摘要：文章对朔黄铁路货车动态图像项目的可行性进行了研究，证明铁路货车故障动态图像分析系统得到了成功运用，优化了TFDS技检作业流程，提高了检车效率，实现了车辆运用技术检查方式由“人检”向“机检”的过渡，列检质量由“人控”向“机控”的转变，减轻了现场作业劳动强度，确保了运输安全。

关键词：朔黄铁路；货车动态图像；项目可行性；TFDS；技检作业 文献标识码：A

中图分类号：U260 文章编号：1009-2374（2015）28-0111-03 DOI：10.13535/j.cnki.11-4406/n.2015.28.054

1 项目概要

铁路货车故障动态图像分析系统通过布置于钢轨之间的高速相机阵列，拍摄运行货车车辆的转向架、中间部、基础制动装置、车钩缓冲装置等车辆关键部位的图像，采用先进的抗阳光干扰技术、图像数据实时处理技术、精确定位算法和模式识别技术，实现了12种故障的自动判别，经由列检值班员确认后，通知室外检车员进行处理，可预防发生多种危及行车安全的故障。目前朔黄铁路运用货车共17000辆左右，与国铁相比，货车车型相对单一、周转速度较快。针对朔黄铁路的现状，项目提出的研究内容为：铁路货车运行故障动态图像检测系统对过往的车辆进行故障自动识别和报警，其中共包括12种故障类型：关门车、闸瓦或闸瓦钎丢失、心盘螺栓丢失、制动系统圆销丢失、风堵丢失、钩舌销丢失、钩舌推铁丢失、制动梁支柱圆销丢失、枕簧丢失、缓冲器托板螺栓丢失、钩托梁螺栓丢失及滚动轴承端头螺栓丢失。

通过前期对朔黄铁路运用货车车辆和项目涉及的12种故障的调研，项目组制定了一套基于朔黄铁路的系统技术研发方案。技术人员综合考虑到算法实现难易程度、现场需求迫切程度及故障发生频率等特点，有计划、按步骤地完成了12个故障识别模块的研发工作，并在朔黄铁路肃宁段进行了系统测试及数据收集，测试结果理想。铁路货车故障动态图像分析系统的成功运用，优化了TFDS技检作业流程，提高了检车效率，减少了由于人工检测的尺度差异与检车员疲劳所造成的误报、漏报数量，符合我国铁路实现跨越式发展和铁道部关于货车检修自动智能化的要求，实现了车辆运用技术检查方式由“人检”向“机检”的过渡，列检质量由“人控”向“机控”的转变，减轻了现场作业劳动强度，确保了运输安全。

2 项目概况

2.1 项目背景

朔黄铁路西起山西省神池县神池南站，东至河北省黄骅市黄骅港口货场，正线总长近600km，设计为国家Ⅰ级干线、双线电气化铁路，是我国目前投资与建设规模最大的一条合资铁路，也是我国西煤东运第二大通道和神华集团矿、路、港、电、航、油一体化工程的重要组成部分，在全国路网中占有重要地位。

朔黄铁路每天图定过车108对，平均每12分钟过一列车，目前的TFDS系统都是采用人工室内看图检车，检车员需要逐车逐图地查看。如果按照一列车60辆编组，每辆车为标准的53幅图像计算，每列车需要浏览3180幅图像，按照每列车6分钟技检时间计算，平均每秒钟要看9幅图像，即使按照4人按部件分工看图，每人每秒也需要浏览2幅图像，因此检车员劳动强度很大，极容易疲劳，再加上环境、心理等众多因素的影响，难免会产生漏检、误检。此外，随着朔黄铁路运量的不断增加，加之车辆在运用过程中逐渐老化，货车运行的安全风险也会越来越大，因此针对朔黄铁路研发的铁路货车动态故障图像分析系统，不仅符合当前朔黄铁路的实际需求，同时也能提前应对今后逐步增多的货车运行故障，为确保行车安全提供可靠的解决方案。

2.2 项目实施目标

实现所有TFDS检测范围内的车辆故障自动识别、报警，优化列检作业流程，降低工人作业强度，提高作业效率，确保行车安全。

2.2.1 建立朔黄铁路专用的故障样本库和样本收集系统，便于今后货车故障的自动识别和分析。

2.2.2 实现与现有TFDS系统的无缝接入。

2.2.3 在现有的TFDS设备的基础上实现对多发性故障进行自动报警。

2.2.4 在现有的TFDS设备的基础上实现对危及行车安全的故障进行自动报警。

2.2.5 远期目标：实现TFDS系统的全部计算机快速识别。

2.3 项目实施的技术路线

2.3.1 采集大量图像信息，建立朔黄铁路故障样本库。通过已经运用的TFDS系统收集货车故障图像及相关辅助图像，然后根据车型、部件建立相应的故障样本库及测试库，作为故障自动识别的研究基础及测试算法优劣的评价标准。

2.3.2 分析不同故障的特征，分别建立特征抽取模型，通过对收集到的故障样本库中的故障图像进行分析，确定不同故障种类的各种特征，针对各自的特征建立特定的数学模型。

2.3.3 图像预处理。图像的预处理包括图像降噪（频域可采用SVD奇异值降噪，空域可采用平滑处理）、图像阈值变换、边缘检测、模板定位。通过预处理，可以从一幅图像中分离出待识别的部件。

2.3.4 特征提取。针对分离出的部件，采用小波分析、纹理分析进行特征抽取，提取出特征参数，如灰度值、灰度均方值、形状参数等，输入到识别模型中。

2.3.5 建立数学模型。根据不同的部件，针对不同的特点，选择建立人工神经网络模型（ANN）、支持向量机模型（SVM）以及模糊聚类等识别模型，使算法具有自适应性、学习性和鲁棒性，能够少受外界环境如光强、分辨率等的影响。

2.3.6 智能识别算法的研发。对样本库中的图像进行学习，将待识别的零件特征“记忆”到算法中，根据这些特征对故障零件进行识别，同时针对故障的种类及个数对车辆的故障给出综合评价，实现分级报警。

2.4 主要研究内容

朔黄铁路货车运行故障动态图像检测系统（TFDS）所检测的车辆多发性故障和严重危及行车安全的故障的自动识别和报警。

具体项目如下：

2.4.1 多发性故障。关门车；闸瓦或闸瓦钎丢失；心盘螺栓丢失；制动系统圆销丢失；风堵丢失；钩舌圆销丢失；钩舌推铁丢失。

2.4.2 严重危及行车安全的故障。制动梁支柱圆销丢失；枕簧丢失；缓冲器托板螺栓丢失；钩托梁螺栓丢失；滚动轴承端头螺栓丢失。

2.5 研究方法

经过有关专家研究评定，项目采用基于统计学习理论的机器学习识别方法。该方法不但能有效地解决小样本问题，而且具有很好的推广能力，可以使分类器更加智能，能够“认识”更多先前未知的样本，更好地保证程序的通用性，具有更强的智能性。其自动识别流程如下：

主线程启动时，创建识别线程，识别线程创建取消息线程。主线程结束时，通知识别线程结束，识别线程通知取消息线程结束。

此外，项目的主要研究内容是对图像识别算法的研究、编码及实现。图像识别算法主要包括图像预处理算法、部件定位算法、识别分类算法。

2.5.1 图像预处理方法。系统本身存在着噪声，而且当照度比较低时，相机要增大信号的放大增益，所以对于采集到的图像，需要应用滤波技术进行处理。这里我们采用的是先进的双边滤波技术，此技术处理过的图片，能够在去噪的同时更好地保留边缘信息，不仅更适于人类视觉系统，对进一步处理图像也很有好处。

此外，由于拍摄过程中通常采用球面镜头，拍摄的图像中部会很清晰，但在图像边缘可能存在几何失真。因此我们采用2次非线性枕形、梯形校正技术，以此消除图像的几何失真，降低图像边缘的失真程度。

2.5.2 部件定位算法。系统为了达到自动识别故障的目的，需要从数量众多的原始图像中定位到待检测的部件，部件定位得越准确，最终的识别准确率也就越高。首先，我们从图像中把待检部位裁剪出来作为正类样本，然后再截取除待检部位以外的其他样本作为负类样本，正类样本与负类样本共同组成训练样本。通常训练样本维数都很高，如果直接用分类器进行训练和分类，不但速度上不能满足实时要求，而且会很大程度地影响分类效果。因此，我们有针对性地采用主成分分析、独立成分分析及小波变换等特征提取方法对高维训练样本进行降维，并且保证在减少数据集维数的同时能够保持数据集的特征。

在得到低维训练样本以后，需要通过统计学习的方法进行分类。在分类器的选取上我们使用支持向量机方法。支持向量机将向量映射到一个更高维的空间里，在这个空间里建立一个最大间隔超平面。在最大间隔超平面的两边建有两个互相平行的超平面，理论上平行超平面间的距离或差距越大，分类器的总误差越小。图2以关门车部件定位为例，说明部件定位的过程：在图像扫描中以五个步长为单位扫描图像，每扫描图像中的一部分，就用得到的决策函数进行判断，得正1就表示该部分图像含有待检部位，得负1表示该部分图像不含有待检部位。待整幅图像扫描完成后，就能够确定关门车部件在图像中的位置。通过部件定位得到若干待检部件的位置后，再使用部件几何关系的先验知识，定位出最终需要识别的具体位置。

2.5.3 识别分类算法。我们将需要识别的部件裁剪出来，有故障的定为正类，无故障的定为负类。对于特征较明显的故障，可以采取部件定位阶段使用的特征提取方法以及支持向量机分类器，但对于特征更复杂的故障，我们认为纹理特征通常可以显示图像更多的局部特性，所以它可以用来对图像中的空间信息进行准确的定量描述。局部二值模式（LBP）是一种有效的纹理描述算子。我们应用对图像旋转具有不变性的扩展LBP算子，对疑似故障部位图像的关键点的纹理特征进行提取和描述，最后从LBP运算的结果提取直方图，用直方图匹配技术进行故障的识别。

在实际应用中，我们运用了更多先验知识用来提高识别速度和准确率，在保证可靠性的前提下达到事半功倍效果。经过近两年的技术攻关，技术人员完成了识别算法研究、系统平台搭建、框架程序调试、12个故障识别模块的开发及最终的系统测试等工作。现已将TFDS系统安装在朔黄铁路肃宁段运行测试，从测试结果来看，系统识别速度快、漏报少，12个故障识别模块的技术指标均已达到技术要求。

作者简介：赵松江（1985-），男，河南人，北京国电通网络技术有限公司项目经理，助理工程师，研究方向：工商管理。

（责任编辑：秦逊玉）