機器視覺下的鋼軌廓形提取與磨耗測量

趙 靜

(中鐵建(天津)軌道交通投資發展有限公司,天津 300000)

中國高速鐵路的快速發展大大促進了國家的經濟增長,同時也帶來鐵路系統維護的高需求[1-2]。為了保證鐵路系統的安全運行,需要定期對各部分設施進行安全檢查。鋼軌作為鐵路系統的重要組成部分,長期暴露在野外環境且與列車車輪直接接觸,如果發生嚴重磨損、脫落、斷裂等,將會引發嚴重的安全事故[3]。隨著重載鐵路的不斷發展,鋼軌磨耗問題愈發嚴重[4],因此對鋼軌進行安全檢查尤為重要。

對鐵路鋼軌輪廓的測量,大多使用鋼軌磨耗儀[5]。磨耗儀輕便、易于攜帶,但需要人工接觸式測量,易產生人為誤差及磨耗儀磨損,從而影響磨耗測量結果的準確性。隨著計算機與視覺技術的快速發展,非接觸式測量技術迅速發展[6-7]。非接觸式光學測量技術根據其成像照明方式分為被動和主動兩種。被動測量是通過仿真建立類似人體雙目的視覺系統,從兩個方向提取距離信息[8-10],計算量大,速度較慢,極度依賴被測物體的紋理特征。主動測量是利用結構光進行測量。結構光分為點結構光、線結構光及面結構光。點結構光結構簡單、易于操作,但每次只能測量一個點,檢測效率不高;面結構光測量范圍大,但結構復雜、操作難度較高、處理速度較慢;而線結構光沒有復雜的結構、易于操作,且數據處理速度較快,被廣泛應用于工業測量方面。文獻[11]利用線結構光提取齒輪的理論點云數據,但沒有實際應用;文獻[12]開發了一套基于線結構光的三維輪廓測量系統,體現了線結構光的優越性;文獻[13]將線結構光與工業機器人相結合,測量大型物體三維形狀,提出三維應用場景;文獻[14]利用線結構光對路面裂縫容積進行測量;文獻[15]基于激光攝像原理設計車載非接觸式鋼軌磨耗測量系統;文獻[16]基于線結構光設計鋼軌全斷面測量系統,并利用試驗驗證了線結構光用于鋼軌測量的優越性。

本文設計基于視覺的非接觸、高精度、高效率的鋼軌輪廓提取方法及基于粒子群優化的雙圓擬合鋼軌廓形匹配算法。該方法首先利用激光器投射出平行于鋼軌斷面的線結構光,形成包含鋼軌輪廓信息的結構光光帶;其次通過工業相機采集圖像數據;然后根據結構光的顏色,采用Steger算法對鋼軌輪廓進行粗精兩次提取,得到具有單像素寬度的鋼軌輪廓曲線,并經坐標轉換模型處理得到鋼軌斷面的實際輪廓曲線;最后利用基于粒子群優化的雙圓擬合鋼軌廓形匹配算法對仿射誤差進行補償,并獲取磨耗信息。

1 研究方法

采用基于單目線結構光的機器視覺法提取鋼軌輪廓,通過比較提取的輪廓與鋼軌的標準輪廓,對鋼軌的磨損進行定量評估。整個系統安裝于測量小車底部,線激光器在鋼軌斜上方投射出平行于鋼軌橫截面的結構光平面,結構光平面與鋼軌表面相交形成表征鋼軌輪廓信息的光帶。與線激光器成一定夾角安裝的攝像機采集光帶信息,通過計算機對該光帶圖像進行處理。根據結構光的顏色,采用Steger算法對鋼軌輪廓進行粗精兩次提取,得到光帶的亞像素中心線。利用標定獲得的相機參數與光平面參數將光帶中心線的坐標轉換為實際鋼軌三維輪廓坐標,將提取的鋼軌實際輪廓與標準輪廓對齊后進行磨耗測量,從而獲取鋼軌的磨耗數據,實現鐵路鋼軌輪廓與磨損的無接觸高精度測量。

鋼軌輪廓提取與磨耗檢測系統如圖1所示,主要包含圖像采集、輪廓提取、參數標定、坐標轉換,以及基于粒子群優化的雙圓擬合鋼軌廓形匹配算法。輪廓粗提取可以有效去除圖像噪聲,并將紅色的線結構光帶提取出來。輪廓精提取利用Steger算法對輪廓粗提取的光帶進行亞像素中心提取。通過標定得到的參數及坐標轉換模型將光帶亞像素中心坐標轉換為鋼軌的實際輪廓曲線。隨后通過雙圓匹配算法進行對齊,以粒子群算法對誤差進行優化,最終得到鋼軌磨耗。

圖1 鋼軌輪廓提取與磨耗檢測系統

1.1 輪廓提取

理想的輪廓采集圖像由紅色的結構光光帶前景與黑色的背景組成,結構光光帶與背景分明,易于提取。然而由于實際測量環境的限制,無法保證嚴格的無光條件,因此會產生光線干擾及其他噪聲污染。由于系統使用的是紅色的結構光,采集環境中其他紅色干擾較少,因此可根據顏色提取輪廓曲線。本文使用高斯濾波與輪廓粗提取算法得到鋼軌輪廓光帶圖像。

經過輪廓粗提取得到的結構光光帶并不是理想的單像素的線寬,因此使用基于Hessian矩陣的亞像素級光條中心線提取方法,獲取線結構光的亞像素中心。首先通過Hessian矩陣獲得光條的法線方向,然后在其法線方向上對像素灰度應用泰勒多項式展開,得到灰度分布函數,進而計算出光條中心的亞像素位置。提取效果如圖2所示。與其他算法相比,Steger算法在計算時考慮了光帶的方向,具有較高的處理精度和較好的穩健性。

圖2 Steger輪廓提取

1.2 參數標定

參數標定分為相機參數標定與結構光平面參數標定。相機標定采用張正友標定法,利用標定板獲取相機的內部參數、畸變參數,以及與標定板位姿對應的外部參數。結構光平面標定是利用結構光平面與二維靶標平面相交形成的直線光條信息進行標定。本系統不要求靶標每次的位姿保持平行關系,只需要保證靶標在相機視野范圍內,降低了標定過程的復雜度。

根據鋼軌外形,輪廓軌跡被分為軌頭與軌腰兩部分。在擬合平面時,系統將剔除中心線上提取的像素點,即通過異常點剔除算法,剔除在中心線上明顯遠離輪廓的點,提高結構光平面擬合的精度;然后對剩余點進行稀疏采樣,在保證輪廓形狀不變的同時可提高后續算法的處理速度。

1.3 坐標轉換

采樣點在經過輪廓精提取后得到的坐標是像素坐標,表示的是輪廓上的點在圖像上的位置。為了獲取鋼軌廓形的實際三維坐標,需要通過相機標定得到系統參數,從而將圖像坐標轉換至世界坐標系下。坐標轉換模型如圖3所示。

圖3 坐標轉換模型

首先利用標定得到的相機內參將像素坐標轉換為相機坐標;然后利用相機坐標系與靶標平面世界坐標系的旋轉矩陣與平移矩陣,得到像素點在靶標平面世界坐標系下的坐標;最后通過旋轉矩陣將靶標平面世界坐標系轉換為標準的世界坐標系,進而得到鋼軌輪廓中心線在世界坐標系下的坐標。坐標轉換中的旋轉矩陣和旋轉角度分別如下

(1)

(2)

(3)

(4)

1.4 基于粒子群優化的雙圓擬合鋼軌廓形匹配算法

鋼軌軌頭磨耗測量原理如圖4所示,鋼軌軌頭磨耗分為垂直磨耗與水平磨耗。

圖4 鋼軌軌頭磨耗測量原理

垂直磨耗為距離工作邊1/3軌頭寬處,待測鋼軌與標準斷面垂直方向的差值。水平磨耗為待測鋼軌軌頂下16 mm處,待測鋼軌與標準斷面水平方向的差值。

鋼軌的輪廓測量數據在實際測量中會隨車體振動而發生變化。因此需對測量數據與標準數據進行匹配,從而通過對比分析得到鋼軌的磨耗信息。在對齊過程中,由于激光平面與軌道縱向垂直性會受振動、安裝誤差等因素的影響而產生仿射誤差,因此本文提出基于粒子群優化的雙圓鋼軌廓形匹配算法,解決鋼軌廓形匹配的問題。

(1)雙圓擬合鋼軌廓形匹配算法。為實現鋼軌廓形匹配,需至少選取兩個匹配基準點。由于軌腰部分不與列車直接接觸,不存在磨損變形現象,因此選取軌腰大小圓弧段的圓心作為匹配基準點。50 kg/m的鋼軌軌腰部分由半徑為350 mm的大圓圓弧和半徑為20 mm的小圓圓弧組成。通過將軌腰數據點到圓心距離建立待優化函數,可以利用最小二乘法解算求得圓心的最優點,然后可計算得到待測鋼軌輪廓與標準鋼軌斷面輪廓間的平移變換矩陣,將待測鋼軌輪廓平移變換后,兩者初步對齊。

(2)粒子群優化算法。為了提高測量廓形數據和標準廓形間的匹配精度,利用雙圓擬合鋼軌廓形匹配算法處理后,進一步利用粒子群優化算法進行精匹配。粒子群優化算法的基本思想是通過群體中個體之間的協作和信息共享尋找最優解。粒子群算法通過設計一種無質量的粒子,模擬鳥群中的鳥。粒子僅具有兩個屬性:速度和位置,其中速度代表移動的快慢,位置代表移動的方向。每個粒子在搜索空間中單獨搜尋最優解,將其記為當前個體極值,并將個體極值與整個粒子群里的其他粒子共享,將最優的個體極值作為整個粒子群的當前全局最優解。粒子群中的所有粒子根據自己的當前個體極值和整個粒子群共享的當前全局最優解,調整自己的速度和位置。粒子更新速度和位置的公式分別為

(5)

(6)

式中,vid為粒子速度;k為當前迭代次數;ω為慣性權重,其值較大時,全局尋優能力強,局部尋優能力弱,其值較小時,全局尋優能力弱,局部尋優能力強;d=1,2,…,D,為向量維數;i=1,2,…,n,為粒子個數;c1和c2為非負常數,稱為加速度因子;r1和r2為分布于(0,1)之間的隨機數。

迭代過程中,每個粒子通過與自身上一次匹配度相比,找到個體極值;通過與種群中全部粒子匹配度相比,找到全局極值,進而不斷更新自身的速度和位置,直至最大迭代次數或極值不再改變。迭代結束后,以全局最優粒子的位置向量作為最終的仿射變換參數Pg=[θgSxgSzg]T。隨后實現誤差糾正,公式為

(7)

2 試驗與結果分析

試驗所用相機選擇大恒工業數字相機MER2-230-168U3C,鏡頭為HN-P-1624-25M-C1.2/1低畸變工業鏡頭,焦距為25 mm。平面靶標選用包含12×9個角點的高精度棋盤格標定板,單元格大小為15 mm×15 mm。選用一段長為30 cm的50 kg/m型號的鋼軌。磨耗測量儀選用測量精度為0.05 mm、重復性精度為0.02 mm的數顯鋼軌磨耗測量儀。相關試驗設備如圖5所示。

圖5 試驗設備

工業相機采集到的輪廓圖像如圖6(a)所示,由線結構光前景部分、黑色背景及一部分環境噪聲組成,經圖像處理后得到圖6(b)。可以肯出,圖像中除輪廓曲線外的其他光影及噪聲已被去除,輪廓部分用白色高亮顯示。最后經過Steger中心線提取算法處理,得到準確的輪廓曲線,如圖6(c)所示。

圖6 鋼軌輪廓曲線

相機內部參數標定結果見表1。結構光平面標定的可視化結果與光平面方程參數如圖7和表2所示。

表1 參數標定結果

表2 結構光平面方程系數

圖7 結構光平面

本文使用基于機器視覺的鋼軌輪廓提取方法對一段標準的50 kg鋼軌的20處進行輪廓提取,并通過基于粒子群優化的雙圓擬合鋼軌廓形匹配算法補償仿射誤差,得到擬合后的50 kg鋼軌斷面圖(如圖8所示)。將采集圖像中的鋼軌斷面與標準鋼軌斷面進行比較,按照磨耗定義計算相應磨耗,將測得的鋼軌磨耗數據與數顯鋼軌磨耗儀測得的磨耗進行對比計算,得到軌頭部分的垂直磨耗與水平磨耗的測量誤差,結果如圖9所示。

圖8 擬合后50 kg鋼軌斷面

圖9 磨耗測量誤差

經計算,20處水平磨耗與垂直磨耗的均方根誤差分別為0.108、0.074 mm,總磨耗的均方根誤差為0.128 mm,表明本文的鋼軌輪廓提取方法具有較高的精度。

將本文基于粒子群優化的雙圓擬合鋼軌廓形匹配算法與未優化的雙圓擬合進行對比,結果見表3。可以看出,本文算法增加了少量計算時間,但精度得到明顯提升。

表3 優化算法效果

本文提出的鋼軌輪廓提取方法包含攝影學、光學、圖像處理等多種技術,因此導致誤差來源于多個方面。硬件設備上,相機分辨率、鏡頭畸變、景深性能與線激光器發射的結構光寬度都會影響輪廓提取精度。對于不同的應用場景,可以選擇相應性能水平的硬件設備。另一部分誤差來自采集的圖像中的噪聲,使用圖像處理算法去噪,根據結構光的顏色及Steger算法,對鋼軌輪廓進行粗精兩次提取輪廓中心線,同時利用基于粒子群優化的雙圓擬合鋼軌廓形匹配算法有效地降低磨耗誤差。

3 結 語

本文設計并實現了基于結構光顏色和Steger算法的粗精二級鋼軌廓形提取方法及基于粒子群優化的雙圓擬合鋼軌廓形匹配算法。該方法可有效降低磨耗測量誤差,檢測精度達0.128 mm,同時具備較高的測量效率。由于條件限制,本文試驗是在靜態環境下完成的,針對動態情況下鋼軌輪廓的提取是后續的研究方向。