基于圖像識別的軌道扣件定位系統研究

安小雪 鄭樹彬 柴曉冬 李 倩

1(上海工程技術大學工程實訓中心 上海 201620) 2(上海工程技術大學城市軌道交通學院 上海 201620)

0 引 言

扣件沿鋼軌兩側等距均勻分布，實現軌枕與鋼軌的緊密連接。扣件一旦脫落或者缺損將導致列車經過時出現振動現象，嚴重影響列車安全運行[1]。目前國內在故障扣件定位方面僅有少部分路段采用自動化設備進行檢測，絕大多數依靠人工肉眼識別進行維護。本文采用圖像處理技術對輔助標識和扣件進行識別、計數，完成故障扣件精確定位。其中輔助標識制作簡易、成本低，需要工程部門提前進行安裝固定，后期可反復使用。該檢測方法既能實現扣件粗定位，又能進一步精確定位，對于某一區間扣件嚴重污損或遮擋出現的精定位誤差，可通過下一輔助標識識別糾正，故不會產生誤差累積現象，具有一定的工程應用價值。

1 總體方案設計

軌道扣件定位系統主要包含圖像采集單元、輔助標識識別單元、扣件識別單元及顯示單元，定位流程如圖1所示。其中圖像采集單元由高速線陣攝像機、照明光源、光電編碼器等部分組成，車輛運行中利用光電編碼器觸發線陣相機進行連續拍攝，獲取完整扣件及輔助標識部位圖像[2]。輔助標識識別單元首先計算圖像是否包含輔助標識，相鄰輔助標識之間存在多個軌枕，其次對含有標識圖像進行預處理、旋轉、分割、匹配等以實現扣件粗定位，扣件及輔助標識分布如圖2所示。扣件識別單元計算圖像中扣件相對位置[3]并進行計數，對未扣緊扣件進行精定位。

圖1 扣件定位流程

圖2 扣件及輔助標識分布

輔助標識由字母和數字組成，分別代表鋪設位置線路、車站、數量等信息。該定位系統分別對左右鋼軌及其內外兩側扣件進行檢測，以單側鋼軌外側扣件為例，當系統從A地運行到B地時，首先識別拍攝圖像中輔助標識FB1，FB2，…，FBn，通過識別即可獲取標識中具體信息實現扣件粗定位，當檢測中出現漏識別或錯識別情況時，可根據相鄰標識信息進行糾錯；其次識別兩個標識之間扣件信息并對其進行計數KO1，KO2，…，KOm，假如判斷某扣件為未扣緊狀態，則結果顯示為KIj(FBi)，即可實現扣件精定位。根據扣件及輔助標識間距可計算得：

(1)

式中：LAB為A、B兩地之間的距離；mFB為輔助標識FBn與FBn+1之間的扣件數；l為相鄰兩扣件之間距離。

2 輔助標識識別

相機拍攝圖片中僅有少部分包含輔助標識，故對其識別前需預判是否含有輔助標識，其次進行圖像裁剪以減少后期旋轉、去噪、字符分割等處理的計算量[4]。

2.1 輔助標識預判

采用基于方向梯度直方圖特征和SVM分類器方法對每幅圖像是否含有輔助標識進行判斷[5]。HOG特征提取中每個像素點的水平方向梯度和垂直方向梯度分別為Ix(x,y)和Iy(x,y)，則該點對應的梯度幅值和方向分別為：

(2)

θ(x,y)=tan-1(Iy/Ix)

(3)

然后將圖像分化為8×8個單元，計算每個單元的梯度方向直方圖。把每相鄰4個單元組成一個塊，每個塊中所有的特征向量串聯起來即為該塊的特征向量，最后歸一化的向量就是HOG特征。

假設二分類的SVM訓練樣本為{(xi,yi)|i=1,2,…,k,xi∈Rn,yi∈[-1,1]}，其中:n代表特征向量的維度；xi表示維度為n的特征向量；yi表示樣本的標簽，即1和-1分別代表正樣本和負樣本，正樣本指的是包含地面輔助標識的樣本圖像，負樣本指的是不包含地面輔助標識的樣本圖像。訓練第一步將提取到的正負樣本的特征向量分成訓練集和測試集，這里的測試集和訓練集各占正負樣本特征集的一半；接著給正負樣本的特征向量分別加上+1和-1的標簽；最后開始訓練支持向量機分類模型。根據結構風險最小準則確定最優超平面。分類結果存入對應位置的投票空間，檢測到輔助標識記為1，不是輔助標識的記為0。

2.2 圖像裁剪

對含有輔助標識的二值化圖像進一步采用水平線搜索確定標識區域水平位置、垂直投影確定左右位置[6]。水平位置劃分時首先確定行掃描像素變化率最高的行數Lm和變化次數m，然后以此為基礎進行上下掃描，結合實際圖片及像素變化率確定標識區域范圍為[0.8m，1.2m]，最后對整幅圖像進行搜索即可確定輔助標識上下邊界FBu和FBd。經過上下剪裁的圖像其標識區域垂直投影會出現明顯的像素變換，根據標識尺寸及像素變化率即可確定左邊界FBl和右邊界FBr。含有輔助標識圖片及裁剪后圖片如圖3所示。

(a) 含有輔助標識圖片

(b) 裁剪后圖片圖3 含有輔助標識圖片及裁剪后圖片

2.3 標識傾斜校正

輔助標識因安裝、拍攝等因素會出現一定角度的傾斜。為提高標識識別準確率，采用Radon變換計算傾斜角度，采用雙線性插值旋轉進行校正[7]。Radon變換的原理為：設f(x,y)為二維函數，該函數在垂直和水平方向的線積分效果分別是將f(x,y)投影到x軸和y軸。由式(4)沿著任意角度θ來計算投影。

(4)

(a) 旋轉前 (b) 旋轉后圖4 輔助標識旋轉前后圖片

2.4 字符分割

圖片經過裁剪、旋轉后得到相對獨立完整的標識圖像，對其進行二值化處理及垂直像素投影可發現字符之間存在明顯的間隙，結合字符比例及模板進行精確劃分以便后期識別。

(1) 近似分割。假設標識中共包含M個字符且每個字符在相機拍攝圖像中所占像素數固定為(XN，YN)，則理想標識尺寸為(MXN,YN)。實際圖像分割后各字符像素數為X1，X2，…，Xn，當Xn∈[0.9XN,1.1XN]且n=M時，表示字符分割正常。異常字符分割主要分為以下三種情況：當Xn>1.1XN且nM時，字符出現缺損；當Xn-1<0.9XN且Xn>1.1XN時，字符中既有粘連又有缺損。以上三種情況，均無法識別。標識及字符像素數如圖5所示。

圖5 標識及字符像素數

(2)
圖像模板化。首先設計字符模板圖像為(W,H)，其與標識模板化后尺寸(W′,H′)非常接近。假設模板圖像中左上角和右下角像素坐標分別為(x1，y1)、(x2，y2)，則模板圖像中某點(x,y)與模板化后對應點(x′,y′)之間的關系為:

(5)

(6)

匹配時，標識圖像和模板圖像在垂直位置保持一致，將模板在標識上從左向右移動，每移動一個像素，記錄一個中點平均距離差Ej，當移動總步長為一個字符的像素數XN時，得到的距離差和水平移動像素數{(Ej，j)}，j=1,2,…,N。其中min(Ej)對應的水平位置即為實際標識圖像中字符的精確分割點。具體匹配過程如圖6所示。

圖6 模板匹配精分示意圖

圖7為污染后標識字符分割圖，其中粘連字符像素寬度不標準時，后期將無法識別，字符經過模板化、模板匹配后可實現精確分割。

(a) 近似分割 (b) 精確分割圖7 字符近似分割和精確分割

2.5 字符識別

采用卷積神經網絡法對輸入字符進行識別[8]。假設輔助標識由0-9的10個字符構成，輸出層共有10類，設計7層的網絡構架，輸入圖像的尺寸統一為12像素×16像素。

卷積層C1、C2的卷積核大小同為3×3，滑動補償均為1，卷積層C1、C2的特征圖數量分別為10和30，特征圖大小分別為10×14、3×5；池化層S1的池化窗口大小為2×2，滑動步長為2，特征圖數量為10，特征圖大小為5×7；全連接層的輸出分別為30和10。激活函數的函數表達式為：

f(x)=max(0，x)

(7)

卷積神經網絡訓練[9]中學習率、批次樣本量、迭代次數是三個非常重要的參數。梯度下降法中的參數α表示學習率，梯度下降法表示為：

(8)

式中：W為每層的權重矩陣；b為偏置向量；f(x)為誤差函數。α設置太小則網絡長時間無法收斂，α設置太大則收斂過快。批次樣本量過小，網絡的穩定性變差，可能最終無法收斂；批次樣本量過大，則帶來訓練時間增長、困于局部最優解等問題。迭代次數參照目標函數的收斂和趨于穩定的結果來設置。識別結果如圖8所示。

圖8 識別結果

3 扣件識別

基于梯度方向場原理對采集圖像進行處理確定鋼軌區域，結合鋼軌與扣件的位置關系、圖像比例等將目標搜索鎖定在一定范圍進行裁剪以減少匹配計算量，利用扣件方向場模板與實際扣件方向場匹配識別扣件精確位置并進行計數[10]，具體實施步驟如下：

(1) 對圖像進行中值濾波減少噪聲影響，采用線性濾波方法計算圖像中每個像素點的梯度向量T=[gx(x,y),gy(x,y)]T，其中gx(x,y)和gy(x,y)分別表示任一像素在x方向和y方向的偏導；

(2) 將扣件區域圖像劃分為一系列由多像素組成不重疊的塊，計作W×W，則塊方向場的梯度平方向量為：

(9)

塊方向角為：

(10)

(3) 由式(11)計算塊方向場的各向一致性，根據各向一致性的特點可知，鋼軌區域的C值趨近于1。

(11)

是塊內像素的平方梯度向量。

(4) 結合鋼軌與扣件的位置關系、圖像比例等計算出扣件區域并進行裁剪。

(5) 選取標準扣件圖像進行模板采樣，將采樣間隔設置為5像素×5像素，塊尺寸大小為10像素×10像素，模板采樣圖像如圖9所示。

(a) 模板圖像 (b) 模板方向場圖9 扣件模板原圖和采樣后的模板方向場圖

(6) 將扣件方向場模板與每次裁剪的扣件圖像方向場進行匹配以確定扣件精確位置。假設方向場模板大小為m×n，表示為θM(x,y)，實際圖像方向場為θ(x,y)，則對應塊之間的距離差為:

(12)

當方向場模板與實際圖像方向場越接近，它們之間的距離差越小，即D(x,y)越小，搜索過程中minD(x,y)對應位置即為扣件精確位置[11-13]。圖10為無砟軌道扣件圖像匹配結果。

圖10 待搜索圖像匹配結果

4 實驗結果分析

實驗選擇石家莊井陘區隧道現場進行圖像采集，使用DALAS公司線陣工業相機進行拍攝，兩輔助標識之間間隔100個扣件，距離60 m。選取其中單側500幅連續圖片進行處理，人工統計結果：5幅含有輔助標識，487幅扣件完整且無污損，12幅扣件存在缺陷，1幅存在干擾。輔助標識及扣件識別結果如表1所示。從結果來看，輔助標識在現場由工作人員臨時放置，基本不存在污損遮擋，故識別率較高。扣件長期處于隧道環境中，部分甚至出現缺損及外物干擾，故一定程度降低識別率，影響扣件位置精定位。兩個扣件成對布置在鋼軌兩側，同時進行識別，若內側或外側扣件出現未識別情況，可由另一側識別結果進行計數。

表1 單側圖像識別結果數據表

為了驗證扣件定位的精確性，實驗從存在缺陷的扣件中選擇6個進行標記，其位置分別為0.252 6 km、0.706 8 km、1.409 4 km、1.684 2 km、2.781 6 km，然后使用文中所述方法進行定位，定位結果如表2所示。實驗數據表明，扣件缺陷所帶來的識別誤差會影響定位誤差，但每識別一個輔助標識，前一區間的扣件誤差將被清零，故不會產生誤差累積現象，該軌道扣件定位方法具有一定的工程應用價值。

表2 兩種軌道定位方法對比

5 結 語

故障扣件精確定位能為后期維護保養提供重要支持。本文通過輔助標識識別、扣件識別及計數可實現扣件精確定位。對于輔助標識，需要工程部門提前在鐵路沿線軌枕一側每間隔一定距離進行鋪設，使相機在拍攝中能同時獲取完整輔助標識和扣件圖像。輔助標識識別采用圖像裁剪、傾斜矯正、字符分割、識別等方法進行處理初步實現故障粗定位。扣件識別時采用梯度方向場原理裁剪、利用方向場匹配及計數實現扣件精定位。現場實驗數據表明：絕大多數扣件能被精確定位，但缺損及干擾扣件檢出率低，影響定位；新的輔助標識被識別后能有效糾正前一區間產生的誤差，不會產生長距離誤差累積現象，因此具有一定的工程價值。