基于機器視覺的HXD型機車受電弓滑板缺陷的檢測研究*

金 光, 楊培義

(1.鄭州鐵路職業技術學院電氣工程學院，河南 鄭州 451460；2.鄭州鐵路職業技術學院機車車輛學院，河南 鄭州 451460)

引言

HXD型機車受電弓滑板是機車中重要的機械設備，HXD型機車受電弓滑板在受到熱力學作用下容易產生缺陷，需要進行HXD型機車受電弓滑板缺陷的主動定位檢測[1～2]，分析HXD型機車受電弓滑板的產生原因，結合超聲檢測和圖像檢測方法，進行HXD型機車受電弓滑板缺陷的定位檢測，相關的HXD型機車受電弓滑板缺陷檢測方法在機車設備的維護和故障分析中具有重要意義[3].

文獻[4]提出了基于數字圖像特征分割和角點檢測的光學元件表面缺陷檢測方法，采用激光掃描方法采集光學元件表面圖像，引入最小二乘匹配濾波方法降噪，然后通過紋理尺度自適應分割方法進行表面缺陷的邊緣輪廓特征分割，結合Harris角點檢測算法實現對表面缺陷檢測；文獻[5]提出了基于小波變換和移動質量法的板梁結構缺陷識別方法.通過改變輔助質量塊的位置來探測結構的動態特性，通過離散小波變換分解板梁結構的振型和頻移曲面的方法，提取結構的微弱缺陷信息，為板梁結構的微小缺陷檢測提供了理論支撐.但是以上兩種方法的檢測時間較長.文獻[6]提出一種基于機器視覺的滑動軸承內表面缺陷檢測方法，首先設計了一種實驗檢測平臺用于獲取滑動軸承內表面的圖像，通過基于形狀的模板匹配算法對預處理后的圖像進行匹配，根據匹配結果提取滑動軸承內表面缺陷；文獻[7]提出基于機器視覺檢測銅條表面缺陷的方法，針對銅條表面不同的缺陷類型采用不同的檢測方法，對常見的缺陷通過提取感興趣區域，采用Otsu最佳閾值分割方法，經過Blob分析直接檢測出缺陷；文獻[8]提出基于機器視覺的光柵表面缺陷檢測方法，根據檢測系統硬件平臺，分析并解決了關鍵檢測難點，在分析比較了幾種傳統邊緣檢測算法的基礎上，介紹了邊緣重繪算法，對光柵表面圖像進行邊緣檢測，根據各種光柵表面缺陷特征，選取多個閾值定義多種光柵表面缺陷，提取特征缺陷并標記，開發了檢測算法.但是以上三種方法的檢測精度較低.文獻[9]提出了一種基于激光掃描結合點云處理的異物檢測方法，論文采用一臺三維激光掃描儀LMS400對車頂進行掃描，距離傳感器獲得的數據經掃描儀標定和速度校正后，在空間坐標系下重構成三維點云，使用改進的ICP算法進行點云配準后，采用改進的背景差分法來進行異物提取.文獻[10]提出基于形態學與投影直方圖的輪胎雜質缺陷檢測方法，采用局部大津法對圖像進行二值化處理，以形態學操作從背景中提取雜質，利用縱向濾波去掉毛刺，根據水平及垂直方向投影確定雜質的位置，完成輪胎雜質缺陷檢測.但是以上兩種方法的檢測結果不準確.

針對上述方法存在的問題，本文提出基于機器視覺的HXD型機車受電弓滑板缺陷檢測方法.對HXD型機車受電弓滑板缺陷檢測是建立在對缺陷圖像的特征分析基礎上，利用自適應的圖像分析技術，對HXD型機車受電弓滑板缺陷進行定位，采用機器視覺分析方法，進行HXD型機車受電弓滑板缺陷成像，結合紅外成像和超聲成像方法，進行HXD型機車受電弓滑板缺陷的視覺圖像分析，最后進行仿真測試分析，得出有效性結論.

1 HXD型機車受電弓滑板缺陷圖像樣本分析

1.1 電弓滑板缺陷視覺圖像采集模型

為了實現基于機器視覺的HXD型機車受電弓滑板缺陷智能模擬[11]，首先構建HXD型機車受電弓滑板缺陷圖像采集模型，對采集的HXD型機車受電弓滑板缺陷視覺圖像進行分塊融合檢測，根據HXD型機車受電弓滑板缺陷分布進行缺陷的特征檢測和模糊相關性匹配[12～14]，得到HXD型機車受電弓滑板缺陷視覺圖像的視覺特征分割函數為：

D(x,y,σ) = (G(x,y,σ) -L(x,y,σ) ) ×I(x,y)

(1)

其中：

L(x,y,σ)=G(x,y,σ)?I(x,y)

(2)

式中，I(x,y)表示HXD型機車受電弓滑板缺陷視覺圖像在(x,y)處的分塊系數，L(x,y,σ)表示HXD型機車受電弓滑板缺陷視覺圖像多重分形系數，G(x,y,σ)表示關聯像素值，其計算式為：

(3)

(4)

其中：x1,x2,x3...xT是每個子塊的模板匹配集，T表示聯合稀疏特征分布集.提取HXD型機車受電弓滑板缺陷視覺分形特征量，建立HXD型機車受電弓滑板缺陷視覺圖像的統計形狀模型，在分塊融合模板中，采用差異性的融合跟蹤識別方法構建HXD型機車受電弓滑板缺陷圖像采集模型，其表達式為：

(5)

1.2 缺陷邊緣輪廓檢測

根據采集結果，構建HXD型機車受電弓滑板缺陷紅外成像模型，采用超聲成像方法進行HXD型機車受電弓滑板缺陷的邊緣輪廓檢測，構建HXD型機車受電弓滑板缺陷圖像的紅外異常特征點分布模型，采用正態分布函數進行HXD型機車受電弓滑板缺陷的分塊自適應檢測[17]，通過調整3個分段函數構建HXD型機車受電弓滑板缺陷的信息標定模型，得到HXD型機車受電弓滑板缺陷模擬的視覺分布特征集為：

(6)

(7)

(8)

其中，δ和ε分別表示HXD型機車受電弓滑板缺陷視覺特征重構的先驗信息和關聯系數.在局部區域中采用超聲成像方法進行HXD型機車受電弓滑板缺陷邊緣輪廓檢測，其表達式為：

(9)

2 HXD型機車受電弓滑板缺陷檢測優化

2.1 缺陷視覺特征提取

在上述基礎上，提取HXD型機車受電弓滑板缺陷的機器視覺信息，采用表面紋理配準和分塊自適應檢測方法進行HXD型機車受電弓滑板缺陷的特征點標定，通過滲透模型來生成相應缺陷特征分布集[19]，得到HXD型機車受電弓滑板缺陷視覺圖像的幾何結構重組模型滿足：

(10)

在近鄰點中對HXD型機車受電弓滑板缺陷視覺特征進行圖像重構，采用虛擬現實重構分析方法，得到HXD型機車受電弓滑板缺陷視覺特征分布的邊緣像素集為：

(11)

(11)式中，σ表示為HXD型機車受電弓滑板缺陷視覺特征分布的子空間特征匹配系數，Δx表示Hessian-Laplace角點視覺差，t表示檢測時間.考慮缺陷紋理分布點的顯著性進行HXD型機車受電弓滑板缺陷視覺圖像的深度學習[20]，令t(x)=e-βd(x)，其中0

(12)

其中，P為尺度?的灰度像素差異值，在各種尺度的灰度像素區域內根據HXD型機車受電弓滑板缺陷紋理分布進行視覺定位，采用多重分形技術進行HXD型機車受電弓滑板缺陷視覺重構，根據空間區域重構結果進行HXD型機車受電弓滑板缺陷特征提取，提取輸出的迭代式為：

(13)

其中，η表示HXD型機車受電弓滑板缺陷視覺信息重構的分形維數，φ表示偏移值.

2.2 HXD型機車受電弓滑板缺陷檢測輸出

R(x,y)=x2+y2+δx+εy

(14)

在最大值搜索區域內，采用VR虛擬現實重構方法，進行HXD型機車受電弓滑板缺陷檢測，其表達式為：

J(t)=R(x,y)(δx+εy)2t

(15)

3 仿真測試分析

3.1 實驗環境設置

為了驗證本文方法在實現HXD型機車受電弓滑板缺陷檢測中的應用性能，利用Matlab仿真工具，在VS2010+OpenCV2.4.13，Windows10操作系統Intel(R)Xeon(R)CPU E5-2603v4@2.20GHz，內存為32GB的環境下進行仿真實驗分析.實驗中所使用的數據來源于微表面缺陷數據庫(網址：http://faculty.neu.edu.cn/me/songkc/Vision-based_SIS_Steel. html)，共采集數據5 000個，進行50組實驗，每次使用100個數據.

3.2 實驗指標

本文以HXD型機車受電弓滑板缺陷的檢測精度、檢測時間、檢測誤差為實驗指標，采用文獻[4]方法、文獻[5]方法、文獻[6]方法、文獻[7]方法、文獻[8]方法、文獻[9]方法、文獻[10]方法和本文方法進行對比實驗.

1)檢測精度：精度為驗證檢測結果的準確性，由于HXD型機車受電弓滑板缺陷序列沒有進行重構，導致檢測精度較低，由此，采用本文方法和文獻[4]方法、文獻[5]方法、文獻[6]方法進行對比分析；

2)檢測時間：HXD型機車受電弓滑板缺陷在檢測的過程中需要產生大量的時間，能夠對檢測效率產生影響，檢測時間越快，檢測效率越高.采用本文方法與文獻[8]方法、文獻[9]方法、文獻[10]方法，對HXD型機車受電弓滑板缺陷的檢測時間進行對比；

3)檢測結果擬合度：HXD型機車受電弓滑板缺陷檢測結果的擬合度越高，檢測效果就越好，檢測結果越準確.采用本文方法與文獻[5]方法、文獻[6]方法、文獻[7]方法進行對比分析.

3.3 實驗結果

設定HXD型機車受電弓滑板缺陷紅外檢測的頻率為500 kHz～30 MHz，視覺圖像采樣的像素為120×120，缺陷視覺信息衰減度為-10 dB.圖1為HXD型機車受電弓滑板表面缺陷樣本.

圖1 HXD型機車受電弓滑板表面缺陷樣本

對HXD型機車受電弓滑板表面缺陷樣本紋理進行采集，采集時長為100 s，根據上述仿真參數設定，得到HXD型機車受電弓滑板的視覺成像如圖2所示.

圖2 HXD型機車受電弓滑板的原始視覺圖像

通過 HXD型機車受電弓滑板的原始視覺圖像，得到實際缺陷檢測結果，如圖3所示.

圖3 實際缺陷檢測結果

采用本文方法與文獻[5]方法、文獻[6]方法、文獻[7]方法，對HXD型機車受電弓滑板表面缺陷樣本進行檢測，將四種方法的檢測結果與實際缺陷檢測結果進行對比分析，對比結果如圖4所示.

圖4 四種方法的檢測結果對比

根據圖4可知，本文對HXD型機車受電弓滑板表面缺陷樣本的檢測結果與實際缺陷檢測結果擬合度為100%，而文獻[5]方法、文獻[6]方法、文獻[7]方法的檢測結果與實際缺陷檢測結果相差較大.說明本文方法可以準確的檢測HXD型機車受電弓滑板表面缺陷，檢測效果較好.

為了驗證本文方法的有效性，采用本文方法和文獻[4]方法、文獻[5]方法、文獻[6]方法，對HXD型機車受電弓滑板表面缺陷檢測精度進行對比分析，得到對比結果見表1.

表1 HXD型機車受電弓滑板缺陷檢測精度對比 %

分析表1得知，隨著迭代次數的增長，本文方法、文獻[4]方法和文獻[6]方法的檢測精度呈逐漸遞增的趨勢，且本文方法的檢測精度最高可達99.9%，而文獻[4]方法、文獻[5]方法和文獻[6]方法的檢測精度最高依次為75.4%、77.2%和80.6%.本文方法進行HXD型機車受電弓滑板缺陷檢測的精度比文獻方法的檢測精度高.

為了進一步驗證本文方法的有效性，采用本文方法與文獻[8]方法、文獻[9]方法、文獻[10]方法，對HXD型機車受電弓滑板缺陷的檢測時間進行對比分析，對比結果如圖5所示.

圖5 四種方法的檢測時間對比

根據圖5可知，本文方法的HXD型機車受電弓滑板缺陷檢測時間在40 s以下，比文獻[8]方法、文獻[9]方法、文獻[10]方法的HXD型機車受電弓滑板缺陷檢測時間短.

4 結論

為了解決傳統HXD型機車受電弓滑板缺陷檢測方法中存在的檢測時間長、檢測精度低、檢測結果不準確的問題，本文提出基于機器視覺的HXD型機車受電弓滑板缺陷檢測方法.構建HXD型機車受電弓滑板缺陷圖像的紅外異常特征點分布模型，采用模糊相關性特征匹配方法進行HXD型機車受電弓滑板缺陷融合匹配，提取HXD型機車受電弓滑板缺陷的機器視覺信息，結合模板特征匹配和超像素特征序列重構方法進行HXD型機車受電弓滑板缺陷序列重構，實現HXD型機車受電弓滑板缺陷檢測.分析得知，采用本文方法進行HXD型機車受電弓滑板缺陷檢測的效果較好，提高了HXD型機車受電弓滑板缺陷主動定位檢測能力，在HXD型機車受電弓滑板故障缺陷辨識中具有很好的應用價值.