基于Halcon的動車配電盤開關狀態批量檢測方法

曹 瑞，史程程，朱肖謠

（1.中車青島四方機車車輛股份有限公司，青島 266000；2.青島大學 自動化學院，青島 266071）

0 引言

動車組配電盤在運行使用一定時間之后或者高級檢修過程中需要對其狀態進行檢查，判斷零部件是否缺失、零部件安裝是否正確、配電盤有無異物遮擋或遺留等情況。通過人工目視檢查的方式，存在對人員經驗的依賴性和檢查結果的不確定性。尤其是數量眾多的開關組配電盤人工目檢的誤檢的幾率更高，若異常狀態不能被及時發現，將造成安全隱患。模板匹配是機器視覺中比較常用的方法[1]，通常用于缺陷檢測、目標識別等領域。例如孫煉杰，樊臻在光纖收發PCB板目標檢測[2]中采用了基于灰度值模板匹配的方式；陳廣鋒，管觀洋，魏鑫在沖壓件表面缺陷在線檢測研究[3]中采用了基于形狀的匹配方式。

動車配電盤開關組的打開狀態和閉合狀態分別對應紅色和綠色顏色標識，如圖3所示，因此識別顏色即可對開關狀態進行判斷。如何判斷開關是否是應有的狀態，如（影視控制開關應打開），則通過與良品配電盤建立的模板進行灰度值模板匹配。匹配前需將檢測圖像進行校準使其與基準圖像重合。

1 圖像校準

由于動車空間配電盤處空間狹窄，且一節車廂中僅有幾處配電盤，不方便機械定位結構的架設，所以采取操作人員人手持相機進行拍攝的方法。拍攝完成后的照片通過無線通信傳輸到車外的工控機進行圖像處理。人手持拍攝角度高度帶有很大的不確定性，與基準圖像存在位置上的差異，所以首先應進行校準，使待檢圖像和基準圖像相對位置的重合，這樣，基本保證兩幅圖像相同像素的坐標在一個誤差范圍內，后續可以通過擴大搜索范圍來尋找目標點。關于仿射變換，Halcon里提供了一種叫做affine_trans_image的算子[4]即affine_trans_image（Image：ImageAffinTrans：HomMat2D，Interpolation，AdaptImageDize：）

在確定好校正點之后，該算子通過平移，縮放，旋轉，待檢圖像的校正點與基準圖像的校正點重合[5]。校正點的選取可以有多個，數量增加會提高校正的準確度，但相應的校準速度會降低。該算子的參數，其中Image是原始圖像，即原始的待檢圖像，ImageAffinTrans是仿射變換后的圖像，HomMat2D是仿射變換矩陣，Interpolation為灰度插值函數，AsaptImageSize設置為true，則自動調整輸出圖像大小使圖像右下角對齊[6]。如圖1所示，圖1(a)是待檢圖像，圖1(b)是經過仿射變換校準后的圖像。

2 基于灰度值的模板匹配

2.1 匹配算法

圖1 仿射變換校準待檢圖像

模板匹配的基本含義是通過已有的一幅圖像或某個區域作為模板圖像，根據一定的算法模式在另一幅圖像中（通常是待檢圖像）尋找該模板的一種方法。其有三種基本匹配方式：即Component-Based、Shaped_based、Gray-Value-Based，分別是基于組件，基于形狀和基于灰度值的匹配[7]。本文利用基于灰度值的模板匹配方式，其同基于形狀、特征的匹配流程是一樣的，主要分為兩步—創建模板和模板匹配。創建模板就是以整體的原始圖像或者是選定的感興趣區域（ROI）作為模板，一般需要有鮮明的特征，如形狀或特定范圍內的灰度；模板匹配就是根據創建好的感興趣區域，在待檢圖像中設定好的搜索范圍內尋找一定相似度的特征[8]。

選定搜索區域后，模板在該區域做相似度匹配，相似度D（I，j）是衡量搜索精確度的重要參數，算法有多種，最常用的是平均絕對差算法（簡稱MAD算法）[9]。計算公式如下：

式中，S（x，y）是搜索圖SearchImage，T（x，y）是A×B的模板圖ModelImage，i，j是大小為A×B的子圖的左上角像素坐標。遍歷整幅搜索圖像，在所有子圖中，與模板圖像相似度最高（D（x，y）值最大）的即為匹配結果。該算法運算過程簡單，匹配精確度高，但對光線要求較高，如果待檢圖像的光照條件與基準圖像相差過大，會造成噪聲干擾，影響匹配效果。

2.2 軟件設計

Halcon是德國MVtec公司開發的一款機器視覺軟件，擁有集成度較高的開發包，廣泛應用于工業領域[4]。利用Halcon進行模板匹配編程步驟如圖2所示。

圖2 軟件設計流程

1）將采集圖像序列放入指定文件夾；

2）分別獲取待檢和模板圖像數據的地址、圖像的高度和寬度；

3）建立一個目標對象指針到指定內存，用以存儲完成匹配后的結果圖像，將待檢圖像復制到目標對象；

4）選擇一定算法進行創建模板和模板匹配。

創建模板的算子是：

參數中，Template是輸入模板圖像，NumLevel表示圖像金字塔等級的最大數量。Optimize優化方式，這里我們選擇none，GrayValues表示灰度值來源的方式，包括梯度'，'歸一化'，'原始'，'sobel '；TemplateID是軟件分配給建立好的模板一個標識號。利用”gen_rectangle2(:Rectangle :Row，Column，Phi，Length1，Length2 :)”框選出每一個開關下的色塊，在確定好ROI的同時，利用gen_rectangle2確定一個搜索區域，該區域要大于ROI，但是不能將周圍開關框選，保證每個搜索區域內只有一個開關色塊。搜索模板和圖像最佳匹配，模板匹配的算子：

Image為打開的檢測圖像；TemplateID在create_template中分配的ID號，MaxError灰度值的最大平均差，SubPixel是否采用亞像素，Row和Column分別是匹配的行坐標、列坐標，Error最佳匹配的灰度值的平均發散度。關鍵Halcon代碼如下：

3 結果及分析

在基準圖中，建立的開關端子的ROI和搜索區域，當在搜索區域中成功匹配到與基準圖像同樣位置的色塊，則說明該開關正常，若不能尋找到該色塊，說明該開關存在異常狀態。圖3中分別進行了良品圖像和模擬故障的匹配測試，開關狀態正常時，結果用綠框標出，如圖3(b)所示；開關狀態異常時，結果用紅框標出，如圖3(c)所示。

圖3 匹配測試

在實際現場測試中，每列車共計8個此種型號的開關型配電盤，每個盤64個開關。車廂斷電情況下接近全暗環境，相機必須加裝光源。由于基于灰度值的模板匹配，灰度的變化受光線的影響較大，為保證良好的匹配效果，拍照檢測時的的光照度和色溫應與基準圖像光源的相等，試驗中統一采用4000K色溫，50lux光照度的光源。64個開關全部正確識別出，識別時間在1s以內，達到了系統檢測的實時性要求。

4 結語

本文運用機器視覺的方法，考慮到開關形狀特征不明顯，且形狀特征受拍攝角度的影響較大，故采用基于灰度值得模板匹配方法。在Halcon開發環境中進行編程，經過創建基準圖像模板，校準檢測圖像，搜索模板進行模板匹配完成了對大量開關的狀態校測。從測試結果來看，在同等光線條件下，64個開關均能準確地判斷出正確狀態，模擬故障的檢測成功率也達到了100%。該方法也存在一些不足，例如，基準圖像的制作，檢測目標點的選取效率較低，對光線條件要求高等，后續通過增加目標檢測點的相似性查找，研究算法使相等灰度值的區域自動完成框選，改進匹配算法，減小對噪聲干擾的影響。