基于機器視覺的輪對踏面檢測技術

楊 玲，高軍偉

（1.青島大學 自動化學院，青島266071；2.青島大學 山東省工業控制技術重點實驗室，青島266071）

隨著人們對高速、便捷的追求，地鐵、輕軌、高鐵等逐漸成為生活中不可或缺的出行方式，列車的安全問題也越來越引起重視，而列車輪對的磨損是影響列車安全的重要因素之一。列車在運行時會受到沖擊力，制動時輪軌會對列車輪對產生強烈的摩擦，這些都會對列車輪對造成磨損，因此要對列車輪對進行定期檢查。

目前針對輪對踏面磨損的情況還未形成統一的檢測機制，通常采用人工測量的方法。針對人工檢測工作量大，效率低下，易受外界因素影響等缺點。本文設計了自動檢測系統，對采集到的圖片進行處理，得到輪對直徑、輪緣高、輪緣厚、磨損踏面的等效錐度和接觸特征，具有快速方便，準確可靠的優點。

1 圖像獲取

實驗中用到了兩種類型的列車輪對，直徑為760 mm 和820 mm， 實驗中采用CCD 線陣相機，CCD 相機[1]具有解析度高，抗干擾能力強的優點，且得到輪對踏面輪廓圖像信噪比高。選用一字線激光發射波長為650 nm 的激光，可使細線化處理的踏面誤差小于0.1 mm 以內。采集裝置如圖1所示，當列車行駛到采集裝置附近時， 采集裝置啟動，CCD 相機即可采集激光照射到踏面上形成的高亮光帶，從而得到完整的踏面輪廓圖，如圖2所示。

圖1 圖像采集裝置Fig.1 Image acquisition device

圖2 CCD 相機采集圖像Fig.2 CCD camera captures images

2 圖像處理

使用MATLAB 軟件對通過CCD 相機采集的踏面輪廓圖像進行處理，包括灰度化、去噪、邊緣提取、細線化處理，最終獲得圖像的像素圖。

2.1 灰度化處理

對采集的踏面輪廓圖進行灰度化處理可以簡化圖像信息，便于后續計算。本文采用加權平均法進行灰度化[2]處理，對于RGB 賦予不同的權值，得到灰度化后圖像，如圖3所示。與其他灰度化方法相比，經過加權平均值灰度化處理后的圖像更加合理清晰。

圖3 灰度化處理后的圖像Fig.3 Image after grayscale processing

2.2 BM3D 濾波處理

由于列車在運行時存在噪聲，為抑制與圖像無關的噪聲， 要對灰度化處理后的圖像進行濾波處理。本文采用BM3D 算法[3]對經灰度化處理后的圖像濾波，BM3D 算法分為基礎估計與最終估計兩部分。基礎估計又分為3 步：第1 步為相似塊分組，首先將噪聲圖像分為圖像塊，在這些圖像塊中選擇若干參照塊， 并在參照塊周圍搜尋差異度小的相似塊，采用歐式距離判斷圖像塊與參照塊差異度的大小，并將這些相似塊整合成三維矩陣；第2 步為協同濾波， 首先采用DCT 變換對圖像塊二維變換，并對矩陣的第三個維度一維變換，然后采用硬閾值的方式將小于超參數的成分置為0， 并進行相應的反變換； 第3 步將反變換后的圖像塊恢復到原位置，采用加權平均值法獲得基礎估計的去噪結果。最終估計也分為3 步：第1 步與基礎估計相似，得到噪聲圖像的三維矩陣與基礎估計的三維矩陣2 個三維數組；第2 步為維納濾波，將2 個三維數組進行一維變換與二維變換，用維納濾波縮放三維矩陣的系數；第3 步將圖像塊復原到原來位置，采用加權平均值方法得到最終圖像，如圖4所示。

圖4 BM3D 濾波處理Fig.4 BM3D filter processing

2.3 邊緣提取

對BM3D 濾波后的圖像進行邊緣特征提取，采用canny 邊緣檢測算法[4-6]。首先計算圖像梯度，梯度變化明顯的地方為圖像可能存在的邊緣；然后采用非極大值抑制方法檢測強弱邊緣；最后通過雙閾值檢測法確定及連接邊緣， 得到邊緣提取后的圖像，如圖5所示。

圖5 canny 邊緣處理后圖像Fig.5 Image after canny edge processing

2.4 細線化處理

本文采用ZS 細線化算法[7]對圖像進行細線化處理，首先建立一個3×3 模板，如圖6所示，最中間的P 為目標像素，P 的周圍圍著8 個像素點，分為前景像素與背景像素兩類， 前景像素指像素值為255的白色像素； 背景像素指像素值為0 的黑色像素。ZS 細線化算法分為兩步，第1 步循環所有前景像素點，對符合下面條件的前景像素點進行剔除。

圖6 匹配模板示意圖Fig.6 Schematic diagram of matching template

（1）前景像素點個數小于等于6 個，大于等于2個；

（2）前景像素與背景像素變換的次數為1；

（3）P1×P3×P5=0 且P3×P5×P7=0；

第2 步與第1 步相似，同樣循環所有前景像素點，對滿足條件的前景像素點進行剔除。

（1）前景像素點個數小于等于6 個，大于等于2個；

（2）前景像素與背景像素變換的次數為1；

（3）P1×P3×P7=0 且P1×P5×P7=0；

對圖像進行多次上述步驟，即可得到細線化處理后的圖像，如圖7所示。

圖7 細線化處理后圖像Fig.7 Image after thinning processing

2.5 張正友標定法

張正友標定法[8-9]基于小孔成像原理，根據像素坐標系、圖像坐標系與世界坐標系之間存在線性關系，可求出相機內外參數以及畸變系數，進而將像素坐標轉換為世界坐標。

為求出相機內外參數， 將打印好的12×9 邊長為25 mm 的棋盤格以不同的位置、角度、方向進行拍攝，利用PYTHON 軟件進行標定，標定過程以及最終求得相機內外參數、畸變系數如圖8所示。

圖8 標定過程Fig.8 Calibration process

3 踏面分析

對實驗室中存在的兩組輪對的不同位置采集多次，將圖片進行處理及標定之后可求得多組踏面參數，將之與使用游標卡尺測量所得踏面參數相比較，數據記錄如表1所示，本文設計的自動檢測系統與實際測量出的輪對參數的誤差較小，準確度較高。

表1 計算值與實際測量值相比較Tab.1 Comparison of calculated value and actual measured value

將求出的踏面坐標導入SIMPACK 軟件， 建立輪對模擬圖，如圖9所示，即可得到磨損踏面的曲線。SIMPACK 中計算踏面等效錐度的方法有兩種，分別為諧波法[10]和UIC519[11]，兩種方法原理如下。

圖9 模擬輪對圖Fig.9 Simulation wheelset diagram

3.1 諧波法

假定輪對的橫移運動為簡諧運動，則：

式中：A 為輪對的橫移量。在橫移運動的一個周期內，有：

對λe求導，可求出E 最小時，有：

根據A 的變化，可通過積分獲得整個輪對踏面的等效錐度。

3.2 UIC519 標準

UIC519 方法計算等效錐度方法在計算等效錐度時原理如下，列車輪對在軌道上進行的運動為蛇行運動，用公式描述為

式中：y 為輪對側向位移；V 為輪對前進速度；y¨為輪對側向加速度；e 為接觸點間距；r0為車輪半徑；Δr為左右輪之間的滾動半徑差。

車輪前進速度可假定為常數：

式中：x 為輪對縱向位移，再由以下公式：

車輪具有錐形外角γ 的情況下可得：

代入式（9），可得：

帶入初始條件：

根據Klingel[12]公式，可得波長為

因此，踏面斜率為

整理可得等效錐度為

兩者得到等效錐度均可在SIMPACK 軟件[13-14]中表示出來，如圖10所示，與標準踏面相比較可以看出兩者等效錐度曲線并不重合。如圖11所示，接觸點情況也存在差異，說明實驗室中的輪對踏面存在一定磨損。

圖10 與標準踏面等效錐度比較Fig.10 Comparison of equivalent taper with standard tread

圖11 與標準踏面接觸關系比較Fig.11 Comparison of contact relationship with standard tread

4 軟件實現

根據上述研究， 通過MATLAB GUI 設計交互界面，搭建輪對檢測系統，對踏面進行測量。交互界面包含載入圖像、BM3D 去噪處理、Canny 邊緣檢測、ZS 細線化處理等處理過程，以及像素坐標、參數顯示等處理結果，簡單易懂，方便操作。系統還設置了登錄界面，以保證系統安全性。

將采集到的圖像輸入到MATLAB 軟件，按下載入圖像按鈕即可顯示采集到的圖片， 按下去噪處理、邊緣檢測、細線化等按鈕，相應處理過程也可在交互界面顯示。按下計算參數按鈕即可計算出輪對參數，保存結果按鈕可保存踏面參數及日期，效果如圖12所示。將SIMPACK 軟件與MATLAB 軟件相結合，可以將輪對踏面的等效錐度及與輪軌接觸情況在界面中展示出來，進而判斷輪對的安全性。

圖12 輪對踏面檢測系統Fig.12 Wheelset tread detection system

5 結語

為簡化對列車踏面磨損的測量計算，本文設計了一種基于機器視覺的輪對踏面檢測方法，該方法利用圖像處理相關方法以及張正友標定法求出踏面參數以及輪對踏面輪廓的完整坐標， 誤差小、精確度高。將數據導入SIMPACK 軟件后，可以清楚獲得踏面的等效錐度、接觸情況等曲線，還可以模擬出輪對運行情況。設計的交互界面清晰明了，載入不同的踏面圖像，求出相應的結果，有利于對踏面磨損情況進行分析。