胡廣勝++王菁++單清群++張春偉

摘 要在軌道車輛檢測中應用圖像處理和模式識別，可提高車輛檢測效率，對軌道車輛的安全運行具有重要意義。本文旨在對采集的軌道車輛側(cè)底部的裙底板3D圖像，運用圖像配準，圖像對比，霍夫圓檢測，神經(jīng)網(wǎng)絡等，通過當前采集的圖像與模板圖像比對實現(xiàn)軌道車輛裙底板進行自動檢測。內(nèi)容包含：圖像的采集方式，模板數(shù)據(jù)庫的建立，部件定位，以及通過對異常識別實例證實圖像處理算法與軌道車輛部件檢測之間的聯(lián)系。

【關(guān)鍵詞】軌道車輛 3D圖像 自動識別 圖像比對

1 引言

圖像識別技術(shù)是通過計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對像的技術(shù)。包括圖像預處理、圖像分割、特征提取和判斷匹配。就如人一樣讀懂圖片的內(nèi)容，不僅更快的獲取信息，還是一種新的交互方式。

軌道車輛的裙板、底板，為保護車下設(shè)備件和方便檢修而設(shè)計安裝的具有導流、防護、檢修功能的車下設(shè)備艙組件，如出現(xiàn)錯漏等故障，會造成大的安全隱患。目前，軌道車輛大都在灰度圖像上進行圖像處理的故障檢測，這種方法有以下的問題：成像效果受光線影響較大，如反光、陰影等；污漬、水漬等對自動識別結(jié)果影響較大，極易產(chǎn)生誤報警；圖像處理算法較復雜，魯棒性差。

為了解決這些問題，本文以軌道車輛側(cè)底部的裙底板為例，根據(jù)圖像設(shè)計的異常檢測算法，通過自行走機器人沿規(guī)劃磁力線或者激光導航行走拍攝軌道車輛裙底板3D圖像，運用圖像配準，圖像對比，霍夫圓檢測，神經(jīng)網(wǎng)絡等，通過當前采集的圖像與模板圖像比對，實現(xiàn)軌道車輛裙底板的自動檢測。以減少故障遺漏和減輕人工勞動強度，最大程度保證軌道車輛行車安全。

2 圖像自動識別流程

圖像自動識別流程如下：首先，需要收集各種車型各部分的標準圖像等信息建立模板數(shù)據(jù)庫；采集到待檢測的軌道車輛圖像后，高度圖像（灰度圖像）與模板數(shù)據(jù)庫中的圖像進行配準，進而確定各部件的具體位置；最終針對各部件檢測前、后的圖像特征在高度圖像（灰度圖像）上進行對比識別以確定是否存在疑似故障。

2.1 圖像獲取方式

通過設(shè)計自行走機器人，攜帶圖像采集傳輸設(shè)備、圖像存儲與處理設(shè)備。圖像采集由自行走機器人攜帶的3D相機實施，負責裙底板3D圖像（高度和灰度）的采集，自行走機器人采用規(guī)劃磁力線或者激光導航方式進行無軌行走，并可智能避障。圖像存儲與處理設(shè)備用來存儲、分析圖像采集傳輸設(shè)備采集的裙底板圖像。

2.2 模板數(shù)據(jù)庫的建立

利用圖像處理及模式識別進行自動檢測，必須要用到軌道車輛先驗信息。因此，圖像自動識別流程的第一步是建立軌道車輛裙底板的圖像模板數(shù)據(jù)庫。模板數(shù)據(jù)庫的信息結(jié)構(gòu)層次如下：車型層，圖像層，位置信息層，算法參數(shù)層。其中，車型層包含軌道車輛的車型信息；圖像層包含每種車型各相機所拍攝到的各部分標準圖像（“標準圖像”的含義是指圖像中沒有明顯噪聲、無顯著污漬、各部件不包含任何故障的圖像）；位置信息層中包含了各部件在標準圖像中的位置信息；算法參數(shù)層中存儲的是根據(jù)大量試驗確定的各部位對應的最優(yōu)自動識別算法以及相應的配置參數(shù)等信息。

2.3 部件定位

故障自動識別之前，首先需要確定車輛各部件在圖像中的具體位置，即部件定位。將待識別軌道車輛裙底板的圖像與模板數(shù)據(jù)庫中圖像層存儲的標準圖像進行配準并投影，而后根據(jù)位置信息層中標識的部件位置讀取圖像信息便可完成部件定位。以底板的高度圖像為例，形象直觀地介紹部件定位過程。

圖1中上圖為模板數(shù)據(jù)庫中存儲的模板圖像（高度圖像），中圖為待配準圖像，下圖為待配準圖像向模板圖像配準后的結(jié)果。相對模板圖像，待配準圖像在自行走機器人行走方向上存在明顯的拉伸，配準最終的目的是為了獲得待配準圖像相對模板圖像的投影。圖1所示配準結(jié)果即可結(jié)合模板圖像在數(shù)據(jù)庫中存儲的各部件位置信息完成待檢測圖像中部件的精確定位。

3 部件故障自動識別

由于軌道車輛裙底板的大部分故障會導致圖像高度信息發(fā)生變化，針對這種故障，采用待檢測圖像與模板圖像對比的方式來進行故障自動識別。后面將以實例說明軌道車輛裙底板自動識別過程。

實例一：底板漏裝

圖2中左圖為某軌道車輛底板無故障圖像，中間為某單元底板漏裝的故障圖像，漏裝底板部分高度圖像明顯比無故障時偏暗。對于此故障，自動識別過程如下：首先，將待檢測圖像向模板數(shù)據(jù)庫中存儲的模板圖像進行投影；而后將投影得到的圖像與模板圖像相減，差值圖像如圖2中右圖所示?？梢院芮宄乜吹铰┭b底板部分在差值圖像中的亮度明顯高于未發(fā)生故障的部分，故可以通過閾值分割算法較容易的將差異明顯的部位（即底板漏裝部分）根據(jù)二值化、聯(lián)通面積等特征提取出來，并最終形成報警信息。

實例二：裙板鎖扣丟失

在軌道車輛裙底板故障自動識別中也存在用待檢測車輛圖像與模板圖像對比方式較難識別的情況，尤其是當部件尺寸過小，接近甚至小于圖像配準誤差時。例如圖3中所示的裙板鎖扣丟失，鎖扣相對整個裙板部分的尺寸較小，如果仍然采用對比識別的方式，為了抵抗圖像中偶然出現(xiàn)的噪聲和配準誤差，將會很難選取合適的對比參數(shù)，且易造成故障漏報。因此，針對類似情形或者尺寸較小的部件需要單獨設(shè)計自動識別算法。

對于裙板鎖扣丟失的識別，可以使用前節(jié)中的方法得到圖像中裙板鎖扣出現(xiàn)的較大范圍，然后在此范圍內(nèi)采用霍夫圓檢測算法得到所有裙板鎖的外輪廓，如圖3右圖中的綠色輪廓線所示。得到裙板鎖輪廓之后，通過神經(jīng)網(wǎng)絡即可區(qū)分出鎖扣丟失和未丟失兩種情況。

4 結(jié)論

綜上所述，通過自行走機器人圖像采集設(shè)備拍攝軌道車輛側(cè)部和底部高清晰度3D圖像，使用各種圖像處理算法以及結(jié)合車輛先驗信息的合理化算法流程設(shè)計可以實現(xiàn)軌道車輛裙底板故障的自動識別，對出現(xiàn)的故障進行準確實時地報警，極大的減輕了人工檢車的作業(yè)強度，加強故障產(chǎn)生初期的預警能力，從源頭上杜絕有缺陷的車輛商品化，提高了軌道車輛運行的安全性。

參考文獻

[1]杜秋男，李瑞淳.高速動車組裙板設(shè)計研究[J].設(shè)計制造，2008（06）：16-17.

[2]米小珍，楊勇，王楓.動車組側(cè)墻快速設(shè)計研究開發(fā)與應用[J].機械設(shè)計與制造，2013（12）：50-53.

[3]李駿.動車組運行故障動態(tài)圖像檢測系統(tǒng)（TEDS）設(shè)計與實現(xiàn)[D].北京：北京郵電大學，2012.

[4]蔣薈，馬千里，曹松，王志華.鐵路車輛運行安全監(jiān)控（5T）系統(tǒng)的研究與應用[J].公路交通科技，2009，Sl：l-6+18.

[5]張志建.動車組車輛故障動態(tài)檢測系統(tǒng)（TEDS）運用研究[J].鐵道機車車輛，2014（04）：82-84.

[6]武二永，項志宇，沈敏一，等.大規(guī)模環(huán)境下基于激光雷達的機器人SLAM算法[J].浙江大學學報工學版， 2007（12）：1982-1986.

[7]（美）岡薩雷斯 等.數(shù)字圖像處理[M].北京：電子工業(yè)出版社，2011.

作者簡介

胡廣勝（1978-），男，甘肅省白銀市人。大學本科學歷?，F(xiàn)為中車青島四方機車車輛股份有限公司項目主任質(zhì)量工程師、高級工程師。研究方向為焊接工藝及設(shè)備。

作者單位

中車青島四方機車車輛股份有限公司 山東省青島市 266111