一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法
【專利摘要】本發(fā)明提供了一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法，將當前動車組運行故障圖像檢測系統(tǒng)TEDS設(shè)備近期采集的該動車組歷史監(jiān)控圖像作為時間歷史圖、同一線路上該動車組最近經(jīng)過的其它TEDS設(shè)備采集的監(jiān)控圖像作為空間歷史圖、當前TEDS設(shè)備采集的該動車組監(jiān)控圖像作為當前圖，將時間歷史圖、空間歷史圖分別與當前圖進行圖像配準，獲取時間歷史配準圖及空間歷史配準圖，將時間歷史配準圖進行加權(quán)平均作為歷史標準圖，將空間歷史配準圖進行加權(quán)計算作為故障權(quán)重矩陣，將當前圖與歷史標準圖進行變化檢測獲取特征差異矩陣，利用特征差異矩陣與故障權(quán)重矩陣計算得到故障標記矩陣。本發(fā)明具有能夠有效提高動車組運行故障自動識別率、降低誤判率的優(yōu)點。
【專利說明】一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種動車組運行狀態(tài)圖像監(jiān)控的故障自動識別方法，尤其涉及一種利 用時間及空間多源監(jiān)控信息來自動識別動車組運行故障的方法。

【背景技術(shù)】
[0002] 利用動車組運行故障動態(tài)圖像檢測設(shè)備（TEDS，TroubleofmovingEMU DetectionSystem)對動車組行車安全進行實時監(jiān)控是保障動車組運行安全的一種重要監(jiān) 控手段。TEDS利用軌邊安裝的圖像傳感器，能夠?qū)崿F(xiàn)運行動車組走行部、制動配件、底架懸 吊件、鉤緩連接、車體兩側(cè)裙板、轉(zhuǎn)向架等部位可見光圖像的實時采集。在此基礎(chǔ)上，利用圖 像自動識別技術(shù)，對圖像進行處理與分析，實現(xiàn)動車組運行故障的自動識別。
[0003]TEDS故障自動識別方法主要包括目標提取法與差異比較法。其中，受限于目標識 別算法研宄發(fā)展的局限，目前主要采用的是差異比較法。所謂差異比較法，是指利用當前采 集的動車組監(jiān)控圖像（簡稱當前圖）與參考圖像進行圖像特征的求差，將特征差異明顯的 區(qū)域標記為故障異常。根據(jù)參考圖像類型的不同，差異比較法又分為兩種方式。一種是利 用TEDS采集的當前圖與動車組的標準圖像進行差異比較（簡稱標準圖像比較法），另一種 是利用同一列車的當前圖與歷史采集（如上一次通過時）圖像（簡稱歷史圖）進行差異 比較（簡稱歷史圖像比較法）。標準圖像比較法，參考圖像內(nèi)容精確標準，能夠?qū)崿F(xiàn)當前圖 像差異的準確判定，然而受到動車組檢修維護、自然老化等因素的影響，采用標準圖像比較 法，容易將車體正常的變化誤判為故障，其誤判率較高；歷史圖像比較法，將當前圖與近期 的歷史圖進行比較，能夠有效避免車體正常變化帶來的故障誤判問題，然而由于歷史圖像 是實地現(xiàn)場采集，受鐵路沿線復(fù)雜環(huán)境的影響，參考內(nèi)容不夠準確，亦存在明顯的故障誤判 問題。目前，TEDS設(shè)備監(jiān)控仍主要采取單點設(shè)備運行的方式，可作參考的圖像主要是當前監(jiān) 控設(shè)備的歷史監(jiān)控圖像，隨著TEDS設(shè)備綜合聯(lián)網(wǎng)監(jiān)控系統(tǒng)的建設(shè)，同一鐵路線多點的TEDS 能夠?qū)崿F(xiàn)對同一列車不同時間、不同地理位置監(jiān)控圖像的采集。如何有效利用空間與時間 上的多源數(shù)據(jù)，構(gòu)建更為準確恰當?shù)膮⒖紙D像，提高故障識別準確率、降低誤判率，對保障 動車組運行安全具有重要的意義。


【發(fā)明內(nèi)容】

[0004] 為了解決上述問題，本發(fā)明提供了一種故障識別準確率高、降低誤判率低的動車 組運行狀態(tài)圖像監(jiān)控故障自動識別方法。本發(fā)明采用的技術(shù)方案如下：
[0005] 一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法，包括如下步驟：
[0006] 步驟一：將當前動車組運行故障圖像檢測系統(tǒng)TEDS設(shè)備近期采集的該動車組歷 史監(jiān)控圖像作為時間歷史圖、同一線路上該動車組最近經(jīng)過的其它TEDS設(shè)備采集的監(jiān)控 圖像作為空間歷史圖、當前TEDS設(shè)備采集的該動車組監(jiān)控圖像作為當前圖，將時間歷史 圖、空間歷史圖分別與當前圖進行圖像配準，獲取時間歷史配準圖及空間歷史配準圖。
[0007] 步驟二：將時間歷史配準圖進行加權(quán)平均，作為歷史標準圖；
[0008] 步驟三：將空間歷史配準圖進行加權(quán)計算，作為故障權(quán)重矩陣；
[0009] 步驟四：將當前圖與歷史標準圖進行變化檢測，獲取特征差異矩陣；
[0010] 步驟五：利用特征差異矩陣與故障權(quán)重矩陣計算得到故障標記矩陣。
[0011] 進一步特征為步驟一中的圖像配準包括如下子步驟：
[0012] (1)設(shè)當前TEDS設(shè)備近期采集的該動車組歷史監(jiān)控圖像按時間倒序分別為 …、s(°「n)，同一線路上該動車組最近經(jīng)過的其它TEDS設(shè)備所采集的監(jiān)控圖像 按照經(jīng)過順序倒序分別為、shw、…、Skf0，當前TEDS設(shè)備采集的當前圖為S(°'Q);
[0013] (2)分別將^''^''…、^'^^、^^、…、^"以及^^進行圖像預(yù) 處理，得到預(yù)處理后的圖像V(a'_i)、s，（α'_2)、"·、8' (〇'_n)，s，H'〇)、s' (_2'〇)、"·、8' (_n， Q)以及S
[0014] (3)利用圖像配準算法分別將s，（o'-W(0'_2)、.'s，（0'_n)，s，（―1'0)、。（_2' ° )、一、8'(_11'°)與3(°'° )進行圖像配準，得到時間歷史配準圖3(°'_1)、5(°'_ 2)、一、5(°'_11)及空 間歷史配準圖…、S(_n'Q)。
[0015] 進一步特征為圖像預(yù)處理包括但不局限于亮度變換、對比度變換、去噪、去霧，圖 像配準算法包括但不局限于基于尺度不變特征轉(zhuǎn)換SIFT的圖像配準算法或基于仿尺度不 變ASIFT的圖像配準算法。
[0016] 進一步特征為步驟二中的歷史標準圖利用如下公式計算：
[0017] 設(shè)時間歷史配準圖為S(°'4)、S(°'氣…、S(°''則歷史標準圖Sh為：
[0018]

【權(quán)利要求】
1. 一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法，其特征在于，包括如下步驟： 步驟一：將當前動車組運行故障圖像檢測系統(tǒng)TEDS設(shè)備近期采集的該動車組歷史監(jiān) 控圖像作為時間歷史圖、同一線路上該動車組最近經(jīng)過的其它TEDS設(shè)備采集的監(jiān)控圖像 作為空間歷史圖、當前TEDS設(shè)備采集的該動車組監(jiān)控圖像作為當前圖，將所述時間歷史 圖、空間歷史圖分別與當前圖進行圖像配準，獲取時間歷史配準圖及空間歷史配準圖； 步驟二：將時間歷史配準圖進行加權(quán)平均，作為歷史標準圖； 步驟三：將空間歷史配準圖進行加權(quán)計算，作為故障權(quán)重矩陣； 步驟四：將當前圖與歷史標準圖進行變化檢測，獲取特征差異矩陣； 步驟五：利用特征差異矩陣與故障權(quán)重矩陣計算得到故障標記矩陣。
2. 根據(jù)權(quán)利要求1所述的一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法，其特征在 于，所述步驟一中的圖像配準包括如下子步驟： 第一步：設(shè)當前TEDS設(shè)備近期采集的該動車組歷史監(jiān)控圖像按時間倒序分別為 …、s(°'_n)，同一線路上該動車組最近經(jīng)過的其它TEDS設(shè)備所采集的監(jiān)控圖像 按照經(jīng)過順序倒序分別為、shw、…、S^c0，當前TEDS設(shè)備采集的當前圖為S(°'Q); 理，得到預(yù)處理后的圖像s，（o'-W(0'_2)、.'s，（"W(―1'0)、。（_2'0)、.'s，（_n'Q)以及s 第三步：利用圖像配準算法分別將s，（o'-W(0'-2)、...、S，（0'- n)，S，H'0)、S，（_ 2' ^…^^^^與^^進行圖像配準^導(dǎo)到時間歷史配準圖^'義產(chǎn)氣…^^及空 間歷史配準圖…、s(_n'Q)。
3. 根據(jù)權(quán)利要求2所述的一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法，其特征在 于，所述圖像預(yù)處理包括但不局限于亮度變換、對比度變換、去噪、去霧，所述圖像配準算法 包括但不局限于基于尺度不變特征轉(zhuǎn)換SIFT的圖像配準算法或基于仿尺度不變ASIFT的 圖像配準算法。
4. 根據(jù)權(quán)利要求2所述的一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法，其特征在 于，所述步驟二中的歷史標準圖利用如下公式計算： 設(shè)時間歷史配準圖為s(°…s(°…2)、…、s(°'氣則歷史標準圖Sh為：
其中，a加權(quán)值（2ai=I)，k為整數(shù)。
5. 根據(jù)權(quán)利要求1所述的一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法，其特征在 于，所述步驟三中的故障權(quán)重矩陣利用如下公式計算： 設(shè)空間歷史配準圖為Sh^jh'?、…、sb'則故障權(quán)重矩陣W為：
其中，0 加權(quán)值（2 0i= 1)，6為權(quán)重系數(shù)，k為整數(shù)。
6. 根據(jù)權(quán)利要求4所述的一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法，其特征在 于，所述步驟四中的變化檢測包括如下子步驟： 第一步：將預(yù)處理后的當前圖s_與歷史標準圖Sh分別進行邊緣提取，得到當前特征 圖C與歷史特征圖Ch; 第二步：將當前特征圖C與歷史特征圖Ch進行差異比較，得到特征差異矩陣D。
7. 根據(jù)權(quán)利要求6所述的一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法，其特征在 于，所述邊緣提取包括但不局限于基于小波變換的邊緣檢測方法，所述差異比較包括但不 局限于比值差異比較法。
8. 根據(jù)權(quán)利要求6所述的一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法，其特征在 于，所述步驟五中的故障矩陣利用如下子步驟計算： 第一步：特征差異矩陣D的各元素與故障權(quán)重矩陣W相應(yīng)的元素進行計算，得到矩陣 Fr； 第二步：利用圖像分割算法，對矩陣F'進行計算，得到故障標記矩陣F。
9. 根據(jù)權(quán)利要求8所述的一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法，其特征在 于，所述矩陣F'利用如下公式計算： 設(shè)D= {x」i= 1，2，…M}、W= {y」i= 1，2，…⑷，分別表示特征差異矩陣與故障權(quán) 重矩陣，則矩陣F'的各元素為： F' (zri) =Xi(^yi) 其中，F(xiàn)，= {z，= 1，2，…M}。
10. 根據(jù)權(quán)利要求8所述的一種動車組運行狀態(tài)圖像監(jiān)控故障自動識別方法，其特征 在于，所述故障標記矩陣F包括但不局限于利用如下公式計算：
其中，F(xiàn)=IziIi= 1，2,…⑷，閾值Y包括但不局限于為常數(shù)。
【文檔編號】G06T7/00GK104504713SQ201410843157
【公開日】2015年4月8日 申請日期:2014年12月30日 優(yōu)先權(quán)日:2014年12月30日
【發(fā)明者】楊凱, 張三林, 賈志凱, 張惟皎, 呂赫, 謝斌, 徐博, 張慶海, 陳聰 申請人:中國鐵道科學研究院電子計算技術(shù)研究所, 北京經(jīng)緯信息技術(shù)公司