用于动车组故障检测的图像识别对比算法研究

赵庆贺 翟星宇

摘要：动车组故障检测动态图像识别利用了当前图像与历史图像进行比较，实现了动车组在运行状态下的实时监测以及自动预警，使得工作人员能够及时发现问题，确保动车组运行安全。由于各个时间段获取的图像不可能完全一致，就导致故障识别算法的误报率要求非常高。因此，本文采用模块化、小型化的研究理念，运用图像识别技术对异常图像进行分级预警。在图像自动识别技术基础上，设计了整体图像识别框架、图像对比、分级预报算法，从而提高了动车组故障自动识别效果，达到分级预警的要求。

关键词：动车组故障检测；动态图像识别；算法研究

ABSTRACT： Dynamic image recognition of EMU fault detection makes use of the comparison between the current image and the historical image to realize the real-time monitoring and automatic early warning of EMU under the running state， so that the staff can discover problems in time and ensure the safety of EMU operation. The false alarm rate of the fault recognition algorithm is very high because the images obtained in each time period can not be completely consistent. Therefore， this paper uses the modular， miniaturized research concept， the use of image recognition technology for abnormal image classification early warning. On the basis of image automatic recognition technology， the whole image recognition frame， image contrast and classification prediction algorithm are designed， which improves the automatic recognition effect of EMU fault and meets the requirement of classification early warning.

Key words： EMU fault detection；dynamic image recognition；algorithm research；

近年隨着我国高速铁路行业的飞速发展，动车组安全检测与监督工作变得尤为重要。现如今动车组的检测形式为入库地沟式静态监控模式，而对于动态运行过程中的监控还很不足，这必然造成了巨大的安全隐患。动车组在高速运行过程中会遇到各种问题，例如：长时间高速运行受到传动力及制动力的影响，其部件会出现各种程度的磨损；关键部位遭到石块及坚硬物的强烈撞击，这都是很大的安全隐患，所以对高速行驶的动车组进行动态监控变得至关重要。

基于上述背景，铁道部相关部门提出了一种新的动车组故障检测系统——动车组故障图像自动识别检测系统（TEDS），该系统利用安装在轨道上的线阵高速摄像机对动车组进行动态多方位多角度拍摄，采集动车组底部可视部件（车体底部及转向架制动装置、传动装置、牵引装置、轮轴、车钩及车底部其他可视部位）、侧部可视部件（侧部裙板、转向架及轴箱、车端连接部等可视部件）图像，采用图像自动识别技术，实现自动对图像进行异常识别以及分级预警，人工仅需要对异常警报信息进行确认。

目前TEDS系统仅完成了图象的采集及传输，而针对图像的异常自动识别模块仍亟待解决。本文提出了一种模块化、小型化的设计理念，运用图像自动识别技术增加了具体重点部件的故障识别算法，对图像自动进行对比分析和异常分级预警，使动车组较短的时间内利用该算法完成一系列的异常检测，人工对异常预警信息进行确认处理，从而完善当前的TEDS系统，顺应和推动动车组运输安全的发展。

一、设计背景

TEDS 由轨边设备、探测站设备和监测站3部分组成，其关键部件包括：相机采集模块、AEI 装置、车轮传感器、图像信息处理和数据传输、数据存储和图像分析识别服务器、集中复示中央服务器和网络设备、监控终端和防雷设备等。TEDS采用图像自动识别、图像实时处理、低信道图像传输、车号自动识别、精确定位实时采集等技术，实现了图像检测、车号识别索引、图像自动识别报警、外部数据交互、数据统计分析等功能。对于TEDS 的系统设计，关键要解决如何快速准确地实现对动车组大量图像的对比分析和故障识别，本文主要对图像处理、对比和报警的算法进行研究。

二、对比算法的设计流程

在TEDS 的故障识别模块中，综合对比图像信息与识别信息，在图像处理和历史对比的基础上，对重点部位进行针对性识别，从而更加准确地对动车组的故障部件提出预警。对比算法流程如下图所示：

（一）图像对齐模块

TEDS 在获取图像的时候，以动车组的车轴顺位为基准进行图像拍摄校正，所以本文利用图像相对车轴的信息，把当前图像和历史图像对齐，找到含有共同信息的两张图。

图像对比的算法核心，是如何对两张图像中的公共区域进行对比，找到不同。本文基于人眼识别的思维模式，采用从大到小，从粗到细，逐层递推的思想，设计了一套算法流程来进行识别。算法具体流程如下所示：

（二）图像预处理

由于现场环境和图像在压缩传输过程中存在图像质量下降和噪声干扰，因此在对比过程中，噪声往往使局部梯度信息比较多，很容易对图像的边缘信息造成混淆，使得噪声对图像自动识别造成非常严重的影响，所以在对比前需要对图像做预处理。

图像去噪包括消除噪声和增强图像特征。在原图像上直接进行处理的常见去噪算法有：邻域平均法、中值滤波法、高斯滤波、双边滤波、非局部平均滤波等。由于去除噪声意味着除去图像的高频部分，与此同时图像的边界同样是高频部分，所以在去除噪声的同时，往往使得图像的边界变得模糊。

双边滤波是为解决边缘模糊而提出的，它基于高斯滤波针对权系数直接与图像信息作卷積运算进行图像滤波的原理，其滤波器系数由几何空间距离和像素差值决定，同时利用像素点的空间邻近度信息和亮度相似度信息来处理图像，既可有效降低图像噪声又可使图像边缘信息保持清晰和边缘平滑。但由于动车组检测图像信息量大，双边滤波存在滤波速度慢、信息丢失严重等缺陷。根据双边滤波的基本原理，为使图像平滑并保留边界信息，本文设计了一个实用的去噪算法。算法流程如下图，本上得到了抑制，边界效果虽然有所平滑，但保留了足够的细节信息。

考虑到图像传输和故障识别的时效性，为了提高自动检测识别效率，图像处理经过第2次锐化后，在减少图像中的噪声的同时，又保留了必要的边缘信息，可满足图像预处理的要求。图像预处理的算法具体流程如下图所示：

（三）部件区域定位

动车组车轴涂层对车轴起到一种保护作用，涂层脱落，使得车轴暴露在外界环境下，外界环境会对车轴造成污染、腐蚀或异常打击损伤，从而影响车轴的使用寿命甚至危及列车运行安全。

通过以上对比算法，可实现对同一部位故障的自动识别。实验结果对比可看出，通过对涂层脱落部位进行定位，根据脱落面积，分级预报。

（四）历史数据对比

本文以闸片为例，对重点部件进行特殊的故障识别算法研究。闸片作为动车组的制动装置部件，在动车组的安全运行中，起到了非常重要的作用。闸片裂损、掉块、磨耗过限等对动车组的制动性能均会带来较大的潜在危害，因此需要对动车组故障轨边图像自动检测系统图像对比算法研究闸片图像进行更加精确地识别判断。

通过这两幅图对比中可以看出，右边的闸片厚度明显比左边正常图要薄很多。这种状态会造成动车组制动效能下降，并且危及动车组的运行安全。通过对比算法，可以实现闸片异常预报，同时针对闸片磨耗过限给出精确预报，为动车组的安全运行提供了保障。

三、总结

本文通过对TEDS 图像对比算法流程的设计，实现了对动车组运行通过时检测图像的历史对比，能够自动识别故障图像和进行分级报警，满足动车组运行速度高和检修作业人员紧张下的安全需求。在图像对比中，采用从大到小、逐级细化的模式，从而更符合人眼识别的思维模式；采用动态阈值，使图像在匹配的过程中，在区域面积比较大的时候，可自动调整为较大的阈值，使得对区域中的细节上的不同更加敏感；增加了对重点部位的故障识别，利用信息组合的方式，判断对比区域是否相同，实现对关键部件故障的自动识别和分级报警。

通过对TEDS 图像自动识别技术的运用，不但可以有效提高动车组车辆检测的准确性，提高检测效率，减少人工工作量，而且可以更有效地保障动车组运行安全和铁路运输秩序。

参考文献：

[1]陈 雷，赵长波.TFDS 动态检查方法与技巧[M]. 北京：中国铁道出版社，2010

[2]王荣胜，陈 岩，谢 伟. TFDS 的使用效果分析及改进措施[J]. 铁道车辆，2006，44（12）

[3] Gary Bradski ， E Adrian Kaebler.学习OpenCV[M]. 于仕 琪，刘瑞帧. 北京：清华大学出版社，2009，10

[4]李 军.TFDS 图像自动识别技术的分析[J].上海铁道科技，2011（01）

[5] Rafael C.Gonzalez ，Richard E.Woods.数字图像处理[M]. 3版. 阮秋琦，阮宇智. 北京：电子工业出版社，2011