基于模式识别技术的地铁车辆图像检测系统研究

铁道技术监督

RAILWAYQUALITYCONTROL

研究与交流

STUDYANDCOMMUNICATIONS

基于模式识别技术的地铁车辆图像检测系统研究

侯文军，黄

炜，付马木林

（深圳地铁运营集团有限公司，广东深圳518040）

摘要：地铁车辆在运行过程中产生的疲劳缺陷、变形、异物掉落、部件缺失等车体异常状况的检

查，现阶段主要检查方式为人工目视。这种检查方式受人员检查水平、检测手段、段场股道空间等条件限制，检查效果、效率均有待提高。基于模式识别技术的地铁车辆图像检测系统，采用隐式形状模型算法（ISM），HTM神经网络算法及支持向量机算法（SVM），实现地铁车辆各关键部件异常的图像自动识别，并研究出一套适用于地铁车辆的车体外观自动化检测系统，为车辆的自动化检查奠定基础。

关键词：地铁车辆；模式识别技术；图像自动识别；检测系统中图分类号：U279.3

文献标识码：B

文章编号：1006-9178（2019）05-0044-05

Abstract：Forthedetectionoffatiguedefect，deformation，foreignmatterdrop-off，missingcomponentandother

unusualcircumstancesofcarbodythatoccurduringtheoperationofsubwayvehicles，visualinspectionismainlyap⁃pliednow.Suchaninspectionmethodisrestrictedbythelevelofinspectionstaff，inspectionmeans，spaceofsec⁃tionandstationtrack，etc.，withtheinspectioneffectandefficiencytobeimproved.Thesubwayvehicleimagede⁃tectionsystembasedonpatternrecognitiontechnology，adoptstheimplicitshapealgorithm（ISM），theHTMneu⁃ralnetworkalgorithmandthesupportvectormachinealgorithm（SVM），realizesautomaticabnormalimagerecogni⁃tionforeachkeycomponentofsubwayvehicles，andworksoutanautomaticcarbodyappearancedetectionsystemforsubwayvehicles，thuslayingafoundationforautomaticvehicleinspection.

Keywords：SubwayVehicle；PatternRecognitionTechnology；AutomaticImageRecognition；DetectionSystem

0引言

目前，地铁车辆车体外观检查方式均为传统人

在列车通过时可自动实现车顶、车侧、车底关键部件可视部位的图像采集、分析、报警功能。具有关键部件故障自诊断、关键部件超限保护、关键部件故障提示和远程故障诊断等功能。

系统主要包括车底走行部可视部位动态监视模块、车顶可视关键部件动态监视模块和车侧可视关键部件动态监视模块。通过关键部件自动采集高清图像，实现自动监视车顶受电弓、绝缘子、空调机组盖、车门、转向架、车底牵引装置、电机盖、闸瓦或制动盘、齿轮箱、抱轴箱等，检查关键部件缺失、明显变形、异物等异常情况，并自动报警提示。系统结构示意如图1所示，系统相机视场布局示意如图2所示。

为适应地铁线路工况，提高系统可靠性和安全性，采集单元采用线阵相机与红外补偿光源一体化结构设计，具备自清洁功能。轨边采集箱体具有温度自动监控和调节功能。车底可视关键部件动态监视模块沉箱具备积水保护装置，避免因大雨天气造成检测区积水引起的设备损毁。

工检查，作业人员主要通过简单工具查看各部件状态，检查效率较低。地铁车辆结构复杂、零部件多，检查质量受工作环境、人员主观感受和工作经验等因素影响。人工检查存在无法及时发现螺栓松动等渐变性隐藏故障的可能，使列车运行产生极大安全隐患［1-2］。开展基于模式识别技术的地铁车辆图像检测系统开发、应用研究，解决现有人工检查存在的缺陷，可以提高隐蔽故障发现能力和故障产生初期的预警能力，提升地铁车辆检查质量和效率，为地铁车辆自动化检查提供支持。

1系统功能及结构

地铁车辆图像检测系统安装在车辆入库线路，

收稿日期：2019-02-12

作者简介：侯文军，高级工程师；黄

付马木林，工程师

炜，工程师；

·44·

2019年5月（总第391期）

铁道技术监督

车顶监视模块

钢结构

第47卷第5期

车顶监视模块

车窗监视模块

2系统工作原理

采用高分辨率线阵扫描技术，

2.1走行部可视部位动态监视自动获取走行部关键部件高品质二维图像。线扫描相机一次成像仅能完成很小的一条线，需要连续移动相机或被拍摄物体，才能获取完整

轨边控制箱×2

车侧转向架部位监视模块×2

电控柜×2

水泥硬化地面

的图像。线扫描相机优势在于易获取高分辨率图像，图像边缘畸变更小。图像采集完成后，系统采用图像特征分析和模式识别技术，自动识别走行部牵引装置、电机盖、闸瓦、制动盘、撒砂器、齿轮箱等关

独立基础×4

图1系统结构示意

车顶可视关键部件动态监视模块车侧可视关键部件动态监视模块

键部件是否存在缺失、变形等异常情况。走行部动态监视原理如图3所示。

在走行部动态监视系统中，最关键的问题在于对关键部件的关注，而非对所有区域的关注。所以，整个系统的核心在于对目标的识别定位。

在系统中，针对目标识别模块，主要采用隐式

走行部可视部位动态监视模块

［3］

形状模型算法（ISM）实现。传统的基于目标隐

式形状模型方法基本采用投票方式进行，ISM算法是基于目标形状生成模型的目标表达方法。目标检测算法流程如图4所示。

目标检测流程中，特征提取和特征分类均采用

图2系统相机视场布局示意

ISM隐式形状模型一致的方式，对于目标中心的投

侧箱

车

轮

200

齿轮箱110大牵引杆430

齿轮箱

车轮

1400侧箱

560钢180轨

沉箱底左

沉箱底中

沉箱底右

钢轨

1800

450单位：mm

图3走行部动态监视原理

待检测图像特征提取特征分类针对某一目标进行投票疑似目标位置计算图4目标检测算法流程

·45·

研究与交流基于模式识别技术的地铁车辆图像检测系统研究

票，直接利用特征点位置与相对目标中心向量相加即可，对于目标C在位置（u，v）处的投票表达式为

C(u，v)=∑

n

1u=px+rx，v=py+ry

。（1i=1

{式中，C（u，v）为求取投标结果函数；0else）

u为投票空

间的像素横坐标；v为投票空间的像素纵坐标；px为特征点在当前图中的像素横坐标；rx为特征点相对于目标中心横坐标偏移量；py为特征点在当前图中的像素纵坐标；ry为特征点相对于目标中心纵坐标偏移量；else表示其他情况。

可以看出，对于ISM算法而言，其中不涉及对目标本身形状结构的表达及描述，所有目标均通过特征相对位置关系记录，可以避免对复杂目标描述的困难。但是，对于ISM算法而言，其劣势也非常明显，由于完全依靠基本特征来对目标定位识别，当目标存在畸变时，会使定位失效。在走行部图像中，可以通过速度矫正来使图像物理分辨率保持不变，进而避免目标畸变对目标检测算法的影响。2.2

车顶可视关键部件动态监视

系统采用图像线扫技术自动获取车顶高品质图像，采用HTM神经网络算法设计，对各种车型和关键部件进行结构深度学习，使计算机形成各型车辆车顶结构的概念信息、部件结构特征模板。在实际检测过程中，直接进行目标物体的结构分析，能够有效避免关键部件正常位移、外界环境等干扰因素影响。同时基于结构分析进行目标异常检测的方法，可以有效避免由于历史模板图像异常引起正常过车报警。基于目标物识别的异常检测方法如图5所示。

过车图像是否首次过车车型是人工监督建立目标结构目标学习信息库否自动目标识别更新目标结构分析异常预警图5基于目标物识别的异常检测方法

·46·

车顶关键部件检测，最主要的影响来源是光照及水渍等外界环境，因为车顶部件直接受到光照和水渍影响，且较为严重。为避免光照及水渍的影响，系统采用自动学习方式获取整车关键结构，通过结构变化检测识别目标异常突变，并将结构变换作为首选因子，其他的图像特征变化作为次要因子，以此减小光照及水渍对检测的影响。其中，主要涉及到的目标结构差异检测算法［4-5］如下：

s(u，v)=σxy(u,v)+Cσσ3，（2）

x(u,v)y(u,v)+C3

C3=

C22，（3）

NN2σ2xy(u，v)=

(N1+1)2∑(Ix(u，v)-Ux(u，v))i=N∑j=-N

×2(2I

y(u，v)-Uy(u，v))。

（4）

式（2）—式（4）中，s（u，v）为图像差异评估函数；x,y分别为参考点图像和目标图像；以上为图像结构差异评估，能够避免光照和水

i,j为变量。σ，I，U为变换函数；C2，C3为修正系数；渍造成的影响。2.3

车侧（车窗以下）可视关键部件动态监视车体产生擦伤或者划痕时，车体特征整体性遭到破坏，擦伤或者划痕的纹理相应发生改变。纹理是图像的灰度统计信息、空间分布信息和结构信息的综合反映，是由像素组成的具有一定形状和大小的集合，是几乎所有图像表面都固有的特性。纹理特征提取指通过一定图像处理技术检测出纹理基元，建立模型，从而获得纹理定性或定量描述的过程。算法流程如图6所示。

车体图像预处理纹理特征建模合格图像判断擦伤纹理识别擦伤图像筛选擦伤故障图像定位图6算法流程

系统主要基于Gabor小波和灰度共生矩阵提取

数字图像纹理特征，采用基于核函数的支持向量机模型进行纹理建模与纹理识别。对于地铁车辆的擦伤、划痕，通过特征提取建模，可以获得其定量或

铁道技术监督第47卷第5期

定性描述。在建模基础上，通过模式识别对擦伤、划痕的纹理进行识别。擦伤图像纹理特征建模、识别过程如图7所示。

题来求解：

MaxmizeW(α)=∑αi-1∑αiαjyiyjxixj，

2i,ji=1

l

l

li=1

式中，W（α）为满足约束情况下求最优分类超平面法向量的函数；x，y为样本点；αi是样本点xi的

图7擦伤图像纹理特征建模、识别过程

6）S.T∑αiyi=0，αi≥0，i=1，2，……，l。（

Lagrange乘子。

3系统应用价值

（1）提高检查质量，降低安全隐患。地铁车

对于划痕检测而言，其最主要的2步为初始目标定位及后续模式识别分类。初始目标定位的目的在于找出图像中显著存在的目标位置，模式识别分类的目的则在于区分正常的显著点（如字符、三角锁孔等）与划痕。在这里，主要采用支持向量

［6］

机（SVM）的方式实现。SVM建立在统计理论

辆图像检测系统利用地铁列车编组固定、同一类型车辆结构相同、零部件状态一致、运行线路固定的特点，能够实现确认和检测列车运行过程中车顶、车侧及车底走行部关键部件产生的疲劳缺陷、变形、异物掉落、部件缺失等异常状况，降低人为因素风险，保障地铁列车检查质量，排除列车行车安全隐患。

（2）提高检查效率，降低劳动成本。以深圳地铁11号线地铁列车检查为例，全年需要完成5940列次大日检，396列次均衡修及792列次特别修。地铁车辆图像检测系统运用后，可替代日检、均衡修的车底作业及特别修的受电弓部分检查，延长计划修的维修周期，减少人工工时，节约人力成本。如后续推广运用至既有线及新线建设中，经济效益会非常显著。

（3）扩大检查覆盖面，奠定状态修基础。地铁车辆图像检测系统的成功研发，可实现包括车顶受电弓、绝缘子、空调机组盖、车门（车窗以下部位）、转向架、车底牵引装置、电机盖、闸瓦、齿轮箱等关键部件状态的智能检测，为列车计划性维修向状态维修打下坚实的基础。

基于以上方法，系统能够对列车异常进行检测。考虑到地铁车辆缺陷较少，运用机车数据进行验证，典型机车异常案例如图8所示。

的VC维理论和结构风险最小原理基础上，根据有限样本新消息在模型的复杂度和学习能力间寻求最佳状态，期望获得较好的推广能力。传统的神经网络模式识别方法只有在样本非常巨大的情况下才能在理论上有保证，SVM则专门针对样本数量不够巨大而提出。

SVM的原理是用分类超平面将空间中2类样

本点正确分离，并取得最大边缘。这样，原问题为一个有约束的非线性规划问题：

2

MinimizeΦ(w，b)=1||w||yi(xiw+b)-1≥0，

2i=1，2，……，l。（5）式中，Ф（w，b）为求最优解的函数；w为超平面法向量；b为位移项，决定了超平面与原点间的距离；（xi，yi）为给定样本集，x，y表示样本空间中任意点的向量；||w||为w的范数。

范数最小的满足约束的w就是最优分类超平面的法向量。目标函数是严格上凹的二次型，约束函数是下凹的，是一个严格凸规划。按照最优化理论中凸二次规划的解法，可以转化为Wolfe对偶问

（a）齿轮箱螺栓丢失（b）一系减振支架螺栓丢失（c）固定螺栓盖脱落（d）牵引杆螺栓丢失

图8典型机车异常案例

（下转第51页）

·47·

铁道技术监督第47卷第5期

态。此外，钢轨直线度和平行度严重超标，钢轨扭曲导致车轮啃轨（在现场调查过程中发现这种现象非常严重），使本应只受弯曲作用的钢轨承受弯扭载荷联合作用，再与钢轨腹板不规则开孔产生的残余热应力相互叠加，最终引起钢轨断裂。2.3

轨道伸缩缝处理不规范

钢轨轨缝（钢轨接头）允许采用夹板联结方案。施工时必须保证接头处缝隙不大于2mm，接头左、右、上3个面偏移不大于1mm；钢轨接头及压板处采用复合橡胶板垫实，接头两侧150mm处设压板，以减缓设备运行过程中对钢轨的冲击，延长钢轨使用寿命。

现场钢轨接头采用直接头夹板联结形式，没有严格按照规范施工。钢轨接头处的垫板材料不统一，有的地方采用普通橡胶、有的地方采用钢垫板，且大小不一。钢轨接头处轨缝错位和高低差严重超标。这恶化了钢轨的受力状态，加大了对钢轨的冲击作用。钢轨接头处理如图7所示。

图7钢轨接头处理

距、平行度和直线度符合要求，严格控制轨道底部垫板间距，垫实轨道接头下的垫板。

对起重机轨道及基础改造后，起重机至今已安全运行5年，再未发生钢轨断轨现象。

起重机轨道承轨面及钢轨铺设必须严格按照规范要求施工，起重机钢轨不得轻易动用气割、气焊和电焊，以免因钢轨局部不均匀热变形产生残余热应力给钢轨带来危害，影响起重机正常运行。参考文献

［1］中华人民共和国建设部．吊车轨道联结及车挡：04G325

［S］．北京：中国建筑标准设计研究院出版社，2004．［2］起重设备安装工程施工及验收规范：GB50278—2010［S］．［3］桥式和门式起重机

［S］．

［4］张质文，虞和谦，王金诺，等．起重机设计手册［M］．北

京：中国铁道出版社，1998．

制造及轨道安装公差：GB/T10183—2005

3解决措施及效果

（1）更换接头部钢轨，接头处钢轨腹板螺栓

连接孔采用钻孔加工。

（2）对承轨面重新施工，使其找平层符合标准要求。

（3）按标准要求重新铺设轨道，保证轨道轨

（编辑牛建利）

（上接第47页）于研究成果的现场运用案例数量仍不够充足，需要扩大实际运用范围，积累更多现场运用经验，为系统改进收集更多数据支撑。参考文献

［1］地铁设计规范：GB50157—2013［S］．

［2］地铁车辆通用技术条件：GB/T7928—2003［S］．

［3］LEIBEB，LENARDISA，SCHIELEB.RobustObjectDetection

withInterleavedCategorizationandSegmentation［J］．Interna⁃sessment:Fromerrorvisibilitytostructuralsimilarity［J］．IEEETransactiononImageProcessing，2004，13（4）：600-612．evaluationoffullreferenceimagequalityassessmentalgorithmsageProcessing，2012：1477-1480．York：Springer-Verlag，1995．

4结语

介绍基于模式识别技术的地铁车辆图像检测系

统研究情况，开展地铁车辆图像检测系统新技术的研究运用。实现地铁列车关键部件运用状态的在线检测，弥补现有人工检查维护的不足，提高车辆检查质量，提高地铁列车运行安全防范水平，同时为车辆状态修提供保障。为验证研究的可行性，于2019年4月在深圳地铁11号线进行现场测试，在1125号车第8车厢走行部侧部和底部共做18个假设故障，其中1个在行车过程中失效，实际检测对象是17个。全部实现自动识别并预警，没有发生漏报，检出率为100%；第8车厢对全部假设故障预警，产生24个报警提示，其中1个为误报，其余为正报，报警正确率为95.83%。目前基

［4］WangZhou，BOVIKAC，SHEIKHHR，etal.Imagequalityas⁃

tionalJournalofComputerVision，2008，77（1-3）：259-289．

［5］ZhangLin，ZhangLei，MouXuanqin，etal．Acomprehensive

［C］．Orlando：201219thIEEEInternationalConferenceonIm⁃［6］VapnikV．Thenatureofstatisticallearningtheory［M］．New

（编辑吴磊）

·51·