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(tài)圖像檢測系統(tǒng)(TEDS)是利用軌邊安裝的多組高速工業(yè)相機抓拍運行中的列車圖片，通過圖像處理技術(shù)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(tài)依據(jù)鐵總運[2016]62號文，主要包括裙板、底板、轉(zhuǎn)向架以及車端連接處四大部分?？傮w來看，待檢測的車型、部件種類繁多，故障形態(tài)多種多樣，并且設(shè)備受外界環(huán)境(天氣變化、光照變化)影響較大，存在較多的檢測技術(shù)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(dǎo)致各動車段在判別真假故障上消耗大量的人力、物力，甚至?xí)蛉斯?fù)核識別時間過長導(dǎo)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(zhǔn)確度，降低誤報率，目前各設(shè)備廠家采取的識別算法策略已經(jīng)由最原始的對比法策略轉(zhuǎn)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(jù)不同的部件及其故障形態(tài)進行相應(yīng)的算法開發(fā)。經(jīng)過幾次的實車試驗，已經(jīng)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(jié)構(gòu)存在批次上的差異；(2)安裝導(dǎo)致設(shè)備之間拍攝的圖片視野差異較大，不利于后期程序的統(tǒng)一布置和維護；(3)需要針對不同的部件形態(tài)設(shè)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(xiàn)將目前算法所涵蓋的部件、故障形態(tài)、適應(yīng)天氣情況以及識別效果總結(jié)如表1所示。

表1 目前算法所涵蓋的部件、故障形態(tài)、適應(yīng)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(shù)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(yán)重時、圖像過曝或過暗、圖像光照不均勻)等因素影響時，會導(dǎo)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(xué)習(xí)技術(shù)的發(fā)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(xué)習(xí)技術(shù)是利用神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)和優(yōu)化器算法使網(wǎng)絡(luò)模型參數(shù)在樣本圖像中進行收斂，從而學(xué)到該部件故障的本質(zhì)特征，達到故障判斷的目的。在這里利用目標(biāo)檢測網(wǎng)絡(luò)模型和CNN分類網(wǎng)絡(luò)模型結(jié)構(gòu)，采用SGD隨機梯度下降算法，對故障圖片和正常圖片進行學(xué)習(xí)。

該類型部件供神經(jīng)網(wǎng)絡(luò)模型算法學(xué)習(xí)的圖片應(yīng)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(xùn)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(huán)境變化所造成的干擾問題。目前，TEDS-3D統(tǒng)型設(shè)備已經(jīng)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(chǎn)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(wǎng)絡(luò)模型是一種度量學(xué)習(xí)網(wǎng)絡(luò)模型，能夠?qū)W習(xí)2張圖片的相似度，從而抓住該類型部件的本質(zhì)變化，克服外界環(huán)境變化所帶來的干擾。

圖2所示為供孿生網(wǎng)絡(luò)學(xué)習(xí)的圖像對。

圖2 孿生網(wǎng)絡(luò)學(xué)習(xí)圖像對示例圖

2.2 需要繼續(xù)攻克技術(shù)難點的部件

目前有一定效果，但仍存在諸多問題和技術(shù)難點，需要繼續(xù)攻克的部件主要包括軸端蓋螺栓丟失、底板螺栓丟失、轉(zhuǎn)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(fēng)擋外翻、轉(zhuǎn)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(jù)螺栓真實丟失后的基本特征設(shè)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(cè)部轉(zhuǎn)向架螺栓受太陽光照影響較嚴(yán)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(shè)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(shù)量較多，分類器設(shè)計以及搜集樣本存在著一定難度。先假設(shè)分類器能夠達到95%的精度，此時產(chǎn)生的誤報也不少；采用變通的方法設(shè)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(fù)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(shù)據(jù)的對齊顯得更加重要和苛刻。所以，可以利用深度學(xué)習(xí)技術(shù)和深度信息相結(jié)合的方法來實現(xiàn)對螺栓丟失類故障的判斷。深度學(xué)習(xí)技術(shù)在目標(biāo)檢測方面有著較好的效果，這里假設(shè)歷史過車不存在螺栓丟失的情況，首先利用目標(biāo)檢測神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)對歷史過車螺栓的精確定位，然后結(jié)合分類網(wǎng)絡(luò)模型和深度數(shù)據(jù)，實現(xiàn)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(xiàn)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(fēng)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(xiàn)比較模糊，且背景噪點較多，已經(jīng)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(fēng)擋目前在圖像質(zhì)量好的情況下檢測效果較好。

2.2.4 轉(zhuǎn)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(jù)各個線纜的特征去設(shè)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(fù)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(xiàn)實場景中存在較多真實樣本圖片，隨著深度學(xué)習(xí)技術(shù)中的實例分割技術(shù)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(jié)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(xué)習(xí)技術(shù)設(shè)計對應(yīng)的網(wǎng)絡(luò)模型，同時提升了一些小部件的定位精度。另外結(jié)合深度數(shù)據(jù)實現(xiàn)了對丟失類部件的精確檢測和誤報剔除。建議各設(shè)備廠家和各鐵路局聯(lián)合建立設(shè)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(shè)備的自動識別水平，減少人工復(fù)核工作量。