CN104504713A - 一种动车组运行状态图像监控故障自动识别方法 - Google Patents

Abstract

本发明提供了一种动车组运行状态图像监控故障自动识别方法，将当前动车组运行故障图像检测系统TEDS设备近期采集的该动车组历史监控图像作为时间历史图、同一线路上该动车组最近经过的其它TEDS设备采集的监控图像作为空间历史图、当前TEDS设备采集的该动车组监控图像作为当前图，将时间历史图、空间历史图分别与当前图进行图像配准，获取时间历史配准图及空间历史配准图，将时间历史配准图进行加权平均作为历史标准图，将空间历史配准图进行加权计算作为故障权重矩阵，将当前图与历史标准图进行变化检测获取特征差异矩阵，利用特征差异矩阵与故障权重矩阵计算得到故障标记矩阵。本发明具有能够有效提高动车组运行故障自动识别率、降低误判率的优点。

Description

一种动车组运行状态图像监控故障自动识别方法

技术领域

本发明涉及一种动车组运行状态图像监控的故障自动识别方法，尤其涉及一种利用时间及空间多源监控信息来自动识别动车组运行故障的方法。

背景技术

利用动车组运行故障动态图像检测设备(TEDS，Trouble of moving EMUDetection System)对动车组行车安全进行实时监控是保障动车组运行安全的一种重要监控手段。TEDS利用轨边安装的图像传感器，能够实现运行动车组走行部、制动配件、底架悬吊件、钩缓连接、车体两侧裙板、转向架等部位可见光图像的实时采集。在此基础上，利用图像自动识别技术，对图像进行处理与分析，实现动车组运行故障的自动识别。

TEDS故障自动识别方法主要包括目标提取法与差异比较法。其中，受限于目标识别算法研究发展的局限，目前主要采用的是差异比较法。所谓差异比较法，是指利用当前采集的动车组监控图像(简称当前图)与参考图像进行图像特征的求差，将特征差异明显的区域标记为故障异常。根据参考图像类型的不同，差异比较法又分为两种方式。一种是利用TEDS采集的当前图与动车组的标准图像进行差异比较(简称标准图像比较法)，另一种是利用同一列车的当前图与历史采集(如上一次通过时)图像(简称历史图)进行差异比较(简称历史图像比较法)。标准图像比较法，参考图像内容精确标准，能够实现当前图像差异的准确判定，然而受到动车组检修维护、自然老化等因素的影响，采用标准图像比较法，容易将车体正常的变化误判为故障，其误判率较高；历史图像比较法，将当前图与近期的历史图进行比较，能够有效避免车体正常变化带来的故障误判问题，然而由于历史图像是实地现场采集，受铁路沿线复杂环境的影响，参考内容不够准确，亦存在明显的故障误判问题。目前，TEDS设备监控仍主要采取单点设备运行的方式，可作参考的图像主要是当前监控设备的历史监控图像，随着TEDS设备综合联网监控系统的建设，同一铁路线多点的TEDS能够实现对同一列车不同时间、不同地理位置监控图像的采集。如何有效利用空间与时间上的多源数据，构建更为准确恰当的参考图像，提高故障识别准确率、降低误判率，对保障动车组运行安全具有重要的意义。

发明内容

为了解决上述问题，本发明提供了一种故障识别准确率高、降低误判率低的动车组运行状态图像监控故障自动识别方法。本发明采用的技术方案如下：

一种动车组运行状态图像监控故障自动识别方法，包括如下步骤：

步骤一：将当前动车组运行故障图像检测系统TEDS设备近期采集的该动车组历史监控图像作为时间历史图、同一线路上该动车组最近经过的其它TEDS设备采集的监控图像作为空间历史图、当前TEDS设备采集的该动车组监控图像作为当前图，将时间历史图、空间历史图分别与当前图进行图像配准，获取时间历史配准图及空间历史配准图。

步骤二：将时间历史配准图进行加权平均，作为历史标准图；

步骤三：将空间历史配准图进行加权计算，作为故障权重矩阵；

步骤四：将当前图与历史标准图进行变化检测，获取特征差异矩阵；

步骤五：利用特征差异矩阵与故障权重矩阵计算得到故障标记矩阵。

进一步特征为步骤一中的图像配准包括如下子步骤：

(1)设当前TEDS设备近期采集的该动车组历史监控图像按时间倒序分别为s^(0，-1)、s^(0，-2)、…、s^(0，-n)，同一线路上该动车组最近经过的其它TEDS设备所采集的监控图像按照经过顺序倒序分别为s^(-1，0)、s^(-2，0)、…、s^(-n，0)，当前TEDS设备采集的当前图为s^(0，0)；

(2)分别将s^(0，-1)、s^(0，-2)、…、s^(0，-n)，s^(-1，0)、s^(-2，0)、…、s^(-n，0)以及s^(0，0)进行图像预处理，得到预处理后的图像s′^(0，-1)、s′^(0，-2)、…、s′^(0，-n)，s′^(-1，0)、s′^(-2，0)、…、s′^(-n，0)以及S^(0，0)；

(3)利用图像配准算法分别将s′^(0，-1)、s′^(0，-2)、…、s′^(0，-n)，s′^(-1，0)、s′^(-2，0)、…、s′^(-n，0)与S^(0，0)进行图像配准，得到时间历史配准图S^(0，-1)、S^(0，-2)、…、S^(0，-n)及空间历史配准图S^(-1，0)、S^(-2，0)、…、S^(-n，0)。

进一步特征为图像预处理包括但不局限于亮度变换、对比度变换、去噪、去雾，图像配准算法包括但不局限于基于尺度不变特征转换SIFT的图像配准算法或基于仿尺度不变ASIFT的图像配准算法。

进一步特征为步骤二中的历史标准图利用如下公式计算：

设时间历史配准图为S^(0，-1)、S^(0，-2)、…、S^(0，-n)，则历史标准图S^h为：

$S^h=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\α}}_i{S}^{(0,-i)}$

其中，α_i为加权值(∑α_i＝1)，k为整数。

进一步特征为步骤三中的故障权重矩阵利用如下公式计算：

设空间历史配准图为S^(-1，0)、S^(-2，0)、…、S^(-n，0)，则故障权重矩阵W为：

$W=\mathrm{\δ}\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\β}}_i|S^{(-i,0)}-S^{(-i-\mathrm{1,0})}|$

其中，β_i为加权值(∑β_i＝1)，δ为权重系数，k为整数。

进一步特征为步骤四中的变化检测包括如下子步骤：

(1)将预处理后的当前图S^(0，0)与历史标准图S^h分别进行边缘提取，得到当前特征图C与历史特征图C^h；

(2)将当前特征图C与历史特征图C^h进行差异比较，得到特征差异矩阵D。

进一步特征为边缘提取，包括但不局限于基于小波变换的边缘检测方法，差异比较包括但不局限于比值差异比较法。

进一步特征为步骤五中的故障矩阵利用如下子步骤计算：

(1)特征差异矩阵D的各元素与故障权重矩阵W相应的元素进行计算，得到矩阵F′；

(2)利用图像分割算法，对矩阵F′进行计算，得到故障标记矩阵F。

进一步特征为矩阵F′利用如下公式计算：

设D＝{x_i|i＝1，2，…M}、W＝{y_i|i＝1，2，…M}，分别表示特征差异矩阵与故障权重矩阵，则矩阵F′的各元素为：

F′(z′_i)＝x_i(1+y_i)

其中，F′＝{z′_i|i＝1，2，…M}。

进一步特征为故障标记矩阵F包括但不局限于利用如下公式计算：

$F\left(z_i\right)=\left\{\begin{array}{cc}1& F^{\&prime;}\left({z^{\&prime;}}_i\right)\&GreaterEqual;\mathrm{\&gamma;}\\ 0& F^{\&prime;}\left({z^{\&prime;}}_i\right)<\mathrm{\&gamma;}\end{array}\right..$

其中，F＝{z_i|i＝1，2，…M}，阈值γ包括但不局限于为常数。

本发明同现有技术相比，具有以下优点和有益效果：

1、本发明提供的一种基于多点TEDS设备联网运行的动车组运行状态图像监控故障自动识别方法，将当前设备的历史监控图像进行加权平均作为历史标准图，将同一线路其它设备的监控图像进行加权计算作为故障权重矩阵，通过将当前图与历史标准图的变化检测，以及故障权重的加权与图像分割，最终得到动车组运行故障标记矩阵，本方法利用空间与时间上的多源监控数据，建立更为准确的对比参考源，更加符合动车组运行故障自动检测的现场实际情况，能够有效提高动车组运行故障自动识别率、降低误判率。

2、本发明提供的一种基于多点TEDS设备联网运行的动车组运行状态图像监控故障自动识别方法是基于多点TEDS设备联网运行的条件，通过利用空间与时间上多源图像数据信息，建立更为符合现场实际情况的图像对比参考源，识别准确性高、误判率低。实验结果表明，与目前单点设备运行的识别方法相比，本方法故障实验识别率提高42.30％，误判数量明显更少。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一种动车组运行状态图像监控故障自动识别方法的工作流程图；

图2是本发明一种动车组运行状态图像监控故障自动识别方法的TEDS设备在时间和空间上相结合采集动车组监控图像的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

如图1和图2所示，一种动车组运行状态图像监控故障自动识别方法，包括如下步骤：

步骤一：将当前动车组运行故障图像检测系统TEDS设备近期采集的该动车组历史监控图像作为时间历史图、同一线路上该动车组最近经过的其它TEDS设备采集的监控图像作为空间历史图、当前TEDS设备采集的该动车组监控图像作为当前图，将时间历史图、空间历史图分别与当前图进行图像配准，获取时间历史配准图及空间历史配准图。

步骤二：将时间历史配准图进行加权平均，作为历史标准图；

步骤三：将空间历史配准图进行加权计算，作为故障权重矩阵；

步骤四：将当前图与历史标准图进行变化检测，获取特征差异矩阵；

步骤五：利用特征差异矩阵与故障权重矩阵计算得到故障标记矩阵。

本发明的优选方式为：步骤一中的图像配准包括如下子步骤：

(1)设当前TEDS设备近期采集的该动车组历史监控图像按时间倒序分别为s^(0，-1)、s^(0，-2)、…、s^(0，-n)，同一线路上该动车组最近经过的其它TEDS设备所采集的监控图像按照经过顺序倒序分别为s^(-1，0)、s^(-2，0)、…、s^(-n，0)，当前TEDS设备采集的当前图为s^(0，0)；

(2)分别将s^(0，-1)、s^(0，-2)、…、s^(0，-n)，s^(-1，0)、s^(-2，0)、…、s^(-n，0)以及s^(0，0)进行图像预处理，得到预处理后的图像s′^(0，-1)、s′^(0，-2)、…、s′^(0，-n)，s′^(-1，0)、s′^(-2，0)、…、s′^(-n，0)以及S^(0，0)；

(3)利用图像配准算法分别将s′^(0，-1)、s′^(0，-2)、…、s′^(0，-n)，s′^(-1，0)、s′^(-2，0)、…、s′^(-n，0)与S^(0，0)进行图像配准，得到时间历史配准图S^(0，-1)、S^(0，-2)、…、S^(0，-n)及空间历史配准图S^(-1，0)、S^(-2，0)、…、S^(-n，0)。

图像预处理包括但不局限于亮度变换、对比度变换、去噪、去雾等，图像配准算法包括但不局限于基于尺度不变特征转换SIFT的图像配准算法或基于仿尺度不变ASIFT的图像配准算法。

进一步特征为步骤二中的历史标准图利用如下公式计算：

设时间历史配准图为S^(0，-1)、S^(0，-2)、…、S^(0，-n)，则历史标准图S^h为：

$S^h=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{S}^{(0,-i)}$

其中，α_i为加权值(∑α_i＝1)，k为整数。

步骤三中的故障权重矩阵利用如下公式计算：

设空间历史配准图为S^(-1，0)、S^(-2，0)、…、S^(-n，0)，则故障权重矩阵W为：

$W=\mathrm{\&delta;}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_i|S^{(-i,0)}-S^{(-i-\mathrm{1,0})}|$

其中，β_i为加权值(∑β_i＝1)，δ为权重系数，k为整数。

步骤四中的变化检测包括如下子步骤：

(1)将预处理后的当前图S^(0，0)与历史标准图S^h分别进行边缘提取，得到当前特征图C与历史特征图C^h；

(2)将当前特征图C与历史特征图C^h进行差异比较，得到特征差异矩阵D。

边缘提取包括但不局限于基于小波变换的边缘检测方法，差异比较包括但不局限于比值差异比较法。

步骤五中的故障矩阵利用如下子步骤计算：

(1)特征差异矩阵D的各元素与故障权重矩阵W相应的元素进行计算，得到矩阵F′；

(2)利用图像分割算法，对矩阵F′进行计算，得到故障标记矩阵F。

矩阵F′利用如下公式计算：

设D＝{x_i|i＝1，2，…M}、W＝{y_i|i＝1，2，…M}，分别表示特征差异矩阵与故障权重矩阵，则矩阵F′的各元素为：

F′(z′_i)＝x_i(1+y_i)

其中，F′＝{z′_i|i＝1，2，…M}。

故障标记矩阵F包括但不局限于利用如下公式计算：

$F\left(z_i\right)=\left\{\begin{array}{cc}1& F^{\&prime;}\left(z_i^{\&prime;}\right)\&GreaterEqual;\mathrm{\&gamma;}\\ 0& F^{\&prime;}\left(z_i^{\&prime;}\right)<\mathrm{\&gamma;}\end{array}\right..$

其中，F＝{z_i|i＝1，2，…M}，阈值γ包括但不局限于为常数。

经上述的方法，从而能够准确识别出地动车组运行故障，降低误判率。

本发明提供的一种基于多点TEDS设备联网运行的动车组运行状态图像监控故障自动识别方法，将当前设备的历史监控图像进行加权平均作为历史标准图，将同一线路其它设备的监控图像进行加权计算作为故障权重矩阵，通过将当前图与历史标准图的变化检测，以及故障权重的加权与图像分割，最终得到动车组运行故障标记矩阵，本方法利用空间与时间上的多源监控数据，建立更为准确的对比参考源，更加符合动车组运行故障自动检测的现场实际情况，能够有效提高动车组运行故障自动识别率、降低误判率。

本发明提供的一种基于多点TEDS设备联网运行的动车组运行状态图像监控故障自动识别方法是基于多点TEDS设备联网运行的条件，通过利用空间与时间上多源图像数据信息，建立更为符合现场实际情况的图像对比参考源，识别准确性高、误判率低。实验结果表明，与目前单点设备运行的识别方法相比，本方法故障实验识别率提高42.30％，误判数量明显更少。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种动车组运行状态图像监控故障自动识别方法，其特征在于，包括如下步骤：

步骤一：将当前动车组运行故障图像检测系统TEDS设备近期采集的该动车组历史监控图像作为时间历史图、同一线路上该动车组最近经过的其它TEDS设备采集的监控图像作为空间历史图、当前TEDS设备采集的该动车组监控图像作为当前图，将所述时间历史图、空间历史图分别与当前图进行图像配准，获取时间历史配准图及空间历史配准图；

步骤二：将时间历史配准图进行加权平均，作为历史标准图；

步骤三：将空间历史配准图进行加权计算，作为故障权重矩阵；

步骤四：将当前图与历史标准图进行变化检测，获取特征差异矩阵；

步骤五：利用特征差异矩阵与故障权重矩阵计算得到故障标记矩阵。

2.根据权利要求1所述的一种动车组运行状态图像监控故障自动识别方法，其特征在于，所述步骤一中的图像配准包括如下子步骤：

第一步：设当前TEDS设备近期采集的该动车组历史监控图像按时间倒序分别为s^(0，-1）、s^(0，-2）、…、s^(0，-n），同一线路上该动车组最近经过的其它TEDS设备所采集的监控图像按照经过顺序倒序分别为s^(-1，0)、s^(-2，0)、…、s^(-n，0)，当前TEDS设备采集的当前图为s^(0，0)；

第二步：分别将s^(0，-1）、s^(0，-2）、…、s^(0，-n），s^(-1，0)、s^(-2，0)…、s^(-n，0)以及s^(0，0)进行图像预处理，得到预处理后的图像s′^(0，-1)、s′^(0，-2)、…、s′^(0，-n)，s′^(-1，0)、s′^(-2，0)、…、s′^(-n，0)以及s^(0，0)；

第三步：利用图像配准算法分别将s′^(0，-1)、s′^(0，-2)、…、s′^(0，-n)，s′^(-1，0)、s′^(-2，0)、…、s′^(-n，0)与s^(0，0)进行图像配准，得到时间历史配准图s^(0，-1）、s^(0，-2）、…、s^(0，-n）及空间历史配准图s^(-1，0)、s^(-2，0)、…、s^(-n，0)。

3.根据权利要求2所述的一种动车组运行状态图像监控故障自动识别方法，其特征在于，所述图像预处理包括但不局限于亮度变换、对比度变换、去噪、去雾，所述图像配准算法包括但不局限于基于尺度不变特征转换SIFT的图像配准算法或基于仿尺度不变ASIFT的图像配准算法。

4.根据权利要求2所述的一种动车组运行状态图像监控故障自动识别方法，其特征在于，所述步骤二中的历史标准图利用如下公式计算：

设时间历史配准图为s^(0，-1）、s^(0，-2）、…、s^(0，-n)，则历史标准图S^h为：

$S^h=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{S}^{(0,-i)}$

其中，α_i为加权值(Σα_i＝1)，k为整数。

5.根据权利要求1所述的一种动车组运行状态图像监控故障自动识别方法，其特征在于，所述步骤三中的故障权重矩阵利用如下公式计算：

设空间历史配准图为s^(-1，0)、s^(-2，0)、…、s^(-n，0)，则故障权重矩阵W为：

$W=\mathrm{\&delta;}\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_i|S^{(-i,0)}-S^{(-i-\mathrm{1,0})}|$

其中，β_i为加权值(Σβ_i＝1)，δ为权重系数，k为整数。

6.根据权利要求4所述的一种动车组运行状态图像监控故障自动识别方法，其特征在于，所述步骤四中的变化检测包括如下子步骤：

第一步：将预处理后的当前图s^(0,0)与历史标准图S^h分别进行边缘提取，得到当前特征图C与历史特征图C^h；

第二步：将当前特征图C与历史特征图C^h进行差异比较，得到特征差异矩阵D。

7.根据权利要求6所述的一种动车组运行状态图像监控故障自动识别方法，其特征在于，所述边缘提取包括但不局限于基于小波变换的边缘检测方法，所述差异比较包括但不局限于比值差异比较法。

8.根据权利要求6所述的一种动车组运行状态图像监控故障自动识别方法，其特征在于，所述步骤五中的故障矩阵利用如下子步骤计算：

第一步：特征差异矩阵D的各元素与故障权重矩阵W相应的元素进行计算，得到矩阵F′；

第二步：利用图像分割算法，对矩阵F′进行计算，得到故障标记矩阵F。

9.根据权利要求8所述的一种动车组运行状态图像监控故障自动识别方法，其特征在于，所述矩阵F′利用如下公式计算：

设D＝{x_i|i＝1，2，…M}、W＝{y_i|i＝1，2，…M}，分别表示特征差异矩阵与故障权重矩阵，则矩阵F′的各元素为：

F′(z′_i)＝x_i(1+y_i)

其中，F′＝{z′_i|i＝1，2，…M}。

10.根据权利要求8所述的一种动车组运行状态图像监控故障自动识别方法，其特征在于，所述故障标记矩阵F包括但不局限于利用如下公式计算：

$F\left(z_i\right)=\left\{\begin{array}{cc}1& F^{\&prime;}\left(z_i^{\&prime;}\right)\&GreaterEqual;\mathrm{\&gamma;}\\ 0& F^{\&prime;}\left(z_i^{\&prime;}\right)<\mathrm{\&gamma;}\end{array}\right..$

其中，F＝{z_i|i＝1，2，…M}，阈值γ包括但不局限于为常数。