轉向架輪對參數(shù)的結構光視覺測量方法與實現(xiàn)*

洪 磊 王保升 楊小蘭

(1. 南京工程學院汽車與軌道交通學院, 211167, 南京; 2. 南京工程學院智能制造裝備研究院, 211167，南京; 3. 南京工程學院機械工程學院, 211167, 南京//第一作者，講師)

輪對是軌道車輛重要的走行部件，輪對部件結構參數(shù)的準確測量對轉向架設計制造和特性性能分析都有著重要意義。在軌道車輛實際運行過程中，由于可能存在軌道不平順、輪軌外形及其材質匹配不恰當和牽引力太大等多種原因，致使輪對各部分的磨損加快，影響了軌道車輛的正常運行。因此及時準確地掌握輪對結構參數(shù)是相當重要的。目前，我國對輪對結構參數(shù)測量的主要手段是機械式測量。這種測量方法效率較低且測量較不精確。在非接觸式測量方法中，基于CCD(圖像控制器)攝像頭的立體視覺方法已經(jīng)取得一定的進展，同時這類測量方法[1-5]具有非接觸、檢測速度快等優(yōu)點，但由于輪對表面光滑度高、反光強烈，存在輪對邊緣與背景融為一體的現(xiàn)象，使特征點提取及立體匹配較難實現(xiàn)，造成了測量誤差。為解決該問題，結構光傳感器與CCD攝像機相結合的激光視覺技術成為新興的測量方法[6-9]。結構光相較于背景灰度的明顯差異使邊緣點檢測精度得以提高，但對于輪徑等參數(shù)，需進行多幅圖像采集和處理，再通過特征點擬合的方法才能實現(xiàn)，檢測運算的數(shù)據(jù)量很大，降低了測量速度。

針對上述情況，本文設計了一種基于結構光視覺的輪對半徑測量方法，該方法只需平移兩次激光器，采集三副圖像，在圖像處理方面首先通過中值濾波減小噪聲，然后運用ROI(感興趣區(qū)域)提取減小運算規(guī)模，再通過骨架細化和Hough變換法提取特征點并計算出最終參數(shù)結果。

1 測量原理

首先固定好激光器與攝像機的相對位置，布置線性激光器可垂直照射到輪對平面。輪對直徑參數(shù)測量原理如圖1所示。圖1 a)中，由初始位置P1的線性激光器照射輪對平面表面形成激光條紋1，且其與輪對外輪廓形成的邊緣特征點記為A1和B1，通過攝像機采集圖像在成像平面上得到像點a1和b1；沿垂直方向平移攝像機及激光器，分別在位置P2和P3形成激光條紋2和3，其輪對邊緣特征點分別為A2、B2和A3、B3，對應的像點分別為a2、b2和a3、b3。兩次平移的距離分別為d1和d2。圖1 b)中，設各條激光條紋線的半長度，即輪對半徑特征點距離為li(i為組序，i=1～3)，被測輪對半徑為Ri，輪對中心O與條紋線3的距離為s。

a) 輪對半徑邊緣特征點的三維重建

b) 輪對半徑計算

由圖1 b)，可列出如下方程組：

(1)

方程組中任意兩式組合聯(lián)立并消去s后，可得到Ri為：

(2)

由此可見，任意攝取2條激光條紋即可求出輪對半徑，分別記為R1、R2和R3，為使計算結果更接近真實值，可取上述3值的均值。

2 輪對結構光圖像處理

由測量原理可知，輪對半徑測量的準確性取決于激光條紋特征點測量的準確性，這要求輪對結構光圖像處理能夠準確提取輪對半徑邊緣特征點。

采集到的輪對結構光原始圖像大小為740×470像素，如圖2所示。特征點的識別過程需要首先把結構光條紋從原始圖像中準確提取出來，良好的圖像處理方法可以降低特征點提取的復雜度，提高提取結果的準確性。圖像處理的關鍵步驟主要有中值濾波、閾值分割、ROI提取以及條紋中心線提取等。

圖2 輪對結構光原始圖像

2.1 中值濾波

在原始圖像采集、量化和傳輸過程中產生了大量噪聲，這些噪聲的產生具有隨機性，可認為是高斯白噪聲。為此，對原始圖像進行中值濾波，為兼顧圖像處理質量和效率，實驗采用5×5的濾波窗口，該窗口沿圖像順次掃描，使得與周邊像素灰度差較大的像素接近周邊像素值，從而在較大程度上消除噪聲[10]，此過程中并不改變圖像光條紋的形態(tài)特征。

2.2 ROI提取與二值化

針對ROI進行操作，可以降低數(shù)據(jù)的規(guī)模以及提高運算效率，與此同時亦可以減少非ROI對目標處理帶來的干擾。由于激光條紋是橫向分布的，根據(jù)像素行的累積求和，圍繞激光條紋附近的像素總和是最大的。根據(jù)這一特性，本文提出ROI提取算法如下：

(1)對原圖像在水平和垂直方向以一定間隔取樣，并對取樣各像素點進行灰度值累加，將取樣結果的均值M作為背景灰度值。由下式可得M為：

(3)

其中，W和H分別為圖像的寬度和高度，令int為取整函數(shù)，則N1=int(H/10)，N2=int(W/10)。I(x,y)為灰度值。

由于激光條紋比背景灰度高，預估兩者的灰度差值為M0，取M+M0作為閾值，截取ROI如下：

(4)

在提取ROI之后，利用條紋與背景的灰度差，通過選擇合適的閾值進行二值化處理，試驗采用最大類間方差法[11]，以最大限度地減小誤差并保留條紋區(qū)域。經(jīng)過ROI提取及二值化處理后的輪對圖像如圖3所示。

圖3 ROI及二值化

2.3 輪對特征點提取

經(jīng)過上述圖像處理僅能得到結構光條紋的所在區(qū)域。通常而言，條紋寬度一般遠大于1個像素，這樣會影響測量的精度，因此在實際應用中，必須獲取結構光條紋的中心，以反映其最精確的檢測位置。試驗中采用骨架細化法來細化光條紋區(qū)域。骨架細化法是一種將形態(tài)學應用于結構光條紋中心提取的方法[12]，骨架保留了光條紋的拓撲結構，反映了它的基本幾何形態(tài)，因此可以表征條紋中心直線的基本特性。

提取到結構光條紋中心之后，需進一步檢測中心線。試驗中采用Hough變換法[13]提取直線，檢測得到了直線兩端點即為輪對半徑邊緣特征點。為準確計算特征點形成的條紋長度，將圖像恢復到原始大小再提取特征點圖像坐標。

3 輪對參數(shù)檢測試驗

試驗所采用的輪對結構光視覺檢測系統(tǒng)由結構光視覺傳感器、圖像采集卡和主控計算機等構成。其中，結構光視覺傳感器由1/3inXC-ES50CE CCD工業(yè)攝像機和波長635 nm的MTO-laser一字線性激光器組成。激光器與攝像機通過支架固定安裝，攝像機配置8 mm Computar鏡頭，并通過大恒DH CG410圖像采集卡將采集到的圖像數(shù)字化后供主控計算機處理。被測對象為1臺縮小的龐巴迪動車轉向架輪對模型，輪徑標準尺寸Rr為200 mm。結構光視覺檢測系統(tǒng)如圖4所示。

圖4 輪對結構光視覺檢測系統(tǒng)

基于結構光視覺測量的基本原理，得到輪對參數(shù)測量試驗的步驟如圖5所示。

圖5 輪對參數(shù)測量試驗步驟

3.1 結構光視覺傳感器的標定

首先對結構光視覺傳感器進行精確標定，獲取攝像機內參數(shù)及結構光平面參數(shù)，詳細算法參見文獻[14]和[15]；由標定得到的攝像機內參數(shù)矩陣K、光平面方程π(a,b,c,1)分別為：

其中，a=7.491 e-0.054,b=0.015 6,c=-0.003 7;x、y、z為自變量。

3.2 輪對結構光圖像處理與三維重建

利用視覺傳感器采集輪對的結構光圖像并進行圖像處理。首先通過圖像特征檢測獲取(a1,b1)、(a2,b2)、(a3,b3)三組像點的像素坐標，再通過三維重建獲取特征點的攝像機坐標。設某特征點圖像坐標為Pp(u,v,1)T，則其攝像機坐標Pq(xc,yc,zc,1)T可由式(5)計算得到。

Pq=[K-1Pp/(au+bv+c) 1]T

(5)

試驗中激光器兩次平移的距離分別為d1=47.0 mm,d2=60.0 mm。經(jīng)過圖像處理和計算得到的輪對特征點數(shù)據(jù)如表1所示。根據(jù)表1數(shù)據(jù)計算得到的輪對半徑平均值為：Ravg=(R1+R2+R3)/3=200.029 3;計算得到的Ravg與Rr的誤差僅為0.029 3 mm。

表1 輪對半徑特征點提取數(shù)據(jù)及輪對半徑計算匯總

由于輪對運用后的圓周并不理想，有很大的隨機性。因此為實現(xiàn)均勻檢測，控制輪對旋轉1周，每旋轉15°測試1組數(shù)據(jù)，共24組，每組實驗測得對應的l1～l3，并計算得出該組輪對半徑均值Ravg，實驗結果如圖6所示。由圖6可知，大多數(shù)測量組數(shù)據(jù)在標準數(shù)據(jù)的±0.05 mm范圍內波動，表明檢測誤差較小，而第5組和第20組兩組測量數(shù)據(jù)結果明顯較小，說明這兩組數(shù)據(jù)對應的輪對圓周部分具有較大的磨損，需進行進一步處理。上述實驗表明，本文采用的測量方法對實際輪對參數(shù)的檢測具有一定的參考意義。

a) l1

b) l2

c) l3

d) 輪對半徑

4 結語

本文針對當前輪對半徑參數(shù)測量過程復雜、運算量大的缺點，設計了一種基于結構光視覺傳感器的輪對半徑參數(shù)非接觸式檢測方法，并且闡述了該方法的測量原理、視覺檢測算法和試驗步驟。視覺檢測的圖像處理部分包括中值濾波、閾值分割和光條紋中心線提取。通過該方法可以得到輪對邊緣特征點的圖像坐標，進而通過特征點三維坐標映射完成輪對半徑參數(shù)計算。該方法僅需兩次平移視覺傳感器采集三幅輪對結構光圖像即可。試驗表明，該方法設計合理簡便、測量運算量小、精度較高，能滿足工業(yè)現(xiàn)場的實際需求。