轨道交通车辆3D图像在线智能检测系统研究
2022-06-15刘冶
刘冶
(北京运达华开科技有限公司,北京 102200)
随着我国铁路地铁车辆大量运用,安全保障工作变得越来越复杂,地铁车辆开行密度大,使得地铁车辆检修难度不断提升;而地铁车辆入库检车时间缩短,更使铁路地铁车辆运用安全监控面临极大挑战,单纯以人为主的库检方式容易造成漏检,检车作业质量和效率难以得到保证,增加了运行安全隐患。因此,研制运用一种可对运行中的地铁车辆进行地对车检测的自动化系统,成为必然的发展方向。
本系统以人机结合的方式实现全面检和重点检相结合,利用地铁车辆结构规范统一、编组固定、线路运行规律的特点,采用自动识别及图像识别比对技术,提高了地铁车辆故障发现能力和故障产生初期的预警能力,增强了地铁车辆运行的安全防范水平。
图1 系统拓扑结构图
系统具备以下功能特点:
(1)全自动无人值守,免维护周期不少于半年;(2)适应最大车速25km/h,满足库内限速20km/h的车辆运行速度要求;(3)自适应车速,能根据车速变化动态调整采集频率,确保图像数据完整有效;(4)自动监测识别车底关键悬挂部件的高温异常故障;(5)采用基于神经网络的深度学习算法,加强图像故障特征识别的准确率和抗扰能力。
1 系统介绍
1.1 系统概述
根据研制需求,系统主要由轨边采集设备组、轨边机柜以及中心机房组成。
其中,轨边采集设备组实现采集列车底部、转向架、裙摆部件的图像数据;采集列车顶部可视部件图像;通过热成像采集齿轮箱、电气箱、电机温度。轨边机柜实现数据的采集、存储、分析。中心机房用于车辆信息和检测结果展示,并可通过设备终端推送故障预警信息。
1.2 主要功能
1.2.1 底侧图像采集设备
底侧图像采集设备主要对地铁车辆底部和侧部进行完整检测,包括转向架总成及部件、车下风管、电气连接线等重要部件。该设备采用7组线阵扫描采集装置组成,装置内部配置1套线阵采集模组和1套3D深度成像模组,分布式部署在车辆的底部和侧部轨道上,能对车辆底部和侧部进行连续拍摄,形成整车无缝连贯的图像,确保图像检测的完整性。
1.2.2 车顶图像采集设备
车顶图像采集设备利用工业相机进行采集,高亮LED对相机进行补光,实时监拍车顶。通过图像识别算法可有效判断车顶可视部件异常,比如,防护罩版未锁紧、受电弓结构异常等。
1.2.3 车底关键悬挂高温异常监测设备
该设备主要对车底的齿轮箱、电气箱、电机等重点部件温度进行检测,利用红外温度相机对温度数据进行采集,然后对采集的数据进行分析,判断温度是否异常并进行报警。该设备可对特定区域或指定区域中的关键点进行针对性温度监测。
1.2.4 车号识别录入设备
车号识别录入设备主要负责对经过车辆的车号进行自动识别,录入数据库关联过车数据数据和报警信息,以便平台系统用于查询检索相关故障。根据研制要求,采用一组工业面阵相机实现对过往车辆的车号区域进行监拍,采集车号图像后进行OCR字符识别,需要先对图像进行灰度化、灰度拉伸、边缘提取、二值化等处理,然后,通过水平跳变检测进行字符分割,最后将分割出的字符与模板字符匹配识别出车号信息,完成车号自动识别。对于不理想的车号图像(如脏污、反光等干扰),利用深度学习技术进行专项训练优化,以提高识别准确率。
1.2.5 接车和测速装置
图像采集过程中,需要根据车速动态调整采集的帧率,保证采集的图像没有变形。系统采用磁钢进行测速,其基本原理为:每两个磁钢为1组,每组中2个磁钢间设置不小于20cm的安装距离。同一个车轮依次经过2个磁钢后先后产生2次触发信号,磁钢间的距离除以2次触发的时间间隔后计算出当前车辆的速度。
1.2.6 吹风除尘装置
吹风除尘装置主要解决雨水、尘土等对设备视窗的干扰影响。根据现场环境条件,最终选用视窗玻璃镀AgI和风机除尘相结合的方式进行除污。
1.2.7 全自动防护门装置
防护门装置在没有过车时处于关闭状态,当有磁钢触发后,开关门自动打开,采集设备开始工作,车辆完全通过后开关门自动关闭。由于现场设备安装尺寸的限制,开关门采用水平移动的方式进行打开和关闭。设计采用1组步进式电机,根据设置的脉冲数控制电机旋转,通过齿轮结构带动开关门打开和闭合。
1.2.8 轨边机柜服务器
轨边布置户外空调机柜,内部安装供电模组、服务器、交换机等设备。用于实现走行部底部、侧部、顶部可视部件图像和底部温度的采集、传输、存储功能,通过识别分析程序实现对车辆走行部和底部的异常分析和高温报警功能。
1.2.9 数据分析平台
该系统数据分析平台部署在地面服务器上,采用B/S架构,网络内任意终端可通过网页进行访问,解决了软件部署和跨平台的工程问题。该数据平台主要实现用户管理、查看所有过车信息、通过车号查看实时故障、查看故障维修记录、查看各类故障统计等功能。
2 关键创新点
2.1 采用深度学习算法优化检测效果
图2 识别算法流程图
关于系统自动化检测的识别算法,同类产品中普遍采用“历史比对”的方式,即通过算法分析识别相邻两次过车所采集图像上的差异,并高亮标识。这种方式仅能为运维人员提供差异提醒,对运维工作指导意义不明显,运维排查效率不高,不能直接判定故障。
本系统引入基于深度神经网络的机器学习算法,首先对车辆目标特征进行检索,再识别判断特定目标区域内的故障特征。检测识别的思路和流程与人工巡检非常接近,运维人员易上手好排查,同时,系统可直接输出具体部位的具体故障,大幅减少人员分析判断的过程,提高运维检测效率。
2.2 引入3D深度数据排除纹理干扰
关于图像故障识别,图像中纹理特征通常可以提供足够丰富的数据信息,所以多数图像检测类系统普遍采用2D纹理图像进行识别分析。但2D纹理图像缺少立体深度信息,某些特殊纹理(如阴影、强反光、油渍、水渍、粉笔刻划等)容易造成识别错误或故障误判,引入深度信息可有效剔除2D纹理干扰问题,提高算法准确率。
图3 3D深度图像(右)可有效剔除2D纹理图像(左)中的标签和污迹
3 实际运用效果
3.1 可视故障特征检测
一般情况下,运维检查出的故障有一定的离散随机性,短期内真实反馈故障不具备多样性,无法充分验证系统的检测效果,故考虑通过在车底和车侧容易发生故障的部位绑上白色布条作为故障标志物,调度车辆通过检测设备,然后查看系统识别结果,复核验证故障识别效果。
图4 转向架侧部多处绑定故障标志物的识别效果示意
图5 车辆底部管夹处绑定故障标志物的识别效果示意
3.2 车底关键悬挂高温异常监测
针对过往车辆底部进行热成像温度监测,可实现对车底特定部位区域的针对性实时温度测量,也可实现多点监测。经数据分析发现,高温异常点多发生在牵引齿轮箱、联轴器和高压设备箱。实际高温监测热像图详见图6。
图6 车辆底部关键部位高温监测效果示意
4 结语
城市轨道交通正在日新月异地变化,通过该系统对城市轨道交通运营车辆走行部和底部状态的全面监控,将能有效地增加车辆运行的安全保障,从而为城市轨道交通的安全运行、设备维护工作带来积极的作用。
本系统在创造经济效益的同时也可以创造可观的社会效益。本系统的实施有以下作用:(1)改变了传统作业模式,极大地提高了我国城市轨道交通安全监测能力;(2)缩短现场事故原因分析时间,从而缩短故障分析处理时间,将对行车调度和运力运量匹配影响降低到最小;(3)主要解决了传统手段检修周期长、劳动强度大、效率低等问题,极大地提高了劳动生产力,对节能降耗起到了非常重要的作用;(4)未来随着系统的成熟,该系统可逐步替代人工日检只需人确认,极大地降低了人力成本。