彭聯(lián)貼，李 晨，熊敏君，顏家云，崔宵洋，劉雷新元

（株洲中車(chē)時(shí)代電氣股份有限公司， 湖南 株洲 412001）

0 引言

長(zhǎng)久以來(lái)，我國(guó)大部分城市地鐵車(chē)輛的檢修采用傳統(tǒng)的“計(jì)劃修”模式［1］，其以人工作業(yè)為主。以作業(yè)頻繁的日檢為例，檢修人員需要在規(guī)定時(shí)間內(nèi)完成對(duì)車(chē)輛主要部件的外觀(guān)檢查。一列地鐵列車(chē)包含大量零部件，這種檢修模式人工作業(yè)強(qiáng)度大，且隨著作業(yè)時(shí)間增加，檢測(cè)質(zhì)量和效率將不可避免地出現(xiàn)下滑。近年來(lái)，隨著機(jī)器視覺(jué)技術(shù)的不斷發(fā)展，越來(lái)越多的自動(dòng)化、智能化設(shè)備被應(yīng)用到軌道交通行業(yè)［2］，特別是在確保列車(chē)運(yùn)行安全的列車(chē)零部件異常檢測(cè)領(lǐng)域，其中比較典型的設(shè)備有智能巡檢機(jī)器人［3］和軌旁檢測(cè)系統(tǒng)［4］。

文獻(xiàn)［5］設(shè)計(jì)了一種地鐵車(chē)輛360°外觀(guān)異常檢測(cè)系統(tǒng)，其通過(guò)模式識(shí)別、計(jì)算機(jī)視覺(jué)和基于數(shù)據(jù)驅(qū)動(dòng)的分級(jí)預(yù)警等技術(shù)，實(shí)現(xiàn)了列車(chē)關(guān)鍵部件異常檢測(cè)。文獻(xiàn)［6］公開(kāi)了一種識(shí)別列車(chē)異常的方法，其利用3D圖像的深度信息，先確定異常組件，再進(jìn)一步識(shí)別異常零件，克服了傳統(tǒng)2D圖像視覺(jué)功能的限制。文獻(xiàn)［7］同樣是一種基于3D 圖像的零部件異常自動(dòng)識(shí)別檢測(cè)方法，其將3D圖像降維成包含灰度信息和深度信息的兩類(lèi)2D 圖像，采用多種檢測(cè)序列并存、互補(bǔ)的方式實(shí)現(xiàn)了異常檢測(cè)。但這些文獻(xiàn)均側(cè)重于系統(tǒng)和方案的描述，并未涉及具體方法或原理。文獻(xiàn)［8］提出了一種基于2D、3D圖像信息融合的檢測(cè)螺栓異常的方法，其先在2D圖像上利用目標(biāo)檢測(cè)的方法對(duì)螺栓進(jìn)行定位，然后通過(guò)2D 圖像完成螺栓丟失的檢測(cè)，最后用3D 圖像實(shí)現(xiàn)螺栓松動(dòng)的檢測(cè)；但該方法專(zhuān)注于車(chē)底中心鞘螺栓的故障檢測(cè)，適用場(chǎng)景非常有限。

在實(shí)際檢修過(guò)程中，地鐵車(chē)輛部件表面存在異常時(shí)一般會(huì)伴隨著空間上一定程度的結(jié)構(gòu)性異常，如零部件丟失、松動(dòng)和附著異物等，此類(lèi)結(jié)構(gòu)性異常在3D點(diǎn)云中會(huì)呈現(xiàn)出明顯的幾何差異；而車(chē)體表面水漬、污漬、晝夜光照差異等對(duì)3D點(diǎn)云的成像影響較小，其3D圖像相比2D 圖像受到的干擾也更小。因此，本文基于3D 點(diǎn)云處理技術(shù)對(duì)地鐵車(chē)輛車(chē)底部件表面的異常檢測(cè)方法展開(kāi)研究：首先，結(jié)合已有研究基礎(chǔ)，歸納出一種通用的檢測(cè)方法，用于地鐵車(chē)底多數(shù)箱體部件的異常檢測(cè)；然后，以高壓分線(xiàn)箱接頭區(qū)域、空心電抗器斜面區(qū)域?yàn)槔瑢?duì)通用檢測(cè)方法加以改進(jìn)，實(shí)現(xiàn)這2個(gè)特定部件的異常檢測(cè)。其中，高壓分線(xiàn)箱接頭區(qū)域先進(jìn)行區(qū)域分割，得到純接頭區(qū)域和線(xiàn)束區(qū)域，進(jìn)而用統(tǒng)計(jì)學(xué)方法完成純接頭區(qū)域的檢測(cè)，以通用檢測(cè)方法完成線(xiàn)束區(qū)域的檢測(cè)；空心電抗器斜面區(qū)域則結(jié)合平面濾波對(duì)通用檢測(cè)方法的流程加以調(diào)整，既利用了平面濾波去噪，又避免了因平面濾波過(guò)濾了部件側(cè)壁特征而影響了點(diǎn)云配準(zhǔn)的效果。本文結(jié)合實(shí)際數(shù)據(jù)開(kāi)展實(shí)驗(yàn)驗(yàn)證，證明了新方法有良好的檢測(cè)效果。

1 車(chē)底箱體部件異常檢測(cè)通用方法

軌道車(chē)輛異常檢測(cè)對(duì)象大體可分為走行部、電氣設(shè)備、齒輪箱、牽引電動(dòng)機(jī)、自動(dòng)門(mén)和多對(duì)象子系統(tǒng)這6類(lèi)［9］，對(duì)地鐵列車(chē)而言，車(chē)底電氣設(shè)備多為箱體。為了說(shuō)明數(shù)據(jù)的來(lái)源，本章對(duì)采集設(shè)備和點(diǎn)云數(shù)據(jù)獲取過(guò)程進(jìn)行了描述。針對(duì)箱體部件大多為剛性結(jié)構(gòu)這一共性特征，本章結(jié)合3D點(diǎn)云處理技術(shù)在工業(yè)領(lǐng)域的已有經(jīng)驗(yàn)，歸納出一種通用的異常檢測(cè)方法，以實(shí)現(xiàn)對(duì)車(chē)底箱體部件的異常檢測(cè)。

1.1 數(shù)據(jù)采集

數(shù)據(jù)采集設(shè)備為車(chē)底巡檢機(jī)器人（圖1）。在正常的巡檢過(guò)程中，首先，機(jī)器人從地溝的一端勻速運(yùn)動(dòng)到另一端，利用線(xiàn)掃相機(jī)完成車(chē)底所有部件的快速掃描（簡(jiǎn)稱(chēng)“快掃”），生成整車(chē)的3D點(diǎn)云數(shù)據(jù)，即本文研究方法的輸入數(shù)據(jù)；隨后，機(jī)器人需要在若干預(yù)設(shè)的臨停點(diǎn)對(duì)特定區(qū)域進(jìn)行精細(xì)掃描（簡(jiǎn)稱(chēng)“精掃”），以彌補(bǔ)快掃難以覆蓋的部件區(qū)域。整個(gè)精掃作業(yè)的時(shí)長(zhǎng)在半小時(shí)以上，在此期間，可同步進(jìn)行快掃數(shù)據(jù)的異常檢測(cè)。

圖1 數(shù)據(jù)采集設(shè)備Fig. 1 Data acquisition equipment

根據(jù)掃描得到的3D 點(diǎn)云數(shù)據(jù)，可建立空間坐標(biāo)系。結(jié)合地鐵車(chē)輛所在的空間，定義線(xiàn)掃相機(jī)單線(xiàn)掃描的方向?yàn)閤軸正向，其垂直于地鐵車(chē)輛側(cè)平面；機(jī)器人整體移動(dòng)方向?yàn)閥軸正向，其平行于鐵軌方向；點(diǎn)云中的深度信息代表掃描對(duì)象與相機(jī)之間的距離，從相機(jī)到地鐵車(chē)底方向?yàn)閦軸正向，其垂直于地平面。

1.2 箱體部件檢測(cè)流程及方法

結(jié)合3D 點(diǎn)云處理技術(shù)在工業(yè)檢修領(lǐng)域已有的應(yīng)用經(jīng)驗(yàn)［10-13］，通用的箱體部件異常檢測(cè)流程可歸納為點(diǎn)云預(yù)處理、點(diǎn)云配準(zhǔn)和異常檢測(cè)3個(gè)步驟。本節(jié)結(jié)合檢測(cè)流程對(duì)這3部分的處理過(guò)程進(jìn)行介紹。

1.2.1 點(diǎn)云預(yù)處理

檢測(cè)系統(tǒng)獲取一列地鐵列車(chē)的待檢點(diǎn)云后，往往需要先對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理［14］，主要包括點(diǎn)云分割、點(diǎn)云下采樣以及點(diǎn)云濾波等操作。參考部件的物理尺寸以及相機(jī)在x和y方向上的掃描精度，可實(shí)現(xiàn)快掃數(shù)據(jù)中所有部件的點(diǎn)云分割。為了提升處理效率，需要降低點(diǎn)云的密度。為此，本文采用體素下采樣方式進(jìn)行處理，其原理及步驟如下：

1） 求出點(diǎn)云數(shù)據(jù)在x、y、z軸方向的最大值（xmax、ymax、zmax）和最小值（xmin、ymin、zmin）。

2） 設(shè)置下采樣尺寸（即體素網(wǎng)格的尺寸）為r。

3） 計(jì)算體素網(wǎng)格在各方向上的維數(shù)（Dx、Dy、Dz）。

4） 計(jì)算出點(diǎn)云中每一個(gè)點(diǎn)所屬的體素索引（hx、hy、hz、h）。

5） 對(duì)算出的索引進(jìn)行排序，索引相同的點(diǎn)即為同一體素網(wǎng)格中的點(diǎn)；根據(jù)同一體素網(wǎng)格中的所有點(diǎn)的坐標(biāo)，計(jì)算出其重心的坐標(biāo)，并以重心代表當(dāng)前體素網(wǎng)格；針對(duì)所有體素網(wǎng)格完成類(lèi)似操作。

點(diǎn)云數(shù)據(jù)中一般會(huì)伴有噪點(diǎn)，為此，本文采用半徑濾波來(lái)降低噪點(diǎn)的干擾。半徑濾波的思路為遍歷點(diǎn)云中的所有點(diǎn)，若某個(gè)點(diǎn)在半徑為r的球體空間內(nèi)存在的鄰居點(diǎn)不超過(guò)n個(gè)，則濾除當(dāng)前點(diǎn)。點(diǎn)云數(shù)據(jù)經(jīng)體素下采樣和半徑濾波后的效果如圖2所示。

圖2 點(diǎn)云下采樣和半徑濾波效果圖Fig. 2 Impression drawing of downsampling and radius filtering

1.2.2 點(diǎn)云配準(zhǔn)

點(diǎn)云配準(zhǔn)是將模板點(diǎn)云和待檢點(diǎn)云轉(zhuǎn)換到相同坐標(biāo)系下，以便進(jìn)行后續(xù)的異常檢測(cè)。迭代最近點(diǎn)（iterative closest point， ICP）算法及相關(guān)變體是配準(zhǔn)算法中的典型代表。本文采用彩色點(diǎn)云配準(zhǔn)算法［15］，該算法的核心思想如下：

1） ICP迭代過(guò)程采用聯(lián)合優(yōu)化目標(biāo)函數(shù)。

式中：T——旋轉(zhuǎn)矩陣；EC——顏色項(xiàng)；EG——幾何項(xiàng)；δ——由經(jīng)驗(yàn)值決定的權(quán)重值，δ∈[0，1]。

2） 幾何項(xiàng)EG是一個(gè)目標(biāo)函數(shù)，與點(diǎn)到面ICP算法的目標(biāo)函數(shù)相同。

式中：κ——當(dāng)前迭代的點(diǎn)到點(diǎn)的集合；np——點(diǎn)p的法向量。

3） 顏色項(xiàng)EC表示點(diǎn)q的顏色值與其在點(diǎn)p的切平面上的投影的顏色值之差。

式中：C(q)——點(diǎn)q的顏色值；Cp(·)——點(diǎn)p的預(yù)計(jì)算函數(shù)；f(·)——將3D點(diǎn)投影到切平面的函數(shù)。

該算法兼顧了幾何特征和顏色信息，與此前的ICP算法相比，處理時(shí)間上并無(wú)明顯差異，但具有更高的配準(zhǔn)精度和魯棒性。點(diǎn)云配準(zhǔn)效果如圖3 所示，其中，模板點(diǎn)云為藍(lán)色，待檢點(diǎn)云為黃色。

圖3 配準(zhǔn)效果Fig. 3 Registration effect

1.2.3 異常檢測(cè)

異常檢測(cè)內(nèi)容包括差異點(diǎn)提取、差異點(diǎn)聚類(lèi)和有效異常區(qū)域篩選。差異點(diǎn)提取的核心信息在于計(jì)算點(diǎn)與點(diǎn)之間的歐式距離［16］。當(dāng)待檢點(diǎn)云中的某個(gè)點(diǎn)與模板點(diǎn)云中的任意點(diǎn)的歐式距離在設(shè)定閾值范圍之外，則認(rèn)為該點(diǎn)是差異點(diǎn)；反之亦然。然后，采用DBSCAN（density-based spatial clustering of applications with noise）密度聚類(lèi)算法，并結(jié)合地鐵車(chē)輛零部件尺寸來(lái)設(shè)置鄰域半徑，可以將鄰近的差異點(diǎn)聚類(lèi)成點(diǎn)云簇，得出較為合理的異常區(qū)域。最后，結(jié)合異常區(qū)域的尺寸、面積、法向量、表面曲率和平面高度差等幾何特征的判定，完成對(duì)有效異常區(qū)域的篩選。

2 特定部件的檢測(cè)方法

通用檢測(cè)方法可以滿(mǎn)足地鐵車(chē)輛車(chē)底大多數(shù)箱體部件的異常檢測(cè)，然而，針對(duì)一些特定的部件區(qū)域，該方法并不適用。如高亮反光部件因其表面特性而存在點(diǎn)云缺失的現(xiàn)象，網(wǎng)格表面部件會(huì)因鏤空網(wǎng)格導(dǎo)致其下方會(huì)有諸多噪聲點(diǎn)，這些問(wèn)題都會(huì)直接影響檢測(cè)結(jié)果的準(zhǔn)確性。本章以高壓分線(xiàn)箱接頭區(qū)域、空心電抗器斜面區(qū)域?yàn)槔瑢?duì)通用檢測(cè)方法加以改進(jìn)。其中，針對(duì)高壓分線(xiàn)箱接頭區(qū)域，先進(jìn)行區(qū)域分割，得到純接頭區(qū)域和線(xiàn)束區(qū)域，進(jìn)而用統(tǒng)計(jì)學(xué)方法完成純接頭區(qū)域的檢測(cè)，以通用檢測(cè)方法完成線(xiàn)束區(qū)域的檢測(cè)；針對(duì)空心電抗器斜面區(qū)域，則結(jié)合平面濾波對(duì)通用檢測(cè)方法的流程加以調(diào)整，將屬于點(diǎn)云預(yù)處理的平面濾波放置于點(diǎn)云配準(zhǔn)之后，以消除噪點(diǎn)干擾，同時(shí)不影響點(diǎn)云配準(zhǔn)的效果。

2.1 基于區(qū)域分割的接頭區(qū)域檢測(cè)方法

高壓分線(xiàn)箱接頭區(qū)域的圖像和點(diǎn)云如圖4 所示，其異常主要有兩類(lèi)，一是接頭從箱體上脫落，二是線(xiàn)束斷股，即線(xiàn)束與接頭的銜接位置斷裂。然而，該部件接頭區(qū)域同時(shí)具備黑色和高亮反光特性，導(dǎo)致接頭表面的點(diǎn)云有較多缺失（但仍會(huì)保留接頭的大致骨架特征），按通用檢測(cè)方法進(jìn)行檢測(cè)時(shí)，會(huì)在點(diǎn)云缺失的位置形成異常區(qū)域。

圖4 高壓分線(xiàn)箱接頭區(qū)域圖像與點(diǎn)云Fig. 4 Image and point cloud of high voltage junction box joint area

針對(duì)該部件異常檢測(cè)中存在的問(wèn)題，本文提出了基于區(qū)域分割的檢測(cè)方法，檢測(cè)流程如圖5所示。

圖5 高壓分線(xiàn)箱接頭區(qū)域異常檢測(cè)流程Fig. 5 An anomaly detection process for the joint area of high voltage junction box

在待檢區(qū)域完成全局配準(zhǔn)后，引入?yún)^(qū)域分割模塊，將待檢區(qū)域分為線(xiàn)束區(qū)域和純接頭區(qū)域。其中，線(xiàn)束雖然會(huì)隨著地鐵車(chē)輛的晃動(dòng)而改變位置，但其與接頭的銜接位置并不會(huì)有太大的位置偏移。故本文對(duì)線(xiàn)束區(qū)域仍采用通用檢測(cè)方法進(jìn)行處理；對(duì)純接頭區(qū)域，將結(jié)合其幾何特征采用統(tǒng)計(jì)學(xué)方法進(jìn)行異常檢測(cè)。若兩個(gè)子區(qū)域在同一個(gè)接頭上均檢測(cè)到異常，則合并為同一個(gè)異常。

2.1.1 區(qū)域分割

接頭區(qū)域中，多個(gè)接頭排列整齊，接頭間的間隙相對(duì)恒定，接頭與線(xiàn)束的銜接位置在縱向上（即y軸方向）相對(duì)偏差不大，可以參考物理尺寸完成區(qū)域分割。結(jié)合圖6，其原理說(shuō)明如下：

圖6 接頭區(qū)域點(diǎn)云分割示意Fig. 6 Point cloud segmentation of the joint area

1） 根據(jù)接頭的物理尺寸，在y軸方向上將平面α從y1到y(tǒng)2遍歷，每次遍歷的步長(zhǎng)為Δy；

2） 確認(rèn)橫截面β1和β2與平面α的距離相等，該距離記為d1；

3） 獲取截面鄰域的兩片點(diǎn)云，與β1距離不超過(guò)d2的點(diǎn)記為點(diǎn)云PCD1，與β2距離不超過(guò)d2的點(diǎn)記為點(diǎn)云PCD2；

4） 將PCD1和PCD2投影到同一平面，進(jìn)行同尺寸的體素下采樣后，再計(jì)算兩片點(diǎn)云的差異點(diǎn)數(shù)，記為Np；

5） 記錄整個(gè)遍歷過(guò)程中最大的Np值，此時(shí)平面α即為純接頭區(qū)域和線(xiàn)束區(qū)域的分割平面。

上述遍歷過(guò)程中，當(dāng)平面α處在不同位置時(shí)，橫截面β1和β2對(duì)應(yīng)的兩片鄰域點(diǎn)云和其投影至同一平面后的點(diǎn)云如圖7所示。在純接頭區(qū)域和線(xiàn)束區(qū)域，兩片投影點(diǎn)云是高度重疊的，而越是臨近純接頭區(qū)域和線(xiàn)束區(qū)域的分割平面時(shí)，兩片投影點(diǎn)云的重疊程度則越小，根據(jù)此特征即可較好地完成區(qū)域分割。

圖7 不同位置的橫截面及其投影點(diǎn)云Fig. 7 Cross section and projection of different positions

2.1.2 純接頭區(qū)域異常檢測(cè)

在純接頭區(qū)域內(nèi)，單個(gè)接頭上缺失的點(diǎn)往往分布在接頭的中間區(qū)域，靠近左右兩側(cè)的區(qū)域一般都保留了一定量的點(diǎn)云，且接頭區(qū)域在x方向上呈現(xiàn)出明顯的幾何特征。若在x方向上以定長(zhǎng)區(qū)間段對(duì)純接頭區(qū)域的點(diǎn)云數(shù)據(jù)進(jìn)行數(shù)量統(tǒng)計(jì)，則可得到如圖8 所示的直方圖特征。

圖8 純接頭區(qū)域在x 方向上的點(diǎn)數(shù)分布特征Fig. 8 The distribution characteristics of the number of points in the x-direction of the Joint portion

正常情況下，純接頭區(qū)域存在明顯的波峰、波谷特征，即單個(gè)接頭必然存在波峰特征，相鄰兩個(gè)接頭之間必然存在波谷特征見(jiàn)圖8（a）。因此，當(dāng)波谷區(qū)域超寬時(shí)，該波谷區(qū)段對(duì)應(yīng)的接頭脫落，即圖8（b）所示的直方圖特征。

2.2 結(jié)合平面濾波的空心電抗器斜面區(qū)域檢測(cè)方法

空心電抗器斜面區(qū)域的點(diǎn)云如圖9 所示，其異常情況主要是形變（含破損）和異物附著。在實(shí)際檢測(cè)中，由于該區(qū)域是網(wǎng)口平面，平面之下存在大量噪點(diǎn)的干擾，故而需要以網(wǎng)口所在的平面進(jìn)行平面濾波。

圖9 空心電抗器斜面區(qū)域點(diǎn)云Fig. 9 3D point cloud of air-core reactor beveled area

2.2.1 平面濾波

平面濾波分為兩步，先用隨機(jī)采樣一致性（random sample consensus， RANSAC）算法完成平面擬合，然后剔除平面上/下方的點(diǎn)。RANSAC 算法的基本原理如下：

1） 從點(diǎn)云中隨機(jī)取N個(gè)點(diǎn)并標(biāo)記，計(jì)算出平面方程。

2） 計(jì)算點(diǎn)云中各點(diǎn)到該平面的距離，若小于h，則是內(nèi)點(diǎn)，并統(tǒng)計(jì)出內(nèi)點(diǎn)的數(shù)量。

3） 重復(fù)前兩步，若當(dāng)前擬合出的平面的內(nèi)點(diǎn)數(shù)大于之前的數(shù)值，則更新平面參數(shù)和最大內(nèi)點(diǎn)數(shù)參數(shù)。

4） 重復(fù)上述步驟k次，找出內(nèi)點(diǎn)數(shù)最多的平面參數(shù)。

空心電抗器有兩個(gè)斜面，在進(jìn)行平面濾波時(shí)，存在方向性問(wèn)題。由于該問(wèn)題在三維空間坐標(biāo)系內(nèi)與x方向無(wú)關(guān)，可簡(jiǎn)化為在Oyz平面上濾除直線(xiàn)上方的點(diǎn)。其直線(xiàn)特征如圖10所示。不論是直線(xiàn)L1，還是L2的特征，該問(wèn)題均需要結(jié)合直線(xiàn)方程中y與z的正/負(fù)相關(guān)性處理。

圖10 空心電抗器斜面區(qū)域在二維空間的方向性特征示意圖Fig. 10 Directional features of the air-core reactor beveled area in 2D space

空心電抗器網(wǎng)口平面的平整度不如其他箱體，平面擬合可能會(huì)存在輕微的偏差。為了防止網(wǎng)口平面的點(diǎn)被濾除，平面濾波需要在z方向上上移h距離，即濾除平面ax+by+c(z-h)+d=0上方的點(diǎn)。

2.2.2 結(jié)合幾何特征配準(zhǔn)

通用檢測(cè)流程中，點(diǎn)云配準(zhǔn)往往在預(yù)處理后進(jìn)行?？招碾娍蛊鞯男泵鎱^(qū)域若按此流程處理，配準(zhǔn)效果得不到保證。為了解決該問(wèn)題，本文將通用檢測(cè)流程加以調(diào)整，得到如圖11所示的電抗器斜面區(qū)域異常檢測(cè)流程。

圖11 空心電抗器斜面區(qū)域異常檢測(cè)流程Fig. 11 An anomaly detection process for air-core reactor beveled area

通用檢測(cè)流程中，由于斜面區(qū)域經(jīng)平面濾波后所在平面無(wú)過(guò)多的棱角特征，當(dāng)模板點(diǎn)云和待檢點(diǎn)云的整體相對(duì)偏差超過(guò)半個(gè)網(wǎng)口的寬度時(shí)，配準(zhǔn)往往會(huì)發(fā)生網(wǎng)口錯(cuò)位的現(xiàn)象。如圖12（a）所示，藍(lán)色模板點(diǎn)云都向上移動(dòng)了一格網(wǎng)口的距離，螺栓位置明顯錯(cuò)位。為了降低網(wǎng)口特征的影響，本文將平面濾波調(diào)整到配準(zhǔn)之后，保留空心電抗器的側(cè)壁特征進(jìn)行配準(zhǔn)，得到的效果如圖12（b）所示。最后，用平面濾波剔除噪聲和側(cè)壁點(diǎn)云，得到了圖12（c）所示效果，避免了因配準(zhǔn)效果不佳導(dǎo)致的異常檢測(cè)不準(zhǔn)確問(wèn)題。

圖12 電抗器斜面配準(zhǔn)效果對(duì)比Fig. 12 Optimization registration effect of air-core reactor beveled area

3 實(shí)驗(yàn)及結(jié)果分析

3.1 評(píng)估指標(biāo)

為了評(píng)估本文所提檢測(cè)方法的效果，采用某地鐵公司22 臺(tái)車(chē)共計(jì)40 組3D 點(diǎn)云數(shù)據(jù)作為測(cè)試集（單臺(tái)車(chē)進(jìn)行一次完整的數(shù)據(jù)采集為一組數(shù)據(jù)，或稱(chēng)為一趟車(chē)的數(shù)據(jù)），分別采用通用檢測(cè)方法與特定檢測(cè)方法進(jìn)行了實(shí)驗(yàn)。在測(cè)試集中，模擬的異常樣本點(diǎn)云如圖13所示。

圖13 異常樣本點(diǎn)云Fig. 13 Point clouds of anomaly samples

為了驗(yàn)證檢測(cè)效果，本文采用的評(píng)估指標(biāo)為異常漏檢數(shù)和單趟車(chē)平均誤報(bào)數(shù)，后者的具體定義如下：

3.2 通用方法的實(shí)驗(yàn)結(jié)果

以通用檢測(cè)方法完成40組數(shù)據(jù)的測(cè)試后，整體情況如表1所示。

表1 通用方法整體檢測(cè)結(jié)果Tab.1 Detection results by the general method

采用通用方法的檢測(cè)結(jié)果中存在16 個(gè)漏檢。其中，接頭區(qū)域6個(gè)線(xiàn)束斷股未檢出，原因在于用模擬黑膠帶纏繞時(shí)，該區(qū)域仍存在部分點(diǎn)云，真實(shí)情況下的異常不存在該問(wèn)題；斜面區(qū)域未檢出的異常3個(gè)，原因在于模擬的高度差未達(dá)設(shè)定閾值；此外，其他箱體部件上的異常漏檢也有相似的原因?？傮w而言，若剔除掉不達(dá)標(biāo)的模擬故障，其他模擬故障均能被檢出，檢出效果已在可接受范圍內(nèi)。另一方面，整體的誤報(bào)數(shù)效果堪憂(yōu)，尤其是高壓分線(xiàn)箱接頭區(qū)域和空心電抗器斜面區(qū)域這兩個(gè)特定區(qū)域，占據(jù)了整車(chē)近九成的誤報(bào)。過(guò)多的誤報(bào)將顯著增加檢測(cè)結(jié)果的核對(duì)工作，無(wú)法滿(mǎn)足工程化應(yīng)用需求。

3.3 優(yōu)化后特定檢測(cè)方法的實(shí)驗(yàn)結(jié)果

對(duì)于高壓分線(xiàn)箱接頭區(qū)域，優(yōu)化前后檢測(cè)結(jié)果如表2所示，表中列出了優(yōu)化前誤報(bào)最多的5趟車(chē)的數(shù)據(jù)以及整體誤報(bào)結(jié)果?？梢钥闯?，進(jìn)行區(qū)域分割后，線(xiàn)束區(qū)域零誤報(bào)，純接頭區(qū)域誤報(bào)數(shù)大幅下降，僅少量接頭區(qū)域因點(diǎn)云缺失嚴(yán)重而仍舊存在誤報(bào)。

表2 接頭區(qū)域誤報(bào)結(jié)果對(duì)比Tab.2 Comparison of false detection results for joint portion

對(duì)于空心電抗器斜面區(qū)域，優(yōu)化前后對(duì)比結(jié)果如表3所示，表中列出了優(yōu)化前誤報(bào)最多的5趟車(chē)的數(shù)據(jù)以及整體誤報(bào)結(jié)果，表中“優(yōu)化1”只進(jìn)行了平面濾波，不涉及處理流程的調(diào)整，由于存在配準(zhǔn)效果不佳的問(wèn)題，會(huì)導(dǎo)致螺栓和部件邊緣區(qū)域的誤報(bào)；采用完整的優(yōu)化方案后，消除了電抗器斜面區(qū)域的所有誤報(bào)。

表3 電抗器斜面區(qū)域誤報(bào)結(jié)果對(duì)比Tab.3 Comparison of false detection results for the air-core reactor beveled area

利用上述優(yōu)化方法，還消除了其他部件一些類(lèi)似的誤報(bào)54 個(gè)。最終，通用方法和優(yōu)化后方法的對(duì)比效果如表4所示。

表4 異常檢測(cè)結(jié)果對(duì)比Tab.4 Comparison of anomaly detection results

根據(jù)表4數(shù)據(jù)和式（7），可計(jì)算出單趟車(chē)平均誤報(bào)數(shù)在優(yōu)化前為39.85（即1 594/40），優(yōu)化后為3.35（即134/40）。與通用方法相比，優(yōu)化后的方法在保持相同檢出效果的前提下，消除90%以上的誤報(bào)，滿(mǎn)足工程化應(yīng)用需求。

4 結(jié)束語(yǔ)

零部件異常檢測(cè)是確保地鐵列車(chē)能夠良好運(yùn)行的關(guān)鍵技術(shù)之一。本文基于3D點(diǎn)云處理技術(shù)在工業(yè)領(lǐng)域已有的研究，歸納出一套通用的零部件異常檢測(cè)方法。該方法可以較好地實(shí)現(xiàn)對(duì)地鐵車(chē)輛大多數(shù)箱體部件表面異常的檢測(cè)，但在一些特定的部件區(qū)域，如高亮反光或網(wǎng)格表面區(qū)域，卻難以達(dá)到預(yù)期效果。對(duì)此，本文以高壓分線(xiàn)箱和空心電抗器為例對(duì)該方法加以改進(jìn)，即針對(duì)高壓分線(xiàn)箱接頭區(qū)域采用基于區(qū)域分割的檢測(cè)方法；針對(duì)空心電抗器斜面區(qū)域，則結(jié)合平面濾波對(duì)通用檢測(cè)流程加以調(diào)整，得到了基于平面濾波的檢測(cè)方法。最后，以某地鐵公司的實(shí)際數(shù)據(jù)進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果顯示，優(yōu)化后的方法能在確保檢出率不低于通用方法的前提下，消除90%以上的誤報(bào)，為相關(guān)檢測(cè)系統(tǒng)在實(shí)際應(yīng)用中取得良好效果奠定了基礎(chǔ)。

需要指出的是，本研究所檢測(cè)的多為箱體部件，整車(chē)部件的覆蓋面有限，后續(xù)可以開(kāi)展其他部件的研究；同時(shí)，本文方法僅檢出部件是否有異常，不涉及故障定性。因此，下一步將考慮采用深度學(xué)習(xí)目標(biāo)檢測(cè)的方法，或者直接以模板圖上零部件的相對(duì)坐標(biāo)來(lái)確定檢出的異常區(qū)域?qū)儆诓考惓＿€是零件異常，進(jìn)而結(jié)合異常區(qū)域的幾何特征以及各零部件可能存在的異常情況，分析出具體的異常類(lèi)型。