TFDS图像自动识别系统框架设计与实现

TFDS图像自动识别系统框架设计与实现

摘要：本文设计了一种新的货车故障轨边图像检测系统（简称tfds）图像自动识别系统的框架结构，首先将待检测部件的故障情况进行分类，建立标准样本图库。在此基础上采用图像处理和识别算法对车辆故障进行自动检测和识别，系统核心功能模块可分为两个部分：部件检测定位模块和故障识别模块。试用结果表明，采用该框架结构的tfds图像自动识别系统具有较高的识别准确率。

关键词：车辆运用；tfds；自动识别；特征融合

1 引言

tfds的投入应用，改变了列检作业方式，提高了铁路货车安全防范系数，减轻了现场检车员的劳动强度。但该系统在运用过程中仍然受职工技术业务水平、人员劳动组织等问题局限，影响了该系统在运用工作中的作用的发挥。因此，分析查找问题产生原因，并采取相应的措施加以改进显得十分重要。现有的tfds系统主要采用人工判读的检测方式，存在如下问题：

1.1 作业强度大，长时间的看图作业会降低检测的准确性，造成常见、重点故障的漏检。

1.2 对人员的水平要求高，每辆车都有大量的待检测故障点，不同类型车辆的检测位置也各不相同，室内检车员必须对车辆基础知识掌握全面，人员培训和维护成本较高。

1.3 检测各个环节都是人为操控，检测周期长，耗费大量人力，效率低。

为解决这些问题，我们设计了tfds图像自动识别系统的框架结构，并在此基础上实现了一套基于tfds图像的自动识别系统。系统通过对拍摄图像信息进行检测和分析，给出货车车辆的检测结果报告。通过对图像的处理，检测出车辆的关键部件是否有异常情况，并可以自动完成异常图像的自动位置定位和异常类型的归类。

2 tfds图像自动识别系统框架

2.1 系统总体框架

在tfds图像自动识别系统的框架设计前期，经过对各种类型车辆检测的相关调研，我们首先将待检测部件的故障情况进行分类，建立标准样本图库。在此基础上采用图像处理和识别算法对车辆故障进行自动检测和识别，系统核心功能模块可分为两个部分：部件检测定位模块和故障识别模块。

部件检测定位模块的作用是在图像中自动检测并定位到需要进

行故障识别的各个部件，部件检测定位算法能够自动告诉识别系统某个待查部件在tfds图像中的具体位置，这个步骤的性能直接影响到故障识别的精度。

故障识别模块的作用就是从检测定位到的图像中识别出该部件

是否出现故障、出现了什么故障，最后进行汇总、汇报给tfds系统哪些部件出现了何种故障。为保证整个系统的可靠性，系统采用了三种不同的识别算法来对部件故障进行分析，最后的识别结果由三种算法的结果投票得出，因此系统的故障识别模块中又包含三个子模块，每个子模块对应一个不同的具体的识别算法，tfds图像的

自动识别过程就是利用三种不同的算法进行识别是否出现故障，只有当两个以上的算法认为出现故障时，系统才认为某个部件出现某种故障，这样各个算法间就可以相互合作从而实现更好的识别效果，保证了整提算法的可靠性。

2.2 自动识别系统模块算法

2.2.1 部件检测定位算法

部件检测定位算法需要首先训练一个用于部件定位的分类器，部件检测定位算法的整体流程如图1所示。经过对各种类型车辆检测的相关调研，我们首先将待检测部件的故障情况进行分类，建立标准样本图库，在分类器的训练过程中，样本图库中的正样本和反样本在经过预处理和特征提取后，经过训练形成该部件的分类器，在后续的检测定位过程中，待检测部位图像经过同样的预处理和特征提取算法后，由先前训练好的分类器进行分类，最后依据分类结果确定图像的某一部位是否存在部件。对于一副tfds图像，固定一个扫描窗口，将整幅tfds图像扫描一遍后，依据每一个扫描窗口的分类结果，便可实现对部件的精确定位。

2.2.2 故障自动识别模块

如前所述，为了保证整个系统的可靠性，系统采用了三种不同的识别算法来对部件故障进行分析，最后的识别结果由三种算法的结果投票得出，所采用的三种具体识别算法介绍如下：

◆全局与局部特征融合

tfds图像自动识别系统中的故障自动识别子模块1主要是将全局

的fft特征和局部的gabor特征进行融合，分别从局部和全局去描述部件特征，从而更全面地从特征层面上去描述一个部件。识别框架如图2所述：

算法的主要流程即首先要对图片进行gabor和fft变换，再经过pca和lda降维优化，通过svm模型各自得到一个分数进行分数级融合，最后通过阈值判断，并给出模块1对该部件的识别结论。

◆ gbdt和随机森林的融合

gabor和fft都是从频域上去描述部件，而部件图像的灰度信息中也存在着大量的可用信息，并且这些信息的稳定性和可靠性也很高，比如像素点差分特征。像素点差分特征属于离散特征，适合用决策树进行分类识别。tfds图像自动识别系统中的故障自动识别子模块2的识别框架如图3所示：

算法的主要流程即将部件图像的像素点差分特征分别送入gbdt 和随机森林模型，然后再对gbdt和随机森林模型的输出结果进行决策级的融合，最终给出自动识别模块2对该部件的识别结论。

◆局部gabor变化直方图和相关性特征挑选

gabor特征在自动识别模块1中做为局部特征来对部件图像进行描述，使用gabor滤波后的幅值直接作为特征描述，其中虽然包含了很多部件的细节信息，但是同时也存在很多无用的冗余信息，为了弥补这个缺点，我们在系统的自动识别子模块3中使用局部gabor 二值模式直方图对gabor特征进行编码压缩，在去除gabor特征冗余的同时，可结合局部二值模式特征lbp的对光照的鲁棒性，并且

使用直方图表示对特征进行维度压缩，进一步增强算法的稳定性。tfds图像自动识别系统中的故障自动识别子模块3 的识别框架如图4所示：

3 系统检测效果

下面以现场常见的挡键丢失类故障为例，给出所设计的系统在试用现场的检测效果。

挡键丢失故障是经常出现的故障，工人在检测是需要手动在图片上标记红框同时需要判别该转向架型号，然后提交上报，整个时间大概需要10秒。自动识别可以用1秒识别出故障并标注。如图5所示，对于挡键没有丢失的图片，所设计的系统能够准确通过绿色提示框给现场工人提示，减少重复查看，而对于挡键丢失的故障，系统会准确地通过红色警示框提醒现场工人。

4 结束语

针对tfds图像自动识别系统的算法改进，有助于提高整个自动识别系统的识别准确率和实用性。为此本文设计了一种新的tfds 图像自动识别系统的框架结构，其中广泛采用了特征融合和决策融合的思想。试用结果表明，采用该框架结构的tfds图像自动识别系统具有较高的识别准确率和实用性。