基于HCRD的列車鎖緊板偏轉自動識別方法

雷蕾，宋冬利，張衛(wèi)華，何平

(1.西南交通大學 牽引動力國家重點實驗室，四川 成都610031；2.西南交通大學 數學學院，四川 成都610031)

目前，國內都是采用貨車運行故障動態(tài)圖像檢測系統(tǒng)(TFDS)或客車故障軌邊圖像檢測系統(tǒng)(TVDS)以及動車故障軌邊圖像檢測系統(tǒng)(TEDS)對轉向架關鍵部件進行周期性的缺陷檢測，是保障車輛安全穩(wěn)定運行的基礎[1]，當前的系統(tǒng)大部分只是實現了對車輛底部圖像的采集、傳輸、圖像預處理等工作，需要利用數字圖像處理技術，提升圖像檢測系統(tǒng)的自動化程度和檢測的精度，實現由“人檢”向“機檢”的方式轉變。國內有許多專家學者對基于圖像的轉向架的故障識別進行了深入的研究。賴冰凌等[2]運用梯度共生矩陣描述圖像，采用Relief算法進行特征提取，利用圖像匹配技術，完成了貨車關門車故障的算法研究，很好地解決了圖像匹配效率低和精確度不高的問題；蔣春明[3]結合灰度梯度投影、圖像分割、優(yōu)化的邊緣檢測等算法，對關門車與交叉桿故障的關鍵部位完成了定位、分割，并對故障特征進行了識別，最終實現了這2種故障的自動檢測；李靜[4]采用基于HOG特征及SVM的方法對機車底部的關鍵螺栓可能存在的故障進行了研究；孫國棟等[5]提出了一種基于形狀上下文的列車擋鍵丟失圖像識別算法，利用形狀上下文描述圖像的形狀特征，加權形狀上下文距離與彎曲能量以定義形狀距離來識別檔鍵是否丟失的故障；TEJANI等[6]通過將模板與霍夫森林算法相結合，可以實現目標識別和姿態(tài)估計，但是數據量的增加，會使得計算變得困難。CAO等[7]提出了一種對圖像和模板進行實時匹配的方法，該算法提升了物體姿態(tài)估計的速度，但是精度有所下降。現有的采用特征提取的方法對圖像質量和部件表面紋理信息要求高，然而，在許多應用中，大量存在很少或沒有紋理、圖像質量不高等情況，此時基于特征的檢測方法失效，另一種是模板匹配的方法，需要采集不同情況下的樣本構建模板庫，通過大量不同條件下的樣本與目標物體進行匹配，找出最佳匹配的模板來識別目標物體故障與否。需要大量的運算且識別準確率受人為構建的樣本庫的影響較大。車輛運行時，交叉桿端部螺栓由于在頻繁震動的條件下會發(fā)生偏轉，造成鎖緊板位置發(fā)生偏轉，鎖緊板的偏轉代表著螺栓的松動，如果不及時檢測出故障并維修，會導致螺栓的脫落和斷裂，造成重大行車事故。本文以貨車運行故障圖像動態(tài)檢測系統(tǒng)(TFDS)中采集到的轉向架圖像為研究對象，對貨車轉向架鎖緊板進行偏轉故障的檢測，提出了一種基于霍夫變換建立數學幾何模型的轉向架關鍵部件自動定位方法及基于Canny邊緣檢測和形狀模板的角度特征檢測的鎖緊板姿態(tài)判別算法，實現了列車圖像的鎖緊板自動定位與姿態(tài)的判別。

1 識別原理與方法

基于HCRD的列車鎖緊板偏轉圖像識別流程如圖1所示。TFDS的軌邊圖像采集硬件系統(tǒng)如圖2所示，由車輪傳感器檢測到過車信號后觸發(fā)軌側相機和軌心相機采集途經列車的轉向架、制動裝置、車鉤緩沖裝置、車底架以及車體兩側等關鍵部位的動態(tài)圖像，由車輛識別系統(tǒng)(AEI)自動判別車型編碼與車號信息，計軸計輛，檢測列車速度以保證圖像的同步采集。TFDS拍攝的轉向架側方的圖像如圖2(c)和2(d)所示，通過霍夫變換粗定位到前后車輪輪心，后通過建立數學幾何模型，細定位到前后鎖緊板部位，再將定位的鎖緊板圖像單獨截取出來為感興趣區(qū)域(ROI)[8]，在對ROI進行單獨的圖像預處理以及Canny邊緣檢測，尋找Canny邊緣檢測后的ROI圖像中的下邊緣線，再通過形狀模板判斷下邊緣線以下的邊緣圖像中是否含有角度特征，進而識別鎖緊板是否偏轉。

圖1 列車鎖緊板定位及偏轉識別流程Fig.1 Train locking plate positioning and deflection identification process

圖2 TFDS設備及不同光照條件下轉向架側方TFDS圖像Fig.2 TFDS equipment and bogie side TFDS images in different light conditions

1.1 基于霍夫變換的轉向架側方圖像部件定位方法

傳統(tǒng)的定位方法大都直接對圖像直接進行特征提取、匹配如仿射變換[9-12]等，這些操作受圖像的質量和紋理信息影響較大，且會隨著圖像的像素點的增加而降低處理速度，所以本文直接利用輪廓特征，通過輔助圖形來建立幾何模型，跳過特征匹配等環(huán)節(jié)，且輪廓特征是對物體形狀本質的反映，因而物體表面紋理的變化并不會對識別結果造成影響[11]，這樣大大的提高了算法定位的速度和對物體表面紋理變化的魯棒性。在圖像處理和計算機視覺領域中，快速準確地在一張圖像中檢測出直線或者圓。其中一種常見有效的解決問題的方法是霍夫(HOUGH)變換，霍夫變換檢測圓最早是由DUDA和HART提出[14]，核心是空間轉換。基本原理如下：將圓的方程中的參數和變量做調換，一般圓的方程為：

式中：(a,b)為圓心坐標；r為圓的半徑。

將方程改寫為：

這時有3個參數：a，b和r。空間發(fā)生了轉換，從原來的二維圖像空間變換到了三維的參數空間，在圖像空間中的一個點(x,y)在參數空間就是一系列圓心坐標相同、半徑不同的圓，因此同一個圓上的所有點對應于參數空間中半徑相同、圓心不同的所有圓，這些圓的交點就是圖像空間的一個圓，從而達到檢測圓的目的。圖像平面的方程轉換為參數空間的示意圖如圖3所示。

圖3 圓的參數空間表示Fig.3 Parametric space representation of circle

本文以TFDS拍攝的側方圖像為研究背景，觀察TFDS圖像可知，每張所拍攝的轉向架圖像都有較明顯的車輪的圓輪廓，所以本文采用霍夫變換檢測圓的方法來定位每張轉向架側方圖像中僅有的前后輪對的圓輪廓進行粗定位。再根據粗定位中前后圓心坐標，圖5中O1和O2點，根據幾何關系建立圖4中的數學模型，進行鎖緊板部位的細定位，圖4中p1和p2則為鎖緊板處中心點的位置。

圖4 兩車軸與鎖緊板間簡化的幾何模型Fig.4 Simplified geometric model between axle and locking plate

其中，前后輪的圓心坐標分別為O1(x1,y1)和O2(x2,y2)，圓心距為d。設點p1(X1,Y1)和p2(X2,Y2)為前后鎖緊板的中心點，故：

則由該模型可知：

k1，k2為經驗參數。

這樣前后鎖緊板的位置大致確定，可以以p1和p2為中心點，按照一定的矩形框大小截取鎖緊板部位的圖像為ROI。

1.2 基于Canny邊緣檢測與形狀模板的鎖緊板姿態(tài)判別方法

根據觀察所定位區(qū)域的圖像特征，可知，鎖緊板處線條結構簡單，且下方的邊緣與整個背景的區(qū)分度很高?？刹捎眠吘墮z測的方法，能得到很好的檢測效果。本文采用Canny邊緣檢測來處理ROI。

傳統(tǒng)的邊緣檢測算子包括LoG，Prewitt，Rob‐erts，Sobel，Kirsch，Laplacian和Canny算 子等[15?18]。其中Canny邊緣檢測是現在較流行的邊緣檢測方法，由多個步驟構成：

對圖像進行高斯濾波去除噪聲。設h(x,y)為平滑后的圖像，f(x,y)為原圖像，那么經過高斯濾波處理過的圖像可表示為：

其中G(x,y)是高斯濾波器，表達式：

再用2個方向模板與圖像進行鄰域卷積得到2個方向的梯度Gx和Gy：

再計算圖像梯度大小G和方向θ：

非極大值抑制。圖像梯度幅值矩陣中的元素值越大，說明圖像中該點的梯度值越大，但這不能說明該點就是邊緣，非極大值抑制是進行邊緣檢測的重要步驟，通俗意義上是指尋找像素點局部最大值，將非極大值點所對應的灰度值置為0，這樣可以剔除掉一大部分非邊緣的點。

雙閾值篩選。雙閾值的意思就是要設置2個閾值，并且要求兩者關系為：

在處理圖像的過程中把梯度值小于H1的像素的灰度值設置為0，得到圖像A，然后把梯度值小于H2的像素的灰度值設為0，得到圖像B。圖像B由于閾值較高，去除大部分噪音的同時也損失了有用的邊緣信息。而圖像A的閾值較低，保留了較多信息，以圖像B為基礎，以圖像A作為補充來連接圖像的邊緣。通過上述的幾個步驟，達到圖像邊緣檢測的目的。

將自動定位以后的鎖緊板部位分割出來的圖像進行Canny邊緣檢測后，如圖5所示?？煽闯鲦i緊板偏轉的圖像，下邊緣線以下會有一個角度特征，如圖中圓圈標記所示。

圖5 鎖緊板TFDS圖像Fig.5 Lock plate TFDS image

針對這種在邊緣檢測后的圖像中檢測圖像特征對，本文提出了形狀模板的概念，類似于一個滑動窗，根據待檢測特征，將此滑動窗分為M個方向區(qū)域，形成如圖6(b)的形狀模板L。將形狀模板L遍歷輪廓點，一組點集P={p1,p2,p3,…pn}，以其中任意一點pi為參考點，在pi為中心點如圖6(c)中的黑色部分，將模板覆蓋的像素矩陣相對應的值裝入形狀模版內。通過判斷pi邊緣輪廓點的方向矩陣Hi中是否都為1。進而來判斷圖像中是否存在與形狀模板內類似的形狀。

其中，i=1,2,…,n，j=1,2,…,M。

當需檢測為圖6(a)中的曲線特征時，根據圖像特征，構建如圖6(b)所示的形狀模板，且分為6個區(qū)域：Ⅰ，Ⅱ，Ⅲ，Ⅳ，Ⅴ和Ⅵ。將形狀模板網格化變?yōu)榫仃嚾鐖D6(c)，為一個大小為7×5的矩陣。其中，以黑色區(qū)域為中心點遍歷6(a)途中每個邊緣像素點的位置，將模板覆蓋的像素矩陣相對應的值裝入模版內，并判斷6個區(qū)域內是否都有邊緣點分布。當形狀模板遍歷到到6(a)中px時，px點的方向矩陣Hx=(1,1,1,1,1,1)，6個區(qū)域中都有邊緣點分布。故可檢測出這組輪廓點集P={p1,p2,p3,..,pn}存在如形狀模板中的形狀特征。

假設邊緣檢測后的像素矩陣大小為m×n，鎖緊板像素矩陣下邊緣線以下部分是否含有角度特征(如圖6)的檢測方法步驟如下。

1)確定鎖緊板下方邊緣線的位置：遍歷像素矩陣每行，計算每行中連續(xù)的255的像素點個數的最大值am，最大值max(am)的所對應的行數m*就是下方邊緣線的位置。

2)構建形狀模板：本文主要是檢測角度特征如圖7(a)所示，考慮到偏轉的角度的變化，如圖6(b)，偏轉角度θ(0°～45°)對應的OK和ON變化到OK′和ON′，故可以構建如圖8所示的一個形狀模板，一個4×7的矩陣，并分為了6個方向區(qū)域。

圖6 形狀檢測Fig.6 Shape detection

圖7 鎖緊板偏轉角度特征Fig.7 Deflection angle characteristics of locking plate

圖8 形狀模板Fig.8 Shape template

判斷鎖緊板下邊緣以下是否存在角度特征：根據1)中確定的鎖緊板下邊緣線所在的行數m*，截取邊緣圖像邊緣線位置以下部分[m*,m]，通過2)中構造的形狀模板計算方向舉證H，判斷是否存在角度特征。

2 實驗結果與分析

2.1 仿真圖像實驗

本文實驗采用Python3.6編程實現，由于現場實拍的沒有偏轉各種角度的圖像，故本文建立了幾何模型，仿真了鎖緊板不同偏轉角度的情況，如圖9所示，區(qū)域M1模擬真實拍攝圖像轉向架的背景區(qū)域，區(qū)域M2模擬真實拍攝圖像轉向架區(qū)域，區(qū)域M3則模擬真實拍攝圖像中鎖緊板區(qū)域，鎖緊板相對于鎖緊螺栓O點處的偏轉角度為θ。

圖9 鎖緊板偏轉幾何模擬圖Fig.9 Geometric simulation of locking plate deflection

實現將不同的偏轉角度的鎖緊板用圖8的形狀模板進行檢測，鎖緊板偏轉最惡劣的情況是偏轉角度為90°，如圖10所示。試驗假設鎖緊板偏轉逆時針旋轉。對于大量無故障鎖緊板圖像進行姿態(tài)統(tǒng)計后，發(fā)現鎖緊板的偏轉的角度在5°以內[13]。故此仿真實驗偏轉角度θ的取值范圍為2°～45°，5°以后以最大正常姿態(tài)角度(5°)為角度量化間隔進行取值。大于45°以后的情況與小于45°的情況類似，只是前者的“角度特征”的位置相對于后者的“角度特征”的位置相對于下邊緣線往后移。故不需再重復實驗。實驗設置的偏轉角度θ以及檢測結果如表1所示。

表1 形狀模板對不同偏轉角度鎖緊板的檢測結果Table 1 Test results of locking plates with different deflec‐tion angles by shape template

圖10 鎖緊板偏轉角度為90°的情況Fig.10 Locking plate deflection angle is 90 degrees

分析實驗數據，采用形狀模板的方法檢測鎖緊板的偏轉，在非正常偏轉范圍內，能準確識別出鎖緊板各個角度的偏轉。

2.2 真實圖像實驗

本文以貨車運行故障圖像動態(tài)檢測系統(tǒng)(TFDS)中拍攝的轉向架側方圖像為背景，圖11顯示了采用1.1節(jié)所述方法的部分鎖緊板定位結果

圖11 表面紋理發(fā)生顯著變化下鎖緊板自動定位結果Fig.11 Results of automatic positioning of locking plate under significant change of surface texture

在圖中，車軸處的2個點為霍夫變換檢測出的前后車輪的圓心位置，矩形框內為定位出的前后鎖緊板的位置，由此可見，以這種通過定位車軸的方式來輔助定位鎖緊板的位置的方法效果較好，且對于不同光照條件、不同型轉向架型號下，鎖緊板表面的紋理雖然發(fā)生變化，但算法也能準確識別定位出來，反映出算法對物體表面紋理變化的魯棒性。

對254張真實圖像樣本進行姿態(tài)的識別，識別發(fā)生偏轉的鎖緊板，識別結果見表2。

表2 真實圖像檢測結果Table 2 Real image detection results

由表2可發(fā)現，漏檢的個數為0，誤檢率為3.5%，檢測率為96.5%?？梢娡ㄟ^本文提出的形狀模板來檢測鎖緊板的角度特征從而來判斷是否發(fā)生偏轉的方法，具有很好的識別效果和區(qū)分能力。且通過角度特征來判別是具有較高的可靠性。由于本文應用為TFDS系統(tǒng)，需要實時在線檢測，所以對識別的速度也有一定的要求，本文提出的HCRD方法從采集到轉向架圖片到鎖緊板的定位和檢測是否發(fā)生偏轉平均時間為0.067 s，可滿足在線檢測的要求。

3 結論

1)為了解決TFDS圖像識別的自動化和精確度這2個方面的問題，從轉向架部件自動定位與鎖緊板偏轉精確識別這2個思路分別進行研究，將兩者結合在一起，提出HCRD一種基于霍夫變換的轉向架側方鎖緊板的定位方法和基于Canny邊緣檢測和形狀模板的鎖緊板偏轉圖像自動識別方法。

2)采用霍夫變化及幾何模型定位的方法可以排除光照明暗和不同轉向架類型對定位帶來的影響，縮小識別區(qū)域，減小運算量和內存需求，提高識別效率，具有較高的穩(wěn)定性。

3)提出形狀模板的概念，并通過實驗證明采用所提出的形狀模板去識別鎖緊板下邊緣處的角度特征，具有很好的識別率。將鎖緊板下邊緣是否有角度特征作為鎖緊板是否偏轉的判斷依據，具有很高的可靠性。

4)算法使用的特征簡單，具有很強的魯棒性和抗噪能力，只需要一個形狀模板，當鎖緊板偏轉角度在非正常范圍(>5°)的情況時，能進行準確的偏轉判斷，為TFDS系統(tǒng)的故障自動化識別奠定了基礎。