基于线阵相机的车辆外观全景图像动态检测系统研究

基于线阵相机的车辆外观全景图像动态检测系统研究

曾杰文

广州中车轨道装备有限公司

摘 要：城市轨道交通对城市发展起到了不可替代的重要作用。当前城轨车辆列检作业中，依然采用传统的人工检查的方式对车辆受电弓、轮对等关键部件是否存在故障进行排查，该方式不仅效率低下，且极易产生视觉疲劳，从而发生错检、漏检等情况，从而影响行车安全。本文主要针对城轨车辆360°外观缺陷检测，提出了一种基于线阵相机的车辆外观全景图像动态检测系统和方法，该系统能够在很大程度上替代检修过程中的人工工作量，弥补城轨车辆外观检测的不足，更加科学高效的对列车行车安全进行管理。

关键字：城市轨道；缺陷检测；减少人工

0 引言

截至2022年底，我国拥有轨道交通的城市达超60个。城市轨道交通（以下简称“城轨”）对整个城市的总体规划、促进和引导沿线规划建设和经济发展、改善城市公共交通状况、优化城市交通结构等方面都起到了不可替代的重要作用。

然而，在当前城轨车辆列检作业中，依然采用传统的人工检查的方式对车辆受电弓、轮对等关键部件是否存在故障进行排查，该方式不仅效率低下，且检修工作多在夜间进行，极易产生视觉疲劳，从而发生错检、漏检等情况，从而影响行车安全。

对此，众多学者提出了诸多方法对城轨车辆部分关键部件进行自动故障检测。李世博等[1] 提出了一种针对城轨列车受电弓故障检测的装置和方法，该方法能够在一定程度上对城轨车辆受电弓滑板磨耗、中心线偏移等关键参数进行自动测量和异常检测；张渝等[2] 提出了一种针对列车车轮踏面缺陷进行自动检测的系统和方法，该方法引入了深度学习等先进技术，能够较好的对车轮踏面是否存在擦伤、剥离等缺陷进行自动检测和预警；但此类方法仅针对列车部分关键部件进行自动检测，检测范围较为有限，而对于车体其他关键部件是否存在异物、部件松动、部件脱落等故障无法检测。

本文主要针对城轨车辆360°外观缺陷检测，提出了一种基于线阵相机的车辆外观全景图像动态检测系统和方法，并对该系统涉及的关键技术、系统特点等方面进行了介绍。

1 传统车辆外观检测方法分析

1.1传统检测方法和流程

传统检测方法主要采用人工“眼看”、“手摸”的方式定期或不定期对地铁车辆关键部件表面是否存在异常进行查看和判断。以广州地铁22号线陈头岗停车场为例，该停车场日常运营车辆达12辆，采用日常4班倒的方式覆盖日检（包含双日检、8日检、16日检、系统修四个不同的修程对车辆进行检测和维修，每个修程覆盖不同的检修区域和范围，以此保障运营车辆的安全运营。

1.2存在问题分析

在目前城轨车辆列检作业中，主要采用传统的人工检查作业为主，如图1。该检查方式能够在一定程度上解决车辆运营过程中故障排查、维修等问题，但存在以下弊端：（1）检修多为夜班检修，人工容易疲劳；（2）人工检查容易发生漏检、错检等问题；（3）存在高压强磁环境，对人体健康存在隐患，且工作时间长、人工作业强度大。

部分车辆段虽然配备了轮对缺陷动态检测系统、受电弓缺陷动态检测系统等针对特殊部件进行动态检测的设备，以替代人工对该车辆部件的检测工作，但相较于庞大的日检工作系统而言还不足以提升检修效率和质量。

2 基于线阵相机的车辆外观检测系统

为解决上述问题，提出基于线阵相机的车辆外观全景图像动态检测系统，以此对运营车辆外观360°进行图像自动采集、缺陷自动检测及记录管理存档。

2.1 系统框架

基于线阵相机的车辆外观全景图像动态检测系统如图2所示，主要由轨旁基本检测单元、现场控制室、远程控制室三部分组成。轨旁基本检测单元包含车号识别、走行部图像检测单元、车顶图像监测单元、车体车窗图像监测单元等基本模块，用于实现车辆车号识别、过车图像采集等功能；现场控制室包含配电箱、控制箱、通信箱等基本设备，用于实现基本检测单元的供电、控制、图像数据的分析和存储功能；远程控制室由控制台、控制机及其外围设备组成，用于实现图像数据的缺陷分析、图像查看、缺陷统计、缺陷分析等功能。

图1 传统检修作业方式

图2 车辆外观全景图像动态检测系统结构

2.2 系统基本原理

2.2.1 自主图像采集

列车进入检测区域时，会触发安装在轨旁的电磁传感器，分布在轨道不同位置的车号识别面阵相机和图像采集线阵相机收到传感器信号即开始对经过的列车进行全车360°图像采集，并实时将图像数据写入磁盘。车号识别面阵相机能够实现对本次过车的车号进行采集并实现车号识别。图像采集相机采用能够适应列车速度变化的高频率线阵相机，相机分布如图3。列车驶出检测区域时，会触发检测区域外侧电磁传感器并将该信号传输给相机，相机收到信号后停止采集并关闭相机。

图3 车辆外观全景图像动态检测系统相机分布

2.2.2 自主图像分析预警

图像采集完成后，系统自动将所采集的图像数据传输到图像缺陷分析和预警模块，以此对本次过车数据进行缺陷分析。分析技术主要为深度学习、特征识别等前沿技术，以此对全车360°范围内部件外观是否存在变形、脱落、损坏、位移、松动等缺陷进行自动的分析和检测。分析完成后将该数据上传数据展示平台，若存在缺陷，则提示对该缺陷复核，复核完成后在系统进行确认和回填并存档。

2.2.3 自主数据管理

针对每次过车采集得到图像数据和缺陷分析完成的缺陷数据，系统根据过车时间、车号等信息将每次过车360°外观图像、检测缺陷等相关信息进行存档，供后期回查，如图4。

图4 车辆外观全景图像动态检测系统数据管理页面

2.3 系统主要关键技术

基于线阵相机的车辆外观全景图像动态检测系统采用了模式识别、深度学习等前沿技术，以此对过车图像进行缺陷分析。

2.3.1 模式识别技术

作为人工智能的基础技术，模式识别技术就是用计算的方法根据样本的特征将样本划分到一定的类别中去[3] 。该技术已经在文字识别、语音识别、医学诊断等方面起到了不可替代的重要作用。基于线阵相机的车辆外观全景图像动态检测系统采用了结合系统特点自主研发的相关模式识别方法和技术，以此对全车外观图像进行自动缺陷分析和故障检测。

2.3.2 深度学习技术

深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，以达到让机器能够像人一样具有分析学习能力、文字识别能力、图像和声音识别等能力的目的[4] 。基于线阵相机的车辆外观全景图像动态检测系统中集成了多个结合当前图像场景的特征和应用场景，自主设计研发的基于深度学习用于目标检测、图像分割、图像分类的深度学习模型，在这些深度学习模型的基础上，结合相关系统架构对全车外观图像进行自动缺陷分析和故障检测。

2.4 系统特点

2.4.2 自主运行

在基于线阵相机得车辆外观全景图像动态检测系统中，车轮触发相机开机传感器，列车经过检测区间时，线阵相机以固定频率采集车体外观图像；列车驶出检测区时触发相机关机传感器，相机停止图像采集并将本次采集得到的图像传输到过车图像分析模块对本次过车图像中是否存在外观缺陷进行分析和检测；分析完成后将过车图像数据及分析缺陷上传到数据管理展示平台，实现主动检测、自主图像采集与故障分析，无需人工操作和干预。

2.4.1 智能高效

实现了关键部件异常自动检测和预警提示功能，相比于无分析功能和仅依赖图像比对技术的系统，系统报警量少，可在有限的检修时间内有针对性的指导检修人员开展作业，提高了作业质量。数据管理软件提供“整车图像浏览”和“故障部位图像查看”两种数据分析查看模式，处理操作更快捷更流畅。

原本需要人工仔细查看车底、车侧走行部、车顶的每个日检关键部件，消耗大量重复机械性的作业时间，可以通过360°动态图像智能检测系统的自动预警结果，提前知晓疑似/确认异常区域，进行有针对性的维护，缩短列车的日常作业时间。

2.4.3 缩减成本

原本需要多人同时检修城轨车辆日常列检作业，采用360°动态图像智能检测系统后，检修人员只需要关注重要项点，减少检修的工作人员，从而降低人工使用成本。按照传统一个班组（3-5人）检修4-5列车进行计算，采用360°动态图像智能检测系统后，仅需要1-2人进行4-5列车重点部位检查复核、维修，由此可减少约30%的作业人员。假定按照每条线路配置30列车，按照检修人员配置系数0.6计算，一般需要检修人员108人左右计算（其中日检约占1/3，即36人），配置1套城轨车辆360°动态图像智能检测系统后日检作业人员人车比可减少至0.4~0.5左右，即最少程度可减少约18人左右，按照国内城轨车辆平均人力成本15万/年，总体上每年可节省人力成本约270万。

2.4.4 降低风险

城轨车辆360°动态图像智能检测系统自动检测的优点在于严格，相比人工作业而言，不需担心作业人员责任心问题而导致的疏于检查，酿成车辆运行事故。

3 总结

城市轨道交通对整个城市的总体规划、促进和引导沿线规划建设和经济发展、改善城市公共交通状况、优化城市交通结构等方面都起到了不可替代的重要作用。在当前城轨车辆列检作业中，依然采用传统的人工检查的方式对车辆受电弓、轮对等关键部件是否存在故障进行排查，该方式不仅效率低下，且检修工作多在夜间进行，极易产生视觉疲劳，从而发生错检、漏检等情况，从而影响行车安全。本文主要针对城轨车辆360°外观缺陷检测，提出了一种基于线阵相机的车辆外观全景图像动态检测系统和方法，该系统能够在很大程度上替代检修过程中的人工工作量，并对该系统涉及的关键技术、系统特点等方面进行了介绍。

参考文献

[1] 李世博,张永,戴旺,方立超,张鑫鑫,陈叶健,邢宗义. 一种城轨列车受电弓故障监测装置及方法[P]. 江苏：CN108680104A,2018-10-19.

[2] 张渝,赵波,彭建平,王祯,黄炜,马莉,章祥,王小伟,胡继东,王楠,邱贺. 一种车轮踏面缺陷检测系统及检测方法[P]. 四川省：CN112798604A,2021-05-14.

[3] 张东东.人工神经网络图像模式识别综述[J].电子世界,2018(09):97.DOI:10.19353/j.cnki.dzsj.2018.09.053.

[4] 罗东亮,蔡雨萱,杨子豪,章哲彦,周瑜,白翔.工业缺陷检测深度学习方法综述[J].中国科学:信息科学,2022,52(06):1002-1039.

作者简介：曾杰文，曾负责广州地铁多条线路的售后服务工作，目前负责18/22号线车辆运维服务。从事轨道交通行业8年，从生产制造工艺员到目前担任生产调度主管，熟悉城轨车辆全寿命周期的维保。