關(guān)于降低雨天TEDS故障自動識別誤報警的研究

文/李卓亮

1 前言

動車組運行故障動態(tài)圖像檢測系統(tǒng)（TEDS）在對動車組行駛安全方面及其重要，是不可或缺的一種輔助設(shè)備。它是利用軌邊的高清攝像機拍攝動車的各個部分，通過圖像自動識別技術(shù)盡早發(fā)現(xiàn)異常情況，避免危險情況發(fā)生。研究發(fā)現(xiàn)TEDS 監(jiān)控設(shè)備在雨天氣候下誤報警急劇增加，主要原因為圖像的質(zhì)量問題，具體表現(xiàn)在圖像中存在較多的“橫道子”。本文研究的主要內(nèi)容便是去除“橫道子”，修復(fù)圖像。

2 方法設(shè)計

2.1 總體流程

本文采用了多種圖像處理算法組合的方法修復(fù)圖像。

圖1 為圖像修復(fù)的總體算法流程：

圖1 圖像修復(fù)的總體流程

2.2 具體方法

2．2．1 采用Canny算法得到邊緣圖像。Canny算法具有較好的信噪比和較高的定位性能，此算法分為以下幾個步驟：高斯模糊去除噪聲、計算圖像梯度并得到幅值和方向、非極大值抑制保留灰度變化最大區(qū)域以及雙閾值篩選出強的邊緣點。

當(dāng)使用高斯濾波平滑圖像時，本文加入了亮度控制函數(shù)，令Sbright(x,y)表示亮度函數(shù)，f(x,y)表示輸入圖像，G(x,y)表示二維高斯函數(shù)，fs(x,y)為卷積平滑后的圖像，Vpixel(x,y)表示圖像某點的灰度值，x和y分別為二維圖像的橫縱坐標(biāo)。得到如下式：

其中，σ高斯函數(shù)的標(biāo)準(zhǔn)差，k和γ為常數(shù)。

2．2．2 采用霍夫變換檢測直線，去除圖中“橫道子”，霍夫變換就是把圖像空間中的直線變換到參數(shù)空間中的點，通過統(tǒng)計來解決檢測問題。然后篩選水平直線，用白色線條標(biāo)記檢測，做成掩膜以便于后續(xù)使用。如圖2 所示，霍夫檢測到的直線圖像（左）和掩膜圖像（右）。

圖2 霍夫檢測直線圖像

2．2．3 圖像修復(fù)就是對圖像上信息缺損區(qū)域進行信息填充的過程，為了對有信息缺損的圖像進行復(fù)原，使觀察者無法察覺到圖像曾經(jīng)缺損或者已經(jīng)修復(fù)[1]。本文采用基于圖像分解的修復(fù)方法，利用圖像中“橫道子”的邊緣信息去修復(fù)圖像。

假設(shè)待修復(fù)區(qū)域的某點p是我們要修復(fù)的像素，以p為中心選取一個ε大小鄰域表示為B(ε)，q為鄰域B(ε)中的一點，其像素值為I(q)，梯度值為?I(q)都是已知的，根據(jù)鄰域B(ε)內(nèi)部的像素值近似得到p點的一階估計I(p)，表示為如下式：

則點p的像素值需要用鄰域中的所有點來計算，則新的灰度值表示為如下式：

其中ω(p,q)是權(quán)值函數(shù)，它是用來限定鄰域中像素貢獻大小的。貢獻大的像素值要得到保留，小的要去除。權(quán)值函數(shù)可以用如下式子表示：

其中dir(p,q)為方向因子，保證了該像素點的主要貢獻在于接近法線的方向上；dst(p,q)為幾何距離，將距離像素點p的幾何距離較遠的點賦予較小的值；lev(p,q)為水平集距離，保證了離經(jīng)p的待修復(fù)區(qū)域的輪廓線越近的已知像素點對點p的貢獻越大。分別用如下式子表示：

其中N(p)的數(shù)值為：當(dāng)p點位于鄰域內(nèi)置為1，否則為0；d0和T0為常數(shù)，通常設(shè)置為1；T(p)和T(q)是根據(jù)FMM 算法得出來的，分別表示p點和q點到待修復(fù)邊界的距離。

通過上述算法得到初步修復(fù)圖像，再進行維納濾波，它是一種自適應(yīng)最小均方差濾波器，對于有噪聲的圖像和運動模糊的圖像可以很好地解決。圖3 為最終的修復(fù)圖像。

2.3 結(jié)果分析

對比修復(fù)前后圖像可知，圖像修復(fù)后細小的部件，例如圖中的開口銷部件很好的還原，“橫道子”已經(jīng)被算法處理掉。本文采用3 種方法來評價圖像質(zhì)量：峰值信噪比（PSNR）、均值方差（MSE）和結(jié)構(gòu)相似性（SSIM）[2]。經(jīng)計算可得：修復(fù)前圖像的PSNR 值為16db，均值方差（MSE）為2．6，結(jié)構(gòu)相似性（SSIM）為0．2；修復(fù)后圖像PSNR 值為39db，均值方差（MSE）為0．1，結(jié)構(gòu)相似性（SSIM）為0．85。結(jié)果顯示經(jīng)本算法修復(fù)后的圖像質(zhì)量比較好，說明此修復(fù)算法不會導(dǎo)致圖像信息丟失，對部件自動識別沒有影響。圖4 為開口銷部件修復(fù)前后的細節(jié)比較。

3 實驗與結(jié)論

選取廣州鐵路局的某個過車較多且經(jīng)常下雨的路段進行試驗，獲取100 輛雨天氣候中的底部圖像，保證本算法的多樣性，分別統(tǒng)計修復(fù)圖像前所有報警數(shù)和修復(fù)后的報警數(shù)。

經(jīng)統(tǒng)計，100 輛車圖像未經(jīng)過修復(fù)前底部報警數(shù)為2932 個，平均每輛車報警數(shù)約為30 個；經(jīng)過本算法修復(fù)后報警數(shù)為512 個，平均每輛車報警約為5 個。故本算法產(chǎn)生的報警數(shù)相比之前減少六倍之多，證明本算法能有效減少雨天氣候中因圖像問題而產(chǎn)生的大量誤報警。

4 結(jié)語

本文通過對降雨天氣時自動識別系統(tǒng)所產(chǎn)生的大量誤報警分析，其主要來源是圖像的干擾問題，這種形式的干擾不光導(dǎo)致識別的誤報警激增，也影響了個別細小部件的真實報警[3]。為了解決誤報警增多的問題，保證動車組的行車安全，本文提出一種基于圖像處理的修復(fù)圖像方法。

經(jīng)試驗證明，本文提出的方法能在不影響TEDS系統(tǒng)真實報警的前提下，有效降低誤報警個數(shù)，提高準(zhǔn)確率，減輕檢車人員的負擔(dān)，為實現(xiàn)故障識別系統(tǒng)的完全自動化提供一些依據(jù)。在圖像處理的基礎(chǔ)上，加入深度學(xué)習(xí)算法繼續(xù)完成對圖像的修復(fù)工作。