图像自动识别技术在轨道车辆检测中的应用

图像自动识别技术在轨道车辆检测中的应用

许见诚

广州珠江职业技术学院

摘要：本文对图像自动识别技术在铁路轨道的应用进行了研究，以供参考。

关键词：图像自动识别技术；轨道车辆；应用

一、图像识别技术

图像识别指的是指图像刺激于人体感觉器官，其距离的变化或在人体感觉器官上刺激位置的变化，都会引起图像在视网膜上的位置和状态的变化。大家对其的识别是经验过的某一图像的过程，也称作图像再认。在图像识别中，既要有即时进到感官的信息，也要有之前保存的信息。在这一状况下，人们仍是能够认出之前所感觉过的图像。而且图像识别能够不受感觉途径的所限。仅有经过保存的信息与即时的信息实现比较的处理过程，才会完成对图像的再认。

图像识别技术一般是基于图像的重要特点的。每幅图像都有其特点，对图像识别时人体器官的研究证明，视线会汇聚在图像的特征上，也就是信息量集中的区域。而且人的扫描路径也总会依序从一个转移到另一个上。可以得出，在图像识别中，知觉功能需要除去输入的过多信息，选择关键的信息。并且，在大脑里肯定有一个管理整合信息的机能，它能把人们获取的信息组合成一个整体的知觉形象。

在人体图像识别机制中，对很多图像的识别常常要经过各个层级的信息处理才会完成。对那些熟知的图像，因为获得了它的主要特征，就会把它看作一个单元来识别，而不再关注它的其他部分了。这类由单独的单元构成的整体叫做组块，每一组块是一起被感觉的。在文字形式的识别中，人们不仅能够把一个汉字的笔划或偏旁等单元构成一个组块，而且能把常常在同时出现的字或词构成组块单位来进行识别。本文对图像识别技术在铁路的应用进行研究。

二、图像自动识别流程

图像自动识别流程如下：首先，需要收集各种车型各部分的标准图像等信息建立模板数据库；采集到待检测的轨道车辆图像后，高度图像（灰度图像）与模板数据库中的图像进行配准，进而确定各部件的具体位置；最终针对各部件检测前、后的图像特征在高度图像（灰度图像）上进行对比识别以确定是否存在疑似故障。

1、图像获取方式

通过设计自行走机器人，携带图像采集传输设备、图像存储与处理设备。图像采集由自行走机器人携带的3D相机实施，负责裙底板3D图像（高度和灰度）的采集，自行走机器人采用规划磁力线或者激光导航方式进行无轨行走，并可智能避障。图像存储与处理设备用来存储、分析图像采集传输设备采集的裙底板图像。

2、模板数据库的建立

利用图像处理及模式识别进行自动检测，必须要用到轨道车辆先验信息。因此，图像自动识别流程的第一步是建立轨道车辆裙底板的图像模板数据库。模板数据库的信息结构层次如下：车型层，图像层，位置信息层，算法参数层。其中，车型层包含轨道车辆的车型信息；图像层包含每种车型各相机所拍摄到的各部分标准图像（“标准图像”的含义是指图像中没有明显噪声、无显著污渍、各部件不包含任何故障的图像）；位置信息层中包含了各部件在标准图像中的位置信息；算法参数层中存储的是根据大量试验确定的各部位对应的最优自动识别算法以及相应的配置参数等信息。

3、部件定位

故障自动识别之前，首先需要确定车辆各部件在图像中的具体位置，即部件定位。将待识别轨道车辆裙底板的图像与模板数据库中图像层存储的标准图像进行配准并投影，而后根据位置信息层中标识的部件位置读取图像信息便可完成部件定位。以底板的高度图像为例，形象直观地介绍部件定位过程。图1中上图为模板数据库中存储的模板图像（高度图像），中为待配准图像，下图为待配准图像向模板图像配准后的结果。相对模板图像，待配准图像在自行走机器人行走方向上存在明显的拉伸，配准最终的目的是为了获得待配准图像相对模板图像的投影。图1所示配准结果即可结合模板图像在数据库中存储的各部件位置信息完成待检测图像中部件的精确定位。

三、部件故障自动识别

由于轨道车辆裙底板的大部分故障会导致图像高度信息发生变化，针对这种故障，采用待检测图像与模板图像对比的方式来进行故障自动识别。后面将以实例说明轨道车辆裙底板自动识别过程。

实例一：底板漏装

图2中左图为某轨道车辆底板无故障图像，中间为某单元底板漏装的故障图像，漏装底板部分高度图像明显比无故障时偏暗。对于此故障，自动识别过程如下：首先，将待检测图像向模板数据库中存储的模板图像进行投影；而后将投影得到的图像与模板图像相减，差值图像如图2中右图所示。可以很清楚地看到漏装底板部分在差值图像中的亮度明显高于未发生故障的部分，故可以通过阈值分割算法较容易的将差异明显的部位（即底板漏装部分）根据二值化、联通面积等特征提取出来，并最终形成报警信息。

实例二：裙板锁扣丢失

在轨道车辆裙底板故障自动识别中也存在用待检测车辆图像与模板图像对比方式较难识别的情况，尤其是当部件尺寸过小，接近甚至小于图像配准误差时。例如图3中所示的裙板锁扣丢失，锁扣相对整个裙板部分的尺寸较小，如果仍然采用对比识别的方式，为了抵抗图像中偶然出现的噪声和配准误差，将会很难选取合适的对比参数，且易造成故障漏报。因此，针对类似情形或者尺寸较小的部件需要单独设计自动识别算法。对于裙板锁扣丢失的识别，可以使用前节中的方法得到图像中裙板锁扣出现的较大范围，然后在此范围内采用霍夫圆检测算法得到所有裙板锁的外轮廓，如图3右图中的绿色轮廓线所示。得到裙板锁轮廓之后，通过神经网络即可区分出锁扣丢失和未丢失两种情况。

结语

图像自动识别技术对于确保动、客、货车行驶安全、减少人工劳动程度、增强列检工作效率、提升检车水平有着关键意义，当前图像自动识别技术已在货车TFDS、客车TVDS和动车TEDS上获得有效应用，伴随图像自动识别技术的不断发展、改善和进一步运用，将逐渐引入到机车及供电检测领域，以后定会在铁路运输安全保障工作中发挥更大的作用。

参考文献：

[1]张辉，寇亚洲，刘隽，等.基于图像识别技术的动车组车号自动识别方法[J].中国铁路，2015（12）：42-45.

[2]张益，何应德，吴迪.基于数字图像分析的铁路货车闸瓦插销窜出故障自动识别方法[J].铁路计算机应用，2015（12）：39-42.

[3]李睿，武晓春，LIRui，等.基于数字图像处理的直线型铁轨的自动识别[J].电视技术，2014，38（03）：167-169.

[4]许艳峰，XUYanfeng.动车组故障轨边图像自动检测系统图像对比算法研究[J].铁路计算机应用，2013，22（05）：23-26.