馬凌宇

摘 要：交通事業(yè)對我國的經(jīng)濟(jì)發(fā)展至關(guān)重要，高速動(dòng)車組則使人們的出行更加便捷，但在高速動(dòng)車組高速行駛狀態(tài)下，動(dòng)車組的運(yùn)行安全便成為重中之重。組成動(dòng)車底部的零部件繁多且結(jié)構(gòu)十分復(fù)雜，傳統(tǒng)的人工列檢方式難免出現(xiàn)疏漏，不僅會危及動(dòng)車組乘客的人身安全，同時(shí)也會對列檢工作人員產(chǎn)生不利影響。為了實(shí)現(xiàn)對動(dòng)車底部故障的快速檢測，可以借助動(dòng)車組運(yùn)行故障圖像檢測系統(tǒng)。其主要采用圖像對比識別技術(shù)實(shí)現(xiàn)動(dòng)車底部圖像的檢測，并結(jié)合人工復(fù)檢最終確定故障情況。文章以動(dòng)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(guān)鍵詞：圖像特征檢測;動(dòng)車底部;螺栓丟失故障

中圖分類號：U216.3 文獻(xiàn)標(biāo)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(fā)展對國民經(jīng)濟(jì)增長具有重要作用，隨著中國鐵路的不斷創(chuàng)新，中國鐵路逐漸成為世界鐵路的“領(lǐng)跑者”，鐵路運(yùn)行安全也成為各項(xiàng)工作的重中之重。應(yīng)及時(shí)檢測列車故障，確保高速動(dòng)車組安全平穩(wěn)運(yùn)行。動(dòng)車底部故障檢查需要列檢工作人員進(jìn)入車底，運(yùn)用傳統(tǒng)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(dòng)車底部零部件眾多，列檢工作人員工作量繁重，容易出現(xiàn)失誤情況，危及動(dòng)車運(yùn)行安全[3]。如今，在科學(xué)技術(shù)飛速發(fā)展階段，可以采用動(dòng)車組運(yùn)行故障圖像檢測系統(tǒng)實(shí)現(xiàn)動(dòng)車組底部安全監(jiān)控，經(jīng)圖像特征檢測對比方法確定動(dòng)車底部故障情況，并予以改善[4]。

1 圖像故障檢測的基礎(chǔ)

1.1 TEDS圖像采集系統(tǒng)

TEDS圖像采集系統(tǒng)可實(shí)現(xiàn)對動(dòng)車組底部、側(cè)部等部位部件的圖像采集工作，在軌道上設(shè)置9個(gè)相機(jī)，可采集動(dòng)車組不同部位部件的圖像。相機(jī)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(tǒng)可將圖像傳輸至圖像處理計(jì)算機(jī)，計(jì)算機(jī)將原圖像保存，保存后處理圖像，將處理結(jié)果予以反饋，獲取動(dòng)車組部件情況。

1.2 動(dòng)車組圖像預(yù)處理

1.2.1 對比度增強(qiáng)

動(dòng)車組底部圖像采集受到多種因素的影響，主要包含采集時(shí)間段的天氣、采集地點(diǎn)的環(huán)境、太陽光照情況等因素，動(dòng)車組底部圖像偏暗，肉眼無法直接判斷動(dòng)車組底部部件故障情況，容易出現(xiàn)漏檢或者誤檢情況。重視動(dòng)車組圖像預(yù)處理工作，調(diào)節(jié)動(dòng)車組底部圖像對比度，降低漏檢、誤檢出現(xiàn)的概率。圖像對比度增強(qiáng)主要解決圖像灰度級范圍小出現(xiàn)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(qiáng)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(shí)現(xiàn)動(dòng)車組底部部件圖像增強(qiáng)處理。

1.2.2 畸變矯正

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

為保障圖章故障檢測算法質(zhì)量，需處理圖像幾何畸變情況，由于幾何畸變主要表現(xiàn)為伸縮變換，確定伸縮比例因子后，可通過伸縮比例因子調(diào)整實(shí)現(xiàn)圖像幾何畸變的有效矯正。

1.3 圖像配準(zhǔn)技術(shù)介紹

1.3.1 基于灰度的圖像配準(zhǔn)技術(shù)

利用圖像的灰度信息進(jìn)行配準(zhǔn)，對圖像像素點(diǎn)的灰度信息予以充分利用，對兩幅圖像空間關(guān)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(shè)備進(jìn)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(zhǔn)精度受到影響。而基于灰色圖像配準(zhǔn)算法可對灰度信息充分利用，保障了配準(zhǔn)精度，滿足了圖像空間關(guān)系確定要求。除卻基于灰色圖像配準(zhǔn)算法外，比值匹配法、線匹配法也可實(shí)現(xiàn)兩幅圖像空間關(guān)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(yōu)位置，確保圖像的高效配準(zhǔn);線匹配法能夠?qū)D像仿射變化問題解決，實(shí)現(xiàn)圖像的配準(zhǔn)。

1.3.2 基于特征的圖像配準(zhǔn)技術(shù)

通過對兩幅圖像相同特征信息的提取，匹配，實(shí)現(xiàn)對兩幅圖像空間對應(yīng)關(guān)系的確定?；谔卣鲌D像配準(zhǔn)算法的自由度高，運(yùn)行速度快，但僅能運(yùn)用在圖像小部分信息，但配準(zhǔn)偏差較大，容易出現(xiàn)誤匹配情況，降低圖像匹配精度。

隨著技術(shù)不斷發(fā)展，圖像配準(zhǔn)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(zhì)量等多方面考慮，確保圖像匹配的準(zhǔn)確性。基于特征的圖像配準(zhǔn)技術(shù)的運(yùn)行效率高，配準(zhǔn)效果良好，成為動(dòng)車組底部圖像配準(zhǔn)的主要方法，而SIFT特征提取算法、SURF特征提取算法的不斷發(fā)展，使得基于特征的圖像配準(zhǔn)技術(shù)持續(xù)完善，對其廣泛運(yùn)用起到積極作用。

2 基于暗邊緣特征的動(dòng)車底部螺栓丟失檢測

2.1 動(dòng)車底部螺栓邊緣特征

在動(dòng)車組底部，應(yīng)通過觀測動(dòng)車組底板圖像而將底板螺栓區(qū)域灰度特性予以統(tǒng)計(jì)，且動(dòng)車組底部邊緣的螺栓圖像像素點(diǎn)明顯低于中間位置，可將動(dòng)車組底部螺栓邊緣像素點(diǎn)設(shè)置為（x，y），滿足式r12<（x-x0）2+（y-y0）

其中，（x0，y0）表示動(dòng)車組底部螺栓中心像素坐標(biāo)，G表示為灰度值界限（動(dòng)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(nèi)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(dòng)車組底部螺栓的暗邊緣特征主要因?yàn)槠渌糠直嚷菟^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(jìn)而表現(xiàn)出螺栓暗邊緣特征。

一旦動(dòng)車組底邊螺栓丟失，動(dòng)車組底板嵌入螺栓部位則會出現(xiàn)小孔，而動(dòng)車底部螺栓部位因螺栓頭部的保護(hù)而出現(xiàn)光澤?？蓪?dòng)車組底部螺栓丟失區(qū)域邊緣像素點(diǎn)設(shè)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(dòng)車底部螺栓丟失故障，可運(yùn)用亮邊緣特性檢測方法進(jìn)行檢測，其具有簡便性與準(zhǔn)確性特征。充分選取8個(gè)螺栓中心區(qū)域灰度均值以及丟失螺栓中心點(diǎn)，計(jì)算丟失螺栓中心區(qū)域灰度均值，即Im;隨后取4個(gè)螺栓邊緣區(qū)域灰度均值計(jì)算丟失螺栓邊緣區(qū)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(dòng)車組底部螺栓圖像預(yù)處理入手，利用螺栓特征點(diǎn)快速剔除非螺栓特征點(diǎn)部位，確保動(dòng)車組底部螺栓部位準(zhǔn)確，且經(jīng)非極大值抑制消除同一螺栓表現(xiàn)出的多點(diǎn)響應(yīng)情況，最終利用螺栓丟失檢測算法實(shí)現(xiàn)對螺栓部位的精準(zhǔn)檢測，識別螺栓丟失故障，并及時(shí)給予維修，保障高速動(dòng)車組運(yùn)行安全[5]。

2.3 實(shí)驗(yàn)過程

2.3.1 實(shí)驗(yàn)數(shù)據(jù)獲取

本項(xiàng)研究采用的動(dòng)車組圖像來自TEDS集中監(jiān)控中心，并選取500張螺栓分布廣泛的圖像區(qū)域，確保每張圖片中含有的螺栓數(shù)量為4～6個(gè)。為了完成對比性質(zhì)較為強(qiáng)烈的驗(yàn)證實(shí)驗(yàn)，可將80%的圖片作為訓(xùn)練集，將20%的圖片作為測試集。從500張圖片中隨機(jī)選取150張，模擬1～2個(gè)底部螺栓丟失的故障。究其原因，高速動(dòng)車組螺栓丟失故障圖像較少，因此，可運(yùn)用模擬方法實(shí)現(xiàn)螺栓丟失故障的模擬。

2.3.2 實(shí)驗(yàn)結(jié)果分析

文章基于特征配準(zhǔn)方法和模板匹配方法提出二次配準(zhǔn)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(zhǔn)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(zhǔn)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(zhǔn)方法和模板匹配方法提出的二次配準(zhǔn)算法，在螺栓識別方面明顯優(yōu)于其余兩種螺栓識別算法，螺栓識別的準(zhǔn)確性較高;而二次配準(zhǔn)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(yōu)于后者，具有較高的精準(zhǔn)性。究其原因，傳統(tǒng)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(xiàn)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(zhǔn)算法能夠準(zhǔn)確快速地識別螺栓點(diǎn)，可準(zhǔn)確識別因不存在螺栓丟失故障而表現(xiàn)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(jì)算和統(tǒng)計(jì)圖像局部區(qū)域梯度方向直方圖得到。其是運(yùn)用在目標(biāo)檢測中的特征描述子，具有諸多優(yōu)勢，可在圖像特征識別中廣泛運(yùn)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(chǎn)生的影響;HOG特征描述子可適應(yīng)人體輕微動(dòng)作，降低誤差。在鐵路圖像識別中，HOG特征識別法被廣泛運(yùn)用，其可使用特征向量描述圖像塊。利用Gamma算子實(shí)現(xiàn)描述圖像塊的校正，大大降低目標(biāo)圖像亮度變化產(chǎn)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(gè)像素點(diǎn)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(gè)像素點(diǎn)的豎直方向梯度分量。此外，也可利用式（11）計(jì)算圖像梯度幅值，利用式（12）計(jì)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(gè)細(xì)胞單元cell，利用公式計(jì)算每個(gè)細(xì)胞單元中的梯度直方圖。動(dòng)車組圖像塊大小為128×128，因此，細(xì)胞單元大小為8×8。按照0、20、40、60、80、100、120、140、160的標(biāo)準(zhǔn)將0～18度梯度方向進(jìn)行劃分，即bin;確定像素點(diǎn)的梯度方向，并將該像素點(diǎn)的梯度幅值（G）加入梯度方向?qū)?yīng)的bin區(qū)間，即像素點(diǎn)梯度方向?yàn)?0度，其梯度幅值（G）加入20度對應(yīng)的bin區(qū)間。若梯度方向不是特殊角，應(yīng)采用插值方法實(shí)現(xiàn)像素點(diǎn)梯度方向的計(jì)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(jìn)行串聯(lián)，獲取HOG特征向量，實(shí)現(xiàn)對圖像塊內(nèi)容的描述。

4 結(jié)語

綜上所述，高速動(dòng)車組底部螺栓丟失故障發(fā)生率較低，但也存在發(fā)生的可能性。一旦出現(xiàn)動(dòng)車底部螺栓丟失故障，危害性較大，強(qiáng)化動(dòng)車底部螺栓丟失故障檢測工作，對保障高速動(dòng)車組的運(yùn)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(zhǔn)確性。

基于此，改進(jìn)動(dòng)車組底部螺栓丟失故障檢測算法，運(yùn)用基于圖像特征的檢測方法，可提升動(dòng)車底部螺栓丟失故障的檢測準(zhǔn)確率，減輕列檢工作人員的工作量。

參考文獻(xiàn)

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

[2] 路繩方.復(fù)雜場景下動(dòng)車底部螺栓丟失故障的自動(dòng)檢測[J].激光與光電子學(xué)進(jìn)展，2017（11）：291-297.

[3] 宋丫，李慶楠，劉宵辰.基于深度學(xué)習(xí)的目標(biāo)部件故障識別技術(shù)及應(yīng)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(jīng)網(wǎng)絡(luò)的鐵路橋梁高強(qiáng)螺栓缺失圖像識別方法[J].中國鐵道科學(xué)，2018，39（4）：56-62.

[5] 王勇，袁嘯陽，陳鐸，等.基于多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)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(dòng)車組運(yùn)行故障圖像檢測系統(tǒng)（TEDS）運(yùn)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(shù)的動(dòng)車組走行部關(guān)鍵部件螺栓防松脫預(yù)警系統(tǒng)[J].甘肅科技縱橫，2019，48（11）：28-31.