馬凌宇

摘 要：交通事業對我國的經濟發展至關重要，高速動車組則使人們的出行更加便捷，但在高速動車組高速行駛狀態下，動車組的運行安全便成為重中之重。組成動車底部的零部件繁多且結構十分復雜，傳統的人工列檢方式難免出現疏漏，不僅會危及動車組乘客的人身安全，同時也會對列檢工作人員產生不利影響。為了實現對動車底部故障的快速檢測，可以借助動車組運行故障圖像檢測系統。其主要采用圖像對比識別技術實現動車底部圖像的檢測，并結合人工復檢最終確定故障情況。文章以動車底部螺栓丟失故障為例，采取基于圖像特征檢測對比方法，有效清除底部螺栓丟失故障。

關鍵詞：圖像特征檢測;動車底部;螺栓丟失故障

中圖分類號：U216.3 文獻標識碼：A 文章編號：1674-1064（2021）11-122-03

DOI：10.12310/j.issn.1674-1064.2021.11.041

鐵路發展對國民經濟增長具有重要作用，隨著中國鐵路的不斷創新，中國鐵路逐漸成為世界鐵路的“領跑者”，鐵路運行安全也成為各項工作的重中之重。應及時檢測列車故障，確保高速動車組安全平穩運行。動車底部故障檢查需要列檢工作人員進入車底，運用傳統檢查方式檢測，無法保障列檢工作人員的人身安全[1-2]，而且動車底部零部件眾多，列檢工作人員工作量繁重，容易出現失誤情況，危及動車運行安全[3]。如今，在科學技術飛速發展階段，可以采用動車組運行故障圖像檢測系統實現動車組底部安全監控，經圖像特征檢測對比方法確定動車底部故障情況，并予以改善[4]。

1 圖像故障檢測的基礎

1.1 TEDS圖像采集系統

TEDS圖像采集系統可實現對動車組底部、側部等部位部件的圖像采集工作，在軌道上設置9個相機，可采集動車組不同部位部件的圖像。相機的分辨率最小值為2 048像素/線，幀率最小值為48 kHz;圖像格式主要為jpg。圖像采集系統可將圖像傳輸至圖像處理計算機，計算機將原圖像保存，保存后處理圖像，將處理結果予以反饋，獲取動車組部件情況。

1.2 動車組圖像預處理

1.2.1 對比度增強

動車組底部圖像采集受到多種因素的影響，主要包含采集時間段的天氣、采集地點的環境、太陽光照情況等因素，動車組底部圖像偏暗，肉眼無法直接判斷動車組底部部件故障情況，容易出現漏檢或者誤檢情況。重視動車組圖像預處理工作，調節動車組底部圖像對比度，降低漏檢、誤檢出現的概率。圖像對比度增強主要解決圖像灰度級范圍小出現的對比度低問題，放大輸出圖像灰度級，讓圖像變得清晰。最常用的對比度增強方法主要有伽馬變換、直方圖均衡化、線性變換等，文章以伽馬變換算法實現動車組底部部件圖像增強處理。

1.2.2 畸變矯正

動車組底部部件圖像主要以固定相機通過固定頻率拍攝而獲取，動車組勻速運行，相機每次采集的圖像大小固定，但這是理想化狀態。動車組運行期間受到摩擦力、空氣阻力等多種因素影響，相機采集的圖像會發生變化，從而使得圖像出現幾何畸變。

為保障圖章故障檢測算法質量，需處理圖像幾何畸變情況，由于幾何畸變主要表現為伸縮變換，確定伸縮比例因子后，可通過伸縮比例因子調整實現圖像幾何畸變的有效矯正。

1.3 圖像配準技術介紹

1.3.1 基于灰度的圖像配準技術

利用圖像的灰度信息進行配準，對圖像像素點的灰度信息予以充分利用，對兩幅圖像空間關系情況予以明確。此種算法對圖像灰度信息十分敏感，但由成像原理不同的設備進行拍攝，圖像在分辨率、色彩等方面有較大的差異，使得圖像配準精度受到影響。而基于灰色圖像配準算法可對灰度信息充分利用，保障了配準精度，滿足了圖像空間關系確定要求。除卻基于灰色圖像配準算法外，比值匹配法、線匹配法也可實現兩幅圖像空間關系確定，其中比值匹配法主要以部分像素的比值作為模板，尋找圖中最優位置，確保圖像的高效配準;線匹配法能夠將圖像仿射變化問題解決，實現圖像的配準。

1.3.2 基于特征的圖像配準技術

通過對兩幅圖像相同特征信息的提取，匹配，實現對兩幅圖像空間對應關系的確定。基于特征圖像配準算法的自由度高，運行速度快，但僅能運用在圖像小部分信息，但配準偏差較大，容易出現誤匹配情況，降低圖像匹配精度。

隨著技術不斷發展，圖像配準特征提取算法可從特征描述、特征相似度量、特征匹配效率、圖像質量等多方面考慮，確保圖像匹配的準確性。基于特征的圖像配準技術的運行效率高，配準效果良好，成為動車組底部圖像配準的主要方法，而SIFT特征提取算法、SURF特征提取算法的不斷發展，使得基于特征的圖像配準技術持續完善，對其廣泛運用起到積極作用。

2 基于暗邊緣特征的動車底部螺栓丟失檢測

2.1 動車底部螺栓邊緣特征

在動車組底部，應通過觀測動車組底板圖像而將底板螺栓區域灰度特性予以統計，且動車組底部邊緣的螺栓圖像像素點明顯低于中間位置，可將動車組底部螺栓邊緣像素點設置為（x，y），滿足式r12<（x-x0）2+（y-y0）

其中，（x0，y0）表示動車組底部螺栓中心像素坐標，G表示為灰度值界限（動車組螺栓邊緣與螺栓中心的灰度值界限）;t為閾值（大于15）;r1為螺栓內邊緣半徑，r2為螺栓外邊緣半徑。由式（2）和式（4）可得式（5）：I（x1，y1）-I（x，y）>t。

動車組底部螺栓的暗邊緣特征主要因為其他部分比螺栓頭部低一些，在光照中，螺栓邊緣則會將螺栓陰影部分突出顯示，進而表現出螺栓暗邊緣特征。

一旦動車組底邊螺栓丟失，動車組底板嵌入螺栓部位則會出現小孔，而動車底部螺栓部位因螺栓頭部的保護而出現光澤。可將動車組底部螺栓丟失區域邊緣像素點設置為（x，y），滿足式r32<（x-x0）2+（y-y0）

2.2 螺栓丟失檢測

2.2.1 螺栓丟失檢測方法

針對動車底部螺栓丟失故障，可運用亮邊緣特性檢測方法進行檢測，其具有簡便性與準確性特征。充分選取8個螺栓中心區域灰度均值以及丟失螺栓中心點，計算丟失螺栓中心區域灰度均值，即Im;隨后取4個螺栓邊緣區域灰度均值計算丟失螺栓邊緣區域灰度均值，即Ie;螺栓正常，Im>Ie;螺栓丟失，Ie>Im。

2.2.2 螺栓丟失檢測算法流程

從動車組底部螺栓圖像預處理入手，利用螺栓特征點快速剔除非螺栓特征點部位，確保動車組底部螺栓部位準確，且經非極大值抑制消除同一螺栓表現出的多點響應情況，最終利用螺栓丟失檢測算法實現對螺栓部位的精準檢測，識別螺栓丟失故障，并及時給予維修，保障高速動車組運行安全[5]。

2.3 實驗過程

2.3.1 實驗數據獲取

本項研究采用的動車組圖像來自TEDS集中監控中心，并選取500張螺栓分布廣泛的圖像區域，確保每張圖片中含有的螺栓數量為4～6個。為了完成對比性質較為強烈的驗證實驗，可將80%的圖片作為訓練集，將20%的圖片作為測試集。從500張圖片中隨機選取150張，模擬1～2個底部螺栓丟失的故障。究其原因，高速動車組螺栓丟失故障圖像較少，因此，可運用模擬方法實現螺栓丟失故障的模擬。

2.3.2 實驗結果分析

文章基于特征配準方法和模板匹配方法提出二次配準算法，并對比此算法與HOG+SVM螺栓識別算法、Haar+Adaboost螺栓識別算法的性能，確定不同種類算法的螺栓識別準確率，如表1所示。比較基于灰度差值的螺栓丟失故障檢測算法與二次配準算法的性能，即兩種算法的螺栓丟失故障識別率，如表2所示。

通過表1、表2可知，基于特征配準方法和模板匹配方法提出的二次配準算法，在螺栓識別方面明顯優于其余兩種螺栓識別算法，螺栓識別的準確性較高;而二次配準算法在螺栓丟失識別率方面，低于基于灰度差值的螺栓丟失故障檢測算法，但在誤識別率方面明顯優于后者，具有較高的精準性。究其原因，傳統的灰度差值故障識別算法受到圖像亮度的影響較大，很容易出現誤檢率，增加列檢工作人員的故障檢測工作量[6]。而二次配準算法能夠準確快速地識別螺栓點，可準確識別因不存在螺栓丟失故障而表現出的亮邊緣特性，避免將其識別為螺栓丟失，增加螺栓丟失故障的誤識別率[7]。

3 給予HOG特征圖像塊描述

HOG特征可生成特征向量，主要通過計算和統計圖像局部區域梯度方向直方圖得到。其是運用在目標檢測中的特征描述子，具有諸多優勢，可在圖像特征識別中廣泛運用。HOG特征描述子具有抵抗性，能夠抵抗圖像幾何形變、亮度變化產生的影響;HOG特征描述子可適應人體輕微動作，降低誤差。在鐵路圖像識別中，HOG特征識別法被廣泛運用，其可使用特征向量描述圖像塊。利用Gamma算子實現描述圖像塊的校正，大大降低目標圖像亮度變化產生的影響。利用[﹣1 0 1]梯度算子與原始圖像的卷積操作，獲取圖像塊中每個像素點的水平方向梯度;利用[﹣1 0 1]T梯度算子與原始圖像的卷積操作，獲取圖像塊中每個像素點的豎直方向梯度分量。此外，也可利用式（11）計算圖像梯度幅值，利用式（12）計算圖像梯度方向。其中，梯度幅值用G表示，水平方面梯度用Gx表示，垂直方向梯度用Gy表示，梯度方向用θ表示。

劃分多個細胞單元cell，利用公式計算每個細胞單元中的梯度直方圖。動車組圖像塊大小為128×128，因此，細胞單元大小為8×8。按照0、20、40、60、80、100、120、140、160的標準將0～18度梯度方向進行劃分，即bin;確定像素點的梯度方向，并將該像素點的梯度幅值（G）加入梯度方向對應的bin區間，即像素點梯度方向為20度，其梯度幅值（G）加入20度對應的bin區間。若梯度方向不是特殊角，應采用插值方法實現像素點梯度方向的計算，隨后將幅值插入直方圖中。利用大小為2×2的單元格block劃分cell，并將單元格向量歸一化，降低光照等因素對特征向量的影響。最后，將單元格特征向量進行串聯，獲取HOG特征向量，實現對圖像塊內容的描述。

4 結語

綜上所述，高速動車組底部螺栓丟失故障發生率較低，但也存在發生的可能性。一旦出現動車底部螺栓丟失故障，危害性較大，強化動車底部螺栓丟失故障檢測工作，對保障高速動車組的運行安全有積極作用。以往采用的基于灰度差值的故障識別算法存在較高的誤差率，影響了底部螺栓丟失故障的檢查準確性。

基于此，改進動車組底部螺栓丟失故障檢測算法，運用基于圖像特征的檢測方法，可提升動車底部螺栓丟失故障的檢測準確率，減輕列檢工作人員的工作量。

參考文獻

[1] 胡紹海，易果.基于暗邊緣特征的動車底板螺栓故障檢測[J].電腦知識與技術，2020，16（13）：214-217.

[2] 路繩方.復雜場景下動車底部螺栓丟失故障的自動檢測[J].激光與光電子學進展，2017（11）：291-297.

[3] 宋丫，李慶楠，劉宵辰.基于深度學習的目標部件故障識別技術及應用[J].信息通信，2019，194（2）：55-58.

[4] 趙欣欣，錢勝勝，劉曉光.基于卷積神經網絡的鐵路橋梁高強螺栓缺失圖像識別方法[J].中國鐵道科學，2018，39（4）：56-62.

[5] 王勇，袁嘯陽，陳鐸，等.基于多任務卷積神經網絡的軌道車輛螺栓異常檢測方法[J].鐵道車輛，2020（5）：29-32.

[6] 劉彬.動車組運行故障圖像檢測系統（TEDS）運用研究與思考[J].中國鐵路，2017（12）：61-65.

[7] 楊梁崇，馬楠.基于射頻識別技術的動車組走行部關鍵部件螺栓防松脫預警系統[J].甘肅科技縱橫，2019，48（11）：28-31.