關于降低雨天TEDS故障自動識別誤報警的研究

文/李卓亮

1 前言

動車組運行故障動態圖像檢測系統（TEDS）在對動車組行駛安全方面及其重要，是不可或缺的一種輔助設備。它是利用軌邊的高清攝像機拍攝動車的各個部分，通過圖像自動識別技術盡早發現異常情況，避免危險情況發生。研究發現TEDS 監控設備在雨天氣候下誤報警急劇增加，主要原因為圖像的質量問題，具體表現在圖像中存在較多的“橫道子”。本文研究的主要內容便是去除“橫道子”，修復圖像。

2 方法設計

2.1 總體流程

本文采用了多種圖像處理算法組合的方法修復圖像。

圖1 為圖像修復的總體算法流程：

圖1 圖像修復的總體流程

2.2 具體方法

2．2．1 采用Canny算法得到邊緣圖像。Canny算法具有較好的信噪比和較高的定位性能，此算法分為以下幾個步驟：高斯模糊去除噪聲、計算圖像梯度并得到幅值和方向、非極大值抑制保留灰度變化最大區域以及雙閾值篩選出強的邊緣點。

當使用高斯濾波平滑圖像時，本文加入了亮度控制函數，令Sbright(x,y)表示亮度函數，f(x,y)表示輸入圖像，G(x,y)表示二維高斯函數，fs(x,y)為卷積平滑后的圖像，Vpixel(x,y)表示圖像某點的灰度值，x和y分別為二維圖像的橫縱坐標。得到如下式：

其中，σ高斯函數的標準差，k和γ為常數。

2．2．2 采用霍夫變換檢測直線，去除圖中“橫道子”，霍夫變換就是把圖像空間中的直線變換到參數空間中的點，通過統計來解決檢測問題。然后篩選水平直線，用白色線條標記檢測，做成掩膜以便于后續使用。如圖2 所示，霍夫檢測到的直線圖像（左）和掩膜圖像（右）。

圖2 霍夫檢測直線圖像

2．2．3 圖像修復就是對圖像上信息缺損區域進行信息填充的過程，為了對有信息缺損的圖像進行復原，使觀察者無法察覺到圖像曾經缺損或者已經修復[1]。本文采用基于圖像分解的修復方法，利用圖像中“橫道子”的邊緣信息去修復圖像。

假設待修復區域的某點p是我們要修復的像素，以p為中心選取一個ε大小鄰域表示為B(ε)，q為鄰域B(ε)中的一點，其像素值為I(q)，梯度值為?I(q)都是已知的，根據鄰域B(ε)內部的像素值近似得到p點的一階估計I(p)，表示為如下式：

則點p的像素值需要用鄰域中的所有點來計算，則新的灰度值表示為如下式：

其中ω(p,q)是權值函數，它是用來限定鄰域中像素貢獻大小的。貢獻大的像素值要得到保留，小的要去除。權值函數可以用如下式子表示：

其中dir(p,q)為方向因子，保證了該像素點的主要貢獻在于接近法線的方向上；dst(p,q)為幾何距離，將距離像素點p的幾何距離較遠的點賦予較小的值；lev(p,q)為水平集距離，保證了離經p的待修復區域的輪廓線越近的已知像素點對點p的貢獻越大。分別用如下式子表示：

其中N(p)的數值為：當p點位于鄰域內置為1，否則為0；d0和T0為常數，通常設置為1；T(p)和T(q)是根據FMM 算法得出來的，分別表示p點和q點到待修復邊界的距離。

通過上述算法得到初步修復圖像，再進行維納濾波，它是一種自適應最小均方差濾波器，對于有噪聲的圖像和運動模糊的圖像可以很好地解決。圖3 為最終的修復圖像。

2.3 結果分析

對比修復前后圖像可知，圖像修復后細小的部件，例如圖中的開口銷部件很好的還原，“橫道子”已經被算法處理掉。本文采用3 種方法來評價圖像質量：峰值信噪比（PSNR）、均值方差（MSE）和結構相似性（SSIM）[2]。經計算可得：修復前圖像的PSNR 值為16db，均值方差（MSE）為2．6，結構相似性（SSIM）為0．2；修復后圖像PSNR 值為39db，均值方差（MSE）為0．1，結構相似性（SSIM）為0．85。結果顯示經本算法修復后的圖像質量比較好，說明此修復算法不會導致圖像信息丟失，對部件自動識別沒有影響。圖4 為開口銷部件修復前后的細節比較。

3 實驗與結論

選取廣州鐵路局的某個過車較多且經常下雨的路段進行試驗，獲取100 輛雨天氣候中的底部圖像，保證本算法的多樣性，分別統計修復圖像前所有報警數和修復后的報警數。

經統計，100 輛車圖像未經過修復前底部報警數為2932 個，平均每輛車報警數約為30 個；經過本算法修復后報警數為512 個，平均每輛車報警約為5 個。故本算法產生的報警數相比之前減少六倍之多，證明本算法能有效減少雨天氣候中因圖像問題而產生的大量誤報警。

4 結語

本文通過對降雨天氣時自動識別系統所產生的大量誤報警分析，其主要來源是圖像的干擾問題，這種形式的干擾不光導致識別的誤報警激增，也影響了個別細小部件的真實報警[3]。為了解決誤報警增多的問題，保證動車組的行車安全，本文提出一種基于圖像處理的修復圖像方法。

經試驗證明，本文提出的方法能在不影響TEDS系統真實報警的前提下，有效降低誤報警個數，提高準確率，減輕檢車人員的負擔，為實現故障識別系統的完全自動化提供一些依據。在圖像處理的基礎上，加入深度學習算法繼續完成對圖像的修復工作。