基于CMOS 面陣的道岔缺口定位監測研究

鐘志旺，陳建譯

(北京交通大學 電子信息工程學院, 北京 100044)

近年來，我國高速鐵路正處于快速發展時期，并逐步進入網絡化運營階段，在社會經濟發展中起到了重要作用。道岔是高速鐵路系統最重要的線路連接設備。轉轍機是道岔控制系統的執行機構，用于轉換和鎖閉道岔。道岔轉換裝置中，道岔缺口承擔檢查道岔尖軌密貼程度的功能, 保證尖軌與基本軌的密貼數值滿足線路行車要求，給出道岔表示，實現聯鎖邏輯，保證列車安全通過。

隨著列車運行速度的提高，列車運行對道岔的沖擊越來越大，特別是高速化、公交化運營模式的線路，受高速運行的列車輪對沖擊的影響，道岔的各種組件會產生松動和偏移，造成尖軌密貼的變化，其直接反映到轉轍機內部的表示缺口產生變化。缺口偏移過大，會導致檢查柱無法落下，道岔不能鎖閉，進而無法排列進路，嚴重影響行車安全和運輸效率。因此，對高速鐵路道岔缺口的監測、維護和調整要求也越來越高。

一直以來，我國鐵路為了保證包括轉轍機在內的線路設備正常使用，采用定期維護保養的方式。這種維修模式下，不同使用頻度的轉轍機采用相同時間間隔進行維修保養，使得維修資源得不到合理分配。同時，缺乏對轉轍機當前狀態的實時監測，難以獲取轉轍機缺口變化趨勢，難以有針對性地對道岔及轉轍機進行調整，以便及時消除隱患，導致道岔故障后再組織搶修，影響行車安全與效率。

隨著科技的進步，道岔缺口監測技術逐步得到應用發展，尤其是基于圖像的道岔缺口監測方法得到了應用和推廣。傳統的基于圖像的道岔缺口檢測的最大優勢是監測結果直觀，但因常見的圖像識別算法需要強大的計算能力，在轉轍機內難以完成缺口(或缺口標記)圖像的識別分析，需要借助傳輸通道上傳圖像至監測主機，且需要高速率的傳輸通道才能保證系統的測量精度和信息更新速率。同時大量的圖像數據傳輸和處理導致轉轍機內無法提供實時無延遲的缺口值顯示，以及道岔轉轍機表示缺口的精細化調整工具。另外，直拍缺口圖像模式易受油污、背景光照燈影響，導致基于固定閾值的圖像分析失敗，產生誤報。

因此，如何提高缺口圖像監控的實時處理能力，降低圖像算法的計算復雜度，提高圖像處理算法的自適性和魯棒性，成為道岔缺口監測需要解決的主要問題。

目前，國內外學者在CMOS面陣圖像處理、圖像邊界檢測方面做了大量的研究工作。文獻[1-8]對面陣探測系統的掃描成像方式和圖像處理方式進行了研究。文獻[9-13]介紹了鐵路道岔監測方式和運用案例。但是針對高速鐵路道岔缺口檢測這一具體問題，目前仍沒有一種合適的具有低計算復雜度、適應不同噪聲和圖像對比度的邊界檢測算法。

針對上述問題，本文提出了借鑒信息理論的香農熵的概念，提出基于香農熵的自適應閾值圖像邊界分割算法，利用現場采集的圖像數據進行實驗和對比分析，證明了本文所提算法在CMOS面陣的道岔缺口定位檢測的有效性。

1 CMOS面陣的道岔缺口定位監測架構

使用CMOS面陣的道岔缺口定位檢測架構如圖1所示，整個架構分為4個部分。

圖1 高鐵道岔缺口監測架構

第一部分為CMOS面陣對道岔缺口的圖像采集。其基本原理為：圖像傳感器安裝于接點架中部，由采集分機控制其拍攝下方表示桿上的缺口標記。缺口標記為中部帶黑條的白底即時貼，如圖2所示。CMOS面陣的缺口感知如圖3所示。

圖2 缺口標記

圖3 CMOS 面陣定位測量原理

第二部分為前端的圖像處理和邊界檢測。要求邊界檢測算法具有較低的計算復雜度，能夠適應單片機的計算能力，同時免受外界環境，例如灰度變化或外界噪聲的影響。

第三部分為邊界檢測結果的傳輸部分。使用CAN總線完成缺口檢測結果的傳輸。

第四部分為集中監控。接收缺口檢測結果，存儲到數據庫，利用后臺軟件提取數據庫內容進行顯示，繪制日報和月報缺口檢測結果，為道岔設備的健康監控和狀態維修提供重要信息。

2 基于香農熵的自適應閾值道岔缺口監測

具有低計算復雜度、適應單片機計算要求的可靠圖像邊界檢測算法是整個系統的關鍵環節之一。

2.1 數學模型

CMOS面陣的成像物理模型可以表示為下述線性模型。

Yij(n)=aij(n)Xij(n)+bij(n)+Nij(n)

(1)

式中：aij(n)為位于(i,j)位置n時刻的乘性噪聲；Xij(n)為目標的入射光強；bij(n)為外界環境變化的光強；Nij(n)為CMOS傳感器單元的熱噪聲或非均勻噪聲。考慮到乘性噪聲aij(n)在CMOS圖像中表現的并不突出，本文假定無乘性噪聲的影響，從而得到簡化后的CMOS成像數學模型為

Yij(n)=Xij(n)+bij(n)+Nij(n)

(2)

2.2 自適應閾值圖像邊界識別算法

在圖像邊界識別中，最通用的分割方法為基于閾值的圖像分割。但考慮到外界環境光線變化等因素的影響，傳統的固定灰度閾值分割方法會導致邊界檢測的誤警或虛警。因此，研究自適應的灰度閾值求解對于提高CMOS圖像邊界檢測的準確度和可靠性具有重要作用。

2.2.1 基于熵的自適應閾值選擇算法

考慮到道岔缺口圖像的簡單性，本文提出基于香農熵的自動閾值求解算法，提出噪聲環境下的自適應閾值圖像邊界識別算法，適用于單片機計算能力的自適應閾值檢測。

(3)

圖像可以分解為相互獨立的背景圖像A和缺口標志目標圖像B，選取灰度閾值t，則上述分布可以分解為目標(類A)和背景(類B)的概率分布，其對應的公式為

pA:p1,p2,…,pt

pB:pt+1,pt+2,…,pk

這里

(4)

對于統計獨立的系統，香農熵具有加性特性，即

(5)

最佳閾值t*為

(6)

式中：pi為圖像灰度級t對應的概率分布。

為了減低計算復雜度, 將lnpi在x=0.2,0.4,0.6,0.8,1.0點利用下述泰勒級數展開。

(7)

x選擇和pi距離最近的值,例如當pi=0.15時，x=0.2。這樣只需要預先存儲ln0.2=-1.609，ln0.4=-0.916，ln0.6=-0.511和ln0.8=-0.223即可，為了進一步提高精度，可以進行更為細致的劃分。

具體自適應圖像分割閾值算法參見算法1，步驟1表示輸入CMOS采集的灰度圖像；步驟2計算不同灰度象素的概率，即實現式(4)、式(5)的計算；步驟3完成式(6)、式(7)的計算，求取最佳分割閾值。

算法1:基于香農熵的自適應閾值算法Adapt Thresh

輸入：M行N列灰度圖像A

輸出：最佳閾值t*

開始

1.令Y(i,j)為圖像A在像素(i,j)處的灰度值，i=1,…,M,j=1,…,N;

2.計算每一灰度級的概率分布；

For allt∈{0,1,…,255}

應用式(5)計算S(A+B);

3.應用式(6)求解最佳閾值t*

結束

2.2.2 CMOS面陣圖像邊界識別算法

算法2給出CMOS面陣圖像邊界識別算法。步驟1根據得到的最佳閾值生成二進制圖像；步驟2判斷圖像邊界；步驟3完成道岔缺口的檢測和計算。

算法2:基于自適應閾值的邊界檢測算法Entropy

輸入：M行N列灰度圖像A，最佳閾值t*

輸出：邊界檢測圖像E

開始

1.生成二進制圖像：

ifY(i,j)≤t*

E(i,j)=0

else

E(i,j)=1

end

2.計算邊界：

if (Y(:,i)-Y(:,i+1)==1)&&

(Y(:,i)-Y(:,i+2)==1)

邊界1=i；

if (Y(:,i+a+1)-Y(:,i+a)==1)&&

(Y(:,i+a+2)-Y(:,i+a)==1)

邊界2=i+a；

3.道岔中心刻度=[(i+a)+i]/2

結束

3 實驗結果

3.1 評價指標

評價邊界檢測的指標是虛警概率、定位誤差和計算復雜度。下面主要給出道岔缺口檢測中前兩個指標的數學定義。

為了考察道岔缺口檢測中邊界分割的誤報概率，考慮CMOS面陣感知的缺口標志邊界為直線，為簡單起見，定義虛警概率為虛報的邊界數量與檢測邊界數量的比值。即

虛警率=(檢測邊界總數-正確邊界數量)/檢測邊界數量

另一個重要的指標是定位精確度，也就是圖像處理后的邊界和實際缺口標志邊界的誤差，即

定位誤差=實際位置-估計位置

本文的邊界檢測算法均使用上述兩個指標對算法的性能進行評估。

3.2 實驗數據

文中使用的故障數據來自京廣鐵路長沙站實驗現場數據。系統設定測量分辨率不低于0.05 mm，量程大于±15 mm，選取CMOS傳感器像素為750×480，鏡頭焦距為3.6 mm，安裝至轉轍機后的實際拍攝范圍為36 mm×23.7 mm，等效像素寬度為0.048 mm。采集圖像總數為50幀。考慮到采集不同對比度和噪聲環境下的圖像費時且較為困難，這里的數據分析通過對原始圖像對比度調整和加入不同方差的高斯白噪聲模擬上述環境，從而比較算法在不同對比度和信噪比下的性能。

3.3 算法性能比較

表1為5種邊界檢測算法在5種不同圖像對比度下的誤警率。其中，Sobel、Canny、Prewitt、Robert為經典的圖像處理算法，Entropy為本文提出的基于香農熵的自適應閾值邊界檢測算法。

表1 不同對比度下算法的誤警率

從表1可以看出，隨著圖像對比度的降低，前4種算法的誤報率隨之上升，但本文提出的基于香農熵的自適應閾值算法對灰度變化不敏感，這主要源于自適應的灰度閾值選擇，使之能夠根據圖像的對比度自動調整邊界分割的閾值，從而免受圖像對比度變化的干擾。

圖4為對比度為7.87時不同算法的邊界檢測結果，可以看出，Canny算法受到過多的細節干擾，給出了較多的虛警結果，Sobel、Prewitt和Roberts均給出了一條錯誤的邊界檢測結果，而本文提出的算法給出了正確的邊界檢測結果。

(a)原始圖像(b)Sobel算法(c)Canny算法(d)Prewitt算法(e)Roberts算法(f)基于熵的自適應邊界分割算法圖4 對比度為7．87時的圖像邊界識別結果

為了研究邊界檢測算法在不同信噪比下的性能，表2和表3分別給出了上述5種邊界檢測算法在不同信噪比、不同對比度下的定位誤差。NA表示無法適用信噪比圖像，即算法失效。可以看出，Canny算法的結果最不理想，主要由于噪聲圖像干擾了該算法，導致檢測結果出現大量細節，使真正的檢測標志邊界淹沒在大量的細節之中，無法給出正確的邊界檢測結果。而本文提出的方法在圖像去噪后進行檢測，在不同的信噪比和圖像對比度下得到了較好的檢測結果。

表2 不同信噪比下的定位誤差(對比度=8.14)

表3 不同信噪比下的定位誤差(對比度=16.50)

圖5為道岔缺口現場實測圖像及其處理結果。可以看出，本文提出的基于信息熵(Entropy)的分割算法處理效果優于其他傳統算法，進一步驗證了算法的有效性。

圖5 現場道岔缺口的檢測結果

關于算法的計算復雜度，由于本文提出的基于香農熵的自適應閾值圖像分割算法僅涉及簡單的加減乘除運算，比較適合單片機的執行，滿足實際的計算需要。

4 結束語

針對高速鐵路道岔缺口監控問題，本文提出了基于CMOS面陣的道岔缺口監控方案。利用信息熵理論，結合最優化方法，提出基于香農熵的自適應閾值CMOS圖像邊界分割算法。利用京廣鐵路長沙站采集的圖像數據，對圖像分割算法進行比較分析，驗證了自適應閾值邊界分割算法具有較低的計算復雜度，能夠適應單片機的計算要求。同時本文所提算法能夠在圖像對比度變化和不同的噪聲環境下表現出較好的性能。對基于CMOS面陣的道岔缺口監控方案中的數據傳輸方法做進一步研究，將是后續需要解決的關鍵問題。

參考文獻：

[1]楊育周,張雙壘,龔學藝,等.基于面陣探測系統的掃描成像信息獲取方式研究[J].紅外技術,2014,36(6):479-484.

YANG Yuzhou，ZHANG Shuanglei，GONG Xueyi，et al. Research of Scanning Imaging Method with Focal Plane Array [J]. Infrared Technology, 2014, 36(6):479-484.

[2]李曉晨,姚素英,黃碧珍,等.一種應用于高動態范圍CMOS圖像傳感器的曝光控制技術[J].傳感技術學報,2013,26(3):328-332.

LI Xiaochen, YAO Suying, HUANG Bizhen，et al. A Novel High Dynamic Range Exposure Control for CMOS Image Sensor [J]. Chinese Journal of Sensors and Actuators, 2013, 26(3):328-332.

[3]袁高斌,李斌橋,徐江濤,等.時間延遲積分型面陣CMOS圖像傳感器MTF速度失配模型研究[J].光學學報, 2013, 33(1):1-7.

YUAN Gaobin, LI Binqiao, XU Jiangtao, et al. Research of MTF Velocity Mismatch Model for Time Delay Integration CMOS Area Image Sensors [J]. Acta Optica Sinica, 2013, 33(1):1-7.

[4]于帥,孫德新.基于CMOS圖像傳感器的高速小型化成像系統設計[J].紅外,2014,35(3):7-11.

YU Shuai, SUN Dexin. Design of High-speed and Small-size Imaging System Based on CMOS Image Sensor [J]. Infrared, 2014, 35(3):7-11.

[5]姚洪濤,李曉宇,陳磊,等.CMOS圖像傳感器的圖像采集系統的研究與實現[J].電子設計工程,2015,23(5):137-139.

YAO Hongtao, LI Xiaoyu, CHEN Lei, et al. Research and Implementation of Image Acquisition System of CMOS Image Sensor [J]. International Electronic Elements, 2015, 23(5): 137-139.

[6]何春良,李斌橋,劉振旺,等.TDI CMOS圖像傳感器曝光時間優化方法研究[J].光學學報,2015,35(2):26-32.

HE Chunliang, LI Binqiao, LIU Zhenwang, et al. Integration Time Optimization for TDI CMOS Image Senor [J]. Acta Optica Sinica, 2015, 35(2):26-32.

[7]FAN S K S, LINA Y. A Multi-level Thresholding Approach Using a Hybrid Optimal Estimation Algorithm [J]. Pattern Recognition Letters, 2007, 28(5):662-669.

[8]YIN P Y. Multilevel Minimum Cross Entropy Threshold Selection Based on Particle Swarm Optimization [J]. Applied Mathematics and Computation, 2007, 184(2): 503-513.

[9]曹均平.高速鐵路道岔監測系統現場監測單元的設計與實現[D].成都：西南交通大學,2004.

[10]王軍.高速鐵路道岔智能監測系統的研發[D].蘭州：蘭州交通大學,2013.

[11]張煒.基于數據挖掘的微機監測系統故障診斷研究[D].蘭州：蘭州交通大學,2010.

[12]何濤,范多旺,魏宗壽.計算機聯鎖全電子三相交流轉轍機控制模塊[J].鐵道學報, 2011, 33(4):80-83.

HE Tao, FAN Duowang, WEI Zongshou. All-electronic Control Module of Computer Interlocking System of Three-phase AC Switches [J]. Journal of the China Railway Society, 2011, 33(4):80-83.

[13]趙林海,陸橋. 基于灰關聯的道岔故障診斷方法[J]. 鐵道學報,2014,36(2):69-74.

ZHAO Linhai, LU Qiao. Method of Turnout Fault Diagnosis Based on Grey Correlation Analysis [J]. Journal of the China Railway Society, 2011, 33(4):69-74.