張飛龍，黃海軍

（成都地鐵運營有限公司，四川 成都 610000）

LY輪對外形尺寸檢測系統(tǒng)異常曲線判斷算法研究

張飛龍，黃海軍

（成都地鐵運營有限公司，四川 成都 610000）

LY輪對外形尺寸檢測系統(tǒng)是用于檢測鐵路車輛車輪輪對尺寸外形參數(shù)的設備。隨著我國軌道交通事業(yè)的快速發(fā)展，該設備在全國已取得了廣泛的應用，大大提高了車輛檢修的工作效率。系統(tǒng)通過相機拍攝車輪踏面激光線，能夠對地鐵車輛車輪的尺寸參數(shù)進行實時檢測，保證運行車輛的安全運行。但由于存在雨雪天氣、異物遮擋等影響，會使圖像中存在異常的激光線，影響車輪尺寸參數(shù)的計算。本文設計了一種判斷圖像中異常曲線的算法，可以排除圖像中的異常激光線對車輪參數(shù)計算造成的影響，保證車輪參數(shù)的檢測精度。

地鐵車輛；輪對；尺寸參數(shù)；異常曲線

1 概述

隨著我國城市軌道交通快速發(fā)展，軌道交通已經(jīng)成為城市的重要交通工具，是緩解城市擁堵交通問題的重要手段。車輪作為車輛與軌道接觸部位，承載著來自整個列車的載荷，是車輛走行部的重要部件。在列車的實際運行中，由于存在著輪軌相互作用，車輪踏面及輪緣會出現(xiàn)磨損，使車輪外形的尺寸發(fā)生變化。對車輪踏面外形尺寸變化的跟蹤監(jiān)測有利于及時發(fā)現(xiàn)和排除由于車輪尺寸引起的列車運行安全隱患。車輛輪對外形尺寸的動態(tài)檢測是非常重要的，它可以保障車輛的安全運行和旅客生命財產(chǎn)安全。輪對外形尺寸檢測系統(tǒng)的基本檢測單元，主要由分布在軌道兩側的8個LD和CCD組成。檢測系統(tǒng)的傳感器在現(xiàn)場的布置如圖1所示，列車的運行方向是從右向左。激光線投射到車輪踏面上，CCD拍攝包含車輪外形參數(shù)信息的光截線。

圖1 基本檢測單元

當車輛經(jīng)過檢測系統(tǒng)時，車輪經(jīng)過車輪觸發(fā)傳感器觸發(fā)激光投射在車輪踏面上，并觸發(fā)CCD采集激光圖像。完成采集后，原始數(shù)據(jù)經(jīng)過軟件處理，將圖2上的二維激光線通過標定參數(shù)還原到三維空間中，最終得到車輪外形各個參數(shù)的檢測結果。

圖2 激光線圖像

2 問題分析

對于輪對外形尺寸檢測系統(tǒng)，影響車輪參數(shù)計算結果的主要因素是圖像中激光曲線。雨雪天氣會導致車輪激光線圖像形成光斑，無法準確提取激光線的像素坐標，如圖3所示，這種情況會影響輪緣厚度參數(shù)的計算精度；車底異物遮擋等會導致圖像中曲線的缺少或者非車輪踏面激光線存在，如圖4所示，這種情況會把車輪異物曲線當成踏面曲線進行計算，從而影響車輪參數(shù)的計算。這些因素都會影響車輪尺寸參數(shù)的計算精度。

圖3 雨雪天氣激光線圖像

3 解決方案

針對雨雪天氣和車底異物對車輪激光線圖像造成的影響，本文提出了兩種方法分別解決這兩種問題。對于雨雪天氣，主要在曲線提取方面，采用了顯著性檢測的方法識別圖像中的光斑區(qū)域；對于車底異物，主要在曲線識別方面，采用了K-means方法對圖像中的非車輪踏面激光線進行識別。

圖4 異物遮擋激光線圖像

3.1 光斑識別

顯著性檢測的原理是：圖像中圖像分塊的顯著性取決于該圖像分塊與周圍環(huán)境的差異，其本身視覺特征并不決定其顯著性。圖像分塊與其周圍環(huán)境的特征差異越大，該圖像分塊越有可能是一個高顯著區(qū)域。同時，若進行比較的其他圖像分塊與該圖像分塊之間的空間距離越近，對比性越明顯，該圖像分塊更容易引起視覺注意，所以圖像分塊的對比度與空間距離成反比。故圖像分塊的顯著性計算公式如下：

3.2 異物曲線識別

K-means算法是很典型的基于距離的聚類算法，采用距離作為相似性的評價指標，即認為兩個對象的距離越近，其相似度就越大。算法過程如下：（1）從N個文檔隨機選取K個文檔作為質心。（2）對剩余的每個文檔測量其到每個質心的距離，并把它歸到最近的質心的類。（3）重新計算已經(jīng)得到的各個類的質心（4）迭代2～3步直至新的質心與原質心相等或小于指定閾值，算法結束。對輪對檢測系統(tǒng)的激光線圖像進行分類時選取的特征為：曲線在圖像中出現(xiàn)的位置（像素橫坐標的最大值和最小值、像素縱坐標的最大值和最小值）、曲線的像素長度、曲線的像素寬度。曲線分類的結果如圖6所示，方形框內為異常的曲線，圓形框內為正常的曲線。對圖像中的異物曲線識別后，便將異物曲線剔除，不參加后面車輪參數(shù)的計算。

圖5 光斑識別結果

圖6 異物曲線識別結果

4 數(shù)據(jù)測試

4.1 光斑識別驗證

本文對雨雪天氣的576張圖片進行了光斑識別測試，共標記了1485個光斑區(qū)域，有28個光斑未能標記出來，識別率為98．2%，未標記的主要原因是光斑區(qū)域太小，如圖7。

圖7 未識別光斑的圖像

4.2 異物曲線識別驗證

本文對960張車輪激光圖片進行了曲線識別測試，圖片中共有3831條曲線：正常曲線3589條，異物曲線242條，正確標記的曲線為3795條，識別正確率99．1%。

4.3 數(shù)據(jù)準確性驗證

表1 過車數(shù)據(jù)輪緣高度準確性驗證

表2 過車數(shù)據(jù)輪緣厚度準確性驗證

表1～3是對一節(jié)車廂過車數(shù)據(jù)進行的準確性分析，輪緣高度和輪緣厚度的手工測量值使用第4種檢查器測量，車輪直徑的手工測量值使用輪徑尺進行測量。輪緣高度和輪緣厚度的精度要求為±0．2mm，車輪直徑的精度要求為±時0．6mm。系統(tǒng)的過車數(shù)據(jù)準確性能夠達到要求。

表3 過車數(shù)據(jù)車輪直徑準確性驗證

5 結語

本文介紹了一種車輛輪對外形尺寸檢測系統(tǒng)，主要介紹了系統(tǒng)的原理及系統(tǒng)在遇到雨雪天氣及車底異物遮擋的情況下，對出現(xiàn)異常圖像的處理方法。并且對文章中提出的光斑識別算法和異物曲線識別算法進行了驗證，對系統(tǒng)數(shù)據(jù)準確性也進行了驗證。驗證結果表明系統(tǒng)能夠滿足車輛輪對尺寸參數(shù)檢測的需求，能夠提高車輛的檢修效率，減少人工檢修工作量，保障車輛的安全運行。

[1]張渝, 彭建平, 楊凱, 彭朝勇． 輪對外形輪廓檢測中攝像機系統(tǒng)的標定算法[J]．光電工程, 2009, 36(7): 112-116．

[2]陳剛, 任光勝． 車輛輪對狀態(tài)在線檢測系統(tǒng)研究[J]．城市軌道交通研究, 2012, 15(10): 79-81．

[3]陳靜, 禹建偉, 譚志忠． 地鐵車輛輪對動態(tài)檢測系統(tǒng)研究[J]．城市軌道交通研究, 2014, 17(7): 82-84．

U279.3

A

1671-0711（2017）10（下）-0060-03