TEDS 动车组故障图像数据库建立技术研究*

杨 凯

（中国铁道科学研究院集团有限公司 电子计算技术研究所，北京100081）

动车组运行故障图像检测设备（Trouble of moving EMU Detection System， TEDS）[1]利用图像自动识别技术对其采集的动车组车体、转向架等部位图像进行异常状态识别报警，是动车组运行安全监控重要技术手段之一。然而，受制于图像识别技术发展、设备运行工况等因素影响，当前TEDS 自动识别仍然存在明显的误报率高、准确率低的问题[2]。

目前，在不断推进TEDS 故障识别能力，加快图像自动识别技术研究的过程中，出现一些亟需解决的问题。首先，近年基于深度神经网络的方法极大地推动了图像识别技术本身的发展，而将其应用于TEDS 故障自动识别时，出现了训练数据不充足、特征数据不明确的问题，从而影响了识别模型的有效建立；同时，不同研究方向及方法产生的算法成果，在比较评价时也出现了没有统一测试数据，无法标准评判的情况。为此，研究TEDS 动车组故障图像数据库建立技术，设计统一的数据采集标准，制定标准的数据格式及规则，实现TEDS动车组故障图像数据的规范汇总与共享，具有重要的研究价值。

图像数据库建立及相关技术研究是图像处理技术研究的重要基础，众多图像技术的跨越式发展均基于高效的图像数据库建立。2004 年德州大学奥斯丁分校的H. R. Sheikh 和 Z. Wang 等人建立了 LIVE[3]图像数据库，并基于此数据库研究了图像质量评价技术，提出了基于结构相似性的SSIM[4]图像质量评价方法，突破了图像研究学界使用多年的PSNR[5]评价局限；2009 年普林斯顿大学的J. Deng 和W. Dong 等人建立了ImageN-et[6]图像数据库，随后几年基于该数据库的研究飞速发展，极大地促进了基于深度神经网络的图像识别技术研究，实现了部分领域机器识别赶超人类能力的飞跃[7]。TEDS 采集的动车组车体图像有其自身特征属性，在自动识别技术研究过程中不便直接利用现有通用的图像数据库开展，因此，建立具有统一标准的TEDS 动车组图像数据库对加快TEDS 故障自动识别技术研究发展，有效提高TEDS 故障自动识别算法能力，实现更为准确的算法能力评价十分必要。

1 总体设计

TEDS 动车组故障图像数据库的设计重点要解决动车组故障图像训练数据不充分、试验研究测试数据不足、研究算法成果评判标准及测试数据不统一的问题。为此，图像数据库设计为包括典型故障局部图像库、故障列车整车图像库两大数据类型。其中，典型故障局部图像库主要包含TEDS 日常运用过程中人工发现的动车组典型故障局部截图的原始采集图像及相关描述数据；故障列车整车图像库主要包含TEDS 模拟测试故障或真实发现故障所在的完整列车监控图像及相关描述数据。图像数据库总体架构如图1 所示。

图1 图像数据库总体架构图

其中，典型故障局部图像库的数据通过TEDS 联网监控系统自动获取。在日常运用过程中人工发现典型故障时，由联网监控系统向TEDS 探测站发送反查信息，由探测站将对应位置的当前故障位置局部原始图、对应位置历史过车局部原始图通过典型故障局部图像数据接口（以下简称“故障截图接口”）上传至联网监控系统段级应用平台，由段级平台汇总补充过车运行信息、故障详情描述等信息，上报至联网监控系统国铁集团平台，并定期整理补充到TEDS 故障图像数据库中。

故障列车整车图像库数据的获取方式包括TEDS联网监控系统自动获取、人工离线采集两种。在日常运用过程中人工发现典型故障时主要采取TEDS 联网监控系统自动获取的方式，由联网监控系统向TEDS 探测站发送反查信息，由探测站将故障对应的当前过车整车监控原始图像数据（包括二维图像、深度信息等）、历史过车整车监控原始图像数据等通过故障列车整车图像在线数据接口（以下简称“在线整车图像接口”）上传至联网监控系统段级应用平台，由段级平台汇总补充过车运行信息、故障详情描述等信息，上报至联网监控系统铁总级平台，并定期整理补充到TEDS 故障图像数据库中；在开展TEDS 模拟故障过车测试试验后或日常运用过程中人工发现典型故障但无法通过系统自动获取时采取人工离线采集的方式，由TEDS 设备管理单位将当前过车整车监控原始图像数据（包括二维图像、图像深度信息等）、历史过车整车监控原始图像数据等通过离线下载的方式从TEDS 探测站采集，在汇总补充过车运行信息、故障详情描述等数据后，通过故障列车整车图像离线数据接口（以下简称“离线整车图像接口”）定期补充到TEDS 故障图像数据库中。

TEDS 动车组故障图像数据库通过数据共享接口提供对外数据共享，所有拥有数据使用权限的用户，均可通过数据共享接口获取数据。同时，基于TEDS 故障图像数据库建立的TEDS 自动识别技术测试平台，可利用数据库数据为各类自动识别技术算法提供算法测试、优化验证、算法比对等系统功能。

2 数据接入设计

TEDS 动车组故障图像数据库数据的接入，主要通过对故障截图接口、在线整车图像接口、离线整车图像接口传输数据来实现。为保证数据采集内容的标准及格式的规范，制定了统一的数据接口规则。

2.1 故障截图接口

2.1.1 接口存放规范

故障截图接口建立于TEDS 段级平台接口服务器上。下发报文及上传图像数据文件的存放目录指定为%TEDS_MIS%\%DATAFILE%。其中，路径通配符%TEDS_MIS%为探测站联网时确定，路径通配符%DATAFILE%用于下发命令的名称为command，用于上传故障图的名称为alarm。

2.1.2 下发反查报文规则

下发的反查报文格式设计如表1 所示。

2.1.3 上传数据规则

TEDS 探测站获取下发反查报文后，向接口服务器发送上传图像数据。其中，二维图像的命名格式为:图像唯一码_图像名称.jpg，图像深度信息按照二维图像命名方式命名，扩展名为.bmp。图像深度信息按8 位位图方式填写，并与二维图像保持图像内容位置一致。

2.2 在线整车图像接口

2.2.1 接口存放规范

在线整车图像接口建立于TEDS 段级平台接口服务器上。下发报文及上传图像数据文件的存放目录指定为%TEDS_MIS%\%DATAFILE%。其中，路径通配符%TEDS_MIS%为探测站联网时确定，路径通配符%DATAFILE%用于下发命令的名称为command。上传整车图像的存放位置依据报文相关内容确定。

2.2.2 下发反查报文规则

下发的反查报文格式设计如表2 所示。

2.2.3 上传数据规则

TEDS 探测站获取下发反查报文后，向接口服务器发送上传图像数据。上传内容包括报文指定列车的整车监控原始二维图像、图像深度信息，该站历史最近1、2 次（如果存在）的该车整车监控原始二维图像、图像深度信息。上传数据的文件编制规则设计如表3 所示。

TEDS 探测站将上述数据按统一规则组织并压缩为“车组号_车型_过车时间.rar”文件，依据反查报文中“存储位置”信息上传至指定目录。其中，车组号为定长4 位动车组车组号，车型为按标准大小写编写动车组车型号，过车时间为定长14 位的列车通过时间编码。

表1 故障截图接口反查报文格式表

2.3 离线整车图像接口

离线整车图像接口建立于TEDS 动车组故障图像库。由TEDS 设备管理单位将需上传过车的整车（车辆）监控原始图像、三维图像及数据，同一探测站历史最近1、2 次（如果存在）的该车整车监控原始二维图像、图像深度信息，以及邻近上1、2 探测站（如果存在）最近一次的该车整车监控原始二维图像、图像深度信息，通过离线下载的方式从探测站采集，汇总补充过车运行信息、故障详情描述等数据后，补充到TEDS 故障图像数据库中。

2.3.1 数据保存目录

数据保存于“…车组号_车型号_过车时间检车类型厂家名称”下。其中，列车数据报文、故障报文保存在“…message”文件夹下，二维图像、图像深度信息保存在“…pic”文件夹下。

其中，“检车类型”文件夹命名规则为:当前列车00，同站历史列车分别为01、02，邻近探测站分别为X1、X2。“厂家名称”文件夹命名为TEDS 设备厂家名称缩写。

2.3.2 上传数据规则

离线整车数据上报时，其列车数据报文、故障报文的上报规则与TEDS 联网监控系统数据接口规则[9]一致，其图像监控二维图像、图像深度信息的上报规则与在线整车图像数据上传文件规则一致。

3 数据共享设计

所有拥有数据使用权限的用户，均可按照权限约束从TEDS 动车组故障图像数据库的数据共享接口获取数据。共享内容主要包括列车及车辆信息、故障详情、当前列车监控图像及深度数据、历史列车监控图像及深度数据等。其中，列车及车辆信息、故障详情通过Webservice 方式获取（如表4 所示），图像及深度数据通过共享文件链接的方式获取。

4 应用效果

根据设计的规则及方案，研发实现了TEDS 动车组故障图像数据库，并在TEDS 国铁集团级监控中心服务器上部署试运行。截至2019 年6 月底，数据库已采集典型故障局部图像数据24 407 例（如图2 所示），故障列车整车图像数据42 例（如图3 所示），并仍在随着TEDS 业务工作的开展保持数据的持续采集。

基于已采集的典型故障数据，试验了动车组车侧裙板卡扣的深度神经网络模型训练，并将训练结果用于裙板卡扣的目标定位及异常检测。相关算法于某铁路局集团公司某动车所库前TEDS 设备进行试点试验，取得了92.3%的异常识别率（有效报警数/真实异常数）及66.7%的报警准确率（有效报警数/自动报警数），相较于TEDS 原有算法有明显的识别能力提升。

表2 在线整车图像接口反查报文格式表

表3 在线整车图像数据上传文件规则表

表4 Webservice 接口表

图2 典型故障局部图像数据示例图

图3 故障列车整车图像数据示例图

表5 裙板卡扣异常检测统计表

5 结束语

基于数字图像处理研究的基本规律，开展了TEDS故障自动识别技术的基础性研究工作，研究了TEDS 动车组故障图像数据库建立技术，设计了统一的数据采集规范，制定标准的数据格式及规则，实现了TEDS 动车组故障图像数据库的建立，有效推动了TEDS 自动识别技术的发展，为保障动车组运行安全奠定了良好的技术基础。下一步，将在不断清理优化数据库数据内容的基础上，针对动车组关键部位及部件开展基于深度学习的故障识别研究。