提高動車組運行故障動態圖像檢測系統自動識別率的探討

陳 剛

(中國鐵路上海局集團有限公司 機輛檢測所，上海 200070)

動車組運行故障動態圖像檢測系統(TEDS)是利用軌邊安裝的多組高速工業相機抓拍運行中的列車圖片，通過圖像處理技術手段，對運行中的列車表面機械類故障進行檢測[1]。待檢測的部件及故障形態依據鐵總運[2016]62號文，主要包括裙板、底板、轉向架以及車端連接處四大部分。總體來看，待檢測的車型、部件種類繁多，故障形態多種多樣，并且設備受外界環境(天氣變化、光照變化)影響較大，存在較多的檢測技術難點，即使在保證識別率的情況下對誤報的控制也是個較大難題。誤報率高將導致各動車段在判別真假故障上消耗大量的人力、物力，甚至會因人工復核識別時間過長導致故障漏檢，造成車輛帶故障運行，影響行車安全。

1 識別算法策略分析

為了提高識別的準確度，降低誤報率，目前各設備廠家采取的識別算法策略已經由最原始的對比法策略轉換為分車型、分部件的算法策略。目前的識別算法對所有的過車車型進行了細分，并且對車輛上的每個部件進行了再細分，以便根據不同的部件及其故障形態進行相應的算法開發。經過幾次的實車試驗，已經初步驗證了該算法的有效性，在很大程度上提高了故障的檢出率，降低了誤報率[2]。但是同時也存在著一些問題：(1)車型種類繁多，而且相同車型的局部結構存在批次上的差異；(2)安裝導致設備之間拍攝的圖片視野差異較大，不利于后期程序的統一布置和維護；(3)需要針對不同的部件形態設計不同的特征以及算法策略。

目前自動識別在時間段上不受影響，但是受光照變化、天氣變化影響較大，現將目前算法所涵蓋的部件、故障形態、適應天氣情況以及識別效果總結如表1所示。

表1 目前算法所涵蓋的部件、故障形態、適應天氣情況以及識別效果

2 提高方案探討

目前算法雖然較原始的算法有了較大進步，但由于各方面因素的限制，也存在著諸多不足之處。本文針對鐵總運[2016]62號文中所提到的部件進行分類劃分，并針對實際運用情況，對各部件識別算法的技術難點以及可行性進行分析。

2.1 諸多因素組合時會有一定誤報的部件

正常情況下識別效果較好，但諸多因素組合時會有一定誤報的部件主要包括門口類蓋板打開、裙底板類脫落和較大異物、車軸降噪層脫落、齒輪箱漏油、閘片丟失、STM保護罩脫落、BTM天線防護板脫落等。

在正常情況下，該類部件識別效果較好，幾乎沒有漏報，并且誤報較少。但是該類部件受天氣變化(大雨雪)、光照變化(陽光干擾嚴重時、圖像過曝或過暗、圖像光照不均勻)等因素影響時，會導致誤報增多的情況。如何克服這些不利因素的影響，降低誤報率，是該類部件故障識別的主攻方向。

2.1.1 門口類蓋板打開

隨著深度學習技術的發展和該類型部件故障樣本的積累，為提升該類型部件的故障識別率和降低誤報率提供了新的解決手段。深度學習技術是利用神經網絡模型結構和優化器算法使網絡模型參數在樣本圖像中進行收斂，從而學到該部件故障的本質特征，達到故障判斷的目的。在這里利用目標檢測網絡模型和CNN分類網絡模型結構，采用SGD隨機梯度下降算法，對故障圖片和正常圖片進行學習。

該類型部件供神經網絡模型算法學習的圖片應涵蓋各類車型各種口類正常和故障的樣本圖片，樣本圖片示例如圖1。

圖1 門口類蓋板打開訓練樣本示意圖

2.1.2 裙底板脫落和大面積異物、車軸降噪層脫落、齒輪箱漏油、閘片丟失、STM保護罩脫落、BTM天線防護板脫落

該部分的算法目前受天氣影響較大，大雨雪天氣時誤報增加較多，雖然能克服輕微的光照變化，但不能克服光線變化較大等情況。所以該類型的部件需重點解決外界環境變化所造成的干擾問題。目前，TEDS-3D統型設備已經有深度信息，可以利用深度信息剔除上述不利因素情況下所產生的誤報，對裙底板脫落、閘片丟失、STM保護罩脫落、BTM天線防護板脫落有效；而車軸降噪層脫落、齒輪箱漏油對深度信息不敏感，不能通過深度信息剔除誤報。孿生網絡模型是一種度量學習網絡模型，能夠學習2張圖片的相似度，從而抓住該類型部件的本質變化，克服外界環境變化所帶來的干擾。

圖2所示為供孿生網絡學習的圖像對。

圖2 孿生網絡學習圖像對示例圖

2.2 需要繼續攻克技術難點的部件

目前有一定效果，但仍存在諸多問題和技術難點，需要繼續攻克的部件主要包括軸端蓋螺栓丟失、底板螺栓丟失、轉向架電機吊架螺栓丟失、車端連接線脫落、裙板鎖卡扣拆除、風擋外翻、轉向架部分連接電纜類斷開等。

2.2.1 螺栓丟失類

目前螺栓類的算法是根據螺栓真實丟失后的基本特征設計，能夠克服一定的光線變化干擾，但是在下雨的時候，由于雨跡多種多樣，有時會造成誤報。側部轉向架螺栓受太陽光照影響較嚴重，誤報略多些。

為解決上述問題，需要先解決螺栓的精確定位和螺栓分類器的設計問題。由于螺栓種類繁多，并且有些螺栓在圖像中所占的像素較小，對螺栓的定位就顯得尤為重要。而采用分類器的方法，需要考慮各種大小的螺栓，且螺栓數量較多，分類器設計以及搜集樣本存在著一定難度。先假設分類器能夠達到95%的精度，此時產生的誤報也不少；采用變通的方法設計分類器，利用分類器去剔除誤報，重要的是搜集螺栓丟失的負樣本，需要搜集的樣本較多；還可以利用深度信息去做判斷，但螺栓較小，對深度數據的對齊顯得更加重要和苛刻。所以，可以利用深度學習技術和深度信息相結合的方法來實現對螺栓丟失類故障的判斷。深度學習技術在目標檢測方面有著較好的效果，這里假設歷史過車不存在螺栓丟失的情況，首先利用目標檢測神經網絡模型實現對歷史過車螺栓的精確定位，然后結合分類網絡模型和深度數據，實現對螺栓丟失故障的判斷。

螺栓故障樣本示例如圖3所示。

圖3 螺栓故障樣本示例

2.2.2 車端連接線脫落

對車端連接線的檢測目前有一定效果，但誤報比較多，主要原因有該部分受光線干擾、車輛晃動、該部位圖片較暗等因素的影響。目前的改進思路是利用現有的信息把線纜從圖像中分割出來，但線纜為黑色，和背景較為接近，有一定的分割難度，需要嘗試不同的方法和思路。

2.2.3 裙板鎖和風擋

目前針對裙板鎖卡扣的檢測效果較好，針對三角形等類型鎖檢測效果一般，三角形鎖在圖像中展現比較模糊，且背景噪點較多，已經覆蓋掉原有的信息，故對這種類型的裙板鎖檢測比較困難。風擋目前在圖像質量好的情況下檢測效果較好。

2.2.4 轉向架部分連接電纜類斷開

該部分面臨的問題是電纜繁多，走線多種多樣，最直接的方法是對比，但是對比存在誤報率高的缺點。如果根據各個線纜的特征去設計，又涉及到電纜的圖像分割，由于電纜部分背景一般比較復雜，而且電纜走線方式多種多樣，一旦因為其他因素造成誤報，得不到很好的剔除。

2.3 檢測難度較大的部件

主要包括各部件裂紋類故障、螺栓防松鐵絲斷裂、閘片開口銷穿銷丟失等。

該類部件在圖像中所占的像素很小，對圖像輕微的去噪聲處理都會把這一類故障濾掉，所以檢測該類故障比較困難。但其中螺栓防松鐵絲斷裂現實場景中存在較多真實樣本圖片，隨著深度學習技術中的實例分割技術的進步，針對防松鐵絲類故障也有望進一步提高故障檢出率。

3 結論

綜上所述，分車型、分部件的算法對車型、部件進行了細分，利用深度學習技術設計對應的網絡模型，同時提升了一些小部件的定位精度。另外結合深度數據實現了對丟失類部件的精確檢測和誤報剔除。建議各設備廠家和各鐵路局聯合建立設備故障圖庫，并定期更新和共享，以提高對動車組故障類別的分析和理解能力，從而提高全路TEDS設備的自動識別水平，減少人工復核工作量。