唐诗

摘 要：在晚上地铁停运后，检测人员需要检测维修地铁运营车辆，排查可能的安全隐患，费时费力，效率低，成本高。为了解决这一系列问题，现利用AI算法进行地铁车轮螺栓松动检测，进行异常警告。

关键词：YOLOV3;边缘检测;UNet;Hough直线检测;缺陷检测

0 引言

根据深圳地铁的运营分析，城市轨道交通30年运营全成本约为建设成本的3.3～3.7倍，其中设备检修费用占到其中很大的一部分。因此，通过AI技术对地铁车轮螺栓松动进行检测，可以极大地提高检测效率，同时降低地铁运营中需要的维护成本。

近年来国内外对缺陷检测算法的研究取得了一些进展，主要表现在使用特定的特征提取方法，设计基于深度卷积网络的各种检测网络模型等新式检测手段。但目前市面上的检测方法相对较为单一，且螺栓在图像中占比较小，表面纹理特征差异不大，检测的效果达不到商用要求。本文提出的算法结合了YOLOV3、UNet和传统方法提取特征的手段，使车轮螺栓松动检测达到了很高的准确率。

1 螺栓松动检测系统

1.1 对接到地铁运营中心的数据库

开发地铁车辆检测系统软件，将算法检测到的结果形成可视化结果，提供给到维护人员，实时监控运营车辆故障异常情况，为检修提供参考依据。同时数据将会更新到地铁运营中心的数据库。

1.2 使用高速线阵相机进行数据采集

高速线阵相机的优点有以下的优点：非常适合测量场合，精度高，部署成

本低，且在高强度使用场景中不易发生故障，在工业上应用较多。目前主要运用于检测连续的材料，部署在地铁站场入口两侧。

1.3 光源、镜头的调试

调试镜头和光源直接影响数据质量，多次调试使数据的清晰度和亮度满足我们的要求，下面是我们的调试经验：

线扫描系统，对光源和相机来说，有效的工作区域都是一个窄条。也就是保证光源照在这个最亮的窄条与相机芯片要完全平行，否则只能拍到相交叉的一个亮点。所以机械安装、调试是比较费工夫的。同时由于幅宽比较宽，对于线光源有两个特别的要求，就是均匀性和直线性。因为线光源不同位置的亮暗差异，会直接影响图象的亮度高低，这一点LED比卤素灯更好控制。出光部分的直线性，取决于LED发光角度的一致性、聚光透镜的直线性以及线光源外壳的直线性。

2 基于多目标检测及图像分割算法

2.1 地铁车辆螺栓检测-YOLOV3

2.1.1 YOLOV3

YOLOV3是目前主流的目标检测算法，在工业上应用广泛。该算法有检测速度快、精度高的优点。该模型分别在不同的特征层面上做了特征融合，因此可以检测到图像中的小物体，这对螺栓的检测是至关重要的。

YOLOV3是one-stage检测算法，可以实现端对端实时检测。DarkNet53是主要的网络结构，主要是由1×1以及3×3卷积层和残差结构构成。通过堆叠这样的网络结构，实现速度与精度的均衡，同时残差结构还可以避免训练过程中发生的梯度爆炸问题。

YOLOV3借鉴了FPN的思想，对多种不同尺度的特征进行了检测。其输出特征图大小分别为52×52、26×26和13×13，使用了9种不同尺寸的anchor，输出得到的张量为K×K×[3×（4+1+C）]，其中，K为特征图大小，C为缺陷类别数。

2.1.2 YOLOV3基础上的改进

使用GIOU替代IOU。GIOU的计算方式为：先计算两个框的最小闭包区域面积，再计算闭包区域中都不属于两个框的区域占闭包区域面积的比重，再计算IOU，最后用IOU减去这个比重。GIOU考虑到了 IOU 没有考虑到的非重叠区域，對尺度也不敏感。

增加注意力模块。通过在特征图的通道上使用注意力的机制，给予特征图中关键的位置较大的权重，从而提取到主要的特征，避免无关特征的干扰。

由于检测目标特征与背景区分度较高，故采用轻量化YOLOV3、检测网络仅使用52*52特征图进行检测，加快检测效率。

2.2 对螺栓图像分割-UNet

UNet是在FCN的基础上发展过来的网络结构，分割效果很好，该模型在医疗上有了成熟的应用。相比FCN，UNet通过拼接的方式保留了更多的维度/位置信息，该模型适用于超大图像分割，分割精度高，可满足多尺度分割的要求。使用YOLOV3抠出螺栓后，直接用OpenCV提取发现处理效果不好。后在中间加了一步图像分割，再用OpenCV处理图像分割后的结果，效果显著提升。

UNet的网络结构，整个结构呈U型，先对图像做下采样，后做上采样得到分割结果图，上采样结构层和下采样结构层之间做skip-connection，将不同尺度的特征融合到一起，提高分割的准确度。

3 数据集

3.1 数据采集

在地铁铁轨处安装高速相机，无需等到列车停放，在地铁运行时对地铁整体的车轮进行拍摄。对拍摄得到的图片做预处理，标注螺栓的位置和类别，螺栓松动检测主要做的是二分类，即判断是否松动。

3.2 样本制作

数据增强：将图片转换成灰度图;通过使用不同强度的光照模拟不同的光环境，得到更有泛化表现的样本;使用传统方法提高图片的对比度;随机裁剪图像，增强局部区域特征的学习;由于螺栓没有故障样本，需要使用PS的方式来制作YOLOV3的负样本。

用精灵标注助手标注YOLOV3的样本，螺栓有目标为正样本，没有目标作为负样本，共同参与训练。正样本约2w张，负样本约5w张。另留出700张作为测试集。

用LabelMe标注UNet的样本，即将六角螺栓标注出来，作为图像分割的样本。大约4w张样本。另留出400张作为测试集。

4 最终效果

使用本文算法对螺栓松动检测，在Tesla K80显卡下能达到30+FPS的帧率，mAP达到96.69;螺栓边缘直线检测平均误差2.2°。

5 结语

本文提出的算法不仅可以检测到螺栓的松动情况，还可以对误刹车和防松丝断裂等故障做出检测，最终也达到了很好的效果。闸刀闸瓦缝隙松开最小面积为3000+像素;防松丝正负样本分类准确率95.38%。综合前面的算法结构和最终效果，本文算法在工业上有较好的工程应用价值。

参考文献

[1]Redmon J，Farhadi A.  YOLOV3： An Incremental Improvement[R]. arXiv，2018.

[2]Ronneberger O， Fischer P， Brox T. U-Net： Convolutional Networks for Biomedical Image Segmentation[C]// International Conference on Medical Image Computing & Computerassisted Intervention. 2015.

[3]Canny J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1986 （6）： 679-698.

[4]Generalizing the Hough Transform to Detect Arbitrary Shapes？BALLARD D. H. Pattern Recognition 13（2）， 111-122， 1981