苗旺龍，賈 剛，李木存，賴遠(yuǎn)橋

(1.國能鐵路裝備有限責(zé)任公司陜西分公司，陜西 榆林 719316)(2.深圳市遠(yuǎn)望谷信息技術(shù)股份有限公司，廣東 深圳 518052)

鐵路運(yùn)輸是目前我國重要的交通運(yùn)輸方式之一，其安全性一直是研究熱點(diǎn)[1-2]。閘瓦作為鐵路機(jī)車常用的制動(dòng)零部件，其通過與輪對(duì)踏面發(fā)生劇烈摩擦從而實(shí)現(xiàn)機(jī)車制動(dòng)。這個(gè)過程會(huì)產(chǎn)生大量熱能，極易造成閘瓦磨損甚至損壞[3]，嚴(yán)重威脅機(jī)車運(yùn)行安全，因此對(duì)鐵路閘瓦狀態(tài)進(jìn)行有效監(jiān)測(cè)具有重要意義。

當(dāng)前，面向閘瓦獨(dú)立監(jiān)測(cè)的研究相對(duì)較少，人工目測(cè)仍然是主要的檢測(cè)手段，這種檢測(cè)手段檢測(cè)效率較低，且準(zhǔn)確率不高[4-5]。隨著機(jī)器視覺技術(shù)的快速發(fā)展，為閘瓦狀態(tài)自動(dòng)監(jiān)測(cè)提供了全新思路，學(xué)者們也相繼提出了基于圖像識(shí)別技術(shù)的閘瓦狀態(tài)監(jiān)測(cè)算法[6-7]，然而受安裝工藝等因素影響，閘瓦周邊部件多，閘瓦圖像背景相對(duì)復(fù)雜，給閘瓦機(jī)器視覺監(jiān)測(cè)帶來了不小的挑戰(zhàn)。為此，本文提出一種基于機(jī)器視覺的鐵路閘瓦狀態(tài)監(jiān)測(cè)方法，通過設(shè)計(jì)改進(jìn)Canny算子和建立RBF神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)模型，實(shí)現(xiàn)對(duì)閘瓦狀態(tài)的有效監(jiān)測(cè)。

1 閘瓦圖像采集預(yù)處理系統(tǒng)

本文建立的閘瓦圖像采集預(yù)處理系統(tǒng)如圖1所示，系統(tǒng)主要零部件有CCD相機(jī)、補(bǔ)光光源、高速磁鋼傳感器、工控機(jī)、無線發(fā)射器、服務(wù)器。

圖1 閘瓦圖像采集預(yù)處理系統(tǒng)

系統(tǒng)工作流程為：當(dāng)機(jī)車與高速磁鋼傳感器的距離處于一定范圍時(shí)，傳感器產(chǎn)生高電平信號(hào)，觸發(fā)CCD相機(jī)抓拍閘瓦圖像，閘瓦圖像傳輸?shù)焦た貦C(jī)，工控機(jī)對(duì)圖像進(jìn)行中值濾波[8]和灰度增強(qiáng)[9]處理后，傳輸?shù)椒?wù)器端。在服務(wù)器端，調(diào)整Ostu算法[10]閾值大小，從而得到閘瓦分割圖像，最后利用本文提出的閘瓦狀態(tài)監(jiān)測(cè)方法完成對(duì)閘瓦狀態(tài)識(shí)別監(jiān)測(cè)。

2 改進(jìn)Canny算子邊緣提取與閘瓦狀態(tài)監(jiān)測(cè)

圖像邊緣保留了圖像基本的特征和信息，很大程度降低了計(jì)算機(jī)處理的數(shù)據(jù)量[11]，有利于提高閘瓦監(jiān)測(cè)速度。為此，本文對(duì)麻雀搜索算法(spar-row search algorithm，SSA)[12]進(jìn)行改進(jìn)，并利用改進(jìn)的SSA(ISSA)優(yōu)化Canny算子[13]，以提高閘瓦分割圖像邊緣提取的效果。

2.1 麻雀搜索算法改進(jìn)

SSA是一種新型仿生群智能計(jì)算技術(shù)，在連續(xù)問題優(yōu)化領(lǐng)域表現(xiàn)出較好的收斂性能。SSA模擬麻雀群體覓食行為，根據(jù)個(gè)體適應(yīng)度優(yōu)劣，將麻雀劃分為發(fā)現(xiàn)者XD、跟隨者XF和警戒者XV3種類型，分別執(zhí)行不同的進(jìn)化方式，通過相互信息交流，最終實(shí)現(xiàn)問題優(yōu)化求解。XD,XF和XV更新方式為：

(1)

(2)

(3)

式中：t為算法當(dāng)前迭代次數(shù)；λ1,q為隨機(jī)數(shù)；λ2為預(yù)警值；λ3為比例系數(shù)；Tmax為算法最大迭代次數(shù)；L為元素均為1的矩陣；S為安全值；A為由1、-1組成的向量，A+為A的廣義逆矩陣；i為個(gè)體編號(hào)；Q為種群規(guī)模；Xw(t)為最差解；Xb(t)為最優(yōu)解；ε為極小常數(shù)；f(XV(t))、f(Xb(t))為個(gè)體適應(yīng)度。

(4)

(5)

(6)

(7)

2.2 改進(jìn)Canny算子與邊緣提取

Canny算子能夠在盡可能保持圖像邊緣信息的同時(shí)，最大限度降低數(shù)據(jù)規(guī)模。Canny通過對(duì)圖像進(jìn)行高斯平滑濾波、梯度方向和梯度幅值計(jì)算、非極大值抑制以及閾值選取處理，最終得到圖像邊緣二值化圖。

高閾值TH、低閾值TL以及高斯濾波標(biāo)準(zhǔn)差σ是Canny算子涉及的主要參數(shù)。由于(TH,TL,σ)取值直接決定了邊緣提取效果，因此本文采用ISSA對(duì)(TH,TL,σ)進(jìn)行優(yōu)化，ISSA個(gè)體編碼設(shè)置為X=(TH,TL,σ)，目標(biāo)函數(shù)設(shè)置為目標(biāo)與背景的類間方差：

f(X)=β0(t)×β1(t)×(θ0(t)-θ1(t))2

(8)

式中：f(X)為X的目標(biāo)函數(shù)值；β0(t)為小于TH的像素?cái)?shù)量；β1(t)為大于TH的像素?cái)?shù)量；θ0(t)為小于TH像素的平均灰度值；θ1(t)為大于TH像素的平均灰度值。ISSA通過迭代優(yōu)化，最終得到最優(yōu)Canny算子參數(shù)配置，圖2所示為ISSA優(yōu)化Canny算子參數(shù)實(shí)現(xiàn)流程圖。

圖2 ISSA優(yōu)化Canny算子參數(shù)實(shí)現(xiàn)流程圖

對(duì)于閘瓦分割圖像I(x,y)，利用改進(jìn)的Canny算子進(jìn)行邊緣提取，得到I(x,y)邊緣數(shù)據(jù)E。E作為閘瓦狀態(tài)監(jiān)測(cè)基礎(chǔ)數(shù)據(jù)，通過訓(xùn)練學(xué)習(xí)，最終實(shí)現(xiàn)對(duì)閘瓦狀態(tài)的識(shí)別監(jiān)測(cè)。圖3為改進(jìn)Canny算子邊緣提取示意圖。

圖3 改進(jìn)Canny算子邊緣提取示意圖

2.3 閘瓦狀態(tài)監(jiān)測(cè)實(shí)現(xiàn)

常見的閘瓦狀態(tài)有正常、熔渣、破損、斷裂、位置偏移、丟失、有覆蓋物7種，分別選取7種狀態(tài)的閘瓦50個(gè)，共350個(gè)樣本，利用閘瓦圖像采集預(yù)處理系統(tǒng)對(duì)350個(gè)樣本進(jìn)行圖像獲取、處理、分割，并采用改進(jìn)Canny算子提取邊緣特征，得到訓(xùn)練樣本集{Ei}i=1,…,350。建立閘瓦狀態(tài)監(jiān)測(cè)模型，采用徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)對(duì){Ei}i=1,…,350進(jìn)行訓(xùn)練，并對(duì)待監(jiān)測(cè)樣本進(jìn)行狀態(tài)識(shí)別，圖4為RBF神經(jīng)網(wǎng)絡(luò)示意圖。

圖4 RBF神經(jīng)網(wǎng)絡(luò)示意圖

RBF神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，其中隱含層利用φ(x)(本文選取高斯函數(shù))對(duì)輸入變量Ei進(jìn)行映射轉(zhuǎn)換：

hj=φ(‖Ei-cj‖2)j=1,…,q

(9)

式中：hj為Ei的映射轉(zhuǎn)換輸出值；q為隱含層神經(jīng)元個(gè)數(shù)；cj為第j個(gè)神經(jīng)元中心。

RBF神經(jīng)網(wǎng)絡(luò)需要設(shè)置的參數(shù)有C、高斯函數(shù)標(biāo)準(zhǔn)差σ和q，其中C=(c1,…,cq)，采用ISSA對(duì)(C,σ,q)進(jìn)行優(yōu)化求解，得到最佳分類RBF神經(jīng)網(wǎng)絡(luò)模型。ISSA個(gè)體編碼設(shè)置為X=(C,σ,q)，目標(biāo)函數(shù)設(shè)置為目標(biāo)與背景的類間方差：

(10)

3 試驗(yàn)仿真

3.1 邊緣提取

本文利用閘瓦圖像采集預(yù)處理系統(tǒng)對(duì)訓(xùn)練樣本進(jìn)行圖像采集處理，閘瓦表層涂白漆以增加對(duì)比度。ISSA參數(shù)設(shè)置如下：Q=300，Tmax=400，ωmax=1.2，ωmin=0.15。圖5給出了不同Ostu閾值下的閘瓦分割圖像，圖6給出了本文提出的改進(jìn)Canny算子、ACO-Canny算子[14]、Prewitt算子和基本Canny算子邊緣提取結(jié)果。圖7給出了ISSA與SSA、PSO算法(粒子群算法)優(yōu)化Canny算子參數(shù)函數(shù)收斂曲線對(duì)比圖。

圖5 不同Ostu閾值下的閘瓦分割圖像

圖6 不同算子邊緣提取效果圖

圖7 ISSA與SSA、PSO算法優(yōu)化Canny算子參數(shù)函數(shù)收斂曲線對(duì)比圖

從圖5可以看出，不同Ostu閾值得到的圖像分割效果不同，當(dāng)閾值在180以下時(shí)，很難區(qū)分閘瓦和背景設(shè)備；當(dāng)閾值達(dá)到180以上時(shí)，隨著閾值逐漸增大，閘瓦分割圖像逐漸清晰，尤其是閾值在230左右時(shí)，得到的分割圖像較為理想；如果閾值繼續(xù)增加，分割圖像內(nèi)部模糊點(diǎn)增多，效果會(huì)變差。由此可知，合理設(shè)置閾值才能夠得到清晰的閘瓦分割圖像。

從圖6可以看出，不同的算子提取的分割圖像邊緣是不同的，直觀上來看，改進(jìn)Canny算子得到的邊緣清晰、連續(xù)，優(yōu)于其他3種算子，而Prewitt算子、Canny算子表現(xiàn)最差，很難得到完整的分割圖像邊緣。

從圖7可以看出，相比于PSO和SSA，ISSA全局收斂性能更優(yōu)，表明改進(jìn)的個(gè)體更新策略有效保持了種群樣本多樣性，提高了算法跳出局部最優(yōu)的能力。

3.2 閘瓦狀態(tài)監(jiān)測(cè)對(duì)比試驗(yàn)

表1 閘瓦狀態(tài)監(jiān)測(cè)對(duì)比結(jié)果

從表1可以看出，在監(jiān)測(cè)正確率方面，對(duì)于7種閘瓦狀態(tài)監(jiān)測(cè)問題，本文監(jiān)測(cè)方法的正確率都達(dá)到了90%以上，相比于文獻(xiàn)[6]提出的方法，監(jiān)測(cè)正確率提高了14.7%～18.0%，而Canny-RBF表現(xiàn)最差，最高的監(jiān)測(cè)正確率也只有68.3%。在運(yùn)算時(shí)間上，3種算法表現(xiàn)相當(dāng)，都到了毫秒級(jí)別，能夠滿足快速監(jiān)測(cè)要求。

試驗(yàn)結(jié)果表明，本文所提監(jiān)測(cè)方法具有更好的監(jiān)測(cè)性能，這是因?yàn)椴捎酶倪M(jìn)Canny算子提取到的分割圖像邊緣特征更明顯，并且有效降低了數(shù)據(jù)處理量，很大程度減少了計(jì)算時(shí)間，即利用ISSA優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行分類監(jiān)測(cè)，監(jiān)測(cè)結(jié)果可信度更高。

4 結(jié)束語

本文對(duì)鐵路機(jī)車閘瓦狀態(tài)高精度自動(dòng)檢測(cè)問題進(jìn)行了研究，提出了一種基于機(jī)器視覺的鐵路閘瓦狀態(tài)監(jiān)測(cè)方法，通過設(shè)計(jì)ISSA對(duì)Canny算子進(jìn)行優(yōu)化，并建立融合ISSA優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)模型，實(shí)現(xiàn)了對(duì)閘瓦狀態(tài)的有效監(jiān)測(cè)。試驗(yàn)結(jié)果也驗(yàn)證了該方法能夠大幅度提高監(jiān)測(cè)精度，具有一定的推廣應(yīng)用價(jià)值。