重載鐵路貨車機械零件與踏面損傷圖像檢測方法

摘 要：當前重載鐵路貨車的機械零件與踏面損傷以人工檢測為主，受到零件所在區(qū)域和角度以及人工主觀性的影響，檢測準確率有待提升。提出一種重載鐵路貨車機械零件與踏面損傷圖像檢測方法。采集重載鐵路貨車的機械零件與踏面圖像，采用同態(tài)濾波方法消除圖像中存在的噪聲，增強圖像對比度；通過Canny邊緣檢測算法對采集的圖像展開邊緣檢測，將機械零件與踏面損傷區(qū)域分割出來，獲得目標區(qū)域；在遷移學習的基礎上建立VGG-19網絡，將上述目標區(qū)域輸入VGG-19網絡中，獲取機械零件與踏面損傷特征，實現機械零件與踏面損傷檢測。實驗結果表明：所提方法的圖像處理效果好，機械零件損傷與踏面損傷檢測精度均高于90%，檢測時間均少于10 s，具有實用性。

關鍵詞：遷移學習；重載鐵路貨車；機械零件與踏面損傷檢測；同態(tài)濾波；Canny邊緣檢測算法

中圖分類號：TP391 文獻標志碼：B 文章編號：1671-5276（2024）04-0287-05

Image Detection Method for Machine Element and Tread Damage of Heavy Duty Goods Wagon

LI Peng¹， GUO Zhiyuan²， ZHAO Yonggang²

（1. Suning Vehicle Maintenance Branch of China Energy Railway Equipment Company Limited， Cangzhou 062350， China；2. Tianjin Hveic Technology Co.，Ltd.， Tianjin 301799， China）

Abstract：The present detection of machine element and tread damage of heavy haul goods wagon is mainly implemented manually， which is affected by the area and angle of the parts and the subjectivity of the manual， and whose detection accuracy needs to be improved. This paper presents an image detection method for damage of machine element and tread of heavy-duty goods wagon. The images of machine element and tread of heavy haul goods wagon are collected， and homomorphic filtering method is applied to eliminate noise in the image and enhance image contrast ratio. With Canny edge detection algorithm， the edge of the collected image is detected， and the damage area of Machine element and tread is segmented to obtain the target area. The VGG-19 network is established on the basis of transfer learning， and the above target areas are input into the VGG-19 network to gain the damage characteristics of machine element and tread， so as to realize the damage detection of machine element and tread. The experimental results show that the image processing effect of the proposed method is favourable， the detection accuracy of mechanical parts damage and tread damage is higher than 90% and the detection time is less than 10 s， which is practical.

Keywords：transfer learning; heavy haul railway freight cars; machine element and tread damage detection; homomorphic filtering; Canny edge detection algorithm

0 引言

在國民經濟中鐵路占據重要地位，國家的基礎設施建設和工業(yè)化水平可通過鐵路貨運水平衡量，在我國經濟發(fā)展過程中鐵路貨運產生了較大的推動力。在科學技術不斷提升和經濟逐漸發(fā)展的背景下，我國鐵路貨車的承載質量和運輸速度逐步提升，但也埋下了安全隱患，如鐵路貨車機械零件與踏面損傷等，為了保障重載鐵路貨車的安全運行，需要展開相關檢測工作。

張力等^[1]將采集的圖像輸入SSD網絡中，提取目標區(qū)域，優(yōu)化YOLOv3網絡，建立M-YOLOv3網絡，將目標區(qū)域輸入該網絡中，實現零件損傷檢測，但該方法無法消除圖像中存在的噪聲，圖像對比度較低，導致后續(xù)的檢測效果不佳。周鼎賀等^[2]通過迭代加權擬合方法定位并提取待檢測圖像的ROI區(qū)域，將ROI區(qū)域輸入帶阻濾波器中展開濾波處理，結合閾值分割方法獲取缺陷區(qū)域，實現損傷識別，但該方法的檢測結果與實際結果不符，存在檢測精度低的問題。

為了解決上述方法中存在的問題，提出一種重載鐵路貨車機械零件與踏面損傷圖像檢測方法。

1 鐵路貨車輪胎踏面圖像采集與處理

本文方法選用公鐵兩用牽引機車作為圖像采集過程中的移動平臺，將具有伸縮功能的支架安裝在移動平臺的底部，同時在支架上安裝補光器和工業(yè)相機，用于實時采集重載鐵路貨車機械零件與踏面的圖像。

采集到的圖像中存在大量的噪聲，為提高后續(xù)機械零件與踏面區(qū)域分割的準確性及檢測的效果，本文的機械零件與踏面損傷圖像檢測方法采用同態(tài)濾波方法^[3-4]對采集的圖像展開去噪和增強處理。

用g（x，y）表示采集的機械零件與踏面圖像：

g（x，y）=o（x，y）×t（x，y）（1）

式中：（x，y）表示圖像像素；o（x，y）表示照度成分；t（x，y）表示反射成分。通過下式對數運算采集的機械零件與踏面圖像，以使得機械零件與踏面圖像信號更加平滑和穩(wěn)定，從而減小了噪聲等因素對后續(xù)傅里葉變換的影響。

lng（x，y）=lno（x，y）+lnt（x，y）（2）

對上式展開傅里葉變換：

式中：F{·}表示傅里葉變換處理；（u，v）表示頻域中像素點；F（u，v）、O（u，v）、T（u，v）分別表示采集機械零件與踏面圖像g（x，y）、照度成分o（x，y）和反射成分t（x，y）的傅里葉變換結果。

建立同態(tài)函數J（u，v）濾波處理傅里葉變換所得到的機械零件與踏面圖像：

式中：J_R（u，v）、J_O（u，v）、J_T（u，v）分別表示采集圖像g（x，y）、照度成分o（x，y）和反射成分t（x，y）的同態(tài)濾波結果。

常見的同態(tài)濾波函數J（u，v）為高斯濾波器，但高斯濾波器在濾波過程中容易丟失機械零件與踏面圖像的細節(jié)信息。為提高圖像的處理效果，采用重載鐵路貨車機械零件與踏面損傷的指數型同態(tài)函數J（u，v）：

式中：t_H、t_L分別為機械零件與踏面圖像的高、低頻增益；D（u，v）為中心像素點（u₀，v₀）和（u，v）之間的距離；D₀為截止頻率。如有1個破損區(qū)域在圖中形成單一的峰，而多個破損區(qū)域形成多個峰。

通過指數型同態(tài)函數J（u，v）來對機械零件與踏面圖像進行濾波處理，以避免造成圖像細節(jié)丟失，提高原始圖像信息還原度。由于后續(xù)通過指數變換來增強采集圖像的原始對比度主要是通過提高圖像中的T（u，v）成分，抑制圖像中的O（u，v）成分可以完成圖像對比度的增強。而指數型同態(tài)函數J（u，v）在對圖像進行濾波處理的同時，先對圖像中的T（u，v）成分和O（u，v）成分進行了提高和抑制。其中，當t_Hgt;1、t_Llt;1時，J（u，v）函數可以對照度成分進行一定程度的抑制，且對反射成分進行一定程度的提高。在此基礎上再對機械零件與踏面圖像對比度增強，可極大地提升增強的效果，為后續(xù)提供更高質量的機械零件與踏面圖像數據。

在完成上述處理后，接下來，展開傅里葉反變換操作，對機械零件與踏面圖像的原始信息進行還原，實現圖像的重建，以檢查濾波處理的效果，確認機械零件與踏面圖像是否已經清除了噪聲。對上式展開傅里葉反變換：

式中：F^－1{·}表示傅里葉反變換操作；j_f（x，y）、j_o（x，y）、 j_t（x，y）分別為g（x，y）、o（x，y）、t（x，y）的傅里葉反變換結果。如果反變換后得到的機械零件與踏面圖像和原始圖像一致或者接近，說明濾波處理的效果較好。若未達到預期重返濾波處理該步驟；若達到預期，對機械零件與踏面圖像展開增強處理。

通過對上式展開指數變換，進行對采集圖像對比度的增強，以達到機械零件與踏面圖像的最終處理結果，如下式所示。

式中：h（x，y）表示對比度增強后的圖像；exp|·|表示指數變換。以此實現機械零件與踏面圖像噪聲的消除，以及圖像對比度的增強。

2 機械零件與踏面圖像損傷目標區(qū)域分割

對機械零件與踏面圖像展開去噪和增強處理后，針對所得到的處理結果，基于遷移學習的重載鐵路貨車機械零件與踏面損傷圖像檢測方法采用Canny邊緣檢測算法^[5]分割采集圖像中的機械零件與踏面損傷區(qū)域。

對處理后圖像h（x，y）進行有限差分近似計算，獲得X、Y兩個方向上的圖像h（x，y）偏導數矩陣X（x，y）、Y（x，y）：

根據偏導數矩陣X（x，y）、Y（x，y）計算梯度方向?（x，y）和幅值Q（x，y）：

通過上式計算Q（x，y）的局部最大值，即可獲得機械零件與踏面破損的邊緣方向。然而，對于損傷區(qū)域圖像而言，區(qū)域內灰度分布的不穩(wěn)定性會導致該區(qū)域部分像素被判定為背景，在最終結果中出現混亂。

機械零件與踏面圖像的灰度值在初始閾值g下可分為兩類，在圖像的總像素數中以上兩個類別所占的比例為e₁、e₂：

式中：A_i為灰度級中像素的數位；L為圖像的灰度級數量；y∈L。根據上式計算結果，確定兩類圖像灰度值的平均灰度值u₁（y）、u₂（y）：

接著利用最大類間方差法確定機械零件與踏面圖像的損傷區(qū)域分割閾值T_up、T_down：

利用T_up、T_down分割圖像中機械零件與踏面損傷區(qū)域的過程為：當像素點的幅值Q（u，v）大于閾值T_up時，說明像素點屬于圖像邊緣，反之則不屬于；若Q（u，v）在閾值T_up、T_down之間，判斷像素點附近8個領域中是否存在Q（u，v）大于閾值T_up的邊緣點。若存在，表明該像素點屬于圖像的邊緣，通過上述過程獲得機械零件與踏面損傷區(qū)域。

3 機械零件與踏面損傷檢測

為了有效提升重載鐵路貨車機械零件與踏面損傷檢測結果的精度，在遷移學習方法的基礎上建立VGG-19網絡結構，如圖1所示^[6-7]。通過該網絡來實現基于遷移學習的重載鐵路貨車機械零件與踏面損傷圖像檢測研究。

將通過利用上述確定的圖像分割閾值T_up、T_down分割得到的機械零件與踏面損傷目標區(qū)域x_{（i，j）}輸入VGG-19網絡中，用（i，j）表示目標區(qū)域的坐標，卷積核f在網絡中的維度為H×W，對應的坐標為（m，n），目標區(qū)域輸入卷積層l中展開卷積操作，該層的輸出為z^l_i，j：

池化層的主要作用是減少網絡的計算量，針對卷積層提取到的特征z^l_i，j展開降維處理，以此消除冗余特征?；谶w移學習的重載鐵路貨車機械零件與踏面損傷圖像檢測方法選用最大池化方式。機械零件與踏面損傷目標區(qū)域經過網絡的卷積與池化處理后輸出對應的向量，將向量輸入網絡的全連接層1中，利用ReLU函數f_ReLU對特征向量展開激活處理，然后輸入到全連接層2，通過Softmax函數獲得機械零件與踏面損傷的檢測閾值：

式中：α表示池化窗口在特征圖上滑動的步長；Z_i表示第i個節(jié)點在VGG-19網絡中的輸出值；C表示檢測結果的類別數量。

綜上，完成對機械零件與踏面損傷的檢測。采用基于遷移學習方法建立的VGG-19網絡實現機械零件與踏面損傷檢測的過程中，機械零件與踏面損傷目標區(qū)域x_（i，j）結果對檢測效果有著重要的影響，因此需要對其進行精準地獲取，以確保檢測的效果。

4 實驗與分析

4.1 實驗環(huán)境設置

為了驗證基于遷移學習的重載鐵路貨車機械零件與踏面損傷圖像檢測方法的整體有效性，需要對其展開測試。采集到的機械零件與踏面損傷圖像如圖2所示。

基于上述采集圖像，將文獻[1]方法和文獻[2]方法作為對比方法，選取圖像處理效果、檢測精度以及檢測時間作為測試指標，分別對所提方法、文獻[1]方法和文獻[2]方法展開對比測試。

4.2 實驗結果分析

采用本文的重載鐵路貨車機械零件與踏面損傷圖像檢測方法、文獻[1]方法和文獻[2]方法展開圖像處理測試，其所得結果如圖3所示。

由圖3可知，原始數據集中的圖像中存在大量的噪聲，會影響后續(xù)的檢測結果；采用文獻[1]方法和文獻[2]方法展開圖像處理后，圖像中仍然存在噪聲，圖像清晰度較低；采用所提方法處理后，使得噪聲得到有效消除的同時，圖像的對比度也得到了增強，提升了所采集圖像的質量。因為所提方法采用了同態(tài)濾波方法對采集的機械零件圖像和踏面圖像展開了去噪和對比度增強處理，有利于后續(xù)的缺失檢測與損傷檢測。

采用所提方法、文獻[1]方法和文獻[2]方法展開重載鐵路貨車機械零件與踏面損傷檢測，將3種方法獲得的損傷比例與實際比例展開對比，測試各方法檢測精度，其結果如表1所示。

對表1中的數據展開分析發(fā)現，所提方法的機械零件損傷與踏面損傷檢測精度均高于90%，其中，機械零件損傷檢測精度最高為98%，踏面損傷檢測精度最高為97%；而對比方法的檢測精度均未超過90%，由此可見所提方法的檢測精度明顯高于對比方法。這驗證了所提方法具有較高的檢測精度。

在上述機械零件與踏面損傷檢測過程中，所提方法、文獻[1]方法和文獻[2]方法的檢測時間如圖4所示。

通過上述測試可知，隨著迭代次數與圖像數量的增加，所提方法在機械零件與踏面損傷檢測過程中所需的時間均低于文獻[1]方法和文獻[2]方法，當迭代次數達到6次，圖像增加到200幅時，所提方法的機械零件檢測時間為10s，踏面損傷檢測時間僅為7s；而文獻[1]方法和的機械零件與踏面損傷檢測時間分別達到20s和18s；文獻[2]方法的機械零件與踏面損傷檢測時間分別達到20s和13s。由此可見，所提方法的檢測時長明顯低于對比方法。這是由于所提方法不僅對采集的圖像展開了去噪增強處理，同時采用Canny邊緣檢測算法對圖像展開了目標區(qū)域分割處理，使后續(xù)檢測的計算量降低，從而使檢測效率得以提升。

5 結語

在重載鐵路貨車機械零件與踏面損傷檢測領域中，目前的檢測方法存在圖像處理效果差、檢測精度低和檢測效率低的問題，提出一種新的重載鐵路貨車機械零件與踏面損傷圖像檢測方法。該方法對采集的圖像展開相關預處理，通過邊緣分割獲得機械零件與踏面損傷區(qū)域，最后將其輸入VGG-19網絡中完成相關檢測。經驗證，在圖像處理、檢測精度和檢測效率等方面，所提方法表現出良好的性能。

參考文獻：

[1] 張力，黃丹平，廖世鵬，等. 基于目標檢測網絡的輪對踏面缺陷檢測方法[J]. 激光與光電子學進展，2021，58（4）：244-253.

[2] 周鼎賀，宋志峰，林富生，等. 基于機器視覺的汽車零件涂裝缺陷檢測方法[J]. 電鍍與涂飾，2021，40（16）：1292-1300.

[3] 邵小強，楊濤，衛(wèi)晉陽，等. 改進同態(tài)濾波的礦井監(jiān)控視頻圖像增強算法[J]. 西安科技大學學報，2022，42（6）：1205-1213.

[4] 黃雪冰，魏佳藝，沈文宇，等. 基于自適應加權重復值濾波和同態(tài)濾波的MR圖像增強[J]. 計算機科學，2021，48（增刊1）：21-27.

[5] 張愉玲，邢會林，李三忠，等. 基于蟻群和Canny邊緣檢測算子混合算法的二維巖石圖像裂隙特征提取與修復研究[J]. 大地構造與成礦學，2021，45（1）：242-251.

[6] 史凱鈺，張東霞，韓肖清，等. 基于LSTM與遷移學習的光伏發(fā)電功率預測數字孿生模型[J]. 電網技術，2022，46（4）：1363-1371.

[7] 王建，吳昊，張博，等. 不平衡樣本下基于遷移學習-AlexNet的輸電線路故障辨識方法[J]. 電力系統自動化，2022，46（22）：182-191.

收稿日期：2023-06-16