基于計算機視覺的車載鋼軌光帶異常檢測系統研制

譚　松，李唯一，韓　強

( 1．中國鐵道科學研究院研究生部，北京　100081; 2．北京鐵科英邁技術有限公司，北京　100081; 3．中國鐵道科學研究院基礎設施檢測研究所，北京　100081)

?

基于計算機視覺的車載鋼軌光帶異常檢測系統研制

譚松1，李唯一2，韓強3

( 1．中國鐵道科學研究院研究生部，北京100081; 2．北京鐵科英邁技術有限公司，北京100081; 3．中國鐵道科學研究院基礎設施檢測研究所，北京100081)

摘要:基于計算機視覺方法對鋼軌光帶檢測系統進行了研究。首先，試驗對比了面陣高速相機+面陣光源、線陣相機+近紅外光源和線陣相機+ LED線光源3種圖像采集方式的效果。其次選取線陣相機+ LED線光源方案進行圖像采集，獲取了可清晰反映軌面光帶分布特征的圖像數據。最后，設計了魯棒、高效的光帶檢測方法，從圖像中準確地提取出光帶邊緣的形狀，并通過像素距離與物理距離的換算，得到了光帶寬度和中心位置，從而實現了對光帶異常的檢測。

關鍵詞:鋼軌光帶異常檢測計算機視覺

鋼軌是鐵路軌道的主要組成部件，它承受車輪的巨大壓力，引導車輪沿著運行方向作蛇行運動。車輪踏面在鋼軌面的滾動、滑動，車輪輪緣與鋼軌間相互作用，都會在鋼軌上留下亮痕，這種亮痕稱為鋼軌光帶。列車運行過程中留在鋼軌上的光帶可以反映軌道的平順性，因此鋼軌光帶可以反映鋼軌的狀態［1］。高速鐵路對軌道狀態有嚴格的要求，如何使軌道保持動態高平順性是確保高鐵舒適、安全的關鍵技術問題［2］。

傳統的光帶檢查方法是依靠人工巡道進行檢查，效率低，不易量化，數據不易保存。因此，迫切需要研制自動化鋼軌光帶檢測設備，將其安裝在專業檢測車或綜合檢測列車上，對鋼軌光帶狀態進行定量檢測。這可為分析動車組高速行駛時的輪軌關系提供參考。

目前沒有專門檢測鋼軌光帶的現代化設備。現有的軌道狀態巡檢系統是一套自動化、智能化的檢測設備，用來代替巡道工巡視檢查軌道結構外觀狀態［3］。其基于視覺檢測原理，通過在檢測車底部掛載由高清晰度相機組成的成像系統，拍攝軌道的可見光圖像，然后應用圖像分析和模式識別技術自動檢測軌道結構外觀可見異常［4］。這方面技術比較成熟的有中國鐵道科學研究院［5］、法國Cybernetix公司、意大利Mermec公司、德國bvSys公司、美國ENSCO公司和德國STN Atlas Electronic公司。

目前的線路檢測技術主要是針對于整個軌道表面，包括鋼軌、扣件、軌枕等部分，對鋼軌表面的檢測局限于表面擦傷和波磨的識別，而針對鋼軌光帶的檢測不多。文獻［6］采用激光位移傳感器檢測鋼軌頂面光帶異常，并通過在地面布點測量列車車輪在鋼軌上的動態橫移，來分析造成鋼軌光帶的原因。該方法只能針對固定布點區段測量，普適性不強。文獻［7］提出一種基于數字圖像處理技術的鋼軌光帶異常自動檢測算法，但只提及算法分析，而對如何獲取圖像，檢測系統如何協同工作并未涉及。

本文介紹的具備機器視覺功能的車載鋼軌光帶異常檢測系統，可對鋼軌頂面光帶圖像進行清晰記錄，并基于圖像處理和模式分析算法，對鋼軌表面光帶的寬度、光帶中心線相對于軌面中心線的偏差距離等參數進行精確測量。通過統計分析被測線路光帶參數的分布特征，定義和發現光帶不良區段并做出預警，從而通過對光帶的監測來評價輪軌接觸關系。

1　系統整體設計

在車體對應軌道的上方安裝高速相機，對軌道進行可見光成像，并將數據與線路里程信息關聯，獲得完整的軌道—位置圖像數據。采用圖像處理和模式識別技術分析圖像，檢測光帶分布特征，實現對光帶異常的自動檢測。按照功能可將該系統劃分為圖像采集和數據分析兩個子系統。系統結構如圖1所示。

該系統研制的關鍵技術難點:①如何在高速運動條件下獲取清晰連續的鋼軌光帶圖像。在前端圖像采集系統中，檢測車下空間較小，采集相機安裝高度受限，車輛高速行駛、晃動，相機與光源的角度配合，陽光干擾等因素均給圖像采集帶來困難。②設計魯棒、高效的光帶檢測方法。受軌道幾何結構的差異、相機抖動、車輪游間、光照不勻等因素的影響，光帶在軌道圖像中的幾何形狀并不規則。因此需要分析多條線路光帶圖像的結構和統計特征，設計自適應的識別方法。

圖1系統結構

2　鋼軌光帶采集

由于現有檢測列車的設備底部距鋼軌表面高度只有500 mm，因此，鋼軌光帶采集部分應輕量化。將相機垂直安裝于鋼軌表面，前后各配一組光源，通過調節光源的角度和光強來采集清晰的鋼軌表面圖像。研制過程設計了3種圖像采集方案，通過試驗對比，選擇適合高速狀態的鋼軌光帶采集方法。

方案1:面陣高速相機+面陣光源。該方案需要對鏡頭進行比選，如果采用8 mm鏡頭的相機，在350 km/h( 97 m/s)的速度下，在視場1 024×368時，幀頻為245 fps，需要采集的鋼軌長度至少為0. 396 m。這樣相機鏡頭距軌面高度至少為0. 396 m/每幀，現有檢測車的安裝條件無法滿足。此外，1 024×368的視場，在動車組通過曲線時可能會出現視場無法覆蓋鋼軌頂面的情況。如果采用焦距為8 mm以下的鏡頭，會發生較為嚴重的畸變，進而影響到圖像識別。因此，該方案不可取。

方案2:線陣相機+近紅外線光源。通過調節近紅外光源和線陣相機相對于鋼軌表面的角度，可以較好地采集到鋼軌表面圖像。但是，近紅外光源具有很強的靶向性，在鋼軌表面的光帶上產生非鏡面反射，而在非光帶上產生鏡面反射，造成了采集的鋼軌圖像呈現出光帶部分暗而非光帶部分亮的現象，如圖2所示。

圖2方案2時采集的鋼軌表面圖像

方案3:線陣相機+ LED線光源。LED線光源的靶向性沒有近紅外線光源強，因此可減少光帶部分過曝的情況。通過調節LED線光源和線陣相機相對于鋼軌表面的角度，可以采集到滿足分析處理需求的鋼軌表面圖像。在圖像當中，可以區分光帶部分與非光帶部分，如圖3所示。

圖3方案3時采集的軌道圖像

大量的實驗室試驗和動態試驗表明:面陣相機+面光源方案需要大功率的光源配合面陣相機，在動車組安裝空間有限的條件下并不適合;線陣相機+近紅外線光源方案，由于近紅外線光源靶向性較強，采集的鋼軌圖像呈現出光帶部分暗而非光帶部分亮的現象，與實際的光帶表面差別較大，給后期圖像識別造成一定的難度;線陣相機+ LED線光源方案，安裝結構簡單，光照均勻，其軟件可與原有的軌道狀態巡檢系統軟件兼容。綜上分析，采用線陣相機+ LED線光源作為前端采集的硬件設備。

3鋼軌光帶圖像處理

3. 1圖像數據采集

圖像數據采集軟件擔負著完整獲取軌道圖像數據的工作。圖像數據軟件設計從整體上可分割為7個功能模塊，如表1所示。

表1圖像數據采集軟件功能

從模塊的職能上來分析，啟動采集時首先要初始化圖像采集卡、線陣CCD等硬件資源，如果遇到任何硬件初始化失敗，則系統會啟動停止，并在軟件信息欄給出用戶提示，如圖4所示。停止采集操作則較為簡單，完成數據文件的保存后，釋放程序的緩存資源，關閉采集卡通道，復位線陣CCD即可。此時軟件會進入等待采集狀態。

圖4啟動采集功能的流程

里程同步功能是對單幀圖像的里程信息進行設置，這樣就實現了圖像數據和軌道空間位置點的關聯。在軟件內部的里程信息統計中，每幀數據對應于2 m空間里程。因此通過對數據幀計數，可設置圖像幀的里程信息。但這種自身計數和空間的真實里程可能存在誤差，故需設計同步機制來對里程進行精確修正。

里程同步機制是通過RS-422通訊協議接收同步中樞發送的標準里程信息標簽，從而對計數標準進行重新修正。當操作員輸入同步里程后發送同步指令時，同步信息將會以該幀信息的形式發送到采集軟件。采集軟件基于該信息修正當前的累計基數，對修正點之后的圖像數據里程基于新的基點計數后賦里程值。

3. 2圖像分析

圖像分析的內容包括:

①定位鋼軌的兩個垂直邊緣，并測量軌面像素寬度;②定位鋼軌光帶邊緣，記錄每行光帶位置的像素寬度及中心點位置，并測量光帶中心點與軌面中心點的偏差;③因在鋼軌軌型確定的情況下軌寬的實際標稱寬度是一定的，因此通過像素寬度換算可得到實際距離;④分析光帶的位置，根據光帶的幾何參數特征，設定判定條件，判斷其是異常光帶還是正常光帶。異常類型包括:光帶整體寬度異常(過寬或過窄)、光帶偏心、光帶局部異常等。

數據分析軟件按照單點檢測、區段預警的模式設計，綜合評判光帶是否異常。其功能結構如圖5所示。

圖5數據分析軟件功能結構

4　試驗結果及分析

從采集到的軌道圖像上可清晰分辨鋼軌頂面光帶區域與非光帶區域，光帶邊界明確、清晰，滿足后續算法分析要求。

運用光帶檢測算法對采集到的圖像進行處理，并在圖中用紅色的點標注出每個鋼軌截面的光帶邊界，將所有截面的紅點連接起來，便得到連續的鋼軌光帶邊界。對一段128 km的鐵路線路進行光帶檢測，檢測結果見表2。圖6給出部分典型的鋼軌光帶異常圖像。

表2異常光帶數量

圖6典型光帶異常圖像

5　結語

本文基于機器視覺檢測方法對鋼軌光帶檢測系統進行了研究，比較了面陣高速相機+面陣光源、線陣相機+近紅外線光源和線陣相機+ LED線光源的優缺點，結合光帶成像特征，確定了采用線陣相機+ LED線光源的圖像采集技術方案。

通過設計高速動態圖像采集系統，以可見光圖像記錄鋼軌頂面狀態，獲取了可清晰反映軌面光帶分布特征的圖像數據。設計并實現了鋼軌圖像數據分析子系統，該系統基于圖像處理和模式分析算法，對光帶邊界進行精確測量，并可對光帶整體寬度異常、光帶偏心、光帶局部異常三種現象進行軟件自動報警。

參考文獻

［1］左玉良．從鋼軌光帶異常看高速線路軌道平順性［J］．鐵道標準設計，2009( 4) : 13-16．

［2］周清躍，周鎮國．客運專線鋼軌技術條件的研究及起草［C］/ /鐵路客運專線建設技術交流會論文集，2005: 91-95．

［3］CLARK R．Rail Flaw Detection: Overview and Needs for Future Developments［J］．NDT＆E International，2004，37: 111-118．

［4］BABENKO P．Visual Inspection of Railroad Tracks［D］．Orlando，USA: University of Central Florida，2006．

［5］許貴陽，史天運，任盛偉，等．基于計算機視覺的車載軌道巡檢系統研制［J］．中國鐵道科學，2013，34( 1) : 139-144．

［6］周宇，王少鋒，王慶方，等．城市軌道交通鋼軌表面光帶異常波動分析［J］．城市軌道交通研究，2012( 10) : 49-52．

［7］陳俊周，關大成，彭強．一種基于數字圖像處理的鋼軌光帶異常自動檢測方法［P］．CN102628814A，2012-08-08．

(責任審編李付軍)

Research and manufacture of on-board detection system for abnormal rail light band based on computer vision

TAN Song1，LI Weiyi2，HAN Qiang3

( 1．Postgraduate Department，China Academy of Railway Sciences，Beijing 100081，China; 2．Beijing IMAP Technology Co．，Ltd．，Beijing 100081，China; 3．Infrastructure Inspection Research Institute，China Academy of Railway Sciences，Beijing 100081，China)

Abstract:Detection system for abnormal rail light band was studied based on computer vision．Firstly，three types of image capture methods were compared by tests，which included area array high-speed camera + array light source，linear array camera + near-infrared light source and linear array camera + LED line source．Next，the image capture type of linear array camera + LED line source was chosen．It could acquire clear images which could show the distribution characteristics of rail light band．Finally，a robust efficient inspection method was designed，which could extract the edge shape of rail light band，and obtain its width and central position by distance conversion from image pixels to actual positions，thus achieve the goal of detecting abnormal rail light band．

Key words:Rail; Abnormal rail light band; Detection; Computer vision

文章編號:1003-1995( 2016) 02-0128-04

作者簡介:譚松( 1978—)，男，碩士研究生。

基金項目:中國鐵道科學研究院基金項目( 1351GC0804)

收稿日期:2015-10-28;修回日期: 2015-12-09

中圖分類號:U216．3

文獻標識碼:A

DOI:10．3969 /j．issn．1003-1995．2016．02．30