马凌宇

摘 要：交通事业对我国的经济发展至关重要，高速动车组则使人们的出行更加便捷，但在高速动车组高速行驶状态下，动车组的运行安全便成为重中之重。组成动车底部的零部件繁多且结构十分复杂，传统的人工列检方式难免出现疏漏，不仅会危及动车组乘客的人身安全，同时也会对列检工作人员产生不利影响。为了实现对动车底部故障的快速检测，可以借助动车组运行故障图像检测系统。其主要采用图像对比识别技术实现动车底部图像的检测，并结合人工复检最终确定故障情况。文章以动车底部螺栓丢失故障为例，采取基于图像特征检测对比方法，有效清除底部螺栓丢失故障。

关键词：图像特征检测;动车底部;螺栓丢失故障

中图分类号：U216.3 文献标识码：A 文章编号：1674-1064（2021）11-122-03

DOI：10.12310/j.issn.1674-1064.2021.11.041

铁路发展对国民经济增长具有重要作用，随着中国铁路的不断创新，中国铁路逐渐成为世界铁路的“领跑者”，铁路运行安全也成为各项工作的重中之重。应及时检测列车故障，确保高速动车组安全平稳运行。動车底部故障检查需要列检工作人员进入车底，运用传统检查方式检测，无法保障列检工作人员的人身安全[1-2]，而且动车底部零部件众多，列检工作人员工作量繁重，容易出现失误情况，危及动车运行安全[3]。如今，在科学技术飞速发展阶段，可以采用动车组运行故障图像检测系统实现动车组底部安全监控，经图像特征检测对比方法确定动车底部故障情况，并予以改善[4]。

1 图像故障检测的基础

1.1 TEDS图像采集系统

TEDS图像采集系统可实现对动车组底部、侧部等部位部件的图像采集工作，在轨道上设置9个相机，可采集动车组不同部位部件的图像。相机的分辨率最小值为2 048像素/线，帧率最小值为48 kHz;图像格式主要为jpg。图像采集系统可将图像传输至图像处理计算机，计算机将原图像保存，保存后处理图像，将处理结果予以反馈，获取动车组部件情况。

1.2 动车组图像预处理

1.2.1 对比度增强

动车组底部图像采集受到多种因素的影响，主要包含采集时间段的天气、采集地点的环境、太阳光照情况等因素，动车组底部图像偏暗，肉眼无法直接判断动车组底部部件故障情况，容易出现漏检或者误检情况。重视动车组图像预处理工作，调节动车组底部图像对比度，降低漏检、误检出现的概率。图像对比度增强主要解决图像灰度级范围小出现的对比度低问题，放大输出图像灰度级，让图像变得清晰。最常用的对比度增强方法主要有伽马变换、直方图均衡化、线性变换等，文章以伽马变换算法实现动车组底部部件图像增强处理。

1.2.2 畸变矫正

动车组底部部件图像主要以固定相机通过固定频率拍摄而获取，动车组匀速运行，相机每次采集的图像大小固定，但这是理想化状态。动车组运行期间受到摩擦力、空气阻力等多种因素影响，相机采集的图像会发生变化，从而使得图像出现几何畸变。

为保障图章故障检测算法质量，需处理图像几何畸变情况，由于几何畸变主要表现为伸缩变换，确定伸缩比例因子后，可通过伸缩比例因子调整实现图像几何畸变的有效矫正。

1.3 图像配准技术介绍

1.3.1 基于灰度的图像配准技术

利用图像的灰度信息进行配准，对图像像素点的灰度信息予以充分利用，对两幅图像空间关系情况予以明确。此种算法对图像灰度信息十分敏感，但由成像原理不同的设备进行拍摄，图像在分辨率、色彩等方面有较大的差异，使得图像配准精度受到影响。而基于灰色图像配准算法可对灰度信息充分利用，保障了配准精度，满足了图像空间关系确定要求。除却基于灰色图像配准算法外，比值匹配法、线匹配法也可实现两幅图像空间关系确定，其中比值匹配法主要以部分像素的比值作为模板，寻找图中最优位置，确保图像的高效配准;线匹配法能够将图像仿射变化问题解决，实现图像的配准。

1.3.2 基于特征的图像配准技术

通过对两幅图像相同特征信息的提取，匹配，实现对两幅图像空间对应关系的确定。基于特征图像配准算法的自由度高，运行速度快，但仅能运用在图像小部分信息，但配准偏差较大，容易出现误匹配情况，降低图像匹配精度。

随着技术不断发展，图像配准特征提取算法可从特征描述、特征相似度量、特征匹配效率、图像质量等多方面考虑，确保图像匹配的准确性。基于特征的图像配准技术的运行效率高，配准效果良好，成为动车组底部图像配准的主要方法，而SIFT特征提取算法、SURF特征提取算法的不断发展，使得基于特征的图像配准技术持续完善，对其广泛运用起到积极作用。

2 基于暗边缘特征的动车底部螺栓丢失检测

2.1 动车底部螺栓边缘特征

在动车组底部，应通过观测动车组底板图像而将底板螺栓区域灰度特性予以统计，且动车组底部边缘的螺栓图像像素点明显低于中间位置，可将动车组底部螺栓边缘像素点设置为（x，y），满足式r12<（x-x0）2+（y-y0）

其中，（x0，y0）表示动车组底部螺栓中心像素坐标，G表示为灰度值界限（动车组螺栓边缘与螺栓中心的灰度值界限）;t为阈值（大于15）;r1为螺栓内边缘半径，r2为螺栓外边缘半径。由式（2）和式（4）可得式（5）：I（x1，y1）-I（x，y）>t。

动车组底部螺栓的暗边缘特征主要因为其他部分比螺栓头部低一些，在光照中，螺栓边缘则会将螺栓阴影部分突出显示，进而表现出螺栓暗边缘特征。

一旦动车组底边螺栓丢失，动车组底板嵌入螺栓部位则会出现小孔，而动车底部螺栓部位因螺栓头部的保护而出现光泽。可将动车组底部螺栓丢失区域边缘像素点设置为（x，y），满足式r32<（x-x0）2+（y-y0）

2.2 螺栓丢失检测

2.2.1 螺栓丢失检测方法

针对动车底部螺栓丢失故障，可运用亮边缘特性检测方法进行检测，其具有简便性与准确性特征。充分选取8个螺栓中心区域灰度均值以及丢失螺栓中心点，计算丢失螺栓中心区域灰度均值，即Im;随后取4个螺栓边缘区域灰度均值计算丢失螺栓边缘区域灰度均值，即Ie;螺栓正常，Im>Ie;螺栓丢失，Ie>Im。

2.2.2 螺栓丢失检测算法流程

从动车组底部螺栓图像预处理入手，利用螺栓特征点快速剔除非螺栓特征点部位，确保动车组底部螺栓部位准确，且经非极大值抑制消除同一螺栓表现出的多点响应情况，最终利用螺栓丢失检测算法实现对螺栓部位的精准检测，识别螺栓丢失故障，并及时给予维修，保障高速动车组运行安全[5]。

2.3 实验过程

2.3.1 实验数据获取

本项研究采用的动车组图像来自TEDS集中监控中心，并选取500张螺栓分布广泛的图像区域，确保每张图片中含有的螺栓数量为4～6个。为了完成对比性质较为强烈的验证实验，可将80%的图片作为训练集，将20%的图片作为测试集。从500张图片中随机选取150张，模拟1～2个底部螺栓丢失的故障。究其原因，高速动车组螺栓丢失故障图像较少，因此，可运用模拟方法实现螺栓丢失故障的模拟。

2.3.2 实验结果分析

文章基于特征配准方法和模板匹配方法提出二次配准算法，并对比此算法与HOG+SVM螺栓识别算法、Haar+Adaboost螺栓识别算法的性能，确定不同种类算法的螺栓识别准确率，如表1所示。比较基于灰度差值的螺栓丢失故障检测算法与二次配准算法的性能，即两种算法的螺栓丢失故障识别率，如表2所示。

通过表1、表2可知，基于特征配准方法和模板匹配方法提出的二次配准算法，在螺栓识别方面明显优于其余两种螺栓识别算法，螺栓识别的准确性较高;而二次配准算法在螺栓丢失识别率方面，低于基于灰度差值的螺栓丢失故障检测算法，但在误识别率方面明显优于后者，具有较高的精准性。究其原因，传统的灰度差值故障识别算法受到图像亮度的影响较大，很容易出现误检率，增加列检工作人员的故障检测工作量[6]。而二次配准算法能够准确快速地识别螺栓点，可准确识别因不存在螺栓丢失故障而表现出的亮边缘特性，避免将其识别为螺栓丢失，增加螺栓丢失故障的误识别率[7]。

3 给予HOG特征图像块描述

HOG特征可生成特征向量，主要通过计算和统计图像局部区域梯度方向直方图得到。其是运用在目标检测中的特征描述子，具有诸多优势，可在图像特征识别中广泛运用。HOG特征描述子具有抵抗性，能够抵抗图像几何形变、亮度变化产生的影响;HOG特征描述子可适应人体轻微动作，降低误差。在铁路图像识别中，HOG特征识别法被广泛运用，其可使用特征向量描述图像块。利用Gamma算子实现描述图像块的校正，大大降低目标图像亮度变化产生的影响。利用[﹣1 0 1]梯度算子与原始图像的卷积操作，获取图像块中每个像素点的水平方向梯度;利用[﹣1 0 1]T梯度算子与原始图像的卷积操作，获取图像块中每个像素点的竖直方向梯度分量。此外，也可利用式（11）计算图像梯度幅值，利用式（12）计算图像梯度方向。其中，梯度幅值用G表示，水平方面梯度用Gx表示，垂直方向梯度用Gy表示，梯度方向用θ表示。

划分多个细胞单元cell，利用公式计算每个细胞单元中的梯度直方图。动车组图像块大小为128×128，因此，细胞单元大小为8×8。按照0、20、40、60、80、100、120、140、160的标准将0～18度梯度方向进行划分，即bin;确定像素点的梯度方向，并将该像素点的梯度幅值（G）加入梯度方向对应的bin区间，即像素点梯度方向为20度，其梯度幅值（G）加入20度对应的bin区间。若梯度方向不是特殊角，应采用插值方法实现像素点梯度方向的计算，随后将幅值插入直方图中。利用大小为2×2的单元格block划分cell，并将单元格向量归一化，降低光照等因素对特征向量的影响。最后，将单元格特征向量进行串联，获取HOG特征向量，实现对图像块内容的描述。

4 结语

综上所述，高速动车组底部螺栓丢失故障发生率较低，但也存在发生的可能性。一旦出现动车底部螺栓丢失故障，危害性较大，强化动车底部螺栓丢失故障检测工作，对保障高速动车组的运行安全有积极作用。以往采用的基于灰度差值的故障识别算法存在较高的误差率，影响了底部螺栓丢失故障的检查准确性。

基于此，改进动车组底部螺栓丢失故障检测算法，运用基于图像特征的检测方法，可提升动车底部螺栓丢失故障的检测准确率，减轻列检工作人员的工作量。

参考文献

[1] 胡绍海，易果.基于暗边缘特征的动车底板螺栓故障检测[J].电脑知识与技术，2020，16（13）：214-217.

[2] 路绳方.复杂场景下动车底部螺栓丢失故障的自动检测[J].激光与光电子学进展，2017（11）：291-297.

[3] 宋丫，李庆楠，刘宵辰.基于深度学习的目标部件故障识别技术及应用[J].信息通信，2019，194（2）：55-58.

[4] 赵欣欣，钱胜胜，刘晓光.基于卷积神经网络的铁路桥梁高强螺栓缺失图像识别方法[J].中国铁道科学，2018，39（4）：56-62.

[5] 王勇，袁啸阳，陈铎，等.基于多任务卷积神经网络的轨道车辆螺栓异常检测方法[J].铁道车辆，2020（5）：29-32.

[6] 刘彬.动车组运行故障图像检测系统（TEDS）运用研究与思考[J].中国铁路，2017（12）：61-65.

[7] 杨梁崇，马楠.基于射频识别技术的动车组走行部关键部件螺栓防松脱预警系统[J].甘肃科技纵横，2019，48（11）：28-31.