心盤螺栓故障圖像自動識別應用

馬凌宇

[摘? ? 要]鐵路貨車的載重量不斷增加，且由于全面提速的背景下，鐵路貨車運行速度不斷提高，貨車運行安全成為重中之重，采用動態(tài)檢測方法實現(xiàn)貨車運行故障動態(tài)檢測，及時快速地排除鐵路貨車運行中存在的故障，為鐵路貨車的安全運行奠定基礎?，F(xiàn)階段，針對貨車動態(tài)檢測主要采用人機結合的工作模式實現(xiàn)，為了提升貨車運行故障檢測準確率以及工作效率，可不斷優(yōu)化貨車運行故障動態(tài)檢測系統(tǒng)，采用計算機自動識別故障圖像技術，實現(xiàn)鐵路貨運安全檢測能力的提升，對保障貨車安全運行有積極作用。文章主要以貨車心盤螺栓故障為例，采用圖像自動識別技術進行檢測分析，提高心盤螺栓故障的識別率。

[關鍵詞]心盤螺栓故障;圖像自動識別;識別率

[中圖分類號]TP391.41 [文獻標志碼]A [文章編號]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 故障圖像處理技術

在科學技術高速發(fā)展階段，鐵路貨車列檢工作中不斷運用先進動態(tài)檢測技術，使得鐵路貨車檢測效率得以提升，可運用故障圖像自動化識別技術，流程包含圖像預處理、圖像定位、圖像描述以及故障圖像識別。

（1）圖像預處理。圖像采集過程中，受到光照、外界環(huán)境以及設備傳輸?shù)炔淮_定因素的影響，使得圖像質(zhì)量不高，容易出現(xiàn)噪聲、模糊現(xiàn)象，為了提升圖像自動識別效果，需對圖像進行預處理，主要包含增強、去噪、濾波以及去模糊等一系列操作;

（2）圖像定位。由于心盤螺栓零部件較小，在每張圖像中所出現(xiàn)的位置均有所不同，因此要準確定位螺栓位置，可借助邊緣檢測、圖像分割等檢測方法實現(xiàn)圖像定位處理;

（3）圖像描述。心盤螺栓圖像經(jīng)處理后，需對圖像空間域紋理、頻率域的紋理進行描述，分別采用韋伯定律、局部相位量化等進行紋理描述;

（4）故障圖像識別。針對心盤螺栓故障進行圖像識別時，主要采用支持向量機實現(xiàn)，其為一種新型機器學習算法，保障分類準確率，大大降低分類錯誤率。

2 心盤螺栓故障圖像檢測算法設計

現(xiàn)階段，貨車心盤結構為組合式心盤，心盤螺栓丟失為常見故障，而且螺栓作為心盤結構連接的關鍵零部件，一旦發(fā)生丟失故障，則是使得心盤、心盤墊在搖枕上發(fā)生位移情況，進而導致轉向架出現(xiàn)無法定位情況，使得貨車運行安全性降低。心盤螺栓圖像主要分為兩種類型，分別記為A型圖像（類似于轉K2的心盤螺栓類型）、B型圖像（類似于轉8A的心盤螺栓類型）。

心盤螺栓圖像去噪：心盤螺栓圖像采集過程中，受到運行環(huán)境、光照等因素的影響，圖像質(zhì)量不佳，降低圖像檢測準確率。為保障心盤螺栓圖像檢測準確率，需對心盤螺栓圖像進行去噪處理，即利用3×3模板中值濾波實現(xiàn)心盤螺栓圖像去噪。

2.1 制動橫梁定位

圖像投影能夠快速定位心盤螺栓區(qū)域內(nèi)特定形狀圖像，尤其是制動橫梁，可運用二值化圖像水平投影實現(xiàn)定位。二值化法主要包含全局閾值法、局部閾值法、動態(tài)閾值法等，本文研究主要采用全局閾值法中的Otsu閾值分割法進行定位。針對制動橫梁經(jīng)Otsu閾值分割法定位，制動橫梁形態(tài)較為完好，可獲取其水平投影最大值，為779像素。

2.2 制動拉桿定位

制動拉桿在制動橫梁附近，其特征較為明顯，在圖像定位中，可以制動橫梁的縱向坐標作為基準進行制動拉桿定位，制動橫梁縱向坐標上下250像素內(nèi)投影操作，獲取制動拉桿最大垂直投影值，為347像素，其為制動拉桿水平方向坐標，由此說明，制動拉桿位于制動橫梁下方。

2.3 圖像類型分類

由于心盤螺栓幾何分布不同，無法運用同一種方式進行定位，基于了解不同圖像的特點，實現(xiàn)圖像分類，并予以定位。區(qū)別A型圖像、B型圖像的標準為制動拉桿的長短，若圖像最大投影值大于165，則說明圖像為B型圖像，若小于165，則說明圖像為A型圖像。

2.4 A型心盤螺栓定位

心盤螺栓A型圖像，其加強筋特征十分明顯，可依據(jù)加強筋和圖像中交叉點A確定加強筋所在區(qū)域。加強筋邊緣特征十分豐富，可運用邊緣檢測方法（Canny算法）實現(xiàn)邊緣特征的提取，實現(xiàn)心盤螺栓的準確定位。但在實際運用中，Canny算法存在不足情況，應依據(jù)加強筋邊緣特點實現(xiàn)Canny算法的改進，旨在提升算法的抗噪聲能力。改進策略如下：①相比較于Sebol算法，F(xiàn)rei-Chen算法具有細微邊緣、暗區(qū)邊緣檢測能力，可將Sebol算法予以替換。梯度計算公式為：

在A型圖像處理中，改進的Canny算法有較強的去噪聲能力，對邊緣檢測的檢測效果良好，凸顯加強筋部位定位準確性。待獲取加強筋圖像邊緣特征后利用投影定位。具體操作為：整理加強筋部位邊緣檢測圖像垂直投影值，于兩個最大投影值的中點作為加強筋水平坐標（x軸）;于加強筋邊緣水平位置周圍5個像素范圍外的像素值均設置為0，獲取加強筋的水平投影，并取中點的x軸坐標作為螺栓垂直坐標，實現(xiàn)加強筋精準位置點B的確定。且位置點B與A型心盤螺栓位置呈現(xiàn)中心對稱圖像，并由此確定心盤螺栓在A型圖像中的位置。

2.5 B型心盤螺栓定位

相比較于A型心盤螺栓定位來說，B型心盤螺栓周圍無規(guī)律性特征輔助定位，無法采用A型心盤螺栓定位方法予以定位。而且在B型心盤螺栓圖像中分為兩種情況，①制動拉桿同側心盤螺栓被遮擋，對于定位產(chǎn)生不利影響;②心盤螺栓無遮擋，有助于螺栓定位。針對心盤螺栓無遮擋定位，主要采用Hough、Canny等算法進行定位，但由于心盤螺栓位置的特殊性，受到外界不確定因素的影響較大，導致心盤螺栓定位失敗。為了適應復雜圖像環(huán)境中心盤螺栓的準確定位，可采用SVM分類器對目標圖像分類識別。因此，心盤螺栓無遮擋定位方法主要為基于滑動窗口的SVM定位分類器定位。在圖像所有區(qū)域內(nèi)運用81×81像素窗口滑動，擬用WLD-LPQ特征提取滑動過程中每個像素點的螺栓特征，并利用SVM定位分類器實現(xiàn)標記操作。心盤螺栓圖像標記為1，不是心盤螺栓圖像的標記為0，整理并輸出心盤螺栓整體圖像。但該種方法具有運行耗時長的特點，降低實時性。為提高實時性，可采用差分激勵處理圖像，實現(xiàn)螺栓定位。B型無遮擋心盤螺栓，經(jīng)差分激勵處理后，圖像紋理走向特征十分明顯，大部分的紋理特征為橫向走向，僅有小部分紋理特征為縱向走向，差分激勵處理后圖像可投影使用。心盤螺栓位置區(qū)域縱向坐標可通過像素規(guī)律變化予以確定，規(guī)律特征較為明顯的區(qū)域為螺栓位置區(qū)域投影。垂直投影無規(guī)律性，則無法實現(xiàn)螺栓定位處理。

利用基于滑動窗口的SVM定位分類器沿著縱向坐標直線方向，定位螺栓位置，縮小SVM定位分類器滑動范圍，縮短定位消耗時間，提高SVM定位分類器識別率。

使用SVM定位分類器滑動提取特征中，應采集螺栓正負樣本，并將樣本W(wǎng)LD-LPQ特征向量予以提取，并將其導入基于滑動窗口的SVM定位分類器進行訓練，獲取相關參數(shù)，提升定位準確率，進而保障無遮擋螺栓區(qū)域精準定位，最后輸出螺栓定位圖像。

2.6 心盤螺栓區(qū)域圖像描述

采用二分法進行參數(shù)（C，σ）尋優(yōu)，具體操作步驟：利用線性SVM求解最優(yōu)化誤差懲罰參數(shù)C，隨后將C代入高斯核函數(shù)SVM中，并利用二分法實現(xiàn)最優(yōu)參數(shù)的查詢，若是參數(shù)結果超過設定的精度值，可結束本輪尋優(yōu)。若最優(yōu)σ值附近縮小步長值，可重復C代入高斯核函數(shù)SVM中操作，實現(xiàn)更為細致的二分尋優(yōu)，直至達到預定精度值。

3 心盤螺栓故障圖像檢測算法試驗

以1800張貨車運行故障系統(tǒng)中心盤螺栓圖像作為測試樣本，并將不同心盤螺栓故障算法進行試驗對比，獲取相應的試驗結果。本文主要以機器視覺、圖像處理與機器學習技術等為基礎，設計相應的自動檢測算法，以實現(xiàn)對心盤螺栓故障圖像的高效檢測。

相比較于Hough算法，本文算法無論在平均檢測時間還是檢測準確率方面均有顯著提高，具有較強的優(yōu)越性，可作為貨車運行心盤螺栓故障圖像檢測的重要技術。

4 結束語

綜上所述，貨車心盤螺栓故障為常見故障，但由于心盤螺栓故障所處環(huán)境復雜，增加列檢工作人員工作任務量的同時，容易出現(xiàn)漏檢現(xiàn)象，大大降低貨車運行安全性。因此，基于機器視覺、圖像處理與機器學習技術設計自動檢測算法，以此實現(xiàn)對貨車運行中心盤螺栓故障圖像的自動識別，確定故障類型、位置，及時采取相應的維修技術，確保貨車安全穩(wěn)定運行。

參考文獻

[1] 陳剛.提高動車組運行故障動態(tài)圖像檢測系統(tǒng)自動識別率的探討[J].鐵道車輛，2021，59（3）：97-100.

[2] 張濤，付媛媛，林勤.地鐵客車重要零部件轉向架軸端吊耳螺栓脫落故障分析及解決措施[J].大連交通大學學報，2021，42（2）：23-27.

[3] 徐建勇，豐文勝，薛強.基于圖像識別和多感知融合的列車自動防護方案[J].鐵道通信信號，2019，55（10）：84-87.

[4] 覃華兵.鐵路貨車故障圖像自動識別的研究[J].企業(yè)科技與發(fā)展，2019（9）：100-101.

[5] 高利軍，華路捷，劉暢，等.電動客車走行部故障圖像檢測系統(tǒng)[J].交通世界，2018（35）：40-41.