羅奕凱

(中國(guó)鐵路南寧局集團(tuán)有限公司 貨運(yùn)服務(wù)中心，廣西 南寧 530029)

鐵路貨車裝載狀態(tài)圖像是貨檢人員對(duì)貨物裝載狀態(tài)的復(fù)現(xiàn)，可以直觀地展現(xiàn)貨物在運(yùn)輸過(guò)程中的情況，在現(xiàn)代化的鐵路貨檢中，往往會(huì)采用先進(jìn)的技術(shù)手段來(lái)生成高精度的貨車裝載狀態(tài)圖像。在鐵路貨車裝載狀態(tài)圖像采集系統(tǒng)建成驗(yàn)收、維護(hù)驗(yàn)收中，圖像質(zhì)量評(píng)價(jià)是非常重要的，能夠直接影響到后續(xù)運(yùn)行情況的判斷和決策。當(dāng)前鐵路領(lǐng)域尚未開(kāi)展圖像質(zhì)量評(píng)價(jià)的定量研究，尚未形成一種有效、客觀、權(quán)威的圖像質(zhì)量評(píng)價(jià)方法，在評(píng)估設(shè)備性能的過(guò)程中，容易出現(xiàn)評(píng)估結(jié)果與實(shí)際表現(xiàn)不符的情況，影響鐵路貨車裝載狀態(tài)圖像采集系統(tǒng)的運(yùn)行效率和運(yùn)行安全。因此，建立標(biāo)準(zhǔn)圖像質(zhì)量客觀評(píng)價(jià)機(jī)制，要求設(shè)備新建、更改后通過(guò)評(píng)價(jià)指標(biāo)要求，是非常值得研究探討的方向。

1 圖像質(zhì)量評(píng)價(jià)理論

圖像質(zhì)量是比較圖像處理算法性能及優(yōu)化機(jī)器視覺(jué)應(yīng)用系統(tǒng)參數(shù)的重要指標(biāo)，圖像質(zhì)量評(píng)價(jià)就是量化機(jī)器視覺(jué)應(yīng)用系統(tǒng)生成圖像質(zhì)量的優(yōu)劣程度，在不同場(chǎng)景下存在著不同的評(píng)價(jià)指標(biāo)和評(píng)價(jià)標(biāo)準(zhǔn)。鐵路貨車裝載狀態(tài)圖像采集系統(tǒng)通過(guò)采集運(yùn)行中貨物列車的圖像信息，供鐵路工作人員對(duì)貨車裝載加固安全狀態(tài)進(jìn)行細(xì)致檢查，屬于機(jī)器視覺(jué)檢測(cè)應(yīng)用，因此鐵路貨車裝載狀態(tài)圖像質(zhì)量的優(yōu)劣，取決于該圖像是否能夠較好地呈現(xiàn)局部細(xì)節(jié)。

圖像質(zhì)量的評(píng)價(jià)方法主要可以歸納為主觀評(píng)價(jià)與客觀評(píng)價(jià)2 類[1]。主觀評(píng)價(jià)方法是從人類的主觀感知角度對(duì)圖像質(zhì)量進(jìn)行評(píng)判，然而這一評(píng)價(jià)過(guò)程不僅耗時(shí)且成本較高，在缺乏圖像評(píng)價(jià)領(lǐng)域權(quán)威專家參與的情況下，其說(shuō)服力也相對(duì)較弱?？陀^評(píng)價(jià)方法則采用數(shù)學(xué)模型對(duì)圖像質(zhì)量進(jìn)行量化評(píng)估，受人為因素影響較小，通過(guò)結(jié)合圖像特征并應(yīng)用相適宜的數(shù)學(xué)模型，可以在一定程度上較好地實(shí)現(xiàn)預(yù)期效果。從客觀評(píng)價(jià)方法所需參考圖像信息的依賴程度來(lái)看，又可以劃分為全參考型、部分參考型和無(wú)參考型3 類[2]。全參考型方法需要原始圖像以及經(jīng)過(guò)處理的圖像進(jìn)行比較，部分參考型方法僅需要原始圖像的部分信息，而無(wú)參考型方法則無(wú)需任何參考圖像。

在鐵路貨車裝載狀態(tài)圖像質(zhì)量評(píng)價(jià)場(chǎng)景下，采集到的圖像是列車階段狀態(tài)性的圖像，無(wú)法獲得原始圖像信息作為參考，因而研究主要集中于無(wú)參考型客觀評(píng)價(jià)方法，在保證鐵路貨車裝載狀態(tài)圖像質(zhì)量評(píng)價(jià)結(jié)果更具客觀性的同時(shí)，也能提高評(píng)價(jià)效率，降低評(píng)價(jià)成本。

2 鐵路貨車裝載狀態(tài)圖像質(zhì)量客觀評(píng)價(jià)方法

根據(jù)《鐵路貨車裝載狀態(tài)標(biāo)準(zhǔn)圖像設(shè)備暫行技術(shù)條件》(TJ/KH 040—2022)，鐵路貨車裝載狀態(tài)標(biāo)準(zhǔn)圖像是指“能夠完整、準(zhǔn)確反映鐵路貨車車體、貨物、貨物裝載加固狀態(tài)的無(wú)明顯變形、噪點(diǎn)、模糊的高清圖像”，同時(shí)還要求“圖像明亮清晰、亮度均勻”?？梢?jiàn)清晰度、畸變度和亮度對(duì)圖像細(xì)節(jié)信息的展示產(chǎn)生重要影響。其中，清晰度是指圖像中物體輪廓的清晰度和邊緣的銳利程度，一張清晰的圖像能夠呈現(xiàn)出更多的細(xì)節(jié)和紋理，提高圖像的可視性和辨別度，讓人們更容易識(shí)別圖像中的目標(biāo)物體；畸變度是指圖像中物體形狀和大小與實(shí)際物體的偏差程度，畸變度高的圖像可能會(huì)失真或變形，從而影響人們對(duì)圖像中物體的識(shí)別和分析；亮度是指圖像的明暗程度，過(guò)高或過(guò)低的亮度會(huì)使圖像出現(xiàn)過(guò)曝或欠曝的情況，從而降低圖像的可視性和細(xì)節(jié)表現(xiàn)能力。綜上，研究將以鐵路貨車裝載狀態(tài)圖像為基礎(chǔ)，從清晰度、畸變度和亮度3 個(gè)方面研究圖像質(zhì)量客觀評(píng)價(jià)方法。

2.1 清晰度評(píng)價(jià)方法

再模糊理論方法是一種專門針對(duì)圖像清晰度評(píng)價(jià)的方法，其思想是將待評(píng)價(jià)圖像通過(guò)濾波形式進(jìn)行再模糊，構(gòu)造一張模糊程度更大的參考圖像，然后運(yùn)用全參考型評(píng)價(jià)方法，比較參考圖像與待評(píng)價(jià)圖像間的信息損失程度。信息損失程度可以作為圖像清晰度的評(píng)價(jià)指標(biāo)，信息損失越大，代表圖像越清晰；信息損失越小，則圖像越模糊[3]。分析基于再模糊理論的無(wú)參考結(jié)構(gòu)清晰度評(píng)價(jià)方法[4](NRSS)、結(jié)構(gòu)相似性方法[5](SSIM)，研究適用于貨車裝載狀態(tài)圖像的清晰度評(píng)價(jià)方法，計(jì)算步驟如下。

（1）將原圖進(jìn)行灰度化處理，作為待評(píng)價(jià)圖像。通過(guò)灰度化處理，可以使得圖像中的彩色信息轉(zhuǎn)化為亮度信息，為后續(xù)進(jìn)一步處理提供所需信息的同時(shí)，能夠顯著降低處理的復(fù)雜性和計(jì)算量。研究使用加權(quán)平均法進(jìn)行彩色圖像灰度化處理，將紅色、綠色、藍(lán)色分量的權(quán)值設(shè)置為0.30，0.59，0.11，以模擬人眼對(duì)于顏色的亮度感知，其表達(dá)式為

式中：g為輸出的灰度化圖像；r，g，b分別為輸入彩色圖像的紅、綠、藍(lán)3 個(gè)通道子圖像；(x，y)為圖像的像素坐標(biāo)。

（2）對(duì)待評(píng)價(jià)圖像進(jìn)行平滑處理，作為參考圖像。參照NRSS 算法，采用7×7 大小、標(biāo)準(zhǔn)差平方σ2為6 的高斯濾波器進(jìn)行平滑處理，則高斯卷積核G為

對(duì)待評(píng)價(jià)圖像進(jìn)行高斯平滑處理的表達(dá)式為

式中：Ir為參考圖像；I為待評(píng)價(jià)圖像；?為圖像的卷積運(yùn)算。

（3）提取圖像待評(píng)價(jià)圖像I、參考圖像Ir的梯度圖像，分別記為X，Y?；贑anny 算子能在噪聲干擾的條件下較好地提取出目標(biāo)邊緣[6]，研究采用Canny 算子提取梯度圖像，在生成梯度圖像時(shí)應(yīng)盡量濾除噪點(diǎn)，避免過(guò)多噪點(diǎn)被當(dāng)做邊緣信息參與信息損失程度的計(jì)算。并采取Otsu 閾值分割法確定Canny算子的雙閾值[7]，設(shè)L為輸入圖像灰度級(jí)，有正整數(shù)t∈(0，L-1)，可以將輸入圖像像素值分為[0，t]和[t+1，L-1]2個(gè)集合，則有

式中：μ1，μ2分別為2 個(gè)集合的平均灰度值；Pi為各灰度值的出現(xiàn)概率。

設(shè)f2(t)為上述2個(gè)集合的間類方差，則有

對(duì)t進(jìn)行遍歷，使得f2(t)取得最大值時(shí)，對(duì)應(yīng)的t則作為閾值上限，閾值下限取閾值上限的0.5倍。

（4）計(jì)算圖像X，Y的結(jié)構(gòu)相似度SSIM(X，Y)。SSIM(X，Y)是處于0 至1 之間的數(shù)，用于衡量X，Y2幅圖像相似度的指標(biāo)。SSIM(X，Y)越大，2幅圖像的差異越小，說(shuō)明模糊化處理后的信息損失越小，代表圖像越模糊。其表達(dá)式為

式中：μX，μY分別為圖像X，Y的像素均值；σX，σY分別為圖像X，Y的像素方差；σXY為圖像X，Y的像素協(xié)方差；C1，C2為常數(shù)，是為了避免分母為0 的情況，在計(jì)算時(shí)，通常取C1=(K1×L)2，C2=(K2×L)2，其中K1，K2為遠(yuǎn)小于1 的正數(shù)，L為灰度等級(jí)，一般取K1=0.01，K2=0.03。

（5）計(jì)算鐵路貨車裝載狀態(tài)圖像清晰度指標(biāo)S。S值處于0 至1 之間，越接近于1，則清晰度評(píng)價(jià)指標(biāo)越好。清晰度指標(biāo)計(jì)算公式為

2.2 畸變度評(píng)價(jià)方法

在不采用參考圖像的前提下，對(duì)特定圖像畸變度的評(píng)價(jià)主要是通過(guò)獲取圖像特征物輪廓的長(zhǎng)寬比，再與實(shí)際物的長(zhǎng)寬比進(jìn)行比較，求出待評(píng)價(jià)圖像的形變率，因而計(jì)算前提為特征物的選取及其輪廓的提取方式。

在特征物選取上，考慮到鐵路貨車車型繁多且各異，而主流車型如棚車、敞車、平車、保溫車和雙層運(yùn)輸汽車專用車等均標(biāo)記有鐵道車輛用路徽。同時(shí)，路徽的繪制須遵循1987 年鐵道部印制的《鐵道車輛用路徽標(biāo)記》(TB/T 1838—1987)，即標(biāo)準(zhǔn)路徽標(biāo)記的底長(zhǎng)與邊長(zhǎng)的比值應(yīng)為20:23，鐵道車輛用路徽標(biāo)準(zhǔn)規(guī)格如圖1 所示。因此研究選擇路徽作為目標(biāo)特征物，具有覆蓋車型廣、特征明顯和標(biāo)準(zhǔn)可靠的優(yōu)點(diǎn)。

圖1 鐵道車輛用路徽標(biāo)準(zhǔn)規(guī)格Fig.1 Standard emblem for railway vehicles

在特征物輪廓提取方式上，鑒于YOLO算法檢測(cè)效率高、耗費(fèi)資源少等優(yōu)點(diǎn)[8]，研究采用基于YOLOv8 的目標(biāo)檢測(cè)模型，自動(dòng)提取圖像特征物定位框坐標(biāo)信息，以此來(lái)代表特征物的輪廓信息。

考慮到列車運(yùn)行時(shí)車輛在垂直方向的運(yùn)動(dòng)幅度不大，可以認(rèn)為線陣相機(jī)的成像中，拍攝物體在高度上基本不會(huì)發(fā)生畸變，僅在水平方向可能發(fā)生壓縮或拉伸[9]。在此基礎(chǔ)上，在將路徽?qǐng)D像縮放至邊長(zhǎng)與實(shí)際路徽的邊長(zhǎng)相等時(shí)，用圖像中路徽的底長(zhǎng)與實(shí)際路徽的底長(zhǎng)進(jìn)行比較，以此計(jì)算畸變率，計(jì)算步驟如下。

（1）訓(xùn)練最優(yōu)檢測(cè)模型。從新豐鎮(zhèn)站、南寧南站鐵路貨車裝載狀態(tài)圖像采集系統(tǒng)歷史過(guò)車圖像中選取樣本圖像195 張，按照800 像素×800 像素大小依次剪裁包含路徽的子圖像，避免訓(xùn)練時(shí)壓縮幅度過(guò)大。劃分訓(xùn)練集圖像180張，驗(yàn)證集15張，采取預(yù)訓(xùn)練模型YOLOv8 Nano 進(jìn)行訓(xùn)練，控制壓縮后的輸入圖像大小為640 像素×640 像素，設(shè)置BATCHS_SIZE 為4，epoch 為100，初始學(xué)習(xí)率為0.000 1，得出最優(yōu)檢測(cè)模型，用于檢測(cè)待評(píng)價(jià)圖像中路徽定位框的坐標(biāo)信息。

（2）使用訓(xùn)練得到的最優(yōu)模型，預(yù)測(cè)輸入的待評(píng)價(jià)圖像，獲取路徽定位框左上角及右下角的坐標(biāo)，并用坐標(biāo)差值來(lái)代表圖像中路徽的底長(zhǎng)和邊長(zhǎng)的數(shù)值，表達(dá)式為

式中：Ax，Ay分別為圖像中路徽的底長(zhǎng)和邊長(zhǎng)的數(shù)值；(x1，y1)，(x2，y2)分別為路徽定位框在圖像中的左上角和右下角的坐標(biāo)值。

以某幅貨車裝載視頻狀態(tài)圖像為例，在預(yù)測(cè)圖像上繪制定位框和坐標(biāo)信息并保存后，最優(yōu)模型驗(yàn)證預(yù)測(cè)結(jié)果和信息展示如圖2 所示?？梢?jiàn)定位框左上角坐標(biāo)值為(245，319)，右下角坐標(biāo)值為(376，458)，則底長(zhǎng)為376-245=131，邊長(zhǎng)為458-319=139。

圖2 最優(yōu)模型驗(yàn)證預(yù)測(cè)結(jié)果和信息展示Fig.2 Prediction results validated by optimal model and information presentation

（3）將圖像中路徽縮放至邊長(zhǎng)與實(shí)際路徽的邊長(zhǎng)相等，用圖像中路徽的底長(zhǎng)與實(shí)際路徽的底長(zhǎng)的相對(duì)誤差來(lái)代表畸變度評(píng)價(jià)值D。D值處于0 至1 之間，越接近于1，代表圖像中車輛的長(zhǎng)寬比越接近于實(shí)際車輛的長(zhǎng)寬比，則畸變度評(píng)價(jià)指標(biāo)越好。其表達(dá)式為

式中：M為縮放倍率；Bx，By分別為實(shí)際路徽的底長(zhǎng)和邊長(zhǎng)。

2.3 亮度評(píng)價(jià)方法

在統(tǒng)計(jì)分析圖像中的像素灰度值時(shí)，所產(chǎn)生的直方圖被稱為圖像直方圖，圖像直方圖不僅能夠用于評(píng)估圖像亮度，也可以用于分析場(chǎng)景目標(biāo)[10]?；趫D像直方圖與亮度信息的關(guān)系，研究通過(guò)圖像直方圖的方式評(píng)價(jià)亮度，主要思路就是計(jì)算直方圖的峰值距離中心點(diǎn)的偏離程度，偏離程度越高，其亮度評(píng)價(jià)值越低。計(jì)算步驟如下。

（1）獲取直方圖信息，圖像的直方圖可以用以下離散函數(shù)hist(rk)表示為

式中：rk為第k級(jí)的灰度值；nk為灰度值為rk的像素個(gè)數(shù)。

（2）進(jìn)行歸一化計(jì)算，歸一化后的直方圖可以表示為

式中：R(rk)為灰度值為rk的像素在圖像中出現(xiàn)的概率，所有灰度值出現(xiàn)概率之和等于1；M×N為圖像的分辨率。

（3）以像素灰度值出現(xiàn)概率為權(quán)重，計(jì)算每個(gè)灰度值偏離中心點(diǎn)的程度值dk，表達(dá)式為

（4）以每個(gè)像素灰度值的加權(quán)偏離程度值為基礎(chǔ)，綜合計(jì)算圖像亮度評(píng)價(jià)值B。B值處于0 至1 之間，越接近于1，代表圖像各像素點(diǎn)灰度值越接近于直方圖的中心，則亮度評(píng)價(jià)指標(biāo)越好。其表達(dá)式為

2.4 鐵路貨車裝載狀態(tài)圖像質(zhì)量整體評(píng)價(jià)指標(biāo)

基于清晰度、畸變度、亮度3項(xiàng)評(píng)價(jià)指標(biāo)，可以融合得到一個(gè)綜合的貨車裝載狀態(tài)圖像質(zhì)量評(píng)價(jià)指標(biāo)E。E的值處于0至1之間，越接近于1，代表圖像質(zhì)量評(píng)價(jià)結(jié)果越好。其表達(dá)式為

式中：a，b，c為參數(shù)，a＞0，b＞0，c＞0，且a+b+c=1，用于調(diào)整3項(xiàng)評(píng)價(jià)指標(biāo)的權(quán)重值。

3 案例分析

為了驗(yàn)證圖像質(zhì)量評(píng)價(jià)算法，篩選5 張質(zhì)量差異較大的鐵路貨車裝載狀態(tài)圖像作為本次評(píng)估的試驗(yàn)數(shù)據(jù)，分別用Pic1 至Pic5 來(lái)代表，并使用剪裁的方法對(duì)前景圖像進(jìn)行提取，避免背景圖像的影響。測(cè)試圖像集如圖3所示。

圖3 測(cè)試圖像集Fig.3 Test image collection

清晰度、畸變度、亮度3 項(xiàng)指標(biāo)都對(duì)貨車裝載狀態(tài)圖像質(zhì)量產(chǎn)生影響，根據(jù)實(shí)際工作經(jīng)驗(yàn)，隨著應(yīng)用的不同，其重要程度也不同。例如，在人眼識(shí)別情況下，過(guò)低的清晰度和亮度會(huì)給人眼觀察帶來(lái)困難，并且會(huì)產(chǎn)生疲勞感，對(duì)圖像的辨識(shí)影響較大。相反，在智能識(shí)別情況下，機(jī)器對(duì)清晰度和亮度的適應(yīng)能力更強(qiáng)，而對(duì)畸變的圖片則很可能將關(guān)鍵信息識(shí)別錯(cuò)誤。目前全路大部分貨檢站采取人檢為主、機(jī)檢為輔的作業(yè)模式，少部分貨檢站運(yùn)用了圖像智能識(shí)別模塊，正在向“到達(dá)作業(yè)機(jī)檢為主、人檢為輔，出發(fā)作業(yè)人檢為主、人機(jī)結(jié)合”的作業(yè)模式轉(zhuǎn)換，并且運(yùn)用圖像智能識(shí)別推動(dòng)少人化作業(yè)是發(fā)展趨勢(shì)。因此，在權(quán)重系數(shù)的設(shè)置上，應(yīng)根據(jù)不同測(cè)點(diǎn)的應(yīng)用情況，以及圖像智能識(shí)別應(yīng)用的推廣程度進(jìn)一步研究確定。研究暫設(shè)置a=b=c，即3項(xiàng)指標(biāo)同等重要來(lái)進(jìn)行驗(yàn)證。

以測(cè)試圖像為例，運(yùn)用研究提供的方法對(duì)5 張鐵路貨車裝載狀態(tài)圖像質(zhì)量進(jìn)行整體評(píng)價(jià)，整體評(píng)價(jià)值計(jì)算結(jié)果如表1 所示。由表1 可知，清晰度評(píng)價(jià)結(jié)果為Pic2＞Pic3＞Pic4＞Pic5＞Pic1，畸變度評(píng)價(jià)結(jié)果為Pic1＞Pic2＞Pic4＞Pic5＞Pic3，亮度評(píng)價(jià)結(jié)果為Pic4＞Pic3＞Pic2＞Pic5＞Pic1，綜合評(píng)價(jià)結(jié)果為Pic2＞Pic4＞Pic3＞Pic5＞Pic1。

表1 整體評(píng)價(jià)值計(jì)算結(jié)果Tab.1 Calculation results of overall evaluation value

以圖像的局部細(xì)節(jié)是否可以較好地呈現(xiàn)作為圖像質(zhì)量評(píng)價(jià)依據(jù)，從人眼主觀感受對(duì)5 張測(cè)試圖像進(jìn)行觀察，顯然Pic1 基本無(wú)法通過(guò)人眼判斷貨車裝載狀態(tài)，需要安排人員現(xiàn)場(chǎng)復(fù)檢，因而判定質(zhì)量最差；Pic5 可以明顯感受到模糊，給人眼判斷帶來(lái)困難，因而判定質(zhì)量?jī)H較Pic1 稍好；Pic2，Pic3 和Pic4 可以從單項(xiàng)指標(biāo)辨清區(qū)別，但各有優(yōu)劣勢(shì)，難以通過(guò)主觀感受來(lái)評(píng)判整體圖像質(zhì)量，因而綜合評(píng)價(jià)值差異并不大，需要從人檢、機(jī)檢2 個(gè)方面，結(jié)合工作實(shí)際合理調(diào)節(jié)單項(xiàng)指標(biāo)的權(quán)重值，進(jìn)一步提高綜合評(píng)價(jià)值的準(zhǔn)確性。

4 結(jié)束語(yǔ)

從測(cè)試圖像的驗(yàn)證結(jié)果上看，研究提出的評(píng)價(jià)方法與人眼主觀感受實(shí)現(xiàn)了較好的一致性。從清晰度、畸變度和亮度3 個(gè)方面建立鐵路貨車裝載狀態(tài)圖像整體評(píng)價(jià)指標(biāo)，對(duì)鐵路貨車裝載狀態(tài)圖像采集系統(tǒng)的性能表現(xiàn)進(jìn)行科學(xué)、客觀的評(píng)價(jià)判斷，有助于為設(shè)備管理部門提供決策依據(jù)，找準(zhǔn)后續(xù)補(bǔ)強(qiáng)方向。同時(shí)，也為鐵路各系統(tǒng)健全圖像質(zhì)量評(píng)價(jià)機(jī)制提供理論基礎(chǔ)，通過(guò)對(duì)圖像采集設(shè)備進(jìn)行客觀的評(píng)估，要求設(shè)備符合硬性指標(biāo)條件，提高成像質(zhì)量，以保證設(shè)備具有良好的可靠性，幫助鐵路企業(yè)管理部門通過(guò)檢測(cè)圖像及時(shí)發(fā)現(xiàn)問(wèn)題、分析問(wèn)題和解決問(wèn)題。