地鐵車輛走行部溫度目標(biāo)可視化監(jiān)測(cè)方法

張冠男

摘 要：絕大多數(shù)深度學(xué)習(xí)應(yīng)用領(lǐng)域是基于可見(jiàn)光條件，有關(guān)紅外熱成像溫度場(chǎng)景中的應(yīng)用較少。本文考慮使用Yolov3深度學(xué)習(xí)算法框架對(duì)地鐵車輛車底關(guān)鍵紅外目標(biāo)進(jìn)行動(dòng)態(tài)識(shí)別及溫度監(jiān)測(cè)，通過(guò)對(duì)大量的數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，利用深度卷積神經(jīng)網(wǎng)絡(luò)提取到多樣抽象的特征。同時(shí)，將獲取到的原始溫度視頻流數(shù)據(jù)進(jìn)行解析，并對(duì)單幀紅外熱圖進(jìn)行濾波處理，提高圖片中目標(biāo)物的清晰度，利用多項(xiàng)式擬合進(jìn)行關(guān)鍵目標(biāo)溫度的誤差補(bǔ)償。通過(guò)測(cè)試證明，該網(wǎng)絡(luò)對(duì)于目標(biāo)定位及識(shí)別具有較高精度，并且同一趟列車不同軸位的目標(biāo)溫度具有較好的一致性。

關(guān)鍵詞：深度學(xué)習(xí);Yolov3;紅外熱成像;溫度;目標(biāo)識(shí)別

中圖分類號(hào)：U279.3 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

城市軌道交通車輛運(yùn)行安全及穩(wěn)定性十分重要。本文溫度數(shù)據(jù)來(lái)源于車輛走行部溫度檢測(cè)系統(tǒng)，該系統(tǒng)位于軌道兩側(cè)及中間，利用工業(yè)紅外熱像儀實(shí)現(xiàn)列車車底軸箱、齒輪箱等關(guān)鍵發(fā)熱部件的溫度動(dòng)態(tài)監(jiān)測(cè)。在實(shí)際應(yīng)用場(chǎng)景中，車底關(guān)鍵目標(biāo)的動(dòng)態(tài)監(jiān)測(cè)常常伴隨場(chǎng)景遮擋、物距變化及一些環(huán)境因素。同時(shí)，紅外熱圖則是通過(guò)感知目標(biāo)物與周圍溫度的差異進(jìn)行成像，物體之間又同時(shí)伴隨著能量的交互，這些物理特征便會(huì)導(dǎo)致紅外圖像的輪廓邊緣模糊及對(duì)比度下降 [1-3]。

深度學(xué)習(xí)算法可以廣泛用于各種復(fù)雜條件下的各類場(chǎng)景。數(shù)據(jù)驅(qū)動(dòng)建模及加速運(yùn)算平臺(tái)的支撐。目前，已被廣泛應(yīng)用在人臉識(shí)別、智能家居等領(lǐng)域中。本文基于深度學(xué)習(xí)對(duì)紅外場(chǎng)景進(jìn)行目標(biāo)檢測(cè)，并通過(guò)搭建卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)深度學(xué)習(xí)算法的優(yōu)化及改進(jìn)，力求對(duì)目標(biāo)物進(jìn)行準(zhǔn)確的識(shí)別。

1 Yolov3目標(biāo)識(shí)別算法原理

本文選擇深度學(xué)習(xí)算法框架中的Yolo算法進(jìn)行車底關(guān)鍵發(fā)熱目標(biāo)的定位識(shí)別。FasterR-CNN相比于R-CNN及FastR-CNN，擁有更快的檢測(cè)速率，但是從搜索方式來(lái)看，計(jì)算時(shí)間仍然較長(zhǎng)。具體過(guò)程是：首先，獲取特征圖;其次，獲取標(biāo)記框的特征信息;最后，利用分類器分類并結(jié)合回歸器進(jìn)一步優(yōu)化標(biāo)記框的位置。

Yolov3在運(yùn)行過(guò)程中，則是將目標(biāo)分類轉(zhuǎn)換成數(shù)據(jù)訓(xùn)練，在整個(gè)網(wǎng)絡(luò)中的輸出層回歸目標(biāo)位置，輸出類別，極大地改善運(yùn)算效率。具體過(guò)程是：首先，利用分類器和定位器執(zhí)行檢測(cè)流程;其次，結(jié)合模型及圖像位置尺度，計(jì)算評(píng)分;最后，將評(píng)分最優(yōu)的目標(biāo)區(qū)域定義為可視化結(jié)果[4-5]。

整個(gè)網(wǎng)絡(luò)的檢測(cè)準(zhǔn)確率則是與網(wǎng)絡(luò)層數(shù)密切相關(guān)，層數(shù)越多，則表征效果越好。Yolov3采用殘差網(wǎng)絡(luò)結(jié)構(gòu)，能夠在對(duì)大量數(shù)據(jù)執(zhí)行訓(xùn)練的過(guò)程中保證訓(xùn)練結(jié)果向著收斂的方向進(jìn)行。同時(shí)，在深度網(wǎng)絡(luò)環(huán)境中，多通道卷積層彼此之間沒(méi)有形成相互關(guān)聯(lián)，這種隔層鏈接的方式可以大大提高目標(biāo)預(yù)測(cè)的效率 [6]。

2 數(shù)據(jù)集準(zhǔn)備及模型訓(xùn)練

2.1 訓(xùn)練樣本

本文采用的數(shù)據(jù)集是將軌邊紅外熱像儀實(shí)時(shí)保存的列車走行部溫度視頻流進(jìn)行數(shù)據(jù)解析。檢測(cè)項(xiàng)點(diǎn)暫定為車側(cè)軸箱、齒輪箱及聯(lián)軸節(jié)，見(jiàn)圖1至圖2。

考慮到神經(jīng)網(wǎng)絡(luò)模型的泛化能力及后期特征提取的魯棒性，選取了隧道內(nèi)不含目標(biāo)物的其他負(fù)樣本數(shù)據(jù)，為數(shù)據(jù)的訓(xùn)練提供較為豐富及全面的數(shù)據(jù)集。

2.2 數(shù)據(jù)處理

本文涉及到的紅外熱成像軸溫檢測(cè)系統(tǒng)采集到的視頻經(jīng)過(guò)解析后得到紅外熱圖。由于紅外圖像與可見(jiàn)光圖像差異較大，紅外圖像因?yàn)槠涮厥獾奈锢硖匦源嬖谀繕?biāo)物邊界模糊、背景與目標(biāo)對(duì)比度較低，給模型的訓(xùn)練及特征提取增加了難度。因此，需要對(duì)原始圖像數(shù)據(jù)進(jìn)行濾波降噪處理。

常見(jiàn)的濾波方法有均值濾波、中值濾波、高斯濾波及雙邊濾波等。本文選擇雙邊濾波算法，目的是利用算子中對(duì)灰度信息的權(quán)重分配優(yōu)勢(shì)，即在領(lǐng)域內(nèi)，灰度值越接近中心點(diǎn)的權(quán)重越大。

2.3 模型訓(xùn)練

借助圖像標(biāo)注工具完成一定數(shù)量的含目標(biāo)物的樣本數(shù)據(jù)標(biāo)注，包括分類及目標(biāo)框位置。訓(xùn)練數(shù)據(jù)的過(guò)程包括：首先，配置訓(xùn)練網(wǎng)絡(luò)框架參數(shù)（batchsize、subdivisions、channels、學(xué)習(xí)率、步長(zhǎng)等）;其次，修改yolo層的相關(guān)參數(shù)（濾波器數(shù)量、anchors、類別數(shù)量等）;最后，不斷調(diào)整上述配置參數(shù)，優(yōu)化模型。

本文中采用的數(shù)據(jù)集是上萬(wàn)張包含目標(biāo)物的正樣本及不包含目標(biāo)物的負(fù)樣本組成，二者等比例存放。原始輸入圖片的大小為384*288，一批次的輸入數(shù)量為64，初始的學(xué)習(xí)率為0.001。開(kāi)始訓(xùn)練后，數(shù)據(jù)集在模型迭代至5 000次時(shí)，loss值出現(xiàn)明顯下降趨勢(shì)。隨著訓(xùn)練迭代次數(shù)增加，loss值逐漸趨于平緩。當(dāng)訓(xùn)練日志中出現(xiàn)很多的錯(cuò)誤度量指標(biāo)，則需要在avg指標(biāo)不再下降的時(shí)候停止訓(xùn)練，而平均loss值越低說(shuō)明訓(xùn)練效果越好。最終，整個(gè)訓(xùn)練指標(biāo)應(yīng)使得loss值最終分布在0.05至3.0之間。

3 測(cè)溫精度校準(zhǔn)

3.1 紅外熱成像溫度標(biāo)定

本文所述列車車底走行部關(guān)鍵部件溫度檢測(cè)的主要技術(shù)難題之一在于保證其溫度檢測(cè)的準(zhǔn)確性。

首先，需要借助具有標(biāo)準(zhǔn)輻射熱源性質(zhì)的裝置（黑體：輻射率為1的理想熱源）幫助確定運(yùn)動(dòng)過(guò)程中帶來(lái)的真實(shí)測(cè)量溫度與實(shí)際溫度偏差。具體思路是：搭載已知設(shè)定溫度的黑體熱源以不同的速度通過(guò)紅外熱像儀前端，將畫(huà)面中的黑體捕獲并標(biāo)記其溫度數(shù)值，將理論溫度與不同速度下的實(shí)測(cè)溫度做減法，即可得到一組誤差數(shù)據(jù)作為擬合的對(duì)象。下圖3和4分別實(shí)驗(yàn)獲取的黑體動(dòng)態(tài)測(cè)溫結(jié)果及與真實(shí)值的偏差。

3.2 動(dòng)態(tài)測(cè)溫誤差擬合及溫度補(bǔ)償

在3.1節(jié)基礎(chǔ)之上，本文選擇一種普適的數(shù)據(jù)擬合算法用于實(shí)現(xiàn)有限數(shù)據(jù)量的高精度擬合。在實(shí)際應(yīng)用中，根據(jù)一些孤立的測(cè)試數(shù)據(jù)很難直接確定數(shù)值之間的相關(guān)性。

（1）確定誤差擬合函數(shù)。首先，將動(dòng)態(tài)黑體標(biāo)定實(shí)驗(yàn)得到的實(shí)測(cè)黑體溫度數(shù)值與理論設(shè)定溫度數(shù)值做減法并作為模型的輸入量。同時(shí)，按照不同的測(cè)試運(yùn)動(dòng)速度依次存成一維數(shù)組y=[y1 y2 y3 y4…yi]（i=1～n）;

其次，記錄并將不同的實(shí)驗(yàn)運(yùn)動(dòng)速度存入另一個(gè)數(shù)組x=[x1 x2 x3 x4…xi]（i=1～n）;

然后，確定上述輸入數(shù)據(jù)的擬合精度e及初始階次為1階;

調(diào)用ployfit函數(shù)得到擬合數(shù)組p = [p1 p2 p3 p4 … pn]，再次調(diào)用后計(jì)算速度數(shù)組x關(guān)于p相應(yīng)的函數(shù)值y’ = [y’1 y’2 y’3 … y’n]，并計(jì)算y與y’兩個(gè)數(shù)組中對(duì)應(yīng)項(xiàng)誤差絕對(duì)值的總和的平方E，即E =;

最后，完成多次循環(huán)迭代直至E

（2）溫度補(bǔ)償。在（1）中計(jì)算的高階誤差擬合函數(shù)將被用于走行部溫度監(jiān)測(cè)系統(tǒng)中，根據(jù)軌邊傳感器信號(hào)實(shí)現(xiàn)的具體步驟是：1）列車所有車軸依次通過(guò)布置在軌道上并且保持固定間距為L(zhǎng)的兩只車輪傳感器，當(dāng)車輪駛過(guò)1號(hào)傳感器后會(huì)記錄時(shí)刻t1，駛過(guò)2號(hào)傳感器后會(huì)記錄時(shí)刻t2，t2>t1;2）已知兩只傳感器固定間距后會(huì)依次計(jì)算每根車軸通過(guò)速度v = L / （ t2-t1 ）;3）調(diào)用（1）中的誤差擬合函數(shù)，依次將每根車軸的誤差補(bǔ)償值計(jì)算出來(lái)并補(bǔ)償?shù)綄?shí)測(cè)溫度數(shù)值上。

4 總結(jié)與展望

本文首先介紹了深度學(xué)習(xí)區(qū)域定位中的常用算法模型，重點(diǎn)敘述Yolov3網(wǎng)絡(luò)及其優(yōu)勢(shì)。針對(duì)紅外熱圖等復(fù)雜場(chǎng)景，能夠快速捕獲并計(jì)算關(guān)鍵目標(biāo)物位置;其次，開(kāi)展相關(guān)黑體動(dòng)態(tài)溫度檢測(cè)及誤差分析，評(píng)估移動(dòng)目標(biāo)的紅外熱成像測(cè)溫準(zhǔn)確性及精度;最后，選擇多項(xiàng)式函數(shù)逼近的方法對(duì)速度-溫度誤差函數(shù)進(jìn)行擬合，找到相關(guān)性并進(jìn)行真實(shí)目標(biāo)的溫度補(bǔ)償，實(shí)現(xiàn)較好的同車目標(biāo)物測(cè)溫?cái)?shù)據(jù)的一致性。

參考文獻(xiàn)：

[1]李意.智能彈藥紅外目標(biāo)搜索研究[D].西安工業(yè)大學(xué)，2018.

[2]喬立永，徐立新，高敏.紅外圖像復(fù)雜度對(duì)目標(biāo)檢測(cè)性能的影響[J].紅外與激光工程，2013（S1）：253-261.

[3]盧珊.紅外目標(biāo)檢測(cè)識(shí)別技術(shù)研究[D].長(zhǎng)春理工大學(xué)，2008.

[4]朱晨陽(yáng)，馮虎田，歐屹.基于YOLOv3的人臉自動(dòng)跟蹤攝像機(jī)器人系統(tǒng)研究[J].電視技術(shù)，2018（9）：64-69+91.

[5]戴偉聰，金龍旭，李國(guó)寧，等.遙感圖像中飛機(jī)的改進(jìn)YOLOv3實(shí)時(shí)檢測(cè)算法[J].光電工程，2018（12）：84-92.

[6]徐小婷.基于深度學(xué)習(xí)的紅外場(chǎng)景目標(biāo)檢測(cè)技術(shù)研究[D].中北大學(xué)，2019.