用于动车组故障检测图像识别算法探究.docVIP

用于动车组故障检测图像识别算法探究 　　摘要：动车组运行故障动态图像检测系统（TEDS）利用对当前图像与其历史图像的比较，实现列车运行状况的即时监测以及自动预警。因为，各个时间获得的图像肯定不可能完全一致，就造成仅仅基于SIFT特征匹配的故障识别算法误报率非常高。因此，本文给出一种自适应融合局部和全局匹配的图像故障识别算法：将图像基于车厢对齐比对；基于SIFT特征匹配，利用局部比对粗略定位故障位置；以上述位置为模板，查询历史图像以精确判断故障位置。后续实验证明，这一算法能有效地分析和警示运行动车组的问题情况，使得工作人员能够及时发现突发问题，确保动车运行安全 关键词：动车组故障检测 图像识别 算法 中图分类号：TP39 文献标识码：A 文章编号：1007-9416（2016）12-0140-02 随着我国高速铁路事业的进一步发展，动车组安全检测工作的建设变得尤为关键。当前的检测形式为入库地沟式静态监控，而运行过程中的动态监控不足。这必然造成动车组可能长时间带问题行驶，造成了很大的安全隐患。高速运行中的车辆，其关键部位容易遭受石块等物体的较强撞击，另外因为长时间受到传动力及制动力，其部件可能出现各种程度的动摇，所以行驶中的动态监控对于确保动车运行安全起到非常关键的作用 对于以上情况，相关部门提出了动车组运行故障动态图像检测系统（TEDS， Trouble of moving EMU DetectionSystem）。它通过轨边装设的线阵摄像头，收集行驶动车组走行部、底架悬吊件、钩缓连接、制动配件、车体两侧裙板、转向架等位置图像，与其最近行驶的历史图像进行比较，检查当前行驶车辆的结构件是否有改变、改变的趋势以及改变的形式，完成故障的及时预警。但是因为速度、光线、大气、抖动等各种外界因素的变化，造成不同时间采集的两幅图像之间存在分辨率、亮度、长度等差别，所以当前?H是应用基于SIFT特征匹配的图像故障识别算法具有许多的误报情况，故障定位不准确 因此，本文提出一种自适应融合局部和全局匹配的图像故障识别算法：（l）将图像基于车厢对齐比对；（2）基于SIFT特征匹配，利用局部比对粗略定位故障位置；（3） 以上述位置为模板，查询历史图像以精确判断故障位置。后续实验证明，本算法对于行驶动车组的异常状况能有效地及时告警，使得工作人员可迅速发现相关故障，确保动车运行安全 1 用于动车组故障检测的图像识别算法 文中提出的自适应融合局部和全局匹配的图像故障识别算法框架：（1）以车厢为基准对不同时间采集的动车图像进行对齐配准，尽可能地排除因为速率、抖动、光线等外部原因引起的图像错位情况；接着应用局部匹配粗略定位故障坐标，也就是利用SIFT特征匹配算法，查找现场采集图像中无法与历史图像匹配成功的特征区域，将其当作待识别故障区域；（2）将待识别故障区域当作模板，在整幅历史图像中实现全局查找匹配，准确定位故障。后续实验证明，本算法针对运行动车组的异常状况能有效地实现告警，增强了动车组隐蔽故障发现能力和故障产生初期的预警性能，提高了动车组行驶的安全预防能力，为避免动车组问题运行提供了有效措施 1.1 图像的对齐比对 因为图像在采集过程中容易遭受车速、天气等很多外部原因的干扰，往往引起图像差别，为此首先要对现场采集的动车图像以车厢为基准进行图像拼接和分割，实现与历史图像的对齐比对。具体来讲，分为三部分：（1）实现动车车头对齐，即根据火车车号，从火车车头模板库中提取该车型的车头模板，与现场采集的火车图像进行车头模板匹配，并对匹配成功的图像于车头起始位置进行图像分割。（2）实现车厢对齐，即利用车厢模板库中该车型的车厢连接处模板，对实时采集的火车图像进行模板匹配，并对匹配成功的图像在车厢连接处位置进行图像分割，而其他图像则依次拼接，从而形成一幅完整的车厢图像。（3）存储车厢图像，完成该车型历史图像库的更新 1.2 图像的故障识别算法 当前的图像故障识别算法多数是应用基于SIFT特征的匹配算法，但是局部特征中不包含所有位置信息，而图像中又有着许多的特征类似而语义差别的特征点，所以仅从特征类似性的角度分析，会造成许多的误报故障点。因此，有些算法提出使用基于像素的全局匹配解决问题，但是因为车速、天气、光线、抖动等外部因素引发的图像不一致状况，即相同坐标位置对应的图像内容不一致，造成仅是利用像素差的全局匹配不能较好地解决误报情况。基于此种情况，本文提出一种自适应融合局部和全局匹配的故障识别算法 （1）提取现场采集图像的尺度不变特征变换描述子（SIFT， Scale-invariant feature transform），该描述子是一种局部特征，不仅具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角，仍然能够保持较好