摘 要：當(dāng)前重載鐵路貨車的機(jī)械零件與踏面損傷以人工檢測(cè)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(cè)準(zhǔn)確率有待提升。提出一種重載鐵路貨車機(jī)械零件與踏面損傷圖像檢測(cè)方法。采集重載鐵路貨車的機(jī)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(qiáng)圖像對(duì)比度；通過(guò)Canny邊緣檢測(cè)算法對(duì)采集的圖像展開邊緣檢測(cè)，將機(jī)械零件與踏面損傷區(qū)域分割出來(lái)，獲得目標(biāo)區(qū)域；在遷移學(xué)習(xí)的基礎(chǔ)上建立VGG-19網(wǎng)絡(luò)，將上述目標(biāo)區(qū)域輸入VGG-19網(wǎng)絡(luò)中，獲取機(jī)械零件與踏面損傷特征，實(shí)現(xiàn)機(jī)械零件與踏面損傷檢測(cè)。實(shí)驗(yàn)結(jié)果表明：所提方法的圖像處理效果好，機(jī)械零件損傷與踏面損傷檢測(cè)精度均高于90%，檢測(cè)時(shí)間均少于10 s，具有實(shí)用性。

關(guān)鍵詞：遷移學(xué)習(xí)；重載鐵路貨車；機(jī)械零件與踏面損傷檢測(cè)；同態(tài)濾波；Canny邊緣檢測(cè)算法

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：B 文章編號(hào)：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(guó)民經(jīng)濟(jì)中鐵路占據(jù)重要地位，國(guó)家的基礎(chǔ)設(shè)施建設(shè)和工業(yè)化水平可通過(guò)鐵路貨運(yùn)水平衡量，在我國(guó)經(jīng)濟(jì)發(fā)展過(guò)程中鐵路貨運(yùn)產(chǎn)生了較大的推動(dòng)力。在科學(xué)技術(shù)不斷提升和經(jīng)濟(jì)逐漸發(fā)展的背景下，我國(guó)鐵路貨車的承載質(zhì)量和運(yùn)輸速度逐步提升，但也埋下了安全隱患，如鐵路貨車機(jī)械零件與踏面損傷等，為了保障重載鐵路貨車的安全運(yùn)行，需要展開相關(guān)檢測(cè)工作。

張力等^[1]將采集的圖像輸入SSD網(wǎng)絡(luò)中，提取目標(biāo)區(qū)域，優(yōu)化YOLOv3網(wǎng)絡(luò)，建立M-YOLOv3網(wǎng)絡(luò)，將目標(biāo)區(qū)域輸入該網(wǎng)絡(luò)中，實(shí)現(xiàn)零件損傷檢測(cè)，但該方法無(wú)法消除圖像中存在的噪聲，圖像對(duì)比度較低，導(dǎo)致后續(xù)的檢測(cè)效果不佳。周鼎賀等^[2]通過(guò)迭代加權(quán)擬合方法定位并提取待檢測(cè)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(jié)合閾值分割方法獲取缺陷區(qū)域，實(shí)現(xiàn)損傷識(shí)別，但該方法的檢測(cè)結(jié)果與實(shí)際結(jié)果不符，存在檢測(cè)精度低的問(wèn)題。

為了解決上述方法中存在的問(wèn)題，提出一種重載鐵路貨車機(jī)械零件與踏面損傷圖像檢測(cè)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(jī)車作為圖像采集過(guò)程中的移動(dòng)平臺(tái)，將具有伸縮功能的支架安裝在移動(dòng)平臺(tái)的底部，同時(shí)在支架上安裝補(bǔ)光器和工業(yè)相機(jī)，用于實(shí)時(shí)采集重載鐵路貨車機(jī)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(jī)械零件與踏面區(qū)域分割的準(zhǔn)確性及檢測(cè)的效果，本文的機(jī)械零件與踏面損傷圖像檢測(cè)方法采用同態(tài)濾波方法^[3-4]對(duì)采集的圖像展開去噪和增強(qiáng)處理。

用g（x，y）表示采集的機(jī)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(guò)下式對(duì)數(shù)運(yùn)算采集的機(jī)械零件與踏面圖像，以使得機(jī)械零件與踏面圖像信號(hào)更加平滑和穩(wěn)定，從而減小了噪聲等因素對(duì)后續(xù)傅里葉變換的影響。

lng（x，y）=lno（x，y）+lnt（x，y）（2）

對(duì)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(diǎn)；F（u，v）、O（u，v）、T（u，v）分別表示采集機(jī)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(jié)果。

建立同態(tài)函數(shù)J（u，v）濾波處理傅里葉變換所得到的機(jī)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(jié)果。

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

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

通過(guò)指數(shù)型同態(tài)函數(shù)J（u，v）來(lái)對(duì)機(jī)械零件與踏面圖像進(jìn)行濾波處理，以避免造成圖像細(xì)節(jié)丟失，提高原始圖像信息還原度。由于后續(xù)通過(guò)指數(shù)變換來(lái)增強(qiáng)采集圖像的原始對(duì)比度主要是通過(guò)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(duì)比度的增強(qiáng)。而指數(shù)型同態(tài)函數(shù)J（u，v）在對(duì)圖像進(jìn)行濾波處理的同時(shí)，先對(duì)圖像中的T（u，v）成分和O（u，v）成分進(jìn)行了提高和抑制。其中，當(dāng)t_Hgt;1、t_Llt;1時(shí)，J（u，v）函數(shù)可以對(duì)照度成分進(jìn)行一定程度的抑制，且對(duì)反射成分進(jìn)行一定程度的提高。在此基礎(chǔ)上再對(duì)機(jī)械零件與踏面圖像對(duì)比度增強(qiáng)，可極大地提升增強(qiáng)的效果，為后續(xù)提供更高質(zhì)量的機(jī)械零件與踏面圖像數(shù)據(jù)。

在完成上述處理后，接下來(lái)，展開傅里葉反變換操作，對(duì)機(jī)械零件與踏面圖像的原始信息進(jìn)行還原，實(shí)現(xiàn)圖像的重建，以檢查濾波處理的效果，確認(rèn)機(jī)械零件與踏面圖像是否已經(jīng)清除了噪聲。對(duì)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(jié)果。如果反變換后得到的機(jī)械零件與踏面圖像和原始圖像一致或者接近，說(shuō)明濾波處理的效果較好。若未達(dá)到預(yù)期重返濾波處理該步驟；若達(dá)到預(yù)期，對(duì)機(jī)械零件與踏面圖像展開增強(qiáng)處理。

通過(guò)對(duì)上式展開指數(shù)變換，進(jìn)行對(duì)采集圖像對(duì)比度的增強(qiáng)，以達(dá)到機(jī)械零件與踏面圖像的最終處理結(jié)果，如下式所示。

式中：h（x，y）表示對(duì)比度增強(qiáng)后的圖像；exp|·|表示指數(shù)變換。以此實(shí)現(xiàn)機(jī)械零件與踏面圖像噪聲的消除，以及圖像對(duì)比度的增強(qiáng)。

2 機(jī)械零件與踏面圖像損傷目標(biāo)區(qū)域分割

對(duì)機(jī)械零件與踏面圖像展開去噪和增強(qiáng)處理后，針對(duì)所得到的處理結(jié)果，基于遷移學(xué)習(xí)的重載鐵路貨車機(jī)械零件與踏面損傷圖像檢測(cè)方法采用Canny邊緣檢測(cè)算法^[5]分割采集圖像中的機(jī)械零件與踏面損傷區(qū)域。

對(duì)處理后圖像h（x，y）進(jìn)行有限差分近似計(jì)算，獲得X、Y兩個(gè)方向上的圖像h（x，y）偏導(dǎo)數(shù)矩陣X（x，y）、Y（x，y）：

根據(jù)偏導(dǎo)數(shù)矩陣X（x，y）、Y（x，y）計(jì)算梯度方向?（x，y）和幅值Q（x，y）：

通過(guò)上式計(jì)算Q（x，y）的局部最大值，即可獲得機(jī)械零件與踏面破損的邊緣方向。然而，對(duì)于損傷區(qū)域圖像而言，區(qū)域內(nèi)灰度分布的不穩(wěn)定性會(huì)導(dǎo)致該區(qū)域部分像素被判定為背景，在最終結(jié)果中出現(xiàn)混亂。

機(jī)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?cái)?shù)中以上兩個(gè)類別所占的比例為e₁、e₂：

式中：A_i為灰度級(jí)中像素的數(shù)位；L為圖像的灰度級(jí)數(shù)量；y∈L。根據(jù)上式計(jì)算結(jié)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(jī)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(jī)械零件與踏面損傷區(qū)域的過(guò)程為：當(dāng)像素點(diǎn)的幅值Q（u，v）大于閾值T_up時(shí)，說(shuō)明像素點(diǎn)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(diǎn)附近8個(gè)領(lǐng)域中是否存在Q（u，v）大于閾值T_up的邊緣點(diǎn)。若存在，表明該像素點(diǎn)屬于圖像的邊緣，通過(guò)上述過(guò)程獲得機(jī)械零件與踏面損傷區(qū)域。

3 機(jī)械零件與踏面損傷檢測(cè)

為了有效提升重載鐵路貨車機(jī)械零件與踏面損傷檢測(cè)結(jié)果的精度，在遷移學(xué)習(xí)方法的基礎(chǔ)上建立VGG-19網(wǎng)絡(luò)結(jié)構(gòu)，如圖1所示^[6-7]。通過(guò)該網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)基于遷移學(xué)習(xí)的重載鐵路貨車機(jī)械零件與踏面損傷圖像檢測(cè)研究。

將通過(guò)利用上述確定的圖像分割閾值T_up、T_down分割得到的機(jī)械零件與踏面損傷目標(biāo)區(qū)域x_（i，j）輸入VGG-19網(wǎng)絡(luò)中，用（i，j）表示目標(biāo)區(qū)域的坐標(biāo)，卷積核f在網(wǎng)絡(luò)中的維度為H×W，對(duì)應(yīng)的坐標(biāo)為（m，n），目標(biāo)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(wǎng)絡(luò)的計(jì)算量，針對(duì)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(xué)習(xí)的重載鐵路貨車機(jī)械零件與踏面損傷圖像檢測(cè)方法選用最大池化方式。機(jī)械零件與踏面損傷目標(biāo)區(qū)域經(jīng)過(guò)網(wǎng)絡(luò)的卷積與池化處理后輸出對(duì)應(yīng)的向量，將向量輸入網(wǎng)絡(luò)的全連接層1中，利用ReLU函數(shù)f_ReLU對(duì)特征向量展開激活處理，然后輸入到全連接層2，通過(guò)Softmax函數(shù)獲得機(jī)械零件與踏面損傷的檢測(cè)閾值：

式中：α表示池化窗口在特征圖上滑動(dòng)的步長(zhǎng)；Z_i表示第i個(gè)節(jié)點(diǎn)在VGG-19網(wǎng)絡(luò)中的輸出值；C表示檢測(cè)結(jié)果的類別數(shù)量。

綜上，完成對(duì)機(jī)械零件與踏面損傷的檢測(cè)。采用基于遷移學(xué)習(xí)方法建立的VGG-19網(wǎng)絡(luò)實(shí)現(xiàn)機(jī)械零件與踏面損傷檢測(cè)的過(guò)程中，機(jī)械零件與踏面損傷目標(biāo)區(qū)域x_{（i，j）}結(jié)果對(duì)檢測(cè)效果有著重要的影響，因此需要對(duì)其進(jìn)行精準(zhǔn)地獲取，以確保檢測(cè)的效果。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)環(huán)境設(shè)置

為了驗(yàn)證基于遷移學(xué)習(xí)的重載鐵路貨車機(jī)械零件與踏面損傷圖像檢測(cè)方法的整體有效性，需要對(duì)其展開測(cè)試。采集到的機(jī)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(xiàn)[1]方法和文獻(xiàn)[2]方法作為對(duì)比方法，選取圖像處理效果、檢測(cè)精度以及檢測(cè)時(shí)間作為測(cè)試指標(biāo)，分別對(duì)所提方法、文獻(xiàn)[1]方法和文獻(xiàn)[2]方法展開對(duì)比測(cè)試。

4.2 實(shí)驗(yàn)結(jié)果分析

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

由圖3可知，原始數(shù)據(jù)集中的圖像中存在大量的噪聲，會(huì)影響后續(xù)的檢測(cè)結(jié)果；采用文獻(xiàn)[1]方法和文獻(xiàn)[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(shí)，圖像的對(duì)比度也得到了增強(qiáng)，提升了所采集圖像的質(zhì)量。因?yàn)樗岱椒ú捎昧送瑧B(tài)濾波方法對(duì)采集的機(jī)械零件圖像和踏面圖像展開了去噪和對(duì)比度增強(qiáng)處理，有利于后續(xù)的缺失檢測(cè)與損傷檢測(cè)。

采用所提方法、文獻(xiàn)[1]方法和文獻(xiàn)[2]方法展開重載鐵路貨車機(jī)械零件與踏面損傷檢測(cè)，將3種方法獲得的損傷比例與實(shí)際比例展開對(duì)比，測(cè)試各方法檢測(cè)精度，其結(jié)果如表1所示。

對(duì)表1中的數(shù)據(jù)展開分析發(fā)現(xiàn)，所提方法的機(jī)械零件損傷與踏面損傷檢測(cè)精度均高于90%，其中，機(jī)械零件損傷檢測(cè)精度最高為98%，踏面損傷檢測(cè)精度最高為97%；而對(duì)比方法的檢測(cè)精度均未超過(guò)90%，由此可見所提方法的檢測(cè)精度明顯高于對(duì)比方法。這驗(yàn)證了所提方法具有較高的檢測(cè)精度。

在上述機(jī)械零件與踏面損傷檢測(cè)過(guò)程中，所提方法、文獻(xiàn)[1]方法和文獻(xiàn)[2]方法的檢測(cè)時(shí)間如圖4所示。

通過(guò)上述測(cè)試可知，隨著迭代次數(shù)與圖像數(shù)量的增加，所提方法在機(jī)械零件與踏面損傷檢測(cè)過(guò)程中所需的時(shí)間均低于文獻(xiàn)[1]方法和文獻(xiàn)[2]方法，當(dāng)?shù)螖?shù)達(dá)到6次，圖像增加到200幅時(shí)，所提方法的機(jī)械零件檢測(cè)時(shí)間為10s，踏面損傷檢測(cè)時(shí)間僅為7s；而文獻(xiàn)[1]方法和的機(jī)械零件與踏面損傷檢測(cè)時(shí)間分別達(dá)到20s和18s；文獻(xiàn)[2]方法的機(jī)械零件與踏面損傷檢測(cè)時(shí)間分別達(dá)到20s和13s。由此可見，所提方法的檢測(cè)時(shí)長(zhǎng)明顯低于對(duì)比方法。這是由于所提方法不僅對(duì)采集的圖像展開了去噪增強(qiáng)處理，同時(shí)采用Canny邊緣檢測(cè)算法對(duì)圖像展開了目標(biāo)區(qū)域分割處理，使后續(xù)檢測(cè)的計(jì)算量降低，從而使檢測(cè)效率得以提升。

5 結(jié)語(yǔ)

在重載鐵路貨車機(jī)械零件與踏面損傷檢測(cè)領(lǐng)域中，目前的檢測(cè)方法存在圖像處理效果差、檢測(cè)精度低和檢測(cè)效率低的問(wèn)題，提出一種新的重載鐵路貨車機(jī)械零件與踏面損傷圖像檢測(cè)方法。該方法對(duì)采集的圖像展開相關(guān)預(yù)處理，通過(guò)邊緣分割獲得機(jī)械零件與踏面損傷區(qū)域，最后將其輸入VGG-19網(wǎng)絡(luò)中完成相關(guān)檢測(cè)。經(jīng)驗(yàn)證，在圖像處理、檢測(cè)精度和檢測(cè)效率等方面，所提方法表現(xiàn)出良好的性能。

參考文獻(xiàn)：

[1] 張力，黃丹平，廖世鵬，等. 基于目標(biāo)檢測(cè)網(wǎng)絡(luò)的輪對(duì)踏面缺陷檢測(cè)方法[J]. 激光與光電子學(xué)進(jìn)展，2021，58（4）：244-253.

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

[3] 邵小強(qiáng)，楊濤，衛(wèi)晉陽(yáng)，等. 改進(jìn)同態(tài)濾波的礦井監(jiān)控視頻圖像增強(qiáng)算法[J]. 西安科技大學(xué)學(xué)報(bào)，2022，42（6）：1205-1213.

[4] 黃雪冰，魏佳藝，沈文宇，等. 基于自適應(yīng)加權(quán)重復(fù)值濾波和同態(tài)濾波的MR圖像增強(qiáng)[J]. 計(jì)算機(jī)科學(xué)，2021，48（增刊1）：21-27.

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

[6] 史凱鈺，張東霞，韓肖清，等. 基于LSTM與遷移學(xué)習(xí)的光伏發(fā)電功率預(yù)測(cè)數(shù)字孿生模型[J]. 電網(wǎng)技術(shù)，2022，46（4）：1363-1371.

[7] 王建，吳昊，張博，等. 不平衡樣本下基于遷移學(xué)習(xí)-AlexNet的輸電線路故障辨識(shí)方法[J]. 電力系統(tǒng)自動(dòng)化，2022，46（22）：182-191.

收稿日期：2023-06-16