陳葉健,姚小文,張 永,邢宗義

(南京理工大學(xué)自動(dòng)化學(xué)院,南京 210094)

城軌列車(chē)受電弓滑板磨耗檢測(cè)技術(shù)研究

陳葉健,姚小文,張 永,邢宗義

(南京理工大學(xué)自動(dòng)化學(xué)院,南京 210094)

為實(shí)現(xiàn)城軌列車(chē)受電弓滑板磨耗的在線(xiàn)非接觸式檢測(cè),對(duì)城軌列車(chē)受電弓滑板磨耗檢測(cè)技術(shù)進(jìn)行研究。提出一種基于圖像處理的受電弓滑板磨耗檢測(cè)方法,其步驟為：首先,對(duì)采集系統(tǒng)采集到的原始圖像進(jìn)行圖像濾波,濾除原始圖像中的混合噪聲；然后,采用基于直方圖凹度分析的自適應(yīng)Canny邊緣檢測(cè)方法對(duì)濾波后的圖像進(jìn)行邊緣檢測(cè),檢測(cè)出圖像內(nèi)受電弓滑板邊緣；最后,通過(guò)相機(jī)標(biāo)定和曲線(xiàn)融合獲得實(shí)際的受電弓滑板磨耗曲線(xiàn),以判斷受電弓滑板磨耗是否超限。試驗(yàn)結(jié)果表明：該方法能有效地檢測(cè)出原始圖像中的受電弓滑板磨耗曲線(xiàn),能有效地實(shí)現(xiàn)城軌列車(chē)受電弓滑板磨耗的在線(xiàn)非接觸式檢測(cè)。

城軌列車(chē)；受電弓滑板；圖像濾波；自適應(yīng)Canny邊緣檢測(cè)；相機(jī)標(biāo)定

城軌交通系統(tǒng)中，受電弓是城軌列車(chē)和接觸線(xiàn)的電連接設(shè)備，其滑板的狀態(tài)好壞對(duì)城軌列車(chē)的供電有直接的影響。在列車(chē)運(yùn)行過(guò)程中，其滑板與接觸線(xiàn)摩擦產(chǎn)生磨耗，降低了滑板的使用壽命，過(guò)度磨耗將造成列車(chē)停運(yùn)，對(duì)列車(chē)安全運(yùn)行造成極大的影響[1]。因此，受電弓滑板磨耗的在線(xiàn)實(shí)時(shí)檢測(cè)對(duì)于保障城軌列車(chē)的安全運(yùn)營(yíng)具有重大的實(shí)際意義。

孫豐暉等[2-4]在檢測(cè)區(qū)域正上方安裝超聲波傳感器，利用超聲波原理設(shè)計(jì)了一套受電弓滑板磨耗在線(xiàn)檢測(cè)裝置；岳安志等[5]基于主動(dòng)形狀模型(Active Shape Model)提出了一種受電弓滑板磨耗在線(xiàn)檢測(cè)方法；北京的天佐天佑公司基于激光測(cè)距及圖像處理技術(shù)設(shè)計(jì)和開(kāi)發(fā)了一種受電弓滑板磨耗在線(xiàn)檢測(cè)系統(tǒng)[6]；Aydin I[7]提出了一種自動(dòng)定位受電弓檢測(cè)區(qū)域并去除圖像質(zhì)量受天氣等因素影響，同時(shí)采用螢火蟲(chóng)算法檢測(cè)滑板故障的新診斷方法；Judek S等[8]提出了一種基于3D掃描受電弓表面的滑板磨耗及其故障在線(xiàn)檢測(cè)算法。

本文提出一種受電弓滑板磨耗檢測(cè)算法，通過(guò)基于直方圖凹度分析的自適應(yīng)Canny邊緣檢測(cè)算法獲取受電弓滑板邊緣圖像，根據(jù)相機(jī)的內(nèi)部參數(shù)和外部參數(shù)求取受電弓滑板實(shí)際的磨耗剩余值，進(jìn)一步實(shí)現(xiàn)受電弓滑板磨耗曲線(xiàn)的繪制。該方法能有效地獲得受電弓滑板磨耗曲線(xiàn)，為判斷受電弓滑板磨耗是否超限提供依據(jù)。

1 圖像處理技術(shù)簡(jiǎn)介

圖像是獲取和交換信息的主要來(lái)源，數(shù)字圖像處理技術(shù)具有再現(xiàn)性好，處理精度高，靈活性高等優(yōu)點(diǎn)，因此其應(yīng)用到人類(lèi)生活和工作的方方面面，如航天航空技術(shù)、通信工程等。本文將圖像處理技術(shù)應(yīng)用到鐵路安全運(yùn)輸方面[9]。在檢測(cè)現(xiàn)場(chǎng)安裝4臺(tái)基于CCD感光芯片的工業(yè)相機(jī)，每2臺(tái)拍攝列車(chē)車(chē)頂上受電弓的一個(gè)滑板。工業(yè)相機(jī)拍攝到的滑板圖像經(jīng)千兆以太網(wǎng)傳輸?shù)綀D像處理系統(tǒng)，圖像經(jīng)過(guò)圖像處理系統(tǒng)中的濾波、邊緣檢測(cè)、相機(jī)標(biāo)定等圖像處理技術(shù)來(lái)檢測(cè)受電弓滑板的磨耗。

圖像在采集、傳輸和接受的過(guò)程中會(huì)不可避免地受到外部環(huán)境的干擾，這導(dǎo)致圖像中存在大量的噪聲[9]。而圖像處理中的邊緣檢測(cè)算法主要是基于圖像灰度的導(dǎo)數(shù)算法。導(dǎo)數(shù)對(duì)噪聲比較敏感，噪聲與邊緣檢測(cè)的結(jié)果直接相關(guān)，因此需要采用濾波器濾除噪聲來(lái)改善圖像的質(zhì)量，從而提高邊緣檢測(cè)的準(zhǔn)確性。圖像濾波的目的在于保全圖像邊緣信息的同時(shí)，最大程度地降低噪聲，但是降低噪聲和增強(qiáng)邊緣是邊緣檢測(cè)中的一個(gè)矛盾問(wèn)題，是邊緣檢測(cè)過(guò)程中的一個(gè)難點(diǎn)，實(shí)際應(yīng)用中需根據(jù)實(shí)際問(wèn)題對(duì)兩者進(jìn)行折中。

圖1 階躍邊緣

圖像邊緣指的是圖像局部灰度值發(fā)生突變或者灰度值變化比較劇烈的區(qū)域，是圖像分析的重要特征，主要存在于目標(biāo)與目標(biāo)、目標(biāo)與背景、區(qū)域與區(qū)域之間[10-11]。根據(jù)圖像邊緣的幅度，將邊緣分為階躍邊緣和屋脊邊緣兩種，如圖1(a)、圖2(a)所示，階躍邊緣兩側(cè)的灰度值有明顯的變化，而屋脊邊緣位于灰度值極大值點(diǎn)處。為更清晰地判斷圖像邊緣的準(zhǔn)確位置，分別求取階躍邊緣和屋脊邊緣的一階、二階導(dǎo)數(shù)，如圖1(b)、圖1(c)，圖2(b)、圖2(c)所示。邊緣檢測(cè)的目的就是采用相關(guān)數(shù)字圖像處理技術(shù),將圖像中的灰度變化劇烈的像素點(diǎn)檢測(cè)出來(lái)，并獲得其在圖像中具體位置。

圖2 屋脊邊緣

2 受電弓滑板磨耗檢測(cè)算法

受電弓和接觸導(dǎo)線(xiàn)按“之”字形布局構(gòu)成1對(duì)摩擦副，接觸導(dǎo)線(xiàn)和受電弓運(yùn)行方向之間(軌道中心線(xiàn))的夾角為1.2/50 rad[12]，夾角很小，可認(rèn)為受電弓滑板上表面在寬度方向上的磨耗是相同的，所以，可以用受電弓滑板的上下邊緣來(lái)對(duì)整個(gè)受電弓滑板的磨耗進(jìn)行分析。但是在受電弓運(yùn)行過(guò)程中，接觸網(wǎng)與滑板之間經(jīng)常產(chǎn)生打火、拉弧等現(xiàn)象，導(dǎo)致滑板托架變黑。另外，雨水也會(huì)影響滑板下邊緣的提取。因此，滑板下邊緣的提取變得越發(fā)困難。為提高系統(tǒng)的檢測(cè)精度，本文檢測(cè)滑板上邊緣和托架下邊緣之間的距離，將該距離值減去滑板托架的厚度得到滑板的剩余磨耗值。

本文檢測(cè)受電弓滑板磨耗主要利用2臺(tái)CCD相機(jī)拍攝的半弓圖像進(jìn)行分析，采用數(shù)字圖像處理技術(shù)，提取受電弓滑板上邊緣與托架下邊緣；通過(guò)相機(jī)標(biāo)定計(jì)算滑板上邊緣和托架下邊緣之間的距離，減去托架厚度獲取半弓滑板剩余磨耗曲線(xiàn)；將2條半弓滑板磨耗曲線(xiàn)進(jìn)行曲線(xiàn)融合，從而得到整個(gè)滑板的剩余磨耗曲線(xiàn)，受電弓滑板磨耗檢測(cè)流程如圖3所示。

圖3受電弓滑板磨耗檢測(cè)流程

2.1 圖像濾波

受電弓滑板磨耗檢測(cè)中，由于受外界環(huán)境的影響，采集到的原始圖像往往包含大量噪聲。而原始圖像中大量噪聲的存在會(huì)嚴(yán)重影響邊緣提取，不利于對(duì)受電弓滑板磨耗的分析，因此對(duì)含噪聲的原始圖像進(jìn)行圖像濾波是非常有必要的，也為進(jìn)一步提高分析受電弓滑板磨耗的準(zhǔn)確度奠定了基礎(chǔ)。

由于相機(jī)采集到的原始圖像存在大量的混合噪聲，主要是脈沖和高斯噪聲。本文提出一種濾除混合噪聲的濾波算法，首先采用中值濾波算法對(duì)脈沖噪聲進(jìn)行抑制，再采用均值濾波算法對(duì)高斯噪聲進(jìn)行抑制，2種濾波算法遞進(jìn)濾除受電弓圖像中的混合噪聲[13]。

圖像濾波后，通常采用均方差(MSE)和峰值信噪比(PSNR)[14]來(lái)對(duì)圖像濾波算法的性能進(jìn)行客觀評(píng)價(jià)。均方差(MSE)是一個(gè)原始圖像與濾波后圖像之間的均方誤差的工程術(shù)語(yǔ)，峰值信噪比(PSNR)是一個(gè)表示信號(hào)最大可能功率和影響他的表示精度的破壞性噪聲功率的比值的工程術(shù)語(yǔ)，由此可知，均方差(MSE)越小，峰值信噪比(PSNR)越大，濾波效果越好。均方差(MSE)的定義為

式中，I(i，j)為原始圖像；K(i，j)為濾波后圖像。

峰值信噪比(PSNR)的定義為

式中，MAX表示圖像點(diǎn)顏色的最大數(shù)值。

2.2 自適應(yīng)Canny邊緣檢測(cè)

自適應(yīng)Canny邊緣檢測(cè)算法提出一種通過(guò)對(duì)圖像梯度直方圖的凹度分析自動(dòng)實(shí)現(xiàn)高低閾值設(shè)置的邊緣檢測(cè)算法。自適應(yīng)Canny邊緣檢測(cè)算法的具體步驟如下。

(1)梯度計(jì)算

在圖像濾波后的圖像中像素點(diǎn)及其8鄰域內(nèi)采用3×3卷積模塊計(jì)算該點(diǎn)的梯度。圖像像素點(diǎn)(i，j)在水平垂直方向上的定義為

fx(i，j)=f(i+1，j-1)+2f(i+1，j)+

f(i+1，j+1)-f(i-1，j-1)-2f(i-1，j)-

fy(i，j)=f(i-1，j+1)+2f(i，j+1)+

f(i+1，j+1)-f(i-1，j-1)-2f(i，j-1)-

梯度幅值M(i，j)定義為

梯度方向定義為

梯度幅值M(i，j)反映了圖像像素點(diǎn)(i，j)的邊緣強(qiáng)度，θ(i，j)為圖像上像素點(diǎn)(i，j)的法向矢量，與邊緣的方向垂直。

(2)非極大值抑制

非極大值抑制只保留局部梯度極大值點(diǎn)，抑制非極大值點(diǎn)，具體算法如下。

①將梯度的方向角θ(i，j)的變化范圍減少到4個(gè)扇區(qū)之一，如圖4所示，這4個(gè)扇區(qū)的編號(hào)為0到3。對(duì)于點(diǎn)(i，j)，根據(jù)其梯度方向確定所在的扇區(qū)ξ(i，j)。

②采用尺寸大小為3×3的窗口作用于梯度幅值圖的所有點(diǎn)，在以點(diǎn)(i，j)為中心的8鄰域內(nèi)，鄰域內(nèi)任一像素點(diǎn)必然位于4個(gè)扇區(qū)之一，根據(jù)點(diǎn)的梯度方向確定其所在扇區(qū)，選取該扇區(qū)相鄰的兩個(gè)點(diǎn)與點(diǎn)(i，j)進(jìn)行梯度幅值比較，若點(diǎn)(i，j)的梯度幅值大于這2個(gè)點(diǎn)的梯度幅值，則點(diǎn)(i，j)可能是邊緣點(diǎn)，相對(duì)應(yīng)M(i，j)中的值保持不變。反之，點(diǎn)(i，j)不是邊緣像素點(diǎn)，相對(duì)應(yīng)M(i，j)中的值置零。

③對(duì)圖像所有像素點(diǎn)進(jìn)行以上處理，獲得單像素寬度的梯度幅值特征圖。

圖4 梯度方向的扇區(qū)劃分

(3)基于直方圖凹度分析的高低閾值選取

將直方圖凹度分析運(yùn)用到高低閾值的選取當(dāng)中，對(duì)梯度幅值直方圖進(jìn)行凹度分析來(lái)選取高低閾值，高低閾值選取具體過(guò)程如下。

①求取受電弓圖像的256級(jí)梯度幅值直方圖h(i)，提取直方圖h(i)的非零起點(diǎn)[istart，h(istart)]和非零終點(diǎn)[iend，h(iend)]。

②根據(jù)式(8)計(jì)算直方圖中梯度幅值從istart和iend的斜率。

其中，s(i)為斜率；i為梯度幅值。

③提取斜率s(i)的最大值及對(duì)應(yīng)的梯度幅值ipeak，[ipeak，h(ipeak)]是梯度直方圖的一個(gè)凸點(diǎn)，若ipeak

(4)邊緣點(diǎn)判斷

邊緣點(diǎn)的判斷方法為：根據(jù)梯度幅值特征圖像進(jìn)行判斷，若點(diǎn)的梯度幅值大于Th，則認(rèn)為該點(diǎn)是邊緣點(diǎn)；若點(diǎn)的梯度幅值小于Tl，則該點(diǎn)不是邊緣點(diǎn)；若點(diǎn)的梯度幅值在Tl和Th之間，則該點(diǎn)可能為邊緣點(diǎn)，需進(jìn)一步判斷，根據(jù)該點(diǎn)左右的鄰接點(diǎn)的梯度幅值進(jìn)行判斷，若存在梯度幅值大于Th的點(diǎn)，則認(rèn)為該點(diǎn)是邊緣點(diǎn)，否則該點(diǎn)不是邊緣點(diǎn)。

(5)邊緣連接

對(duì)于經(jīng)過(guò)非極大值抑制處理后的圖像N(i，j)，經(jīng)過(guò)高、低閾值檢測(cè)分別得到邊緣圖像Th(i，j)和Tl(i，j)。圖像Th(i，j)是經(jīng)過(guò)高閾值處理得到的圖像；Tl(i，j)是經(jīng)過(guò)低閾值檢測(cè)得到的圖像。根據(jù)邊緣的連通性，以圖像Th(i，j)為基礎(chǔ)，在圖像Tl(i，j)中搜索可能存在的邊緣點(diǎn)用于邊緣連接，得到最終的邊緣圖像。邊緣連接算法具體過(guò)程如下。

①遍歷邊緣圖像Th(i，j)，當(dāng)檢測(cè)到一個(gè)非零點(diǎn)P時(shí)，對(duì)以P為出發(fā)點(diǎn)的輪廓線(xiàn)進(jìn)行跟蹤，一直檢測(cè)到該輪廓線(xiàn)的終點(diǎn)Q。

②在圖像Tl(i，j)中找到與Th(i，j)中的Q點(diǎn)坐標(biāo)位置相對(duì)應(yīng)的Q′點(diǎn)，在以Q′點(diǎn)為中心的8個(gè)鄰域內(nèi)檢測(cè)非零點(diǎn)R′(有連通關(guān)系的點(diǎn))，然后在圖像Th(i，j)中設(shè)置與點(diǎn)R′對(duì)應(yīng)的點(diǎn)R。

③同理，繼續(xù)在圖像Th(i，j)中搜索跟蹤以R點(diǎn)為出發(fā)點(diǎn)的輪廓線(xiàn)。重復(fù)以上步驟，循環(huán)進(jìn)行，直到在圖像Th(i，j)和Tl(i，j)中找不到可以與此輪廓相連接的點(diǎn)。這樣，就完成了包含點(diǎn)P的輪廓線(xiàn)連接。然后跟蹤Th(i，j)中的每一條輪廓線(xiàn)，直到在圖像Th(i，j)中找不到新的輪廓線(xiàn)為止。

本文采用客觀評(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)邊緣檢測(cè)算法，其中客觀評(píng)價(jià)指標(biāo)主要包含重構(gòu)相似度(MSSIM)和連續(xù)性指標(biāo)(CIdx)，將二者的加權(quán)和值作為邊緣檢測(cè)的最終客觀評(píng)價(jià)指標(biāo)EIdx[15]，如式(9)所示。EIdx值越大，則表明圖像邊緣的檢測(cè)效果越好，算法的檢測(cè)性能越好。

式中，ω1、ω2分別為重構(gòu)相似度、連續(xù)性指標(biāo)的權(quán)重，且ω1+ω2=1。

2.3 相機(jī)標(biāo)定

通過(guò)自適應(yīng)Canny邊緣檢測(cè)獲得邊緣圖像后，需要根據(jù)相機(jī)標(biāo)定獲得的相機(jī)內(nèi)部參數(shù)和外部參數(shù)將受電弓滑板上邊緣與托架下邊緣之間的距離值轉(zhuǎn)化為現(xiàn)實(shí)世界坐標(biāo)系下的距離值，減去托架厚度獲得受電弓滑板磨耗曲線(xiàn)。由于張正友標(biāo)定法具有很好的魯棒性，而且其對(duì)標(biāo)定板的要求不高，具有很強(qiáng)的使用性，所以本文選用張正友標(biāo)定法進(jìn)行相機(jī)標(biāo)定。

相機(jī)標(biāo)定過(guò)程：在相機(jī)的視野范圍內(nèi)放置黑白棋盤(pán)格標(biāo)定板，通過(guò)移動(dòng)標(biāo)定板采集并存儲(chǔ)多張不同姿態(tài)的標(biāo)定板圖像，然后計(jì)算并提取標(biāo)定板上的角點(diǎn)亞像素坐標(biāo)，最后利用相關(guān)開(kāi)源軟件計(jì)算相機(jī)的內(nèi)部參數(shù)(相機(jī)焦距f、圖像中心點(diǎn)(u0，v0)、像元尺寸dx和dy、畸變系數(shù)δx(x，y)、δy(x，y)等)和外部參數(shù)(旋轉(zhuǎn)矩陣R和平移向量T)。

根據(jù)張正友標(biāo)定法得到的相機(jī)的內(nèi)部參數(shù)和外部參數(shù)可確定世界坐標(biāo)系到攝像機(jī)坐標(biāo)系之間的轉(zhuǎn)換關(guān)系，從而得到三維物理空間點(diǎn)Q在世界坐標(biāo)系中的坐標(biāo)與其成像點(diǎn)q在圖像像素坐標(biāo)中的坐標(biāo)之間的變換關(guān)系，此變換關(guān)系如式(10)所示。

2.4 曲線(xiàn)融合

本文采用2組相機(jī)分別采集受電弓左右半弓的圖像，所以要想獲得全弓滑板的磨耗剩余厚度曲線(xiàn)，需將兩組相機(jī)采集到的半弓剩余磨耗曲線(xiàn)進(jìn)行數(shù)據(jù)融合，令左半弓剩余磨耗曲線(xiàn)所在坐標(biāo)系為ol-xlyl，右半弓剩余磨耗曲線(xiàn)所在坐標(biāo)系為or-xryr，根據(jù)滑板的特征將這兩個(gè)坐標(biāo)系進(jìn)行融合，融合后的坐標(biāo)系為o-xy。

將左右半弓滑板磨耗數(shù)據(jù)點(diǎn)根據(jù)式(11)進(jìn)行數(shù)據(jù)融合處理，將坐標(biāo)系ol-xlyl與or-xryr的滑板磨耗數(shù)據(jù)融合到坐標(biāo)系o-xy中，從而得到完整的滑板剩余磨耗輪廓曲線(xiàn)。

式中,(x，y)為融合坐標(biāo)系上的點(diǎn)，融合坐標(biāo)系o-xy的坐標(biāo)原點(diǎn)與左半弓坐標(biāo)系ol-xlyl的坐標(biāo)原點(diǎn)重合，所以，左半弓數(shù)據(jù)相對(duì)于融合坐標(biāo)系坐標(biāo)原點(diǎn)的偏移量為零，右半弓坐標(biāo)系or-xryr的坐標(biāo)原點(diǎn)相對(duì)于坐標(biāo)系o-xy的坐標(biāo)原點(diǎn)在x軸、y軸的偏移量分別為Δx、Δy。

根據(jù)滑板特征對(duì)Δx和Δy進(jìn)行取值，具體過(guò)程如下：

(1)將相機(jī)標(biāo)定后的左半弓滑板的長(zhǎng)度Ll作為Δx的初始值Δxs，Δxs=Ll，因?yàn)樽笥野牍鄼C(jī)選型時(shí)，考慮到裕量，滑板中心區(qū)域都能被左右半弓相機(jī)都能拍攝到，所以此時(shí)Δx的取值設(shè)定為初始值，而不一定是最終取值；

(2)根據(jù)左右滑板支撐架下邊緣是同一條邊緣的原則，確定Δy的初始值，Δys=0，由于邊緣檢測(cè)的影響，滑板支撐架下邊緣存在一定的誤差，無(wú)法達(dá)到理想的重合，所以，此時(shí)Δy的取值不一定是最終取值；

(3)左右半弓相機(jī)選型時(shí)，考慮到裕量，所以滑板中心區(qū)域，左右半弓相機(jī)都能拍攝到，所以可以根據(jù)這一特征對(duì)Δx與Δy的取值進(jìn)行進(jìn)一步的優(yōu)化，對(duì)左右半弓滑板剩余磨耗曲線(xiàn)選取相同大小重合區(qū)域的輪廓曲線(xiàn)，分別記為linel、liner，首先，對(duì)齊曲線(xiàn)linel和liner，求取兩條曲線(xiàn)差值的平方和esum，然后不斷調(diào)整兩條曲線(xiàn)在x、y軸方向的間距dΔx、dΔy，esum取值越小表示融合的滑板剩余磨耗輪廓曲線(xiàn)越接近滑板的真實(shí)輪廓線(xiàn)，所以提取esum最小時(shí)，dΔx與dΔy的取值，從而得到Δx與Δy的最終值。

Δx=Δxs-dΔx

3 試驗(yàn)與分析

本文提出了優(yōu)于傳統(tǒng)Canny算法的自適應(yīng)Canny邊緣檢測(cè)算法，然后將其運(yùn)用到受電弓滑板磨耗檢測(cè)方法中，對(duì)受電弓圖像進(jìn)行處理，以驗(yàn)證本文提出的受電弓滑板磨耗檢測(cè)技術(shù)的有效性。

3.1 自適應(yīng)Canny邊緣檢測(cè)分析

圖5 邊緣檢測(cè)圖像

基于Matlab平臺(tái)對(duì)比分析本文采用的自適應(yīng)Canny邊緣檢測(cè)算法和傳統(tǒng)Canny檢測(cè)算法的檢測(cè)性能。因邊緣檢測(cè)效果與被測(cè)物體的結(jié)構(gòu)相關(guān)，所以本文采用檢測(cè)系統(tǒng)采集到的原始圖像中的左、右半弓圖像作為邊緣檢測(cè)性能分析的基準(zhǔn)圖像，如圖5(a)、圖5(b)所示。分別采用濾波后的受電弓左半弓和右半弓的圖像對(duì)傳統(tǒng)Canny檢測(cè)算法和本文所提算法的邊緣檢測(cè)性能進(jìn)行比較分析。圖5(c)、圖5(d)分別為受電弓左半弓、右半弓圖像采用傳統(tǒng)Canny邊緣算法檢測(cè)結(jié)果圖，圖5(e)、圖5(f)分別為受電弓左半弓、右半弓圖像采用本文所提邊緣算法檢測(cè)結(jié)果圖。

分別對(duì)傳統(tǒng)Canny算法邊緣檢測(cè)和本文提出的自適應(yīng)Canny邊緣檢測(cè)進(jìn)行客觀指標(biāo)計(jì)算，結(jié)果如表1所示。

表1 邊緣檢測(cè)客觀指標(biāo)計(jì)算

由表1可知，本文所采用的邊緣算法的左、右半弓邊緣圖像的MSSIM值分別為0.812、0.792，CIdx值分別為0.736、0.720，EIdx值分別為0.782、0.763；傳統(tǒng)Canny邊緣算法左、右半弓邊緣圖像的MSSIM值分別為0.709、0.721，CIdx值分別為0.718、0.693，EIdx值分別為0.712、0.710。本文所采用的邊緣算法左、右半弓邊緣圖像的MSSIM、CIdx及EIdx都比傳統(tǒng)Canny邊緣檢測(cè)算法要大，表明本文所采用邊緣檢測(cè)算法的性能優(yōu)于傳統(tǒng)Canny邊緣算法。

3.2 受電弓滑板磨耗檢測(cè)算法實(shí)現(xiàn)

采用4臺(tái)CCD高清相機(jī)對(duì)前后兩個(gè)滑板進(jìn)行拍攝，4臺(tái)相機(jī)兩兩一組，在列車(chē)運(yùn)行方向?qū)ΨQ(chēng)安裝，以一定的俯角拍攝左右半弓滑板圖像?；逖a(bǔ)光燈安裝在軌道兩側(cè)，以一定的仰角對(duì)受電弓進(jìn)行補(bǔ)光，使拍攝的受電弓圖像滑板側(cè)面較亮，滑板上表面及背景較暗，突出滑板上、下邊緣。實(shí)際拍攝的圖像如圖6(a)和圖6(b)所示。對(duì)受電弓圖像進(jìn)行濾波，首先采用中值濾波算法濾除脈沖噪聲，再采用均值濾波算法濾除高斯噪聲，以達(dá)到濾除受電弓圖像中混合噪聲的目的。濾波后圖像如圖6(c)和圖6(d)所示。對(duì)濾波后的受電弓圖像進(jìn)行邊緣檢測(cè)，邊緣提取結(jié)果如圖6(e)和圖6(f)所示。

圖6 受電弓滑板邊緣檢測(cè)過(guò)程

基于受電弓邊緣輪廓線(xiàn)，對(duì)滑板及滑板托架進(jìn)行定位，經(jīng)過(guò)相機(jī)標(biāo)定得到左右半弓滑板及其托架的厚度曲線(xiàn)，根據(jù)滑板磨耗的定義，減去滑板托架厚度得到滑板剩余磨耗曲線(xiàn)，如圖7(a)、圖7(b)所示。

圖7 半弓滑板剩余磨耗量曲線(xiàn)

采用曲線(xiàn)融合算法對(duì)左、右半弓滑板進(jìn)行曲線(xiàn)融合處理，得到融合曲線(xiàn)。為便于分析觀察，將滑板下邊緣作為坐標(biāo)系橫軸，如圖8所示。

圖8 受電弓滑板剩余磨耗曲線(xiàn)

對(duì)滑板剩余磨耗曲線(xiàn)進(jìn)行統(tǒng)計(jì)，得到滑板最小剩余量，從而得到滑板的最大磨耗量。如圖8所示，滑板最小剩余量為14.78 mm，滑板厚度出廠值為20 mm，則滑板的最大磨耗量為5.22 mm。

4 結(jié)論

隨著城軌列車(chē)普遍應(yīng)用及行車(chē)速度的提升，給列車(chē)的行車(chē)安全性提出了巨大考驗(yàn)，城軌列車(chē)通過(guò)受電弓滑板與接觸網(wǎng)接觸得到的電能運(yùn)行，為防止滑板磨耗超限而引發(fā)事故，必須對(duì)滑板剩余磨耗量進(jìn)行檢測(cè)。本文對(duì)受電弓滑板磨耗檢測(cè)技術(shù)進(jìn)行研究，提出了一種受電弓滑板磨耗檢測(cè)方法，通過(guò)對(duì)采集系統(tǒng)采集到的原始圖像進(jìn)行圖像濾波減少因電磁干擾產(chǎn)生的混合噪聲；通過(guò)自適應(yīng)Canny邊緣檢測(cè)算法檢測(cè)出滑板的邊緣；通過(guò)相機(jī)標(biāo)定和曲線(xiàn)融合算法實(shí)現(xiàn)受電弓滑板剩余磨耗曲線(xiàn)的繪制。檢測(cè)結(jié)果顯示本文提出的受電弓滑板檢測(cè)技術(shù)能有效地繪制出受電弓滑板磨耗曲線(xiàn)，驗(yàn)證了本文方法的有效性，在現(xiàn)場(chǎng)實(shí)際應(yīng)用中具有重大意義。

[1] 王鑫.受電弓/接觸網(wǎng)系統(tǒng)電弧放電機(jī)理研究[D].成都：西南交通大學(xué)，2011.

[2] 孫豐暉，王伯銘.雙滑板受電弓磨耗的超聲波檢測(cè)方法[J].機(jī)電產(chǎn)品開(kāi)發(fā)與創(chuàng)新，2011(3):129-131.

[3] 孫豐暉.受電弓滑板磨耗檢測(cè)系統(tǒng)的設(shè)計(jì)及調(diào)試[D].成都：西南交通大學(xué)，2011.

[4] 賈成芬，王伯銘，孫豐暉.基于OpenGL的受電弓磨耗檢測(cè)系統(tǒng)圖像化設(shè)計(jì)[J].機(jī)械工程與自動(dòng)化，2010(6):21-22，25.

[5] 岳安志，趙忠明，汪承義.基于主動(dòng)形狀模型的受電弓自動(dòng)檢測(cè)方法[A].中國(guó)體視學(xué)學(xué)會(huì).第十三屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C].中國(guó)體視學(xué)學(xué)會(huì)，2013.

[6] 付學(xué)榮，劉思洋，劉寧，等.一種基于激光測(cè)距的受電弓狀態(tài)檢測(cè)系統(tǒng)[J].中國(guó)電子商務(wù)，2012(9):39-40.

[7] I Aydin. A new approach based on firefly algorithm for vision-based railway overhead inspection system[J]. Measurement， 2015， 74:43-55.

[8] S Judek， Jarzebowicz L. Algorithm for automatic wear estimation of railway contact strips based on 3D scanning results[C]∥International Conference and Exposition on Electrical and Power Engineering. IEEE，2014:724-729.

[9] 馬莉，王澤勇，高曉蓉，王黎，楊凱.LV2600型受電弓滑板剩余磨耗量檢測(cè)[J].鐵道機(jī)車(chē)車(chē)輛，2010(3):93-97.

[10] 常娜.圖像處理中的邊緣檢測(cè)算法研究綜述[J].中國(guó)科技信息，2011(4):130-131，149.

[11] 胡文錦.圖像邊緣檢測(cè)方法研究[D].北京：北京交通大學(xué)，2009.

[12] 崔占濤.受電弓滑板外部狀態(tài)圖像檢測(cè)[D].成都：西南交通大學(xué)，2005.

[13] 吳德剛，趙利平.一種去除圖像混合噪聲的濾波算法[J].自動(dòng)化儀表，2012(9):11-13.

[14] 汪芳莉，顧桂梅.基于曲波變換的接觸網(wǎng)磨耗圖像增強(qiáng)研究[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2014，58(2):112-116.

[15] 磨少清.邊緣檢測(cè)及其評(píng)價(jià)方法的研究[D].天津：天津大學(xué)，2011.

Research on Abrasion Detection of Pantograph Slipper of Urban Rail Train

CHEN Ye-jian, YAO Xiao-wen, ZHANG Yong, XING Zong-yi

(School of Automation, Nanjing University of Science and Technology, Nanjing 210094, China)

In order to realize online non-contact detection of the abrasion of the pantograph slipper of the urban rail train, abrasion detection technologies are studied. In this paper, an abrasion detection method based on image processing is proposed. The steps involved are as follows: firstly, the mixed noise of the original image from the acquisition system is removed by image filtering; then the edge of the pantograph slipper in the image is detected by the adaptive canny edge detection based on histogram concavity analysis after image filtering; and finally, the abrasion curve of the pantograph slipper is obtained by camera calibration and curve blending to judge whether the abrasion of the pantograph slipper is transfinite. The results of the experiment show that the proposed method is effective to detect the pantograph slipper abrasion curve in the original image and realize online non-contact detection of the abrasion of the pantograph slipper of the urban rail train.

Urban rail train; Pantograph slipper; Image filtering; Adaptive canny edge detection; Camera calibration

1004-2954(2018)01-0127-06

2017-03-02；

2017-04-25

國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016YFB1200402)

陳葉健(1992—)，男，碩士研究生，E-mail：m18761685230@163.com。

U226.5

A

10.13238/j.issn.1004-2954.201703020004