基于計算機圖像處理的受電弓滑板裂紋檢測方法

常通帥

（中車青島四方機車車輛股份有限公司，山東 青島 266111）

近年來，隨著我國城軌技術的不斷進步，機車運行速度不斷提升，運行車次不斷增加，載客量不斷加大，種種因素導致列車受電弓的磨耗加劇，從而導致受電弓系統頻繁出現磨耗、裂紋等故障，因此，受電弓滑板的裂紋檢測需要更加的準確、及時，將事故隱患扼殺在萌芽狀態。為及時、準確地了解受電弓的狀況，需要采取高效、及時、精確、智能的檢測方法對滑板裂紋故障進行識別。

現有受電弓裂紋檢測方法可歸納為三種方式：(1)人工檢測方式，通過人工登頂手動檢測的方法實現裂紋檢測的目的，但這種檢測方式檢測效率較低，且容易受到檢測人員技術水平不同的影響，不同檢測技術人員的經驗不同、熟練程度不同導致檢測結果經常出現差異。（2）接觸式檢測方式，其設計原理簡單，較為容易判斷，效率較高，可以較為實時地檢測出受電弓的狀態，但其對檢測裝置的安裝可靠性要求高，維修代價較大。檢測結果過分依賴檢測裝置（傳感器）的可靠性。（3）非接觸式檢測方式，利用超聲波測距、圖像處理等方法實現受電弓滑板的裂紋檢測。文獻[8]利用三組照相機與一組攝相機構建一套受電弓在線檢測系統，該系統的拍攝角度較多，通過對受電弓的多角度拍攝，實現了受電弓圖像信息的清晰度與準確性，隨后，利用圖像處理技術，對受電弓完成圖像提取，以此為基礎對提取得到的受電弓進行裂紋和燒壞故障的判別。但該方法對現場實現安裝要求高，實際應用效果差，同時，在檢測計算中未消除周圍環境對圖像質量的干擾，檢測精度過低；對于受電弓滑板的上下邊緣提取效果不理想，在現場實際應用效果有待提升。

綜上所述，為更準確地檢測受電弓滑板裂紋情況，提高受電弓滑板裂紋檢測效率及精度，本文介紹了一種基于計算機圖像處理技術的受電弓滑板裂紋檢測方法。首先，運用圖像濾波技術對圖像進行預處理，降低噪聲因素的干擾，然后，利用二代曲波變換實現對于受電弓滑板的識別和分解，通過裂紋特征分析，采用移動平行窗口方法，最終實現受電弓滑板裂紋的檢測識別。

1 受電弓系統簡介

受電弓是列車受流的關鍵設備，通常安裝于列車車頂上，列車運行所需的能量是通過受電弓與接觸網之間的滑動摩擦獲得。因此，受電弓與接觸網之間的可靠性將直接影響列車受流質量。受電弓的種類及結構類型較多，各個國家的受電弓有其獨特的結構方式，總體上可以分為兩類，即單臂和雙臂。受電弓每一部分相互配合，保證能夠可靠工作，受電弓的結構圖如圖1 所示。

圖1 受電弓結構分析圖

底架由絕緣子和安裝座組成；傳動系統由框架阻尼器和升弓裝置組成；框架由拉桿、下臂桿、平衡桿及上框架組成；弓頭由碳滑板和弓頭支撐兩部分組成。受電弓通過絕緣子與列車相連，并通過底架撐起整個受電弓，弓頭與接觸網相連，獲得列車運行的能量。傳動系統可以控制受電弓的高度，可以通過平衡桿調節受電弓的水平狀態，由此構成了一個相對較復雜的受電弓系統。

圖2 裂紋檢測流程圖

2 滑板裂紋檢測算法設計

2.1 算法流程設計

當受電弓滑板出現裂紋時，裂紋方向多為縱向裂紋，裂紋的長度、厚度也不同，當對受電弓滑板裂紋進行檢測時，滑板的劃痕、接縫等干擾因素也嚴重約束了檢測精度。受電弓滑板裂紋檢測需要在高效的前提下，能夠實現精確定位并準確計算，本文采用二代曲波變換方法，分析識別滑板裂紋故障，并進行定量分析判斷，具體流程如圖2 所示。

2.2 滑板裂紋特征分析

滑板長時間運行會出現各種故障，在出現裂紋的同時，也會出現劃痕、接縫斷裂等問題，拍攝過程中也會出現接觸線、車頂雜物等偽故障圖像。傳統的形態處理在將滑板裂紋、接縫、劃痕等特征區分時，區分效果不佳，經常出現誤檢的現象，曲波變換具備方向選擇準確、辨識能力高的特性，同時，計算速度較快，在圖像處理中實際案例應用較廣。本文利用二代曲波變換對滑板進行分解，利用基于移動平行窗口的方法識別裂紋。在進行曲波變換處置前，需將滑板上表面圖像中可能包含的特征元素進行信息收集，對接觸線、劃痕、接縫、裂縫等特征圖像尋找圖像的元素規律。接縫位置較為固定，且形狀單一，出現在滑板左右兩側，同時，與滑板邊緣存在 e 與 e 的角度規律；接觸線與受電弓的位置為垂直分布，雖然接觸線在安裝、排布中呈 型，但兩者之間的角度變化范圍可以劃分到 e ～ e ；由于接觸線與受電弓摩擦造成的劃痕角度規律較為固定，變化范圍在 e～ e ，并且通過實際觀察發現，劃痕多為帶狀分布，規律性較強；滑板在正常運行狀態下很少出現裂紋故障，但當滑板發生機械碰撞時，劇烈的撞擊不僅使得滑板形態發生改變，同時，使得滑板出現裂紋，由于滑板經受撞擊的情況各不相同，導致滑板出現裂紋的位置、裂口形狀千差萬別，裂紋形狀規律性較差，故此可以通過識別裂紋的其他規律進行識別。

二代曲波變換是一種多尺度幾何變換算法。該算法在圖像矩陣處理過程中將圖像在所有尺度中分解，通過分解得到系數矩陣，將矩陣中的高維信息進行映射，在二維分解角-定位點坐標平面，將圖像的高維信息轉變為圖像的幾何特征。二代曲波系數為：

式中，j 為尺度參數，l 為方向參數，k 為位移參數，f 為信號的頻域形式，r 和θ 為頻域極坐標。

經過二代曲波變換處理后，滑板圖像得到一個含多方向的系數矩陣，根據圖像中滑板接縫、劃痕、接觸線以及裂紋的特征與像素規律，將其對應的曲波分解系數對應至方向矩陣中，得到表1。

表1 滑板圖像曲波分解系數分布表

通過表1 可知，滑板背景的系數值分布規律較為簡單，且與裂紋分布系數存在明顯差異；劃痕的方向角度較為集中，分布規律同樣明顯，因此，對滑板背景與劃痕通過設定全局系數便可得到較好的處理效果。兩條接縫的系數分布與裂紋分布具有較多的重疊，系數值、系數個數重合較多；接觸線在系數值、系數個數中同樣與裂紋存在較為的重疊，因此，對于接縫與接觸線需采用其他方法進行去除。

2.3 滑板裂紋提取

滑板圖像經過濾波處理后，圖像中的滑板背景與劃痕已得到有效處理，針對裂紋、接縫、接觸線，三者之間像素規律較高，與滑板邊緣的方向也近似，但是，接縫、接觸線數目固定，針對以上特點，本文采用基于移動平行窗口方法裂紋進行識別。

假設滑板部件的圖像尺寸為Mh N，對其進行n 層曲波分解，第n-1 層包括l 個方向矩陣，接縫與接觸線對應lk方向，則接縫與接觸線的表示矩陣為c。接縫與接觸線具備線奇異特性，因此，在c 中會有較大系數值的帶狀平行區域，同時距離相近；根據帶狀區傾斜角度與間隔相等的特性，通過移動平行窗口進行接縫特征提取。在移動平行窗口中，設定3個方向均為3π/4 的平行四邊形窗口，窗口高M，寬2p+1，窗口間距d。平行四邊形窗口對應的矩陣元素值為Aij，經窗口過濾后的C：

式中，i，j 為元素所在的行列，k 為方向號。

經過窗口過濾處理后，帶狀區域外的元素值變為0，區域內對應曲波分解系數的絕對值。分析C 中的系數值，C 中存在3 處系數值較大的帶狀區域，將接觸線、接縫以及裂紋的形狀特征與系數值數據特征進行類比分析，能夠將三者進行有效區分。

通過對接觸線、接縫以及裂紋進行區分排除后，滑板圖像對裂紋故障存在干擾的因素有效減小，此時，檢測得到線狀的奇異特征后，便可判定裂紋的存在。需對裂紋的形狀、尺寸進一步確定，因此，采用形態細化方法對裂紋尺寸進行確定。形態細化方法是對檢測得到的圖像進行逐步篩減，選定裂紋圖像邊緣像素，對像素進行逐一刪除直至剩余單一像素，計算刪除像素數量，得到對應尺寸數據。在進行細化處理時，需設定:當前像素領域的8 個方向的像素數據均需滿足，當鄰域內特定灰度值的像素數目少于8 個時，將該像素點刪除。當前像素領域像素個數大于1 個時，將該像素點刪除。對圖像進行處理后，得到裂紋骨架效果圖。

3 滑板裂紋檢測實例

3.1 實驗設置

為驗證本文所提出滑板裂紋識別算法的可行性，檢驗檢測結果的準確性，首先，設定三組不同層次實驗。首先，驗證裂紋檢測算法有效性，通過對某一存在裂紋的受電弓圖像進行圖像處理與檢測，獲取實驗結論與實驗數據，將實驗數據與人工檢測數據進行對比，判定算法真實有效；其次，驗證裂紋檢測算法的適用性，設定3 組不同環境的裂紋圖像，針對正常圖像、過度曝光圖像與補光不足圖像進行檢測，研究三種不同情況下，檢測得到的實驗結果的準確率，判定算法廣泛適用；最后，驗證裂紋檢測算法的檢測精度與穩定性，分別檢測5 組裂紋故障，重復檢測5 次，通過與人工數據進行對比，計算檢測誤差，判定算法時候可靠準確。

3.2 實驗結果

經過圖像處理后的受電弓圖像有效去除了滑板表面磨損嚴重、劃痕較多、不同區域滑板亮度不同等因素的干擾，最后獲取得到的滑板裂紋圖像骨架圖像如圖3 所示。

圖3 滑板裂紋圖像骨架圖

將檢測識別的裂紋結果與人工檢測得到的裂紋數據進行對比，兩組實驗數據中裂紋位置相同，計算得到的裂紋長度為6.2mm，人工檢測得到的裂紋長度為6mm，兩組實驗數據相差0.2mm，符合實際檢測要求，證明本算法真實有效。

選取實際現場采集得到的圖像共60 張，通過對原始圖像進行分析，其中包括40 張補光均勻的正常圖像，10 張補光不足的圖像，10 張過度曝光的圖像，分別檢測圖像中裂紋的存在、位置與長度，并與人工檢測得到的數據進行對比，對比結果如表2 所示。

表2 裂紋識別結果

通過表2 可知，原始60 張圖像中實際含有的裂紋條數為7 條，檢測得到的裂紋條數為10 條，通過具體分析得到，40 張正常圖像中3 根存在滑板裂紋在檢測過程中均被準確識別，裂紋的位置與長度能夠精確計算獲取，未發生漏檢現象，3 條誤檢的裂紋究其原因為攝像機與滑板裂紋的高度差距對檢測結果造成影響，同時，車頂存在形狀特征與裂紋較為相似的污痕，并且類似污痕在車頂中較為普遍，造成此類偽故障未能有效去除，從而造成出現誤檢的情況；10 張過度曝光圖像中1 根存在滑板裂紋在檢測過程中均被準確識別，裂紋的位置與長度能夠精確計算獲取，未發生漏檢現象，出現一張誤檢的情況，10 張補光不足圖像中1根存在滑板裂紋在檢測過程中均被準確識別，裂紋的位置與長度能夠精確計算獲取，未發生漏檢現象，出現2 張誤檢的情況，究其原因在圖像處理過程中，補光不足或過度曝光圖像中的細節丟失情況較為嚴重，在邊緣位置出現較多的偽邊緣，偽邊緣與裂紋有較大的重合，造成誤檢。總體裂紋的識別準確率為90.7%，未出現漏檢現象，檢測精確有待提高。

計算上述正確識別得到的裂紋長度，將5 幅檢測含裂紋的圖像作為參考，計算裂紋長度與人工值作比較，實驗結果如表3 所示。

表3 測量結果對比表

在滑板裂紋檢測實驗中，分別驗證了裂紋檢測算法有效性、裂紋檢測算法的適用性與驗證裂紋檢測算法的檢測精度與穩定性，通過實驗數據對比系統檢測數據中，最大偏差為0.23mm，最小偏差為0.02mm，誤差范圍控制在±0.3mm 范圍內，表明系統具有較高的重復測量精度，適用性較強，滿足現場檢測要求。

4 結語

為提高受電弓滑板裂紋的檢測的準確性，本文介紹了一種基于計算機圖像處理技術的受電弓滑板裂紋檢測方法。運用圖像處理技術實現受電弓滑板裂紋狀態的識別以及裂紋長度的檢測。通過受電弓滑板檢測實例驗證，實驗結果表明，本文方法的裂紋識別準確率高達90.7%，具有較高的識別準確率。在裂紋長度檢測精度上，最大偏差為0.23mm，最小偏差為0.02mm，具有良好的重復測量精度，滿足實際現場檢測要求。