基于暗边缘特征的动车底板螺栓故障检测
来源:用户上传
作者:胡绍海 易果
摘要：动车组运行故障图像检测系统（TEDS）是基于图像处理、计算机视觉等技术对动车组运行图像进行处理与分析，达到动车故障检测的系统。螺栓丢失是动车故障的常见类型之一。为了检测动车底板螺栓丢失的情况，本文基于动车底板螺栓的暗边缘牛寺.陛——螺栓边缘灰度相较于中心灰度较暗，结合FAST角点检测的方法，提出了一种能对动车底板图像上的螺栓进行快速识别与定位的算法。然后基于动车底板螺栓丢失所产生的亮边缘特性，实现螺栓丢失的故障识别。实验证明，本文算法在正常灰度图像和轻微曝光图像中表现良好，螺栓定位准确，螺栓丢失识别率高、RiP，别率低。
关键词：TEDS;动车组;螺栓识别;故障检测
中图分类号：TP391.4 文献标识码：A
文章编号：1009-3044（2020）13-0208-04
1引言
近年来，我国高铁行业迅猛发展，动车安全也受到了人们的高度关注。TEDS结合图像采集、传输、数字图像处理与计算机视觉等技术达到动车运行故障智能检测的目的。异常图像识别模块作为TEDS的核心模块，设计一种合理有效的动车图像异常检测算法是十分必要的。传统的动车组图像异常识别算法基于比对分析的思想，将当前图像与标准图像进行配准，然后基于两幅图像的差值图像进行故障初识别;然后通过人工复检的方式对故障进行二次确认，发现故障及时上报检修人员。然而，在实际运行中，传统算法预警准确率不高。某动车段监控中心对2018年1月到10月的TEDS预警故障进行统计，发现预警故障共计3925285件，经过复核真实故障仅有87件，预警准确率仅有0.00222%。动车组零部件众多，结构复杂，图像配准过程总是会有细微的像素偏差，导致标准图像与当前图像差异较大;同时，光照、畸变等因素也会给传统算法造成较大误差。因此，传统算法很难有效达到动车组各个部位异常检测的目的，针对不同部位的图像设计不同的算法是十分必要的。
针对螺栓异常的情况，通过图像畸变矫正和改进配准算法提高配准精度达到对轨边图像的螺栓丢失进行检测的目的，但此方法性能仍然易受配准精度和光照影响。图像局部特征是图像特征的局部表达，能反映图像局部的连续性，一般具有良好的稳定性，不容易受外界干扰。图像局部特征点包括斑点和角点两类，角点检测算法主要关注图像中物体的拐角或者线条之间的交叉部分，斑点检测算法主要关注与周围颜色和灰度有差别的区域。图像局部特征点一般具有旋转不变性、光照不变性以及尺度不变性等优点，被广泛用于目标识别、图像匹配、三维建模、图像拼接等应用。Dalal（2005）提出将方向梯度直方图（HOG）特征和支持向量机mI（SVM）相结合应用于行人检测取得了很好的效果，此思路也被广泛应用于其他目标识别领域。在动车组螺栓故障检测方面，基于图像特征与分类器的螺栓识别取得了不错的效果。但此类方法都有一定的缺陷，轴箱螺栓检测方法㈣仅仅定位轴箱位置，无法准确定位螺栓位置，螺栓快速定位算法旧需要先将螺栓感兴趣区域（ROI）从图像中分割出来，车钩位置与转向盘，车钩缓冲装置、转向架心盘和齿轮箱附近的螺栓检测方法仅仅关注螺栓数量，同样无法准确定位螺栓丢失位置。
本文提出直接对螺栓的暗边缘特性进行特征检测以达到螺栓识别与定位的目的。所谓暗边缘，是对动车底板图像上螺栓观察统计得到的螺栓特性。在动车底板图像中，螺栓位置总是存在一圈灰度较低的边缘，而其他部分的灰度明显比边缘灰度较高。结合FAST特征检测的方法，本文提出一种算法能轻易对螺栓进行识别与定位。对于螺栓丢失的区域，会产生暗边缘丢失，形成一个半径更小的亮边缘效应，本文利用这种特性，实现螺栓的故障检测。本文算法对螺栓直接进行检测，不需要通过分类器对螺栓进行分类来达到螺栓识别，大大降低了检测时间。并且本文算法不需要预先标记或估算螺栓的位置，却能对正常螺栓和异常螺栓进行精准定位。当然，本文算法也有自身局限性，由于使用了暗边缘特性，所以其对本身亮度较暗和背景比较复杂从而并不具备暗边缘特陛的图像并不适用
2暗边缘特性
2.1正常螺栓区域的暗边缘特性
其中，（xo，Yo）为螺栓中心像素坐标，（x）为螺栓上像素，y标;，（x，y）为点（x，y）对应的灰度值;G为螺栓边缘与螺栓中间的灰度界限，不同的螺栓取值有所偏差;t为阈值;r1r2分别为螺栓内边缘半径和外边缘半径，r1，r2的取值很大程度上取决于螺栓的大小。
因为螺栓头部的部分总是比底板其他地方高出一部分，所以光照下螺栓的边缘会出现突出螺栓的阴影，从而形成暗边缘特性，图1展示了几个螺栓的暗边缘特性。为了验证暗边缘特性，本文选取了100张背景较为简单，亮度比较合适的动车底部图像进行统计，图像尺寸均为1400*2048，合计1174个螺栓，螺栓中心灰度与边缘平均灰度差值见表1。
3基于暗边缘的动车底板螺栓定位算法
螺栓定位算法流程与FAST角点检测流程相似。1）通过一些特殊的螺栓边缘点排除一些明显不属于螺栓中心的点;2）根据暗边缘灰度与螺栓中心灰度的差值筛选出可能为螺栓中心的点;3）对筛选出来的点进行非极大值抑制，使得一个螺栓只有单个响应，同时排除一些非螺栓点响应;4）剩下的特征点即为螺栓中心点;5）对定位到的螺栓特征点进行丢失检测。
3.1螺栓特征点检测方法
3.1.1结合FAST与暗边缘特性的圆周设计
3.3螺栓丢失异常检测
对于螺栓丢失的情况，基于亮边缘的检测方法比较简单，只需要判断螺栓中心点与圆周像素点的灰度差异即可判断。为了排除特殊性，我们取螺栓中心点及其周围的8个像素点的灰度均值表示螺栓中心区域的灰度均值，记为Im，取编号为1、8、15、22的四个像素点的灰度均值表示边缘的灰度均值，记为Ie若，Im>Ie，则可以判定螺栓正常，否则，判定为螺栓丢失。
4实验结果与分析
由于采集的图像数据中图像的尺寸较大，本文选取了螺栓较集中的区域，制作了500张螺栓分布广泛的样本集，样本集中每张图像的螺栓在4至6个左右。一般情况下，螺栓丢失的故障是比较少见的，所以我们的数据集中缺乏螺栓丢失的样例，所以本文选取了其中150张图片，为每张图片模拟1至2个螺栓丢失的异常。图4是本文算法应用到生成的数据集后，选取的几张不同底板图像的检测结果。
我们统计了当前数据集中，本文算法的螺栓识别率、螺栓误识别率和螺栓丢失识别率、螺栓丢失误识别率，结果见表2。其中，螺栓识别率是识别正确的螺栓特征点占样本中总螺栓数量的百分比，螺栓误识别率是识别错误的螺栓特征点占识别出的螺栓特征点的百分比。同理，螺栓丢失识别率是检测正确的螺栓丢失占样本中总的螺栓丢失故障的百分比，螺栓丢失误识别率是检测错误的螺栓丢失数量占检测的所有螺栓丢失数量的百分比。从表中可以看出，本文算法对螺栓识别率较低，并且对螺栓的误识别率较高，但是，对螺栓丢失的识别率很高，且对螺栓丢失有较小的误识别率。这是因为对于非螺栓点，识别为螺栓点后，由于其不存在螺栓丢失所具有的亮边缘特性，算法不会将其识别为螺栓丢失。同时，对于由于部分图像整体较暗而丢失暗边缘特性的螺栓点，我们的算法不会将其识别为螺栓点一般不会影响螺栓丢失的识别精度，因为即使是整体较暗的图像，螺栓丢失仍然后形成亮边缘特征，我们的算法仍然能对其识别。其次，我们的螺栓丢失都是模拟出来的，缺乏现实中螺栓丢失造成的多样性。
5结论
1）本文提出了基于动車底板螺栓的暗边缘特性对动车底板上的螺栓进行检测，暗边缘特性是基于对大量动车底板图像统计得到的。结合FAsT角点检测的原理，使用暗边缘特性对动车底板螺栓进行检测有较快的速度和较高的精确度。然而，提出的检测算法对灰度较暗和背景较复杂的螺栓检测效果很差，因为暗边缘特性不适用于整体较暗和背景较复杂的图像。
2）基于螺栓检测结果，本文提出基于螺栓丢失造成的亮边缘特性对螺栓丢失进行检测。由于较暗的螺栓丢失也会造成亮边缘特性和非螺栓很难产生亮边缘效果，提出的异常识别算法对螺栓丢失的检测效果比基于螺栓检测效果的螺栓丢失检测的预期效果更好。
转载注明来源:https://www.xzbu.com/8/view-15267071.htm
