基于三維測量的受電弓弓頭檢測系統研究

厲高，林建輝

(西南交通大學 牽引動力國家重點實驗室，四川 成都 610031)

0 引言

列車受電弓弓頭故障主要是滑板磨耗過限。當滑板磨損到極限時，易造成滑板與接觸線脫離，引發鐵路交通事故。同時，弓頭還存在中心線偏移、姿態異常、羊角變形等其他故障，若不能及時發現上述故障會造成滑板異常磨損，甚至羊角斷裂。

近年來，為解決滑板磨耗自動化檢測問題，科研人員提出了光纖法[1]、超聲法[2]、圖像法[3]等方法。關于弓頭其他故障的研究相對較少，文獻[4]運用圖像處理方法，定位兩側羊角頂點與接觸線位置，通過標定將像素信息轉換成距離信息，得到中心線偏移。文獻[5]對受電弓圖像剪裁，得到僅包含滑板部分的圖像，使用Radon 變換檢測滑板邊緣，計算弓頭傾斜角，同時，該文獻采用羊角區域像素缺失百分比，判斷羊角缺失與否。

早期的光纖法、超聲法僅能夠用于滑板磨耗檢測，檢測項目單一且檢測精度低、成本高。基于圖像處理的弓頭故障檢測方法，易受自然因素影響，成像質量難以保證，系統穩定性不足且對相機標定要求很高。因此，需要尋找一種穩定、可靠、高精度的受電弓弓頭故障檢測方法。

結構光作為三維測量技術的一種，具有大量程、高精度、實時性強等優點，被廣泛應用于軌道交通巡檢[6]。因此，本文設計了基于結構光三維測量的受電弓弓頭故障檢測系統，并提出了滑板磨耗檢測算法以及中心線偏移、弓頭姿態與羊角變形檢測算法，實現了快速、準確的受電弓弓頭故障檢測。

1 受電弓弓頭檢測系統

1.1 系統總體設計

系統由現場檢測模塊、現場控制模塊、遠程控制中心3部分組成。現場檢測模塊，主要完成數據采集、上傳等功能，一般安裝于檢修庫房、正咽喉處、地鐵隧道內等，通過龍門架或者特殊工裝，懸掛于接觸線上方一定距離。現場控制模塊，主要功能是控制系統遠程開機與現場檢測模塊供電等。遠程控制中心是系統數據管理中心，工作人員可以通過控制中心，設置采集軟件檢測報警參數、監控設備運行狀態以及查看檢測結果。

系統選擇磁鋼與光電開關實現自動化運行，磁鋼安裝于現場檢測模塊前50 m位置，用于控制遠程開機，光電開關安裝于升起受電弓上弓臂與下弓臂之間位置，用于控制現場檢測模塊與采集。當待檢車輛到達時，前端磁鋼發出車輛到達信號，系統開機初始化、系統自檢。隨著車輛前進，光電開關感受到列車受電弓開始動作，發出信號控制結構光傳感器掃描受電弓并將原始數據傳輸至工控機進行數據處理，最后將處理結果結合車號弓位信息回傳至遠程控制中心，完成檢測，如圖1所示。

圖1 系統檢測流程

1.2 結構光傳感器選型

由于系統安裝環境復雜、工作距離長且對成像速度要求高，一體式結構光傳感器難以滿足要求，因此，選擇自行配置視覺組件，設計結構光傳感器。

結構光傳感器由相機、鏡頭、激光器組成。工業相機是結構光傳感器最重要的部件，選型時，要綜合考慮分辨率、處理速度、被測物特性等因素。滑板寬度約8 cm，車速30 km/h時，有效掃描時間僅為0.009 6 s，為了獲取足夠線輪廓，應優先考慮相機成像處理速度并在滿足處理速度要求下，盡量選擇高分辨率相機以適應不同檢測要求。

Ranger3是市面上速度最快的相機之一，相機集成FPGA硬件，可直接在傳感器上實現光條中心線提取、點云重構等，特別適合用于高速結構光測量應用。Ranger3為CMOS芯片的黑白面陣相機，擁有千兆以太網(GigE)接口，且光譜響范圍寬，相機參數如表1所示。

表1 相機參數

為了提高相機處理速度，將相機開窗至2 560像素×512像素。調整后Ranger3相機每秒鐘最快能捕獲12000條輪廓，在0.009 6 s的通過時間內可以獲得上百條輪廓，每一條輪廓包含2 560個3D坐標點，能夠滿足系統對測量速度的要求。

鏡頭參數決定著相機視域范圍、成像清晰度等。在進行鏡頭選型前要先確定相機與激光器的安裝方式，安裝方式不同對應的視域范圍也不同。本文選擇反向布置方式，即激光器垂直于掃描方向，相機傾斜安裝，該種方式容易標定、能提供最保真的深度輪廓顯示，是最常用的布置方式[7]。

鏡頭失真隨著焦距的減小而增大，用于視覺測量的鏡頭，一般不選擇小焦距(<8 mm)鏡頭。系統選用焦距為12 mm的鏡頭，相較于8 mm鏡頭有更小的畸變與放大倍數，能夠在保證測試精度的前提下獲得較寬測試距離。綜上所述，本文選用HC1205A定焦鏡頭，鏡頭接口為C-Mount，光圈調節方式為手動。同時在鏡頭前加裝激光器同波段的濾光片，避免自然光干擾。

不同于普通平面相機，結構光設備視域范圍為梯形。經幾何計算，當相機與激光器安裝角度為22°、安裝距離為342 mm時，結構光設備視域范圍深度方向為620 mm～1 240 mm，寬度方向為793 mm～1 500 mm。因此，選用3臺結構光設備拼接完整覆蓋運動狀態下不同尺寸受電弓弓頭，且具有±500 mm中心線偏移檢測范圍，并留有一定的裕量，如圖2所示。

圖2 結構光傳感器安裝方案

激光器的照明效果是影響系統成像質量的重要因素。激光器選型時要結合被測物的幾何形狀、表面材質等因素。滑板表面顏色為黑色，對光的吸收能力較強。因此，選擇紅外激光器進行照明，提升照明質量。本文選用某公司LL型紅外激光器，為了避免3臺設備間激光相互干擾，波長依次選擇為808 nm、915 nm、808 nm。

1.3 系統機械設計與采集流程

為了保證3臺傳感器光平面共面，消除傳感器側滾、點頭、搖頭等造成的影響，在工裝上設計圓弧定位槽并加裝帶有定位直槽的轉接板，實現光平面多自由度移動。同時，為減弱檢測現場電磁干擾的影響，結構光傳感器機箱選用高導磁金屬材料制作，并采用整體加工成型方式，將機身縫隙減少至8條，優化電磁屏蔽效果。

系統硬件設備安裝完畢后，需要進行系統初始設置。首先，建立相機連接，配置相機與工控機IP地址處于同一網段并保存在相機的閃存中，每臺相機應連接一個單獨的網口。其次，加載內含預定義參數的配置文件，完成采集設置。配置文件參數生成時，第1步，調整相機曝光時間，直到激光束呈光亮窄條狀且背景不再可見。第2步，將相機開窗至2 560像素×512像素。第3步，進行觸發設置，光電開關發出的24 V階躍信號，需經過觸發信號板卡轉換成為3路5 V TTL信號用于外部觸發結構光傳感器，實現微秒級同步采集。

2 算法設計

為了識別受電弓弓頭故障，需要對結構光設備采集到的點云數據進行處理，輸出最終檢測結果。本文采用半徑濾波[8]與中值濾波的方法對原始點數據進行去噪與平滑，然后將預處理后的點云用于后續拼接與檢測算法設計。

系統初始安裝時已經將不同設備光平面調整為共面，因此，可以通過在公共視域內放置水平尺與凸起靶標，依次進行直線擬合、凸起靶標頂點選取等步驟提取水平特征與凸起特征，求解平面旋轉矩陣，完成點云粗拼接。然后，選擇點云重疊區域，利用ICP算法[9]，完成點云的精拼接，拼接結果如圖3所示。

圖3 受電弓拼接結果

2.1 滑板磨耗檢測

為了準確識別滑板磨耗，需要選定參考基準。經過弓頭結構分析可知，滑板安裝于托架之上，如圖4所示。滑板在固定之后在托架邊緣位置留有一定空余，經計算系統選用的結構光設備能夠清晰地獲取到露出的托架部分，因此，本文選取托架作為滑板磨耗計算的參考基準。

圖4 滑板托架

基于托架的滑板磨耗檢測算法具體如下：

第1步：滑板區域定位，以滑板表面最高點為基準，設置深度包圍盒，實現滑板粗定位；

第2步：托架提取，在粗定位區域內，托板部分數據與滑板部分數據存在顯著高度差，因此，計算每條線輪廓的均值，實現點云二分類，分離托架；

第3步：托架擬合，生成參考平面。計算滑板表面到參考平面空間距離，得到滑板剩余高度，并平均多條滑板輪廓，生成磨耗曲線。

上述磨耗檢測算法中，托架擬合結果對磨耗檢測精度至關重要。受電弓運行條件復雜，滑板潤滑劑、雨雪天氣、弓網拉弧燒穿托架等因素可能致使托架表面輪廓呈現波紋狀扭曲，因此，對擬合算法容錯能力提出很高要求。

隨機采樣一致 (random sample consensus，RANSAC)算法[10]是一種容錯能力很強的參數估計算法，在有大量錯誤數據的情況依舊能取得很好的效果。RANSAC算法原理可以表述為：設數據模型為X，采樣集H的樣本數為n，預設容忍閾值T，當余集元素與模型X的距離在閾值范圍內時稱為內點，歸入一致集H*并統計內點數R，否則判斷為外點。經過一定次數的迭代，選取包含內點最多的抽樣集H為模型的最合理解，以獲得更準確模型參數。

雖然RANSAC算法在運算時充分利用所有觀測數據，但RANSAC算法生成模型時，僅利用了采樣點，沒有能夠充分利用一致集H*的內點數據。為此，本文將RANSAC算法選出的最優一致集H*作為原始數據進行最小二乘法擬合，避免了直接最小二乘擬合帶來的誤差傳播，充分利用了內點數據，發揮了兩種算法特性。

圖5 擬合算法原理

擬合算法流程如圖6所示。

圖6 擬合算法流程

2.2 弓頭其他故障檢測

弓頭中心線偏移定義為弓頭結構中心到軌道中心的偏移距離，檢測原理如圖7所示。

圖7 中心線偏移檢測原理

接觸線中心識別是中心線偏移檢測的關鍵。根據接觸線寬度與高度，設置大小為4倍接觸線寬度的滑動窗口遍歷點云，步長設置為1倍接觸線寬度。如圖8所示，當滑動窗口內最左側與最右側一個接觸線寬度位置的點云均值同時低于中間位置所對應點云的均值時，判定滑動窗口中間部分為接觸線存在區域，依據中間位置點云均值分離接觸線，計算接觸線中心坐標。最后，根據托架延長線同羊角的兩個交點，計算弓頭結構中心坐標，結合接觸線拉出值獲取中心線偏移結果。

圖8 接觸線中心識別原理

弓頭姿態檢測主要是弓頭傾斜角、俯仰角檢測。弓頭傾斜角即滑板托架的傾斜角度。俯仰角計算一般用于雙滑板弓，對滑板進行傾斜校正后，計算兩滑板托架高差，結合托架距離信息，根據三角幾何計算俯仰角。通過計算所得的弓頭姿態數據與預設閾值相對比，識別弓頭姿態異常。

羊角變形檢測包含羊角缺失、羊角塌陷檢測。得益于系統能夠實現弓頭點云全景成像，可以方便地獲取兩側羊角部分深度信息，實現羊角缺失與羊角塌陷檢測，檢測原理如圖9所示。檢測時選取托架延長線同羊角交點作為基準，沿著x、y、z坐標軸向羊角方向延伸一定距離，設置RIO區域，并計算區域內的點云數量，若低于預設值，則判別羊角缺失。羊角塌陷檢測需要在RIO區域中間尋找最低點，并計算最低點的均值到托架的垂直距離，若偏移距離超過一定閾值，則判定羊角塌陷。

圖9 羊角缺陷檢測原理

3 結果驗證

為驗證系統可行性，搭建實驗平臺進行驗證，如圖10所示，通過沿軌道移動弓頭，增加運動維度，模擬車輛通過情況。

3.1 磨耗檢測算法驗證

為驗證磨耗檢測算法，在標準受電弓滑板上固定靶標，仿真滑板磨耗。靶標1包含3個臺階，臺階高度分別為5 mm、10 mm、20 mm，用于定量描述檢測精度。靶標2包含深度0.6 mm、0.5 mm、0.4 mm、0.3 mm的凹槽，用于定性描述檢測精度。

圖10 實驗平臺

圖11為滑板與靶標1厚度實測值。本文設置4組傾斜角α、俯仰角β不同的掃描工況。選取臺階頂面中心位置均值作檢測結果，與人工測量結果對比，獲取絕對誤差。如表2所示，磨耗檢測結果平均絕對誤差(MAE)為0.32 mm，故可以認為系統精度達到0.5 mm，能夠滿足現場測量要求，且測量結果較穩定。從靶標2測量結果可以清晰看出0.5 mm凹槽、0.4 mm凹槽產生較大變形，從側面印證了算法檢測精度，磨耗曲線如圖12所示。

圖11 滑板與靶標1厚度

表2 磨耗測試結果單位：mm

工況臺階2(人工:46.92)實測誤差臺階3(人工:56.93)實測誤差146.64-0.2856.64-0.29247.240.3257.260.33346.63-0.2956.59-0.34446.62-0.3057.270.34546.55-0.3756.56-0.37

圖12 滑板磨耗曲線

對于弓頭姿態檢測算法的驗證，以移動臺平面為基準，實測兩側滑板邊緣距離水平移動平臺的垂直距離，利用三角函數求出實際傾斜、俯仰角度與算法檢測結果進行比較。如表3所示，傾斜角檢測結果MAE為0.029 4°，俯仰角檢測結果MAE為0.038 1°，效果良好，且隨著弓頭姿態異常程度加大，磨耗檢測精度也隨之下降。

表3 弓頭姿態測試結果

3.2 其他故障檢測算法驗證

弓頭中心線偏移檢測算法(圖13(a))，通過在弓頭上放置橡膠圓管進行驗證，圓管直徑約10 mm，同真實接觸線大致相同。采集前人工測得橡膠圓管偏離弓頭結構中心距離為12.56 mm，算法識別結果為13.47 mm，誤差為0.91 mm，能夠滿足實際需求。

羊角變形檢測算法(圖13(b))，通過在一側羊角末端粘貼白色金屬薄板，模擬羊角塌陷進行驗證。結果顯示，羊角塌陷值為43.15 mm，實際測量羊角塌陷值為44.05 mm，檢測精度1.30 mm，受到薄片顏色與角度限制，誤差偏大，但精度仍然較高，能夠滿足應用要求。

圖13 中心線與羊角塌陷驗證

4 結語

基于三維測量的受電弓弓頭故障檢測系統，能夠適應不同安裝環境與受電弓類型，結合基于托架滑板磨耗檢測算法與基于點云信息中心線偏移、弓頭姿態與羊角變形檢測算法，能夠快速、準確完成受電弓弓頭故障檢測。仿真實驗表明系統具有良好的測量精度與魯棒性，能夠實際應用于現場檢測。