安小雪 鄭樹彬 柴曉冬 李 倩

1(上海工程技術(shù)大學(xué)工程實訓(xùn)中心 上海 201620) 2(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

扣件沿鋼軌兩側(cè)等距均勻分布，實現(xiàn)軌枕與鋼軌的緊密連接?？奂坏┟撀浠蛘呷睋p將導(dǎo)致列車經(jīng)過時出現(xiàn)振動現(xiàn)象，嚴(yán)重影響列車安全運(yùn)行[1]。目前國內(nèi)在故障扣件定位方面僅有少部分路段采用自動化設(shè)備進(jìn)行檢測，絕大多數(shù)依靠人工肉眼識別進(jìn)行維護(hù)。本文采用圖像處理技術(shù)對輔助標(biāo)識和扣件進(jìn)行識別、計數(shù)，完成故障扣件精確定位。其中輔助標(biāo)識制作簡易、成本低，需要工程部門提前進(jìn)行安裝固定，后期可反復(fù)使用。該檢測方法既能實現(xiàn)扣件粗定位，又能進(jìn)一步精確定位，對于某一區(qū)間扣件嚴(yán)重污損或遮擋出現(xiàn)的精定位誤差，可通過下一輔助標(biāo)識識別糾正，故不會產(chǎn)生誤差累積現(xiàn)象，具有一定的工程應(yīng)用價值。

1 總體方案設(shè)計

軌道扣件定位系統(tǒng)主要包含圖像采集單元、輔助標(biāo)識識別單元、扣件識別單元及顯示單元，定位流程如圖1所示。其中圖像采集單元由高速線陣攝像機(jī)、照明光源、光電編碼器等部分組成，車輛運(yùn)行中利用光電編碼器觸發(fā)線陣相機(jī)進(jìn)行連續(xù)拍攝，獲取完整扣件及輔助標(biāo)識部位圖像[2]。輔助標(biāo)識識別單元首先計算圖像是否包含輔助標(biāo)識，相鄰輔助標(biāo)識之間存在多個軌枕，其次對含有標(biāo)識圖像進(jìn)行預(yù)處理、旋轉(zhuǎn)、分割、匹配等以實現(xiàn)扣件粗定位，扣件及輔助標(biāo)識分布如圖2所示。扣件識別單元計算圖像中扣件相對位置[3]并進(jìn)行計數(shù)，對未扣緊扣件進(jìn)行精定位。

圖1 扣件定位流程

圖2 扣件及輔助標(biāo)識分布

輔助標(biāo)識由字母和數(shù)字組成，分別代表鋪設(shè)位置線路、車站、數(shù)量等信息。該定位系統(tǒng)分別對左右鋼軌及其內(nèi)外兩側(cè)扣件進(jìn)行檢測，以單側(cè)鋼軌外側(cè)扣件為例，當(dāng)系統(tǒng)從A地運(yùn)行到B地時，首先識別拍攝圖像中輔助標(biāo)識FB1，F(xiàn)B2，…，F(xiàn)Bn，通過識別即可獲取標(biāo)識中具體信息實現(xiàn)扣件粗定位，當(dāng)檢測中出現(xiàn)漏識別或錯識別情況時，可根據(jù)相鄰標(biāo)識信息進(jìn)行糾錯；其次識別兩個標(biāo)識之間扣件信息并對其進(jìn)行計數(shù)KO1，KO2，…，KOm，假如判斷某扣件為未扣緊狀態(tài)，則結(jié)果顯示為KIj(FBi)，即可實現(xiàn)扣件精定位。根據(jù)扣件及輔助標(biāo)識間距可計算得：

(1)

式中：LAB為A、B兩地之間的距離；mFB為輔助標(biāo)識FBn與FBn+1之間的扣件數(shù)；l為相鄰兩扣件之間距離。

2 輔助標(biāo)識識別

相機(jī)拍攝圖片中僅有少部分包含輔助標(biāo)識，故對其識別前需預(yù)判是否含有輔助標(biāo)識，其次進(jìn)行圖像裁剪以減少后期旋轉(zhuǎn)、去噪、字符分割等處理的計算量[4]。

2.1 輔助標(biāo)識預(yù)判

采用基于方向梯度直方圖特征和SVM分類器方法對每幅圖像是否含有輔助標(biāo)識進(jìn)行判斷[5]。HOG特征提取中每個像素點的水平方向梯度和垂直方向梯度分別為Ix(x,y)和Iy(x,y)，則該點對應(yīng)的梯度幅值和方向分別為：

(2)

θ(x,y)=tan-1(Iy/Ix)

(3)

然后將圖像分化為8×8個單元，計算每個單元的梯度方向直方圖。把每相鄰4個單元組成一個塊，每個塊中所有的特征向量串聯(lián)起來即為該塊的特征向量，最后歸一化的向量就是HOG特征。

假設(shè)二分類的SVM訓(xùn)練樣本為{(xi,yi)|i=1,2,…,k,xi∈Rn,yi∈[-1,1]}，其中:n代表特征向量的維度；xi表示維度為n的特征向量；yi表示樣本的標(biāo)簽，即1和-1分別代表正樣本和負(fù)樣本，正樣本指的是包含地面輔助標(biāo)識的樣本圖像，負(fù)樣本指的是不包含地面輔助標(biāo)識的樣本圖像。訓(xùn)練第一步將提取到的正負(fù)樣本的特征向量分成訓(xùn)練集和測試集，這里的測試集和訓(xùn)練集各占正負(fù)樣本特征集的一半；接著給正負(fù)樣本的特征向量分別加上+1和-1的標(biāo)簽；最后開始訓(xùn)練支持向量機(jī)分類模型。根據(jù)結(jié)構(gòu)風(fēng)險最小準(zhǔn)則確定最優(yōu)超平面。分類結(jié)果存入對應(yīng)位置的投票空間，檢測到輔助標(biāo)識記為1，不是輔助標(biāo)識的記為0。

2.2 圖像裁剪

對含有輔助標(biāo)識的二值化圖像進(jìn)一步采用水平線搜索確定標(biāo)識區(qū)域水平位置、垂直投影確定左右位置[6]。水平位置劃分時首先確定行掃描像素變化率最高的行數(shù)Lm和變化次數(shù)m，然后以此為基礎(chǔ)進(jìn)行上下掃描，結(jié)合實際圖片及像素變化率確定標(biāo)識區(qū)域范圍為[0.8m，1.2m]，最后對整幅圖像進(jìn)行搜索即可確定輔助標(biāo)識上下邊界FBu和FBd。經(jīng)過上下剪裁的圖像其標(biāo)識區(qū)域垂直投影會出現(xiàn)明顯的像素變換，根據(jù)標(biāo)識尺寸及像素變化率即可確定左邊界FBl和右邊界FBr。含有輔助標(biāo)識圖片及裁剪后圖片如圖3所示。

(a) 含有輔助標(biāo)識圖片

(b) 裁剪后圖片圖3 含有輔助標(biāo)識圖片及裁剪后圖片

2.3 標(biāo)識傾斜校正

輔助標(biāo)識因安裝、拍攝等因素會出現(xiàn)一定角度的傾斜。為提高標(biāo)識識別準(zhǔn)確率，采用Radon變換計算傾斜角度，采用雙線性插值旋轉(zhuǎn)進(jìn)行校正[7]。Radon變換的原理為：設(shè)f(x,y)為二維函數(shù)，該函數(shù)在垂直和水平方向的線積分效果分別是將f(x,y)投影到x軸和y軸。由式(4)沿著任意角度θ來計算投影。

(4)

(a) 旋轉(zhuǎn)前 (b) 旋轉(zhuǎn)后圖4 輔助標(biāo)識旋轉(zhuǎn)前后圖片

2.4 字符分割

圖片經(jīng)過裁剪、旋轉(zhuǎn)后得到相對獨(dú)立完整的標(biāo)識圖像，對其進(jìn)行二值化處理及垂直像素投影可發(fā)現(xiàn)字符之間存在明顯的間隙，結(jié)合字符比例及模板進(jìn)行精確劃分以便后期識別。

(1) 近似分割。假設(shè)標(biāo)識中共包含M個字符且每個字符在相機(jī)拍攝圖像中所占像素數(shù)固定為(XN，YN)，則理想標(biāo)識尺寸為(MXN,YN)。實際圖像分割后各字符像素數(shù)為X1，X2，…，Xn，當(dāng)Xn∈[0.9XN,1.1XN]且n=M時，表示字符分割正常。異常字符分割主要分為以下三種情況：當(dāng)Xn>1.1XN且nM時，字符出現(xiàn)缺損；當(dāng)Xn-1<0.9XN且Xn>1.1XN時，字符中既有粘連又有缺損。以上三種情況，均無法識別。標(biāo)識及字符像素數(shù)如圖5所示。

圖5 標(biāo)識及字符像素數(shù)

(2)
圖像模板化。首先設(shè)計字符模板圖像為(W,H)，其與標(biāo)識模板化后尺寸(W′,H′)非常接近。假設(shè)模板圖像中左上角和右下角像素坐標(biāo)分別為(x1，y1)、(x2，y2)，則模板圖像中某點(x,y)與模板化后對應(yīng)點(x′,y′)之間的關(guān)系為:

(5)

(6)

匹配時，標(biāo)識圖像和模板圖像在垂直位置保持一致，將模板在標(biāo)識上從左向右移動，每移動一個像素，記錄一個中點平均距離差Ej，當(dāng)移動總步長為一個字符的像素數(shù)XN時，得到的距離差和水平移動像素數(shù){(Ej，j)}，j=1,2,…,N。其中min(Ej)對應(yīng)的水平位置即為實際標(biāo)識圖像中字符的精確分割點。具體匹配過程如圖6所示。

圖6 模板匹配精分示意圖

圖7為污染后標(biāo)識字符分割圖，其中粘連字符像素寬度不標(biāo)準(zhǔn)時，后期將無法識別，字符經(jīng)過模板化、模板匹配后可實現(xiàn)精確分割。

(a) 近似分割 (b) 精確分割圖7 字符近似分割和精確分割

2.5 字符識別

采用卷積神經(jīng)網(wǎng)絡(luò)法對輸入字符進(jìn)行識別[8]。假設(shè)輔助標(biāo)識由0-9的10個字符構(gòu)成，輸出層共有10類，設(shè)計7層的網(wǎng)絡(luò)構(gòu)架，輸入圖像的尺寸統(tǒng)一為12像素×16像素。

卷積層C1、C2的卷積核大小同為3×3，滑動補(bǔ)償均為1，卷積層C1、C2的特征圖數(shù)量分別為10和30，特征圖大小分別為10×14、3×5；池化層S1的池化窗口大小為2×2，滑動步長為2，特征圖數(shù)量為10，特征圖大小為5×7；全連接層的輸出分別為30和10。激活函數(shù)的函數(shù)表達(dá)式為：

f(x)=max(0，x)

(7)

卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練[9]中學(xué)習(xí)率、批次樣本量、迭代次數(shù)是三個非常重要的參數(shù)。梯度下降法中的參數(shù)α表示學(xué)習(xí)率，梯度下降法表示為：

(8)

式中：W為每層的權(quán)重矩陣；b為偏置向量；f(x)為誤差函數(shù)。α設(shè)置太小則網(wǎng)絡(luò)長時間無法收斂，α設(shè)置太大則收斂過快。批次樣本量過小，網(wǎng)絡(luò)的穩(wěn)定性變差，可能最終無法收斂；批次樣本量過大，則帶來訓(xùn)練時間增長、困于局部最優(yōu)解等問題。迭代次數(shù)參照目標(biāo)函數(shù)的收斂和趨于穩(wěn)定的結(jié)果來設(shè)置。識別結(jié)果如圖8所示。

圖8 識別結(jié)果

3 扣件識別

基于梯度方向場原理對采集圖像進(jìn)行處理確定鋼軌區(qū)域，結(jié)合鋼軌與扣件的位置關(guān)系、圖像比例等將目標(biāo)搜索鎖定在一定范圍進(jìn)行裁剪以減少匹配計算量，利用扣件方向場模板與實際扣件方向場匹配識別扣件精確位置并進(jìn)行計數(shù)[10]，具體實施步驟如下：

(1) 對圖像進(jìn)行中值濾波減少噪聲影響，采用線性濾波方法計算圖像中每個像素點的梯度向量T=[gx(x,y),gy(x,y)]T，其中g(shù)x(x,y)和gy(x,y)分別表示任一像素在x方向和y方向的偏導(dǎo)；

(2) 將扣件區(qū)域圖像劃分為一系列由多像素組成不重疊的塊，計作W×W，則塊方向場的梯度平方向量為：

(9)

塊方向角為：

(10)

(3) 由式(11)計算塊方向場的各向一致性，根據(jù)各向一致性的特點可知，鋼軌區(qū)域的C值趨近于1。

(11)

是塊內(nèi)像素的平方梯度向量。

(4) 結(jié)合鋼軌與扣件的位置關(guān)系、圖像比例等計算出扣件區(qū)域并進(jìn)行裁剪。

(5) 選取標(biāo)準(zhǔn)扣件圖像進(jìn)行模板采樣，將采樣間隔設(shè)置為5像素×5像素，塊尺寸大小為10像素×10像素，模板采樣圖像如圖9所示。

(a) 模板圖像 (b) 模板方向場圖9 扣件模板原圖和采樣后的模板方向場圖

(6) 將扣件方向場模板與每次裁剪的扣件圖像方向場進(jìn)行匹配以確定扣件精確位置。假設(shè)方向場模板大小為m×n，表示為θM(x,y)，實際圖像方向場為θ(x,y)，則對應(yīng)塊之間的距離差為:

(12)

當(dāng)方向場模板與實際圖像方向場越接近，它們之間的距離差越小，即D(x,y)越小，搜索過程中minD(x,y)對應(yīng)位置即為扣件精確位置[11-13]。圖10為無砟軌道扣件圖像匹配結(jié)果。

圖10 待搜索圖像匹配結(jié)果

4 實驗結(jié)果分析

實驗選擇石家莊井陘區(qū)隧道現(xiàn)場進(jìn)行圖像采集，使用DALAS公司線陣工業(yè)相機(jī)進(jìn)行拍攝，兩輔助標(biāo)識之間間隔100個扣件，距離60 m。選取其中單側(cè)500幅連續(xù)圖片進(jìn)行處理，人工統(tǒng)計結(jié)果：5幅含有輔助標(biāo)識，487幅扣件完整且無污損，12幅扣件存在缺陷，1幅存在干擾。輔助標(biāo)識及扣件識別結(jié)果如表1所示。從結(jié)果來看，輔助標(biāo)識在現(xiàn)場由工作人員臨時放置，基本不存在污損遮擋，故識別率較高。扣件長期處于隧道環(huán)境中，部分甚至出現(xiàn)缺損及外物干擾，故一定程度降低識別率，影響扣件位置精定位。兩個扣件成對布置在鋼軌兩側(cè)，同時進(jìn)行識別，若內(nèi)側(cè)或外側(cè)扣件出現(xiàn)未識別情況，可由另一側(cè)識別結(jié)果進(jìn)行計數(shù)。

表1 單側(cè)圖像識別結(jié)果數(shù)據(jù)表

為了驗證扣件定位的精確性，實驗從存在缺陷的扣件中選擇6個進(jìn)行標(biāo)記，其位置分別為0.252 6 km、0.706 8 km、1.409 4 km、1.684 2 km、2.781 6 km，然后使用文中所述方法進(jìn)行定位，定位結(jié)果如表2所示。實驗數(shù)據(jù)表明，扣件缺陷所帶來的識別誤差會影響定位誤差，但每識別一個輔助標(biāo)識，前一區(qū)間的扣件誤差將被清零，故不會產(chǎn)生誤差累積現(xiàn)象，該軌道扣件定位方法具有一定的工程應(yīng)用價值。

表2 兩種軌道定位方法對比

5 結(jié) 語

故障扣件精確定位能為后期維護(hù)保養(yǎng)提供重要支持。本文通過輔助標(biāo)識識別、扣件識別及計數(shù)可實現(xiàn)扣件精確定位。對于輔助標(biāo)識，需要工程部門提前在鐵路沿線軌枕一側(cè)每間隔一定距離進(jìn)行鋪設(shè)，使相機(jī)在拍攝中能同時獲取完整輔助標(biāo)識和扣件圖像。輔助標(biāo)識識別采用圖像裁剪、傾斜矯正、字符分割、識別等方法進(jìn)行處理初步實現(xiàn)故障粗定位。扣件識別時采用梯度方向場原理裁剪、利用方向場匹配及計數(shù)實現(xiàn)扣件精定位。現(xiàn)場實驗數(shù)據(jù)表明：絕大多數(shù)扣件能被精確定位，但缺損及干擾扣件檢出率低，影響定位；新的輔助標(biāo)識被識別后能有效糾正前一區(qū)間產(chǎn)生的誤差，不會產(chǎn)生長距離誤差累積現(xiàn)象，因此具有一定的工程價值。