基于Halcon 及VS 的動車組制動閘片厚度自動識別模塊

謝克宇

（中鐵第五勘察設計院集團有限公司 東北院，哈爾濱 150006）

動車組旅客列車是指時速在200～300 km 之間的列車。由于動車組運行速度快，在制動時對閘片的磨損非常嚴重，曾出現因閘片過薄，導致在制動時整個車輪呈紅熱的不安全狀態。制動閘片的厚度，直接影響動車組的運行安全。由于制動閘片均分布在車輛底部，利用人工檢測，存在效率低下、漏檢和誤判的情況；利用檢測裝置[1]檢測，前期需投入大量檢測裝置，后期需更新維護；利用測量儀[2]檢測，除需投入測量儀、更新維護外，還有使用次數的限制。針對上述情況，本文利用Halcon[3]機器視覺軟件及VS[4]程序開發環境，開發了一個動車組制動閘片厚度自動識別模塊，該模塊可實現動車組通過時自動檢測，對過薄的閘片進行自動報警，以提醒檢修人員及時更換，避免不安全狀態發生，對確保動車安全運行，具有十分重要的意義。

1 動車組制動閘片厚度自動識別模塊

動車組制動閘片厚度自動識別模塊是利用Halcon 及VS2010 軟件中的圖像處理方法和VC++語言編程實現的。動車組的型號有很多，本文對車型CRH5A 和CRH380B 進行了研究及大量測試，以閘片位置比較復雜的CRH380B 車型為例進行介紹。

該模塊根據線陣相機拍攝的動車組底部圖片、磁鋼采集的軸距信息及識別的車號信息，自動對所有閘片進行厚度計算并報警。該模塊的工作流程，如圖1 所示。

1.1 拼圖

圖1 動車組制動閘片厚度自動識別模塊工作流程

動車組的車輛分為動車和拖車。裝配有驅動車輪的車輛是動車，無驅動裝置車輛是拖車。在實際的動車編組中，動車車輛和拖車車輛是根據車號來區分的。動車車輛底部有2 個制動盤，拖車車輛底部有3 個制動盤。根據線陣相機L1～L10 通道拍攝部位，L4 拍攝的是整個車輛底部，分辨率為1 400×2 048；L9、L10 分別拍攝車輛底部的兩側，分辨率均為1 400×1 024。由于L4 與L9、L10 均有拍攝重合的部分，因此，只需對L4 拍攝的拖車中間部位閘片、L9 和L10 拍攝的動車拖車閘片進行厚度識別。

本文閘片厚度自動識別模塊是根據動車組通過時，線陣相機拍攝的車輛底部圖片、磁鋼采集的軸距信息及車號自動識別模塊識別的車號信息，結合動車、拖車軸偏移距離，進行軸距校正，再對校正的軸距鄰近的2 張圖片進行拼圖，根據閘片所在部位特點，截取2 000×750 像素大小的圖片進行處理。本文僅以處理情況復雜且具有代表性的L9 通道相機拍攝的拖車底部圖像為例，如圖2 所示。

圖2 L9 拍攝的拖車底部拼圖截圖

1.2 圖像預處理

在現場環境影響下，線陣相機所拍攝的圖像中存在大量的噪聲干擾信息，對閘片厚度的計算有較大的影響，因此為去除噪聲干擾，需對線陣相機拍攝的圖片進行圖像預處理。

圖像預處理[5]可以有效地提高圖像特征提取、分割、匹配和識別的可靠性，是圖像處理前必不可少的步驟。在模型定位之前，先調用mean_image 對拼圖截圖進行均值濾波[6]，調用zoom_image_factor 對拼圖截圖進行按比例縮小，以提高圖像處理速度，得到500×188 像素大小的圖片，如圖3 所示。

圖3 L9 拖車拼圖截圖的圖像預處理

1.3 模型定位

為保證定位結果的準確性，本文采用2 次定位的模式，并調用find_shape_model 進行模型定位[7]。若第1 次定位成功，則調用gen_rectangle1 生成矩形、reduce_domain[8]獲取新的標記區域及crop_domain 對圖像的尺寸進行裁剪，從而截取含有制動閘片的圖片，并進行第2 次模型定位；反之，則記錄第1 次定位失敗，并返回。若第2 次定位成功，同樣調用上述3 個算子，截取閘片部位圖片并保存；反之，則記錄第2 次定位失敗，并返回。兩次模型定位截取的圖片，分別如圖4～圖5 所示。

圖4 拖車L9 上、下閘片第1 次定位圖

圖5 拖車L9 上、下閘片第2 次定位圖

1.4 閘片厚度計算

對第2 次定位截取的閘片部位圖片，依次調用mean_image、 dyn_threshold、 connection[9]及region_to_bin 算子，進行均值濾波、動態閾值分割、生成區域以及計算區域的二值圖像[10]，再調用累計概率霍夫變換HoughLinesP[11]計算該二值圖像中的直線。

累計概率霍夫變換計算后，會得到很多條直線。

（1）根據已知二值圖像的大小及閘片位置特征，利用縱坐標信息，將該二值圖像分成上、下2 個部分；

（2）分別計算上、下2 個部分的角度在173°～180°之間且長度最長的直線，從而得到目標上、下直線；

（3）分別計算目標上、下直線的縱坐標均值，并作上、下均值的差值計算，該差值就是閘片厚度。

同時，調用算子line 在閘片截圖上畫出上、下直線的位置并保存，從而得到閘片厚度畫線圖，如圖6 所示。

圖6 拖車L9 上、下閘片厚度畫線圖

1.5 閘片厚度自動報警

根據線陣相機拍攝的圖像像素信息特征及經驗總結，本文將閘片厚度的閾值設置為15 個像素點，當閘片厚度小于15 個像素點時，畫出該閘片所在相機拍攝的原圖中的位置，保存并自動報警。

該CRH380B 動車組的報警位置圖，如圖7 所示，對應的閘片截圖及閘片厚度畫線圖，如圖8 所示。

圖7 報警閘片位置圖

圖8 報警閘片截圖及閘片厚度畫線圖

2 報警結果準確性驗證

為驗證報警結果的準確性，將該報警原圖與其后張圖像進行拼接，截取制動閘片部位，作為原始圖。將原始圖與保存的報警閘片截圖、以及隨機選取的2 張閘片截圖，分別進行特征點匹配[12]。依次調用SurfFeatureDetector、FlannBasedMatcher、SurfDescriptorExtractor 及drawMatches 算子，進行特征點檢測、計算特征點及特征點匹配，并畫出匹配的特征點。匹配結果，如圖9 所示，從左至右依次是閘片截圖（a）、隨機閘片截圖（b）、隨機閘片截圖（c）。

圖9 特征點匹配結果

由圖9 可見，報警閘片與原始圖的特征點完全匹配；而非報警閘片，雖與報警閘片幾乎只有厚度之別，匹配結果卻大相徑庭，充分驗證了報警結果的準確性。

3 結束語

本文閘片自動識別模塊的檢測速度非常快，即動車組通過后，1 min 內即可完成檢測并自動報警，遠超人工檢測速度，同時保證了檢測結果的可靠性。通過對150 多列動車組的測試和驗證，證明了該模塊具有很好的魯棒性。

但是，該模塊的閘片厚度閾值是統一設置的，應該根據動車、拖車及閘片位置特點進行動態設置；同時，該模塊僅對動車組CRH380B 和CRH5A 車型進行了大量測試和驗證，下一步將完善車型種類，提高其應用范圍。

目前，動車組已成為人們出行的首選交通工具。若動車組制動閘片厚度過薄，在動車組制動時，將直接影響整個動車組的安全，因此，對閘片厚度進行自動識別的進一步研究，具有實際應用價值。