提高动车组运行故障动态图像检测系统自动识别率的探讨

陈 刚

(中国铁路上海局集团有限公司 机辆检测所，上海 200070)

动车组运行故障动态图像检测系统(TEDS)是利用轨边安装的多组高速工业相机抓拍运行中的列车图片，通过图像处理技术手段，对运行中的列车表面机械类故障进行检测[1]。待检测的部件及故障形态依据铁总运[2016]62号文，主要包括裙板、底板、转向架以及车端连接处四大部分。总体来看，待检测的车型、部件种类繁多，故障形态多种多样，并且设备受外界环境(天气变化、光照变化)影响较大，存在较多的检测技术难点，即使在保证识别率的情况下对误报的控制也是个较大难题。误报率高将导致各动车段在判别真假故障上消耗大量的人力、物力，甚至会因人工复核识别时间过长导致故障漏检，造成车辆带故障运行，影响行车安全。

1 识别算法策略分析

为了提高识别的准确度，降低误报率，目前各设备厂家采取的识别算法策略已经由最原始的对比法策略转换为分车型、分部件的算法策略。目前的识别算法对所有的过车车型进行了细分，并且对车辆上的每个部件进行了再细分，以便根据不同的部件及其故障形态进行相应的算法开发。经过几次的实车试验，已经初步验证了该算法的有效性，在很大程度上提高了故障的检出率，降低了误报率[2]。但是同时也存在着一些问题：(1)车型种类繁多，而且相同车型的局部结构存在批次上的差异；(2)安装导致设备之间拍摄的图片视野差异较大，不利于后期程序的统一布置和维护；(3)需要针对不同的部件形态设计不同的特征以及算法策略。

目前自动识别在时间段上不受影响，但是受光照变化、天气变化影响较大，现将目前算法所涵盖的部件、故障形态、适应天气情况以及识别效果总结如表1所示。

表1 目前算法所涵盖的部件、故障形态、适应天气情况以及识别效果

2 提高方案探讨

目前算法虽然较原始的算法有了较大进步，但由于各方面因素的限制，也存在着诸多不足之处。本文针对铁总运[2016]62号文中所提到的部件进行分类划分，并针对实际运用情况，对各部件识别算法的技术难点以及可行性进行分析。

2.1 诸多因素组合时会有一定误报的部件

正常情况下识别效果较好，但诸多因素组合时会有一定误报的部件主要包括门口类盖板打开、裙底板类脱落和较大异物、车轴降噪层脱落、齿轮箱漏油、闸片丢失、STM保护罩脱落、BTM天线防护板脱落等。

在正常情况下，该类部件识别效果较好，几乎没有漏报，并且误报较少。但是该类部件受天气变化(大雨雪)、光照变化(阳光干扰严重时、图像过曝或过暗、图像光照不均匀)等因素影响时，会导致误报增多的情况。如何克服这些不利因素的影响，降低误报率，是该类部件故障识别的主攻方向。

2.1.1 门口类盖板打开

随着深度学习技术的发展和该类型部件故障样本的积累，为提升该类型部件的故障识别率和降低误报率提供了新的解决手段。深度学习技术是利用神经网络模型结构和优化器算法使网络模型参数在样本图像中进行收敛，从而学到该部件故障的本质特征，达到故障判断的目的。在这里利用目标检测网络模型和CNN分类网络模型结构，采用SGD随机梯度下降算法，对故障图片和正常图片进行学习。

该类型部件供神经网络模型算法学习的图片应涵盖各类车型各种口类正常和故障的样本图片，样本图片示例如图1。

图1 门口类盖板打开训练样本示意图

2.1.2 裙底板脱落和大面积异物、车轴降噪层脱落、齿轮箱漏油、闸片丢失、STM保护罩脱落、BTM天线防护板脱落

该部分的算法目前受天气影响较大，大雨雪天气时误报增加较多，虽然能克服轻微的光照变化，但不能克服光线变化较大等情况。所以该类型的部件需重点解决外界环境变化所造成的干扰问题。目前，TEDS-3D统型设备已经有深度信息，可以利用深度信息剔除上述不利因素情况下所产生的误报，对裙底板脱落、闸片丢失、STM保护罩脱落、BTM天线防护板脱落有效；而车轴降噪层脱落、齿轮箱漏油对深度信息不敏感，不能通过深度信息剔除误报。孪生网络模型是一种度量学习网络模型，能够学习2张图片的相似度，从而抓住该类型部件的本质变化，克服外界环境变化所带来的干扰。

图2所示为供孪生网络学习的图像对。

图2 孪生网络学习图像对示例图

2.2 需要继续攻克技术难点的部件

目前有一定效果，但仍存在诸多问题和技术难点，需要继续攻克的部件主要包括轴端盖螺栓丢失、底板螺栓丢失、转向架电机吊架螺栓丢失、车端连接线脱落、裙板锁卡扣拆除、风挡外翻、转向架部分连接电缆类断开等。

2.2.1 螺栓丢失类

目前螺栓类的算法是根据螺栓真实丢失后的基本特征设计，能够克服一定的光线变化干扰，但是在下雨的时候，由于雨迹多种多样，有时会造成误报。侧部转向架螺栓受太阳光照影响较严重，误报略多些。

为解决上述问题，需要先解决螺栓的精确定位和螺栓分类器的设计问题。由于螺栓种类繁多，并且有些螺栓在图像中所占的像素较小，对螺栓的定位就显得尤为重要。而采用分类器的方法，需要考虑各种大小的螺栓，且螺栓数量较多，分类器设计以及搜集样本存在着一定难度。先假设分类器能够达到95%的精度，此时产生的误报也不少；采用变通的方法设计分类器，利用分类器去剔除误报，重要的是搜集螺栓丢失的负样本，需要搜集的样本较多；还可以利用深度信息去做判断，但螺栓较小，对深度数据的对齐显得更加重要和苛刻。所以，可以利用深度学习技术和深度信息相结合的方法来实现对螺栓丢失类故障的判断。深度学习技术在目标检测方面有着较好的效果，这里假设历史过车不存在螺栓丢失的情况，首先利用目标检测神经网络模型实现对历史过车螺栓的精确定位，然后结合分类网络模型和深度数据，实现对螺栓丢失故障的判断。

螺栓故障样本示例如图3所示。

图3 螺栓故障样本示例

2.2.2 车端连接线脱落

对车端连接线的检测目前有一定效果，但误报比较多，主要原因有该部分受光线干扰、车辆晃动、该部位图片较暗等因素的影响。目前的改进思路是利用现有的信息把线缆从图像中分割出来，但线缆为黑色，和背景较为接近，有一定的分割难度，需要尝试不同的方法和思路。

2.2.3 裙板锁和风挡

目前针对裙板锁卡扣的检测效果较好，针对三角形等类型锁检测效果一般，三角形锁在图像中展现比较模糊，且背景噪点较多，已经覆盖掉原有的信息，故对这种类型的裙板锁检测比较困难。风挡目前在图像质量好的情况下检测效果较好。

2.2.4 转向架部分连接电缆类断开

该部分面临的问题是电缆繁多，走线多种多样，最直接的方法是对比，但是对比存在误报率高的缺点。如果根据各个线缆的特征去设计，又涉及到电缆的图像分割，由于电缆部分背景一般比较复杂，而且电缆走线方式多种多样，一旦因为其他因素造成误报，得不到很好的剔除。

2.3 检测难度较大的部件

主要包括各部件裂纹类故障、螺栓防松铁丝断裂、闸片开口销穿销丢失等。

该类部件在图像中所占的像素很小，对图像轻微的去噪声处理都会把这一类故障滤掉，所以检测该类故障比较困难。但其中螺栓防松铁丝断裂现实场景中存在较多真实样本图片，随着深度学习技术中的实例分割技术的进步，针对防松铁丝类故障也有望进一步提高故障检出率。

3 结论

综上所述，分车型、分部件的算法对车型、部件进行了细分，利用深度学习技术设计对应的网络模型，同时提升了一些小部件的定位精度。另外结合深度数据实现了对丢失类部件的精确检测和误报剔除。建议各设备厂家和各铁路局联合建立设备故障图库，并定期更新和共享，以提高对动车组故障类别的分析和理解能力，从而提高全路TEDS设备的自动识别水平，减少人工复核工作量。