一種鐵路扣件螺母中心三級進階定位算法

劉建偉，劉宏立，馬子驥，滕 云，劉建強

(湖南大學 電氣與信息工程學院，湖南 長沙 410082)

扣件是鐵路系統的重要組成部分，需要定期更換維護以保證鐵路安全運行。目前扣件拆卸維護主要依靠人工來完成，這樣不僅效率低下而且具有一定危險性。因此，設計自動拆卸裝置來完成扣件拆卸將具有十分重要的價值和意義。

扣件自動拆卸裝置主要用于對扣件的螺母進行拆卸，因此螺母的精確定位將是設計的關鍵。螺母定位的實現主要包括兩步:①定位螺母中心像素坐標;②將像素坐標轉換到世界坐標以實現對螺母的定位。本文主要針對螺母中心像素坐標的精確定位進行研究。

目前，對于扣件定位問題可檢索到的研究文獻有：文獻[1-2]利用方向場作為特征描述器，根據線性分析方法獲得匹配標準模板完成扣件匹配定位；文獻[3]利用扣件和鋼軌、軌枕間的位置關系，通過檢測得到鋼軌和軌枕的位置來實現扣件定位；文獻[4]提出一種利用互信息實現扣件定位的方法；文獻[5]首先定位到擋板位置，而后根據扣件與擋板位置關系的先驗知識得到扣件區域實現定位；文獻[6]則利用卷積神經網絡來完成定位。但對于扣件螺母中心精確定位問題，相關研究文獻甚少。文獻[7-8]設計了相關的扣件系統螺母缺失檢測裝置，但沒有實現對螺母中心的精確定位；文獻[9]提出了一種基于Canny算子和霍夫變換的六角螺母定位方法，但該文獻是針對電力系統六角螺母進行檢測，用于鐵路復雜環境時定位準確率較差；文獻[10]通過非經典感受和特征分級定位實現螺母中心定位，但其利用的特征不穩定導致定位準確率偏低。

本文在扣件定位準確得到其子圖像的基礎上，提出一種三級進階定位算法來實現螺母中心的精確定位。扣件系統組成見圖1。理想情況下，系統中螺母六角特征明顯且與道釘以及圓形墊片具有相同的圓心。但在實際鐵路環境中，由于腐蝕和風化，螺母的六角特征將不明顯，同時螺母下方圓形墊片安裝存在偏差導致其與螺母中心不同。如此，直接對螺母中心進行定位基本無法完成，而借助圓形墊片來完成中心定位將會出現較大偏差導致定位失敗。通過對實際鐵路扣件進行觀察，發現道釘圓形特征突出且具有較好穩定性，同時其與螺母中心相同，因此本文將螺母中心定位轉化為對道釘中心的定位。在實驗中，本文利用大量實際鐵路采集的扣件圖像進行測試，取得了良好的定位效果。這為扣件自動拆卸裝置的設計實現提供了理論方法和技術支持。

圖1 扣件系統組成

1 中心定位算法

三級進階定位算法，首先對道釘中心進行精確定位，進而利用螺母和道釘中心相同的特點，間接實現對螺母中心的精確定位。算法描述如下。

一級：對準確提取的扣件子圖像預處理，即獲取扣件子圖像輪廓并移除部分無關輪廓。所得處理圖像傳送到二級。

二級：對道釘進行粗定位，即利用最小二乘法對一級處理所得圖像中每一個輪廓進行圓擬合，而后對擬合所得圓形區域進行初步篩選得到候選道釘區域，同時所得候選區域傳送到三級。

三級：對道釘進行精定位，即利用區域紋理特征(平均灰度和信息熵)通過投票法從二級所得候選區域中選出道釘區域，從而得到道釘中心完成道釘精定位。如此，螺母中心精確定位也同時完成。

中心定位算法流程見圖2。

圖2 中心定位算法流程

1.1 圖像預處理

圖3 扣件輪廓圖像

1.2 道釘粗定位

得到預處理輪廓圖像后，利用最小二乘法[14]通過式(1)和式(2)對圖像中每個輪廓進行圓形擬合，擬合所得圓形區域即為初始道釘區域集。

(1)

(2)

式中：(Xi,Yi)為每個輪廓中像素點的坐標；N為每個輪廓像素點的個數；(a,b)為擬合圓的圓心；c為半徑；C、D、E、G、H為計算過程中間變量。其中，所有圖像均以圖像左上角像素點作為各像素參考坐標原點。

道釘成像比例關系示意見圖4。

圖4 道釘成像比例關系示意

根據上述限定條件對初始道釘區域集進行篩選，即可去除大部分非道釘區域實現道釘粗定位。道釘粗定位結果見圖5。

圖5 道釘粗定位

1.3 道釘精定位及螺母中心定位

紋理特征是表征圖像區域屬性的重要特征，常用于圖像分類和場景識別[15]。因此，本文利用道釘區域和非道釘區域間紋理特征的差異，來對候選道釘區域進行篩選以得到真實的道釘區域，從而完成道釘精定位。觀察候選道釘區域可以發現，只有道釘區域具有嚴格的“區域一致性”，而其他候選區域則不具有該特點。具體表現為道釘區域較其他候選區域平均灰度大且信息熵小。根據以上分析，選用基于統計紋理特征的平均灰度和信息熵作為道釘區域篩選的依據。每個候選道釘區域的平均灰度m和信息熵e為

(3)

式中：zi為候選區域像素點灰度值；p(zi)為像素點出現的次數。

計算得到每個候選區域的平均灰度和信息熵后，由于每個區域大小不一致，無法直接利用統計意義上的平均灰度和信息熵進行比較篩選出道釘區域，因此需要對每個候選區域的平均灰度和信息熵進行歸一化為

(4)

得到每個候選區域歸一化平均灰度和信息熵紋理特征后，采用加權投票法選出最終的道釘區域。規則如下：

(1)對每個候選區域的平均灰度和信息熵進行排序，灰度均值按降序排列，信息熵按升序排列。

(2)平均灰度最大和信息熵最小的區域得到最多票數(最多票數為候選區域個數)，其他區域按平均灰度降序、信息熵升序給予依次遞減的票數。

(3)計算每個區域的加權票數，最終票數最多的區域即為道釘區域，計算公式為

Svote=λ·Gvote+(1-λ)·Evote

(5)

式中：Gvote和Evote分別為各區域平均灰度和信息熵特征所得票數；λ為加權系數，本文為0.4(選取依據見實驗部分)；Svote為加權票數。

道釘精定位過程見圖6。

圖6 道釘精定位

精定位得到道釘區域后，其中心像素坐標即可得到，而該坐標同時也是螺母中心坐標，如此，即實現了扣件螺母中心的精確定位。螺母中心精確定位圖像見圖7。

圖7 螺母中心精確定位

2 實驗

本文采用在常石(常德—石門)線采集的1 500張扣件圖像構成樣本庫進行螺母中心定位實驗。主要包含三種類型扣件：正常、表面油污和背景雜物。每種類型500張圖像，大小均為360 pixels×200 pixels。

由于扣件螺母中心精確位置難以得知，因此本文以人工標注的螺母中心作為其中心的精確位置。為了減小標注帶來的誤差，采取對螺母中心進行多次標注。通過計算所得標注中心和算法定位中心平均絕對誤差MAE作為中心定位是否準確的評判標準。

(6)

式中：n為標注次數；xci為標注中心像素坐標；xm為定位所得像素中心坐標。

2.1 參數選取說明

在本文算法中，加權投票法系數λ對于螺母中心定位結果有重要影響。該系數值選取是否合適，將會直接影響螺母中心定位的準確率。本文通過實驗驗證的方法來確定λ值。從上述樣本庫中隨機選擇500張扣件圖像，分別測試λ從0.1～0.9取值時螺母中心定位的準確率。不同λ值下定位準確率測試結果見圖8。

圖8 不同λ值下的定位準確率

從圖8可以看出，λ取值為0.4時，螺母中心定位準確率最高，同時測試過程所用實驗樣本為隨機選取，其不失一般性，因此在本文算法中，系數λ取值為0.4。

2.2 算法有效性分析

按照上述定位準確的評判標準，采用樣本庫中三種類型扣件圖像進行中心定位實驗。不同類型扣件中心精確定位結果見圖9；定位準確率(準確率為螺母中心定位準確的圖像和各類型扣件樣本總量的比值)計算見表1。

圖9 不同類型扣件中心定位結果

表1 不同類型扣件螺母中心定位準確率

從表1數據和圖9的定位結果可以看出，本文算法可以實現扣件螺母中心的精確定位，同時對于不同環境下的扣件，其依然具有較高的定位準確率和良好的定位效果，表明本文定位算法對復雜環境具有較強的魯棒性。

2.3 噪聲實驗分析

實際鐵路環境中的扣件圖像極易受到噪聲污染而導致螺母中心定位失敗。本實驗對扣件圖像人為添加噪聲來模擬受噪聲污染圖像，然后利用本文算法對螺母中心進行定位，以此來驗證本算法對噪聲的魯棒性。

對樣本庫中扣件圖像分別添加噪聲密度Nd(包含噪聲值的圖像區域的百分比)為0.1、0.2、0.3的椒鹽噪聲，而后利用本文算法對添加噪聲的扣件圖像螺母中心進行定位。不同噪聲密度下螺母中心定位準確率見表2；定位結果見圖10。

圖10 不同噪聲密度下扣件中心定位結果

表2 不同噪聲密度下的定位準確率 %

從表2數據和圖10的定位結果可以看出，本文算法對于受噪聲污染圖像依然具有較高的定位準確率和良好的定位效果，表明本文算法對噪聲具有較強的魯棒性。

2.4 算法對比實驗分析

為了進一步突出本文定位算法的性能，將本文算法與文獻[10]中的螺母中心定位算法進行比較，實驗樣本選用本文樣本庫中扣件圖像。定位數據(像素坐標)及誤差(單位為像素)對比見表3；定位準確率對比結果見表4。

從表3和表4中數據可以看出，對于正常和存在背景雜物的扣件，本文算法略優于文獻[10]中算法。而對于表面油污的扣件，本文定位算法優勢明顯。主要原因是表面油污的扣件，螺母的形狀特征部分或完全喪失，導致無法利用該特征進行中心定位。這也間接說明道釘形狀特征較螺母形狀特征穩定性更好。

表3 不同算法螺母中心定位數據對比

表4 不同算法螺母中心定位準確率對比 %

2.5 算法實時性分析

在配置為Intel(R) i5 CPU(3.2 GHz)和4 GB內存的計算機上，通過Matlab仿真平臺進行實時性測試。利用本文算法對1 505張扣件圖片進行中心定位，共耗時110.82 s，即定位速率可以達到13幀/s。后續算法從Matlab平臺移植入C++平臺，可以進一步提高程序的運行速度，滿足實際工程應用。

3 結論

(1)針對扣件螺母中心定位研究文獻少，且已存在方法定位準確率偏低的問題，提出一種三級進階的扣件螺母中心定位方法。

(2)在對鐵路實際場景螺母、圓形墊片和道釘進行分析后，指出圓形墊片中心與螺母中心間存在位置偏差且螺母形狀特征不穩定，而道釘形狀特征穩定且與螺母共中心，因此通過道釘定位來間接實現螺母中心的精確定位。

(3)利用道釘輪廓信息和區域紋理特征，通過圖像預處理、道釘粗定位和道釘精定位三步完成道釘定位，進而實現螺母中心精確定位。

(4)實驗結果表明，本文所提方法具有較高的定位準確率。同時與相關文獻中方法對比，本文方法定位精度和準確率明顯高于其他文獻中方法。

(5)針對更加復雜場景的扣件實現螺母中心定位以及將現有中心定位的結果轉換為實際的物理距離將是下一步工作的重點。