車長途運行，部件上往往會沾上灰塵、泥土或油污。二是在現場設備工作過程中，天氣、溫度和濕度等原因光照會發生微小的變化，列車的運行速度不同，鏡頭的灰塵分布等因素的影響，所得到的圖像有時并不令人十分滿意，存在各種各樣的噪聲。三是各車輛的使用年限不同，得到的圖像質量也不盡相同。因此，必須對圖像進行預處理，改善圖像質量，為以后的圖像分析識別打下基礎。

對貨車檢測圖像進行預處理有3個步驟：彩色圖像轉換、灰度化處理、圖像增強。

（1）彩色圖像轉換。因為在TFDS系統中圖像的格式為JPED格式，其顏色系統為YCbCr，本系統通過彩色圖像轉換方法將其轉化成DIB位圖格式，圖像數據以RGB模式表示，這樣有助于將彩色圖像轉換成灰度圖像。

（2）灰度化處理。由于圖像故障自動識別處理的時間要求比較短，因此系統必須將彩色圖像轉化為灰度圖像，這樣大大減少系統在處理圖像時的開銷。同時，在此過程中盡量處理掉貨車部件圖像上的污點。

（3）圖像增強。主要是提高圖像的對比度，高的對比度使圖像中的物體輪廓分明，圖像的細節分辨清晰，大大提高自動識別的正確率。

2.2 圖像數據的特征值提取

圖像數據特征值的提取，需先將圖像劃分成不同區域，在每個區域內判斷是否有特征值，而有特征值的區域需做好定位標記，這是為下步比對奠定堅實的基礎。這個過程包括邊緣檢測、降噪處理、目標區域的劃分等步驟。

（1）邊緣點檢測。目前，邊緣檢測最通用的方法是檢測亮度值的不連續性，檢測圖中每個像素點與其鄰域內的像素的灰度值變化，利用邊緣鄰近的一階或二階方向導數的變化規律檢測出邊緣，以達到從背景中分割出對象物的目的。

（2）邊緣線檢測。數學形態學是一門建立在集合論基礎上的學科，是幾何形態學分析和描述的有力工具。數學形態學的應用可以簡化圖像數據，保持它們基本的形狀特征，并除去不相干的結構，用來描述圖像的基本特征和基本結構，也就是描述圖像中元素與元素、部分與部分間的關系。用數學形態學對圖像進行處理，主要是獲取物體拓撲和結構信息，通過物體和結構元素相互作用的某些運算，得到更本質的形態。

（3）區域劃分。針對經過處理的圖像，在進行匹配檢測之前還需要明確是否為目標物區域，即是否為圖像對比的關鍵區域，否則為背景區域。基本思路：對圖像中的每個像素，選取以它為中心的一個鄰域窗口（如8鄰域窗口等，如圖2所示），對這個窗口的像素灰度按照一定的準則判斷該處理像素是屬于目標物還是背景。

（4）特征值的提取。對目標區域內特征值的提取，也就是通過有效像素的標定。正確圖像的特征值通過一次性提取后存放于數據庫中，而從TFDS提取的圖像是實時性提取。

2.3 基于模式匹配的識別故障圖像

上面兩個步驟把從TSDF獲取的圖像進行了十分必要的處理，將原來模糊的圖像清晰化，區分了目標區域和背景區域。這一步要通過將剛處理的圖像與正確的圖像根據故障圖像的定義進行比較，以自動判斷哪些是故障圖像。目前的一些相關的模式比較圖像識別應用中，主要有模版匹配、人工神經網絡、支持向量機等方法。由于本項目數據量大，要求處理時間短，因此采用支持向量機這種方法能滿足要求。

支持向量機（Support Vector Machines，SVM）是一種基于統計學理論的新式機器學習算法，它的優勢在于能通過測試階段不斷的機器學習將目標區域劃分為無限接近正確圖像的目標區域，這樣提取的特征值和正確圖像的特征值的可比較性進一步增強，誤判和誤識就會大大減少。

3 結論

通過以上的論述，給出了鐵路貨車故障圖像自動識別的方法，該方法注重對從TFDS提取到的圖像的充分處理，把各種質量的圖像基本上處理成同一質量的圖像，從而減少誤判及誤識，滿足鐵路列檢的要求，保證了鐵路的行車安全。

參 考 文 獻

[1]莫莉萍.鐵路區間通過信號機編號識別系統的研究與實現[D].長沙：中南大學，2007.

[2]胡彥冰.貨車故障圖像顯著特征識別算法的研究[D].武漢：華中科技大學，2012.

[3]鮑小如.基于顯著性的目標檢測算法[D].南京：南京郵電大學，2018.

[4]王武，葉明，陸永華.基于機器視覺的手機殼表面劃痕缺陷檢測[J].機械制造與自動化，2019（1）.

[5]王文帝，辛斌杰，鄧娜，等.單一視角下自適應閾值法的紗線毛羽識別及其應用[J].紡織學報，2019（5）.

[6]唐杰.基于多信息融合的實時疲勞檢測與預警系統研究[D].南京：南京航空航天大學，2018.