基于機器視覺的鐵路閘瓦狀態(tài)監(jiān)測研究

苗旺龍，賈 剛，李木存，賴遠橋

(1.國能鐵路裝備有限責任公司陜西分公司，陜西 榆林 719316)(2.深圳市遠望谷信息技術股份有限公司，廣東 深圳 518052)

鐵路運輸是目前我國重要的交通運輸方式之一，其安全性一直是研究熱點[1-2]。閘瓦作為鐵路機車常用的制動零部件，其通過與輪對踏面發(fā)生劇烈摩擦從而實現(xiàn)機車制動。這個過程會產(chǎn)生大量熱能，極易造成閘瓦磨損甚至損壞[3]，嚴重威脅機車運行安全，因此對鐵路閘瓦狀態(tài)進行有效監(jiān)測具有重要意義。

當前，面向閘瓦獨立監(jiān)測的研究相對較少，人工目測仍然是主要的檢測手段，這種檢測手段檢測效率較低，且準確率不高[4-5]。隨著機器視覺技術的快速發(fā)展，為閘瓦狀態(tài)自動監(jiān)測提供了全新思路，學者們也相繼提出了基于圖像識別技術的閘瓦狀態(tài)監(jiān)測算法[6-7]，然而受安裝工藝等因素影響，閘瓦周邊部件多，閘瓦圖像背景相對復雜，給閘瓦機器視覺監(jiān)測帶來了不小的挑戰(zhàn)。為此，本文提出一種基于機器視覺的鐵路閘瓦狀態(tài)監(jiān)測方法，通過設計改進Canny算子和建立RBF神經(jīng)網(wǎng)絡監(jiān)測模型，實現(xiàn)對閘瓦狀態(tài)的有效監(jiān)測。

1 閘瓦圖像采集預處理系統(tǒng)

本文建立的閘瓦圖像采集預處理系統(tǒng)如圖1所示，系統(tǒng)主要零部件有CCD相機、補光光源、高速磁鋼傳感器、工控機、無線發(fā)射器、服務器。

圖1 閘瓦圖像采集預處理系統(tǒng)

系統(tǒng)工作流程為：當機車與高速磁鋼傳感器的距離處于一定范圍時，傳感器產(chǎn)生高電平信號，觸發(fā)CCD相機抓拍閘瓦圖像，閘瓦圖像傳輸?shù)焦た貦C，工控機對圖像進行中值濾波[8]和灰度增強[9]處理后，傳輸?shù)椒掌鞫?。在服務器端，調整Ostu算法[10]閾值大小，從而得到閘瓦分割圖像，最后利用本文提出的閘瓦狀態(tài)監(jiān)測方法完成對閘瓦狀態(tài)識別監(jiān)測。

2 改進Canny算子邊緣提取與閘瓦狀態(tài)監(jiān)測

圖像邊緣保留了圖像基本的特征和信息，很大程度降低了計算機處理的數(shù)據(jù)量[11]，有利于提高閘瓦監(jiān)測速度。為此，本文對麻雀搜索算法(spar-row search algorithm，SSA)[12]進行改進，并利用改進的SSA(ISSA)優(yōu)化Canny算子[13]，以提高閘瓦分割圖像邊緣提取的效果。

2.1 麻雀搜索算法改進

SSA是一種新型仿生群智能計算技術，在連續(xù)問題優(yōu)化領域表現(xiàn)出較好的收斂性能。SSA模擬麻雀群體覓食行為，根據(jù)個體適應度優(yōu)劣，將麻雀劃分為發(fā)現(xiàn)者XD、跟隨者XF和警戒者XV3種類型，分別執(zhí)行不同的進化方式，通過相互信息交流，最終實現(xiàn)問題優(yōu)化求解。XD,XF和XV更新方式為：

(1)

(2)

(3)

式中：t為算法當前迭代次數(shù)；λ1,q為隨機數(shù)；λ2為預警值；λ3為比例系數(shù)；Tmax為算法最大迭代次數(shù)；L為元素均為1的矩陣；S為安全值；A為由1、-1組成的向量，A+為A的廣義逆矩陣；i為個體編號；Q為種群規(guī)模；Xw(t)為最差解；Xb(t)為最優(yōu)解；ε為極小常數(shù)；f(XV(t))、f(Xb(t))為個體適應度。

(4)

(5)

(6)

(7)

2.2 改進Canny算子與邊緣提取

Canny算子能夠在盡可能保持圖像邊緣信息的同時，最大限度降低數(shù)據(jù)規(guī)模。Canny通過對圖像進行高斯平滑濾波、梯度方向和梯度幅值計算、非極大值抑制以及閾值選取處理，最終得到圖像邊緣二值化圖。

高閾值TH、低閾值TL以及高斯濾波標準差σ是Canny算子涉及的主要參數(shù)。由于(TH,TL,σ)取值直接決定了邊緣提取效果，因此本文采用ISSA對(TH,TL,σ)進行優(yōu)化，ISSA個體編碼設置為X=(TH,TL,σ)，目標函數(shù)設置為目標與背景的類間方差：

f(X)=β0(t)×β1(t)×(θ0(t)-θ1(t))2

(8)

式中：f(X)為X的目標函數(shù)值；β0(t)為小于TH的像素數(shù)量；β1(t)為大于TH的像素數(shù)量；θ0(t)為小于TH像素的平均灰度值；θ1(t)為大于TH像素的平均灰度值。ISSA通過迭代優(yōu)化，最終得到最優(yōu)Canny算子參數(shù)配置，圖2所示為ISSA優(yōu)化Canny算子參數(shù)實現(xiàn)流程圖。

圖2 ISSA優(yōu)化Canny算子參數(shù)實現(xiàn)流程圖

對于閘瓦分割圖像I(x,y)，利用改進的Canny算子進行邊緣提取，得到I(x,y)邊緣數(shù)據(jù)E。E作為閘瓦狀態(tài)監(jiān)測基礎數(shù)據(jù)，通過訓練學習，最終實現(xiàn)對閘瓦狀態(tài)的識別監(jiān)測。圖3為改進Canny算子邊緣提取示意圖。

圖3 改進Canny算子邊緣提取示意圖

2.3 閘瓦狀態(tài)監(jiān)測實現(xiàn)

常見的閘瓦狀態(tài)有正常、熔渣、破損、斷裂、位置偏移、丟失、有覆蓋物7種，分別選取7種狀態(tài)的閘瓦50個，共350個樣本，利用閘瓦圖像采集預處理系統(tǒng)對350個樣本進行圖像獲取、處理、分割，并采用改進Canny算子提取邊緣特征，得到訓練樣本集{Ei}i=1,…,350。建立閘瓦狀態(tài)監(jiān)測模型，采用徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡對{Ei}i=1,…,350進行訓練，并對待監(jiān)測樣本進行狀態(tài)識別，圖4為RBF神經(jīng)網(wǎng)絡示意圖。

圖4 RBF神經(jīng)網(wǎng)絡示意圖

RBF神經(jīng)網(wǎng)絡由輸入層、隱含層和輸出層組成，其中隱含層利用φ(x)(本文選取高斯函數(shù))對輸入變量Ei進行映射轉換：

hj=φ(‖Ei-cj‖2)j=1,…,q

(9)

式中：hj為Ei的映射轉換輸出值；q為隱含層神經(jīng)元個數(shù)；cj為第j個神經(jīng)元中心。

RBF神經(jīng)網(wǎng)絡需要設置的參數(shù)有C、高斯函數(shù)標準差σ和q，其中C=(c1,…,cq)，采用ISSA對(C,σ,q)進行優(yōu)化求解，得到最佳分類RBF神經(jīng)網(wǎng)絡模型。ISSA個體編碼設置為X=(C,σ,q)，目標函數(shù)設置為目標與背景的類間方差：

(10)

3 試驗仿真

3.1 邊緣提取

本文利用閘瓦圖像采集預處理系統(tǒng)對訓練樣本進行圖像采集處理，閘瓦表層涂白漆以增加對比度。ISSA參數(shù)設置如下：Q=300，Tmax=400，ωmax=1.2，ωmin=0.15。圖5給出了不同Ostu閾值下的閘瓦分割圖像，圖6給出了本文提出的改進Canny算子、ACO-Canny算子[14]、Prewitt算子和基本Canny算子邊緣提取結果。圖7給出了ISSA與SSA、PSO算法(粒子群算法)優(yōu)化Canny算子參數(shù)函數(shù)收斂曲線對比圖。

圖5 不同Ostu閾值下的閘瓦分割圖像

圖6 不同算子邊緣提取效果圖

圖7 ISSA與SSA、PSO算法優(yōu)化Canny算子參數(shù)函數(shù)收斂曲線對比圖

從圖5可以看出，不同Ostu閾值得到的圖像分割效果不同，當閾值在180以下時，很難區(qū)分閘瓦和背景設備；當閾值達到180以上時，隨著閾值逐漸增大，閘瓦分割圖像逐漸清晰，尤其是閾值在230左右時，得到的分割圖像較為理想；如果閾值繼續(xù)增加，分割圖像內(nèi)部模糊點增多，效果會變差。由此可知，合理設置閾值才能夠得到清晰的閘瓦分割圖像。

從圖6可以看出，不同的算子提取的分割圖像邊緣是不同的，直觀上來看，改進Canny算子得到的邊緣清晰、連續(xù)，優(yōu)于其他3種算子，而Prewitt算子、Canny算子表現(xiàn)最差，很難得到完整的分割圖像邊緣。

從圖7可以看出，相比于PSO和SSA，ISSA全局收斂性能更優(yōu)，表明改進的個體更新策略有效保持了種群樣本多樣性，提高了算法跳出局部最優(yōu)的能力。

3.2 閘瓦狀態(tài)監(jiān)測對比試驗

表1 閘瓦狀態(tài)監(jiān)測對比結果

從表1可以看出，在監(jiān)測正確率方面，對于7種閘瓦狀態(tài)監(jiān)測問題，本文監(jiān)測方法的正確率都達到了90%以上，相比于文獻[6]提出的方法，監(jiān)測正確率提高了14.7%～18.0%，而Canny-RBF表現(xiàn)最差，最高的監(jiān)測正確率也只有68.3%。在運算時間上，3種算法表現(xiàn)相當，都到了毫秒級別，能夠滿足快速監(jiān)測要求。

試驗結果表明，本文所提監(jiān)測方法具有更好的監(jiān)測性能，這是因為采用改進Canny算子提取到的分割圖像邊緣特征更明顯，并且有效降低了數(shù)據(jù)處理量，很大程度減少了計算時間，即利用ISSA優(yōu)化后的RBF神經(jīng)網(wǎng)絡進行分類監(jiān)測，監(jiān)測結果可信度更高。

4 結束語

本文對鐵路機車閘瓦狀態(tài)高精度自動檢測問題進行了研究，提出了一種基于機器視覺的鐵路閘瓦狀態(tài)監(jiān)測方法，通過設計ISSA對Canny算子進行優(yōu)化，并建立融合ISSA優(yōu)化RBF神經(jīng)網(wǎng)絡監(jiān)測模型，實現(xiàn)了對閘瓦狀態(tài)的有效監(jiān)測。試驗結果也驗證了該方法能夠大幅度提高監(jiān)測精度，具有一定的推廣應用價值。