唐詩

摘 要：在晚上地鐵停運后，檢測人員需要檢測維修地鐵運營車輛，排查可能的安全隱患，費時費力，效率低，成本高。為了解決這一系列問題，現(xiàn)利用AI算法進(jìn)行地鐵車輪螺栓松動檢測，進(jìn)行異常警告。

關(guān)鍵詞：YOLOV3;邊緣檢測;UNet;Hough直線檢測;缺陷檢測

0 引言

根據(jù)深圳地鐵的運營分析，城市軌道交通30年運營全成本約為建設(shè)成本的3.3～3.7倍，其中設(shè)備檢修費用占到其中很大的一部分。因此，通過AI技術(shù)對地鐵車輪螺栓松動進(jìn)行檢測，可以極大地提高檢測效率，同時降低地鐵運營中需要的維護(hù)成本。

近年來國內(nèi)外對缺陷檢測算法的研究取得了一些進(jìn)展，主要表現(xiàn)在使用特定的特征提取方法，設(shè)計基于深度卷積網(wǎng)絡(luò)的各種檢測網(wǎng)絡(luò)模型等新式檢測手段。但目前市面上的檢測方法相對較為單一，且螺栓在圖像中占比較小，表面紋理特征差異不大，檢測的效果達(dá)不到商用要求。本文提出的算法結(jié)合了YOLOV3、UNet和傳統(tǒng)方法提取特征的手段，使車輪螺栓松動檢測達(dá)到了很高的準(zhǔn)確率。

1 螺栓松動檢測系統(tǒng)

1.1 對接到地鐵運營中心的數(shù)據(jù)庫

開發(fā)地鐵車輛檢測系統(tǒng)軟件，將算法檢測到的結(jié)果形成可視化結(jié)果，提供給到維護(hù)人員，實時監(jiān)控運營車輛故障異常情況，為檢修提供參考依據(jù)。同時數(shù)據(jù)將會更新到地鐵運營中心的數(shù)據(jù)庫。

1.2 使用高速線陣相機(jī)進(jìn)行數(shù)據(jù)采集

高速線陣相機(jī)的優(yōu)點有以下的優(yōu)點：非常適合測量場合，精度高，部署成

本低，且在高強(qiáng)度使用場景中不易發(fā)生故障，在工業(yè)上應(yīng)用較多。目前主要運用于檢測連續(xù)的材料，部署在地鐵站場入口兩側(cè)。

1.3 光源、鏡頭的調(diào)試

調(diào)試鏡頭和光源直接影響數(shù)據(jù)質(zhì)量，多次調(diào)試使數(shù)據(jù)的清晰度和亮度滿足我們的要求，下面是我們的調(diào)試經(jīng)驗：

線掃描系統(tǒng)，對光源和相機(jī)來說，有效的工作區(qū)域都是一個窄條。也就是保證光源照在這個最亮的窄條與相機(jī)芯片要完全平行，否則只能拍到相交叉的一個亮點。所以機(jī)械安裝、調(diào)試是比較費工夫的。同時由于幅寬比較寬，對于線光源有兩個特別的要求，就是均勻性和直線性。因為線光源不同位置的亮暗差異，會直接影響圖象的亮度高低，這一點LED比鹵素?zé)舾每刂啤３龉獠糠值闹本€性，取決于LED發(fā)光角度的一致性、聚光透鏡的直線性以及線光源外殼的直線性。

2 基于多目標(biāo)檢測及圖像分割算法

2.1 地鐵車輛螺栓檢測-YOLOV3

2.1.1 YOLOV3

YOLOV3是目前主流的目標(biāo)檢測算法，在工業(yè)上應(yīng)用廣泛。該算法有檢測速度快、精度高的優(yōu)點。該模型分別在不同的特征層面上做了特征融合，因此可以檢測到圖像中的小物體，這對螺栓的檢測是至關(guān)重要的。

YOLOV3是one-stage檢測算法，可以實現(xiàn)端對端實時檢測。DarkNet53是主要的網(wǎng)絡(luò)結(jié)構(gòu)，主要是由1×1以及3×3卷積層和殘差結(jié)構(gòu)構(gòu)成。通過堆疊這樣的網(wǎng)絡(luò)結(jié)構(gòu)，實現(xiàn)速度與精度的均衡，同時殘差結(jié)構(gòu)還可以避免訓(xùn)練過程中發(fā)生的梯度爆炸問題。

YOLOV3借鑒了FPN的思想，對多種不同尺度的特征進(jìn)行了檢測。其輸出特征圖大小分別為52×52、26×26和13×13，使用了9種不同尺寸的anchor，輸出得到的張量為K×K×[3×（4+1+C）]，其中，K為特征圖大小，C為缺陷類別數(shù)。

2.1.2 YOLOV3基礎(chǔ)上的改進(jìn)

使用GIOU替代IOU。GIOU的計算方式為：先計算兩個框的最小閉包區(qū)域面積，再計算閉包區(qū)域中都不屬于兩個框的區(qū)域占閉包區(qū)域面積的比重，再計算IOU，最后用IOU減去這個比重。GIOU考慮到了 IOU 沒有考慮到的非重疊區(qū)域，對尺度也不敏感。

增加注意力模塊。通過在特征圖的通道上使用注意力的機(jī)制，給予特征圖中關(guān)鍵的位置較大的權(quán)重，從而提取到主要的特征，避免無關(guān)特征的干擾。

由于檢測目標(biāo)特征與背景區(qū)分度較高，故采用輕量化YOLOV3、檢測網(wǎng)絡(luò)僅使用52*52特征圖進(jìn)行檢測，加快檢測效率。

2.2 對螺栓圖像分割-UNet

UNet是在FCN的基礎(chǔ)上發(fā)展過來的網(wǎng)絡(luò)結(jié)構(gòu)，分割效果很好，該模型在醫(yī)療上有了成熟的應(yīng)用。相比FCN，UNet通過拼接的方式保留了更多的維度/位置信息，該模型適用于超大圖像分割，分割精度高，可滿足多尺度分割的要求。使用YOLOV3摳出螺栓后，直接用OpenCV提取發(fā)現(xiàn)處理效果不好。后在中間加了一步圖像分割，再用OpenCV處理圖像分割后的結(jié)果，效果顯著提升。

UNet的網(wǎng)絡(luò)結(jié)構(gòu)，整個結(jié)構(gòu)呈U型，先對圖像做下采樣，后做上采樣得到分割結(jié)果圖，上采樣結(jié)構(gòu)層和下采樣結(jié)構(gòu)層之間做skip-connection，將不同尺度的特征融合到一起，提高分割的準(zhǔn)確度。

3 數(shù)據(jù)集

3.1 數(shù)據(jù)采集

在地鐵鐵軌處安裝高速相機(jī)，無需等到列車停放，在地鐵運行時對地鐵整體的車輪進(jìn)行拍攝。對拍攝得到的圖片做預(yù)處理，標(biāo)注螺栓的位置和類別，螺栓松動檢測主要做的是二分類，即判斷是否松動。

3.2 樣本制作

數(shù)據(jù)增強(qiáng)：將圖片轉(zhuǎn)換成灰度圖;通過使用不同強(qiáng)度的光照模擬不同的光環(huán)境，得到更有泛化表現(xiàn)的樣本;使用傳統(tǒng)方法提高圖片的對比度;隨機(jī)裁剪圖像，增強(qiáng)局部區(qū)域特征的學(xué)習(xí);由于螺栓沒有故障樣本，需要使用PS的方式來制作YOLOV3的負(fù)樣本。

用精靈標(biāo)注助手標(biāo)注YOLOV3的樣本，螺栓有目標(biāo)為正樣本，沒有目標(biāo)作為負(fù)樣本，共同參與訓(xùn)練。正樣本約2w張，負(fù)樣本約5w張。另留出700張作為測試集。

用LabelMe標(biāo)注UNet的樣本，即將六角螺栓標(biāo)注出來，作為圖像分割的樣本。大約4w張樣本。另留出400張作為測試集。

4 最終效果

使用本文算法對螺栓松動檢測，在Tesla K80顯卡下能達(dá)到30+FPS的幀率，mAP達(dá)到96.69;螺栓邊緣直線檢測平均誤差2.2°。

5 結(jié)語

本文提出的算法不僅可以檢測到螺栓的松動情況，還可以對誤剎車和防松絲斷裂等故障做出檢測，最終也達(dá)到了很好的效果。閘刀閘瓦縫隙松開最小面積為3000+像素;防松絲正負(fù)樣本分類準(zhǔn)確率95.38%。綜合前面的算法結(jié)構(gòu)和最終效果，本文算法在工業(yè)上有較好的工程應(yīng)用價值。

參考文獻(xiàn)

[1]Redmon J，F(xiàn)arhadi A. ?YOLOV3： An Incremental Improvement[R]. arXiv，2018.

[2]Ronneberger O， Fischer P， Brox T. U-Net： Convolutional Networks for Biomedical Image Segmentation[C]// International Conference on Medical Image Computing & Computerassisted Intervention. 2015.

[3]Canny J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1986 （6）： 679-698.

[4]Generalizing the Hough Transform to Detect Arbitrary Shapes？BALLARD D. H. Pattern Recognition 13（2）， 111-122， 1981