雷蕾，宋冬利，張衛(wèi)華，何平

(1.西南交通大學(xué) 牽引動(dòng)力國家重點(diǎn)實(shí)驗(yàn)室，四川 成都610031；2.西南交通大學(xué) 數(shù)學(xué)學(xué)院，四川 成都610031)

目前，國內(nèi)都是采用貨車運(yùn)行故障動(dòng)態(tài)圖像檢測系統(tǒng)(TFDS)或客車故障軌邊圖像檢測系統(tǒng)(TVDS)以及動(dòng)車故障軌邊圖像檢測系統(tǒng)(TEDS)對(duì)轉(zhuǎn)向架關(guān)鍵部件進(jìn)行周期性的缺陷檢測，是保障車輛安全穩(wěn)定運(yùn)行的基礎(chǔ)[1]，當(dāng)前的系統(tǒng)大部分只是實(shí)現(xiàn)了對(duì)車輛底部圖像的采集、傳輸、圖像預(yù)處理等工作，需要利用數(shù)字圖像處理技術(shù)，提升圖像檢測系統(tǒng)的自動(dòng)化程度和檢測的精度，實(shí)現(xiàn)由“人檢”向“機(jī)檢”的方式轉(zhuǎn)變。國內(nèi)有許多專家學(xué)者對(duì)基于圖像的轉(zhuǎn)向架的故障識(shí)別進(jìn)行了深入的研究。賴冰凌等[2]運(yùn)用梯度共生矩陣描述圖像，采用Relief算法進(jìn)行特征提取，利用圖像匹配技術(shù)，完成了貨車關(guān)門車故障的算法研究，很好地解決了圖像匹配效率低和精確度不高的問題；蔣春明[3]結(jié)合灰度梯度投影、圖像分割、優(yōu)化的邊緣檢測等算法，對(duì)關(guān)門車與交叉桿故障的關(guān)鍵部位完成了定位、分割，并對(duì)故障特征進(jìn)行了識(shí)別，最終實(shí)現(xiàn)了這2種故障的自動(dòng)檢測；李靜[4]采用基于HOG特征及SVM的方法對(duì)機(jī)車底部的關(guān)鍵螺栓可能存在的故障進(jìn)行了研究；孫國棟等[5]提出了一種基于形狀上下文的列車擋鍵丟失圖像識(shí)別算法，利用形狀上下文描述圖像的形狀特征，加權(quán)形狀上下文距離與彎曲能量以定義形狀距離來識(shí)別檔鍵是否丟失的故障；TEJANI等[6]通過將模板與霍夫森林算法相結(jié)合，可以實(shí)現(xiàn)目標(biāo)識(shí)別和姿態(tài)估計(jì)，但是數(shù)據(jù)量的增加，會(huì)使得計(jì)算變得困難。CAO等[7]提出了一種對(duì)圖像和模板進(jìn)行實(shí)時(shí)匹配的方法，該算法提升了物體姿態(tài)估計(jì)的速度，但是精度有所下降?，F(xiàn)有的采用特征提取的方法對(duì)圖像質(zhì)量和部件表面紋理信息要求高，然而，在許多應(yīng)用中，大量存在很少或沒有紋理、圖像質(zhì)量不高等情況，此時(shí)基于特征的檢測方法失效，另一種是模板匹配的方法，需要采集不同情況下的樣本構(gòu)建模板庫，通過大量不同條件下的樣本與目標(biāo)物體進(jìn)行匹配，找出最佳匹配的模板來識(shí)別目標(biāo)物體故障與否。需要大量的運(yùn)算且識(shí)別準(zhǔn)確率受人為構(gòu)建的樣本庫的影響較大。車輛運(yùn)行時(shí)，交叉桿端部螺栓由于在頻繁震動(dòng)的條件下會(huì)發(fā)生偏轉(zhuǎn)，造成鎖緊板位置發(fā)生偏轉(zhuǎn)，鎖緊板的偏轉(zhuǎn)代表著螺栓的松動(dòng)，如果不及時(shí)檢測出故障并維修，會(huì)導(dǎo)致螺栓的脫落和斷裂，造成重大行車事故。本文以貨車運(yùn)行故障圖像動(dòng)態(tài)檢測系統(tǒng)(TFDS)中采集到的轉(zhuǎn)向架圖像為研究對(duì)象，對(duì)貨車轉(zhuǎn)向架鎖緊板進(jìn)行偏轉(zhuǎn)故障的檢測，提出了一種基于霍夫變換建立數(shù)學(xué)幾何模型的轉(zhuǎn)向架關(guān)鍵部件自動(dòng)定位方法及基于Canny邊緣檢測和形狀模板的角度特征檢測的鎖緊板姿態(tài)判別算法，實(shí)現(xiàn)了列車圖像的鎖緊板自動(dòng)定位與姿態(tài)的判別。

1 識(shí)別原理與方法

基于HCRD的列車鎖緊板偏轉(zhuǎn)圖像識(shí)別流程如圖1所示。TFDS的軌邊圖像采集硬件系統(tǒng)如圖2所示，由車輪傳感器檢測到過車信號(hào)后觸發(fā)軌側(cè)相機(jī)和軌心相機(jī)采集途經(jīng)列車的轉(zhuǎn)向架、制動(dòng)裝置、車鉤緩沖裝置、車底架以及車體兩側(cè)等關(guān)鍵部位的動(dòng)態(tài)圖像，由車輛識(shí)別系統(tǒng)(AEI)自動(dòng)判別車型編碼與車號(hào)信息，計(jì)軸計(jì)輛，檢測列車速度以保證圖像的同步采集。TFDS拍攝的轉(zhuǎn)向架側(cè)方的圖像如圖2(c)和2(d)所示，通過霍夫變換粗定位到前后車輪輪心，后通過建立數(shù)學(xué)幾何模型，細(xì)定位到前后鎖緊板部位，再將定位的鎖緊板圖像單獨(dú)截取出來為感興趣區(qū)域(ROI)[8]，在對(duì)ROI進(jìn)行單獨(dú)的圖像預(yù)處理以及Canny邊緣檢測，尋找Canny邊緣檢測后的ROI圖像中的下邊緣線，再通過形狀模板判斷下邊緣線以下的邊緣圖像中是否含有角度特征，進(jìn)而識(shí)別鎖緊板是否偏轉(zhuǎn)。

圖1 列車鎖緊板定位及偏轉(zhuǎn)識(shí)別流程Fig.1 Train locking plate positioning and deflection identification process

圖2 TFDS設(shè)備及不同光照條件下轉(zhuǎn)向架側(cè)方TFDS圖像Fig.2 TFDS equipment and bogie side TFDS images in different light conditions

1.1 基于霍夫變換的轉(zhuǎn)向架側(cè)方圖像部件定位方法

傳統(tǒng)的定位方法大都直接對(duì)圖像直接進(jìn)行特征提取、匹配如仿射變換[9-12]等，這些操作受圖像的質(zhì)量和紋理信息影響較大，且會(huì)隨著圖像的像素點(diǎn)的增加而降低處理速度，所以本文直接利用輪廓特征，通過輔助圖形來建立幾何模型，跳過特征匹配等環(huán)節(jié)，且輪廓特征是對(duì)物體形狀本質(zhì)的反映，因而物體表面紋理的變化并不會(huì)對(duì)識(shí)別結(jié)果造成影響[11]，這樣大大的提高了算法定位的速度和對(duì)物體表面紋理變化的魯棒性。在圖像處理和計(jì)算機(jī)視覺領(lǐng)域中，快速準(zhǔn)確地在一張圖像中檢測出直線或者圓。其中一種常見有效的解決問題的方法是霍夫(HOUGH)變換，霍夫變換檢測圓最早是由DUDA和HART提出[14]，核心是空間轉(zhuǎn)換?；驹砣缦拢簩A的方程中的參數(shù)和變量做調(diào)換，一般圓的方程為：

式中：(a,b)為圓心坐標(biāo)；r為圓的半徑。

將方程改寫為：

這時(shí)有3個(gè)參數(shù)：a，b和r?？臻g發(fā)生了轉(zhuǎn)換，從原來的二維圖像空間變換到了三維的參數(shù)空間，在圖像空間中的一個(gè)點(diǎn)(x,y)在參數(shù)空間就是一系列圓心坐標(biāo)相同、半徑不同的圓，因此同一個(gè)圓上的所有點(diǎn)對(duì)應(yīng)于參數(shù)空間中半徑相同、圓心不同的所有圓，這些圓的交點(diǎn)就是圖像空間的一個(gè)圓，從而達(dá)到檢測圓的目的。圖像平面的方程轉(zhuǎn)換為參數(shù)空間的示意圖如圖3所示。

圖3 圓的參數(shù)空間表示Fig.3 Parametric space representation of circle

本文以TFDS拍攝的側(cè)方圖像為研究背景，觀察TFDS圖像可知，每張所拍攝的轉(zhuǎn)向架圖像都有較明顯的車輪的圓輪廓，所以本文采用霍夫變換檢測圓的方法來定位每張轉(zhuǎn)向架側(cè)方圖像中僅有的前后輪對(duì)的圓輪廓進(jìn)行粗定位。再根據(jù)粗定位中前后圓心坐標(biāo)，圖5中O1和O2點(diǎn)，根據(jù)幾何關(guān)系建立圖4中的數(shù)學(xué)模型，進(jìn)行鎖緊板部位的細(xì)定位，圖4中p1和p2則為鎖緊板處中心點(diǎn)的位置。

圖4 兩車軸與鎖緊板間簡化的幾何模型Fig.4 Simplified geometric model between axle and locking plate

其中，前后輪的圓心坐標(biāo)分別為O1(x1,y1)和O2(x2,y2)，圓心距為d。設(shè)點(diǎn)p1(X1,Y1)和p2(X2,Y2)為前后鎖緊板的中心點(diǎn)，故：

則由該模型可知：

k1，k2為經(jīng)驗(yàn)參數(shù)。

這樣前后鎖緊板的位置大致確定，可以以p1和p2為中心點(diǎn)，按照一定的矩形框大小截取鎖緊板部位的圖像為ROI。

1.2 基于Canny邊緣檢測與形狀模板的鎖緊板姿態(tài)判別方法

根據(jù)觀察所定位區(qū)域的圖像特征，可知，鎖緊板處線條結(jié)構(gòu)簡單，且下方的邊緣與整個(gè)背景的區(qū)分度很高?？刹捎眠吘墮z測的方法，能得到很好的檢測效果。本文采用Canny邊緣檢測來處理ROI。

傳統(tǒng)的邊緣檢測算子包括LoG，Prewitt，Rob‐erts，Sobel，Kirsch，Laplacian和Canny算 子等[15?18]。其中Canny邊緣檢測是現(xiàn)在較流行的邊緣檢測方法，由多個(gè)步驟構(gòu)成：

對(duì)圖像進(jìn)行高斯濾波去除噪聲。設(shè)h(x,y)為平滑后的圖像，f(x,y)為原圖像，那么經(jīng)過高斯濾波處理過的圖像可表示為：

其中G(x,y)是高斯濾波器，表達(dá)式：

再用2個(gè)方向模板與圖像進(jìn)行鄰域卷積得到2個(gè)方向的梯度Gx和Gy：

再計(jì)算圖像梯度大小G和方向θ：

非極大值抑制。圖像梯度幅值矩陣中的元素值越大，說明圖像中該點(diǎn)的梯度值越大，但這不能說明該點(diǎn)就是邊緣，非極大值抑制是進(jìn)行邊緣檢測的重要步驟，通俗意義上是指尋找像素點(diǎn)局部最大值，將非極大值點(diǎn)所對(duì)應(yīng)的灰度值置為0，這樣可以剔除掉一大部分非邊緣的點(diǎn)。

雙閾值篩選。雙閾值的意思就是要設(shè)置2個(gè)閾值，并且要求兩者關(guān)系為：

在處理圖像的過程中把梯度值小于H1的像素的灰度值設(shè)置為0，得到圖像A，然后把梯度值小于H2的像素的灰度值設(shè)為0，得到圖像B。圖像B由于閾值較高，去除大部分噪音的同時(shí)也損失了有用的邊緣信息。而圖像A的閾值較低，保留了較多信息，以圖像B為基礎(chǔ)，以圖像A作為補(bǔ)充來連接圖像的邊緣。通過上述的幾個(gè)步驟，達(dá)到圖像邊緣檢測的目的。

將自動(dòng)定位以后的鎖緊板部位分割出來的圖像進(jìn)行Canny邊緣檢測后，如圖5所示?？煽闯鲦i緊板偏轉(zhuǎn)的圖像，下邊緣線以下會(huì)有一個(gè)角度特征，如圖中圓圈標(biāo)記所示。

圖5 鎖緊板TFDS圖像Fig.5 Lock plate TFDS image

針對(duì)這種在邊緣檢測后的圖像中檢測圖像特征對(duì)，本文提出了形狀模板的概念，類似于一個(gè)滑動(dòng)窗，根據(jù)待檢測特征，將此滑動(dòng)窗分為M個(gè)方向區(qū)域，形成如圖6(b)的形狀模板L。將形狀模板L遍歷輪廓點(diǎn)，一組點(diǎn)集P={p1,p2,p3,…pn}，以其中任意一點(diǎn)pi為參考點(diǎn)，在pi為中心點(diǎn)如圖6(c)中的黑色部分，將模板覆蓋的像素矩陣相對(duì)應(yīng)的值裝入形狀模版內(nèi)。通過判斷pi邊緣輪廓點(diǎn)的方向矩陣Hi中是否都為1。進(jìn)而來判斷圖像中是否存在與形狀模板內(nèi)類似的形狀。

其中，i=1,2,…,n，j=1,2,…,M。

當(dāng)需檢測為圖6(a)中的曲線特征時(shí)，根據(jù)圖像特征，構(gòu)建如圖6(b)所示的形狀模板，且分為6個(gè)區(qū)域：Ⅰ，Ⅱ，Ⅲ，Ⅳ，Ⅴ和Ⅵ。將形狀模板網(wǎng)格化變?yōu)榫仃嚾鐖D6(c)，為一個(gè)大小為7×5的矩陣。其中，以黑色區(qū)域?yàn)橹行狞c(diǎn)遍歷6(a)途中每個(gè)邊緣像素點(diǎn)的位置，將模板覆蓋的像素矩陣相對(duì)應(yīng)的值裝入模版內(nèi)，并判斷6個(gè)區(qū)域內(nèi)是否都有邊緣點(diǎn)分布。當(dāng)形狀模板遍歷到到6(a)中px時(shí)，px點(diǎn)的方向矩陣Hx=(1,1,1,1,1,1)，6個(gè)區(qū)域中都有邊緣點(diǎn)分布。故可檢測出這組輪廓點(diǎn)集P={p1,p2,p3,..,pn}存在如形狀模板中的形狀特征。

假設(shè)邊緣檢測后的像素矩陣大小為m×n，鎖緊板像素矩陣下邊緣線以下部分是否含有角度特征(如圖6)的檢測方法步驟如下。

1)確定鎖緊板下方邊緣線的位置：遍歷像素矩陣每行，計(jì)算每行中連續(xù)的255的像素點(diǎn)個(gè)數(shù)的最大值am，最大值max(am)的所對(duì)應(yīng)的行數(shù)m*就是下方邊緣線的位置。

2)構(gòu)建形狀模板：本文主要是檢測角度特征如圖7(a)所示，考慮到偏轉(zhuǎn)的角度的變化，如圖6(b)，偏轉(zhuǎn)角度θ(0°～45°)對(duì)應(yīng)的OK和ON變化到OK′和ON′，故可以構(gòu)建如圖8所示的一個(gè)形狀模板，一個(gè)4×7的矩陣，并分為了6個(gè)方向區(qū)域。

圖6 形狀檢測Fig.6 Shape detection

圖7 鎖緊板偏轉(zhuǎn)角度特征Fig.7 Deflection angle characteristics of locking plate

圖8 形狀模板Fig.8 Shape template

判斷鎖緊板下邊緣以下是否存在角度特征：根據(jù)1)中確定的鎖緊板下邊緣線所在的行數(shù)m*，截取邊緣圖像邊緣線位置以下部分[m*,m]，通過2)中構(gòu)造的形狀模板計(jì)算方向舉證H，判斷是否存在角度特征。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 仿真圖像實(shí)驗(yàn)

本文實(shí)驗(yàn)采用Python3.6編程實(shí)現(xiàn)，由于現(xiàn)場實(shí)拍的沒有偏轉(zhuǎn)各種角度的圖像，故本文建立了幾何模型，仿真了鎖緊板不同偏轉(zhuǎn)角度的情況，如圖9所示，區(qū)域M1模擬真實(shí)拍攝圖像轉(zhuǎn)向架的背景區(qū)域，區(qū)域M2模擬真實(shí)拍攝圖像轉(zhuǎn)向架區(qū)域，區(qū)域M3則模擬真實(shí)拍攝圖像中鎖緊板區(qū)域，鎖緊板相對(duì)于鎖緊螺栓O點(diǎn)處的偏轉(zhuǎn)角度為θ。

圖9 鎖緊板偏轉(zhuǎn)幾何模擬圖Fig.9 Geometric simulation of locking plate deflection

實(shí)現(xiàn)將不同的偏轉(zhuǎn)角度的鎖緊板用圖8的形狀模板進(jìn)行檢測，鎖緊板偏轉(zhuǎn)最惡劣的情況是偏轉(zhuǎn)角度為90°，如圖10所示。試驗(yàn)假設(shè)鎖緊板偏轉(zhuǎn)逆時(shí)針旋轉(zhuǎn)。對(duì)于大量無故障鎖緊板圖像進(jìn)行姿態(tài)統(tǒng)計(jì)后，發(fā)現(xiàn)鎖緊板的偏轉(zhuǎn)的角度在5°以內(nèi)[13]。故此仿真實(shí)驗(yàn)偏轉(zhuǎn)角度θ的取值范圍為2°～45°，5°以后以最大正常姿態(tài)角度(5°)為角度量化間隔進(jìn)行取值。大于45°以后的情況與小于45°的情況類似，只是前者的“角度特征”的位置相對(duì)于后者的“角度特征”的位置相對(duì)于下邊緣線往后移。故不需再重復(fù)實(shí)驗(yàn)。實(shí)驗(yàn)設(shè)置的偏轉(zhuǎn)角度θ以及檢測結(jié)果如表1所示。

表1 形狀模板對(duì)不同偏轉(zhuǎn)角度鎖緊板的檢測結(jié)果Table 1 Test results of locking plates with different deflec‐tion angles by shape template

圖10 鎖緊板偏轉(zhuǎn)角度為90°的情況Fig.10 Locking plate deflection angle is 90 degrees

分析實(shí)驗(yàn)數(shù)據(jù)，采用形狀模板的方法檢測鎖緊板的偏轉(zhuǎn)，在非正常偏轉(zhuǎn)范圍內(nèi)，能準(zhǔn)確識(shí)別出鎖緊板各個(gè)角度的偏轉(zhuǎn)。

2.2 真實(shí)圖像實(shí)驗(yàn)

本文以貨車運(yùn)行故障圖像動(dòng)態(tài)檢測系統(tǒng)(TFDS)中拍攝的轉(zhuǎn)向架側(cè)方圖像為背景，圖11顯示了采用1.1節(jié)所述方法的部分鎖緊板定位結(jié)果

圖11 表面紋理發(fā)生顯著變化下鎖緊板自動(dòng)定位結(jié)果Fig.11 Results of automatic positioning of locking plate under significant change of surface texture

在圖中，車軸處的2個(gè)點(diǎn)為霍夫變換檢測出的前后車輪的圓心位置，矩形框內(nèi)為定位出的前后鎖緊板的位置，由此可見，以這種通過定位車軸的方式來輔助定位鎖緊板的位置的方法效果較好，且對(duì)于不同光照條件、不同型轉(zhuǎn)向架型號(hào)下，鎖緊板表面的紋理雖然發(fā)生變化，但算法也能準(zhǔn)確識(shí)別定位出來，反映出算法對(duì)物體表面紋理變化的魯棒性。

對(duì)254張真實(shí)圖像樣本進(jìn)行姿態(tài)的識(shí)別，識(shí)別發(fā)生偏轉(zhuǎn)的鎖緊板，識(shí)別結(jié)果見表2。

表2 真實(shí)圖像檢測結(jié)果Table 2 Real image detection results

由表2可發(fā)現(xiàn)，漏檢的個(gè)數(shù)為0，誤檢率為3.5%，檢測率為96.5%?？梢娡ㄟ^本文提出的形狀模板來檢測鎖緊板的角度特征從而來判斷是否發(fā)生偏轉(zhuǎn)的方法，具有很好的識(shí)別效果和區(qū)分能力。且通過角度特征來判別是具有較高的可靠性。由于本文應(yīng)用為TFDS系統(tǒng)，需要實(shí)時(shí)在線檢測，所以對(duì)識(shí)別的速度也有一定的要求，本文提出的HCRD方法從采集到轉(zhuǎn)向架圖片到鎖緊板的定位和檢測是否發(fā)生偏轉(zhuǎn)平均時(shí)間為0.067 s，可滿足在線檢測的要求。

3 結(jié)論

1)為了解決TFDS圖像識(shí)別的自動(dòng)化和精確度這2個(gè)方面的問題，從轉(zhuǎn)向架部件自動(dòng)定位與鎖緊板偏轉(zhuǎn)精確識(shí)別這2個(gè)思路分別進(jìn)行研究，將兩者結(jié)合在一起，提出HCRD一種基于霍夫變換的轉(zhuǎn)向架側(cè)方鎖緊板的定位方法和基于Canny邊緣檢測和形狀模板的鎖緊板偏轉(zhuǎn)圖像自動(dòng)識(shí)別方法。

2)采用霍夫變化及幾何模型定位的方法可以排除光照明暗和不同轉(zhuǎn)向架類型對(duì)定位帶來的影響，縮小識(shí)別區(qū)域，減小運(yùn)算量和內(nèi)存需求，提高識(shí)別效率，具有較高的穩(wěn)定性。

3)提出形狀模板的概念，并通過實(shí)驗(yàn)證明采用所提出的形狀模板去識(shí)別鎖緊板下邊緣處的角度特征，具有很好的識(shí)別率。將鎖緊板下邊緣是否有角度特征作為鎖緊板是否偏轉(zhuǎn)的判斷依據(jù)，具有很高的可靠性。

4)算法使用的特征簡單，具有很強(qiáng)的魯棒性和抗噪能力，只需要一個(gè)形狀模板，當(dāng)鎖緊板偏轉(zhuǎn)角度在非正常范圍(>5°)的情況時(shí)，能進(jìn)行準(zhǔn)確的偏轉(zhuǎn)判斷，為TFDS系統(tǒng)的故障自動(dòng)化識(shí)別奠定了基礎(chǔ)。