关于降低雨天TEDS故障自动识别误报警的研究

文/李卓亮

1 前言

动车组运行故障动态图像检测系统（TEDS）在对动车组行驶安全方面及其重要，是不可或缺的一种辅助设备。它是利用轨边的高清摄像机拍摄动车的各个部分，通过图像自动识别技术尽早发现异常情况，避免危险情况发生。研究发现TEDS 监控设备在雨天气候下误报警急剧增加，主要原因为图像的质量问题，具体表现在图像中存在较多的“横道子”。本文研究的主要内容便是去除“横道子”，修复图像。

2 方法设计

2.1 总体流程

本文采用了多种图像处理算法组合的方法修复图像。

图1 为图像修复的总体算法流程：

图1 图像修复的总体流程

2.2 具体方法

2．2．1 采用Canny算法得到边缘图像。Canny算法具有较好的信噪比和较高的定位性能，此算法分为以下几个步骤：高斯模糊去除噪声、计算图像梯度并得到幅值和方向、非极大值抑制保留灰度变化最大区域以及双阈值筛选出强的边缘点。

当使用高斯滤波平滑图像时，本文加入了亮度控制函数，令Sbright(x,y)表示亮度函数，f(x,y)表示输入图像，G(x,y)表示二维高斯函数，fs(x,y)为卷积平滑后的图像，Vpixel(x,y)表示图像某点的灰度值，x和y分别为二维图像的横纵坐标。得到如下式：

其中，σ高斯函数的标准差，k和γ为常数。

2．2．2 采用霍夫变换检测直线，去除图中“横道子”，霍夫变换就是把图像空间中的直线变换到参数空间中的点，通过统计来解决检测问题。然后筛选水平直线，用白色线条标记检测，做成掩膜以便于后续使用。如图2 所示，霍夫检测到的直线图像（左）和掩膜图像（右）。

图2 霍夫检测直线图像

2．2．3 图像修复就是对图像上信息缺损区域进行信息填充的过程，为了对有信息缺损的图像进行复原，使观察者无法察觉到图像曾经缺损或者已经修复[1]。本文采用基于图像分解的修复方法，利用图像中“横道子”的边缘信息去修复图像。

假设待修复区域的某点p是我们要修复的像素，以p为中心选取一个ε大小邻域表示为B(ε)，q为邻域B(ε)中的一点，其像素值为I(q)，梯度值为∇I(q)都是已知的，根据邻域B(ε)内部的像素值近似得到p点的一阶估计I(p)，表示为如下式：

则点p的像素值需要用邻域中的所有点来计算，则新的灰度值表示为如下式：

其中ω(p,q)是权值函数，它是用来限定邻域中像素贡献大小的。贡献大的像素值要得到保留，小的要去除。权值函数可以用如下式子表示：

其中dir(p,q)为方向因子，保证了该像素点的主要贡献在于接近法线的方向上；dst(p,q)为几何距离，将距离像素点p的几何距离较远的点赋予较小的值；lev(p,q)为水平集距离，保证了离经p的待修复区域的轮廓线越近的已知像素点对点p的贡献越大。分别用如下式子表示：

其中N(p)的数值为：当p点位于邻域内置为1，否则为0；d0和T0为常数，通常设置为1；T(p)和T(q)是根据FMM 算法得出来的，分别表示p点和q点到待修复边界的距离。

通过上述算法得到初步修复图像，再进行维纳滤波，它是一种自适应最小均方差滤波器，对于有噪声的图像和运动模糊的图像可以很好地解决。图3 为最终的修复图像。

2.3 结果分析

对比修复前后图像可知，图像修复后细小的部件，例如图中的开口销部件很好的还原，“横道子”已经被算法处理掉。本文采用3 种方法来评价图像质量：峰值信噪比（PSNR）、均值方差（MSE）和结构相似性（SSIM）[2]。经计算可得：修复前图像的PSNR 值为16db，均值方差（MSE）为2．6，结构相似性（SSIM）为0．2；修复后图像PSNR 值为39db，均值方差（MSE）为0．1，结构相似性（SSIM）为0．85。结果显示经本算法修复后的图像质量比较好，说明此修复算法不会导致图像信息丢失，对部件自动识别没有影响。图4 为开口销部件修复前后的细节比较。

3 实验与结论

选取广州铁路局的某个过车较多且经常下雨的路段进行试验，获取100 辆雨天气候中的底部图像，保证本算法的多样性，分别统计修复图像前所有报警数和修复后的报警数。

经统计，100 辆车图像未经过修复前底部报警数为2932 个，平均每辆车报警数约为30 个；经过本算法修复后报警数为512 个，平均每辆车报警约为5 个。故本算法产生的报警数相比之前减少六倍之多，证明本算法能有效减少雨天气候中因图像问题而产生的大量误报警。

4 结语

本文通过对降雨天气时自动识别系统所产生的大量误报警分析，其主要来源是图像的干扰问题，这种形式的干扰不光导致识别的误报警激增，也影响了个别细小部件的真实报警[3]。为了解决误报警增多的问题，保证动车组的行车安全，本文提出一种基于图像处理的修复图像方法。

经试验证明，本文提出的方法能在不影响TEDS系统真实报警的前提下，有效降低误报警个数，提高准确率，减轻检车人员的负担，为实现故障识别系统的完全自动化提供一些依据。在图像处理的基础上，加入深度学习算法继续完成对图像的修复工作。