基于視覺的列車車輪踏面擦傷定位方法*

趙 勇

（長安大學 工程機械學院機械系 道路施工技術與裝備教育部重點實驗室，陜西 西安710064）

車輪踏面為車輪在鋼軌面上滾動接觸的部位，由于制動、輪對與鋼軌間隙的沖撞以及輪對與鋼軌面在轉彎時的相對滑動等因素造成的踏面擦傷，給車輛和鋼軌帶來額外的沖擊振動，嚴重影響列車平穩運行和鐵路線路的使用壽命。隨著我國鐵路不斷提速以及重載列車的增加，加速了踏面擦傷數量的增加，對車輪檢測和維修提出了更高的要求。因此，研制運行狀態下的車輪踏面擦傷在線動態檢測系統已成為我國軌道交通發展中迫切需要解決的難題。

國外自20世紀70年代開始對車輪踏面擦傷自動檢測方法進行研究，提出的檢測方法主要有振動法[1]、共振解調法[2]、電磁超聲檢測法[3-4]、沖擊載荷法[5]。但國內起步較晚，自20世紀90年代才開始對踏面擦傷動態檢測系統進行研究，主要采用的方法有振動法[6]、共振解調法[7]、踏板法[8]、電磁 超聲 檢 測 法[9]、沖擊載荷 法[10]。 以上提到的踏面擦傷檢測方法都存在測量精度低和車輪檢測兌現率低的缺點。目前，在我國鐵路系統沒有一種理想的檢測方法，車輛檢修部門仍然采用人工目視、靜態測量或憑經驗聽聲音的方法檢測，這種方法的缺點是勞動強度大、測量精度低。而機器視覺檢測技術具有檢測速度快、測量精度高、重復性好等優點，在缺陷檢測方面得到了廣泛的應用[11-14]。因此，利用機器視覺檢測技術配合其他動態測量方法檢測踏面擦傷對提高車輪檢測兌現率、提高勞動效率、檢測精度和促進數字化鐵路的實現具有重要意義。

基于此，本文首先建立了基于機器視覺的車輪踏面擦傷動態檢測系統，提出了基于Canny算法的踏面區域分割算法和一種基于踏面邊緣線掃描搜索的擦傷區域提取的算法。實驗結果表明，本文算法可以有效地進行踏面擦傷可疑區域的定位。

1 系統結構

系統總體結構如圖1所示，系統由左側和右側車輪檢測裝置、交換機和高速計算機組成。左側和右側車輪檢測裝置分別安裝在鐵軌兩側，都是由3臺數字攝像機、3個光源、3個車輪觸發器組成。檢測原理是：列車低速進入檢測區段，當車輪觸發器檢測到車輪時，光源打開，攝像機采集到踏面圖像，通過以太網并經過交換機傳送到高速計算機內進行圖像處理和識別。

2 踏面擦傷可疑區域定位算法

圖2 踏面擦傷檢測算法流程圖

圖2是擦傷檢測算法流程圖。踏面擦傷檢測包括擦傷可疑區域定位和擦傷識別兩個模塊。其中，擦傷可疑區域定位模塊包括圖像平滑、踏面區域分割和擦傷可疑區域檢測三部分。圖像平滑的作用是去除圖像噪聲；踏面區域分割的目的是分割出踏面擦傷所在的區域；擦傷可疑區域檢測是在踏面區域內找到擦傷可疑區域；擦傷識別是利用識別算法進一步判斷可疑區域是否屬于擦傷。本文重點介紹擦傷可疑區域定位算法。

2.1 圖像平滑

圖像平滑的目的是去除圖像噪聲。本文選用快速中值濾波算法平滑圖像。

2.2 踏面區域分割

踏面區域分割的目的是縮小檢測的范圍。算法實現過程如下：

(1)采用傳統Canny算法提取圖像邊緣線。

(2)采用輪廓跟蹤法跟蹤邊緣，去除鏈碼長度小于一定閾值的線段。

(3)判斷保留下的兩條不同的邊緣線之間的最大距離(max)和最小距離(min)，把滿足 max＜Tmax且 min＞Tmin的兩條線保留下來,去除其他干擾線。Tmax和Tmin根據標準輪子的寬度確定，保留下來的兩條邊緣線一條是踏面邊緣線，另外一條是輪緣邊緣線。

(4)從保留的兩條邊緣線中選擇長度最大的一條邊緣線，如果該邊緣線位于另外一條邊緣線的右側，則該邊緣線為踏面邊緣線,向輪緣方向平移標準踏面圖像寬度，得到踏面區域的另外的一個踏面邊緣線；如果該邊緣線位于另外一條邊緣線的左側，則該邊緣線為輪緣邊緣線，向踏面方向依次平移標準輪緣圖像寬度和標準車輪寬度得到踏面區域的兩條踏面邊緣線，截取邊緣線之間的圖像區域即為踏面區域。

2.3 踏面擦傷可疑區域檢測

擦傷區域特征是擦傷線沿踏面邊緣線方向分布，而且擦傷線上點的灰度值變化小。本文根據擦傷特征設計了一種基于踏面邊緣線掃描搜索的擦傷可疑區域提取技術，根據2.2節得到的踏面邊緣線，在踏面區域內，踏面邊緣線依次移動一個像素，得到覆蓋踏面區域的所有掃描線，定義掃描線為圖像的列。算法具體步驟如下(設j=1)：

(1)選取踏面區域的平均灰度值為閾值,對踏面區域進行全局閾值分割，小于閾值的點像素值為0，其余點像素值為255。

(2)沿第j列從上到下逐個計算當前像素點像素值與相鄰兩點的像素值的差值絕對值是否大于255，如果有一個值大于255，則標記當前像素點為跳變點，直到此列上所有跳變點標記完畢。

(3)判斷第j列相鄰的跳變點之間像素個數N1，若N1＞Tc,則標記該列兩個跳變點之間的線段為一條擦傷線。其中Tc的值根據鐵道部規定的擦傷最小長度確定。

(4)迭代循環j＝j+1，轉步驟(2)，直到踏面區域內的所有列判斷結束。

(5)擦傷線的合并。合并原理：對兩條擦傷線(A和B)，設 A的兩端點坐標分別為(x1,y1)、(x2,y2)，B的兩端點坐標分別為(x3,y3)、(x4,y4),兩條線的橫向距離H和縱向距離V分別用如下公式計算：

選取閾值Td1和Td2，如果：H＜Td1且V＜Td2,則認為兩條擦傷線為同一個擦傷區域內的擦傷線。本文Td1為15，Td2為 50。

3 實驗結果及分析

為了驗證本文算法的有效性，在安康車輛段搭建踏面擦傷動態檢測實驗硬件平臺，并利用自行編制的軟件檢測2 000個車輪踏面。實驗硬件平臺選用型號為pia100-48gc的德國Basler公司的千兆網數字面陣CCD攝像機，8 mm日本computar鏡頭以及300 W的碘鎢燈。軟件運行環境：Dell D631筆記本電腦，1 GB內存，編程環境Visual C++6.0。為了定量判斷本文算法的檢測效果，采用以下三個指標對算法進行評價：

定位準確率=檢測到的擦傷數目/擦傷總數 (1)

漏識率＝未檢測到的擦傷數目/擦傷總數 (2)

誤識率＝檢測到的非擦傷數目/擦傷總數 (3)

圖3～圖6是其中兩幅擦傷圖像的可疑區域提取過程結果。圖6中的白色矩形框鎖定區域為擦傷可疑區域。表1為算法評價指標結果。

從圖4～圖6可以看出，本文算法可以很好地對采集的踏面擦傷圖像進行圖像平滑、踏面區域分割和擦傷可疑區域檢測。從表1可以看出,在2 000幅測試圖片中，擦傷定位準確率為97.62%,誤檢率達到3.81%,漏檢率達到2.38%。造成擦傷漏檢的原因是：光照不均勻，造成拍攝的圖片灰度也不均勻，使擦傷區域特征不明顯。改進措施：采用650 nm波長可見光LED平行光源，CCD前加裝峰值波長為650 nm的帶通濾光片，以降低背景光及雜散光的影響。擦傷誤檢的原因是：沿著輪緣邊緣線出現與擦傷特征相同的油污和雜質等非缺陷，誤檢的擦傷在后面的識別算法中進一步識別。降低誤檢率的措施可以考慮在檢測裝置前安裝清洗裝置，去除一部分雜質或油污。

表1 算法評價指標結果

[1]BELOTTI V,CRENNA F R,MICHELINI C.Wheel-flat diagnostic tool via wavelet transform[J].Mechanical Systems and Signal Processing,2006,20(8):1953-1966.

[2]FRANK S A.Technique for the detection of flat wheels on railroad cars by acoustical measuring means[P].United States,Utility Patent,4129276,1978.

[3]DOMINICK P A.Ultrasonic wheel probe with improved acoustic barrier[P].United States,Utility Patent,4763526,1988.

[4]ROBERT F V,WAYNE R C.Ultrasonic inspection method and system,united states[P].Utility Patent,7017414,2006.

[5]TRAIAN M.A dynamic model for the impact between the wheel flat and rail,UPB scientific bulletin,series D[J].Mechanical Engineering,2007,69(2):45-58.

[6]岳建海，裘正定，李鐵錨.基于連續子波變換的鐵路車輪踏面擦傷的在線檢測[J].鐵道學報，2003，25(4)：27-30.

[7]朱建明.機車運行部動態故障非接觸式自動診斷系統的研究[J].機車電傳動，1999(5)：19-21.

[8]李景泉,劉繼.車輪踏面擦傷自動檢測方法的研究和試驗[J].同濟大學學報，2003，31（4）：473-475.

[9]張穎濱.鐵路機車、車輛車輪踏面在線自動化探傷裝置[P].20030111599.3，2004.

[10]劉繼，馮銘.車輪踏面擦傷在線自動檢測方法的研究和試驗[J]. 鐵道車輛，1995，33(2)：28-30.

[11]LIN H D,Tiny surface defect inspection of electronic passive components using discrete cosine transform decomposition and cumulative sum techniques[J].Image and Vision Computing,2008,26(5):603-621.

[12]YUAN T,KUO W.Spatial defect pattern recognition on semiconductor wafers using model-based clustering and bayesian inference[J].European Journal of Operational Research,2008,190(1):228-240.

[13]劉建群，曠輝，丁少華.基于視覺的表面貼裝芯片引腳檢測系統的研究[J].中國機械工程，2007，18(16)：1908-1912.

[14]謝佩軍，計時鳴，程越.基于計算機視覺的晶振帽缺陷自動檢測系統[J].儀器儀表學報，2008，29(5)：1080-1083.