基于機器視覺的無砟軌道層間結構位移測量方法研究

苗 壯,何越磊,路宏遙,李再幃

(上海工程技術大學城市軌道交通學院,上海 201620)

1 概述

隨著國內高速鐵路的不斷發展，板式無砟軌道結構被普遍運用于高速鐵路線路運營當中。在溫度荷載和列車荷載等外界因素的作用下，層間結構普遍存在變形協調不良而產生離縫的問題，無疑會對軌道結構相關部件受力產生影響，造成安全隱患[1-3]。在現場養護維修作業中，往往采用塞尺、直尺等人工檢查方式，檢查效率及精度較低，與維修“天窗”時間短的矛盾凸顯[4]。因此，對無砟軌道層間位移自動化檢測進行深入地研究具有十分重要的理論價值和現實意義。

目前，國內外相關科研院所已開展大量的無砟軌道層間結構位移測量研究，其檢測主要是采用光纖光柵法、電渦流法、激光測量等原理進行分析。文獻[5-6]利用光纖光柵傳感器在外界環境(如溫度、壓力)發生變化時，其折射率以及柵與柵之間的間距發生改變從而確定位移值。文獻[7]利用高頻電渦流效應原理，根據探頭線圈阻抗的變化實現位移測量。文獻[8-9]利用激光準直技術建立無砟軌道表面沉降監測系統。文獻[10]基于液體壓差測量原理，通過儲液箱中液體液面與柔性連通管和微壓傳感器的高程差獲得監測點的位移。文獻[11]使用相位相關法求得軌道結構的實際位移。這些方法實現了無砟軌道層間位移的有效監測，為有效進行線路養護維修提供了重要的技術支撐。但是值得注意的是，既有研究多是接觸式測量方法，傳感器的布設需要在軌道結構上打孔安裝，不僅影響了軌道結構服役性能的完整性，又給高速列車行車帶來一定的安全隱患。因此，有必要探索一種非接觸式的無砟軌道層間位移監測方法，以滿足日益增長的高速鐵路線路養護維修需求。

基于此，提出一種基于機器視覺的非接觸式層間位移監測方法。針對Canny邊緣提取算法進行改進，并通過高斯擬合算法進行驗證。最后，對無砟軌道位移測量參數進行分析，用實例驗證了采用攝像機進行無砟軌道層間位移測量的有效性和準確性。

2 測量原理

由于進行測量的對象為無砟軌道層間位移，以CRTS Ⅱ型無砟軌道為例，圖1為層間位移測量的基本原理圖，點P(X,Y,Z)為固定在軌道結構上的人工標記點中心坐標，經過攝像機拍攝得到圖片，該人工標記點中心在圖像坐標系中的坐標為p(u,v)。

圖1 層間位移測量的基本原理

為了有效地獲取P點坐標，需要進行圖像坐標到軌道坐標的轉換，有

(1)

其中，Zc為人工標記點到攝像機光心之間的距離在光軸上的投影長度，在測量過程中是已知的，M為參數矩陣，其值為

(2)

式中，第一個矩陣為內參數矩陣，Fx、Fy分別為圖像平面中x、y方向的等效焦距，Cx、Cy分別為光軸與像面焦點在圖像平面中x、y方向的圖像坐標；第二個矩陣為外參數矩陣，R、T分別為3×3旋轉矩陣和3×1平移矩陣。

本文通過張正友標定法[12]對攝像機的內外參數矩陣進行求解，采用黑白棋盤式標定板，單個小格尺寸為30 mm×30 mm。一般而言，通過上述求解過程即可得到軌道結構人工標記點的中心坐標，但在實際應用中，中心坐標的提取往往受現場環境的影響和制約，如拍攝距離、拍攝角度以及光照強度等[13-15]。所以，在確定實際測量方案時，必須要考慮上述影響因素的作用。

同時，將測量對象的人工標記點進行優化，將人工標記點由單個圓形標靶改為3×3的圓形標靶，目的是通過取9組圓形標記點中心坐標變化的平均值作為層間結構位移的真實值，以減少測量誤差。在計算中心點坐標過程中，需要對原始圖像進行預處理，具體流程如圖2所示。

圖2 層間位移測量過程

在標記點中心提取的過程中，受監測現場環境的影響，傳統Canny算法需要手動設置σ值和閾值，無法自適應地對每張圖像進行處理，使用效率較低。因此，對傳統Canny算法進行改進，改進后的邊緣檢測算法自適應性較強。

3 改進的Canny邊緣檢測算法

傳統的Canny算法在圖像去噪以及邊緣點響應上具有較好的效果，其基本的算法流程如圖3所示。

圖3 Canny邊緣檢測算法

一般而言，傳統的Canny算法往往存在以下兩個缺陷[16]。

(1)Step1中高斯濾波器的系數σ需要人工設置，不同的σ值對圖像邊緣信息反應差異較大。

(2)step4中的閾值分割，高低閾值不是通過圖像中邊緣部位的灰度特征來計算的，而是通過人工設置得到，在大量的圖像處理過程中，無法自適應地對每張圖像進行閾值分割得到準確邊緣，增加了工作量。

針對上述問題，采用自適應中值濾波代替高斯濾波以及基于分塊迭代的閾值分割法進行基本算法的改進。具體步驟如下。

3.1 自適應中值濾波代替高斯濾波

根據不同的噪聲大小自適應地對濾波窗口進行調節，用當前窗口中的灰度中值代替噪聲點的灰度值，無噪聲的窗口則輸出原始灰度值。具體算法如下。

Step1:設z(x,y)為圖像某一像素點(x,y)的灰度值，當前窗口大小為s(x,y)，起始灰度窗口大小W=3，zmin,zmed，zmax分別為起始窗口內的最小灰度值，灰度中值，最大灰度值。

Step2:若zmin

Step3:若zmin

3.2 基于分塊迭代的局部閾值分割法

根據單個圓形標記點的大小將目標圖像分割為3×3的子塊，對每個子塊使用Otsu算法[17]進行閾值分割，確定閾值。若仍不能很好地提取標記點，則將目標圖像迭代分割成更小的子塊進行閾值分割，直至能夠完整分離出目標點。

以現場實拍的人工標記點為例，對改進后的Canny算法與傳統Canny算法進行對比。圖中紅色實線為傳統Canny算法得到的邊緣信息，藍色實線為改進Canny算法得到的邊緣信息，并對部分邊緣進行放大，結果如圖4所示。

圖4 Canny算法結果對比

通過Canny算法實現像素級定位后，需要在此基礎上實現亞像素級定位以獲得更高的精度[18]。這里通過高斯擬合算法進行亞像素定位[19]。同樣是以現場實拍人工標記點為例，首先通過Canny算法進行中心點的粗定位，接著以此為基礎進行亞像素定位，得到精確中心坐標，對比前后坐標的變化情況，可驗證改進Canny算法的優越性，中心點的粗定位如圖5所示，中心定位精度結果見表1。

圖5 Canny算法中心定位

表1 Canny算法的定位精度對比

由表1可以得到，傳統Canny算法的定位誤差為0.511個像素，而改進Canny算法的定位誤差為0.176個像素，獲得了更為精確的定位效果。同時，改進Canny算法可自適應對不同環境條件下的圓形標記點進行邊緣提取，提高了使用效率。

在圖像采集過程中，監測現場存在灰塵和光線衍射等外界因素的干擾，在進行邊緣提取后存在一些偽邊緣。這里將未閉合邊緣的端點通過直線相連，形成閉合連通域。對各個連通域進行形狀參數計算，記圓形標記點邊緣連通域的實際面積為a，若計算面積b不滿足0.9b

通過位移測量原理，對上述計算得到的中心坐標進行坐標轉換，實現位移測量的目的。在測量過程中，計算中心坐標受外界測量條件的影響較大，為進一步提高測量精度，需要對這些測量條件進行試驗分析，選擇最適條件。

4 測量參數的選取

4.1 試驗方案

由前可知，測量結果受標記點大小、光照強度、拍攝距離、拍攝角度等因素的影響較大。因此，在實驗室中設計了相關的試驗，進而確定相關測量參數。

試驗的具體設計如下：將自制3×3人工標記點粘貼于混凝土試塊表面，將混凝土試塊固定于萬能實驗機上下兩個機械夾上，機械夾可進行豎向移動，最小位移值可達到0.01 mm，如圖6所示。攝像機采用基于CMOS圖像傳感器的OV4689作為感光器件，鏡頭為手動光圈定焦鏡頭，圖像分辨率為2 560×1 440。攝像機中設置LED光源進行補光，同時配有電壓調理模塊調節光源強度。通過調節升降夾使人工標記點成像于圖像中心位置，因此可忽略鏡頭畸變對圖像識別造成的影響。

圖6 精度測量試驗布置

通過室內試驗對這4種情況進行對比分析，具體的試驗方案見表2。

表2 不同測量參數對測量精度的影響試驗

4.2 試驗數據分析

根據上述試驗方案，對人工標記點進行圖像采集。通過換算可得單個圓形標記點的算法識別直徑大小，并與實際單個標記點的直徑值H對比，可以得到算法精度，換算公式為

Ht=KHp

(3)

式中,Ht為算法識別直徑；K為1個像素對應的物理長度；Hp為算法識別直徑的像素值。

圖7 不同測量參數與測量精度的關系

圖7表示不同測量參數對測量精度的影響，可得到以下結論。

(1)由圖7(a)可得，標記點直徑為2，3，4，5 mm的算法精度絕對值之和分別為0.026，0.014，0.011，0.009。單個圓形標記點直徑越大，算法越穩定，測量精度越高。結合現場CRTS Ⅱ型無砟軌道砂漿層高度以及試驗結果，擬選取單個圓形標記點直徑為3 mm的標靶進行層間位移監測。

(2)由圖7(b)可得，測量算法對光線強度十分敏感，不同光照強度下的算法精度絕對值之和分別為0.022，0.018，0.011，0.082。挑選合適強度的光照條件對測量精度有著直接影響。因此，在現場的安裝過程中，需要調節補光光源至合適的光照強度，以提高夜間測量精度。

(3)由圖7(c)可得，拍攝距離為50，60，70，80 cm的算法精度絕對值之和分別為0.022，0.023，0.033，0.044。隨著拍攝距離的增加，測量精度變差。結合現場調研情況，擬選擇距離人工標記點60 cm處進行位移測量。

(4)由圖7(d)可得，拍攝角度為0°，10°，20°的算法精度絕對值之和分別為0.020，0.025，0.047。拍攝角度越大，測量精度越差。因此，在現場安裝過程中，盡可能使攝像機正對被測物，以減小測量誤差。

結合上述結果，對標記點運動狀態下的測量誤差進行分析。控制人工標記點產生豎向位移，單次位移值為0.1 mm，總位移為1 mm。通過改進Canny算法提取標記點的中心坐標，以分析本文測量方法的測量誤差，結果如表3所示。

人工標記點運動時，本文測量方法的相對測量誤差在0.5%～2.6%，在誤差的允許范圍之內，測量值均略大于實際位移值，精度較高。

綜上所述，選擇合適的測量參數能夠有效地提高測量精度。本文所提測量方法能夠實現層間結構位移測量目的，且誤差值滿足軌道結構測量誤差要求。改進后的Canny算法受外界環境影響較小，在合適的測量條件下，該測量方法可行性較強。

表3 運動狀態下的測量誤差

5 工程應用

為了驗證前文所述方法的有效性，研究選取某350 km/h高速鐵路線路CRTSⅡ型無砟軌道結構層間位移作為對象進行相對位移測量。選用圖像分辨率為400萬像素的攝像機作為圖像采集裝置，鏡頭為固定焦距鏡頭。單個圓形標記點直徑為3 mm，粘貼于軌道板和砂漿層合適位置處。距離軌道板60 cm處對攝像機進行固定，攝像機與固定支架為剛性連接，支架通過化學錨栓固定于混凝土路基上，可視攝像機與混凝土路基為剛性連接，確保拍攝的平穩性。調整LED光源至合適強度，使攝像機鏡頭正對人工標記點。同時，使標記點成像于圖像中心位置，通過標記點垂直向下的平均位移計算層間結構的豎向位移變化情況。該系統的布局如圖8所示。同時，在監測區域安置氣象站，獲得測試期間環境溫度的實時數據，溫度數據的采集頻率同攝像機拍攝頻率一致，結合層間位移進行對比分析。

圖8 位移監測系統布置

攝像頭的采樣頻率為1張/h，通過遠程傳輸到實驗室服務器上。測試時間為2019年1月15日-2019年1月29日。由于測試期間有少量降雨，在夜間補光光源打開的前提下，個別標記點受雨水影響成像不清晰，本研究通過取多組標記點的平均值有效地減小了測量誤差。不同環境條件下的算法識別效果如圖9所示。

圖9 不同環境條件下測量效果

以2019年1月15日0點對應的人工標記點距離作為初始距離，層間位移量即為當前層間距離與初始距離的差值，以此得到不同時間段下的層間位移值，測量結果如圖10所示。

圖10 圖像法位移測量

由圖10可知，圖像法測量的位移變化范圍為-0.71～0.31 mm，位移極值發生時間分別為1月23日14時和1月23日3時。板中層間位移變化具有明顯的溫度效應，單日最大正位移量均為溫度較低的時刻，最大負位移量均為溫度較高的時刻，符合現場調研的實際情況。

為了進一步驗證上述結果的準確性，給出相同線路條件下不同區段的傳感器所得的位移測試結果，該拉桿位移傳感器的測量精度為0.01 mm，測量結果如圖11所示。

圖11 拉桿傳感器位移測量

由圖11可知，拉桿傳感器測量的位移變化范圍為-0.49～0.22 mm，發生時間分別為1月23日13時和1月27日1時，與本文所提方法測得的位移變化趨勢基本一致，可有效地對板式無砟軌道層間結構進行位移測量。此外，從統計學的角度出發，選擇皮爾遜相關系數[20]檢驗兩種測量方法之間的相關性。基于現場測試得到的位移數據，兩種測量方法之間的相關系數為0.901，相關性較高，可信度較好。

但是仍有一點需要注意：在實際監測過程中，個別圖像存在成像質量較差的問題。經過分析得到初步結論，在列車經過的時候，受風力以及列車振動的影響，監測系統會發生晃動，導致成像質量較差，無法對監測目標進行精確測量，如何對該種情況進行改進，還需要進一步研究。

6 結論

本文提出一種基于機器視覺的非接觸式無砟軌道層間相對位移測量方法，針對算法中的關鍵問題提出了改進措施，最后通過現場測試驗證了該方法的可行性和有效性，主要結論如下。

(1)提出一種基于機器視覺的非接觸式層間位移測量方法，室內試驗表明該方法的最大測量誤差為2.6%，并通過現場測試驗證了該方法的有效性。

(2)針對傳統Canny算法在圓形標記點邊緣提取過程中存在的問題，對其進行改進，改進算法能夠自適應地對標記點邊緣進行提取，并通過高斯擬合算法檢測其優越性。

(3)本文所提測量方法可推廣用于其他軌道結構的位移測量，如寬窄接縫，為我國高速鐵路的運行安全監測提供一定的技術支持。