基于機(jī)器視覺的軌道道岔密貼檢測(cè)方法

郭淑敏，馮俊逸，沈 拓，2，張軒雄

（1.上海理工大學(xué)光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093；2.同濟(jì)大學(xué)上海市軌道交通結(jié)構(gòu)耐久與系統(tǒng)安全重點(diǎn)實(shí)驗(yàn)室，上海 201804）

0 引言

軌道道岔是車輛從一條線路向另一條線路轉(zhuǎn)入時(shí)所利用的設(shè)備，道岔的穩(wěn)定在列車安全行駛中至關(guān)重要［1］。軌道道岔基本軌與尖軌之間的不密貼，將引發(fā)行駛中的列車在進(jìn)入道岔時(shí)，輪對(duì)夾在基本軌和尖軌之間，對(duì)運(yùn)行中的行車安全構(gòu)成嚴(yán)重威脅。因此，對(duì)這種威脅到行車安全問題的預(yù)防治理備受關(guān)注。從《鐵路技術(shù)管理規(guī)程》可清晰了解到：軌道道岔的基本軌與尖軌在沒有運(yùn)行時(shí)，如果第一連接桿處有4mm 或者以上的間距，即道岔處于不密貼的情況下，此時(shí)不能開放或鎖閉。對(duì)于地鐵的道岔密貼安全，同樣應(yīng)該控制在安全的密貼間隙距離之內(nèi)，但是道岔的維修防護(hù)和按期缺陷檢查在人工處理情況下，存在一定安全隱患。

軌道缺陷一直備受重視，許多學(xué)者通過研究軌道組件診斷軌道缺陷。曹義親等［2］提出一種針對(duì)軌道缺陷圖像分類的基于蟻群的改進(jìn)算法，通過對(duì)軌道缺陷圖像作預(yù)處理并對(duì)缺陷圖像進(jìn)行分割提取，在蟻群算法基礎(chǔ)上進(jìn)行改進(jìn)以提高分類速度及準(zhǔn)確度，此方法適用于大量軌道缺陷分類，但不適用于一張軌道道岔圖像的單獨(dú)處理；Resendiz等［3］提出通過圖像到信號(hào)的方法，該方法利用道岔的檢查視頻，輸入信號(hào)是橫向視圖觀察到的鋼軌中間部分，通過鋼軌的塊向Gabor 變換以閾值檢測(cè)器的形式輸出，從而判斷鐵路運(yùn)行狀況，此方法為實(shí)現(xiàn)道岔密貼的實(shí)時(shí)檢測(cè)提供了基礎(chǔ)；周宇等［4］通過研究道岔的廓形數(shù)據(jù)，提出曲尖軌磨損的原因，未提及道岔之間的不密貼；Corsino 等［5］提出一個(gè)檢測(cè)系統(tǒng)，通過在RANSAC［6］算法中分別添加一些點(diǎn)檢測(cè)兩條航跡并利用模板圖像匹配和梯度方向直方圖（HOG）［7］以捕捉道岔線路，但是仍然不能將此方法運(yùn)用到道岔上；Zhang 等［8］提出一種基于概率神經(jīng)網(wǎng)絡(luò)（PNN）的道岔缺陷檢測(cè)算法。通過參數(shù)要求較少的PNN 的自學(xué)習(xí)能力提取一些典型故障特征，使得計(jì)算過程更快，但該方法只關(guān)注了典型缺陷；Faghih 等［9］提出一種深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）方法用于軌跡面故障的自動(dòng)檢測(cè)。他們利用大量的原始圖像數(shù)據(jù)通過DCNN 進(jìn)行特征識(shí)別，自動(dòng)完成軌跡故障檢測(cè)；Vijaykumar 等［10］描述了一種新的解決方案，通過分析軌道紋理檢測(cè)表面斷層，使用增強(qiáng)方法增強(qiáng)對(duì)象和背景之間的差異；Shen 等［11］在時(shí)頻域分析和小波包缺陷道岔特征的基礎(chǔ)上，提出利用攝像機(jī)拍攝鐵路圖像的非接觸式監(jiān)測(cè)技術(shù)，對(duì)鐵路線路及連接件進(jìn)行檢測(cè)和診斷，提取形態(tài)學(xué)特征并應(yīng)用于鐵路構(gòu)件和鐵路線路檢測(cè)，從而加強(qiáng)鐵路安全。以上研究大多是關(guān)于軌道線路的航跡預(yù)測(cè)或者表面缺陷，針對(duì)單獨(dú)的道岔密貼問題關(guān)注極少，為了及時(shí)避免在列車行駛時(shí)由于道岔不密貼出現(xiàn)安全隱患，本文提出關(guān)于道岔密貼的實(shí)時(shí)檢測(cè)方法。

1 預(yù)處理

由于攝像機(jī)在外界拍攝容易受到天氣、光照、角度等不可避免的自然因素影響，圖像預(yù)處理技術(shù)能夠通過數(shù)字圖像處理方法和技術(shù)增強(qiáng)所需圖像的質(zhì)量［12］，并能在一定情況下改善感興趣區(qū)域的圖像信息效果呈現(xiàn)［13］。灰度變換可以令圖像特征更加突出，灰度直方圖顯示了圖像的灰度變化等信息，而且直方圖均衡化可以使細(xì)節(jié)更加清晰以有利于接下來的圖像處理，便于道岔的特征提取。r是歸一化后的圖像灰度，s是校正之后的灰度［14］。

區(qū)間［0，1］中的任何r都可以被T(r)變換成s，且：

變換函數(shù)離散形式可表示為：

表示在灰度值rk時(shí)像素的個(gè)數(shù)，灰度級(jí)的總數(shù)為L。

Fig.1 Image preprocessing圖1 圖像預(yù)處理

圖1（a）-（d）是預(yù)處理過程，經(jīng)圖像預(yù)處理后的圖像是一幅連續(xù)圖像［15］，直方圖均衡化的本質(zhì)就是降低圖像的灰度級(jí)并增強(qiáng)灰度之間的對(duì)比度。圖像預(yù)處理技術(shù)能夠有效減少圖像背景對(duì)下一步處理的不利因素，令圖像的灰度變化分布得更加均勻并著重突出了圖像中的細(xì)節(jié)。如圖1（d）所示，通過圖像平滑處理能夠克服噪聲影響并在一定程度上抑制噪聲。

2 道岔密貼檢測(cè)

2.1 邊緣檢測(cè)

從圖1 軌道道岔的圖像中能夠清楚地看到，道岔圖像中兩條直線之間的距離實(shí)際上就是對(duì)軌道道岔密貼的檢測(cè)。Canny 邊緣檢測(cè)算子效果表現(xiàn)極好［16］，邊緣檢測(cè)步驟如圖2 所示。

Fig.2 Steps of Canny edge detection圖2 Canny 邊緣檢測(cè)步驟

Canny 利用高低閾值的方法，在高低閾值中，首先依據(jù)其中的高閾值能夠獲得一幅邊緣圖像，然后依據(jù)另一個(gè)選取的低閾值閉合這幅圖像中的邊緣。通過設(shè)置全局范圍高低兩個(gè)閾值對(duì)圖像像素點(diǎn)進(jìn)行篩選，根據(jù)某種閾值規(guī)則只選取滿足條件的邊緣像素點(diǎn)。高閾值計(jì)算過程如圖3所示。

Fig.3 Steps of high threshold calculation圖3 高閾值計(jì)算步驟

通過選取全局范圍內(nèi)的高閾值和低閾值，篩選出邊界點(diǎn)。在運(yùn)用高低閾值對(duì)邊界點(diǎn)進(jìn)行篩選的過程中，非邊緣點(diǎn)根據(jù)低閾值點(diǎn)篩選去除，邊緣點(diǎn)根據(jù)高閾值點(diǎn)留下。實(shí)際上閾值大小設(shè)置不同，得到的結(jié)果也會(huì)有很大不同，比如在設(shè)置的低閾值相同條件下，設(shè)置的高閾值越大則得到的邊緣檢測(cè)結(jié)果會(huì)隨之變得突出。軌道道岔的邊緣檢測(cè)結(jié)果如圖4 所示。

Fig.4 Edge detection result圖4 邊緣檢測(cè)結(jié)果

2.2 特征提取

由上述的邊緣檢測(cè)過程，可以檢測(cè)到軌道圖像中符合設(shè)置閾值的所有邊界點(diǎn)，這些邊界點(diǎn)包含于軌道道岔中兩條直線邊緣以及背景中的一些噪聲邊界。利用Hough 變換的思想［17］對(duì)軌道道岔邊緣進(jìn)行提取，該方法在檢測(cè)直線方面上具備了克服噪聲的優(yōu)點(diǎn)。假設(shè)所有噪點(diǎn)都通過了Hough 變換，將會(huì)生成一些實(shí)驗(yàn)中不需要的偽邊緣直線。降低噪聲點(diǎn)在Hough 變換中產(chǎn)生的影響需要在檢測(cè)前采用區(qū)域匹配的思想，具體過程如圖5 所示。

Fig.5 Region matching process圖5 區(qū)域匹配過程

區(qū)域匹配過程中窗口搜索步長的值應(yīng)該小于軌道道岔在圖像中的最短搜查長度，能夠防止軌道道岔的兩條直線邊緣信息一起出現(xiàn)在識(shí)別的窗口中。接下來對(duì)識(shí)別窗口包含的區(qū)域進(jìn)行掃描，找到上下邊緣，結(jié)束搜索后的窗口所含邊緣像素區(qū)域是由所有邊緣點(diǎn)順時(shí)針連接確定，假設(shè)像素點(diǎn)之間的距離固定為單位1，在封閉的一定區(qū)域中，依次計(jì)算相鄰兩對(duì)邊界點(diǎn)上方的面積，進(jìn)而求出邊緣像素點(diǎn)的大小。飽和度計(jì)算是通過估算窗口內(nèi)檢測(cè)出的像素點(diǎn)所構(gòu)成的面積大小，與設(shè)定好的滑動(dòng)窗口面積進(jìn)行比較，將兩者的比值定為區(qū)域飽和度，如果該值比設(shè)定的閾值高，則將此點(diǎn)像素值清零并去除，判定為偽邊緣像素點(diǎn)，退出后續(xù)計(jì)算過程。

關(guān)于覆蓋了直線特征的邊緣，要提高該提取邊緣直線的精確度，可以采用隨機(jī)抽樣一致算法的思路，在建立直線參數(shù)模型的前提下，通過隨機(jī)取點(diǎn)進(jìn)行判斷，不符合判斷條件的點(diǎn)將被舍棄，不參與后續(xù)累加過程。此方法能夠有效減少RHT 隨機(jī)性問題［18］，Hough 變換結(jié)果如圖6 所示。

Fig.6 Hough transform result圖6 Hough 變換結(jié)果

2.3 邊緣擬合

從上述軌道道岔直線邊緣檢測(cè)中可以看到，兩條直線邊緣之間的距離是檢測(cè)道岔密貼問題的關(guān)鍵所在。如果只利用Canny 算子或者Hough 變換所得到的直線損失了精度，并且分別得到的結(jié)果在與人工檢測(cè)結(jié)果的比較中造成較大誤差，因而可以在兩者結(jié)果的基礎(chǔ)上，應(yīng)用最小二乘法對(duì)兩者圖像處理結(jié)果進(jìn)行擬合。

最小二乘法公式如式（4）所示。

其中，數(shù)據(jù)點(diǎn)用(xi,yi)表示，擬合函數(shù)用?(xi)表示。

利用邊緣檢測(cè)和特征提取到的兩條最長直線相與，得到最終的軌道邊緣。結(jié)果如圖7 所示，可以看出經(jīng)過最小二乘法擬合的邊緣不僅更加清晰準(zhǔn)確，而且與原圖像邊緣基本吻合。

Fig.7 Fitting result圖7 擬合結(jié)果

2.4 參數(shù)空間轉(zhuǎn)換

擬合結(jié)果中兩條直線之間的像素?cái)?shù)決定了道岔的基本軌和尖軌之間的實(shí)際距離。從最小二乘法擬合的直線可以得出邊緣之間的像素?cái)?shù)目，要確定軌道道岔的密貼距離，首先要知道真實(shí)距離與像素?cái)?shù)的比值，因基本軌的寬度固定，可以將基本軌作為參照標(biāo)定物，利用世界坐標(biāo)系、相機(jī)坐標(biāo)系、圖像坐標(biāo)系和像素坐標(biāo)系去計(jì)算真實(shí)距離與像素?cái)?shù)的比值［19-20］，進(jìn)而求出軌道圖像中兩條直線邊緣之間的實(shí)際距離。

3 實(shí)驗(yàn)

本文對(duì)80 幅道岔圖像進(jìn)行了擬合檢測(cè)，實(shí)驗(yàn)結(jié)果比較如表1 所示。

Table 1 Comparison of experimental results表1 實(shí)驗(yàn)結(jié)果比較

從結(jié)果可以看出，利用道岔之間的距離衡量機(jī)器視覺方法和人工方法的標(biāo)準(zhǔn)使兩者結(jié)果在合理的誤差范圍內(nèi)，但在特征提取實(shí)驗(yàn)或拍攝過程中都會(huì)產(chǎn)生一定干擾，如惡劣天氣或光線影響、相機(jī)振動(dòng)、軌道振動(dòng)造成標(biāo)定距離值變化、直線提取時(shí)算法失誤及嚴(yán)重的軌道磨損等。若機(jī)器視覺方法和手動(dòng)方法測(cè)量的距離差不超過0.1 mm，則判定機(jī)器視覺方法下的結(jié)果合格，測(cè)量結(jié)果精度如表2所示。

Table 2 Detection precision result表2 檢測(cè)精度結(jié)果

綜上所述，利用機(jī)器視覺的方法可靠且高效，比人工測(cè)量方法更加省時(shí)省力。同時(shí)，能夠?qū)崟r(shí)計(jì)算道岔距離，及時(shí)判斷列車在行駛過程中道岔的轉(zhuǎn)換過程是否存在安全隱患以及時(shí)避免。

4 結(jié)語

本文受智能交通的啟發(fā)，將創(chuàng)新的機(jī)器視覺相關(guān)方法運(yùn)用于道岔密貼檢測(cè)，不僅節(jié)省了人工成本，也提高了列車運(yùn)行的安全性。通過圖像預(yù)處理、Canny 檢測(cè)算子、改進(jìn)的Hough 變換等方法完成邊緣特征提取，使用最小二乘法進(jìn)行邊緣直線擬合，消除虛假邊緣點(diǎn)，計(jì)算基本軌到尖軌的真實(shí)距離，從而檢測(cè)道岔轉(zhuǎn)換安全。由于不排除天氣光照等自然因素對(duì)圖像的干擾，這些不可控因素都會(huì)對(duì)道岔密貼結(jié)果產(chǎn)生一定影響，因此后續(xù)將重點(diǎn)研究并提高算法魯棒性。