崔霆銳 李宇杰 劉 暢 霍苗苗

(1. 北京交通大學(xué)電氣工程學(xué)院, 100044, 北京; 2. 北京市地鐵運(yùn)營(yíng)有限公司, 100079, 北京)

自20世紀(jì)90年代開(kāi)始,國(guó)外已開(kāi)展了對(duì)軌道自動(dòng)巡檢系統(tǒng)的研發(fā)工作。美國(guó)開(kāi)發(fā)的TVIS(軌道視頻檢測(cè)系統(tǒng)),通過(guò)獲取線(xiàn)路視頻圖像輔助人工進(jìn)行軌道狀態(tài)的檢查,判定扣件完好性[1]。澳大利亞和德國(guó)先后開(kāi)發(fā)的RAILSCAN(軌道掃描) 系統(tǒng)和RAILCHECK(光電式軌道檢測(cè))系統(tǒng),使用數(shù)字圖像處理技術(shù)進(jìn)行特性分析,實(shí)現(xiàn)了軌道結(jié)構(gòu)可見(jiàn)異常的自動(dòng)識(shí)別。法國(guó)及意大利等國(guó)家也研制開(kāi)發(fā)了非接觸式檢測(cè)列車(chē),實(shí)現(xiàn)了對(duì)鋼軌表面缺陷、軌道幾何參數(shù)的自動(dòng)檢查[2]。在我國(guó),鐵道科學(xué)研究院研制了基于計(jì)算機(jī)視覺(jué)技術(shù)的鋼軌表面擦傷檢測(cè)系統(tǒng)[3]。然而此類(lèi)研究目前仍處于試驗(yàn)或小范圍的試用階段,需進(jìn)一步測(cè)試應(yīng)用效果。

目前,我國(guó)的自動(dòng)檢測(cè)系統(tǒng)都安裝在專(zhuān)用的軌道檢查車(chē)上,維護(hù)成本高,并且需要特定的天窗點(diǎn)檢測(cè),無(wú)法滿(mǎn)足地鐵行業(yè)日常軌道巡檢的需求[4-6]。針對(duì)上述問(wèn)題,本文提出以運(yùn)營(yíng)載客列車(chē)作為移動(dòng)監(jiān)測(cè)載體,基于圖像處理技術(shù)開(kāi)發(fā)的車(chē)載鋼軌波磨自動(dòng)識(shí)別與預(yù)警系統(tǒng)(以下簡(jiǎn)稱(chēng)“波磨自動(dòng)識(shí)別系統(tǒng)”),以期實(shí)現(xiàn)軌道缺陷的日常精確監(jiān)測(cè)預(yù)警。

1 波磨自動(dòng)識(shí)別系統(tǒng)的研發(fā)思路

波磨自動(dòng)識(shí)別系統(tǒng)的整體研發(fā)思路如圖1所示。首先,采用線(xiàn)掃描激光成像技術(shù)獲取軌道線(xiàn)路相關(guān)的圖像,并利用圖像處理技術(shù)提取鋼軌波磨病害狀態(tài)特征參數(shù);然后,基于圖像處理算法,構(gòu)建鋼軌波磨病害預(yù)測(cè)評(píng)估模型;最后,利用RFID(射頻識(shí)別)技術(shù)和多普勒技術(shù)實(shí)現(xiàn)病害位置精準(zhǔn)定位。由此,研制開(kāi)發(fā)的波磨自動(dòng)識(shí)別系統(tǒng),已在北京地鐵部分線(xiàn)路完成設(shè)備裝車(chē)和線(xiàn)路測(cè)試。

圖1 波磨自動(dòng)識(shí)別系統(tǒng)的整體研發(fā)思路

2 鋼軌波磨的自動(dòng)識(shí)別與評(píng)估

車(chē)載設(shè)備在列車(chē)高速運(yùn)行時(shí)所采集到的原始鋼軌圖片,存在噪聲和光照不均問(wèn)題,需先經(jīng)過(guò)去噪、校正、定位及分割等圖像處理,才能完成波磨識(shí)別檢測(cè)和評(píng)估。

2.1 鋼軌表面圖像的去噪與光照不均校正

步驟1 采用雙邊濾波來(lái)濾除圖像中的噪聲,在不影響原圖像紋理特征的情況下降低噪聲對(duì)圖像的干擾。濾波過(guò)程定義為:

(1)

(2)

式中:

Wp——濾波算子;

I(x)——圖像橫坐標(biāo)方向的灰度值;

Iout(x)——處理后圖像橫坐標(biāo)方向的灰度值;

xi——像素i的原始橫坐標(biāo)值;

x——像素i的處理后橫坐標(biāo)值;

Ω——需要處理的相鄰窗口;

fr和gs——基于距離和強(qiáng)度的濾波器。

步驟2 利用動(dòng)態(tài)引導(dǎo)濾波在去噪后的鋼軌圖像中提取光照分量。

步驟3 根據(jù)光照分量提取結(jié)果的統(tǒng)計(jì)分布特性,基于二維參數(shù)自適應(yīng)伽馬函數(shù)構(gòu)造鋼軌圖像光照不均的校正函數(shù),降低光照過(guò)強(qiáng)區(qū)域圖像的亮度值,提高光照過(guò)暗區(qū)域圖像的亮度值,處理鋼軌圖像不均勻光照的問(wèn)題,從而提升鋼軌圖像的質(zhì)量。

去噪與光照不均校正處理前后的鋼軌圖像如圖2所示。

a) 處理前

2.2 鋼軌表面圖像的定位與分割

從現(xiàn)場(chǎng)采集的鋼軌圖像通常還包含扣件、枕木和路基等不相關(guān)部件。這會(huì)為后續(xù)的處理帶來(lái)干擾。為準(zhǔn)確定位并分割出完整的鋼軌表面區(qū)域,本研究使用水平梯度算子來(lái)強(qiáng)化鋼軌圖像的垂直邊緣,以突出沿水平方向的灰度級(jí)變化,并銳化軌頭表面的邊界。該水平梯度算子為:

(3)

經(jīng)過(guò)邊緣強(qiáng)化后的鋼軌圖像如圖3所示。在此基礎(chǔ)上,計(jì)算每個(gè)處理后坐標(biāo)為(x,y)處像素點(diǎn)ix,y的水平方向梯度,并按列依次求第y列圖像的縱坐標(biāo)方向梯度和值SG(y):

圖3 邊緣增強(qiáng)后的圖像

(4)

式中:

w——鋼軌圖像的縱坐標(biāo)最大值;

h——鋼軌圖像的橫坐標(biāo)最大值;

grad(ix,y)——ix,y的梯度值。

根據(jù)鋼軌圖像中每列的縱向位置,將SG(y)值乘以1個(gè)位置自適應(yīng)權(quán)重,即得到在位置處的權(quán)重值A(chǔ)w(y),使其服從正態(tài)分布如下:

(5)

式中:

μ——正態(tài)分布的數(shù)學(xué)期望;

σ——正態(tài)分布的標(biāo)準(zhǔn)差。

鋼軌的加權(quán)梯度投影輪廓如圖4所示。對(duì)鋼軌圖像進(jìn)行加權(quán)梯度投影分析,結(jié)合軌道表面的經(jīng)驗(yàn)寬度值,確定鋼軌表面區(qū)域在鋼軌圖像中的邊界位置。

圖4 軌道的加權(quán)梯度投影輪廓

(6)

式中:

pr——鋼軌表面區(qū)域在鋼軌圖像中的邊界坐標(biāo);

wr——軌道表面的經(jīng)驗(yàn)寬度值;

WG(i)——在像素點(diǎn)i處的加權(quán)梯度和值。

鋼軌區(qū)域定位結(jié)果如圖5所示。圖5中2條虛線(xiàn)為鋼軌左右邊界。由此即完成鋼軌區(qū)域的分割。

圖5 鋼軌區(qū)域定位結(jié)果

2.3 鋼軌波磨識(shí)別檢測(cè)算法

本文所用鋼軌波磨識(shí)別檢測(cè)算法是基于改進(jìn)空間金字塔匹配模型的?？臻g金字塔匹配模型的核心思想是對(duì)每幅圖像進(jìn)行網(wǎng)格塊分割,通過(guò)對(duì)圖像分割后的子區(qū)域所在的尺度層級(jí)的大小來(lái)賦予不同的權(quán)值,從而構(gòu)造出加權(quán)的視覺(jué)詞直方圖。基于改進(jìn)空間金字塔匹配模型的圖像分類(lèi)流程如圖6所示。將包含鋼軌波磨圖像和鋼軌正常圖像的數(shù)據(jù)集隨機(jī)地劃分為訓(xùn)練圖像集和測(cè)試圖像集,并對(duì)數(shù)據(jù)集中的所有鋼軌表面圖像分別提取Uniform LBP (均勻局部二進(jìn)制值模式)和Dense SIFT (稠密尺度不變特征變換)特征向量。使用經(jīng)典的K-means算法,分別對(duì)訓(xùn)練圖像集圖像的Uniform LBP和Dense SIFT 特征集進(jìn)行聚類(lèi)得到兩個(gè)視覺(jué)碼本。

注:虛線(xiàn)箭頭表示進(jìn)行特征編碼;LLC—局部約束編碼; SVM—支持向量機(jī); SPM—空間金字塔匹配模型。

基于生成的兩個(gè)視覺(jué)碼本,利用LLC模型對(duì)訓(xùn)練圖像集中的所有圖像進(jìn)行特征編碼,并經(jīng)過(guò)SPM池化得到每幅鋼軌表面圖像的兩種不同圖像表示。之后,將每幅鋼軌表面圖像的兩種不同圖像表示即特征向量進(jìn)行線(xiàn)性組合,作為其最終的特征描述。最后,結(jié)合訓(xùn)練圖像集中每幅圖像的特征描述和人工標(biāo)簽訓(xùn)練線(xiàn)性SVM分類(lèi)器,得到最終的分類(lèi)器,在測(cè)試集上實(shí)現(xiàn)鋼軌波磨的識(shí)別檢測(cè)。該算法的識(shí)別檢測(cè)準(zhǔn)確率達(dá)到了99%。

2.4 鋼軌波磨區(qū)間的定位

由于車(chē)輛運(yùn)行環(huán)境復(fù)雜,且輪軌作用不斷,因此現(xiàn)場(chǎng)采集的鋼軌表面波磨圖像不僅存在波磨區(qū)域,還存在邊緣銹跡區(qū)域和正常表面區(qū)域。針對(duì)這一問(wèn)題,為準(zhǔn)確有效地定位出鋼軌波磨區(qū)間,先使用水平灰度梯度統(tǒng)計(jì)分析法,依次求得第k列圖像的水平方向梯度均值〈grad(xk,y)〉,進(jìn)而得到水平灰度梯度統(tǒng)計(jì)分析曲線(xiàn)如圖7所示。圖7中,曲線(xiàn)右半部分中所有極大值的最大值為Rr,曲線(xiàn)左半部分中所有極小值的最小值為Rl。其中:

圖7 水平灰度梯度統(tǒng)計(jì)分析結(jié)果

(7)

式中:

I(xk,y)——第k列圖像的灰度值。

圖7中Rr及Rl為對(duì)應(yīng)的列坐標(biāo)分別為裁剪后剩余鋼軌表面區(qū)域的終止坐標(biāo)及起始坐標(biāo)。由此可得到裁剪后剩余鋼軌表面區(qū)域,如圖8 b)所示。

a) 原圖像

Rl=min[peak〈grad(xk,y)〉], 2≤k≤w/2

(8)

Rr=min[peak〈grad(xk,y)〉],w/2≤k≤w-1

(9)

利用大津閾值分割算法和數(shù)學(xué)形態(tài)學(xué)算法對(duì)圖像進(jìn)行二值化,并去除二值化后存在的噪聲點(diǎn),從而實(shí)現(xiàn)波磨區(qū)域與正常鋼軌表面區(qū)域的分割。二值化后的圖像如圖8 c)所示。

對(duì)得到的二值圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)重建和開(kāi)操作,去除圖像二值化后存在的噪聲點(diǎn)。即:

Cl=arg min(SBi|SBi>δ),i=1,2,…,m

(10)

Cr=arg max(SBi|SBi>δ),i=1,2,…,m

(11)

式中:

C1——鋼軌波磨區(qū)間的起始點(diǎn)坐標(biāo);

Cr——鋼軌波磨區(qū)間的終止點(diǎn)坐標(biāo);

SBi——二值化圖像中像素i的值;

δ——和值的閾值;

m——裁剪后剩余鋼軌表面區(qū)域的寬度。

最后,基于式(10)和式(11),統(tǒng)計(jì)分析二值圖像每列前景點(diǎn)的個(gè)數(shù),并通過(guò)與設(shè)定的閾值比較得到鋼軌波磨區(qū)間的起始和終止點(diǎn)坐標(biāo)。在此基礎(chǔ)上可確定,波磨區(qū)間邊界定位結(jié)果如圖8 d)所示。

2.5 鋼軌波磨周期估計(jì)

在確定鋼軌波磨區(qū)間邊界定位后,根據(jù)波磨的定義及圖像的周期紋理特性,結(jié)合頻域分析和距離匹配函數(shù),對(duì)鋼軌波磨的周期進(jìn)行估計(jì)。對(duì)每列鋼軌波磨區(qū)間圖像進(jìn)行傅里葉變換,得到各列圖像的幅值-頻率曲線(xiàn)簇圖,如圖9所示。在定位每個(gè)幅值-頻率曲線(xiàn)的峰值時(shí),提取對(duì)應(yīng)于前兩個(gè)最大峰值的頻率,并計(jì)算相應(yīng)的周期作為每個(gè)圖像列的候選周期。

注:g為重力加速度。

為提高結(jié)果的魯棒性,定義簡(jiǎn)化的量綱一化距離匹配函數(shù)SNDMF(·),則有:

(12)

式中:

dk1和dk2——第k列波磨區(qū)間圖像的兩個(gè)候選周期值;

Ikj——第k列波磨區(qū)間圖像在位置j處的灰度值;

H——波磨區(qū)間圖像的高度。

定義確定波磨區(qū)間中第k列圖像的最終周期Pi為:

Pi=min(SNDMF(dk1),SNDMF(dk2))

(13)

波磨區(qū)間圖像的寬度為D時(shí),周期向量P=[P1P2…PD],進(jìn)而可得波磨區(qū)間中所有列圖像周期值的眾數(shù)Pc,并將之作為波磨區(qū)間即鋼軌波磨的周期,即:

Pc=mod(P)

(14)

2.6 鋼軌波磨嚴(yán)重程度評(píng)估預(yù)警

一般而言,鋼軌波磨的嚴(yán)重程度與其深度有關(guān),而波磨深度的變化在圖像中體現(xiàn)為圖像灰度上的差異。針對(duì)這一問(wèn)題,需要對(duì)鋼軌波磨圖像的視覺(jué)顯著性進(jìn)行分析。坐標(biāo)為(x,y)處點(diǎn)的顯著度S(x,y)為:

(15)

式中:

Lm——CIELab模式色彩空間圖像特征向量的均值;

LG——原始圖像的高斯模糊;

N(·)——量綱一化。

鋼軌波磨區(qū)間具有顯著的顏色特征。因此,首先利用量綱一化頻率調(diào)諧模型,提取鋼軌波磨圖像的視覺(jué)顯著性特征,并在此基礎(chǔ)上生成全分辨率顯著圖,如圖10 b)所示。

圖10 鋼軌波磨周期估計(jì)可視化結(jié)果

為簡(jiǎn)化每個(gè)鋼軌波磨子區(qū)域的定位過(guò)程和減少計(jì)算量,首先利用自適應(yīng)閾值分割算法,對(duì)得到的鋼軌波磨顯著圖進(jìn)行二值化,如圖10 c)所示。

(16)

式中:

Ta——計(jì)算得到自適應(yīng)閾值。

接著,利用數(shù)學(xué)形態(tài)學(xué)閉操作和標(biāo)記矩陣方法,確定每個(gè)鋼軌波磨子區(qū)域的位置坐標(biāo);然后,在此基礎(chǔ)上,根據(jù)定義計(jì)算每個(gè)鋼軌波磨子區(qū)域的磨耗顯著度SW,如圖10 d)所示。其中:

(17)

針對(duì)具體的鋼軌波磨磨耗情況,首先,將波磨的嚴(yán)重程度劃分為三個(gè)預(yù)警等級(jí),分別為level 1(輕微磨耗)、level 2(中等磨耗)和level 3(嚴(yán)重磨耗),并設(shè)計(jì)每個(gè)等級(jí)對(duì)應(yīng)的隸屬度函數(shù)閾值(μ1,μ2,μ3);然后,將計(jì)算得到的SW輸入到等級(jí)隸屬度函數(shù);最后,根據(jù)最大隸屬原則確定每個(gè)鋼軌波磨子區(qū)域的磨耗嚴(yán)重程度。即:

(18)

3 波磨自動(dòng)識(shí)別系統(tǒng)的構(gòu)建

3.1 車(chē)載設(shè)備

波磨自動(dòng)識(shí)別系統(tǒng)的車(chē)載設(shè)備由車(chē)底工控機(jī)、射頻標(biāo)簽?zāi)K、測(cè)速雷達(dá)模塊、軌道表面及扣件檢測(cè)模塊等構(gòu)成。該系統(tǒng)在北京地鐵上線(xiàn)運(yùn)行開(kāi)展示范應(yīng)用,北京地鐵的波磨自動(dòng)識(shí)別系統(tǒng)車(chē)載設(shè)備實(shí)景圖如圖11所示。

圖11 北京地鐵的波磨自動(dòng)識(shí)別系統(tǒng)車(chē)載設(shè)備實(shí)景圖

在列車(chē)運(yùn)行過(guò)程中,啟動(dòng)雷達(dá)傳感器;雷達(dá)傳感器接收到確定信號(hào)后,通知成像模塊打開(kāi)相機(jī),進(jìn)行圖像采集;對(duì)圖像進(jìn)行壓縮保存,并上傳到遠(yuǎn)程終端;通過(guò)定位模塊精確查找定位點(diǎn),并以此來(lái)確定列車(chē)的位置和運(yùn)行速度。

3.2 邏輯架構(gòu)

波磨自動(dòng)識(shí)別系統(tǒng)的邏輯架構(gòu)如圖12所示,波磨自動(dòng)識(shí)別系統(tǒng)邏輯架構(gòu)分為功能模塊,接口引擎及平臺(tái)服務(wù)三層。其業(yè)務(wù)應(yīng)用功能主要包括缺陷類(lèi)型庫(kù)管理、缺陷分析、缺陷管理、查詢(xún)統(tǒng)計(jì)、預(yù)警管理、系統(tǒng)設(shè)置等。

圖12 波磨自動(dòng)識(shí)別系統(tǒng)邏輯架構(gòu)圖

4 測(cè)試結(jié)果分析

在北京地鐵示范應(yīng)用波磨自動(dòng)識(shí)別系統(tǒng)期間,鋼軌波磨的周期可視化結(jié)果如圖10 e)所示,可以看出估計(jì)的結(jié)果與人工目測(cè)結(jié)果相符合。利用構(gòu)建的波磨自動(dòng)識(shí)別與預(yù)警系統(tǒng)平臺(tái)對(duì)示范應(yīng)用期間采集樣例進(jìn)行檢測(cè)測(cè)試,從測(cè)試集圖庫(kù)(1 000張圖)中通過(guò)Python腳本隨機(jī)抽取20張圖片,一共設(shè)計(jì)10組測(cè)試。測(cè)試結(jié)果如表1所示。

表1 軌道檢測(cè)測(cè)試結(jié)果

波磨自動(dòng)識(shí)別系統(tǒng)檢測(cè)不占用天窗時(shí)間,提高了檢測(cè)效率。結(jié)合表1的測(cè)試結(jié)果可知,波磨自動(dòng)識(shí)別系統(tǒng)無(wú)論檢測(cè)效率還是檢測(cè)準(zhǔn)確率,都體現(xiàn)出傳統(tǒng)人工巡檢無(wú)法比擬的優(yōu)勢(shì)。

根據(jù)波磨自動(dòng)識(shí)別系統(tǒng)輸出的報(bào)警信息,工務(wù)部門(mén)對(duì)北京地鐵某線(xiàn)路4個(gè)病害區(qū)段鋼軌進(jìn)行精準(zhǔn)打磨。圖13為打磨前后輪軌振動(dòng)趨勢(shì)對(duì)比。由圖13可見(jiàn),打磨后輪軌振幅明顯降低,波磨病害特征消失,說(shuō)明波磨自動(dòng)識(shí)別系統(tǒng)能準(zhǔn)確識(shí)別鋼軌波磨病害,為檢修維護(hù)提供高效指導(dǎo)。

a) 打磨前

5 結(jié)語(yǔ)

基于圖像處理技術(shù),研究了圖像分割與特征提取方法、缺陷識(shí)別與分類(lèi)等,建立了病害特征知識(shí)庫(kù),實(shí)現(xiàn)了鋼軌波磨的自動(dòng)識(shí)別和定位。設(shè)計(jì)開(kāi)發(fā)的波磨自動(dòng)識(shí)別系統(tǒng)旨在替代傳統(tǒng)人工巡道的視覺(jué)檢查,通過(guò)更高效和更科學(xué)的分析方法,為地鐵提供智能化檢測(cè)手段和方式,從而大幅提升日常檢修的效率,為城市軌道交通的安全可靠運(yùn)行提供更完善的保障。