摘要：文章對(duì)朔黃鐵路貨車動(dòng)態(tài)圖像項(xiàng)目的可行性進(jìn)行了研究，證明鐵路貨車故障動(dòng)態(tài)圖像分析系統(tǒng)得到了成功運(yùn)用，優(yōu)化了TFDS技檢作業(yè)流程，提高了檢車效率，實(shí)現(xiàn)了車輛運(yùn)用技術(shù)檢查方式由“人檢”向“機(jī)檢”的過(guò)渡，列檢質(zhì)量由“人控”向“機(jī)控”的轉(zhuǎn)變，減輕了現(xiàn)場(chǎng)作業(yè)勞動(dòng)強(qiáng)度，確保了運(yùn)輸安全。

關(guān)鍵詞：朔黃鐵路；貨車動(dòng)態(tài)圖像；項(xiàng)目可行性；TFDS；技檢作業(yè) 文獻(xiàn)標(biāo)識(shí)碼：A

中圖分類號(hào)：U260 文章編號(hào)：1009-2374（2015）28-0111-03 DOI：10.13535/j.cnki.11-4406/n.2015.28.054

1 項(xiàng)目概要

鐵路貨車故障動(dòng)態(tài)圖像分析系統(tǒng)通過(guò)布置于鋼軌之間的高速相機(jī)陣列，拍攝運(yùn)行貨車車輛的轉(zhuǎn)向架、中間部、基礎(chǔ)制動(dòng)裝置、車鉤緩沖裝置等車輛關(guān)鍵部位的圖像，采用先進(jìn)的抗陽(yáng)光干擾技術(shù)、圖像數(shù)據(jù)實(shí)時(shí)處理技術(shù)、精確定位算法和模式識(shí)別技術(shù)，實(shí)現(xiàn)了12種故障的自動(dòng)判別，經(jīng)由列檢值班員確認(rèn)后，通知室外檢車員進(jìn)行處理，可預(yù)防發(fā)生多種危及行車安全的故障。目前朔黃鐵路運(yùn)用貨車共17000輛左右，與國(guó)鐵相比，貨車車型相對(duì)單一、周轉(zhuǎn)速度較快。針對(duì)朔黃鐵路的現(xiàn)狀，項(xiàng)目提出的研究?jī)?nèi)容為：鐵路貨車運(yùn)行故障動(dòng)態(tài)圖像檢測(cè)系統(tǒng)對(duì)過(guò)往的車輛進(jìn)行故障自動(dòng)識(shí)別和報(bào)警，其中共包括12種故障類型：關(guān)門車、閘瓦或閘瓦釬丟失、心盤螺栓丟失、制動(dòng)系統(tǒng)圓銷丟失、風(fēng)堵丟失、鉤舌銷丟失、鉤舌推鐵丟失、制動(dòng)梁支柱圓銷丟失、枕簧丟失、緩沖器托板螺栓丟失、鉤托梁螺栓丟失及滾動(dòng)軸承端頭螺栓丟失。

通過(guò)前期對(duì)朔黃鐵路運(yùn)用貨車車輛和項(xiàng)目涉及的12種故障的調(diào)研，項(xiàng)目組制定了一套基于朔黃鐵路的系統(tǒng)技術(shù)研發(fā)方案。技術(shù)人員綜合考慮到算法實(shí)現(xiàn)難易程度、現(xiàn)場(chǎng)需求迫切程度及故障發(fā)生頻率等特點(diǎn)，有計(jì)劃、按步驟地完成了12個(gè)故障識(shí)別模塊的研發(fā)工作，并在朔黃鐵路肅寧段進(jìn)行了系統(tǒng)測(cè)試及數(shù)據(jù)收集，測(cè)試結(jié)果理想。鐵路貨車故障動(dòng)態(tài)圖像分析系統(tǒng)的成功運(yùn)用，優(yōu)化了TFDS技檢作業(yè)流程，提高了檢車效率，減少了由于人工檢測(cè)的尺度差異與檢車員疲勞所造成的誤報(bào)、漏報(bào)數(shù)量，符合我國(guó)鐵路實(shí)現(xiàn)跨越式發(fā)展和鐵道部關(guān)于貨車檢修自動(dòng)智能化的要求，實(shí)現(xiàn)了車輛運(yùn)用技術(shù)檢查方式由“人檢”向“機(jī)檢”的過(guò)渡，列檢質(zhì)量由“人控”向“機(jī)控”的轉(zhuǎn)變，減輕了現(xiàn)場(chǎng)作業(yè)勞動(dòng)強(qiáng)度，確保了運(yùn)輸安全。

2 項(xiàng)目概況

2.1 項(xiàng)目背景

朔黃鐵路西起山西省神池縣神池南站，東至河北省黃驊市黃驊港口貨場(chǎng)，正線總長(zhǎng)近600km，設(shè)計(jì)為國(guó)家Ⅰ級(jí)干線、雙線電氣化鐵路，是我國(guó)目前投資與建設(shè)規(guī)模最大的一條合資鐵路，也是我國(guó)西煤東運(yùn)第二大通道和神華集團(tuán)礦、路、港、電、航、油一體化工程的重要組成部分，在全國(guó)路網(wǎng)中占有重要地位。

朔黃鐵路每天圖定過(guò)車108對(duì)，平均每12分鐘過(guò)一列車，目前的TFDS系統(tǒng)都是采用人工室內(nèi)看圖檢車，檢車員需要逐車逐圖地查看。如果按照一列車60輛編組，每輛車為標(biāo)準(zhǔn)的53幅圖像計(jì)算，每列車需要瀏覽3180幅圖像，按照每列車6分鐘技檢時(shí)間計(jì)算，平均每秒鐘要看9幅圖像，即使按照4人按部件分工看圖，每人每秒也需要瀏覽2幅圖像，因此檢車員勞動(dòng)強(qiáng)度很大，極容易疲勞，再加上環(huán)境、心理等眾多因素的影響，難免會(huì)產(chǎn)生漏檢、誤檢。此外，隨著朔黃鐵路運(yùn)量的不斷增加，加之車輛在運(yùn)用過(guò)程中逐漸老化，貨車運(yùn)行的安全風(fēng)險(xiǎn)也會(huì)越來(lái)越大，因此針對(duì)朔黃鐵路研發(fā)的鐵路貨車動(dòng)態(tài)故障圖像分析系統(tǒng)，不僅符合當(dāng)前朔黃鐵路的實(shí)際需求，同時(shí)也能提前應(yīng)對(duì)今后逐步增多的貨車運(yùn)行故障，為確保行車安全提供可靠的解決方案。

2.2 項(xiàng)目實(shí)施目標(biāo)

實(shí)現(xiàn)所有TFDS檢測(cè)范圍內(nèi)的車輛故障自動(dòng)識(shí)別、報(bào)警，優(yōu)化列檢作業(yè)流程，降低工人作業(yè)強(qiáng)度，提高作業(yè)效率，確保行車安全。

2.2.1 建立朔黃鐵路專用的故障樣本庫(kù)和樣本收集系統(tǒng)，便于今后貨車故障的自動(dòng)識(shí)別和分析。

2.2.2 實(shí)現(xiàn)與現(xiàn)有TFDS系統(tǒng)的無(wú)縫接入。

2.2.3 在現(xiàn)有的TFDS設(shè)備的基礎(chǔ)上實(shí)現(xiàn)對(duì)多發(fā)性故障進(jìn)行自動(dòng)報(bào)警。

2.2.4 在現(xiàn)有的TFDS設(shè)備的基礎(chǔ)上實(shí)現(xiàn)對(duì)危及行車安全的故障進(jìn)行自動(dòng)報(bào)警。

2.2.5 遠(yuǎn)期目標(biāo)：實(shí)現(xiàn)TFDS系統(tǒng)的全部計(jì)算機(jī)快速識(shí)別。

2.3 項(xiàng)目實(shí)施的技術(shù)路線

2.3.1 采集大量圖像信息，建立朔黃鐵路故障樣本庫(kù)。通過(guò)已經(jīng)運(yùn)用的TFDS系統(tǒng)收集貨車故障圖像及相關(guān)輔助圖像，然后根據(jù)車型、部件建立相應(yīng)的故障樣本庫(kù)及測(cè)試庫(kù)，作為故障自動(dòng)識(shí)別的研究基礎(chǔ)及測(cè)試算法優(yōu)劣的評(píng)價(jià)標(biāo)準(zhǔn)。

2.3.2 分析不同故障的特征，分別建立特征抽取模型，通過(guò)對(duì)收集到的故障樣本庫(kù)中的故障圖像進(jìn)行分析，確定不同故障種類的各種特征，針對(duì)各自的特征建立特定的數(shù)學(xué)模型。

2.3.3 圖像預(yù)處理。圖像的預(yù)處理包括圖像降噪（頻域可采用SVD奇異值降噪，空域可采用平滑處理）、圖像閾值變換、邊緣檢測(cè)、模板定位。通過(guò)預(yù)處理，可以從一幅圖像中分離出待識(shí)別的部件。

2.3.4 特征提取。針對(duì)分離出的部件，采用小波分析、紋理分析進(jìn)行特征抽取，提取出特征參數(shù)，如灰度值、灰度均方值、形狀參數(shù)等，輸入到識(shí)別模型中。

2.3.5 建立數(shù)學(xué)模型。根據(jù)不同的部件，針對(duì)不同的特點(diǎn)，選擇建立人工神經(jīng)網(wǎng)絡(luò)模型（ANN）、支持向量機(jī)模型（SVM）以及模糊聚類等識(shí)別模型，使算法具有自適應(yīng)性、學(xué)習(xí)性和魯棒性，能夠少受外界環(huán)境如光強(qiáng)、分辨率等的影響。

2.3.6 智能識(shí)別算法的研發(fā)。對(duì)樣本庫(kù)中的圖像進(jìn)行學(xué)習(xí)，將待識(shí)別的零件特征“記憶”到算法中，根據(jù)這些特征對(duì)故障零件進(jìn)行識(shí)別，同時(shí)針對(duì)故障的種類及個(gè)數(shù)對(duì)車輛的故障給出綜合評(píng)價(jià)，實(shí)現(xiàn)分級(jí)報(bào)警。

2.4 主要研究?jī)?nèi)容

朔黃鐵路貨車運(yùn)行故障動(dòng)態(tài)圖像檢測(cè)系統(tǒng)（TFDS）所檢測(cè)的車輛多發(fā)性故障和嚴(yán)重危及行車安全的故障的自動(dòng)識(shí)別和報(bào)警。

具體項(xiàng)目如下：

2.4.1 多發(fā)性故障。關(guān)門車；閘瓦或閘瓦釬丟失；心盤螺栓丟失；制動(dòng)系統(tǒng)圓銷丟失；風(fēng)堵丟失；鉤舌圓銷丟失；鉤舌推鐵丟失。

2.4.2 嚴(yán)重危及行車安全的故障。制動(dòng)梁支柱圓銷丟失；枕簧丟失；緩沖器托板螺栓丟失；鉤托梁螺栓丟失；滾動(dòng)軸承端頭螺栓丟失。

2.5 研究方法

經(jīng)過(guò)有關(guān)專家研究評(píng)定，項(xiàng)目采用基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)識(shí)別方法。該方法不但能有效地解決小樣本問(wèn)題，而且具有很好的推廣能力，可以使分類器更加智能，能夠“認(rèn)識(shí)”更多先前未知的樣本，更好地保證程序的通用性，具有更強(qiáng)的智能性。其自動(dòng)識(shí)別流程如下：

主線程啟動(dòng)時(shí)，創(chuàng)建識(shí)別線程，識(shí)別線程創(chuàng)建取消息線程。主線程結(jié)束時(shí)，通知識(shí)別線程結(jié)束，識(shí)別線程通知取消息線程結(jié)束。

此外，項(xiàng)目的主要研究?jī)?nèi)容是對(duì)圖像識(shí)別算法的研究、編碼及實(shí)現(xiàn)。圖像識(shí)別算法主要包括圖像預(yù)處理算法、部件定位算法、識(shí)別分類算法。

2.5.1 圖像預(yù)處理方法。系統(tǒng)本身存在著噪聲，而且當(dāng)照度比較低時(shí)，相機(jī)要增大信號(hào)的放大增益，所以對(duì)于采集到的圖像，需要應(yīng)用濾波技術(shù)進(jìn)行處理。這里我們采用的是先進(jìn)的雙邊濾波技術(shù)，此技術(shù)處理過(guò)的圖片，能夠在去噪的同時(shí)更好地保留邊緣信息，不僅更適于人類視覺(jué)系統(tǒng)，對(duì)進(jìn)一步處理圖像也很有好處。

此外，由于拍攝過(guò)程中通常采用球面鏡頭，拍攝的圖像中部會(huì)很清晰，但在圖像邊緣可能存在幾何失真。因此我們采用2次非線性枕形、梯形校正技術(shù)，以此消除圖像的幾何失真，降低圖像邊緣的失真程度。

2.5.2 部件定位算法。系統(tǒng)為了達(dá)到自動(dòng)識(shí)別故障的目的，需要從數(shù)量眾多的原始圖像中定位到待檢測(cè)的部件，部件定位得越準(zhǔn)確，最終的識(shí)別準(zhǔn)確率也就越高。首先，我們從圖像中把待檢部位裁剪出來(lái)作為正類樣本，然后再截取除待檢部位以外的其他樣本作為負(fù)類樣本，正類樣本與負(fù)類樣本共同組成訓(xùn)練樣本。通常訓(xùn)練樣本維數(shù)都很高，如果直接用分類器進(jìn)行訓(xùn)練和分類，不但速度上不能滿足實(shí)時(shí)要求，而且會(huì)很大程度地影響分類效果。因此，我們有針對(duì)性地采用主成分分析、獨(dú)立成分分析及小波變換等特征提取方法對(duì)高維訓(xùn)練樣本進(jìn)行降維，并且保證在減少數(shù)據(jù)集維數(shù)的同時(shí)能夠保持?jǐn)?shù)據(jù)集的特征。

在得到低維訓(xùn)練樣本以后，需要通過(guò)統(tǒng)計(jì)學(xué)習(xí)的方法進(jìn)行分類。在分類器的選取上我們使用支持向量機(jī)方法。支持向量機(jī)將向量映射到一個(gè)更高維的空間里，在這個(gè)空間里建立一個(gè)最大間隔超平面。在最大間隔超平面的兩邊建有兩個(gè)互相平行的超平面，理論上平行超平面間的距離或差距越大，分類器的總誤差越小。圖2以關(guān)門車部件定位為例，說(shuō)明部件定位的過(guò)程：在圖像掃描中以五個(gè)步長(zhǎng)為單位掃描圖像，每掃描圖像中的一部分，就用得到的決策函數(shù)進(jìn)行判斷，得正1就表示該部分圖像含有待檢部位，得負(fù)1表示該部分圖像不含有待檢部位。待整幅圖像掃描完成后，就能夠確定關(guān)門車部件在圖像中的位置。通過(guò)部件定位得到若干待檢部件的位置后，再使用部件幾何關(guān)系的先驗(yàn)知識(shí)，定位出最終需要識(shí)別的具體位置。

2.5.3 識(shí)別分類算法。我們將需要識(shí)別的部件裁剪出來(lái)，有故障的定為正類，無(wú)故障的定為負(fù)類。對(duì)于特征較明顯的故障，可以采取部件定位階段使用的特征提取方法以及支持向量機(jī)分類器，但對(duì)于特征更復(fù)雜的故障，我們認(rèn)為紋理特征通常可以顯示圖像更多的局部特性，所以它可以用來(lái)對(duì)圖像中的空間信息進(jìn)行準(zhǔn)確的定量描述。局部二值模式（LBP）是一種有效的紋理描述算子。我們應(yīng)用對(duì)圖像旋轉(zhuǎn)具有不變性的擴(kuò)展LBP算子，對(duì)疑似故障部位圖像的關(guān)鍵點(diǎn)的紋理特征進(jìn)行提取和描述，最后從LBP運(yùn)算的結(jié)果提取直方圖，用直方圖匹配技術(shù)進(jìn)行故障的識(shí)別。

在實(shí)際應(yīng)用中，我們運(yùn)用了更多先驗(yàn)知識(shí)用來(lái)提高識(shí)別速度和準(zhǔn)確率，在保證可靠性的前提下達(dá)到事半功倍效果。經(jīng)過(guò)近兩年的技術(shù)攻關(guān)，技術(shù)人員完成了識(shí)別算法研究、系統(tǒng)平臺(tái)搭建、框架程序調(diào)試、12個(gè)故障識(shí)別模塊的開發(fā)及最終的系統(tǒng)測(cè)試等工作?，F(xiàn)已將TFDS系統(tǒng)安裝在朔黃鐵路肅寧段運(yùn)行測(cè)試，從測(cè)試結(jié)果來(lái)看，系統(tǒng)識(shí)別速度快、漏報(bào)少，12個(gè)故障識(shí)別模塊的技術(shù)指標(biāo)均已達(dá)到技術(shù)要求。

作者簡(jiǎn)介：趙松江（1985-），男，河南人，北京國(guó)電通網(wǎng)絡(luò)技術(shù)有限公司項(xiàng)目經(jīng)理，助理工程師，研究方向：工商管理。

（責(zé)任編輯：秦遜玉）