(上海工程技術(shù)大學(xué) 城市軌道交通學(xué)院，上海 201620)

0 引言

近年來我國的高速鐵路以及城市軌道交通高速發(fā)展，鋼軌扣件作為軌道的重要組成部件之一，其良好的狀態(tài)為高速鐵路及城軌交通的安全運(yùn)行提供有效保障。潘得路快速彈條扣件(又稱FC扣件)作為新型軌道扣件，已被廣泛應(yīng)用于歐洲(CEN)、德國(DB-AG)、法國(SNCF)、日本(RTRI)、澳大利亞(AS)及北美(AREA)等國家的鐵路上[1]。同時，也是引進(jìn)中國應(yīng)用在高鐵客運(yùn)專線上的軌道扣件，現(xiàn)已引入FC扣件的線路有合武客運(yùn)專線線兩段，石太客運(yùn)專線[1]。

針對軌道扣件狀態(tài)的檢測，Jinfeng Yang等學(xué)者采用方向場描述扣件特征，根據(jù)線性分析方法獲得的權(quán)重系數(shù)矩陣匹配標(biāo)準(zhǔn)模板和測試圖像，從而實現(xiàn)對扣件是否存在狀態(tài)的檢測[2-3]；Babenko P.、Shah M.等學(xué)者在SIFT特征的基礎(chǔ)上運(yùn)用馬赫濾波器和支持向量機(jī)檢測扣件的存在與否[4-5]；李永波等學(xué)者采用梯度方向直方圖和主成分分析方法提取扣件特征，之后采用支持向量機(jī)進(jìn)行分類[6]；Yiqi Xia等學(xué)者用Haar特征描述扣件圖像，再用AdaBoost分類方法達(dá)成識別扣件狀態(tài)的目的[7]；Khan R.A.在HarrisShi-Tomasi角點檢測的基礎(chǔ)上用模板匹配的方法來識別扣件彈條的狀態(tài)[8]。目前國內(nèi)針對軌道扣件狀態(tài)檢測方法的研究主要針對ω型彈條扣件，而對潘得路快速彈條扣件狀態(tài)檢測的研究很少。

本文針對潘得路快速彈條扣件的扣緊狀態(tài)和非扣緊狀態(tài)的檢測，設(shè)計一種基于外觸發(fā)模式同步控制線陣相機(jī)的方法，以保證線陣相機(jī)在列車做變速運(yùn)行情況下采集的軌道扣件區(qū)域圖像不產(chǎn)生縱向畸變(拉伸或者壓縮)；接著對采集得到的圖像進(jìn)行基于灰度直方圖均衡化[9]和中值濾波[10]的預(yù)處理，以改善采集圖像的對比度、減小白噪聲的影響；之后，利用十字交叉法[11-12]實現(xiàn)采集圖像中的扣件區(qū)域定位，并提取出該扣件區(qū)域圖像；對所提取的扣件區(qū)域圖像，采用基于快速歸一化積相關(guān)算法的模板匹配定位扣件絕緣帽及固定螺栓并獲取其中心坐標(biāo)參數(shù)；根據(jù)定位獲取的相關(guān)中心坐標(biāo)參數(shù)，提出一種基于特征距離的扣件狀態(tài)識別方法。

1 系統(tǒng)結(jié)構(gòu)

系統(tǒng)結(jié)構(gòu)如圖1所示，其是在同步控制線陣相機(jī)采集圖像的基礎(chǔ)上進(jìn)行對FC扣件狀態(tài)的識別。圖像采集系統(tǒng)主要由線陣相機(jī)、光源、濾光片、光電編碼器和工控機(jī)構(gòu)成。光電編碼器輸出對應(yīng)行車距離信息的脈沖數(shù)，并以此脈沖通過外觸發(fā)模式同步控制線陣相機(jī)的行頻，保證線陣相機(jī)采集的圖像不產(chǎn)生縱向畸變(拉伸或壓縮)。扣件狀態(tài)識別主要由扣件定位和特征距離計算部分構(gòu)成。將采集到的圖像通過灰度直方圖均衡化增強(qiáng)對比度和中值濾波去噪等預(yù)處理，利用十字交叉法對預(yù)處理后的圖像進(jìn)行扣件所在區(qū)域的定位并提取；通過基于快速歸一化積相關(guān)算法的模板匹配將所提取的扣件區(qū)域中的扣件絕緣帽及固定螺栓定位并獲取其中心坐標(biāo)參數(shù)；根據(jù)這些坐標(biāo)參數(shù)，計算特征距離并進(jìn)行分類統(tǒng)計以實現(xiàn)扣件狀態(tài)的識別。

圖1 系統(tǒng)結(jié)構(gòu)

2 線陣相機(jī)的同步控制采集圖像

列車在實際運(yùn)行過程中，由于其加速及減速階段等現(xiàn)實原因，致使其不能夠總是勻速運(yùn)行，這樣就無法滿足線陣相機(jī)采集圖像時保證圖像不產(chǎn)生縱向畸變(縱向的拉伸或者壓縮)。為了解決此問題，關(guān)鍵就是要實現(xiàn)以列車運(yùn)行距離信息來同步控制線陣相機(jī)的圖像采集。線陣相機(jī)的主要技術(shù)參數(shù)是其行頻，即線陣相機(jī)每秒所曝光的次數(shù)。根據(jù)線陣相機(jī)的外觸發(fā)模式，可以設(shè)計一種通過光電編碼器匹配列車運(yùn)行距離信息的方式來調(diào)整線陣相機(jī)的頻率轉(zhuǎn)換系數(shù)FR(Frequency conversion Rate)，從而實時的對線陣相機(jī)的行頻進(jìn)行控制，以此實現(xiàn)對線陣相機(jī)采集圖像的同步控制。

將線陣相機(jī)的橫向視野HFOV (Horizontal Field of View)設(shè)為W(m)，線陣相機(jī)的橫向分辨率HR(Horizontal Resolving power)設(shè)為HR(pixel)，光電編碼器每轉(zhuǎn)一圈的輸出脈沖數(shù)設(shè)為F(個/r)，編碼器與檢測物體接觸的外接轉(zhuǎn)輪半徑設(shè)為R(m)，光電編碼器輸出相數(shù)設(shè)為n相(每相有正負(fù)兩個輸出)，則相機(jī)捕獲到的編碼器輸出頻率是其輸出每相信號頻率的2n倍，即2nF。根據(jù)這些參數(shù)可以計算出控制線陣相機(jī)的頻率轉(zhuǎn)換系數(shù)FR。

則相機(jī)的縱向放大倍率VPM(Vertical Promote Multiple rate)為：

(1)

相機(jī)的橫向放大倍率HPM(Horizontal Promote Multiple rate)為：

(2)

相機(jī)的頻率轉(zhuǎn)換系數(shù)FR為：

(3)

根據(jù)所求得的FR參數(shù)，設(shè)置線陣相機(jī)頻率轉(zhuǎn)換器中的參數(shù)，從而實現(xiàn)線陣相機(jī)采集圖像的同步控制。這樣保證了線陣相機(jī)能夠在列車以變速運(yùn)行的情況下采集非畸變的軌道扣件圖像。

3 扣件狀態(tài)識別算法

在線陣相機(jī)所采集獲取的軌道扣件圖像的基礎(chǔ)上，對采集到的圖像進(jìn)行基于灰度直方圖均衡化和中值濾波的預(yù)處理，利用十字交叉法對扣件區(qū)域進(jìn)行定位并提??；之后對所提取的扣件區(qū)域采用基于快速歸一化積相關(guān)算法的模板匹配定位到扣件絕緣帽和固定螺栓，并獲取其中心坐標(biāo)參數(shù)；最后通過計算扣件絕緣帽和固定螺栓中心坐標(biāo)的特征距離，并以此特征距離為判決條件實現(xiàn)扣件狀態(tài)的識別目的。

3.1 基于FNCC算法的模板匹配定位

快速歸一化積相關(guān)算法(Fast Normalized Cross Correlation，F(xiàn)NCC)是基于歸一化積相關(guān)算法(Normalized Cross Correlation，NCC)的改進(jìn)，通過減小每次匹配過程中的計算量，達(dá)到在保證匹配精度的前提下提高匹配速度的目的。FNCC算法的原理如下：

設(shè)S(x,y)為m×n的搜索圖，T(x,y)為M×N的模板圖，其誤差平方和測度公式為：

(4)

式(4)中，1≤i≤m-M+1，1≤j≤n-N+1。D(i,j)越小，則兩幅圖越相似。把公式(4)展開可得：

D(i,j)=

(5)

式(5)中右邊三項分別為：

(6)

式(6)中，Ds(i,j)為搜索圖像中與模板圖像對應(yīng)區(qū)域的能量，其與所搜索的區(qū)域像素位置(i,j)有關(guān)，并且隨著(i,j)的變化而逐步變化；Dst(i,j)是模板圖像與搜索圖像對應(yīng)區(qū)域的互相關(guān)函數(shù)，它隨著像素位置(i,j)的變化而變化，當(dāng)T和S中對應(yīng)區(qū)域相匹配時，Dst(i,j)取得最大值；Dt(i,j)是模板圖像的能量，它與圖像像素位置(i,j)無關(guān)，是一個常數(shù)。因此，采用互相關(guān)誤差平方和測度公式：

(7)

對式(7)歸一化得：

R(i,j)=

(8)

由式(8)知，R(i,j)越大，Si,j與T越匹配，當(dāng)Si,j=nT，時(n為正整數(shù))，R(i,j)最大，且為1。在此基礎(chǔ)上，對式(8)變換得：

R(i,j)=

(9)

對式(9)等式右邊分子展開得：

(10)

R(i,j)=

(11)

由于扣件區(qū)域圖像中的扣件絕緣帽和固定螺栓具有穩(wěn)定且均勻的灰度特征，因此將扣件絕緣帽區(qū)域及固定螺栓區(qū)域分別制作成子模板，分別采用以上論述的快速歸一化積相關(guān)算法對扣件區(qū)域圖像進(jìn)行模板匹配定位，以定位到扣件絕緣帽及固定螺栓的區(qū)域位置并分別獲取其中心坐標(biāo)參數(shù)。獲取的左右扣件絕緣帽中心坐標(biāo)分別記為P1(x1,y1)、P2(x2,y2)；獲取的左右固定螺栓區(qū)域中心點坐標(biāo)分別記為O1(x3,y3)、O2(x4,y4)。定位到的扣件絕緣帽中心坐標(biāo)以及固定螺栓中心坐標(biāo)，將用于下文所述的基于特征距離的扣件狀態(tài)識別算法。

3.2 基于特征距離的扣件狀態(tài)識別

在上文所述基于快速歸一化積相關(guān)算法的模板匹配定位扣件區(qū)域特征的基礎(chǔ)上，根據(jù)所獲取的扣件特征區(qū)域中心坐標(biāo)，提出了本文針對潘得路快速彈條扣件狀態(tài)識別的算法，即基于扣件特征距離的扣件狀態(tài)識別算法。該算法主要分為兩種，一種是基于扣件絕緣帽特征距離的扣件狀態(tài)識別算法，另一種是基于扣件彈條特征距離的扣件狀態(tài)識別算法。下面首先詳細(xì)介紹基于扣件絕緣帽特征距離的扣件狀態(tài)識別算法。

基于扣件絕緣帽特征距離的扣件狀態(tài)識別算法的原理就是對扣件絕緣帽特征區(qū)域的位置坐標(biāo)進(jìn)行計算，并與接下來論述的相對穩(wěn)定的參考位置進(jìn)行對比，統(tǒng)計所得的特征距離參數(shù)，進(jìn)行分類從而得到扣件狀態(tài)信息，以此實現(xiàn)扣件狀態(tài)識別的目的。該算法能夠定量的給出扣件所處狀態(tài)的像素距離參數(shù)，直觀的表明了所需檢修的扣件數(shù)目。

計算特征距離需要選取一個相對穩(wěn)定的參考位置。由于列車車輪一般為圓錐踏面，搭載在列車上的相機(jī)也會隨列車橫向擺動，采集獲取的圖像中鋼軌表面中心線并不一定在圖像的正中央，因此無法選取鋼軌區(qū)域的中心線作為參考位置。相對的，由于FC扣件的固定螺栓(鋼軌左右各一個)位置相對固定，具有良好的參考價值。如圖2，選取左右兩個固定螺栓中點O1和O2連線的中點O(x0,y0)作為特征距離參考點。

圖2 特征距離參考坐標(biāo)圖

O(x0,y0)點坐標(biāo)由定位到的O1(x3,y3)、O2(x4,y4)坐標(biāo)求得：

(12)

計算左右扣件絕緣帽中心點P1(x1,y1)、P2(x2,y2)和特征距離參考點O的水平相對距離Δx1、Δx2：

Δx1=|x1-x0|,Δx2=|x2-x0|

(13)

當(dāng)Δx1、Δx2的值小于一定的像素閾值(該閾值通過先驗實驗求平均值所得)，設(shè)該閾值為C1(pixel)，若水平相對距離Δx1、Δx2小于該閾值C1，則扣件處于扣緊狀態(tài)；相反，則扣件處于非扣緊狀態(tài)。

相對的，由于潘得路快速扣件的固定螺栓(鋼軌左右各一個)位置相對固定，具有良好的參考價值，也可以選取扣件彈條部位作為特征區(qū)域。從而提出基于扣件彈條特征距離的扣件狀態(tài)識別算法。該算法與機(jī)遇扣件絕緣帽特征距離的扣件狀態(tài)識別算法相類似，對扣件彈條特征區(qū)域的位置坐標(biāo)進(jìn)行計算，并與之前論述的相對穩(wěn)定的參考位置進(jìn)行對比，統(tǒng)計所得的特征距離參數(shù)，進(jìn)行分類從而得到扣件狀態(tài)信息，以此實現(xiàn)扣件狀態(tài)識別的目的。

和基于扣件絕緣帽特征距離的扣件狀態(tài)識別算法相同，也是選取左右兩個固定螺栓中點O1和O2連線的中點O(x0,y0)作為特征距離參考點，基于扣件彈條特征距離的扣件狀態(tài)識別算法的特征距離參考坐標(biāo)如圖3所示。選取左右兩個固定螺栓中點O1和O2連線的中點O(x0,y0)作為特征距離參考點。

圖3 特征距離參考坐標(biāo)圖

其中：O(x0,y0)點坐標(biāo)由第三章定位得到的O1(x3,y3)、O2(x4,y4)坐標(biāo)求得，也是由式(12)所求得。計算左右扣件彈條區(qū)域中心點Q1(x5,y5)、Q2(x6,y6)和特征距離參考點O的水平相對距離Δx3、Δx4，如式(14)所示：

Δx3=|x5-x0|,Δx4=|x6-x0|

(14)

當(dāng)Δx3、Δx4的值小于一定的像素閾值(該閾值同樣通過先驗實驗求平均值所得)，設(shè)該閾值為C2(pixel)，若水平相對特征距離Δx3、Δx4小于該閾值C2，則扣件處于扣緊狀態(tài)；相反，則扣件處于非扣緊狀態(tài)。該算法同樣可以實現(xiàn)潘得路快速彈條扣件狀態(tài)的識別，且與基于扣件絕緣帽特征距離的扣件狀態(tài)識別算法相比各有特點，呈互補(bǔ)關(guān)系。

4 實驗驗證

為了驗證基于同步控制法的線陣相機(jī)采集圖像不產(chǎn)生縱向畸變，于實驗室內(nèi)搭建圖像采集軌道車如圖4所示，該圖像采集軌道車的主要硬件參數(shù)及線陣相機(jī)同步控制參數(shù)見表1。根據(jù)上述論證方法所求得的FR值，設(shè)置線陣相機(jī)頻率轉(zhuǎn)換器中的PreDivider、Multiplier、postDivider參數(shù)。

在圖像采集軌道車以變速(0～18 km/h)運(yùn)行的情況下，采集得到潘得路快速彈條扣件區(qū)域圖像如圖5所示。

圖4 圖像采集軌道車

名稱參數(shù)線陣相機(jī)型號Dalsa 2K GigE Line Scan Camera光源中心波長808nm光源發(fā)散角75°相機(jī)視場角67°濾光片808nm光電編碼器型號Omron E6B2-CWZ1XW1000mmHR2048pixelR150mm編碼器輸出相數(shù)2FR0.24

圖5 基于同步控制的線陣相機(jī)采集圖像

由圖5可看出，采集的圖像沒有產(chǎn)生縱向畸變，即縱向拉伸或者壓縮，驗證了這種同步控制方法能夠保證線陣相機(jī)采集圖像過程中不受列車速度變化的影響。

通過進(jìn)一步實驗驗證扣件狀態(tài)識別方法。在PC機(jī)Windows7操作系統(tǒng)下，通過Matlab2014a版本軟件對采集獲取的一組扣件圖像(100張)進(jìn)行基于灰度直方圖和中值濾波的預(yù)處理，利用十字交叉法對預(yù)處理后的采集圖像中的扣件區(qū)域進(jìn)行定位并提?。唤又ㄟ^Matlab2014a版本軟件對采集獲取的這組提取到的扣件區(qū)域圖像分別進(jìn)行基于NCC算法和FNCC算法的模板匹配定位，以實現(xiàn)其扣件絕緣帽及固定螺栓的定位，并獲取其中心坐標(biāo)。統(tǒng)計匹配定位這組圖像使用的基于FNCC算法和NCC算法所用時間，之后分別取其平均值進(jìn)行對比，對比結(jié)果如表2所示。

表2 各算法匹配定位所用平均時間對比

由表2可見，該基于FNCC算法的模板匹配在保證匹配精確度的前提下，相較于基于NCC算法，其定位扣件絕緣帽和固定螺栓所用時間都得到了有效減小，匹配定位速度提高了60%左右。

根據(jù)基于FNCC算法模板匹配定位到的這組扣件區(qū)域圖像的扣件絕緣帽、固定螺栓及扣件彈條的中心坐標(biāo)參數(shù)P1(x1,y1)、P2(x2,y2)、O1(x3,y3)、O2(x4,y4)、Q1(x5,y5)、Q2(x6,y6)，進(jìn)行基于特征距離的計算，求取相對特征距離Δx1、Δx2、Δx3、Δx4，其中閾值C1(pixel)、C2(pixel)取先驗實驗的平均值分別為255(pixel)和375(pixel)。利用Matlab2014a軟件得到相對特征距離統(tǒng)計圖如圖6、圖7所示。再由統(tǒng)計結(jié)果及閾值C1、C2，可對這組圖像的扣件狀態(tài)進(jìn)行分類，扣件狀態(tài)識別結(jié)果如表3、表4所示。

圖6 基于絕緣帽特征距離的相對特征距離統(tǒng)計圖

圖7 基于彈條特征距離的相對特征距離統(tǒng)計圖

扣件扣緊/張非扣緊/張左側(cè)扣件946右側(cè)扣件928

表4 基于彈條特征距離的扣件狀態(tài)識別結(jié)果

將基于特征距離的扣件狀態(tài)分類結(jié)果和原始采集圖像扣件狀態(tài)(如表5)進(jìn)行對比，結(jié)果顯示，基于扣件絕緣帽特征距離的扣件狀態(tài)識別結(jié)果與實際情況相吻合，扣件狀態(tài)識別率達(dá)到100%，而基于扣件彈條特征距離的扣件狀態(tài)識別結(jié)果與實際情況出現(xiàn)了偏差，扣件狀態(tài)識別率為99%。

表5 原始采集圖像扣件狀態(tài)

因為現(xiàn)實情況的需要，我們將兩種扣件狀態(tài)識別算法綜合起來，做與運(yùn)算的關(guān)系，即只有當(dāng)這兩種算法的識別結(jié)果都顯示扣件處于扣緊狀態(tài)時，認(rèn)為該位置的扣件為扣緊狀態(tài)，否則，即使有一種算法的結(jié)果顯示該處扣件處于非扣緊狀態(tài)時，認(rèn)為該處扣件為非扣緊狀態(tài)需要檢修并標(biāo)記。這樣既能夠保證扣件狀態(tài)識別算法的可靠性，又有效避免了對非扣緊狀態(tài)扣件的漏檢，從而保障了列車運(yùn)營的安全。

5 結(jié)論

為了研究針對潘得路快速彈條扣件的狀態(tài)檢測，采集高分辨率的潘得路快速彈條扣件圖像至關(guān)重要，于是通過基于外觸發(fā)模式的同步控制線陣相機(jī)方法，以保證線陣相機(jī)能夠在列車做變速運(yùn)行情況下采集到的圖像不產(chǎn)生縱向畸變(拉伸或者壓縮)；接著對線陣相機(jī)所采集獲得的圖像進(jìn)行數(shù)字圖像預(yù)處理，之后利用十字交叉法實現(xiàn)扣件區(qū)域的定位并提??；然后采用基于快速歸一化積相關(guān)算法的模板匹配定位扣件區(qū)域中的扣件絕緣帽和固定螺栓，并獲取其中心點的坐標(biāo)參數(shù)；在此基礎(chǔ)上提出一種基于特征距離的扣件狀態(tài)識別方法。該基于特征距離的扣件狀態(tài)識別方法分為兩種，一種是基于扣件絕緣帽特征距離的扣件狀態(tài)識別算法，另一種是基于扣件彈條特征距離的扣件狀態(tài)識別算法。

通過搭建圖像采集軌道車實驗驗證了該同步控制法能夠保證線陣相機(jī)在列車變速運(yùn)行時所采集的圖像不會產(chǎn)生縱向畸變；進(jìn)一步通過實驗驗證基于快速歸一化積相關(guān)算法的模板匹配相較于基于歸一化積相關(guān)算法的模板匹配速度提升了近60%；同時通過實驗驗證了該基于特征距離的扣件狀態(tài)識別方法能夠?qū)崿F(xiàn)潘得路快速彈條扣件狀態(tài)的識別。