下载文档原格式
Science and Technology &Innovation ┃科技与创新2023年第17期·45·文章编号：2095-6835（2023）17-0045-03基于TFDS 智能检测技术的铁路货车技术交接平台研究＊周永华1，高善兵2，李玉东1，费向超3（1.中国铁路济南局集团有限公司济南西车辆段，山东济南250117；2.中国铁路济南局集团有限公司，山东济南250001；3.中国铁路济南局集团有限公司日照车辆段，山东日照276800）摘要：目前，对于厂矿企业专用线铁路货车的技术交接普遍采用室外人工检查方式，受人员素质、作业环境等因素影响易出现漏检问题，给铁路货车运行安全埋下隐患。
基于“科技保安全”工作理念，研究采用TFDS （Trouble of movingFreight car Detection System ，货车故障轨旁图像检测系统）[1]智能识别技术对专用线铁路交出货车进行技术交接检查作业，在TFDS 采集线阵图像基础上，综合利用深度学习和AI 图像处理技术，实时分析采集图像信息，利用智能识别技术交接车辆存在的故障并进行预警，把控专用线发出列车质量，保障铁路运输安全畅通。
关键词：TFDS ；技术交接；智能识别；智能检测中图分类号：U279.323文献标志码：ADOI ：10.15913/ki.kjycx.2023.17.012目前，全路各技术交接作业场普遍采用室外人工检查作业方式，对车辆按照规定的检查范围和质量标准逐辆进行人工目视检查，确认车辆各部件技术状态是否符合运用要求。
由于受人员素质、技术水平、劳动强度、信息化程度等因素影响，车辆漏检、漏修问题时有出现；另外受夜间作业、恶劣天气等因素影响，加之无信息化手段进行预警，经技术交接作业后车辆质量难以保证；同时出现问题后，无车辆部件图像等有效手段进行问题追溯和责任界定。
借鉴列检作业场利用TFDS 设备进行人机分工作业的方式，以及利用智能识别技术进行TFDS 通过作业，在专用线与接轨站间安装TFDS 设备，同时利用智能识别技术进行技术交接作业，以此提高专用线技术交接作业质量，优化技术交接作业场人员，把住干线入口关。
货车运行故障动态图像检测系统交通运输学院武中婧08121292摘要：本文介绍TFDS系统原理组成、功能及信息资源管理，概述系统给列检工作带来的转变和系统运用取得的成果。
文章还结合目前系统存在的问题得出系统运用的要求，并对完善系统能力、保障行车安全提出相应建议。
，关键词：图像、检测、系统、运用分析、TFDS系统、问题分析为了对运行中的列车进行实时检测，提高列检所故障发现率，实现机控代替人控的目的，将机器视觉技术运用到对影响列车行车安全关键部件动态检测上，成功应用了货车运行故障动态检测系统——TFDS 系统。
货车运行故障动态图像检测系统（TFDS）是货车安全防范系统的重要组成部分，它是通过对运行货物车辆进行高速摄像，并经计算机处理再由室内检车员判断，防止车辆运行故障的预警系统，现已在很多列检作业场进行了安装，其对提高运输效率、确保列车运行安全具有重要的意义。
1、TFDS的工作原理该系统是采用高速摄像技术，通过对运行中的列车各部位进行快速抓拍，将抓拍的图像压缩到计算机的内存中，再结合机器视觉中模式识别技术，将列车中影响行车安全关键部位的图像从大量的图片中挑选出来。
由于图形处理中数值计算的工作量很大，对单幅640 *480 的黑白图像边缘处理和二次化处理，一般耗时在100 ms，而一列货车完全通过探测点按2 min计算，4 部摄像机同时工作处理完全部图像需要3 h左右。
从现场作业要求来看这是不能接受的，为此借鉴了红外线计轴、计辆和测速技术，通过磁钢阵列测算出每幅图像在一节车的大概位置，删除与关键部位相差远的图像，大大压缩了需要处理的图像，对剩余的图像也采用了三级处理的办法，条件逐级加严，大大减少了处理时间，一列车一般能做到在3min 内处理完图像。
图1和图2分别为处理前后图像。
图1 处理前图像图2 处理后图像2、TFDS系统组成及主要功能2.1 TFDS系统组成系统主要有数据采集站、数据处理中转站和检测分析中心三大部分组成，其硬件又分为七个部分：测速装置、图像采集装置、光源补偿装置、前置处理器、端口处理器、网络服务器和窗口计算机。
基于图像处理技术的货物识别系统设计与实现摘要：随着物流行业的飞速发展，货物识别系统变得越来越重要。
本文旨在设计与实现一种基于图像处理技术的货物识别系统，该系统能够自动识别货物并提供准确的分类和识别结果。
通过采用深度学习算法，我们将介绍用于目标检测和识别的卷积神经网络（CNN），并通过数据预处理、模型训练和结果评估等步骤来实现货物识别系统。
1. 引言随着全球贸易的增加，物流行业得到了巨大的发展。
货物的高效识别和分类对物流系统的运行和管理至关重要。
而基于图像处理技术的货物识别系统能够准确、快速地识别和分类不同的货物，从而提高物流系统的效率和准确性。
2. 目标检测与识别算法2.1 卷积神经网络（CNN）卷积神经网络（CNN）是一种常用于图像处理和计算机视觉任务的深度学习算法。
它通过多层卷积和池化层来提取图像特征，并通过全连接层进行分类和识别。
在货物识别系统中，我们可以使用CNN作为目标检测和识别的算法。
2.2 数据准备与预处理在设计和实现货物识别系统之前，我们需要准备和处理一个有代表性的数据集。
首先，我们需要收集一系列包含不同种类和形状的货物的图像，并手动标注每个图像的类别。
然后，我们对图像进行预处理，如图像增强和大小调整，以提高模型的训练效果。
3. 模型训练与优化对于基于图像处理技术的货物识别系统，模型的训练和优化是非常重要的。
在训练过程中，我们会将数据集分为训练集和验证集，并利用训练集来训练模型的参数。
通过不断优化和调整模型的结构和参数，我们可以提高模型的准确性和泛化能力。
4. 结果评估与性能测试在设计和实现货物识别系统之后，我们需要对系统的性能进行评估和测试。
通过使用独立的测试集，我们可以计算模型在不同类别货物上的准确率、召回率和F1分数等评估指标，并对系统的整体性能进行评估。
5. 系统实现和应用基于图像处理技术的货物识别系统可以应用于物流行业中的自动化仓储和物流管理系统中。
该系统能够自动地识别和分类不同的货物，大大提高了物流系统的效率和准确性。
货车运行故障动态图像检测系统（TFDS-1）使用说明书武汉华目信息技术有限责任公司目录一、系统简介 (1)二、系统组成 (2)三、系统原理 (10)四、系统主要特点及技术参数 (11)五、系统安装 (14)六、系统维护与保养 (19)七、常见故障分析与处理 (29)八、系统产品易损件 (31)九、技术服务与支持 (31)一、系统简介(一) TFDS-1系统的定义货车运行故障动态图像检测系统（TFDS系统）的定义是：应用计算机、网络通讯、自动控制、软件识别和图像采集处理技术并引进科学的管理方法和系统化的开发方法，为铁路货车运行故障检测提供故障图片信息动态收集、存储、传输及预警服务，提高列检作业质量和效率以及车辆安全防范的水平，加强货车运行中故障基础信息收集、管理的人机系统。
(二)TFDS-1系统的检测范围TFDS系统应提供清晰可辨的图像，供室内检车员对直通货物列车车辆的可检测部位进行外观检查，重点检测配件下部及外侧。
检测范围和质量标准如下：1.滚动轴承外圈前端、前盖、承载鞍前端无裂损，轴端螺栓无丢失，滑动轴承轴箱及配件齐全。
2.侧架及一体式构架侧梁外侧、摇枕底部无裂损，侧架立柱磨耗板无窜出、丢失，交叉支撑装置盖板下平面无变形、破损，交叉杆无裂损、弯曲、变形，交叉杆支撑座无破损，轴箱及摇枕弹簧无窜出、丢失，外簧无折断，转K4型转向架弹簧托板底部无破损、斜楔主摩擦板无丢失。
3.钩尾框底部无裂损，钩尾框托板无裂损、螺栓螺母无丢失，从板、从板座、缓冲器底部无破损，钩尾扁销螺栓、螺母、开口销无丢失。
4.闸瓦托吊、制动梁支柱、槽钢及弓形杆无弯曲、变形、裂损，制动梁吊的圆销、开口销、U形插销（螺栓）无丢失，闸瓦、闸瓦插销无折断、丢失，下拉杆无变形、折断、丢失，安全吊无折断、脱落、丢失，制动梁支柱、下拉杆、固定杠杆支点、移动杠杆、上拉杆的圆销、开口销无折断、丢失。
5.制动缸、副风缸无松脱，闸调器无破损，各拉杆无折断。
《基于OpenCV的人脸识别系统设计》篇一一、引言随着科技的快速发展，人脸识别技术已经成为现代计算机视觉领域的一个重要研究方向。
人脸识别系统能够自动识别和验证人的身份，广泛应用于安全监控、门禁系统、支付验证等众多领域。
本文将详细介绍基于OpenCV的人脸识别系统的设计。
二、系统需求分析1. 功能需求：人脸检测、人脸特征提取、人脸识别比对等。
2. 性能需求：高识别率、实时响应、系统稳定。
3. 环境需求：操作系统兼容性强，设备要求合理。
三、系统设计概述基于OpenCV的人脸识别系统主要包括预处理、特征提取和匹配三个部分。
通过图像处理和机器学习技术，实现人脸检测和识别的功能。
四、系统架构设计1. 数据预处理模块：主要完成图像的输入、格式转换、尺寸调整等操作，以满足后续处理的需球。
同时对图像进行去噪和锐化处理，提高识别的准确性。
2. 人脸检测模块：利用OpenCV中的人脸检测算法（如Haar 级联分类器或深度学习模型）进行人脸检测，确定图像中的人脸位置。
3. 特征提取模块：通过OpenCV的深度学习模型（如OpenCV DNN模块中的卷积神经网络）提取人脸特征，如面部关键点信息等。
4. 人脸比对模块：将提取的特征与数据库中已有人脸特征进行比对，找出相似度最高的匹配结果。
根据设定的阈值，判断是否为同一人。
五、关键技术实现1. 人脸检测算法：采用OpenCV中的人脸检测算法，如Haar 级联分类器或深度学习模型，实现对图像中人脸的快速定位。
2. 特征提取算法：利用OpenCV的深度学习模型（如OpenCV DNN模块中的卷积神经网络）进行特征提取，包括面部关键点信息等。
3. 人脸比对算法：采用相似度算法（如欧氏距离、余弦相似度等）进行人脸比对，找出相似度最高的匹配结果。
六、系统实现与测试1. 系统实现：根据设计架构，逐步实现各模块功能。
采用C++编程语言，利用OpenCV库进行开发。
2. 系统测试：对系统进行严格的测试，包括功能性测试、性能测试和稳定性测试等。
货车运行故障动态图像检测系统（TFDS）简介及存在问题郑州北车辆段远鹏摘要：伴随着铁路运输的不断发展、第六次提速，新的运输生产秩序要求列检所保证区段不断延长，传统列检作业方式越来越难适应新形势发展的需要。
作为“5T”系统之一，货车运行故障动态检测系统（Trouble of moving freight car detection system ,简称TFDS）即为目前在列检所采用的先进的检测装备。
本文简单介绍了TFDS系统的设备情况，并提出了使用中存在的一些问题，以供探讨。
关键词：车辆 TFDS 简介问题1设备简介1.1系统原理TFDS系统采用了当今的一些新技术：高速摄像、大容量图像数据实时处理、模式识别、计算机及网络等技术。
系统通过布置于钢轨之间的高速相机阵列，拍摄通过列车车辆的转向架、基础制动装置、车钩缓冲装置等车辆关键部位的图像，经计算机处理后传输到室内分析室。
室内检车员对抓拍到的图像进行分析、判别有关故障，从而达到动态检测车辆主要技术状态的目的。
1.2系统功能TFDS系统具备图像化监控运行列车关键部位的能力，具备以下功能：（1）自动拍摄和筛选出车辆转向架、基础制动装置、车钩缓冲、交叉杆底部等部位的图像，实现对车底和侧下部的检测。
（2）通过人机结合的方式对车辆图像信息和过车信息进行分析，判别故障。
（3）室内分析室按一车一档的方式建立并显示图像。
（4）自动对通过列车进行计轴、计辆和测速。
（5）自动识别列车车次、车号信息，判别货车车种车型。
（6）自动生成列检所常用统计报表。
（7）能够实现分散检测、全程追踪、全线联网、信息共享的要求。
1.3系统组成TFDS系统主要由检测信息采集设备、信息处理传输设备、列检所检测中心和其他复示终端构成。
检测信息采集设备即轨边探测设备，主要有高速摄像装置、光源补偿装置、车轮传感器、AEI地面天线等组成，主要完成过车检测、光源补偿、图像采集任务。
信息处理传输设备即探测站机房内设备，主要有图像信息采集设备、车辆信息采集设备、交换机、光纤收发器等组成，主要负责对过车信息处理并控制室外设备的正常工作，将采集到的图片进行处理，并将处理后的图像数据传输到列检所检测中心。
![本科毕业论文图像识别系统的设计[管理资料]](https://uimg.taocdn.com/dc5c1c7dcc22bcd127ff0cad.webp)
摘要随着计算机软硬件技术的高速发展，计算机数字图像处理技术在各个领域得到了广泛的应用，如计算机图像识别、图像检索、图像工业化应用等。
尤其是计算机识别技术，通过数字图像处理中的模式识别技术，可以将人眼无法识别的图像进行分类处理，可以快速准确的检索、匹配和识别出各种东西。
虽然某些处理也可以用光学方法或模拟技术实现，但它们远不及数字图像处理那样灵活和方便，因而数字图像处理成为图像处理的主要方面。
图形辨别是图像识别技术的一个重要分支，图形辨别指通过对图形的图像采用特定算法，从而辨别该图形，例如，辨别三角形、矩形、圆形、六边形等。
本系统使用摄像头对图像进行采集图像，~，对采集图像进行图像分割，得到二值化图像，然后通过轮廓跟踪获得图形轮廓信息，最后使用基于轮廓跟踪的图像辨别算法在空域上辨别三角形、矩形、圆形，并在特定的区域上显示相应信息。
关键词：图形辨别角度判别轮廓跟踪ABSTRACTWith the rapid development of computer hardware and software technology, computer digital image processing technology have been widely applied in many fields,Such as image recognition,image retrieval,and image industrial computers recognition technology, by the pattern of recognition techniques,it can recognize the image classification what human eye can not recognize, it can be fast and accurate search, match and identify all sorts of some treatment methods can also use optical or analog technology, but they are nowhere near as flexible digital image processing and convenience, digital image processing, and thus digital image processing become the main aspects of image processing.Graphic distinguish is an important branch of image recognition,graphic distinguish means graphic images by using a specific algorithm,to identify the graphics,for example, identify the triangle, rectangle, round, hexagon and so on. The system uses the image capture camera images from the cameras capture images, and the camerra to the in the image in range of the ~ is Process the collected image, get the binary image, and then contour tracking access to graphics, the outlines of the final image-based contour tracking algorithm to identify the airspace on the identification triangle, rectangle, circle, and in particular to display the corresponding region information.Key words:graphic distinguish angle judgement contour tracking第一章绪论1.1研究内容图形辨别是图像识别技术中一个重要分支，图形辨别指通过对图形的图像采用特定算法，从而辨别该图形，例如，辨别三角形、矩形、圆形、六边形等。
TPDS、TADS探测客车技术研究及技术改进建议邓俊波（中国铁路武汉局集团有限公司车辆部，湖北武汉430071）摘要：为实现车辆运行安全监控系统（5T系统）货车安全检测子系统TPDS、TADS对客车的兼顾探测和故障报警，以TPDS、TADS设备探测区域、客货车运行速度和转向架轮对结构尺寸等差异为研究对象，分析TPDS、TADS对客车探测的适应性，同时对TPDS、TADS探测客车电磁干扰等外界因素进行关联分析，提出完善TPDS、TADS探测客车的技术改进建议。
关键词：安全监控；5T系统；客车；TPDS；TADS中图分类号：U279文献标识码：A文章编号：1672-061X（2020）02-0091-04 DOI：10.19550/j.issn.1672-061x.2020.02.0910引言车辆运行安全监控系统（5T系统）由车辆轴温智能探测系统（THDS）、车辆运行品质轨边动态监测系统（TPDS）、车辆滚动轴承故障轨边声学诊断系统（TADS）、货车故障动态图像检测系统（TFDS）、客车运行状态安全监测系统（TCDS）等子系统组成。
近年来，在货车TFDS、TADS成熟运用的基础上，开始研制并推广铁路客车故障轨旁图像检测系统（TVDS）、动车组运行故障动态图像检测系统（TEDS）、动车组滚动轴承故障轨边声学诊断系统（TADS-1），进一步完善了车辆运行安全监控手段［1-2］。
5T系统中THDS、TPDS、TADS、TFDS等货车安全检测子系统针对货车走行部进行检测，在既有普速铁路上部署较为密集，是及时发现货车走行部故障的主要手段。
TEDS、TADS-1等动车组安全检测子系统的应用，以及在进入动车段和动车运用所咽喉处部署的车辆故障在线监测系统等，也实现了对动车组走行部故障的有效监测［3-4］。
相对而言，普速客车（简称客车）运行安全监控手段相对薄弱，TCDS是通过客车车载无线设备向地面监控设施实时传送客车运行数据的安全监测设备，其检测重点是客车供电、车下电源、轴温报警器、制动系统等，对于客车走行部的检测手段不足；TVDS在一定程度上弥补了客车走行部的安全检测手段，实现了对客车走行部关键部位的图像检测，但对客车车轮踏作者简介：邓俊波（1974—），男，高级工程师。
铁路货车运行故障动态图像检测系统（TFDS）运用管理的探索第一篇：铁路货车运行故障动态图像检测系统(TFDS)运用管理的探索摘要：针对铁路货车运行故障动态图像检测系统（tfds）检测范围及作业标准、作业流程，结合南宁铁路局柳州南站枢纽运用的实际情况，对现有tfds系统运用管理主要问题进行分析，并提出了相应解决方案。
关键词：货车运行故障？tfds系统？运用管理铁路货车运行故障动态图像检测系统（简称tfds）的主要原理是运用计算机、网络通讯、自动控制和图像采集处理技术，将安装在铁路上的摄像装置摄取运行货车底部、侧部的图像，传输至数据服务器经处理后，由负责列车车辆检查的运用部门进行调阅检查，通过室内人员检查及时发现货车主要零部件故障情况，以便及时处理消除故障，确保行车安全。
tfds的应用改变了车辆运用技术检查传统作业方式，实现了由“人检人修”方式向“机检人修”方式过渡，对改善列检人员作业条件、提高作业效率和安全可靠性具有重要意义。
本文针对在南宁铁路局最大的货车编组站-柳州南站枢纽tfds运用的相关问题进行分析，并提出相应的解决措施。
tfds系统运用情况概述目前柳州南站枢纽一共设置有4套京天威公司生产的tfds系统，分别安装在柳南湘桂线上、下行、焦柳下行和柳南双向到达咽喉处，由柳南二场运用车间负责集中检测和预报，实行分段包车作业模式，采取四班制、每班设置4个5人作业组，月均接车约3900列、20.7万辆，人均每月接车达4000辆，每百辆故障发现率为11.5件。
自2010年投入使用以来，大量减轻了列检人员的工作强度，提高了发现和处理故障能力。
tfds系统作业数据量大对设备质量、人员素质及现场运用等环节提出了更高的要求。
tfds系统运用问题分析2.1影响探测数据问题分析通过对柳州南站枢纽tfds系统2015年探测情况（见表1）的统计分析，发现有5.66%的过车数据未能正常进行检测。
由于该系统设备自投入使用5年来，在设备维护部门不断加强维修人员技术业务水平和设备质量，不断提高设备的使用率和稳定性的情况下，突显数据未能正常探测的主要因素是窜图和灰图。
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。
