基于圖像式傳感器的鐵路軌距檢測系統(tǒng)研究

閔永智，王紅霞，康 飛，黨建武

(蘭州交通大學自動化與電氣工程學院，蘭州730070)

引 言

高速鐵路不僅體現(xiàn)軌道和機車車輛等技術的最高水平，同時對其安全性提出更高的要求。而軌道作為高速鐵路行車的基礎，由于各種因素的影響，使鋼軌產(chǎn)生形變、磨損或斷裂等損傷，對車輛的安全運行構(gòu)成很大威脅。目前，在軌道維護方面，軌檢車正逐步取代人工道尺巡檢，但由于軌檢車價格昂貴，鐵路局現(xiàn)有軌檢設備檢測頻率無法滿足規(guī)程要求。因此，在全路各工區(qū)普及自動化軌檢設備是目前亟待解決的問題。

目前傳感器在鐵路安全維護方面應用廣泛，其中激光傳感器的精度高、穩(wěn)定可靠等優(yōu)點，在當前軌道測量方面得到較好體現(xiàn)［10］。因此，本文中提出一種采用激光傳感器掃描軌道邊界的幾何形狀進而快速提取軌道輪廓光帶中心線方法。

1 視覺軌距檢測系統(tǒng)及工作原理

軌檢車主要利用視覺檢測系統(tǒng)測量軌道橫斷面幾何參量，并結(jié)合后期多傳感器數(shù)據(jù)融合進行修正。圖1為視覺軌距檢測系統(tǒng)示意圖，該系統(tǒng)由CCD高速圖像式傳感器與線激光傳感器組成。CCD高速圖像式傳感器通過線激光傳感器在軌道表面法向的反射成像生成圖像數(shù)據(jù)，圖像數(shù)據(jù)進入圖像處理中心并通過去噪前置與距離變換算法(pre-noising and distance transform，PNDT)得到軌道橫斷面單像素幾何參量。

Fig.1 Vision gauge detection system

2 基于PNDT的軌道輪廓快速提取方法

2．1 去噪前置處理

本文中采用去噪前置處理提高傳統(tǒng)光帶輪廓中心線提取算法對圖像幀處理速度的影響。

首先，對采集到的原始灰度圖像采用強對比度拉伸算法提高圖像信息熵［11］，并結(jié)合指數(shù)變換進行圖像增強［12］，以提高激光光帶信息比。此外，可利用參考文獻［13］中查找表的方法快速實現(xiàn)這一過程。其中指數(shù)變換定義如下式所示:

式中，g(x，y)和f(x，y)分別代表輸出圖像與輸入圖像，a，b和c均為可調(diào)參量。雖然基于強對比度拉伸和指數(shù)變換的圖像增強算法能夠有效抑制背景噪聲，但對激光光帶邊緣的散斑噪聲未被有效地改善［14］，故選用濾波器來消除沖擊噪聲對光帶邊緣準確定位的影響。

分別選用高斯平滑濾波與中值濾波兩種高效且常用的濾波器進行比較。定義窗口為W，中值濾波器定義如下式所示:

式中，gr，c為窗口W中n個灰度值樣本排序后的中值的真值，r，c 為灰度值 gr，c的位置，median 為圖像中的一點的灰度值用該點鄰域內(nèi)的各點灰度值的中值代替，gr-i，c-j′為窗口W中n個包含有噪聲的灰度值，ri，c-j為圖像上灰度值為 gr-i，c-j′的橫縱坐標。

Fig.2 Comparison of two kinds of denoising results

由于中值濾波器需要對窗口區(qū)域內(nèi)所有的像素灰度值進行重新排序，并以中值代替當前像素灰度值，因此結(jié)果存在邊緣偏移的現(xiàn)象，且該算法在速度上不具備優(yōu)勢。

三是從人才培養(yǎng)的視角探討當前社會組織專業(yè)人才培養(yǎng)狀況。郁建興等（2012、2013）從社會組織人才培養(yǎng)視角考察當前美國、德國的社會組織人才培養(yǎng)體系，劉惠苑等（2011）提出應探索建立高校學歷教育、專業(yè)培訓、知識普及有機結(jié)合的社會組織人才培養(yǎng)體系，同時加快社會組織人才培育基地和省、市、縣三級結(jié)合的人才培訓網(wǎng)絡建設。郭德厚等（2012）以惠州學院為例，提出社會組織參與高校人才培養(yǎng)工作具有資源、信息、實踐等優(yōu)勢。因此，提出應建立社會組織參與人才培養(yǎng)方案制定、參與師資結(jié)構(gòu)改善、參與實踐教學、激勵人才培養(yǎng)、支持人才就業(yè)工作的機制，促進社會力量高校人才培養(yǎng)工作。

2維高斯濾波器定義為下式:

由(3)式可知，σ表示呈正態(tài)分布隨機變量的方差的平方根，gσ(r)與gσ(c)分別表示σ為某一值所對應的1維高斯濾波器。故可將一個2維高斯濾波器gσ(r，c)分解為兩個垂直方向上的1維函數(shù) gσ(r)，gσ(c)進行運算，同時采用參考文獻［15］中的方法構(gòu)造動態(tài)感興趣區(qū)域(region of interest，ROI)縮小圖像處理區(qū)域，提高檢測效率。

圖2a～圖2c分別為原始圖像和采取兩種不同方法得到的去噪處理結(jié)果，圖2d～圖2f分別對應在圖2a～圖2c的同一位置10pixel剖面灰度曲線，從圖2d～圖2f中可以看到，高斯平滑濾波處理結(jié)果的邊緣更符合光帶能量分布的實際情況，處理后不會造成光帶偏移。

因此，由上述分析可知，高斯濾波器是對軌道輪廓光帶信息進行平滑處理的最優(yōu)選擇。

2．2 精確閾值分割處理

為了提高檢測速率以及克服簡單閾值分割會丟失部分激光光帶有效信息的缺點，可對去噪后圖像進行精確閾值分割處理。其中閾值分割定義如下式所示:

式中，S是輸出區(qū)域，R是圖像感興趣區(qū)域的灰度值，gmin與gmax分別為閾值邊界。

視覺軌距檢測系統(tǒng)的精度要求為±1mm，經(jīng)圖像式傳感器標定后對應圖像像素為±2.35pixel，向下取整為±2pixel。針對信息丟失情況，分別選用3種閾值進行處理并分析誤差，實驗結(jié)果如圖3所示。

Fig.3 Results of three threshold segmentation processing

對閾值做邊緣溢出處理是為了保證光帶輪廓信息的完整性，由表1可知，在邊緣像素丟失、溢出的3種不同情況下，檢測精度均滿足±2pixel的精度要求。

故對去噪圖像做精確閾值分割處理能夠保證精度的同時有效提高幀處理速率。

Table 1 Analysis of threshold segmentation processing results

2．3 距離變換法提取激光光帶中心

傳統(tǒng)光帶中心提取算法主要通過對存在噪聲影響的灰度圖進行計算，而二值圖像的距離變換所返回的結(jié)果是利用距離值代替灰度值所形成的新的灰度圖像，該灰度圖像的灰度值即每個像素與其最近背景像素的距離值［16］。

距離變換定義如下。距離變換DX(p)為區(qū)域X中第1個不包含p的腐蝕的大小，p為區(qū)域X內(nèi)任意一點，如下式所示:

式中，N為整數(shù)集合，m為連通子區(qū)域的個數(shù)，Θ為腐蝕運算，B為集合，可知DX(p)就是p與背景間的最小距離。

經(jīng)過距離變換后的灰度圖像依據(jù)其灰度值所對應的距離值轉(zhuǎn)換成等高線圖像，由等高線圖像可準確地定位區(qū)域脊線，且該脊線是到區(qū)域邊界相等距離的點集，即軌道輪廓中心線準確位置。

距離變換法提取激光光帶中心運算具體過程如下:(1)將二值圖像背景區(qū)域距離值D初始化為D=0，區(qū)域內(nèi)所有點的距離值初始化為2b-1，其中b為像素位數(shù);(2)選用5×5掩碼對初始化距離值進行處理，取最小值為新灰度圖像的灰度值。該距離與真實笛卡爾坐標系距離最大偏差為2%［17］;(3)分別從垂直方向?qū)D像進行兩次掃描，掃描返回距離值作為轉(zhuǎn)換后新的灰度圖灰度值，如圖4a所示;(4)依據(jù)新灰度圖的距離等效灰度值將圖像轉(zhuǎn)化為等高線圖像，如圖4b所示;(5)該等高線圖像的脊線(區(qū)域距離極大值)即是光帶中心線。

Fig.4 Distance transformation processing a—distance transform image b—contour lines image

距離變換法以等高線圖像求取脊線對幾何中心準確定位，故可以準確提取中心線。PNDT法提取軌道輪廓光帶中心線的流程如圖5所示。

Fig.5 Processing of rail contour centerline extraction with PNDT method

3 實驗分析

為了驗證基于PNDT方法的視覺軌距檢測系統(tǒng)的精度與幀處理速率，通過一個長30m的1∶3模擬試驗段進行數(shù)據(jù)分析。系統(tǒng)選用工業(yè)相機參量為:像素尺寸 5.6μm ×5.6μm，幀率 150frame/s，信噪比大于60dB。選用線激光傳感器光源為紅光，扇角10°，波長650nm。實驗中選用處理器為 Intel(R)Core(TM)i5-3210 CPU 2.50GHz。圖6所示為模擬軌道檢測平臺。

Fig.6 Simulation of vision gauge detection platform

Fig.7 Curve of measurement results，true value and error

Table 2 Analysis of system uncertainty

圖7為長5m，20點的系統(tǒng)實測軌頭下16mm處軌距測量值與道尺測量值比對及其誤差曲線，選用的JGC-4A型“0”級電子軌距尺最大誤差為±0.2mm。由圖可知實測誤差保持在-0.8mm～+0.8mm，滿足視覺軌距檢測系統(tǒng)精度要求。表2中為10個軌距點測量結(jié)果系統(tǒng)不確定度分析。不確定度是指由于測量誤差的存在，對被測量值的不能肯定的程度。反之，也表明該結(jié)果的可信賴程度。其中，A類不確定度為對觀測列進行統(tǒng)計分析的方法來評定標準不確定度，用實驗標準偏差來表征。B類不確定度則用不同于對觀測列進行統(tǒng)計分析的方法來評定標準不確定度。合成不確定度為測量結(jié)果標準偏差的估計值。由測量結(jié)果可知，該系統(tǒng)實驗室最大合成不確定度為0.52mm，滿足系統(tǒng)容許最大誤差范圍。

該系統(tǒng)誤差主要來自閾值分割與誤差圖像式傳感器標定誤差，由于精確閾值分割采用溢出1pixel處理，故其造成誤差不大于0.5mm。圖像式傳感器雙目標定過程誤差不超過1pixel，即不大于±0.5mm。因此系統(tǒng)整體誤差可以保持在-1mm～+1mm，與實驗結(jié)果保持一致。

由于試驗段無法進行高速檢測，故針對系統(tǒng)檢測速率的驗證由圖像幀處理速度進行分析。通過對1000幀圖像的處理速度統(tǒng)計，該系統(tǒng)平均幀處理速率為14.35m/s。

4 結(jié)論

采用激光傳感器與CCD圖像式傳感器相結(jié)合的原理建立滿足實時在線高速檢測要求的視覺軌距檢測系統(tǒng)，針對傳統(tǒng)光帶中心線提取算法以灰度圖為主，幀處理速度無法滿足高速檢測要求等問題。提出基于PNDT法的軌道輪廓中心線快速提取方法，將去噪過程前置并結(jié)合精確閾值分割提高處理速度，利用距離變換求取區(qū)域脊線準確定位中心線。最后將PNDT法應用于視覺軌距檢測系統(tǒng)。實驗結(jié)果表明:基于PNDT法的視覺軌距檢測系統(tǒng)整體檢測精度在-1mm～+1mm，圖像平均幀處理速率為14.35m/s可滿足80km/h～120km/h的工務軌道車實時在線軌道檢測需要。

［1］ SHOLL H，AMMAR R，GREENSHIELDS I，et al.Application of computing analysis to real-time railroad track inspection［C］//Automation Congress.New York，USA:IEEE，2006:1-6.

［2］ HUANG J X.The application study of image processing in track detection［D］.Beijing:Beijing Jiaotong University，2007:33-83(in Chinese).

［3］ LIU T，REN S W，XU G Y，et al.Upgrading of gauge-alignment system of type GJ-4 track inspection car［J］.China Railway Science，2006，32(6):137-140(in Chinese).

［4］ RESENDIZ E，HART J M，AHUJA N.Automated visual inspection of railroad track［J］.Intelligent Transportation Systems，2013，14(2):751-760.

［5］ RIZZO P，CAMMARATA M，BARTOLI I.Ultrasonic guided wavesbased monitoring of rail head laboratory and field tests［J］.Advances in Civil Engineering，2010，6(10):1-13.

［6］ HU K，ZHOU F Q，ZHANG G J.An rapid sub-pixel accuracy extraction method for structured light stripe center［J］.Chinese Journal of Science Instrument，2006，27(10):1326-1329(in Chinese).

［7］ LEI H J，LI D H，WANG J Y，et al．An rapid detection method structured light stripe center［J］.Huazhong University of Science and Technology(Natural Science Edition)，2003，31(1):74-76(in Chinese).

［8］ LI Z W，WANG C J，SHI Y S.An extraction algorithm for combination of gradient sharpening and optical center of gravity method［J］.Chinese Journal of Image and Graphics，2008，13(1):64-68(in Chinese).

［9］ LI M，F(xiàn)ENG H J，XU Z H，et al.A corrected image contour extraction method using intensity information for structured light［J］.Optical Engineering，2005，32(2):30-32(in Chinese).

［10］ ZHAN L，YU L，XIAO J，et al.Calibration method research of laser camera sensor in track detection［J］.Journal of Mechanical Engineering，2013，49(16):39-47(in Chinese).

［11］ MI C Z，XIE Z J，CHEN T，et al.The key technology of image enhancement and edge extraction of heavy rail［J］.Optics and Precision Engineering，2012，20(7):1645-1652(in Chinese).

［12］ OUYANG Ch S，YUAN J，TIAN J W，et al.An enhancement method for X-ray image using rough sets and human visual system［J］.Journal of Xi’an Jiaotong University，2009，43(6):48-51(in Chinese).

［13］ SONKA M，HLAVAC V，BOYLE R.Image processing analysis and machine vision［M］.3rd ed.Beijing:Tsinghua University Press，2007:1-613(in Chinese).

［14］ ZHAO B H，WANG B X，ZHANG J，et al.Center extraction method for rough metal surface light strip［J］.Optics and Precision Engineering，2011，19(9):2138-2145(in Chinese).

［15］ ZHAO J，ZHAO J，ZHANG L.Image processing and feature extraction for structured light images of welded seam ［J］.Journal of Xi’an Jiaotong University，2013，47(1):114-119(in Chinese).

［16］ WANG M J，YANG L，WANG X，et al．The class euclidean distance transformation class features extraction with a simplified pulse coupled neural network traffic sign image［J］.Optics and Precision Engineering，2012，20(12):2751-2758(in Chinese).

［17］ SAPIRO G.Geometric partial differential equations and image analysis［M］.3rd ed.London，UK:Cambridge University Press，2006:1-532.