李 超，劉子寬

(中國鐵道科學(xué)研究院集團(tuán)有限公司 電子計(jì)算技術(shù)研究所，北京 100081)

為了滿足日益增長的運(yùn)輸需求，列車不僅在運(yùn)行速度上逐步提高，運(yùn)行密度上也在不斷加大，因此如何保障列車運(yùn)行的安全可靠性已成為目前亟需解決的重要問題.尤其針對(duì)高速運(yùn)行的動(dòng)車組，鐵路部門提出了動(dòng)車組運(yùn)行故障動(dòng)態(tài)圖像檢測系統(tǒng)(TEDS)[1]，該系統(tǒng)利用軌邊安裝的線陣攝像機(jī)，采集運(yùn)行中動(dòng)車組的各個(gè)部位圖像來進(jìn)行故障自動(dòng)識(shí)別，從而監(jiān)測當(dāng)前動(dòng)車是否存在結(jié)構(gòu)件的變化，并據(jù)此進(jìn)行實(shí)時(shí)報(bào)警.

然而現(xiàn)有的動(dòng)車組故障識(shí)別方法大多通過與歷史圖像相比較來找尋差異區(qū)域，從而定位故障位置.由于采集時(shí)間和維修業(yè)務(wù)等原因，容易造成歷史圖像所構(gòu)成的模板庫存在較大的類內(nèi)差異性，需要不斷地更新模板庫，且現(xiàn)有方法難以保障故障檢測的誤報(bào)率與漏報(bào)率[2-5].模板庫內(nèi)的歷史圖像由于拍攝時(shí)間的不同，存在光照、成像像素不同，極易造成同一列車的成像尺度和成像像素存在較大的區(qū)別，因此誤報(bào)率居高不下.此外，列車在修理時(shí)會(huì)出現(xiàn)部分零部件的更新?lián)Q代或位置調(diào)整，均會(huì)使得模板庫的類內(nèi)差異性增大，從而增加誤報(bào)率[6].為此，本文提出了一種無需預(yù)設(shè)模板的動(dòng)車組故障識(shí)別算法，該算法將當(dāng)前列車的其他車廂作為歷史圖像來進(jìn)行圖像比對(duì)，從而定位故障區(qū)域，有效提高了檢測準(zhǔn)確性.

本算法首先對(duì)列車組的車頭車尾位置進(jìn)行標(biāo)定；然后根據(jù)車廂連接處存在對(duì)稱圖像的特征，進(jìn)行車廂劃分；最終將列車中的其他車廂作為歷史圖像，對(duì)該車廂進(jìn)行故障自動(dòng)監(jiān)測.該算法不僅在較大程度上避免了光照、行車速度等外在干擾因素的影響，同時(shí)也不受零部件位置調(diào)整等人工修理模式的影響，從而有效地解決了當(dāng)前故障識(shí)別中由于光照、列車運(yùn)行速度等外在因素造成的誤報(bào)率、漏報(bào)率較高等問題.

1 動(dòng)車組故障識(shí)別算法

本文提出了一種無需預(yù)設(shè)模板的全新動(dòng)車組故障識(shí)別算法，該算法無需任何歷史模板圖像，不必區(qū)分何種車型，只需根據(jù)當(dāng)前采集的列車組圖像自動(dòng)進(jìn)行圖像檢測，即可精準(zhǔn)定位故障區(qū)域.算法總體流程框架如圖1所示.

圖1 動(dòng)車組圖像故障識(shí)別算法流程框架圖Fig.1 Framework and flow chart of EMU image fault recognition algorithm

首先采用背景高斯差分法在采集的列車圖像集中確定列車的車頭和車尾圖像；隨后根據(jù)對(duì)稱匹配技術(shù)定位到列車的車廂連接處位置；最終將動(dòng)車組以車廂為單位構(gòu)建成相應(yīng)的列車圖像.將列車中的其他車廂作為歷史圖像，對(duì)該車廂進(jìn)行故障自動(dòng)監(jiān)測.

1.1 基于高斯混合模型的車頭車尾定位技術(shù)

由于TEDS采用磁鋼作為拍攝的觸發(fā)信號(hào)，因此會(huì)采集到一部分固定的背景圖像，隨后才會(huì)有列車出現(xiàn).鑒于此，本算法將線陣相機(jī)采集的圖像作為視頻幀進(jìn)行處理，列車未到達(dá)時(shí)的圖像設(shè)定為背景圖像，采用高斯混合模型(GMM)[7-8]進(jìn)行前景提取，確定列車的車頭車尾區(qū)域.

鑒于動(dòng)車圖像數(shù)據(jù)是多維數(shù)據(jù)，為此本算法構(gòu)建的GMM概率密度函數(shù)為

(1)

式中：z為采集的圖像特征；μ為數(shù)據(jù)均值(期望)；con為協(xié)方差計(jì)算符號(hào)；D為數(shù)據(jù)維度；p(z|θ)為該像素點(diǎn)屬于背景的概率，若其大于閾值，則為前景圖像.

具體的車頭車尾位置標(biāo)定算法流程如圖2所示.首先將獲取到的無任何列車信息的圖像數(shù)據(jù)作為背景圖像，并基于高斯混合模型進(jìn)行建模，將其作為背景圖像；隨后分別從第一張或最后一張采集的列車圖像開始進(jìn)行背景差分，從而尋找是否出現(xiàn)前景圖像.若出現(xiàn)，則繼續(xù)定位前景圖像位置，并輸出車頭和車尾的具體位置.在車頭出現(xiàn)的圖像中確定車頭的具體位置來提取車頭圖像區(qū)域.在車尾出現(xiàn)的圖像中確定車尾的具體位置，并提取車尾圖像區(qū)域.

圖2 基于高斯混合模型的車頭車尾定位技術(shù)流程圖Fig.2 Flow chart of front and rear positioning technology based on Gaussian mixture model

1.2 基于對(duì)稱匹配技術(shù)定位車廂連接處

根據(jù)列車特點(diǎn)，其車廂連接處呈對(duì)稱特征，為此本算法依據(jù)分析圖像的對(duì)稱指數(shù)來確定車廂連接處的區(qū)域.以動(dòng)車組為例，其由至少兩節(jié)帶驅(qū)動(dòng)力的車廂和若干節(jié)不帶牽引力的車廂共同組成.其中，兩節(jié)帶驅(qū)動(dòng)力的車廂為兩節(jié)反向?qū)ΨQ的動(dòng)力車廂，即動(dòng)車組的車頭和車尾；而若干節(jié)不帶牽引力的車廂，則為車頭與車尾中間的車廂，且在任意兩節(jié)車廂中間，即車廂連接處是彼此對(duì)稱的.根據(jù)采集的列車組圖像，動(dòng)車組的車廂、車廂連接處和背景圖像的顏色是不相同的，可以在列車組圖像上首先將動(dòng)車組車廂識(shí)別出來.對(duì)于其他區(qū)域，為了分辨出是車廂連接處還是背景圖像，可以判斷該區(qū)域的兩側(cè)圖像是否對(duì)稱：若對(duì)稱，則表示該區(qū)域?yàn)檐噹B接處；反之，則為背景圖像.

本算法根據(jù)Peter Kovesi的研究[9]，基于相位信息進(jìn)行對(duì)稱性檢測.首先定義n個(gè)尺度、η個(gè)方向的小波濾波器對(duì)，并將像素p映射為能量，即

(2)

式中：k=1，2，…，n；q=1，2，…，η；E為能量熵.通過上述方法對(duì)原始圖像進(jìn)行濾波并映射為能量，其中相位均為0的能量最大點(diǎn)，即為圖像中物體的對(duì)稱點(diǎn).根據(jù)該圖像的PSDE值，確定該圖像中是否存在對(duì)稱圖像，進(jìn)而判定是否有車廂連接處.

1.3 基于車廂圖像的故障識(shí)別算法

自動(dòng)識(shí)別出列車組的車頭和車尾位置，并去除背景圖像后，按照車廂連接處位置將列車采集的圖像進(jìn)行拼接分割，從而構(gòu)成每一節(jié)完整的車廂圖像，再通過與列車中其他車廂進(jìn)行SIFT特征[10-11]匹配，實(shí)現(xiàn)故障定位算法.

針對(duì)當(dāng)前采集的完整車廂圖像，采用尺度不變特征變換(SIFT)和非極大值抑制(NMS)[12-15]來定位故障區(qū)域，完成運(yùn)行動(dòng)車組的可視結(jié)構(gòu)異常情況實(shí)時(shí)分析與自動(dòng)預(yù)警.首先，使用高斯差分尺度空間(DOG)提取圖像中的尺度空間極值變化，即

D(x，y，σ)=(G(x，y，kσ)-G(x，y，σ))*I(x，y)=

L(x，y，kσ)-L(x，y，σ)

(3)

式中：(x，y)為圖像的像素位置；σ為尺度空間因子；*為卷積運(yùn)算符號(hào)；L(x，y，σ)定義為原始圖像I(x，y)與一個(gè)可變尺度的2維高斯函數(shù)G(x，y，σ)的卷積運(yùn)算.

隨后提取感興趣點(diǎn)的方向和特征描述，在每個(gè)感興趣點(diǎn)的周圍，基于圖像局部的梯度方向分配給每個(gè)關(guān)鍵點(diǎn)位置一個(gè)或多個(gè)方向.接著以興趣點(diǎn)為中心取16×16像素的窗口，并將其劃分為4×4個(gè)子區(qū)域.其次在每4×4個(gè)像素的圖像塊上計(jì)算8個(gè)方向的梯度方向直方圖，并繪制每個(gè)梯度方向的累加值，即可形成一個(gè)種子點(diǎn).由于圖像區(qū)域共存在16個(gè)種子點(diǎn)，因此對(duì)于每個(gè)興趣點(diǎn)可以產(chǎn)生4×4×8共128維的SIFT特征向量，即SIFT描述子.每個(gè)興趣點(diǎn)的方向參數(shù)依靠興趣點(diǎn)鄰域像素的梯度方向分布特性來確定，梯度方向分布特性使算子具備了旋轉(zhuǎn)不變性.

隨后通過非極大值抑制算法，根據(jù)故障點(diǎn)的區(qū)域位置確定車廂圖像中的初步故障區(qū)域，故障識(shí)別的算法流程如圖3所示.首先，提取當(dāng)前采集列車運(yùn)行圖像的尺度不變特征變換描述子特征；隨后采用非極大抑制值，根據(jù)圖像中預(yù)設(shè)故障點(diǎn)、感興趣點(diǎn)的區(qū)域位置及區(qū)域分?jǐn)?shù)來定位圖像中的初步故障區(qū)域；最終將該趟列車非本節(jié)車廂的其他圖像數(shù)據(jù)作為圖像模板庫，為這些故障區(qū)域在圖像模板庫中尋找相應(yīng)的位置.若匹配成功，則表明該圖像為正常區(qū)域；若匹配閾值較低，則說明該圖像中含有故障區(qū)域，需對(duì)故障區(qū)域進(jìn)行定位.

圖3 基于車廂圖像的故障識(shí)別算法流程Fig.3 Flow chart of fault recognition algorithm based on compartment images

2 實(shí)驗(yàn)與分析

實(shí)驗(yàn)首先構(gòu)建TEDS圖像集，并利用該數(shù)據(jù)集對(duì)本算法進(jìn)行性能評(píng)價(jià)，隨后與現(xiàn)有的圖像故障識(shí)別算法進(jìn)行對(duì)比分析.實(shí)驗(yàn)車型分為：CRH1A、CRH2A、CRH3A、CRH5A、CRH380A、CRH380B及復(fù)興號(hào)7種車型，列車通過TEDS設(shè)備實(shí)時(shí)采集運(yùn)行圖像.其中CRH1A型采集大約3 000張圖像；CRH2A型采集大約3 100張圖像；CRH3A型采集大約2 500張圖像；CRH5A型采集大約3 100張圖像；CRH380A型采集大約3 200張圖像；CRH380B型采集大約3 200張圖像；CRH400型(復(fù)興號(hào))采集大約4 500張圖像.采集的圖像分別包括：列車的底部高清圖像(制動(dòng)裝置、驅(qū)動(dòng)裝置、牽引裝置、轉(zhuǎn)向架、輪軸、車鉤及車底部其他部位)和側(cè)面的裙擺、轉(zhuǎn)向架等部位圖像.圖4分別顯示了沉箱與側(cè)箱攝像頭采集的車輛圖像.

圖4 TEDS采集的部分底部和側(cè)部圖像Fig.4 Part of bottom and side images acquired by TEDS

首先測試算法的故障識(shí)別性能，本實(shí)驗(yàn)與傳統(tǒng)的SIFT特征匹配算法分別在漏報(bào)率、誤報(bào)率和識(shí)別時(shí)間3個(gè)標(biāo)準(zhǔn)上進(jìn)行評(píng)估.漏報(bào)率是指在故障檢測中存在N次故障有M次未能檢測出；而誤報(bào)率是指在檢測出的N次故障中，其中有M次不是故障；識(shí)別時(shí)間是指從算法開始運(yùn)行到算法運(yùn)行結(jié)束所花費(fèi)的時(shí)間.本算法運(yùn)行在研華IPC-810E機(jī)型上，其CPU為Intel Core 2 E7400雙核雙線程，采用Windows XP SP3系統(tǒng).表1顯示了本算法與傳統(tǒng)算法對(duì)于不同車型的故障識(shí)別性能方面的比較.由表1可見，CRH380的誤報(bào)率較低，主要原因是該車型行駛的頻率較高，基本上各種替換零件在TEDS系統(tǒng)上都采集過，因此該車型獲取的圖像類內(nèi)差異性較小，對(duì)算法的性能影響較少；而CRH1 A型列車誤報(bào)率相對(duì)較高，主要原因是該車型采集的圖像質(zhì)量較差，且其更換零部件的頻率較低，很難完全獲取到所有類型的替換零部件，從而造成較高的誤報(bào)率；CRH400為最新的復(fù)興號(hào)，因?yàn)樵撥囆驼w運(yùn)行時(shí)間較少，磨損程度輕，此外，零配件統(tǒng)一，使得算法的故障識(shí)別難度降低，因此算法的性能最好，在漏報(bào)率12%的情況下，可以達(dá)到零誤報(bào).綜上所述，本文算法針對(duì)所有車型的漏報(bào)率均相對(duì)較低，主要原因是本算法不僅在較大程度上避免了光照、行車速度等外在干擾因素的影響，也可以不受零部件位置調(diào)整等人工修理模式的影響，從而可以較好地對(duì)運(yùn)行過程中的動(dòng)車組進(jìn)行隱蔽故障的實(shí)時(shí)預(yù)警.

表1 本文故障識(shí)別算法與傳統(tǒng)SIFT算法的性能比較Tab.1 Performance comparison between as-proposed fault recognition algorithm and traditional SIFT algorithm

通過圖像的形式討論本算法對(duì)于車頭、車底及車廂連接處的劃分情況，如圖5所示，本算法對(duì)實(shí)驗(yàn)車型均可取得準(zhǔn)確的車頭和車底位置，并裁剪出相應(yīng)的圖像.但對(duì)車廂連接處的劃分性能有所下降，其主要原因是TEDS在列車抵達(dá)壓塌磁鋼時(shí)才啟動(dòng)線陣相機(jī)，開始拍照.根據(jù)背景差分，前景提取完全可以準(zhǔn)確地獲取各種車型的車頭和車尾圖像.但車廂連接處拍攝時(shí)處于照片中的區(qū)域限制，會(huì)造成不對(duì)稱.為此，本算法在實(shí)際應(yīng)用中，通常將幾幅圖像串聯(lián)后再進(jìn)行分析，從而避免錯(cuò)過車廂連接處區(qū)域.

圖5 TEDS采集的部分車頭、車底、車廂連接處圖像Fig.5 Part of front，bottom and joint images collected by TEDS

表2展示了本算法針對(duì)不同時(shí)間、不同攝像頭采集火車圖像的故障識(shí)別性能.可以看出，本算法針對(duì)側(cè)箱攝像頭的故障識(shí)別率相對(duì)較高，主要因?yàn)榛疖噦?cè)面的零部件相對(duì)較少，圖像的局部角點(diǎn)信息不明顯，僅在故障出現(xiàn)時(shí)會(huì)大量增加角點(diǎn)信息，因此利用本算法可較好地圈定故障的大致位置.另外，列車底部含有大量的零部件，使得圖像具有較為豐富的角點(diǎn)信息，而故障導(dǎo)致的新增角點(diǎn)信息難以利用SIFT特征匹配準(zhǔn)確獲取.特別是一些細(xì)小的故障，如螺栓丟失、管道裂紋等問題，在一定程度上加大了特征匹配的難度，從而限制了算法的故障識(shí)別效果.為此，將會(huì)在后續(xù)的工作中引入空間鄰域位置信息，從特征和空間信息相融合的角度提升算法的性能.特別需要指出的是，隨著列車維修后運(yùn)行時(shí)間的變化，采集的圖像類內(nèi)差異性會(huì)很大，因此本文對(duì)列車維修運(yùn)行一天后和一個(gè)月后的故障識(shí)別率進(jìn)行了統(tǒng)計(jì)比對(duì).

表2 不同時(shí)間與攝像頭采集圖像的故障識(shí)別率Tab.2 Fault recognition rate of images collected by different cameras at different time

第2組實(shí)驗(yàn)主要分析閾值參數(shù)對(duì)算法的影響.本算法共涉及兩個(gè)閾值參數(shù)，分別是SIFT特征匹配閾值和模板匹配閾值，具體的性能比較如表3所示.可以看出，當(dāng)SIFT特征匹配選取較小閾值時(shí)，故障識(shí)別性能較差.說明當(dāng)閾值較低時(shí)，未匹配上的SIFT特征點(diǎn)數(shù)相對(duì)較多，因此相應(yīng)的誤報(bào)率較高.而隨著SIFT特征匹配閾值的逐步增加，故障識(shí)別準(zhǔn)確率也在穩(wěn)步提升.但當(dāng)閾值大于一定值后，閾值繼續(xù)增加，故障識(shí)別性能反而有所降低.主要原因是閾值過高，雖在一定程度上減少了誤報(bào)率，但漏檢的特征點(diǎn)數(shù)卻隨之相對(duì)增加，導(dǎo)致漏報(bào)率有所提升.對(duì)于模板匹配的閾值，從表3中可看出其變化趨勢與SIFT特征匹配的基本相似.為此綜合分析上述兩個(gè)閾值，本算法選取故障識(shí)別性能較優(yōu)時(shí)采用的閾值參數(shù)，即模板匹配算法選取閾值為0.7，SIFT特征匹配閾值為0.9.

表3 閾值參數(shù)對(duì)故障識(shí)別率的影響Tab.3 Influence of threshold parameters on fault recognition rate

3 結(jié) 論

針對(duì)動(dòng)車組運(yùn)行故障檢測問題，本文提出了一種無需預(yù)設(shè)模板的動(dòng)車組故障識(shí)別算法.首先識(shí)別列車組的車頭車尾，然后根據(jù)圖像之間的相關(guān)性、圖像自身的特性識(shí)別列車組的車廂連接處；再與待檢測列車組的其他車廂圖像進(jìn)行模板匹配，并在無需根據(jù)列車車型尋找歷史車輛模板庫的前提下實(shí)現(xiàn)故障識(shí)別，從而完成運(yùn)行動(dòng)車組可視結(jié)構(gòu)異常情況的實(shí)時(shí)分析與自動(dòng)預(yù)警.實(shí)驗(yàn)結(jié)果表明，本算法針對(duì)運(yùn)行動(dòng)車組的異常情況能夠有效地分析預(yù)警，使得系統(tǒng)用戶可及時(shí)發(fā)現(xiàn)重大故障，從而提升動(dòng)車運(yùn)營質(zhì)量.