基于機器視覺測量技術的城市軌道交通車輛門鎖安全監測方法

顧 壹 蔣書波 繆小冬,2

(1. 南京工業大學電氣工程與控制科學學院，210009，南京；2. 康尼機電股份有限公司，210009，南京//第一作者，碩士研究生)

近些年，隨著城市基礎設施的大規模建設，城市軌道交通已經成為不可或缺的交通工具，因此，對列車的安全提出了更高的要求。

據車輛運用維護部門統計，在車門檢修中，查找故障的時間占總檢修時間的60%左右[1]。為了能夠更加快速、精準地找到故障位置，縮減檢查人員的勞動時間，更加合理地對車門做出評價，有必要深入研究車門故障原因、車門故障診斷技術等。

通過對城市軌道交通車輛設備的研究發現，需要在不影響正常工作的情況下，對門鎖工作狀態進行監測并診斷故障。為此，設計了一套以視覺測量為核心的嵌入式裝置，采用計算機視覺技術對車門鎖閉機構進行智能監測。在嵌入式視覺監測裝置中采用非接觸式的攝像頭傳感器，可以有效觀察鎖閉機構的運動狀態，判斷車門鎖閉裝置的可靠性。

1 嵌入式視覺監測裝置

1.1 基礎塞拉門結構

選取塞拉門為研究對象，針對塞拉門鎖閉機構的鎖銷和撞塊兩個部件進行在線監測與分析。圖1為塞拉門結構圖。通常將子部件按照系統功能分為六個子系統，包括承載導向裝置、驅動鎖閉裝置、控制裝置、門板裝置、內外操作裝置和基礎部件[2]。

整個塞拉門系統被固定在車廂的安裝架上，車門正中間是一個長導柱，確保了車門在開關過程中能夠在垂直于車廂的平面上運動。同時在旋轉絲桿的下方，左右門扇各有一個導軌，這個導軌確保了車門能夠在開關門動作時按照指定的塞拉行程運動。整個車門的開關門運動都是由電子門控器EDCU控制，電機在工作的時候會將電流信號、轉速值等傳輸給門控器[3]。由于車門長時間運行后，車門鎖閉機構的零部件開始老化，機械故障頻發，單靠從電機采集的數據已經不能夠正確反映車門關門是否正常[4]。因此，提出了采用非接觸式攝像頭傳感器，在線監測車門鎖閉機構。

圖1 車輛塞拉門系統示意圖

1.2 在線采集的嵌入式監測裝置

在線采集的嵌入式監測裝置硬件結構如圖2，其芯片為Broadcom BCM 2836，配備Video Core IV雙核GPU，GPU支持OpenGL ES 2.0,OpenVG硬件加速，1080p30H.264高清解碼，1GB內存，4個USB 2.0接口，采用USB接口供電，有攝像頭接口，LCD接口，尺寸為85 mm×56 mm×17 mm。該圖像采集傳感器為30萬象素，采用USB接口，符合Video for Linux(簡稱V4L標準)，輔助燈光采用LED貼片，將LED接到主板的輸入輸出引腳，通過高低電頻進行控制。

圖2 在線采集的嵌入式監測裝置

在線采集的嵌入式監測裝置通過門控制串口采集關門信號，當關門時開啟攝像頭進行視頻拍攝，接收到關到位信號時結束拍攝，將拍攝的視頻和圖像保存到本地，經過對圖像的處理與分析，將得到的撞塊與鎖銷的轉動數據通過TCPIP協議發送到服務器。

2 檢測算法

2.1 參數標定

攝像機將三維空間的實體變成二維圖像，為了得到一幅圖像的三維幾何信息，需要對相機進行標定[5]。采用平面標定方法，即利用一個標準參照物與相應圖像對應的約束關系來求解攝像機參數。標定結果如表1所示。

表1 標定參數驗證結果

根據表1中的數值可以得出，實際的坐標值與計算得出的坐標值存在著一定的誤差，兩者之間的絕對誤差主要是由透視成像效果所引起。當成像距離不斷加長時，實際增加的物理距離所對應的像素點數反而減少，因此在像素誤差比例相同的情況下，距離越遠，誤差越大。另外，由于采用的是商業鏡頭，所以存在鏡頭畸變的現象，使攝像機標定時，坐標對應變化有一定的非線性。

2.2 基于離散余弦信息的光斑檢測

采用離散余弦變換的方法對帶有圓形光斑的圖像進行壓縮處理，提取圓形光斑的特征信息和位置信息。包括如下步驟：

步驟1：對原始采集圖像進行預處理，主要有以下子步驟：

1) 對原始圖像灰度化，得到灰度圖像。

2) 把灰度圖像帶入離散余弦變換公式從而得到相位和幅值信息。

3) 濾波已經得到的相位信息，求出濾波前后的相位信息差值。

4) 由灰度圖像處理后得到的幅值信息和③得到的相位差值進行逆離散變換，得到預處理圖像。

步驟2：對預處理圖像進行二值化計算，具體包括如下子步驟：

1) 設灰度圖像灰度級是L，則灰度范圍為[0，L-1]，圖像的最佳閾值為：

g=max[w0(t)·(u0(t)-u)2+

w1(t)·(u1(t)-u)2]

(1)

式中：

w0——前景像素點；

w1——背景像素點；

u0——前景像素點的平均灰度值；

u1——背景像素點的平均灰度值；

t——分割閾值。

此方法屬于最大間類方差法。

當g最大時，此時分割閾值t就是最佳分割閾值；

2) 采用最佳閾值分割預處理圖像，得到二值圖像。

3) 對步驟2)處理后得到的二值圖像進行邊緣檢測。通過對于二值圖像的遍歷，在發現像素值變化的地方即為圖像邊緣。

4) 對邊緣檢測后的圖像進行質心計算，公式如下：

零階矩陣公式為

(2)

一階矩陣公式為

(3)

式中:

i、j——均為圖像的坐標值，

V——圖像的像素值；

M、N——圖像的長、寬。

則圖像的質心坐標為：

(4)

(5)

在對圖像進行邊緣檢測、計算質心后，在原始圖像中標示出顏色光斑的形狀和位置。如圖3，邊緣檢測的結果就是標記物的形狀，同時質心坐標值就是標記物的坐標。

2.3 基于骨架霍夫變換的線段檢測

采用基于骨架化的直線檢測和角度計算方法，包括如下步驟：

首先，通過閾值分割，計算得到目標區域，然后通過對于顏色的分割將直線標簽所在的前景與其余機械部件所在的背景鎖分離。

圖3 圓標簽檢測圖

然后采用基于最大圓盤的形態學骨架抽取算法來獲取直線標簽的骨架形態。所謂的最大圓盤是指在圖像中取一些圓，這些圓必須滿足三點要求：① 這些圓必須被圖像所包容，不能超出圖像的范圍；② 最大圓盤上至少有兩個點要與圖像的邊界相切；③ 這些圓必須是圖像中能勾勒出來的最大的圓，不能夠被其他圓完全地包容。

按照上述條件求取圖像骨架時，可以采取以下做法：第一，圖像要緩慢的逐步縮小；第二，在整個縮小的過程中，圖像的歐拉數應該保持不變。以下是應用數學概念來表達骨架求解過程。

對于n=0,1,2,…,定義骨架子集Skel(S;n)為圖像S內所有最大圓盤n0的圓心x構成的集合。從骨架的定義可知,骨架是所有骨架子集的并：

Skel(S)=∪ {Skel(S;n):n=0,1,2,…}

(6)

設x為歐氏空間E2上的集合,x的骨架記為s(x),sr(x)為骨架s(x)的子集,即sr(x)對應于x的最大內切圓半徑為r的骨架,則數學形態學對骨架的描述為：

(7)

式中:

rB——以r為半徑的圓；

drB——具有微小半徑值dr的圓。

歐氏網格空間Z2中,圓drB可近似認為是一個小的結構元素B。圓rB則近似地認為是有離散半徑n的圓nB：nB=B⊕B⊕…⊕B(n次)。

得到二值化目標的骨架數據后，再采用霍夫直線擬合方法得到直線的角度，結果如圖4所示。

3 實際測試

圖5為嵌入式視覺監測裝置整體測試方案，包含關門信號觸發處理和故障信息分析并傳送[6]。

圖4 直線標簽檢測結果圖

首先由車門控制器讀取關門觸發信號，啟動攝像頭采集圖像，所有的視頻數據和圖像數據都保存在本地SD卡中。裝置讀取圖像數據進行特征檢測處理，得到角度數據，通過無線通信模塊發送給服務器[7]。

圖5 嵌入式視覺監測裝置功能圖

圓點光斑檢測和直線檢測均能達到檢測結果，但是通過實際臺架測試100組數據得知直線檢測容易受到噪聲的影響，標準差比較大，而圓點光斑檢測的結果要相對穩定。

由于實際的測試是針對對稱同步的驅動絲桿進行的，因此，圓標簽檢測和直線段檢測可以相互校核。圓標簽的角度檢測誤差大約在±0.9°之間，直線的角度檢測誤差在±1.5°之間，因此直線檢測的誤差要略大，但也能夠滿足實際要求(如表2所示)。

4 結語

采用嵌入式機器視覺監測裝置對反復旋轉門

表2 圓點標記和直線段標記檢測結果對比

鎖機構進行了檢測和分析，設計了一套基于ARM和Linux的圓標簽和直線段檢測方法，通過實際測試驗證了其有效性，得到以下結論：

1)采用圓點檢測相對于直線段標簽檢測準確度要高；

2)采用非接觸光學檢測方法,實施便捷、成本低。

3)通過機器視覺監測裝置檢測到了鎖銷進入鎖閉槽的回彈現象，與仿真數據基本吻合。