铁路货车故障图像自动识别的研究

覃华兵

【摘 要】文章对TFDS系统中的铁路货车故障图像自动识别的方法进行讨论。经故障图像定义、图像提取、图像区域的划分、目标区域的提取和特征比较等流程后，自动识别出故障图像，减少利用人工识别过程，减少工作强度，提高工作效率和质量。

【关键词】铁路货车：故障图像：自动识别

【中图分类号】TP391.41 【文献标识码】A 【文章编号】1674-0688（2019）09-0100-02

货车运行故障动态检测系统（TFDS）已在铁路上广泛应用。一般来说，一列车有40～60辆货车，TFDS对每辆货车底部会采用拍照方式一次性拍摄60张左右的图片，图片涵盖了货车底部各个部件，这样每趟列车有2 400张图片以上。目前，一直由室内检车员对所有图片进行逐一浏览，并从图片中找出货车故障部件，然后把故障位置预报给现场作业人员，使现场作业人员有针对性地进行故障处理。对于室内检车员来说，要用肉眼在短时间内浏览一列车的所有图片并做出正确判断，存在以下问题：一是工作量非常大，不仅需要具备较高的专业技能，还需要具备较强的专注力和眼睛抗疲劳能力。二是通过室内检车员浏览图像，因为工作内容比较枯燥，所以人的情绪容易波动，进而造成误判、漏判等现象，从而影响工作质量。因此，如果用故障图像自动识别，代替人来完成相关工作，将大大降低列检作业人员的工作量，提高作业效率和增强故障识别的准确性。

1 项目的总体结构

首先定义故障图像的范围，从TFDS系统提取图像，通过目标边际的提取，确定目标区域和背景区，然后提取目标区域及样本区域结构特征，最后进行目标区域及样本区域结构特征的比较，以确定是否故障图像。

根据这个原则，铁路货车故障图像自动识别的体系结构图如图1所示。

2 采用的技术手段

在实现该系统的过程中，关键步骤如下：{1}图像数据的预处理;{2}图像数据的特征值提取;{3}基于模式匹配的识别故障图像。

2.1 图像数据的预处理

TFDS采集底部各部件的图像不会很清晰，有以下3种因素影响图像质量：一是列车长途运行，部件上往往会沾上灰尘、泥土或油污。二是在现场设备工作过程中，天气、温度和湿度等原因光照会发生微小的变化，列车的运行速度不同，镜头的灰尘分布等因素的影响，所得到的图像有时并不令人十分满意，存在各种各样的噪声。三是各车辆的使用年限不同，得到的图像质量也不尽相同。因此，必须对图像进行预处理，改善图像质量，为以后的图像分析识别打下基础。

对货车检测图像进行预处理有3个步骤：彩色图像转换、灰度化处理、图像增强。

（1）彩色图像转换。因为在TFDS系统中图像的格式为JPED格式，其颜色系统为YCbCr，本系统通过彩色图像转换方法将其转化成DIB位图格式，图像数据以RGB模式表示，这样有助于将彩色图像转换成灰度图像。

（2）灰度化处理。由于图像故障自动识别处理的时间要求比较短，因此系统必须将彩色图像转化为灰度图像，这样大大减少系统在处理图像时的开销。同时，在此过程中尽量处理掉货车部件图像上的污点。

（3）图像增强。主要是提高图像的对比度，高的对比度使图像中的物体轮廓分明，图像的细节分辨清晰，大大提高自动识别的正确率。

2.2 图像数据的特征值提取

图像数据特征值的提取，需先将图像划分成不同区域，在每个区域内判断是否有特征值，而有特征值的区域需做好定位标记，这是为下步比对奠定坚实的基础。这个过程包括边缘检测、降噪处理、目标区域的划分等步骤。

（1）边缘点检测。目前，边缘检测最通用的方法是检测亮度值的不连续性，检测图中每个像素点与其邻域内的像素的灰度值变化，利用边缘邻近的一阶或二阶方向导数的变化规律检测出边缘，以达到从背景中分割出对象物的目的。

（2）边缘线检测。数学形态学是一门建立在集合论基础上的学科，是几何形态学分析和描述的有力工具。数学形态学的应用可以简化图像数据，保持它们基本的形状特征，并除去不相干的结构，用来描述图像的基本特征和基本结构，也就是描述图像中元素与元素、部分与部分间的关系。用数学形态学对图像进行处理，主要是获取物体拓扑和结构信息，通过物体和结构元素相互作用的某些运算，得到更本质的形态。

（3）区域划分。针对经过处理的圖像，在进行匹配检测之前还需要明确是否为目标物区域，即是否为图像对比的关键区域，否则为背景区域。基本思路：对图像中的每个像素，选取以它为中心的一个邻域窗口（如8邻域窗口等，如图2所示），对这个窗口的像素灰度按照一定的准则判断该处理像素是属于目标物还是背景。

（4）特征值的提取。对目标区域内特征值的提取，也就是通过有效像素的标定。正确图像的特征值通过一次性提取后存放于数据库中，而从TFDS提取的图像是实时性提取。

2.3 基于模式匹配的识别故障图像

上面两个步骤把从TSDF获取的图像进行了十分必要的处理，将原来模糊的图像清晰化，区分了目标区域和背景区域。这一步要通过将刚处理的图像与正确的图像根据故障图像的定义进行比较，以自动判断哪些是故障图像。目前的一些相关的模式比较图像识别应用中，主要有模版匹配、人工神经网络、支持向量机等方法。由于本项目数据量大，要求处理时间短，因此采用支持向量机这种方法能满足要求。

支持向量机（Support Vector Machines，SVM）是一种基于统计学理论的新式机器学习算法，它的优势在于能通过测试阶段不断的机器学习将目标区域划分为无限接近正确图像的目标区域，这样提取的特征值和正确图像的特征值的可比较性进一步增强，误判和误识就会大大减少。

3 结论

通过以上的论述，给出了铁路货车故障图像自动识别的方法，该方法注重对从TFDS提取到的图像的充分处理，把各种质量的图像基本上处理成同一质量的图像，从而减少误判及误识，满足铁路列检的要求，保证了铁路的行车安全。

参 考 文 献

[1]莫莉萍.铁路区间通过信号机编号识别系统的研究与实现[D].长沙：中南大学，2007.

[2]胡彦冰.货车故障图像显著特征识别算法的研究[D].武汉：华中科技大学，2012.

[3]鲍小如.基于显著性的目标检测算法[D].南京：南京邮电大学，2018.

[4]王武，叶明，陆永华.基于机器视觉的手机壳表面划痕缺陷检测[J].机械制造与自动化，2019（1）.

[5]王文帝，辛斌杰，邓娜，等.单一视角下自适应阈值法的纱线毛羽识别及其应用[J].纺织学报，2019（5）.

[6]唐杰.基于多信息融合的实时疲劳检测与预警系统研究[D].南京：南京航空航天大学，2018.