心盘螺栓故障图像自动识别应用

马凌宇

[摘    要]铁路货车的载重量不断增加，且由于全面提速的背景下，铁路货车运行速度不断提高，货车运行安全成为重中之重，采用动态检测方法实现货车运行故障动态检测，及时快速地排除铁路货车运行中存在的故障，为铁路货车的安全运行奠定基础。现阶段，针对货车动态检测主要采用人机结合的工作模式实现，为了提升货车运行故障检测准确率以及工作效率，可不断优化货车运行故障动态检测系统，采用计算机自动识别故障图像技术，实现铁路货运安全检测能力的提升，对保障货车安全运行有积极作用。文章主要以货车心盘螺栓故障为例，采用图像自动识别技术进行检测分析，提高心盘螺栓故障的识别率。

[关键词]心盘螺栓故障;图像自动识别;识别率

[中图分类号]TP391.41 [文献标志码]A [文章编号]2095–6487（2021）09–00–03

[Abstract]The load capacity of railway freight cars is increasing， and due to the background of comprehensive speed increase， the running speed of railway freight cars continues to increase. The safety of freight cars has become the top priority. The dynamic detection method is adopted to realize the dynamic detection of freight car operation faults， and the railway can be quickly and quickly eliminated. The faults in the operation of freight cars lay the foundation for the safe operation of railway freight cars. At this stage， the dynamic detection of trucks is mainly realized by the combination of man and machine. In order to improve the accuracy and efficiency of truck operation fault detection， the dynamic detection system of truck running faults can be continuously optimized， and the computer automatic fault image technology can be used to realize railway freight. The improvement of safety inspection capabilities has a positive effect on ensuring the safe operation of trucks. In this paper， the main truck center plate bolt failure is taken as an example， and the image automatic recognition technology is used for detection and analysis to improve the recognition rate of the center plate bolt failure.

[Keywords]center plate bolt failure;automatic image recognition;recognition rate

1 故障圖像处理技术

在科学技术高速发展阶段，铁路货车列检工作中不断运用先进动态检测技术，使得铁路货车检测效率得以提升，可运用故障图像自动化识别技术，流程包含图像预处理、图像定位、图像描述以及故障图像识别。

（1）图像预处理。图像采集过程中，受到光照、外界环境以及设备传输等不确定因素的影响，使得图像质量不高，容易出现噪声、模糊现象，为了提升图像自动识别效果，需对图像进行预处理，主要包含增强、去噪、滤波以及去模糊等一系列操作;

（2）图像定位。由于心盘螺栓零部件较小，在每张图像中所出现的位置均有所不同，因此要准确定位螺栓位置，可借助边缘检测、图像分割等检测方法实现图像定位处理;

（3）图像描述。心盘螺栓图像经处理后，需对图像空间域纹理、频率域的纹理进行描述，分别采用韦伯定律、局部相位量化等进行纹理描述;

（4）故障图像识别。针对心盘螺栓故障进行图像识别时，主要采用支持向量机实现，其为一种新型机器学习算法，保障分类准确率，大大降低分类错误率。

2 心盘螺栓故障图像检测算法设计

现阶段，货车心盘结构为组合式心盘，心盘螺栓丢失为常见故障，而且螺栓作为心盘结构连接的关键零部件，一旦发生丢失故障，则是使得心盘、心盘垫在摇枕上发生位移情况，进而导致转向架出现无法定位情况，使得货车运行安全性降低。心盘螺栓图像主要分为两种类型，分别记为A型图像（类似于转K2的心盘螺栓类型）、B型图像（类似于转8A的心盘螺栓类型）。

心盘螺栓图像去噪：心盘螺栓图像采集过程中，受到运行环境、光照等因素的影响，图像质量不佳，降低图像检测准确率。为保障心盘螺栓图像检测准确率，需对心盘螺栓图像进行去噪处理，即利用3×3模板中值滤波实现心盘螺栓图像去噪。

2.1 制动横梁定位

图像投影能够快速定位心盘螺栓区域内特定形状图像，尤其是制动横梁，可运用二值化图像水平投影实现定位。二值化法主要包含全局阈值法、局部阈值法、动态阈值法等，本文研究主要采用全局阈值法中的Otsu阈值分割法进行定位。针对制动横梁经Otsu阈值分割法定位，制动横梁形态较为完好，可获取其水平投影最大值，为779像素。

2.2 制动拉杆定位

制动拉杆在制动横梁附近，其特征较为明显，在图像定位中，可以制动横梁的纵向坐标作为基准进行制动拉杆定位，制动横梁纵向坐标上下250像素内投影操作，获取制动拉杆最大垂直投影值，为347像素，其为制动拉杆水平方向坐标，由此说明，制动拉杆位于制动横梁下方。

2.3 图像类型分类

由于心盘螺栓几何分布不同，无法运用同一种方式进行定位，基于了解不同图像的特点，实现图像分类，并予以定位。区别A型图像、B型图像的标准为制动拉杆的长短，若图像最大投影值大于165，则说明图像为B型图像，若小于165，则说明图像为A型图像。

2.4 A型心盘螺栓定位

心盘螺栓A型图像，其加强筋特征十分明显，可依据加强筋和图像中交叉点A确定加强筋所在区域。加强筋边缘特征十分丰富，可运用边缘检测方法（Canny算法）实现边缘特征的提取，实现心盘螺栓的准确定位。但在实际运用中，Canny算法存在不足情况，应依据加强筋边缘特点实现Canny算法的改进，旨在提升算法的抗噪声能力。改进策略如下：①相比较于Sebol算法，Frei-Chen算法具有细微边缘、暗区边缘检测能力，可将Sebol算法予以替换。梯度计算公式为：

在A型图像处理中，改进的Canny算法有较强的去噪声能力，对边缘检测的检测效果良好，凸显加强筋部位定位准确性。待获取加强筋图像边缘特征后利用投影定位。具体操作为：整理加强筋部位边缘检测图像垂直投影值，于两个最大投影值的中点作为加强筋水平坐标（x轴）;于加强筋边缘水平位置周围5个像素范围外的像素值均设置为0，获取加强筋的水平投影，并取中点的x轴坐标作为螺栓垂直坐标，实现加强筋精准位置点B的确定。且位置点B与A型心盘螺栓位置呈现中心对称图像，并由此确定心盘螺栓在A型图像中的位置。

2.5 B型心盘螺栓定位

相比较于A型心盘螺栓定位来说，B型心盘螺栓周围无规律性特征辅助定位，无法采用A型心盘螺栓定位方法予以定位。而且在B型心盘螺栓图像中分为两种情况，①制动拉杆同侧心盘螺栓被遮挡，对于定位产生不利影响;②心盘螺栓无遮挡，有助于螺栓定位。针对心盘螺栓无遮挡定位，主要采用Hough、Canny等算法进行定位，但由于心盘螺栓位置的特殊性，受到外界不确定因素的影响较大，导致心盘螺栓定位失败。为了适应复杂图像环境中心盘螺栓的准确定位，可采用SVM分类器对目标图像分类识别。因此，心盘螺栓无遮挡定位方法主要为基于滑动窗口的SVM定位分类器定位。在图像所有区域内运用81×81像素窗口滑动，拟用WLD-LPQ特征提取滑动过程中每个像素点的螺栓特征，并利用SVM定位分类器实现标记操作。心盘螺栓图像標记为1，不是心盘螺栓图像的标记为0，整理并输出心盘螺栓整体图像。但该种方法具有运行耗时长的特点，降低实时性。为提高实时性，可采用差分激励处理图像，实现螺栓定位。B型无遮挡心盘螺栓，经差分激励处理后，图像纹理走向特征十分明显，大部分的纹理特征为横向走向，仅有小部分纹理特征为纵向走向，差分激励处理后图像可投影使用。心盘螺栓位置区域纵向坐标可通过像素规律变化予以确定，规律特征较为明显的区域为螺栓位置区域投影。垂直投影无规律性，则无法实现螺栓定位处理。

利用基于滑动窗口的SVM定位分类器沿着纵向坐标直线方向，定位螺栓位置，缩小SVM定位分类器滑动范围，缩短定位消耗时间，提高SVM定位分类器识别率。

使用SVM定位分类器滑动提取特征中，应采集螺栓正负样本，并将样本WLD-LPQ特征向量予以提取，并将其导入基于滑动窗口的SVM定位分类器进行训练，获取相关参数，提升定位准确率，进而保障无遮挡螺栓区域精准定位，最后输出螺栓定位图像。

2.6 心盘螺栓区域图像描述

采用二分法进行参数（C，σ）寻优，具体操作步骤：利用线性SVM求解最优化误差惩罚参数C，随后将C代入高斯核函数SVM中，并利用二分法实现最优参数的查询，若是参数结果超过设定的精度值，可结束本轮寻优。若最优σ值附近缩小步长值，可重复C代入高斯核函数SVM中操作，实现更为细致的二分寻优，直至达到预定精度值。

3 心盘螺栓故障图像检测算法试验

以1800张货车运行故障系统中心盘螺栓图像作为测试样本，并将不同心盘螺栓故障算法进行试验对比，获取相应的试验结果。本文主要以机器视觉、图像处理与机器学习技术等为基础，设计相应的自动检测算法，以实现对心盘螺栓故障图像的高效检测。

相比较于Hough算法，本文算法无论在平均检测时间还是检测准确率方面均有显著提高，具有较强的优越性，可作为货车运行心盘螺栓故障图像检测的重要技术。

4 结束语

综上所述，货车心盘螺栓故障为常见故障，但由于心盘螺栓故障所处环境复杂，增加列检工作人员工作任务量的同时，容易出现漏检现象，大大降低货车运行安全性。因此，基于机器视觉、图像处理与机器学习技术设计自动检测算法，以此实现对货车运行中心盘螺栓故障图像的自动识别，确定故障类型、位置，及时采取相应的维修技术，确保货车安全稳定运行。

参考文献

[1] 陈刚.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[J].铁道车辆，2021，59（3）：97-100.

[2] 张涛，付媛媛，林勤.地铁客车重要零部件转向架轴端吊耳螺栓脱落故障分析及解决措施[J].大连交通大学学报，2021，42（2）：23-27.

[3] 徐建勇，丰文胜，薛强.基于图像识别和多感知融合的列车自动防护方案[J].铁道通信信号，2019，55（10）：84-87.

[4] 覃华兵.铁路货车故障图像自动识别的研究[J].企业科技与发展，2019（9）：100-101.

[5] 高利军，华路捷，刘畅，等.电动客车走行部故障图像检测系统[J].交通世界，2018（35）：40-41.