【摘 要】为了保证车辆正常运行，日常检修是十分必要的，本文就动车组关键部件图像特征比对的异常检测视觉识别算法进行了探讨。
　　【关键词】动车组;图像特征;检测
　　基于图像特征比对的图像异常检测是用于车辆部件异常视觉检测的算法框架。广泛部署在TEDS（动车组运行故障动态检测系统）、TVDS（客车车辆运行故障动态检测系统）、C4（接触网悬挂部件状态检测系统）、C3（受电弓状态异常检测系统）等设备中，为铁路车辆安全运行提供了技术保障，在铁路运营维护智能化的道路上发挥了重要作用。
　　一、图像异常检测算法的特点
　　针对车辆异常检测的上述难点，以检修安全导向为原则，设计并开发了基于图像特征比对的图像异常检测算法，具有如下特点：
　　（1）检测算法与图像内容无关，适用于车体所有部位的成像检测。算法通过对比车辆前后两次通过设备时的采集图像，对差异区域进行重点提示，辅助检车员完成图像核查;
　　（2）全面覆盖各种异常形态。由于检测算法与成像内容无关，算法对部件形态成像形态的差异有较强的甄别能力，可以实现对未知故障形态的预判，给予对检车员有效的提示和引导;
　　（3）算法对各种采集参数和成像质量有较强的适用性，对重点部位的重点故障形态，可通过区域参数个性化和模块识别，达到检测效果的优化和改进;同时可通过深度神经网络特征提取，对判别逻辑进行建模，达到效果的进一步升级。
　　二、算法主要流程
　　深度学习特征度量技术为主体的综合识别方案，应用于车辆异常安全监测系统中。算法主要流程如下：
　　1.车辆线阵成像图像配准
　　由于历史圖和当前图采集工况存在差异，同一部位的采集图像并不能完全吻合，需要在图像比对前进行图像校准。图像配准技术通过计算特征点及其描述子，可以对两幅图像相同位置的特征点进行有效匹配，进而综合配准点信息，进行几何校正，达到配准图像的目的。
　　2.线阵图像和三维数据特征比对技术
　　针对历史图和当前图，我们通过图像配准和变化检测，提取出两图差异变化点。无论变化出于何种原因，出于安全导向的考虑，都应当加以确认和追查。由于检测变化的技术与部件无关，对所有的部件结构同样适用，保证了最大程度的异常覆盖。配合以精确定位技术和业务分级处理，变化检测可以为人工复核提供强有力的辅助。
　　3.基于深度学习的特征相似度量
　　由于收到外界干扰和成像质量问题，图像比对不可避免的会产生一些误报警。由于其产生原因具有不可预测性，难以捕捉到误报的总体归纳特征，但深度学习具有很强的表征能力，他通过训练学习可以较好得对特征相似给出度量。因而可以有效地抑制错误报警。
　　参考文献：
　　[1]宋文伟. 基于卷积神经网络的高速动车组车体图像异常识别的研究[D].西南交通大学，2019.
　　（作者单位：中车青岛四方机车车辆股份有限公司）