摘要：文章對朔黃鐵路貨車動態(tài)圖像項目的可行性進行了研究，證明鐵路貨車故障動態(tài)圖像分析系統(tǒng)得到了成功運用，優(yōu)化了TFDS技檢作業(yè)流程，提高了檢車效率，實現了車輛運用技術檢查方式由“人檢”向“機檢”的過渡，列檢質量由“人控”向“機控”的轉變，減輕了現場作業(yè)勞動強度，確保了運輸安全。

關鍵詞：朔黃鐵路；貨車動態(tài)圖像；項目可行性；TFDS；技檢作業(yè) 文獻標識碼：A

中圖分類號：U260 文章編號：1009-2374（2015）28-0111-03 DOI：10.13535/j.cnki.11-4406/n.2015.28.054

1 項目概要

鐵路貨車故障動態(tài)圖像分析系統(tǒng)通過布置于鋼軌之間的高速相機陣列，拍攝運行貨車車輛的轉向架、中間部、基礎制動裝置、車鉤緩沖裝置等車輛關鍵部位的圖像，采用先進的抗陽光干擾技術、圖像數據實時處理技術、精確定位算法和模式識別技術，實現了12種故障的自動判別，經由列檢值班員確認后，通知室外檢車員進行處理，可預防發(fā)生多種危及行車安全的故障。目前朔黃鐵路運用貨車共17000輛左右，與國鐵相比，貨車車型相對單一、周轉速度較快。針對朔黃鐵路的現狀，項目提出的研究內容為：鐵路貨車運行故障動態(tài)圖像檢測系統(tǒng)對過往的車輛進行故障自動識別和報警，其中共包括12種故障類型：關門車、閘瓦或閘瓦釬丟失、心盤螺栓丟失、制動系統(tǒng)圓銷丟失、風堵丟失、鉤舌銷丟失、鉤舌推鐵丟失、制動梁支柱圓銷丟失、枕簧丟失、緩沖器托板螺栓丟失、鉤托梁螺栓丟失及滾動軸承端頭螺栓丟失。

通過前期對朔黃鐵路運用貨車車輛和項目涉及的12種故障的調研，項目組制定了一套基于朔黃鐵路的系統(tǒng)技術研發(fā)方案。技術人員綜合考慮到算法實現難易程度、現場需求迫切程度及故障發(fā)生頻率等特點，有計劃、按步驟地完成了12個故障識別模塊的研發(fā)工作，并在朔黃鐵路肅寧段進行了系統(tǒng)測試及數據收集，測試結果理想。鐵路貨車故障動態(tài)圖像分析系統(tǒng)的成功運用，優(yōu)化了TFDS技檢作業(yè)流程，提高了檢車效率，減少了由于人工檢測的尺度差異與檢車員疲勞所造成的誤報、漏報數量，符合我國鐵路實現跨越式發(fā)展和鐵道部關于貨車檢修自動智能化的要求，實現了車輛運用技術檢查方式由“人檢”向“機檢”的過渡，列檢質量由“人控”向“機控”的轉變，減輕了現場作業(yè)勞動強度，確保了運輸安全。

2 項目概況

2.1 項目背景

朔黃鐵路西起山西省神池縣神池南站，東至河北省黃驊市黃驊港口貨場，正線總長近600km，設計為國家Ⅰ級干線、雙線電氣化鐵路，是我國目前投資與建設規(guī)模最大的一條合資鐵路，也是我國西煤東運第二大通道和神華集團礦、路、港、電、航、油一體化工程的重要組成部分，在全國路網中占有重要地位。

朔黃鐵路每天圖定過車108對，平均每12分鐘過一列車，目前的TFDS系統(tǒng)都是采用人工室內看圖檢車，檢車員需要逐車逐圖地查看。如果按照一列車60輛編組，每輛車為標準的53幅圖像計算，每列車需要瀏覽3180幅圖像，按照每列車6分鐘技檢時間計算，平均每秒鐘要看9幅圖像，即使按照4人按部件分工看圖，每人每秒也需要瀏覽2幅圖像，因此檢車員勞動強度很大，極容易疲勞，再加上環(huán)境、心理等眾多因素的影響，難免會產生漏檢、誤檢。此外，隨著朔黃鐵路運量的不斷增加，加之車輛在運用過程中逐漸老化，貨車運行的安全風險也會越來越大，因此針對朔黃鐵路研發(fā)的鐵路貨車動態(tài)故障圖像分析系統(tǒng)，不僅符合當前朔黃鐵路的實際需求，同時也能提前應對今后逐步增多的貨車運行故障，為確保行車安全提供可靠的解決方案。

2.2 項目實施目標

實現所有TFDS檢測范圍內的車輛故障自動識別、報警，優(yōu)化列檢作業(yè)流程，降低工人作業(yè)強度，提高作業(yè)效率，確保行車安全。

2.2.1 建立朔黃鐵路專用的故障樣本庫和樣本收集系統(tǒng)，便于今后貨車故障的自動識別和分析。

2.2.2 實現與現有TFDS系統(tǒng)的無縫接入。

2.2.3 在現有的TFDS設備的基礎上實現對多發(fā)性故障進行自動報警。

2.2.4 在現有的TFDS設備的基礎上實現對危及行車安全的故障進行自動報警。

2.2.5 遠期目標：實現TFDS系統(tǒng)的全部計算機快速識別。

2.3 項目實施的技術路線

2.3.1 采集大量圖像信息，建立朔黃鐵路故障樣本庫。通過已經運用的TFDS系統(tǒng)收集貨車故障圖像及相關輔助圖像，然后根據車型、部件建立相應的故障樣本庫及測試庫，作為故障自動識別的研究基礎及測試算法優(yōu)劣的評價標準。

2.3.2 分析不同故障的特征，分別建立特征抽取模型，通過對收集到的故障樣本庫中的故障圖像進行分析，確定不同故障種類的各種特征，針對各自的特征建立特定的數學模型。

2.3.3 圖像預處理。圖像的預處理包括圖像降噪（頻域可采用SVD奇異值降噪，空域可采用平滑處理）、圖像閾值變換、邊緣檢測、模板定位。通過預處理，可以從一幅圖像中分離出待識別的部件。

2.3.4 特征提取。針對分離出的部件，采用小波分析、紋理分析進行特征抽取，提取出特征參數，如灰度值、灰度均方值、形狀參數等，輸入到識別模型中。

2.3.5 建立數學模型。根據不同的部件，針對不同的特點，選擇建立人工神經網絡模型（ANN）、支持向量機模型（SVM）以及模糊聚類等識別模型，使算法具有自適應性、學習性和魯棒性，能夠少受外界環(huán)境如光強、分辨率等的影響。

2.3.6 智能識別算法的研發(fā)。對樣本庫中的圖像進行學習，將待識別的零件特征“記憶”到算法中，根據這些特征對故障零件進行識別，同時針對故障的種類及個數對車輛的故障給出綜合評價，實現分級報警。

2.4 主要研究內容

朔黃鐵路貨車運行故障動態(tài)圖像檢測系統(tǒng)（TFDS）所檢測的車輛多發(fā)性故障和嚴重危及行車安全的故障的自動識別和報警。

具體項目如下：

2.4.1 多發(fā)性故障。關門車；閘瓦或閘瓦釬丟失；心盤螺栓丟失；制動系統(tǒng)圓銷丟失；風堵丟失；鉤舌圓銷丟失；鉤舌推鐵丟失。

2.4.2 嚴重危及行車安全的故障。制動梁支柱圓銷丟失；枕簧丟失；緩沖器托板螺栓丟失；鉤托梁螺栓丟失；滾動軸承端頭螺栓丟失。

2.5 研究方法

經過有關專家研究評定，項目采用基于統(tǒng)計學習理論的機器學習識別方法。該方法不但能有效地解決小樣本問題，而且具有很好的推廣能力，可以使分類器更加智能，能夠“認識”更多先前未知的樣本，更好地保證程序的通用性，具有更強的智能性。其自動識別流程如下：

主線程啟動時，創(chuàng)建識別線程，識別線程創(chuàng)建取消息線程。主線程結束時，通知識別線程結束，識別線程通知取消息線程結束。

此外，項目的主要研究內容是對圖像識別算法的研究、編碼及實現。圖像識別算法主要包括圖像預處理算法、部件定位算法、識別分類算法。

2.5.1 圖像預處理方法。系統(tǒng)本身存在著噪聲，而且當照度比較低時，相機要增大信號的放大增益，所以對于采集到的圖像，需要應用濾波技術進行處理。這里我們采用的是先進的雙邊濾波技術，此技術處理過的圖片，能夠在去噪的同時更好地保留邊緣信息，不僅更適于人類視覺系統(tǒng)，對進一步處理圖像也很有好處。

此外，由于拍攝過程中通常采用球面鏡頭，拍攝的圖像中部會很清晰，但在圖像邊緣可能存在幾何失真。因此我們采用2次非線性枕形、梯形校正技術，以此消除圖像的幾何失真，降低圖像邊緣的失真程度。

2.5.2 部件定位算法。系統(tǒng)為了達到自動識別故障的目的，需要從數量眾多的原始圖像中定位到待檢測的部件，部件定位得越準確，最終的識別準確率也就越高。首先，我們從圖像中把待檢部位裁剪出來作為正類樣本，然后再截取除待檢部位以外的其他樣本作為負類樣本，正類樣本與負類樣本共同組成訓練樣本。通常訓練樣本維數都很高，如果直接用分類器進行訓練和分類，不但速度上不能滿足實時要求，而且會很大程度地影響分類效果。因此，我們有針對性地采用主成分分析、獨立成分分析及小波變換等特征提取方法對高維訓練樣本進行降維，并且保證在減少數據集維數的同時能夠保持數據集的特征。

在得到低維訓練樣本以后，需要通過統(tǒng)計學習的方法進行分類。在分類器的選取上我們使用支持向量機方法。支持向量機將向量映射到一個更高維的空間里，在這個空間里建立一個最大間隔超平面。在最大間隔超平面的兩邊建有兩個互相平行的超平面，理論上平行超平面間的距離或差距越大，分類器的總誤差越小。圖2以關門車部件定位為例，說明部件定位的過程：在圖像掃描中以五個步長為單位掃描圖像，每掃描圖像中的一部分，就用得到的決策函數進行判斷，得正1就表示該部分圖像含有待檢部位，得負1表示該部分圖像不含有待檢部位。待整幅圖像掃描完成后，就能夠確定關門車部件在圖像中的位置。通過部件定位得到若干待檢部件的位置后，再使用部件幾何關系的先驗知識，定位出最終需要識別的具體位置。

2.5.3 識別分類算法。我們將需要識別的部件裁剪出來，有故障的定為正類，無故障的定為負類。對于特征較明顯的故障，可以采取部件定位階段使用的特征提取方法以及支持向量機分類器，但對于特征更復雜的故障，我們認為紋理特征通?？梢燥@示圖像更多的局部特性，所以它可以用來對圖像中的空間信息進行準確的定量描述。局部二值模式（LBP）是一種有效的紋理描述算子。我們應用對圖像旋轉具有不變性的擴展LBP算子，對疑似故障部位圖像的關鍵點的紋理特征進行提取和描述，最后從LBP運算的結果提取直方圖，用直方圖匹配技術進行故障的識別。

在實際應用中，我們運用了更多先驗知識用來提高識別速度和準確率，在保證可靠性的前提下達到事半功倍效果。經過近兩年的技術攻關，技術人員完成了識別算法研究、系統(tǒng)平臺搭建、框架程序調試、12個故障識別模塊的開發(fā)及最終的系統(tǒng)測試等工作?，F已將TFDS系統(tǒng)安裝在朔黃鐵路肅寧段運行測試，從測試結果來看，系統(tǒng)識別速度快、漏報少，12個故障識別模塊的技術指標均已達到技術要求。

作者簡介：趙松江（1985-），男，河南人，北京國電通網絡技術有限公司項目經理，助理工程師，研究方向：工商管理。

（責任編輯：秦遜玉）