鐵路貨車故障圖像自動(dòng)識(shí)別的研究

覃華兵

【摘 要】文章對(duì)TFDS系統(tǒng)中的鐵路貨車故障圖像自動(dòng)識(shí)別的方法進(jìn)行討論。經(jīng)故障圖像定義、圖像提取、圖像區(qū)域的劃分、目標(biāo)區(qū)域的提取和特征比較等流程后，自動(dòng)識(shí)別出故障圖像，減少利用人工識(shí)別過程，減少工作強(qiáng)度，提高工作效率和質(zhì)量。

【關(guān)鍵詞】鐵路貨車：故障圖像：自動(dòng)識(shí)別

【中圖分類號(hào)】TP391.41 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】1674-0688（2019）09-0100-02

貨車運(yùn)行故障動(dòng)態(tài)檢測(cè)系統(tǒng)（TFDS）已在鐵路上廣泛應(yīng)用。一般來說，一列車有40～60輛貨車，TFDS對(duì)每輛貨車底部會(huì)采用拍照方式一次性拍攝60張左右的圖片，圖片涵蓋了貨車底部各個(gè)部件，這樣每趟列車有2 400張圖片以上。目前，一直由室內(nèi)檢車員對(duì)所有圖片進(jìn)行逐一瀏覽，并從圖片中找出貨車故障部件，然后把故障位置預(yù)報(bào)給現(xiàn)場(chǎng)作業(yè)人員，使現(xiàn)場(chǎng)作業(yè)人員有針對(duì)性地進(jìn)行故障處理。對(duì)于室內(nèi)檢車員來說，要用肉眼在短時(shí)間內(nèi)瀏覽一列車的所有圖片并做出正確判斷，存在以下問題：一是工作量非常大，不僅需要具備較高的專業(yè)技能，還需要具備較強(qiáng)的專注力和眼睛抗疲勞能力。二是通過室內(nèi)檢車員瀏覽圖像，因?yàn)楣ぷ鲀?nèi)容比較枯燥，所以人的情緒容易波動(dòng)，進(jìn)而造成誤判、漏判等現(xiàn)象，從而影響工作質(zhì)量。因此，如果用故障圖像自動(dòng)識(shí)別，代替人來完成相關(guān)工作，將大大降低列檢作業(yè)人員的工作量，提高作業(yè)效率和增強(qiáng)故障識(shí)別的準(zhǔn)確性。

1 項(xiàng)目的總體結(jié)構(gòu)

首先定義故障圖像的范圍，從TFDS系統(tǒng)提取圖像，通過目標(biāo)邊際的提取，確定目標(biāo)區(qū)域和背景區(qū)，然后提取目標(biāo)區(qū)域及樣本區(qū)域結(jié)構(gòu)特征，最后進(jìn)行目標(biāo)區(qū)域及樣本區(qū)域結(jié)構(gòu)特征的比較，以確定是否故障圖像。

根據(jù)這個(gè)原則，鐵路貨車故障圖像自動(dòng)識(shí)別的體系結(jié)構(gòu)圖如圖1所示。

2 采用的技術(shù)手段

在實(shí)現(xiàn)該系統(tǒng)的過程中，關(guān)鍵步驟如下：{1}圖像數(shù)據(jù)的預(yù)處理;{2}圖像數(shù)據(jù)的特征值提取;{3}基于模式匹配的識(shí)別故障圖像。

2.1 圖像數(shù)據(jù)的預(yù)處理

TFDS采集底部各部件的圖像不會(huì)很清晰，有以下3種因素影響圖像質(zhì)量：一是列車長(zhǎng)途運(yùn)行，部件上往往會(huì)沾上灰塵、泥土或油污。二是在現(xiàn)場(chǎng)設(shè)備工作過程中，天氣、溫度和濕度等原因光照會(huì)發(fā)生微小的變化，列車的運(yùn)行速度不同，鏡頭的灰塵分布等因素的影響，所得到的圖像有時(shí)并不令人十分滿意，存在各種各樣的噪聲。三是各車輛的使用年限不同，得到的圖像質(zhì)量也不盡相同。因此，必須對(duì)圖像進(jìn)行預(yù)處理，改善圖像質(zhì)量，為以后的圖像分析識(shí)別打下基礎(chǔ)。

對(duì)貨車檢測(cè)圖像進(jìn)行預(yù)處理有3個(gè)步驟：彩色圖像轉(zhuǎn)換、灰度化處理、圖像增強(qiáng)。

（1）彩色圖像轉(zhuǎn)換。因?yàn)樵赥FDS系統(tǒng)中圖像的格式為JPED格式，其顏色系統(tǒng)為YCbCr，本系統(tǒng)通過彩色圖像轉(zhuǎn)換方法將其轉(zhuǎn)化成DIB位圖格式，圖像數(shù)據(jù)以RGB模式表示，這樣有助于將彩色圖像轉(zhuǎn)換成灰度圖像。

（2）灰度化處理。由于圖像故障自動(dòng)識(shí)別處理的時(shí)間要求比較短，因此系統(tǒng)必須將彩色圖像轉(zhuǎn)化為灰度圖像，這樣大大減少系統(tǒng)在處理圖像時(shí)的開銷。同時(shí)，在此過程中盡量處理掉貨車部件圖像上的污點(diǎn)。

（3）圖像增強(qiáng)。主要是提高圖像的對(duì)比度，高的對(duì)比度使圖像中的物體輪廓分明，圖像的細(xì)節(jié)分辨清晰，大大提高自動(dòng)識(shí)別的正確率。

2.2 圖像數(shù)據(jù)的特征值提取

圖像數(shù)據(jù)特征值的提取，需先將圖像劃分成不同區(qū)域，在每個(gè)區(qū)域內(nèi)判斷是否有特征值，而有特征值的區(qū)域需做好定位標(biāo)記，這是為下步比對(duì)奠定堅(jiān)實(shí)的基礎(chǔ)。這個(gè)過程包括邊緣檢測(cè)、降噪處理、目標(biāo)區(qū)域的劃分等步驟。

（1）邊緣點(diǎn)檢測(cè)。目前，邊緣檢測(cè)最通用的方法是檢測(cè)亮度值的不連續(xù)性，檢測(cè)圖中每個(gè)像素點(diǎn)與其鄰域內(nèi)的像素的灰度值變化，利用邊緣鄰近的一階或二階方向?qū)?shù)的變化規(guī)律檢測(cè)出邊緣，以達(dá)到從背景中分割出對(duì)象物的目的。

（2）邊緣線檢測(cè)。數(shù)學(xué)形態(tài)學(xué)是一門建立在集合論基礎(chǔ)上的學(xué)科，是幾何形態(tài)學(xué)分析和描述的有力工具。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡(jiǎn)化圖像數(shù)據(jù)，保持它們基本的形狀特征，并除去不相干的結(jié)構(gòu)，用來描述圖像的基本特征和基本結(jié)構(gòu)，也就是描述圖像中元素與元素、部分與部分間的關(guān)系。用數(shù)學(xué)形態(tài)學(xué)對(duì)圖像進(jìn)行處理，主要是獲取物體拓?fù)浜徒Y(jié)構(gòu)信息，通過物體和結(jié)構(gòu)元素相互作用的某些運(yùn)算，得到更本質(zhì)的形態(tài)。

（3）區(qū)域劃分。針對(duì)經(jīng)過處理的圖像，在進(jìn)行匹配檢測(cè)之前還需要明確是否為目標(biāo)物區(qū)域，即是否為圖像對(duì)比的關(guān)鍵區(qū)域，否則為背景區(qū)域?；舅悸罚簩?duì)圖像中的每個(gè)像素，選取以它為中心的一個(gè)鄰域窗口（如8鄰域窗口等，如圖2所示），對(duì)這個(gè)窗口的像素灰度按照一定的準(zhǔn)則判斷該處理像素是屬于目標(biāo)物還是背景。

（4）特征值的提取。對(duì)目標(biāo)區(qū)域內(nèi)特征值的提取，也就是通過有效像素的標(biāo)定。正確圖像的特征值通過一次性提取后存放于數(shù)據(jù)庫中，而從TFDS提取的圖像是實(shí)時(shí)性提取。

2.3 基于模式匹配的識(shí)別故障圖像

上面兩個(gè)步驟把從TSDF獲取的圖像進(jìn)行了十分必要的處理，將原來模糊的圖像清晰化，區(qū)分了目標(biāo)區(qū)域和背景區(qū)域。這一步要通過將剛處理的圖像與正確的圖像根據(jù)故障圖像的定義進(jìn)行比較，以自動(dòng)判斷哪些是故障圖像。目前的一些相關(guān)的模式比較圖像識(shí)別應(yīng)用中，主要有模版匹配、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法。由于本項(xiàng)目數(shù)據(jù)量大，要求處理時(shí)間短，因此采用支持向量機(jī)這種方法能滿足要求。

支持向量機(jī)（Support Vector Machines，SVM）是一種基于統(tǒng)計(jì)學(xué)理論的新式機(jī)器學(xué)習(xí)算法，它的優(yōu)勢(shì)在于能通過測(cè)試階段不斷的機(jī)器學(xué)習(xí)將目標(biāo)區(qū)域劃分為無限接近正確圖像的目標(biāo)區(qū)域，這樣提取的特征值和正確圖像的特征值的可比較性進(jìn)一步增強(qiáng)，誤判和誤識(shí)就會(huì)大大減少。

3 結(jié)論

通過以上的論述，給出了鐵路貨車故障圖像自動(dòng)識(shí)別的方法，該方法注重對(duì)從TFDS提取到的圖像的充分處理，把各種質(zhì)量的圖像基本上處理成同一質(zhì)量的圖像，從而減少誤判及誤識(shí)，滿足鐵路列檢的要求，保證了鐵路的行車安全。

參 考 文 獻(xiàn)

[1]莫莉萍.鐵路區(qū)間通過信號(hào)機(jī)編號(hào)識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D].長(zhǎng)沙：中南大學(xué)，2007.

[2]胡彥冰.貨車故障圖像顯著特征識(shí)別算法的研究[D].武漢：華中科技大學(xué)，2012.

[3]鮑小如.基于顯著性的目標(biāo)檢測(cè)算法[D].南京：南京郵電大學(xué)，2018.

[4]王武，葉明，陸永華.基于機(jī)器視覺的手機(jī)殼表面劃痕缺陷檢測(cè)[J].機(jī)械制造與自動(dòng)化，2019（1）.

[5]王文帝，辛斌杰，鄧娜，等.單一視角下自適應(yīng)閾值法的紗線毛羽識(shí)別及其應(yīng)用[J].紡織學(xué)報(bào)，2019（5）.

[6]唐杰.基于多信息融合的實(shí)時(shí)疲勞檢測(cè)與預(yù)警系統(tǒng)研究[D].南京：南京航空航天大學(xué)，2018.