耿慶華，劉偉銘，劉瑞康

(華南理工大學(xué) 土木與交通學(xué)院， 廣東 廣州 510641)

在現(xiàn)代工業(yè)檢測(cè)領(lǐng)域，基于視覺的異常無損檢測(cè)技術(shù)已經(jīng)成功應(yīng)用于紡織品質(zhì)量監(jiān)測(cè)[1-2]、機(jī)械工件表面缺陷檢測(cè)、陶瓷產(chǎn)品表面瑕疵檢測(cè)、電子產(chǎn)品質(zhì)量監(jiān)測(cè)、鐵軌表面缺陷檢測(cè)[3-4]，以及鐵路維護(hù)中緊固件故障檢測(cè)[5-6]中，均取得了令人滿意的檢測(cè)效果，但它們只能檢測(cè)某種特定目標(biāo)。近年來，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)研究成為熱點(diǎn)，其中，最著名的就是Faster-RCNN、YOLO、SSD[7]算法。文獻(xiàn)[7]提出的SSD算法將每一個(gè)特征圖位置邊界框的輸出空間離散化為具有不同縱橫比的一組默認(rèn)框，在預(yù)測(cè)時(shí)，網(wǎng)絡(luò)會(huì)為每個(gè)默認(rèn)框中的每個(gè)類別的對(duì)象生成得分?jǐn)?shù)，并對(duì)該框進(jìn)行調(diào)整以更好地匹配對(duì)象形狀。此外，該網(wǎng)絡(luò)還將來自具有不同分辨率的多個(gè)特征圖的預(yù)測(cè)進(jìn)行組合，更自然地處理各種大小的對(duì)象。文獻(xiàn)[8]采用特征金字塔網(wǎng)絡(luò)提取異常的多尺度融合特征，采用可改變感受野的可變形卷積DCN 適應(yīng)缺陷形態(tài)的多樣性，取得了不錯(cuò)的檢測(cè)效果。但是，基于深度學(xué)習(xí)方法在檢測(cè)動(dòng)車組底部異常時(shí)效果并不十分令人滿意，因?yàn)檫@些異常有時(shí)會(huì)被分割成兩個(gè)序列圖像，且很多屬于小目標(biāo)。因此，圖像對(duì)齊是實(shí)現(xiàn)動(dòng)車組底部異常自動(dòng)檢測(cè)的關(guān)鍵步驟。文獻(xiàn)[9]總結(jié)了經(jīng)典的圖像對(duì)齊方法，以及它們各自的優(yōu)缺點(diǎn)，其中Scale-invariant feature transform(SIFT)[10]、SAR-SIFT[11]、PSO-SIFT[12]等獲得了廣泛的應(yīng)用，但對(duì)于分辨率較高的圖像，SIFT的計(jì)算效率很低。文獻(xiàn)[13]提出了一種基于圖像對(duì)準(zhǔn)的特征匹配算法，該算法被用于輪廓不規(guī)則工件的缺陷檢測(cè)和定位。文獻(xiàn)[14]提出了一種針對(duì)多目標(biāo)的自動(dòng)故障檢測(cè)系統(tǒng)，該系統(tǒng)利用圖像對(duì)齊和背景差分法來實(shí)現(xiàn)多目標(biāo)的定位。以上方法都獲得了不錯(cuò)的檢測(cè)效果，但仍有許多可改進(jìn)之處。

圖2 圖像處理流程

動(dòng)車組運(yùn)行故障圖像檢測(cè)系統(tǒng)(Trouble of moving EMU Detection System，TEDS)通過在軌邊安裝CCD線掃描相機(jī)，采集運(yùn)行中動(dòng)車組車體兩側(cè)裙板、底部、底架懸吊件、鉤緩連接、轉(zhuǎn)向架、走行部等部位的圖像，利用圖像識(shí)別技術(shù)對(duì)圖像進(jìn)行自動(dòng)異常分析和分級(jí)預(yù)警，實(shí)現(xiàn)對(duì)動(dòng)車組兩側(cè)裙板、底部部件狀態(tài)(故障或無故障)的實(shí)時(shí)監(jiān)測(cè)。TEDS的圖像捕獲裝置主要由高速線掃描相機(jī)組成[14]；同時(shí)使用大功率激光器作為輔助光源安裝在線掃描相機(jī)附近，以減少室外照明變化的影響；所捕獲的序列圖像傳輸?shù)浇K端服務(wù)器后，由經(jīng)驗(yàn)豐富的檢查人員進(jìn)行核查。這種人工檢測(cè)方式需要花費(fèi)大量的人力，且效率低下、易誤檢漏檢，滿足不了動(dòng)車組日常維護(hù)工作的需要；而且動(dòng)車組通過圖像捕獲裝置時(shí)速度偶爾會(huì)波動(dòng)，這將導(dǎo)致異常部位在序列圖像中發(fā)生偏移，因此，TEDS的圖像捕獲裝置獲取的動(dòng)車組序列圖像不可避免的會(huì)出現(xiàn)失真。由TEDS的圖像捕獲裝置拍攝的動(dòng)車組底部序列圖像失真現(xiàn)象見圖1。其中，圖1(a)為較早時(shí)間拍攝的圖像，這里作為標(biāo)準(zhǔn)圖像；圖1(b)為晚些時(shí)候拍攝的包含同一區(qū)域的序列圖像，這里作為目標(biāo)圖像。由圖1可以看出，標(biāo)準(zhǔn)圖像與目標(biāo)圖像具有相同的區(qū)域，但目標(biāo)圖像被分成了兩個(gè)序列圖像，如紅色框所示，異常區(qū)域在圖像的水平方向上發(fā)生了偏移。為實(shí)現(xiàn)動(dòng)車組異常區(qū)域的自動(dòng)檢測(cè)，必須校正這種由動(dòng)車組速度偶爾波動(dòng)引起的圖像失真。

圖1 動(dòng)車組底部序列圖像失真現(xiàn)象

本文研究的重點(diǎn)是自動(dòng)定位和識(shí)別動(dòng)車組的異常區(qū)域并提供警報(bào)?；赥EDS，本文提出一種自動(dòng)視覺檢測(cè)方法。該方法首先將目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像配準(zhǔn)對(duì)齊；然后使用背景差分法[14]確定二者之間的差異，從而快速定位目標(biāo)圖像中潛在的異常位置；最后根據(jù)先驗(yàn)知識(shí)，采用主成分分析(PCA)來識(shí)別動(dòng)車組的異常區(qū)域。自動(dòng)視覺檢測(cè)方法的系統(tǒng)組成包括圖像捕獲裝置、圖像處理軟件和自動(dòng)檢測(cè)中心。當(dāng)動(dòng)車組通過圖像捕獲裝置時(shí)將產(chǎn)生分辨率為1 400×2 048的序列圖像，本系統(tǒng)的核心思想是校正由動(dòng)車組速度波動(dòng)而產(chǎn)生的圖像失真，并定位和識(shí)別動(dòng)車組底部的異常區(qū)域。

1 圖像的配準(zhǔn)與對(duì)齊

獲取動(dòng)車組序列圖像之后，經(jīng)圖像處理軟件處理以定位底部異常區(qū)域的位置。圖像處理軟件中的模型包括圖像對(duì)齊模型和異常區(qū)域定位與識(shí)別模型。圖像處理流程見圖2。首先，將目標(biāo)圖像與圖像處理軟件庫(kù)中的標(biāo)準(zhǔn)圖像對(duì)齊。其次，將對(duì)齊后的目標(biāo)圖像與標(biāo)準(zhǔn)圖像相減以生成差異圖像。在差異圖像中，像素值差異越大的區(qū)域發(fā)生異常的概率就越大。一旦定位出異常的位置，便采用PCA技術(shù)來識(shí)別動(dòng)車組底部的狀態(tài)(異?；驘o異常)。最后，將檢測(cè)結(jié)果傳輸至自動(dòng)檢查中心為決策者提供分級(jí)報(bào)警。

1.1 特征點(diǎn)提取

由于動(dòng)車組的序列圖像具有1 400×2 048的分辨率，而且異常區(qū)域的位置在不同的序列圖像中可能發(fā)生偏移，因此，迅速提取有效的特征點(diǎn)成為關(guān)鍵一步。SIFT特征描述子在提取圖像特征點(diǎn)時(shí)具有抗光照、不易受圖像失真影響的優(yōu)點(diǎn)，具有更好的穩(wěn)定性。綜上分析，本文提出一種新的SIFT方法，用于快速提取有效的特征點(diǎn)，并采用增強(qiáng)的曼哈頓距離來濾除誤匹配的特征點(diǎn)。

(1)

梯度幅值和梯度方向重新定義為

(2)

(3)

式中：Δβ、Δβ′分別為梯度主方向偏移直方圖的兩種模式的位置[12]。

1.2 曼哈頓距離約束下的特征點(diǎn)匹配

最近距離的計(jì)算通常采用歐氏距離，但歐氏距離的計(jì)算需要復(fù)雜的平方、開方運(yùn)算，這將導(dǎo)致對(duì)應(yīng)的特征點(diǎn)對(duì)的搜索時(shí)間過長(zhǎng)。曼哈頓距離的計(jì)算相對(duì)簡(jiǎn)單，提高了特征點(diǎn)匹配的計(jì)算效率。假如標(biāo)準(zhǔn)圖像和目標(biāo)圖像中的136維的特征向量分別為fj=(fj1,fj2,…,fj136)和f′j=(f′j1,f′j2,…,f′j136)，則對(duì)應(yīng)的特征點(diǎn)對(duì)之間的曼哈頓距離定義為

(4)

(5)

式中：r*為縮放比例；Δβ*為梯度的主方向差。

增強(qiáng)型曼哈頓距離EMD(j)定義為

EMD(j)=[1+es(j)][1+eR(j)]d(j)

(6)

距離比R定義為

(7)

以EMD作為測(cè)量距離，將初始匹配的特征點(diǎn)作為重新匹配的特征點(diǎn)。為了獲得盡可能多的重新匹配的特征點(diǎn)對(duì)，在重新匹配過程中將比率的閾值設(shè)置為0.9[12]。當(dāng)EMD獲得最小值時(shí)，完成初始匹配的特征點(diǎn)對(duì)被正確地重新匹配。由于重新匹配的特征點(diǎn)對(duì)中可能存在一些誤匹配，因此，使用MS-SIFT[12]中的方法來濾除大多數(shù)異常值。令對(duì)應(yīng)的特征點(diǎn)對(duì)(Pj,P′j)的坐標(biāo)分別為(xj,yj)和(x′j,y′j) ，特征點(diǎn)對(duì)(Pj,P′j)的水平偏移量Δxj和垂直偏移量Δyj分別定義為

(8)

由于列車的運(yùn)動(dòng)方向僅存在于水平方向，Δβ*= 0，因此，動(dòng)車組序列圖像的失真僅存在于水平方向，而在列車運(yùn)動(dòng)方向的垂直方向上不存在失真，故大多數(shù)異常值可采用式(9)中的濾波器[12]濾除。

(9)

式中：Δxth、Δyth分別為水平、垂直偏移的閾值；Δx*、Δy*分別為水平、垂直方向上模式位置的值[12]。其中，水平方向與垂直方向直方圖的bin寬度分別決定了相應(yīng)閾值的大小。水平偏移和垂直偏移的直方圖分別由Δx和Δy表示。最后，F(xiàn)SC[12]中的方法被用于濾除誤匹配的對(duì)應(yīng)的特征點(diǎn)對(duì)。

1.3 基于空間尺度的標(biāo)準(zhǔn)化

將目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像對(duì)齊是定位動(dòng)車組底部異常的關(guān)鍵步驟，而動(dòng)車組的速度波動(dòng)是引起圖像像素在水平方向發(fā)生拉伸或壓縮的主要原因。當(dāng)線掃描相機(jī)的掃描頻率恒定時(shí)，一幀圖像的空間尺度大小決定了像素拉伸或壓縮的程度，而列車速度的大小又決定了一幀圖像的空間尺度大小。如果每一幀目標(biāo)圖像都可以根據(jù)對(duì)應(yīng)的標(biāo)準(zhǔn)圖像的空間尺度進(jìn)行標(biāo)準(zhǔn)化，則目標(biāo)圖像和對(duì)應(yīng)的標(biāo)準(zhǔn)圖像就可以精確對(duì)齊。目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像之間的水平偏移是通過精確匹配的特征點(diǎn)之間的平均水平偏移量得到的。精確匹配的特征點(diǎn)之間的水平偏移量表示在列車運(yùn)動(dòng)方向上目標(biāo)圖像與相應(yīng)標(biāo)準(zhǔn)圖像之間的相對(duì)偏移，且相鄰特征點(diǎn)之間的差表示在列車運(yùn)動(dòng)方向上的拉伸或壓縮。在目標(biāo)圖像與相應(yīng)標(biāo)準(zhǔn)圖像對(duì)齊過程中，水平偏移量起到了決定性作用，如果確定了目標(biāo)圖像與相應(yīng)標(biāo)準(zhǔn)圖像之間的水平偏移量Δx，就可以認(rèn)為確定了目標(biāo)圖像與相應(yīng)標(biāo)準(zhǔn)圖像之間的相對(duì)關(guān)系。

首先，采用本文提出的SIFT算法將第j個(gè)目標(biāo)圖像與對(duì)應(yīng)的第j個(gè)標(biāo)準(zhǔn)圖像進(jìn)行配準(zhǔn)與對(duì)齊，以確定二者之間的水平偏移量Δxj。如果Δxj>0，則將第j-1個(gè)目標(biāo)圖像在水平方向上分割成像素區(qū)間為{0,1 400-Δxj}和{1 400-Δxj,1 400}的兩部分，并分別重新編號(hào)為(j-1)1和(j-1)2；同時(shí)將第j個(gè)目標(biāo)圖像在水平方向上也分割成像素區(qū)間為{0,1 400-Δxj}和{1 400-Δxj,1 400}的兩部分，并分別重新編號(hào)為j1和j2；然后將編號(hào)為(j-1)2和j1的2個(gè)圖像塊在水平方向上拼接在一起，形成一個(gè)像素區(qū)間為{0,1 400}的新目標(biāo)圖像，并重新標(biāo)號(hào)為jj。如果Δxj<0，則將第j個(gè)目標(biāo)圖像在水平方向上分割成像素區(qū)間為{0,Δxj}和{Δxj,1 400}的兩部分，并分別重新編號(hào)為j1和j2；同時(shí)將第j+1個(gè)目標(biāo)圖像在水平方向上也分割成像素區(qū)間為{0,Δxj}和{Δxj,1 400}的兩部分，并分別重新編號(hào)為(j+1)1和(j+1)2；然后將編號(hào)為j2和(j+1)1的2個(gè)圖像塊在水平方向上拼接在一起，形成一個(gè)像素區(qū)間為{0,1 400}的新目標(biāo)圖像，并重新標(biāo)號(hào)為jj。最后，將重新拼接后的編號(hào)為jj的目標(biāo)圖像作為第j個(gè)目標(biāo)圖像。通過這種方式達(dá)到標(biāo)準(zhǔn)化目標(biāo)圖像的目的，標(biāo)準(zhǔn)化后的目標(biāo)圖像可以與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像精確對(duì)齊。目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像對(duì)齊效果見圖3。

圖3 目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像對(duì)齊效果

2 行駛中動(dòng)車組機(jī)械部件狀態(tài)的自動(dòng)檢測(cè)

式中：ω為常數(shù)參數(shù)，用于增強(qiáng)像素值差異較大的區(qū)域；λ也為常數(shù)參數(shù)，用于減小像素值差異微小的區(qū)域；ω、λ分別設(shè)置為15、50。如果獲得了目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像之間的差異，就將這些差異視為潛在的異常區(qū)域，然后再根據(jù)標(biāo)準(zhǔn)圖像中的先驗(yàn)知識(shí)來確定動(dòng)車組底部的狀態(tài)。最后，采用PCA技術(shù)來分析和識(shí)別動(dòng)車組的序列圖像，并根據(jù)先驗(yàn)知識(shí)來確定潛在的異常區(qū)域是否真正存在異常。由線掃描CCD攝像機(jī)捕獲的列車底部典型序列圖像見圖4。

圖4 由線掃描CCD攝像機(jī)捕獲的列車底部典型序列圖像

3 圖像對(duì)齊的評(píng)估標(biāo)準(zhǔn)與實(shí)驗(yàn)結(jié)果

為了評(píng)估本文新定義的SIFT算法的性能，將其與其他經(jīng)典的圖像對(duì)齊算法進(jìn)行對(duì)比，包括SIFT[10]、SAR-SIFT[11]、PSO-SIFT[12]。本文采用2組動(dòng)車組底部的目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像作為測(cè)試圖像對(duì)，見圖5，其中，圖5(a)和圖5(b)為測(cè)試圖像對(duì)1，圖5(c)和圖5(d)為測(cè)試圖像對(duì)2。

此外，所有的圖像對(duì)齊算法均在MATLAB2019b下運(yùn)算執(zhí)行，臺(tái)式電腦硬件參數(shù)為Intel(R)Core(TM)i7-4771CPU@3.5GHz處理器和8GB內(nèi)存。

圖5 動(dòng)車組底部目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像

3.1 圖像對(duì)齊的評(píng)價(jià)標(biāo)準(zhǔn)

(1)對(duì)齊精度

圖像對(duì)齊精度通常采用均方根誤差RMSE[12]這一準(zhǔn)則來進(jìn)行評(píng)估。從目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像中精心選擇N個(gè)對(duì)應(yīng)的特征點(diǎn)對(duì){(xi,yi),(x′i,y′i)}，以盡可能減少殘差[12]。因此，模型參數(shù)的準(zhǔn)確性可以采用這些精心挑選的特征點(diǎn)對(duì)進(jìn)行測(cè)試。RMSE的計(jì)算式為

(11)

式中：N為對(duì)應(yīng)的特征點(diǎn)對(duì)的數(shù)量；(xi-xi′，yi-yi′)為其中某一個(gè)匹配項(xiàng)的殘差。對(duì)于圖5的2組動(dòng)車組圖像對(duì)各進(jìn)行10次測(cè)試，10次測(cè)試的平均值作為最終的RMSE[12]。

(2)特征點(diǎn)的數(shù)量

正確匹配的特征點(diǎn)數(shù)量N決定了圖像匹配算法的穩(wěn)定性，因此，本文采用正確匹配的特征點(diǎn)的數(shù)量來評(píng)估本文新定義的SIFT算法的穩(wěn)定性。正確匹配的特征點(diǎn)是指被RANSAC[18]算法濾除誤匹配特征點(diǎn)后的精確匹配點(diǎn)。

圖像對(duì)齊精度不僅受正確匹配特征點(diǎn)數(shù)量的影響，而且還受正確匹配的特征點(diǎn)空間分布的影響。當(dāng)不同的圖像匹配算法的RMSE互相接近時(shí)，正確匹配的特征點(diǎn)的數(shù)量被用來做進(jìn)一步的比較。圖5中2組測(cè)試圖像對(duì)的對(duì)齊精度、正確匹配的特征點(diǎn)數(shù)量、圖像對(duì)齊的平均耗時(shí)等的比較見表1。從表1中可以看出，本文新定義的SIFT算法在圖像對(duì)齊過程中的平均耗時(shí)優(yōu)于其他算法。

表1 各種算法的N、RMSE、圖像對(duì)齊的平均耗時(shí)比較

3.2 水平偏移量對(duì)圖像對(duì)齊的影響

當(dāng)目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像精確對(duì)齊時(shí)，水平偏移量Δx=0，此時(shí)峰值信噪比PSNR具有最大值；隨著Δx的增大，PSNR逐漸減小；因此，本文使用PSNR評(píng)估Δx對(duì)圖像對(duì)齊的影響。由于存在模型誤差，當(dāng)Δx=0時(shí)目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像精確對(duì)齊的情況幾乎不存在，因此，本文采用以下4組不同的參數(shù)來分析Δx對(duì)圖像對(duì)齊的影響：Δx≤5像素，Δx≤15像素，Δx≤35像素，Δx≤50像素。根據(jù)圖4典型序列圖像，Δx對(duì)圖像對(duì)齊的影響曲線見圖6。

圖6 水平位移量Δx對(duì)圖像對(duì)齊的影響曲線

圖7 圖像標(biāo)準(zhǔn)化對(duì)圖像對(duì)齊的影響

由圖6可以得出，當(dāng)Δx≤5像素時(shí)，獲得了最大的PSNR曲線。因此，在對(duì)目標(biāo)圖像進(jìn)行空間尺度標(biāo)準(zhǔn)化過程中，Δx≤5像素被用作標(biāo)準(zhǔn)化目標(biāo)圖像的誤差區(qū)間。

3.3 目標(biāo)圖像標(biāo)準(zhǔn)化對(duì)圖像對(duì)齊的影響

對(duì)目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像之間的水平偏移量的測(cè)量精度，決定著目標(biāo)圖像標(biāo)準(zhǔn)化的效果，而目標(biāo)圖像標(biāo)準(zhǔn)化的效果又決定著目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像是否能夠?qū)R。圖像對(duì)齊是完成底部異常檢測(cè)的關(guān)鍵步驟。本文選擇4組列車底部的圖像對(duì)作為測(cè)試圖像對(duì)，展示標(biāo)準(zhǔn)化后的目標(biāo)圖像對(duì)圖像對(duì)齊的影響，見圖7。由圖7可以看出，標(biāo)準(zhǔn)化后的目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像之間的Δx幾乎為零，這表明本文新定義的圖像對(duì)齊模型對(duì)完成目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像之間的精確對(duì)齊收到了很好的效果。

3.4 動(dòng)車組底部異常自動(dòng)檢測(cè)的實(shí)驗(yàn)結(jié)果

在動(dòng)車組底部異常檢測(cè)方面，將本文提出的方法與SSD算法作對(duì)比實(shí)驗(yàn)，以證明本文所提方法在檢測(cè)動(dòng)車組底部異常方面所具有的優(yōu)勢(shì)。基于SSD的目標(biāo)檢測(cè)算法需要大量的樣本數(shù)據(jù)才能完成SSD模型的訓(xùn)練，但是動(dòng)車組底部異常只是偶爾現(xiàn)象，很難搜集到足夠多的樣本以完成SSD模型的訓(xùn)練。因此，本文選擇在搜集到的動(dòng)車組圖像數(shù)據(jù)集的基礎(chǔ)上進(jìn)行一系列的剪切、變形、旋轉(zhuǎn)、CutMix[19]操作,以使這些樣本數(shù)據(jù)集中丟失的螺栓、附著的紙屑、黏掛的布條的數(shù)量分別達(dá)到914、916、920。任選80%帶標(biāo)注的樣本用于訓(xùn)練SSD模型，其余20%帶標(biāo)注的樣本作為測(cè)試、驗(yàn)證樣本數(shù)據(jù)集?；赟SD的動(dòng)車組底部異常檢測(cè)的平均精度見表2，顯示了采用訓(xùn)練好的SSD模型檢測(cè)動(dòng)車組底部狀態(tài)時(shí)，計(jì)算機(jī)進(jìn)行批量檢測(cè)時(shí)的仿真結(jié)果。

表2 基于SSD的動(dòng)車組底部異常檢測(cè)的平均精度 %

由表2可見，不同類型的異常具有不同的平均檢測(cè)精度。實(shí)際上，動(dòng)車組的異常通常具有多樣性，而且SSD模型的訓(xùn)練過程非常耗時(shí)，因此，難以用于實(shí)際應(yīng)用中。

采用本文所提出方法在檢測(cè)動(dòng)車組底部異常時(shí)的定位結(jié)果與檢測(cè)結(jié)果見圖8。

圖8 本文方法的定位結(jié)果與檢測(cè)結(jié)果

在動(dòng)車組目標(biāo)序列圖像中，圖像背景十分復(fù)雜，同一目標(biāo)物有時(shí)甚至被分割到兩幀圖像，給圖像定位與識(shí)別帶來障礙。采用本文提出的圖像對(duì)齊模型將所有的目標(biāo)序列圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)序列圖像對(duì)齊后，再在目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像之間執(zhí)行本文新定義的背景差分法生成差異圖像。在差異圖像中，對(duì)比度越鮮明的區(qū)域，出現(xiàn)異常的概率就越大。然后，根據(jù)先驗(yàn)知識(shí)，采用主成分分析技術(shù)來識(shí)別動(dòng)車組底部的狀態(tài)(異?；驘o異常)。在對(duì)目標(biāo)序列圖像分類時(shí)，采用多類支持向量機(jī)(SVM)，以便給出目標(biāo)序列圖像的序列號(hào)。訓(xùn)練過程為：讀入動(dòng)車組底部異常數(shù)據(jù)(訓(xùn)練樣本)，PCA降維以抽取動(dòng)車組底部異常的特征，數(shù)據(jù)規(guī)格化，訓(xùn)練多類SVM。識(shí)別過程為：讀入一個(gè)測(cè)試樣本，經(jīng)過PCA變換降維，采用多類SVM進(jìn)行分類，給出目標(biāo)序列圖像的序列號(hào)。為了評(píng)估本文提出的方法在檢測(cè)動(dòng)車組底部異常時(shí)的效果，本文選擇了動(dòng)車組底部的2組對(duì)應(yīng)的序列圖像作為測(cè)試樣本，其中無異常一組序列圖像作為標(biāo)準(zhǔn)圖像，而另一組對(duì)應(yīng)的序列圖像作為目標(biāo)圖像。目標(biāo)序列圖像包括728個(gè)丟失的螺栓、642個(gè)布條、841個(gè)紙屑。采用SSD模型和本文提出的模型在檢測(cè)目標(biāo)序列圖像時(shí)的實(shí)際統(tǒng)計(jì)結(jié)果見表3。表3中，如果異常被檢測(cè)成“正?！被蛘１粰z測(cè)為“異?！保瑒t視為錯(cuò)誤檢測(cè)；否則，定義為正確檢測(cè)。召回率即含有異常的動(dòng)車組列車底部序列圖像被準(zhǔn)確檢測(cè)出來的比例。精度是信息檢索領(lǐng)域和模式識(shí)別中廣泛采用的標(biāo)準(zhǔn)[3]，用來評(píng)估本文所提模型的檢測(cè)精度。檢測(cè)精度、召回率分別定義為

(12)

式中：Tpi為正確檢測(cè)的異常數(shù)量；Fpi為錯(cuò)誤檢測(cè)的異常數(shù)量；Fni為未被檢測(cè)出來的異常數(shù)量。

表3 SSD模型與本文提出的模型在檢測(cè)動(dòng)車組底部異常時(shí)的實(shí)際統(tǒng)計(jì)結(jié)果

由表3可以得出，本文的方法在檢測(cè)動(dòng)車組底部異常區(qū)域方面取得了較好的效果。另外，本文的方法也可以用于檢測(cè)動(dòng)車組其他部件的異常。

4 結(jié)論

在鐵路的日常維護(hù)中，確定動(dòng)車組底部的狀態(tài)(異?；驘o異常)是必須定期開展的工作，但是人工檢測(cè)存在成本高、效率低、易漏檢的缺點(diǎn)。本文提出一種新的基于空間尺度標(biāo)準(zhǔn)化的圖像對(duì)齊模型和一種新的背景差分法，用于檢測(cè)動(dòng)車組底部是否存在異常。通過試驗(yàn)驗(yàn)證得出以下結(jié)論：

(1)本文提出的圖像對(duì)齊模型有效地提高了圖像對(duì)齊的計(jì)算效率。

(2)根據(jù)目標(biāo)圖像與對(duì)應(yīng)的標(biāo)準(zhǔn)圖像之間的水平偏移量Δx，通過塊分割和塊拼接的方式對(duì)目標(biāo)圖像進(jìn)行校正，可以完成目標(biāo)圖像的標(biāo)準(zhǔn)化，實(shí)現(xiàn)目標(biāo)圖像與對(duì)應(yīng)標(biāo)準(zhǔn)圖像的精確對(duì)齊。

(3)利用本文提出的背景差分法定位并突出異常區(qū)域，同時(shí)對(duì)圖像背景進(jìn)行弱化，然后根據(jù)標(biāo)準(zhǔn)圖像中的先驗(yàn)知識(shí)，可以確定列車底部是否存在異常。若存在異常，則通知自動(dòng)檢測(cè)中心的檢修人員進(jìn)行核實(shí)，并提供分級(jí)報(bào)警。

(4)試驗(yàn)結(jié)果表明，本文提出的動(dòng)車組列車底部異常檢測(cè)模型在對(duì)動(dòng)車組列車底部異常檢測(cè)時(shí)，對(duì)于螺栓缺失、布條、紙屑的檢測(cè)精度分別達(dá)到了99.31%、99.22%、98.93%，取得了較好的檢測(cè)效果。

未來，可借助于開源計(jì)算機(jī)視覺庫(kù)(OpenCV)對(duì)本文的方法進(jìn)行工程化，并對(duì)模型進(jìn)行優(yōu)化，以提高模型對(duì)齊的精度，同時(shí)提高算法的計(jì)算效率，使本文的方法達(dá)到實(shí)際應(yīng)用的目的。