辽宁省大连地铁集团有限公司/周纪武 石磊

引言

制动闸瓦是地铁车辆制动单元的一个重要零件（如图1所示），它在车辆制动时，直接紧压车轮踏面(或制动盘)，增大对车轮踏面的摩擦，阻滞车轮的转动，在轮轨间粘着力的作用下使列车减速或停止运行。在车辆高频的调速和停车过程中闸瓦都会受到较大程度的磨损，破损的闸瓦存在极高的安全隐患，很可能就会产生车辆失控等极其严重的后果。现阶段针对地铁闸瓦的检测大多是依赖人工，在夜间非运营期间车辆入库后，进行查看、拍照、记录，这种方式需要投入很高的人力成本，但工作效率不高。因此，为了提升部件检测的准确率和可复查性，保证地铁车辆的行驶安全，同时提高巡检效率，降低人力成本，本文提出一种基于GAN网络的地铁制动闸瓦异常检测系统，该系统也可应用于其它地铁部件的检测，具有较高的可移植性和重用性。

图1 地铁转向架（标红部分为闸瓦）

图像异常检测的主要目的是找到正样本和负样本的边界，辨别出检测图像是否为异常图像，边界可以是图像空间或者是高维特征空间。在实际闸瓦检测过程中，正常图像数据相比于异常图像数据多的多，但是异常情况又是我们最关心的。所以，这就要求我们采用传统的数字图像处理算法、半监督或者无监督学习算法进行异常检测。

基于传统数字图像处理的方法一般是将模板图像和待检测图像进行对比，计算两张图像的距离，如果距离超过阈值，则该图像存在异常。……