动车组故障轨边图像自动检测系统图像对比算法研究

动车组故障轨边图像自动检测系统(TEDS)采用模块化、小型化的设计理念,运用图像自动识别技术,对异常图像进行分级报警。在图像自动识别技术基础上,设计了整个图像识别框架,针对不同部件,采用逐级细化、图像对比、分级预报算法,提高动车组故障自动识别效果,达到分级报警的要求。

用于动车组故障检测的图像识别算法

动车组运行故障动态图像检测系统(TEDS)通过比对现场图像与其历史图像,实现列车运行状态的实时监测和自动报警。由于不同时间采集的图像存在一定程度的差异性,使得单纯基于SIFT特征匹配的故障识别算法误报率较高。为此,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:将图像以车厢为基准对齐配准;基于SIFT特征匹配,通过局部比对粗略定位故障区域;以上述区域为模板,搜寻历史图像以精准定位故障位置。实验结果表明,本算法能有效地分析和预警运行动车组的异常情况,使得系统用户可及时发现重大故障,提升动车运营质量。

浅谈动车组运行故障动态图像检测系统(TEDS)实践与故障应急处理办法

动车组运行故障动态图像检测系统(Trouble of moving EMU Detection System),简称TEDS。动车组运行故障动态图像检测系统利用在轨边安装面阵和线阵组合摄像头,采集运行动车组走行部、制动配件、底架悬吊件、钩缓连接、车体两侧裙板、转向架等部位图像。动车组运行故障动态图像检测系统采用图像自动识别技术对图像进行自动异常分析和分级预警。动车组运行故障动态图像检测系统实现了对动车在线运行部件状态的监控,提高了故障产生初期的预警能力和追踪能力。为进一步规范TEDS集中监控中心的日常管理,确保发现故障后应急处置有效到位,通过及时的预报以及对动车组故障的确认处理,及时启动应急预案,消除安全隐患,确保了动车组的运行安全。TEDS监控中心应急处置办法的建立与健全,为进一步规范TEDS的管理,用好TEDS,发挥TEDS的作用,为动车组运行安全提供有力保障。

用于动车组故障检测的车号识别算法

列车车号是其身份的唯一标识,动车组运行故障动态图像检测系统(TEDS)根据列车车号在图像库中找寻该列车拍摄的历史图像,以其比对现场采集图像,从而实现对运行列车状态的实时监测。然而动车组目前尚未安装射频识别电子标签,鉴于此,利用视频分析技术对动车组车号图像进行自动识别成为亟需解决的问题。文章提出一种基于语义共生概率的模板匹配算法对车号字符进行识别。实验结果表明,本算法对车号的识别正确率和有效性满足铁路总公司的相关要求,保障了TEDS的工作效果。

TEDS的大数据特点以及对动车安全检测的改变

动车组运行故障图像检测系统(Trouble of moving EMU Detection System,简称TEDS)是使用位于轨边的高速相机,拍摄动车侧部和底部可视部图像,利用图像识别技术对动车图像进行实时分析,并预警的动车安全检测系统。随着大数据的发展,TEDS逐步体现出大量性、全样本性、价值性、高速性等大数据的一些特点,将大数据检测运用于动车安全检测使得其有别于传统的检测手段,将在时间、空间和纵向维度对动车安全检测模式发生改变。

基于轻量级注意力生成对抗网络的TEDS图像盲去模糊研究

列车高速运行易导致列车表面部件出现机械损伤,影响列车的运行安全。用于损伤检测的动车组运行故障图像检测系统(TEDS)需进行检测的部件形态多样、体积大小不一,且因列车运动、拍摄设备的震动等带来的拍摄图片不同程度的模糊,给工作人员对故障的分析和标注带来干扰,影响检测的实时性和准确率,故提出一种基于轻量级注意力生成对抗网络的TEDS图像盲去模糊算法。第1步,采用改进的带通道注意力和空间注意力机制的线性倒残差瓶颈模块构建轻量级特征提取网络,将其提取的5种尺度的特征送入特征金字塔网络(FPN)构建生成器,使生成器能有效地关注重点信息、综合底层和高层信息、从多尺度提取特征;第2步,采用谱归一化U_Net作为判别器网络,对局部信息产生更精确的梯度反馈,并在局部,全局双判别器的基础上加入逐像素判别,增强对图像纹理和细节上的对抗学习。研究表明,算法处理后TEDS图片较其他算法对不同尺度的目标均有更好的去模糊效果,图像有更高的清晰度;评价指标PSNR和SSIM达到28.6和91.2%,较其他算法分别提升了0.7和3.8个百分点;轻量级网络参数文件只有13.6 M,与其他算法相比,其速度取得几十倍的提升,在不使用GPU的情况下每分钟可对75张TEDS图片进行去模糊处理,达到TEDS系统的实时性需求。研究成果可有效提高TEDS系统的图片质量,提高损伤检测和标注的精准度,提升工作人员的效率,更好地保障铁路的安全运行。

基于聚焦线性注意力Retinexformer的TEDS图像实时暗光增强方法研究

列车高速运行下,表面部件易产生机械损伤,影响列车的安全运行。用于损伤检测的动车组运行故障图像检测系统(TEDS)需进行检测的部件形态多样、体积大小不一,且因对列车底部、夜晚进行图像采集时的暗光环境导致图像大部分区域偏暗,对比度低,给工作人员对故障的分析和标注带来干扰,影响检测的实时性和准确率,提出一种基于线性聚焦注意力的Retinexformer(RetinexFLAformer)网络对TEDS图像进行暗光增强。首先分析Retinexformer中进行自注意力计算的相似矩阵存在低秩的问题,采用线性聚焦注意力对网络进行改进,在保证计算复杂度不变的情况下,提高相似矩阵的秩以增加网络的特征多样性;其次增加空间一致性损失、曝光控制损失和颜色恒定损失,来抑制由于曝光不均引起的局部区域对比度下降和颜色畸变;最后在以上改进的基础上进一步调整网络结构构建FastRetinexFLAformer,以达到更快的暗光图像处理速度。研究表明,改进后的RetinexFLAformer能有效提高TEDS图片的暗光增强效果,和其他算法对比,评价指标PSNR和SSIM分别提高0.55和0.023;FastRetinexFLAformer网络参数文件只有3.34 M,可达到当前主流方法相当的处理效果,且能有效提升暗光增强速度,达到TEDS系统的实时性需求。研究成果可有效提高TEDS系统的图片质量,提高损伤识别和标注的精准度,提升工作人员的效率,更好地保障铁路的安全运行。