基于GAN 网络的地铁制动闸瓦异常检测系统

辽宁省大连地铁集团有限公司/周纪武 石磊

引言

制动闸瓦是地铁车辆制动单元的一个重要零件（如图1所示），它在车辆制动时，直接紧压车轮踏面(或制动盘)，增大对车轮踏面的摩擦，阻滞车轮的转动，在轮轨间粘着力的作用下使列车减速或停止运行。在车辆高频的调速和停车过程中闸瓦都会受到较大程度的磨损，破损的闸瓦存在极高的安全隐患，很可能就会产生车辆失控等极其严重的后果。现阶段针对地铁闸瓦的检测大多是依赖人工，在夜间非运营期间车辆入库后，进行查看、拍照、记录，这种方式需要投入很高的人力成本，但工作效率不高。因此，为了提升部件检测的准确率和可复查性，保证地铁车辆的行驶安全，同时提高巡检效率，降低人力成本，本文提出一种基于GAN网络的地铁制动闸瓦异常检测系统，该系统也可应用于其它地铁部件的检测，具有较高的可移植性和重用性。

图1 地铁转向架（标红部分为闸瓦）

图像异常检测的主要目的是找到正样本和负样本的边界，辨别出检测图像是否为异常图像，边界可以是图像空间或者是高维特征空间。在实际闸瓦检测过程中，正常图像数据相比于异常图像数据多的多，但是异常情况又是我们最关心的。所以，这就要求我们采用传统的数字图像处理算法、半监督或者无监督学习算法进行异常检测。

基于传统数字图像处理的方法一般是将模板图像和待检测图像进行对比，计算两张图像的距离，如果距离超过阈值，则该图像存在异常。此方法的优点是原理简单、计算速度快，缺点是抗干扰能力弱，易受光照干扰；图像空间上的异常检测算法的主要思想是使用正样本训练Auto-encoder，则使用网络重构出的图像会趋近于正样本，利用这一性质在推理阶段进行异常判断：如果输入的是异常图像，那么输出的重构图像和正样本有较大差距。

一、系统总体设计

基于深度神经网络的地铁制动闸瓦异常检测系统由图像数据采集模块、图像预处理模块、算法分析模块和后处理模块四大模块组成，系统架构图如图2所示。

图2 系统架构图

数据采集模块分为硬件和软件两部分，其中硬件部分主要包括线阵相机、补光灯、测速装置等；软件部分包括上位机主控软件、图像采集控制软件等。在地铁即将驶入相机拍摄范围时，上位机获取到来车信号，开启补光装置，测速装置开始测量车辆的速度值，上位机软件将车速信息转化为相机的采集帧率，控制线阵相机抓取图像、然后将车辆图像信息传送给数据预处理模块。

数据预处理模块的作用是对数据采集模块采集到的车辆图像进行定位和去噪。由于相机采集的原始车辆图像数据是整车图像，而我们关心的是制动闸瓦部分。所以，预处理模块需对单元制动机闸瓦部件进行定位。相机在露天环境中工作，会受到太阳光或者雨雪天气影响，图像会包含一定的噪声。所以我们需要对闸瓦的定位图像进行噪声滤除，为算法分析模块提供稳定的图像数据。

算法分析模块主要负责图像数据的异常检测，判断当前数据是否为异常数据，即是否出现了闸瓦裂纹或破损。将预处理过的闸瓦图像输入训练好的深度学习网络，再由网络输出异常区域和是否为异常图像的分类结果。

后处理模块的作用是将异常检测结果图像保存到硬盘，将异常数据存入数据库并发送给前端平台显示。

二、算法设计

生成对抗网络（GAN）是由Goodfellow等人在2014年提出的无监督学习算法。网络最初的目的是生成接近真实的图片，在生成对抗网络中，有两个网络进行对抗训练。一个是判别网络，目标是尽量准确地判断一个样本是来自于真实数据还是生成网络产生的；另一个是生成网络，目标是尽量生成判别网络无法区分来源的样本。这两个目标相反的网络不断地进行交替训练。当最后收敛时，如果判别网络再也无法判断出一个样本的来源，那么也就等价于生成网络可以生成符合真实数据分布的样本。

我们的目的是在一个极度不平衡的网络上训练一个非监督网络来进行异常检测。给定一个数据集D包含M个正常图片，即，和一个包含N个样本的测试集，即。其中为图像标签，0为异常图像，1为正常图像。在本系统中，正样本远远大于负样本，也就是。我们用数据集D训练模型，然后在测试集上检测异常样本。模型不但学习正常数据的分布，而且最小化输出异常值。对于测试图片，如果图片为负样本，模型的异常得分大于阈值，那么说明当前图片大概率为异常图像。

（一）模型结构

本系统的异常检测网络结构包含两个编码器，一个解码器和一个判别网络。

第一个子网络为一个常见的碗形自编码器，主要的作用是将输入的图像进行重建。此子网络的结构设计参考了DCGAN网络，生成器学习输入图像的表示，然后解码器重构图像。即从一个三通道的图像，通过卷积激励层，将输入图像编码为n维向量，再经过一个逆过程将n维向量映射为一个三通道图像。

第二个子网络为一个编码器网络，它的输入为第一个子网络的重构图像，输出为n维向量，它的维度和第一个子网络中的编码器网络输出的维度相同，且其网络结构和第一个子网络的编码器结构相同。它摒弃了大部分基于自编码器异常检测通过比对输入图像和重建图像的差异的方式，而是变为比对输入图像和重构图像更加高维的特征，这样的抽象可以使其大大提高抗干扰能力，学习到异常检测模型更加具有鲁棒性。

第三个子网络为一个判别网络，它的作用是用于判别原始输入图像和重构图像，即需将原图判定为真，将重建图判定为假。它的结构和第一个子网络的解码网络结构相同。判别网络的引入目的是为了引入对抗思想。

（二）模型训练

该模型的训练策略和常规情况下GAN网络的训练策略相同，即交替训练生成器和判别器。本文的模型训练都是通过正样本实现的，网络结构由三个子网络组成，每个子网络对应一个损失函数，共同组成模型的损失函数。

首先在训练集上训练判别器，也就是上文提到的第三个子网络，损失函数计算的是输入图像和重构的图像经过判别网络输出特征的L2距离，判别器使用的损失函数定义为：

第二个损失为重构损失，用了在训练阶段惩罚生成器，这里我们采用的是L1损失，因为往往重构之后的图像较为模糊，使模型更加容易收敛。通过最小化L1损失，惩罚生成器，更新生成器权重，使重构后的图像更加接近输入图像。重构损失定义为：

第三个损失函数为编码网络的损失，它的作用是计算输入图像和重构图像的高维特征距离，它的定义为：

总体来说，损失函数有上文的三部分组成，定义为：

三、系统测试

在模型的测试阶段，我们用来判定图像为异常图像的时候不是采用类似其他方法的重构损失，而是采用编码损失。我们选取训练阶段编码损失最大值作为阈值，当一张输入图像的编码损失大于这个阈值时，我们认为其为异常图像，当编码损失小于异常值时，认为其为正常图像。我们还可以利用正常的模板图像重构图像和异常图像的重构图像做对比，可以得到制动闸瓦部分破损或缺失的异常区域。

为了评估本系统的有效性，我们选择了1000张真实闸瓦图像进行测试，其中90%为正常图像，10%为异常图像，并将识别的准确率、误报率和漏报率作为本系统的评价指标。其中，表示真正样本数，表示真负样本数，表示假正样本数，表示假负样本数。

因为我们的检测目标是异常图像，所以在计算评价指标时将异常图像作为正样本，正常图像作为负样本，实验结果如表1所示：

表1 实验结果评价指标

四、结语

本基于GAN网络的制动闸瓦异常检测系统，通过线阵相机扫描地铁车辆走行部图像，定位单元制动机位置。将定位图像输入异常检测网络，如果输入为异常图像，网络输出得分大于设定阈值，则判断输入图像异常。经过测试，网络可以对异常图像进行准确预测报警。此外，该系统还可应用于多个其它地铁部件检测，具有很高的移植性和复用性。