(上海工程技術(shù)大學(xué) 城市軌道交通學(xué)院，上海 201620)

0 引言

近年來(lái)我國(guó)的高速鐵路以及城市軌道交通高速發(fā)展，鋼軌扣件作為軌道的重要組成部件之一，其良好的狀態(tài)為高速鐵路及城軌交通的安全運(yùn)行提供有效保障。潘得路快速?gòu)棗l扣件(又稱FC扣件)作為新型軌道扣件，已被廣泛應(yīng)用于歐洲(CEN)、德國(guó)(DB-AG)、法國(guó)(SNCF)、日本(RTRI)、澳大利亞(AS)及北美(AREA)等國(guó)家的鐵路上[1]。同時(shí)，也是引進(jìn)中國(guó)應(yīng)用在高鐵客運(yùn)專線上的軌道扣件，現(xiàn)已引入FC扣件的線路有合武客運(yùn)專線線兩段，石太客運(yùn)專線[1]。

針對(duì)軌道扣件狀態(tài)的檢測(cè)，Jinfeng Yang等學(xué)者采用方向場(chǎng)描述扣件特征，根據(jù)線性分析方法獲得的權(quán)重系數(shù)矩陣匹配標(biāo)準(zhǔn)模板和測(cè)試圖像，從而實(shí)現(xiàn)對(duì)扣件是否存在狀態(tài)的檢測(cè)[2-3]；Babenko P.、Shah M.等學(xué)者在SIFT特征的基礎(chǔ)上運(yùn)用馬赫濾波器和支持向量機(jī)檢測(cè)扣件的存在與否[4-5]；李永波等學(xué)者采用梯度方向直方圖和主成分分析方法提取扣件特征，之后采用支持向量機(jī)進(jìn)行分類[6]；Yiqi Xia等學(xué)者用Haar特征描述扣件圖像，再用AdaBoost分類方法達(dá)成識(shí)別扣件狀態(tài)的目的[7]；Khan R.A.在HarrisShi-Tomasi角點(diǎn)檢測(cè)的基礎(chǔ)上用模板匹配的方法來(lái)識(shí)別扣件彈條的狀態(tài)[8]。目前國(guó)內(nèi)針對(duì)軌道扣件狀態(tài)檢測(cè)方法的研究主要針對(duì)ω型彈條扣件，而對(duì)潘得路快速?gòu)棗l扣件狀態(tài)檢測(cè)的研究很少。

本文針對(duì)潘得路快速?gòu)棗l扣件的扣緊狀態(tài)和非扣緊狀態(tài)的檢測(cè)，設(shè)計(jì)一種基于外觸發(fā)模式同步控制線陣相機(jī)的方法，以保證線陣相機(jī)在列車做變速運(yùn)行情況下采集的軌道扣件區(qū)域圖像不產(chǎn)生縱向畸變(拉伸或者壓縮)；接著對(duì)采集得到的圖像進(jìn)行基于灰度直方圖均衡化[9]和中值濾波[10]的預(yù)處理，以改善采集圖像的對(duì)比度、減小白噪聲的影響；之后，利用十字交叉法[11-12]實(shí)現(xiàn)采集圖像中的扣件區(qū)域定位，并提取出該扣件區(qū)域圖像；對(duì)所提取的扣件區(qū)域圖像，采用基于快速歸一化積相關(guān)算法的模板匹配定位扣件絕緣帽及固定螺栓并獲取其中心坐標(biāo)參數(shù)；根據(jù)定位獲取的相關(guān)中心坐標(biāo)參數(shù)，提出一種基于特征距離的扣件狀態(tài)識(shí)別方法。

1 系統(tǒng)結(jié)構(gòu)

系統(tǒng)結(jié)構(gòu)如圖1所示，其是在同步控制線陣相機(jī)采集圖像的基礎(chǔ)上進(jìn)行對(duì)FC扣件狀態(tài)的識(shí)別。圖像采集系統(tǒng)主要由線陣相機(jī)、光源、濾光片、光電編碼器和工控機(jī)構(gòu)成。光電編碼器輸出對(duì)應(yīng)行車距離信息的脈沖數(shù)，并以此脈沖通過(guò)外觸發(fā)模式同步控制線陣相機(jī)的行頻，保證線陣相機(jī)采集的圖像不產(chǎn)生縱向畸變(拉伸或壓縮)?？奂顟B(tài)識(shí)別主要由扣件定位和特征距離計(jì)算部分構(gòu)成。將采集到的圖像通過(guò)灰度直方圖均衡化增強(qiáng)對(duì)比度和中值濾波去噪等預(yù)處理，利用十字交叉法對(duì)預(yù)處理后的圖像進(jìn)行扣件所在區(qū)域的定位并提??；通過(guò)基于快速歸一化積相關(guān)算法的模板匹配將所提取的扣件區(qū)域中的扣件絕緣帽及固定螺栓定位并獲取其中心坐標(biāo)參數(shù)；根據(jù)這些坐標(biāo)參數(shù)，計(jì)算特征距離并進(jìn)行分類統(tǒng)計(jì)以實(shí)現(xiàn)扣件狀態(tài)的識(shí)別。

圖1 系統(tǒng)結(jié)構(gòu)

2 線陣相機(jī)的同步控制采集圖像

列車在實(shí)際運(yùn)行過(guò)程中，由于其加速及減速階段等現(xiàn)實(shí)原因，致使其不能夠總是勻速運(yùn)行，這樣就無(wú)法滿足線陣相機(jī)采集圖像時(shí)保證圖像不產(chǎn)生縱向畸變(縱向的拉伸或者壓縮)。為了解決此問(wèn)題，關(guān)鍵就是要實(shí)現(xiàn)以列車運(yùn)行距離信息來(lái)同步控制線陣相機(jī)的圖像采集。線陣相機(jī)的主要技術(shù)參數(shù)是其行頻，即線陣相機(jī)每秒所曝光的次數(shù)。根據(jù)線陣相機(jī)的外觸發(fā)模式，可以設(shè)計(jì)一種通過(guò)光電編碼器匹配列車運(yùn)行距離信息的方式來(lái)調(diào)整線陣相機(jī)的頻率轉(zhuǎn)換系數(shù)FR(Frequency conversion Rate)，從而實(shí)時(shí)的對(duì)線陣相機(jī)的行頻進(jìn)行控制，以此實(shí)現(xiàn)對(duì)線陣相機(jī)采集圖像的同步控制。

將線陣相機(jī)的橫向視野HFOV (Horizontal Field of View)設(shè)為W(m)，線陣相機(jī)的橫向分辨率HR(Horizontal Resolving power)設(shè)為HR(pixel)，光電編碼器每轉(zhuǎn)一圈的輸出脈沖數(shù)設(shè)為F(個(gè)/r)，編碼器與檢測(cè)物體接觸的外接轉(zhuǎn)輪半徑設(shè)為R(m)，光電編碼器輸出相數(shù)設(shè)為n相(每相有正負(fù)兩個(gè)輸出)，則相機(jī)捕獲到的編碼器輸出頻率是其輸出每相信號(hào)頻率的2n倍，即2nF。根據(jù)這些參數(shù)可以計(jì)算出控制線陣相機(jī)的頻率轉(zhuǎn)換系數(shù)FR。

則相機(jī)的縱向放大倍率VPM(Vertical Promote Multiple rate)為：

(1)

相機(jī)的橫向放大倍率HPM(Horizontal Promote Multiple rate)為：

(2)

相機(jī)的頻率轉(zhuǎn)換系數(shù)FR為：

(3)

根據(jù)所求得的FR參數(shù)，設(shè)置線陣相機(jī)頻率轉(zhuǎn)換器中的參數(shù)，從而實(shí)現(xiàn)線陣相機(jī)采集圖像的同步控制。這樣保證了線陣相機(jī)能夠在列車以變速運(yùn)行的情況下采集非畸變的軌道扣件圖像。

3 扣件狀態(tài)識(shí)別算法

在線陣相機(jī)所采集獲取的軌道扣件圖像的基礎(chǔ)上，對(duì)采集到的圖像進(jìn)行基于灰度直方圖均衡化和中值濾波的預(yù)處理，利用十字交叉法對(duì)扣件區(qū)域進(jìn)行定位并提??；之后對(duì)所提取的扣件區(qū)域采用基于快速歸一化積相關(guān)算法的模板匹配定位到扣件絕緣帽和固定螺栓，并獲取其中心坐標(biāo)參數(shù)；最后通過(guò)計(jì)算扣件絕緣帽和固定螺栓中心坐標(biāo)的特征距離，并以此特征距離為判決條件實(shí)現(xiàn)扣件狀態(tài)的識(shí)別目的。

3.1 基于FNCC算法的模板匹配定位

快速歸一化積相關(guān)算法(Fast Normalized Cross Correlation，F(xiàn)NCC)是基于歸一化積相關(guān)算法(Normalized Cross Correlation，NCC)的改進(jìn)，通過(guò)減小每次匹配過(guò)程中的計(jì)算量，達(dá)到在保證匹配精度的前提下提高匹配速度的目的。FNCC算法的原理如下：

設(shè)S(x,y)為m×n的搜索圖，T(x,y)為M×N的模板圖，其誤差平方和測(cè)度公式為：

(4)

式(4)中，1≤i≤m-M+1，1≤j≤n-N+1。D(i,j)越小，則兩幅圖越相似。把公式(4)展開(kāi)可得：

D(i,j)=

(5)

式(5)中右邊三項(xiàng)分別為：

(6)

式(6)中，Ds(i,j)為搜索圖像中與模板圖像對(duì)應(yīng)區(qū)域的能量，其與所搜索的區(qū)域像素位置(i,j)有關(guān)，并且隨著(i,j)的變化而逐步變化；Dst(i,j)是模板圖像與搜索圖像對(duì)應(yīng)區(qū)域的互相關(guān)函數(shù)，它隨著像素位置(i,j)的變化而變化，當(dāng)T和S中對(duì)應(yīng)區(qū)域相匹配時(shí)，Dst(i,j)取得最大值；Dt(i,j)是模板圖像的能量，它與圖像像素位置(i,j)無(wú)關(guān)，是一個(gè)常數(shù)。因此，采用互相關(guān)誤差平方和測(cè)度公式：

(7)

對(duì)式(7)歸一化得：

R(i,j)=

(8)

由式(8)知，R(i,j)越大，Si,j與T越匹配，當(dāng)Si,j=nT，時(shí)(n為正整數(shù))，R(i,j)最大，且為1。在此基礎(chǔ)上，對(duì)式(8)變換得：

R(i,j)=

(9)

對(duì)式(9)等式右邊分子展開(kāi)得：

(10)

R(i,j)=

(11)

由于扣件區(qū)域圖像中的扣件絕緣帽和固定螺栓具有穩(wěn)定且均勻的灰度特征，因此將扣件絕緣帽區(qū)域及固定螺栓區(qū)域分別制作成子模板，分別采用以上論述的快速歸一化積相關(guān)算法對(duì)扣件區(qū)域圖像進(jìn)行模板匹配定位，以定位到扣件絕緣帽及固定螺栓的區(qū)域位置并分別獲取其中心坐標(biāo)參數(shù)。獲取的左右扣件絕緣帽中心坐標(biāo)分別記為P1(x1,y1)、P2(x2,y2)；獲取的左右固定螺栓區(qū)域中心點(diǎn)坐標(biāo)分別記為O1(x3,y3)、O2(x4,y4)。定位到的扣件絕緣帽中心坐標(biāo)以及固定螺栓中心坐標(biāo)，將用于下文所述的基于特征距離的扣件狀態(tài)識(shí)別算法。

3.2 基于特征距離的扣件狀態(tài)識(shí)別

在上文所述基于快速歸一化積相關(guān)算法的模板匹配定位扣件區(qū)域特征的基礎(chǔ)上，根據(jù)所獲取的扣件特征區(qū)域中心坐標(biāo)，提出了本文針對(duì)潘得路快速?gòu)棗l扣件狀態(tài)識(shí)別的算法，即基于扣件特征距離的扣件狀態(tài)識(shí)別算法。該算法主要分為兩種，一種是基于扣件絕緣帽特征距離的扣件狀態(tài)識(shí)別算法，另一種是基于扣件彈條特征距離的扣件狀態(tài)識(shí)別算法。下面首先詳細(xì)介紹基于扣件絕緣帽特征距離的扣件狀態(tài)識(shí)別算法。

基于扣件絕緣帽特征距離的扣件狀態(tài)識(shí)別算法的原理就是對(duì)扣件絕緣帽特征區(qū)域的位置坐標(biāo)進(jìn)行計(jì)算，并與接下來(lái)論述的相對(duì)穩(wěn)定的參考位置進(jìn)行對(duì)比，統(tǒng)計(jì)所得的特征距離參數(shù)，進(jìn)行分類從而得到扣件狀態(tài)信息，以此實(shí)現(xiàn)扣件狀態(tài)識(shí)別的目的。該算法能夠定量的給出扣件所處狀態(tài)的像素距離參數(shù)，直觀的表明了所需檢修的扣件數(shù)目。

計(jì)算特征距離需要選取一個(gè)相對(duì)穩(wěn)定的參考位置。由于列車車輪一般為圓錐踏面，搭載在列車上的相機(jī)也會(huì)隨列車橫向擺動(dòng)，采集獲取的圖像中鋼軌表面中心線并不一定在圖像的正中央，因此無(wú)法選取鋼軌區(qū)域的中心線作為參考位置。相對(duì)的，由于FC扣件的固定螺栓(鋼軌左右各一個(gè))位置相對(duì)固定，具有良好的參考價(jià)值。如圖2，選取左右兩個(gè)固定螺栓中點(diǎn)O1和O2連線的中點(diǎn)O(x0,y0)作為特征距離參考點(diǎn)。

圖2 特征距離參考坐標(biāo)圖

O(x0,y0)點(diǎn)坐標(biāo)由定位到的O1(x3,y3)、O2(x4,y4)坐標(biāo)求得：

(12)

計(jì)算左右扣件絕緣帽中心點(diǎn)P1(x1,y1)、P2(x2,y2)和特征距離參考點(diǎn)O的水平相對(duì)距離Δx1、Δx2：

Δx1=|x1-x0|,Δx2=|x2-x0|

(13)

當(dāng)Δx1、Δx2的值小于一定的像素閾值(該閾值通過(guò)先驗(yàn)實(shí)驗(yàn)求平均值所得)，設(shè)該閾值為C1(pixel)，若水平相對(duì)距離Δx1、Δx2小于該閾值C1，則扣件處于扣緊狀態(tài)；相反，則扣件處于非扣緊狀態(tài)。

相對(duì)的，由于潘得路快速扣件的固定螺栓(鋼軌左右各一個(gè))位置相對(duì)固定，具有良好的參考價(jià)值，也可以選取扣件彈條部位作為特征區(qū)域。從而提出基于扣件彈條特征距離的扣件狀態(tài)識(shí)別算法。該算法與機(jī)遇扣件絕緣帽特征距離的扣件狀態(tài)識(shí)別算法相類似，對(duì)扣件彈條特征區(qū)域的位置坐標(biāo)進(jìn)行計(jì)算，并與之前論述的相對(duì)穩(wěn)定的參考位置進(jìn)行對(duì)比，統(tǒng)計(jì)所得的特征距離參數(shù)，進(jìn)行分類從而得到扣件狀態(tài)信息，以此實(shí)現(xiàn)扣件狀態(tài)識(shí)別的目的。

和基于扣件絕緣帽特征距離的扣件狀態(tài)識(shí)別算法相同，也是選取左右兩個(gè)固定螺栓中點(diǎn)O1和O2連線的中點(diǎn)O(x0,y0)作為特征距離參考點(diǎn)，基于扣件彈條特征距離的扣件狀態(tài)識(shí)別算法的特征距離參考坐標(biāo)如圖3所示。選取左右兩個(gè)固定螺栓中點(diǎn)O1和O2連線的中點(diǎn)O(x0,y0)作為特征距離參考點(diǎn)。

圖3 特征距離參考坐標(biāo)圖

其中：O(x0,y0)點(diǎn)坐標(biāo)由第三章定位得到的O1(x3,y3)、O2(x4,y4)坐標(biāo)求得，也是由式(12)所求得。計(jì)算左右扣件彈條區(qū)域中心點(diǎn)Q1(x5,y5)、Q2(x6,y6)和特征距離參考點(diǎn)O的水平相對(duì)距離Δx3、Δx4，如式(14)所示：

Δx3=|x5-x0|,Δx4=|x6-x0|

(14)

當(dāng)Δx3、Δx4的值小于一定的像素閾值(該閾值同樣通過(guò)先驗(yàn)實(shí)驗(yàn)求平均值所得)，設(shè)該閾值為C2(pixel)，若水平相對(duì)特征距離Δx3、Δx4小于該閾值C2，則扣件處于扣緊狀態(tài)；相反，則扣件處于非扣緊狀態(tài)。該算法同樣可以實(shí)現(xiàn)潘得路快速?gòu)棗l扣件狀態(tài)的識(shí)別，且與基于扣件絕緣帽特征距離的扣件狀態(tài)識(shí)別算法相比各有特點(diǎn)，呈互補(bǔ)關(guān)系。

4 實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證基于同步控制法的線陣相機(jī)采集圖像不產(chǎn)生縱向畸變，于實(shí)驗(yàn)室內(nèi)搭建圖像采集軌道車如圖4所示，該圖像采集軌道車的主要硬件參數(shù)及線陣相機(jī)同步控制參數(shù)見(jiàn)表1。根據(jù)上述論證方法所求得的FR值，設(shè)置線陣相機(jī)頻率轉(zhuǎn)換器中的PreDivider、Multiplier、postDivider參數(shù)。

在圖像采集軌道車以變速(0～18 km/h)運(yùn)行的情況下，采集得到潘得路快速?gòu)棗l扣件區(qū)域圖像如圖5所示。

圖4 圖像采集軌道車

名稱參數(shù)線陣相機(jī)型號(hào)Dalsa 2K GigE Line Scan Camera光源中心波長(zhǎng)808nm光源發(fā)散角75°相機(jī)視場(chǎng)角67°濾光片808nm光電編碼器型號(hào)Omron E6B2-CWZ1XW1000mmHR2048pixelR150mm編碼器輸出相數(shù)2FR0.24

圖5 基于同步控制的線陣相機(jī)采集圖像

由圖5可看出，采集的圖像沒(méi)有產(chǎn)生縱向畸變，即縱向拉伸或者壓縮，驗(yàn)證了這種同步控制方法能夠保證線陣相機(jī)采集圖像過(guò)程中不受列車速度變化的影響。

通過(guò)進(jìn)一步實(shí)驗(yàn)驗(yàn)證扣件狀態(tài)識(shí)別方法。在PC機(jī)Windows7操作系統(tǒng)下，通過(guò)Matlab2014a版本軟件對(duì)采集獲取的一組扣件圖像(100張)進(jìn)行基于灰度直方圖和中值濾波的預(yù)處理，利用十字交叉法對(duì)預(yù)處理后的采集圖像中的扣件區(qū)域進(jìn)行定位并提取；接著通過(guò)Matlab2014a版本軟件對(duì)采集獲取的這組提取到的扣件區(qū)域圖像分別進(jìn)行基于NCC算法和FNCC算法的模板匹配定位，以實(shí)現(xiàn)其扣件絕緣帽及固定螺栓的定位，并獲取其中心坐標(biāo)。統(tǒng)計(jì)匹配定位這組圖像使用的基于FNCC算法和NCC算法所用時(shí)間，之后分別取其平均值進(jìn)行對(duì)比，對(duì)比結(jié)果如表2所示。

表2 各算法匹配定位所用平均時(shí)間對(duì)比

由表2可見(jiàn)，該基于FNCC算法的模板匹配在保證匹配精確度的前提下，相較于基于NCC算法，其定位扣件絕緣帽和固定螺栓所用時(shí)間都得到了有效減小，匹配定位速度提高了60%左右。

根據(jù)基于FNCC算法模板匹配定位到的這組扣件區(qū)域圖像的扣件絕緣帽、固定螺栓及扣件彈條的中心坐標(biāo)參數(shù)P1(x1,y1)、P2(x2,y2)、O1(x3,y3)、O2(x4,y4)、Q1(x5,y5)、Q2(x6,y6)，進(jìn)行基于特征距離的計(jì)算，求取相對(duì)特征距離Δx1、Δx2、Δx3、Δx4，其中閾值C1(pixel)、C2(pixel)取先驗(yàn)實(shí)驗(yàn)的平均值分別為255(pixel)和375(pixel)。利用Matlab2014a軟件得到相對(duì)特征距離統(tǒng)計(jì)圖如圖6、圖7所示。再由統(tǒng)計(jì)結(jié)果及閾值C1、C2，可對(duì)這組圖像的扣件狀態(tài)進(jìn)行分類，扣件狀態(tài)識(shí)別結(jié)果如表3、表4所示。

圖6 基于絕緣帽特征距離的相對(duì)特征距離統(tǒng)計(jì)圖

圖7 基于彈條特征距離的相對(duì)特征距離統(tǒng)計(jì)圖

扣件扣緊/張非扣緊/張左側(cè)扣件946右側(cè)扣件928

表4 基于彈條特征距離的扣件狀態(tài)識(shí)別結(jié)果

將基于特征距離的扣件狀態(tài)分類結(jié)果和原始采集圖像扣件狀態(tài)(如表5)進(jìn)行對(duì)比，結(jié)果顯示，基于扣件絕緣帽特征距離的扣件狀態(tài)識(shí)別結(jié)果與實(shí)際情況相吻合，扣件狀態(tài)識(shí)別率達(dá)到100%，而基于扣件彈條特征距離的扣件狀態(tài)識(shí)別結(jié)果與實(shí)際情況出現(xiàn)了偏差，扣件狀態(tài)識(shí)別率為99%。

表5 原始采集圖像扣件狀態(tài)

因?yàn)楝F(xiàn)實(shí)情況的需要，我們將兩種扣件狀態(tài)識(shí)別算法綜合起來(lái)，做與運(yùn)算的關(guān)系，即只有當(dāng)這兩種算法的識(shí)別結(jié)果都顯示扣件處于扣緊狀態(tài)時(shí)，認(rèn)為該位置的扣件為扣緊狀態(tài)，否則，即使有一種算法的結(jié)果顯示該處扣件處于非扣緊狀態(tài)時(shí)，認(rèn)為該處扣件為非扣緊狀態(tài)需要檢修并標(biāo)記。這樣既能夠保證扣件狀態(tài)識(shí)別算法的可靠性，又有效避免了對(duì)非扣緊狀態(tài)扣件的漏檢，從而保障了列車運(yùn)營(yíng)的安全。

5 結(jié)論

為了研究針對(duì)潘得路快速?gòu)棗l扣件的狀態(tài)檢測(cè)，采集高分辨率的潘得路快速?gòu)棗l扣件圖像至關(guān)重要，于是通過(guò)基于外觸發(fā)模式的同步控制線陣相機(jī)方法，以保證線陣相機(jī)能夠在列車做變速運(yùn)行情況下采集到的圖像不產(chǎn)生縱向畸變(拉伸或者壓縮)；接著對(duì)線陣相機(jī)所采集獲得的圖像進(jìn)行數(shù)字圖像預(yù)處理，之后利用十字交叉法實(shí)現(xiàn)扣件區(qū)域的定位并提??；然后采用基于快速歸一化積相關(guān)算法的模板匹配定位扣件區(qū)域中的扣件絕緣帽和固定螺栓，并獲取其中心點(diǎn)的坐標(biāo)參數(shù)；在此基礎(chǔ)上提出一種基于特征距離的扣件狀態(tài)識(shí)別方法。該基于特征距離的扣件狀態(tài)識(shí)別方法分為兩種，一種是基于扣件絕緣帽特征距離的扣件狀態(tài)識(shí)別算法，另一種是基于扣件彈條特征距離的扣件狀態(tài)識(shí)別算法。

通過(guò)搭建圖像采集軌道車實(shí)驗(yàn)驗(yàn)證了該同步控制法能夠保證線陣相機(jī)在列車變速運(yùn)行時(shí)所采集的圖像不會(huì)產(chǎn)生縱向畸變；進(jìn)一步通過(guò)實(shí)驗(yàn)驗(yàn)證基于快速歸一化積相關(guān)算法的模板匹配相較于基于歸一化積相關(guān)算法的模板匹配速度提升了近60%；同時(shí)通過(guò)實(shí)驗(yàn)驗(yàn)證了該基于特征距離的扣件狀態(tài)識(shí)別方法能夠?qū)崿F(xiàn)潘得路快速?gòu)棗l扣件狀態(tài)的識(shí)別。