地鐵車輛走行部溫度目標可視化監(jiān)測方法

張冠男

摘 要：絕大多數(shù)深度學習應用領域是基于可見光條件，有關紅外熱成像溫度場景中的應用較少。本文考慮使用Yolov3深度學習算法框架對地鐵車輛車底關鍵紅外目標進行動態(tài)識別及溫度監(jiān)測，通過對大量的數(shù)據(jù)進行訓練學習，利用深度卷積神經(jīng)網(wǎng)絡提取到多樣抽象的特征。同時，將獲取到的原始溫度視頻流數(shù)據(jù)進行解析，并對單幀紅外熱圖進行濾波處理，提高圖片中目標物的清晰度，利用多項式擬合進行關鍵目標溫度的誤差補償。通過測試證明，該網(wǎng)絡對于目標定位及識別具有較高精度，并且同一趟列車不同軸位的目標溫度具有較好的一致性。

關鍵詞：深度學習;Yolov3;紅外熱成像;溫度;目標識別

中圖分類號：U279.3 文獻標識碼：A

0 引言

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

深度學習算法可以廣泛用于各種復雜條件下的各類場景。數(shù)據(jù)驅動建模及加速運算平臺的支撐。目前，已被廣泛應用在人臉識別、智能家居等領域中。本文基于深度學習對紅外場景進行目標檢測，并通過搭建卷積神經(jīng)網(wǎng)絡實現(xiàn)對深度學習算法的優(yōu)化及改進，力求對目標物進行準確的識別。

1 Yolov3目標識別算法原理

本文選擇深度學習算法框架中的Yolo算法進行車底關鍵發(fā)熱目標的定位識別。FasterR-CNN相比于R-CNN及FastR-CNN，擁有更快的檢測速率，但是從搜索方式來看，計算時間仍然較長。具體過程是：首先，獲取特征圖;其次，獲取標記框的特征信息;最后，利用分類器分類并結合回歸器進一步優(yōu)化標記框的位置。

Yolov3在運行過程中，則是將目標分類轉換成數(shù)據(jù)訓練，在整個網(wǎng)絡中的輸出層回歸目標位置，輸出類別，極大地改善運算效率。具體過程是：首先，利用分類器和定位器執(zhí)行檢測流程;其次，結合模型及圖像位置尺度，計算評分;最后，將評分最優(yōu)的目標區(qū)域定義為可視化結果[4-5]。

整個網(wǎng)絡的檢測準確率則是與網(wǎng)絡層數(shù)密切相關，層數(shù)越多，則表征效果越好。Yolov3采用殘差網(wǎng)絡結構，能夠在對大量數(shù)據(jù)執(zhí)行訓練的過程中保證訓練結果向著收斂的方向進行。同時，在深度網(wǎng)絡環(huán)境中，多通道卷積層彼此之間沒有形成相互關聯(lián)，這種隔層鏈接的方式可以大大提高目標預測的效率 [6]。

2 數(shù)據(jù)集準備及模型訓練

2.1 訓練樣本

本文采用的數(shù)據(jù)集是將軌邊紅外熱像儀實時保存的列車走行部溫度視頻流進行數(shù)據(jù)解析。檢測項點暫定為車側軸箱、齒輪箱及聯(lián)軸節(jié)，見圖1至圖2。

考慮到神經(jīng)網(wǎng)絡模型的泛化能力及后期特征提取的魯棒性，選取了隧道內不含目標物的其他負樣本數(shù)據(jù)，為數(shù)據(jù)的訓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系統(tǒng)采集到的視頻經(jīng)過解析后得到紅外熱圖。由于紅外圖像與可見光圖像差異較大，紅外圖像因為其特殊的物理特性存在目標物邊界模糊、背景與目標對比度較低，給模型的訓練及特征提取增加了難度。因此，需要對原始圖像數(shù)據(jù)進行濾波降噪處理。

常見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灰度信息的權重分配優(yōu)勢，即在領域內，灰度值越接近中心點的權重越大。

2.3 模型訓練

借助圖像標注工具完成一定數(shù)量的含目標物的樣本數(shù)據(jù)標注，包括分類及目標框位置。訓練數(shù)據(jù)的過程包括：首先，配置訓練網(wǎng)絡框架參數(shù)（batchsize、subdivisions、channels、學習率、步長等）;其次，修改yolo層的相關參數(shù)（濾波器數(shù)量、anchors、類別數(shù)量等）;最后，不斷調整上述配置參數(shù)，優(yōu)化模型。

本文中采用的數(shù)據(jù)集是上萬張包含目標物的正樣本及不包含目標物的負樣本組成，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，初始的學習率為0.001。開始訓練后，數(shù)據(jù)集在模型迭代至5 000次時，loss值出現(xiàn)明顯下降趨勢。隨著訓練迭代次數(shù)增加，loss值逐漸趨于平緩。當訓練日志中出現(xiàn)很多的錯誤度量指標，則需要在avg指標不再下降的時候停止訓練，而平均loss值越低說明訓練效果越好。最終，整個訓練指標應使得loss值最終分布在0.05至3.0之間。

3 測溫精度校準

3.1 紅外熱成像溫度標定

本文所述列車車底走行部關鍵部件溫度檢測的主要技術難題之一在于保證其溫度檢測的準確性。

首先，需要借助具有標準輻射熱源性質的裝置（黑體：輻射率為1的理想熱源）幫助確定運動過程中帶來的真實測量溫度與實際溫度偏差。具體思路是：搭載已知設定溫度的黑體熱源以不同的速度通過紅外熱像儀前端，將畫面中的黑體捕獲并標記其溫度數(shù)值，將理論溫度與不同速度下的實測溫度做減法，即可得到一組誤差數(shù)據(jù)作為擬合的對象。下圖3和4分別實驗獲取的黑體動態(tài)測溫結果及與真實值的偏差。

3.2 動態(tài)測溫誤差擬合及溫度補償

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

（1）確定誤差擬合函數(shù)。首先，將動態(tài)黑體標定實驗得到的實測黑體溫度數(shù)值與理論設定溫度數(shù)值做減法并作為模型的輸入量。同時，按照不同的測試運動速度依次存成一維數(shù)組y=[y1 y2 y3 y4…yi]（i=1～n）;

其次，記錄并將不同的實驗運動速度存入另一個數(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;

調用ployfit函數(shù)得到擬合數(shù)組p = [p1 p2 p3 p4 … pn]，再次調用后計算速度數(shù)組x關于p相應的函數(shù)值y’ = [y’1 y’2 y’3 … y’n]，并計算y與y’兩個數(shù)組中對應項誤差絕對值的總和的平方E，即E =;

最后，完成多次循環(huán)迭代直至E

（2）溫度補償。在（1）中計算的高階誤差擬合函數(shù)將被用于走行部溫度監(jiān)測系統(tǒng)中，根據(jù)軌邊傳感器信號實現(xiàn)的具體步驟是：1）列車所有車軸依次通過布置在軌道上并且保持固定間距為L的兩只車輪傳感器，當車輪駛過1號傳感器后會記錄時刻t1，駛過2號傳感器后會記錄時刻t2，t2>t1;2）已知兩只傳感器固定間距后會依次計算每根車軸通過速度v = L / （ t2-t1 ）;3）調用（1）中的誤差擬合函數(shù)，依次將每根車軸的誤差補償值計算出來并補償?shù)綄崪y溫度數(shù)值上。

4 總結與展望

本文首先介紹了深度學習區(qū)域定位中的常用算法模型，重點敘述Yolov3網(wǎng)絡及其優(yōu)勢。針對紅外熱圖等復雜場景，能夠快速捕獲并計算關鍵目標物位置;其次，開展相關黑體動態(tài)溫度檢測及誤差分析，評估移動目標的紅外熱成像測溫準確性及精度;最后，選擇多項式函數(shù)逼近的方法對速度-溫度誤差函數(shù)進行擬合，找到相關性并進行真實目標的溫度補償，實現(xiàn)較好的同車目標物測溫數(shù)據(jù)的一致性。

參考文獻：

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

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

[3]盧珊.紅外目標檢測識別技術研究[D].長春理工大學，2008.

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

[5]戴偉聰，金龍旭，李國寧，等.遙感圖像中飛機的改進YOLOv3實時檢測算法[J].光電工程，2018（12）：84-92.

[6]徐小婷.基于深度學習的紅外場景目標檢測技術研究[D].中北大學，2019.