摘要：地铁列车走行部是列车安全运行的关键，其关键部件的温度状态直接关系到列车的运行安全。传统的温度检测方法存在效率低下、精度欠缺以及难以实现全面实时监测等显著挑战。近年来，随着深度学习技术的快速发展，为走行部关键部件温度检测提供了新的解决方案。本文系统综述了基于深度学习的地铁列车走行部关键部件温度检测系统的研究现状，详细阐述了系统构成、核心技术、实验验证、现存挑战及未来发展方向等核心内容。重点介绍了红外热成像技术、YOLO系列目标检测模型、注意力机制、损失函数优化、图像处理技术等在系统中的应用。实验结果表明，该系统能够精确识别并定位走行部的关键部件，同时高效提取温度信息，展现出卓越的检测精度与效率。最后，对该领域未来的研究方向进行了展望。

关键词： 地铁列车；走行部；红外热成像；深度学习；目标检测；温度提取

1. 引言

随着我国城市化进程的加速，地铁作为一种高效、便捷、环保的公共交通工具，在城市交通体系中发挥着越来越重要的作用。地铁列车的安全运行是保障城市交通顺畅和人民生命财产安全的重要前提。走行部是地铁列车的核心，其运行状态直接关系到列车的安全与稳定。走行部的关键组件，包括轴箱、齿轮箱、牵引电机及联轴节等，在运作时会释放热量，一旦部件发生故障，其发热情况将更为显著。因此，对走行部关键部件的温度进行实时、准确地检测，及时发现并处理潜在故障，是预防列车安全事故的重要手段[1]。

传统的走行部关键部件温度检测方法主要包括人工巡检、手持式测温仪检测、接触式温度传感器监测等。人工巡检不仅效率低、劳动强度大，且易受人为因素影响；手持式测温仪虽便捷，但依赖人工且无法准确反映列车运行时的温度状态。尽管接触式温度传感器能实现实时监测，但它要求在列车上部署大量传感器，这不仅成本巨大，还可能对列车的安全运行构成潜在威胁。

近年来，随着深度学习、计算机视觉、红外热成像等技术的快速发展，为走行部关键部件温度检测提供了新的技术手段。基于深度学习的温度检测系统，通过红外热像仪采集热成像图，利用Yolov3模型识别、定位关键部件并提取温度，实现了非接触式、自动化、智能化的检测，显著提升了检测效率和精度。

2. 系统组成与工作流程

基于深度学习的地铁列车走行部关键部件温度检测系统通常由现场采集模块、系统控制模块和客户端访问模块三部分组成[2]。

现场采集模块负责采集列车走行部的红外热成像图及可见光图像，同时同步记录列车车号、轴速度、环境温度等核心数据。该模块通常包括红外热像仪、可见光相机、车号识别设备（RFID阅读器）、车轮轴位传感器、环境温度传感器、补偿光源等。

系统控制模块负责调控现场采集模块的数据采集过程，包括启动与停止，并对所采集的数据进行高效地处理、分析及安全存储。该模块通常包括工控机、服务器、交换机、UPS电源等。

客户端访问模块负责从服务器调取系统处理结果，并通过Web界面直观展示给用户。该模块通常采用B/S架构，用户可以通过浏览器访问系统界面，查看实时数据、历史数据、故障报警信息等。

系统的工作流程一般如下：

列车进入检测区域，车轮轴位传感器触发，系统控制模块控制现场采集模块开始采集数据。红外热像仪和可见光相机分别采集走行部热成像图和可见光图像。车号识别设备读取列车车号，环境温度传感器采集环境温度，车轮轴位传感器记录轴速度。系统控制模块接收采集到的数据，利用深度学习模型对可见光图像进行目标识别，定位出关键部件。根据可见光图像中的部件位置信息，通过图像配准技术，精确地将部件在可见光图像中的位置信息映射至红外热图像，从而精准地获取各部件的温度信息，尤其是最高温度值。计算部件温升，并根据预设的故障诊断策略判断部件是否存在故障。将处理后的数据（包括图像、温度、车号、轴速度、故障信息等）存储至数据库，并通过Web界面展示。将故障数据、过车统计数据、设备状态等信息上报至地铁智能运维平台。

3. 关键技术

基于深度学习的地铁列车走行部关键部件温度智能检测系统，其高效、准确和智能化的运行依赖于一系列关键技术的协同作用。这些技术覆盖了数据获取、信号处理、特征提取直至决策推理的全过程，共同铸就了系统的核心竞争力[3]。

3.1 红外热成像技术：非接触式温度感知的基石

红外热成像技术作为温度检测系统的感知基石，犹如系统的“慧眼”，负责捕捉走行部关键部件的热辐射信息。与传统的接触式测温方法不同，红外热成像技术基于物体热辐射的普朗克定律，通过非接触的方式测量物体表面的温度分布。任何温度高于绝对零度（-273.15℃）的物体都会向外辐射红外线，红外线的强度和波长分布与物体的温度密切相关。红外热像仪依据特定原理运作，借助精密的红外探测器捕获物体释放的红外辐射，进而转换成电信号。经过一系列精细的信号处理与校正流程，最终能够生成直观展现物体表面温度分布的热图像。

在地铁列车走行部温度检测系统中，选择红外热像仪至关重要，必须综合考虑其关键性能参数，如分辨率、测温范围与精度、帧频等，以确保获取高质量的热图像数据。首先，分辨率，作为衡量红外热成像仪空间分辨能力的关键指标，决定了热图像的细节清晰度。它反映了红外热成像仪能够区分的最小温差，以及图像信息的准确性。高分辨率的热成像仪能够捕捉更小的温差变化，提供更清晰的图像细节。对于走行部关键部件的精细温度检测，通常需要选择较高分辨率的热像仪，如640x480像素或更高，以便能够清晰地分辨出部件的细微结构和温度差异。再者，帧率作为衡量热像仪每秒图像采集频率的标准，对于疾驰的地铁列车而言，选用高帧率热像仪（例如30Hz、60Hz乃至更高）至关重要，这能有效避免列车高速移动导致的图像模糊现象，确保精准捕捉温度数据。此外，测温范围与精度是衡量热像仪测量性能的关键指标。测温范围需要覆盖走行部关键部件可能出现的温度范围，通常需要考虑环境温度、列车运行工况以及部件故障时的极端温度；测温精度则决定了测量结果的可靠性，需要根据实际应用需求选择合适的精度等级。

视场角（FOV）决定了热像仪能够拍摄的场景范围，需要根据现场安装条件和待测部件的尺寸进行选择。若视场角过小，可能无法全面覆盖走行部，导致信息遗漏；反之，视场角过大则会混入过多背景信息，影响信噪比。因此，因此，需根据实际情况精心选择视场角，以确保走行部的热图像既全面又清晰。最后，热灵敏度（NETD）是衡量热像仪对温度变化敏感程度的指标，它表示热像仪能够分辨的最小温度差异。NETD值越小，意味着热像仪的温度分辨能力越强，能够捕捉到更细微的温度波动，这对于早期故障的发现具有关键作用。除了上述关键参数外，红外热像仪的稳定性、可靠性、环境适应性等也是需要考虑的重要因素。

3.2 深度学习目标检测算法：智能识别与定位的引擎

深度学习目标检测算法是温度智能检测系统的“大脑”，负责从复杂的图像数据中自动识别和定位走部关键部件。与传统的目标检测算法相比，深度学习目标检测算法具有更强的特征学习能力和更高的检测精度，能够有效地处理复杂场景下的目标检测任务。在众多深度学习目标检测算法中，YOLO（You Only Look Once）系列算法以其速度快、精度高、易于部署等优点，在工业检测领域得到了广泛应用。YOLO算法将目标检测问题转化为一个回归问题，直接预测目标的类别和位置，避免了传统目标检测算法中复杂的候选区域生成过程。YOLOv7在YOLOv3的基础上，通过引入如CSPDarknet53的改进主干网络、PANet等颈部模块、以及Mish激活函数等技术，实现了在速度和精度上的显著提升。例如，YOLOv7在相同体量下比YOLOv5精度更高，速度快120%（FPS），并且在GPU V100上进行测试时，精度为56.8% AP的模型可达到30 FPS（batch=1）以上的检测速率。

为了提高模型对走行部关键部件的识别精度和鲁棒性，研究人员通常会对YOLO模型进行针对性地改进。注意力机制的引入是常见的改进策略之一。注意力机制能够使模型更加关注目标区域，抑制背景干扰，提高对关键部件的识别能力。常用的注意力机制模块包括CBAM（Convolutional Block Attention Module）、SE（Squeeze-and-Excitation）模块、ECA（Efficient Channel Attention）模块等。这些注意力机制模块通过为特征图的不同通道或空间位置分配不同的权重，促使模型更加聚焦于关键的特征信息。损失函数的优化是另一个重要的改进方向。损失函数是衡量模型预测结果与真实值差距的关键指标，它指引着模型的训练方向。常用的损失函数包括IoU（Intersection over Union）、GIoU（Generalized IoU）、DIoU（Distance IoU）和CIoU（Complete IoU）等。CIoU损失函数综合考虑了预测框与真实框的重叠面积、中心点距离和长宽比，能够更准确地反映两者之间的重叠程度，从而提高模型对目标位置和尺度的预测精度。

数据增强技术是提升模型性能的常用且有效手段。数据增强通过对训练图像进行随机变换（如旋转、缩放、裁剪、颜色抖动、添加噪声等）来扩充训练数据集，增加数据的多样性，从而提高模型的泛化能力和鲁棒性。常用的数据增强方法包括Mosaic、CutMix、MixUp等。这些方法通过拼接、裁剪或混合多张图像，创造出新的训练样本，从而使模型能够学习到更多样化的特征，增强了对不同场景和光照条件的适应能力。

3.3 图像处理技术：数据质量的保障

图像处理技术在温度智能检测系统中扮演着“数据清洁工”的角色，负责对采集到的图像进行预处理和后处理，提高图像质量，为后续的部件识别和温度提取提供更可靠的数据。现场环境的复杂性导致采集的图像常伴随噪声、光照不均匀及对比度偏低等缺陷，进而对后续处理的精确度构成影响。因此，需要采用一系列图像处理技术对图像进行优化。

灰度化是图像处理的常用步骤，它将彩色图像转换为灰度图像，减少数据量，简化后续处理流程。滤波处理是去除图像噪声的关键技术，常用的滤波算法包括高斯滤波、中值滤波、均值滤波、双边滤波等。高斯滤波擅长抑制高斯噪声；中值滤波则能有效清除椒盐噪声；而双边滤波在降噪的同时，还能保留图像的边缘细节。图像增强技术旨在提升图像的对比度和清晰度，从而凸显目标特征，常用的方法涵盖直方图均衡化、对比度受限自适应直方图均衡化（CLAHE）以及伽马校正等。阈值分割技术用于将目标区域从背景中分割出来，常用的阈值分割方法包括固定阈值分割、自适应阈值分割、Otsu阈值分割等。形态学处理通过腐蚀、膨胀、开运算、闭运算等操作改善图像的形状和结构，去除小的噪声点或连接断开的区域，使目标区域更加完整和清晰。

3.4 双光图像配准：温度信息的精确定位

双光图像配准技术，特别是通过双光源的协同工作，能够提供高分辨率的温度图像，是实现温度信息精确提取的关键步骤。红外热像仪成像分辨率较低，相较于可见光相机，难以直接从热图像中清晰辨识部件轮廓及位置，故需将红外热图像与可见光图像进行配准，把可见光图像检测到的部件位置信息映射至红外热图像，以实现温度信息的精确定位。

常用的图像配准方法包括基于特征的配准方法和基于区域的配准方法。基于特征的配准方法通过提取图像中的特征点（如角点、边缘点等），并建立特征点之间的对应关系，来实现图像的配准。基于区域的配准方法则通过计算图像之间的相似度（如互相关系数、相互信息等），来寻找最佳的配准参数。在走行部温度智能检测系统中，由于红外热像仪和可见光相机安装位置相对固定，且拍摄角度基本一致，可以采用基于仿射变换的图像配准方法。仿射变换乃一种线性变换方式，涵盖平移、旋转、缩放及剪切等操作，能够维持图像的平直性与平行性，故适用于本场景中的图像配准需求。通过计算可见光图像与红外热图像之间的反射变换矩阵，可以将可见光图像中的部件坐标精确转换到红外热图像中，从而实现双光图像的精确配准。更先进的方法可以利用深度学习提取特征并进行匹配。

3.5 智能故障诊断策略：早期预警的保障

智能故障诊断策略是温度智能监测系统的最终目标，即根据采集到的温度数据判断走行部关键部件是否存在故障，并发出预警或报警。由于环境温度、列车运行速度、载客量等因素的影响，走行部部件温度会存在一定的波动。因此，通常采用温升（部件温度与环境温度之差）作为故障诊断的主要依据。

为提升故障诊断的精准度和信赖度，构建一套全面的智能故障诊断策略至关重要。该策略涵盖多层次、多维度的判定准则。首先，可以基于温升阈值进行故障诊断。根据不同部件的正常运行温度范围和故障温度特征，设定不同的温升阈值，当部件温升超过阈值时，发出预警或报警。其次，可以基于温升速率进行故障诊断。监测部件温升随时间的变化速率，一旦发现异常升高，即预示部件可能故障，需立即预警或报警。此外，还可以基于温度分布特征进行故障诊断。分析部件的温度分布特征，如是否存在局部高温点、温度梯度是否异常等，结合深度学习模型识别异常温度模式。更进一步，可以结合相邻同位轴部件温升变化率和同轴部件相关性进行综合分析。当某个部件的温升超出预设安全阈值，且其温升趋势与相邻同类部件不符，或与同轴部件温度关联性不强时，可初步认为该部件存在较高故障风险。通过综合运用多种故障诊断策略，可以提高故障诊断的准确性和可靠性，实现对走行部关键部件故障的早期预警。

4结论与展望

尽管基于深度学习的地铁列车走行部关键部件温度检测系统已取得显著成果，但在实际应用中仍面临诸多挑战。首要挑战源自地铁隧道环境的复杂性和多变性，如光照不足、灰尘覆盖、水汽干扰等问题，这些都可能对红外热像仪和可见光相机的成像质量产生负面影响，进而降低系统的检测精度。其次，深度学习模型的性能极大程度上依赖于训练数据集的质量和规模，然而，当前公开可用的走行部关键部件温度数据集稀缺且标注质量不一，这在一定程度上制约了模型的训练成效。另外，由于不同型号及线路的地铁列车走行部结构设计存在差异，这可能导致深度学习模型在泛化能力上受到限制。同时，地铁列车运行速度快，对系统的实时性要求较高，如何进一步提升处理速度以满足实时检测需求是未来研究的重点。最后，故障诊断的准确性仍需提高，以降低误报率和漏报率。展望未来，该系统将朝着多传感器融合、边缘计算、自适应学习、故障预测和智能运维平台集成等方向发展。多传感器融合技术，将红外热成像、可见光图像、振动信号及声音信号等多种异构数据源进行整合，从而大幅度提高了检测的精准度和可靠性。边缘计算技术实现了深度学习模型在边缘设备（如工控机）上的直接部署，此举大幅减少了数据传输的延迟，进而显著提升了系统的即时响应性能。自适应学习机制借助在线学习、增量学习等前沿技术，使模型能根据实时运行数据进行持续优化，进而显著增强了模型的泛化性能和对环境的适应力。故障预测结合历史数据和深度学习模型，对走行部关键部件的未来状态进行预测，实现预测性维护；与智能运维平台深度集成，则能实现数据共享和协同，为地铁运维提供更加全面、智能的决策支持。随着技术的不断发展，该系统将在上述领域取得更大突破，为地铁安全运行提供更加可靠的保障。

参考文献：

[1]马庆杰，程佳，王国庆.城轨车载走行部故障检测系统研究与设计[J].中国设备工程，2022，（14）：82-84.

[2]邬春晖，夏志成，高一凡，等.城轨列车走行部地面检测系统研究与设计[J].都市快轨交通，2021，34（04）：69-74.

[3]董威，王云飞，张晓宁，等.高速列车走行部监测系统全冗余技术方案研究[J].控制与信息技术，2020，（06）：77-82.