趙 靜

(中鐵建(天津)軌道交通投資發(fā)展有限公司,天津 300000)

中國(guó)高速鐵路的快速發(fā)展大大促進(jìn)了國(guó)家的經(jīng)濟(jì)增長(zhǎng),同時(shí)也帶來鐵路系統(tǒng)維護(hù)的高需求[1-2]。為了保證鐵路系統(tǒng)的安全運(yùn)行,需要定期對(duì)各部分設(shè)施進(jìn)行安全檢查。鋼軌作為鐵路系統(tǒng)的重要組成部分,長(zhǎng)期暴露在野外環(huán)境且與列車車輪直接接觸,如果發(fā)生嚴(yán)重磨損、脫落、斷裂等,將會(huì)引發(fā)嚴(yán)重的安全事故[3]。隨著重載鐵路的不斷發(fā)展,鋼軌磨耗問題愈發(fā)嚴(yán)重[4],因此對(duì)鋼軌進(jìn)行安全檢查尤為重要。

對(duì)鐵路鋼軌輪廓的測(cè)量,大多使用鋼軌磨耗儀[5]。磨耗儀輕便、易于攜帶,但需要人工接觸式測(cè)量,易產(chǎn)生人為誤差及磨耗儀磨損,從而影響磨耗測(cè)量結(jié)果的準(zhǔn)確性。隨著計(jì)算機(jī)與視覺技術(shù)的快速發(fā)展,非接觸式測(cè)量技術(shù)迅速發(fā)展[6-7]。非接觸式光學(xué)測(cè)量技術(shù)根據(jù)其成像照明方式分為被動(dòng)和主動(dòng)兩種。被動(dòng)測(cè)量是通過仿真建立類似人體雙目的視覺系統(tǒng),從兩個(gè)方向提取距離信息[8-10],計(jì)算量大,速度較慢,極度依賴被測(cè)物體的紋理特征。主動(dòng)測(cè)量是利用結(jié)構(gòu)光進(jìn)行測(cè)量。結(jié)構(gòu)光分為點(diǎn)結(jié)構(gòu)光、線結(jié)構(gòu)光及面結(jié)構(gòu)光。點(diǎn)結(jié)構(gòu)光結(jié)構(gòu)簡(jiǎn)單、易于操作,但每次只能測(cè)量一個(gè)點(diǎn),檢測(cè)效率不高;面結(jié)構(gòu)光測(cè)量范圍大,但結(jié)構(gòu)復(fù)雜、操作難度較高、處理速度較慢;而線結(jié)構(gòu)光沒有復(fù)雜的結(jié)構(gòu)、易于操作,且數(shù)據(jù)處理速度較快,被廣泛應(yīng)用于工業(yè)測(cè)量方面。文獻(xiàn)[11]利用線結(jié)構(gòu)光提取齒輪的理論點(diǎn)云數(shù)據(jù),但沒有實(shí)際應(yīng)用;文獻(xiàn)[12]開發(fā)了一套基于線結(jié)構(gòu)光的三維輪廓測(cè)量系統(tǒng),體現(xiàn)了線結(jié)構(gòu)光的優(yōu)越性;文獻(xiàn)[13]將線結(jié)構(gòu)光與工業(yè)機(jī)器人相結(jié)合,測(cè)量大型物體三維形狀,提出三維應(yīng)用場(chǎng)景;文獻(xiàn)[14]利用線結(jié)構(gòu)光對(duì)路面裂縫容積進(jìn)行測(cè)量;文獻(xiàn)[15]基于激光攝像原理設(shè)計(jì)車載非接觸式鋼軌磨耗測(cè)量系統(tǒng);文獻(xiàn)[16]基于線結(jié)構(gòu)光設(shè)計(jì)鋼軌全斷面測(cè)量系統(tǒng),并利用試驗(yàn)驗(yàn)證了線結(jié)構(gòu)光用于鋼軌測(cè)量的優(yōu)越性。

本文設(shè)計(jì)基于視覺的非接觸、高精度、高效率的鋼軌輪廓提取方法及基于粒子群優(yōu)化的雙圓擬合鋼軌廓形匹配算法。該方法首先利用激光器投射出平行于鋼軌斷面的線結(jié)構(gòu)光,形成包含鋼軌輪廓信息的結(jié)構(gòu)光光帶;其次通過工業(yè)相機(jī)采集圖像數(shù)據(jù);然后根據(jù)結(jié)構(gòu)光的顏色,采用Steger算法對(duì)鋼軌輪廓進(jìn)行粗精兩次提取,得到具有單像素寬度的鋼軌輪廓曲線,并經(jīng)坐標(biāo)轉(zhuǎn)換模型處理得到鋼軌斷面的實(shí)際輪廓曲線;最后利用基于粒子群優(yōu)化的雙圓擬合鋼軌廓形匹配算法對(duì)仿射誤差進(jìn)行補(bǔ)償,并獲取磨耗信息。

1 研究方法

采用基于單目線結(jié)構(gòu)光的機(jī)器視覺法提取鋼軌輪廓,通過比較提取的輪廓與鋼軌的標(biāo)準(zhǔn)輪廓,對(duì)鋼軌的磨損進(jìn)行定量評(píng)估。整個(gè)系統(tǒng)安裝于測(cè)量小車底部,線激光器在鋼軌斜上方投射出平行于鋼軌橫截面的結(jié)構(gòu)光平面,結(jié)構(gòu)光平面與鋼軌表面相交形成表征鋼軌輪廓信息的光帶。與線激光器成一定夾角安裝的攝像機(jī)采集光帶信息,通過計(jì)算機(jī)對(duì)該光帶圖像進(jìn)行處理。根據(jù)結(jié)構(gòu)光的顏色,采用Steger算法對(duì)鋼軌輪廓進(jìn)行粗精兩次提取,得到光帶的亞像素中心線。利用標(biāo)定獲得的相機(jī)參數(shù)與光平面參數(shù)將光帶中心線的坐標(biāo)轉(zhuǎn)換為實(shí)際鋼軌三維輪廓坐標(biāo),將提取的鋼軌實(shí)際輪廓與標(biāo)準(zhǔn)輪廓對(duì)齊后進(jìn)行磨耗測(cè)量,從而獲取鋼軌的磨耗數(shù)據(jù),實(shí)現(xiàn)鐵路鋼軌輪廓與磨損的無(wú)接觸高精度測(cè)量。

鋼軌輪廓提取與磨耗檢測(cè)系統(tǒng)如圖1所示,主要包含圖像采集、輪廓提取、參數(shù)標(biāo)定、坐標(biāo)轉(zhuǎn)換,以及基于粒子群優(yōu)化的雙圓擬合鋼軌廓形匹配算法。輪廓粗提取可以有效去除圖像噪聲,并將紅色的線結(jié)構(gòu)光帶提取出來。輪廓精提取利用Steger算法對(duì)輪廓粗提取的光帶進(jìn)行亞像素中心提取。通過標(biāo)定得到的參數(shù)及坐標(biāo)轉(zhuǎn)換模型將光帶亞像素中心坐標(biāo)轉(zhuǎn)換為鋼軌的實(shí)際輪廓曲線。隨后通過雙圓匹配算法進(jìn)行對(duì)齊,以粒子群算法對(duì)誤差進(jìn)行優(yōu)化,最終得到鋼軌磨耗。

圖1 鋼軌輪廓提取與磨耗檢測(cè)系統(tǒng)

1.1 輪廓提取

理想的輪廓采集圖像由紅色的結(jié)構(gòu)光光帶前景與黑色的背景組成,結(jié)構(gòu)光光帶與背景分明,易于提取。然而由于實(shí)際測(cè)量環(huán)境的限制,無(wú)法保證嚴(yán)格的無(wú)光條件,因此會(huì)產(chǎn)生光線干擾及其他噪聲污染。由于系統(tǒng)使用的是紅色的結(jié)構(gòu)光,采集環(huán)境中其他紅色干擾較少,因此可根據(jù)顏色提取輪廓曲線。本文使用高斯濾波與輪廓粗提取算法得到鋼軌輪廓光帶圖像。

經(jīng)過輪廓粗提取得到的結(jié)構(gòu)光光帶并不是理想的單像素的線寬,因此使用基于Hessian矩陣的亞像素級(jí)光條中心線提取方法,獲取線結(jié)構(gòu)光的亞像素中心。首先通過Hessian矩陣獲得光條的法線方向,然后在其法線方向上對(duì)像素灰度應(yīng)用泰勒多項(xiàng)式展開,得到灰度分布函數(shù),進(jìn)而計(jì)算出光條中心的亞像素位置。提取效果如圖2所示。與其他算法相比,Steger算法在計(jì)算時(shí)考慮了光帶的方向,具有較高的處理精度和較好的穩(wěn)健性。

圖2 Steger輪廓提取

1.2 參數(shù)標(biāo)定

參數(shù)標(biāo)定分為相機(jī)參數(shù)標(biāo)定與結(jié)構(gòu)光平面參數(shù)標(biāo)定。相機(jī)標(biāo)定采用張正友標(biāo)定法,利用標(biāo)定板獲取相機(jī)的內(nèi)部參數(shù)、畸變參數(shù),以及與標(biāo)定板位姿對(duì)應(yīng)的外部參數(shù)。結(jié)構(gòu)光平面標(biāo)定是利用結(jié)構(gòu)光平面與二維靶標(biāo)平面相交形成的直線光條信息進(jìn)行標(biāo)定。本系統(tǒng)不要求靶標(biāo)每次的位姿保持平行關(guān)系,只需要保證靶標(biāo)在相機(jī)視野范圍內(nèi),降低了標(biāo)定過程的復(fù)雜度。

根據(jù)鋼軌外形,輪廓軌跡被分為軌頭與軌腰兩部分。在擬合平面時(shí),系統(tǒng)將剔除中心線上提取的像素點(diǎn),即通過異常點(diǎn)剔除算法,剔除在中心線上明顯遠(yuǎn)離輪廓的點(diǎn),提高結(jié)構(gòu)光平面擬合的精度;然后對(duì)剩余點(diǎn)進(jìn)行稀疏采樣,在保證輪廓形狀不變的同時(shí)可提高后續(xù)算法的處理速度。

1.3 坐標(biāo)轉(zhuǎn)換

采樣點(diǎn)在經(jīng)過輪廓精提取后得到的坐標(biāo)是像素坐標(biāo),表示的是輪廓上的點(diǎn)在圖像上的位置。為了獲取鋼軌廓形的實(shí)際三維坐標(biāo),需要通過相機(jī)標(biāo)定得到系統(tǒng)參數(shù),從而將圖像坐標(biāo)轉(zhuǎn)換至世界坐標(biāo)系下。坐標(biāo)轉(zhuǎn)換模型如圖3所示。

圖3 坐標(biāo)轉(zhuǎn)換模型

首先利用標(biāo)定得到的相機(jī)內(nèi)參將像素坐標(biāo)轉(zhuǎn)換為相機(jī)坐標(biāo);然后利用相機(jī)坐標(biāo)系與靶標(biāo)平面世界坐標(biāo)系的旋轉(zhuǎn)矩陣與平移矩陣,得到像素點(diǎn)在靶標(biāo)平面世界坐標(biāo)系下的坐標(biāo);最后通過旋轉(zhuǎn)矩陣將靶標(biāo)平面世界坐標(biāo)系轉(zhuǎn)換為標(biāo)準(zhǔn)的世界坐標(biāo)系,進(jìn)而得到鋼軌輪廓中心線在世界坐標(biāo)系下的坐標(biāo)。坐標(biāo)轉(zhuǎn)換中的旋轉(zhuǎn)矩陣和旋轉(zhuǎn)角度分別如下

(1)

(2)

(3)

(4)

1.4 基于粒子群優(yōu)化的雙圓擬合鋼軌廓形匹配算法

鋼軌軌頭磨耗測(cè)量原理如圖4所示,鋼軌軌頭磨耗分為垂直磨耗與水平磨耗。

圖4 鋼軌軌頭磨耗測(cè)量原理

垂直磨耗為距離工作邊1/3軌頭寬處,待測(cè)鋼軌與標(biāo)準(zhǔn)斷面垂直方向的差值。水平磨耗為待測(cè)鋼軌軌頂下16 mm處,待測(cè)鋼軌與標(biāo)準(zhǔn)斷面水平方向的差值。

鋼軌的輪廓測(cè)量數(shù)據(jù)在實(shí)際測(cè)量中會(huì)隨車體振動(dòng)而發(fā)生變化。因此需對(duì)測(cè)量數(shù)據(jù)與標(biāo)準(zhǔn)數(shù)據(jù)進(jìn)行匹配,從而通過對(duì)比分析得到鋼軌的磨耗信息。在對(duì)齊過程中,由于激光平面與軌道縱向垂直性會(huì)受振動(dòng)、安裝誤差等因素的影響而產(chǎn)生仿射誤差,因此本文提出基于粒子群優(yōu)化的雙圓鋼軌廓形匹配算法,解決鋼軌廓形匹配的問題。

(1)雙圓擬合鋼軌廓形匹配算法。為實(shí)現(xiàn)鋼軌廓形匹配,需至少選取兩個(gè)匹配基準(zhǔn)點(diǎn)。由于軌腰部分不與列車直接接觸,不存在磨損變形現(xiàn)象,因此選取軌腰大小圓弧段的圓心作為匹配基準(zhǔn)點(diǎn)。50 kg/m的鋼軌軌腰部分由半徑為350 mm的大圓圓弧和半徑為20 mm的小圓圓弧組成。通過將軌腰數(shù)據(jù)點(diǎn)到圓心距離建立待優(yōu)化函數(shù),可以利用最小二乘法解算求得圓心的最優(yōu)點(diǎn),然后可計(jì)算得到待測(cè)鋼軌輪廓與標(biāo)準(zhǔn)鋼軌斷面輪廓間的平移變換矩陣,將待測(cè)鋼軌輪廓平移變換后,兩者初步對(duì)齊。

(2)粒子群優(yōu)化算法。為了提高測(cè)量廓形數(shù)據(jù)和標(biāo)準(zhǔn)廓形間的匹配精度,利用雙圓擬合鋼軌廓形匹配算法處理后,進(jìn)一步利用粒子群優(yōu)化算法進(jìn)行精匹配。粒子群優(yōu)化算法的基本思想是通過群體中個(gè)體之間的協(xié)作和信息共享尋找最優(yōu)解。粒子群算法通過設(shè)計(jì)一種無(wú)質(zhì)量的粒子,模擬鳥群中的鳥。粒子僅具有兩個(gè)屬性:速度和位置,其中速度代表移動(dòng)的快慢,位置代表移動(dòng)的方向。每個(gè)粒子在搜索空間中單獨(dú)搜尋最優(yōu)解,將其記為當(dāng)前個(gè)體極值,并將個(gè)體極值與整個(gè)粒子群里的其他粒子共享,將最優(yōu)的個(gè)體極值作為整個(gè)粒子群的當(dāng)前全局最優(yōu)解。粒子群中的所有粒子根據(jù)自己的當(dāng)前個(gè)體極值和整個(gè)粒子群共享的當(dāng)前全局最優(yōu)解,調(diào)整自己的速度和位置。粒子更新速度和位置的公式分別為

(5)

(6)

式中,vid為粒子速度;k為當(dāng)前迭代次數(shù);ω為慣性權(quán)重,其值較大時(shí),全局尋優(yōu)能力強(qiáng),局部尋優(yōu)能力弱,其值較小時(shí),全局尋優(yōu)能力弱,局部尋優(yōu)能力強(qiáng);d=1,2,…,D,為向量維數(shù);i=1,2,…,n,為粒子個(gè)數(shù);c1和c2為非負(fù)常數(shù),稱為加速度因子;r1和r2為分布于(0,1)之間的隨機(jī)數(shù)。

迭代過程中,每個(gè)粒子通過與自身上一次匹配度相比,找到個(gè)體極值;通過與種群中全部粒子匹配度相比,找到全局極值,進(jìn)而不斷更新自身的速度和位置,直至最大迭代次數(shù)或極值不再改變。迭代結(jié)束后,以全局最優(yōu)粒子的位置向量作為最終的仿射變換參數(shù)Pg=[θgSxgSzg]T。隨后實(shí)現(xiàn)誤差糾正,公式為

(7)

2 試驗(yàn)與結(jié)果分析

試驗(yàn)所用相機(jī)選擇大恒工業(yè)數(shù)字相機(jī)MER2-230-168U3C,鏡頭為HN-P-1624-25M-C1.2/1低畸變工業(yè)鏡頭,焦距為25 mm。平面靶標(biāo)選用包含12×9個(gè)角點(diǎn)的高精度棋盤格標(biāo)定板,單元格大小為15 mm×15 mm。選用一段長(zhǎng)為30 cm的50 kg/m型號(hào)的鋼軌。磨耗測(cè)量?jī)x選用測(cè)量精度為0.05 mm、重復(fù)性精度為0.02 mm的數(shù)顯鋼軌磨耗測(cè)量?jī)x。相關(guān)試驗(yàn)設(shè)備如圖5所示。

圖5 試驗(yàn)設(shè)備

工業(yè)相機(jī)采集到的輪廓圖像如圖6(a)所示,由線結(jié)構(gòu)光前景部分、黑色背景及一部分環(huán)境噪聲組成,經(jīng)圖像處理后得到圖6(b)。可以肯出,圖像中除輪廓曲線外的其他光影及噪聲已被去除,輪廓部分用白色高亮顯示。最后經(jīng)過Steger中心線提取算法處理,得到準(zhǔn)確的輪廓曲線,如圖6(c)所示。

圖6 鋼軌輪廓曲線

相機(jī)內(nèi)部參數(shù)標(biāo)定結(jié)果見表1。結(jié)構(gòu)光平面標(biāo)定的可視化結(jié)果與光平面方程參數(shù)如圖7和表2所示。

表1 參數(shù)標(biāo)定結(jié)果

表2 結(jié)構(gòu)光平面方程系數(shù)

圖7 結(jié)構(gòu)光平面

本文使用基于機(jī)器視覺的鋼軌輪廓提取方法對(duì)一段標(biāo)準(zhǔn)的50 kg鋼軌的20處進(jìn)行輪廓提取,并通過基于粒子群優(yōu)化的雙圓擬合鋼軌廓形匹配算法補(bǔ)償仿射誤差,得到擬合后的50 kg鋼軌斷面圖(如圖8所示)。將采集圖像中的鋼軌斷面與標(biāo)準(zhǔn)鋼軌斷面進(jìn)行比較,按照磨耗定義計(jì)算相應(yīng)磨耗,將測(cè)得的鋼軌磨耗數(shù)據(jù)與數(shù)顯鋼軌磨耗儀測(cè)得的磨耗進(jìn)行對(duì)比計(jì)算,得到軌頭部分的垂直磨耗與水平磨耗的測(cè)量誤差,結(jié)果如圖9所示。

圖8 擬合后50 kg鋼軌斷面

圖9 磨耗測(cè)量誤差

經(jīng)計(jì)算,20處水平磨耗與垂直磨耗的均方根誤差分別為0.108、0.074 mm,總磨耗的均方根誤差為0.128 mm,表明本文的鋼軌輪廓提取方法具有較高的精度。

將本文基于粒子群優(yōu)化的雙圓擬合鋼軌廓形匹配算法與未優(yōu)化的雙圓擬合進(jìn)行對(duì)比,結(jié)果見表3?？梢钥闯?本文算法增加了少量計(jì)算時(shí)間,但精度得到明顯提升。

表3 優(yōu)化算法效果

本文提出的鋼軌輪廓提取方法包含攝影學(xué)、光學(xué)、圖像處理等多種技術(shù),因此導(dǎo)致誤差來源于多個(gè)方面。硬件設(shè)備上,相機(jī)分辨率、鏡頭畸變、景深性能與線激光器發(fā)射的結(jié)構(gòu)光寬度都會(huì)影響輪廓提取精度。對(duì)于不同的應(yīng)用場(chǎng)景,可以選擇相應(yīng)性能水平的硬件設(shè)備。另一部分誤差來自采集的圖像中的噪聲,使用圖像處理算法去噪,根據(jù)結(jié)構(gòu)光的顏色及Steger算法,對(duì)鋼軌輪廓進(jìn)行粗精兩次提取輪廓中心線,同時(shí)利用基于粒子群優(yōu)化的雙圓擬合鋼軌廓形匹配算法有效地降低磨耗誤差。

3 結(jié) 語(yǔ)

本文設(shè)計(jì)并實(shí)現(xiàn)了基于結(jié)構(gòu)光顏色和Steger算法的粗精二級(jí)鋼軌廓形提取方法及基于粒子群優(yōu)化的雙圓擬合鋼軌廓形匹配算法。該方法可有效降低磨耗測(cè)量誤差,檢測(cè)精度達(dá)0.128 mm,同時(shí)具備較高的測(cè)量效率。由于條件限制,本文試驗(yàn)是在靜態(tài)環(huán)境下完成的,針對(duì)動(dòng)態(tài)情況下鋼軌輪廓的提取是后續(xù)的研究方向。