基于圖像處理技術的車載鋼軌波磨自動識別與預警系統(tǒng)*

崔霆銳 李宇杰 劉 暢 霍苗苗

(1. 北京交通大學電氣工程學院, 100044, 北京; 2. 北京市地鐵運營有限公司, 100079, 北京)

自20世紀90年代開始,國外已開展了對軌道自動巡檢系統(tǒng)的研發(fā)工作。美國開發(fā)的TVIS(軌道視頻檢測系統(tǒng)),通過獲取線路視頻圖像輔助人工進行軌道狀態(tài)的檢查,判定扣件完好性[1]。澳大利亞和德國先后開發(fā)的RAILSCAN(軌道掃描) 系統(tǒng)和RAILCHECK(光電式軌道檢測)系統(tǒng),使用數(shù)字圖像處理技術進行特性分析,實現(xiàn)了軌道結(jié)構(gòu)可見異常的自動識別。法國及意大利等國家也研制開發(fā)了非接觸式檢測列車,實現(xiàn)了對鋼軌表面缺陷、軌道幾何參數(shù)的自動檢查[2]。在我國,鐵道科學研究院研制了基于計算機視覺技術的鋼軌表面擦傷檢測系統(tǒng)[3]。然而此類研究目前仍處于試驗或小范圍的試用階段,需進一步測試應用效果。

目前,我國的自動檢測系統(tǒng)都安裝在專用的軌道檢查車上,維護成本高,并且需要特定的天窗點檢測,無法滿足地鐵行業(yè)日常軌道巡檢的需求[4-6]。針對上述問題,本文提出以運營載客列車作為移動監(jiān)測載體,基于圖像處理技術開發(fā)的車載鋼軌波磨自動識別與預警系統(tǒng)(以下簡稱“波磨自動識別系統(tǒng)”),以期實現(xiàn)軌道缺陷的日常精確監(jiān)測預警。

1 波磨自動識別系統(tǒng)的研發(fā)思路

波磨自動識別系統(tǒng)的整體研發(fā)思路如圖1所示。首先,采用線掃描激光成像技術獲取軌道線路相關的圖像,并利用圖像處理技術提取鋼軌波磨病害狀態(tài)特征參數(shù);然后,基于圖像處理算法,構(gòu)建鋼軌波磨病害預測評估模型;最后,利用RFID(射頻識別)技術和多普勒技術實現(xiàn)病害位置精準定位。由此,研制開發(fā)的波磨自動識別系統(tǒng),已在北京地鐵部分線路完成設備裝車和線路測試。

圖1 波磨自動識別系統(tǒng)的整體研發(fā)思路

2 鋼軌波磨的自動識別與評估

車載設備在列車高速運行時所采集到的原始鋼軌圖片,存在噪聲和光照不均問題,需先經(jīng)過去噪、校正、定位及分割等圖像處理,才能完成波磨識別檢測和評估。

2.1 鋼軌表面圖像的去噪與光照不均校正

步驟1 采用雙邊濾波來濾除圖像中的噪聲,在不影響原圖像紋理特征的情況下降低噪聲對圖像的干擾。濾波過程定義為:

(1)

(2)

式中:

Wp——濾波算子;

I(x)——圖像橫坐標方向的灰度值;

Iout(x)——處理后圖像橫坐標方向的灰度值;

xi——像素i的原始橫坐標值;

x——像素i的處理后橫坐標值;

Ω——需要處理的相鄰窗口;

fr和gs——基于距離和強度的濾波器。

步驟2 利用動態(tài)引導濾波在去噪后的鋼軌圖像中提取光照分量。

步驟3 根據(jù)光照分量提取結(jié)果的統(tǒng)計分布特性,基于二維參數(shù)自適應伽馬函數(shù)構(gòu)造鋼軌圖像光照不均的校正函數(shù),降低光照過強區(qū)域圖像的亮度值,提高光照過暗區(qū)域圖像的亮度值,處理鋼軌圖像不均勻光照的問題,從而提升鋼軌圖像的質(zhì)量。

去噪與光照不均校正處理前后的鋼軌圖像如圖2所示。

a) 處理前

2.2 鋼軌表面圖像的定位與分割

從現(xiàn)場采集的鋼軌圖像通常還包含扣件、枕木和路基等不相關部件。這會為后續(xù)的處理帶來干擾。為準確定位并分割出完整的鋼軌表面區(qū)域,本研究使用水平梯度算子來強化鋼軌圖像的垂直邊緣,以突出沿水平方向的灰度級變化,并銳化軌頭表面的邊界。該水平梯度算子為:

(3)

經(jīng)過邊緣強化后的鋼軌圖像如圖3所示。在此基礎上,計算每個處理后坐標為(x,y)處像素點ix,y的水平方向梯度,并按列依次求第y列圖像的縱坐標方向梯度和值SG(y):

圖3 邊緣增強后的圖像

(4)

式中:

w——鋼軌圖像的縱坐標最大值;

h——鋼軌圖像的橫坐標最大值;

grad(ix,y)——ix,y的梯度值。

根據(jù)鋼軌圖像中每列的縱向位置,將SG(y)值乘以1個位置自適應權(quán)重,即得到在位置處的權(quán)重值Aw(y),使其服從正態(tài)分布如下:

(5)

式中:

μ——正態(tài)分布的數(shù)學期望;

σ——正態(tài)分布的標準差。

鋼軌的加權(quán)梯度投影輪廓如圖4所示。對鋼軌圖像進行加權(quán)梯度投影分析,結(jié)合軌道表面的經(jīng)驗寬度值,確定鋼軌表面區(qū)域在鋼軌圖像中的邊界位置。

圖4 軌道的加權(quán)梯度投影輪廓

(6)

式中:

pr——鋼軌表面區(qū)域在鋼軌圖像中的邊界坐標;

wr——軌道表面的經(jīng)驗寬度值;

WG(i)——在像素點i處的加權(quán)梯度和值。

鋼軌區(qū)域定位結(jié)果如圖5所示。圖5中2條虛線為鋼軌左右邊界。由此即完成鋼軌區(qū)域的分割。

圖5 鋼軌區(qū)域定位結(jié)果

2.3 鋼軌波磨識別檢測算法

本文所用鋼軌波磨識別檢測算法是基于改進空間金字塔匹配模型的。空間金字塔匹配模型的核心思想是對每幅圖像進行網(wǎng)格塊分割,通過對圖像分割后的子區(qū)域所在的尺度層級的大小來賦予不同的權(quán)值,從而構(gòu)造出加權(quán)的視覺詞直方圖?；诟倪M空間金字塔匹配模型的圖像分類流程如圖6所示。將包含鋼軌波磨圖像和鋼軌正常圖像的數(shù)據(jù)集隨機地劃分為訓練圖像集和測試圖像集,并對數(shù)據(jù)集中的所有鋼軌表面圖像分別提取Uniform LBP (均勻局部二進制值模式)和Dense SIFT (稠密尺度不變特征變換)特征向量。使用經(jīng)典的K-means算法,分別對訓練圖像集圖像的Uniform LBP和Dense SIFT 特征集進行聚類得到兩個視覺碼本。

注:虛線箭頭表示進行特征編碼;LLC—局部約束編碼; SVM—支持向量機; SPM—空間金字塔匹配模型。

基于生成的兩個視覺碼本,利用LLC模型對訓練圖像集中的所有圖像進行特征編碼,并經(jīng)過SPM池化得到每幅鋼軌表面圖像的兩種不同圖像表示。之后,將每幅鋼軌表面圖像的兩種不同圖像表示即特征向量進行線性組合,作為其最終的特征描述。最后,結(jié)合訓練圖像集中每幅圖像的特征描述和人工標簽訓練線性SVM分類器,得到最終的分類器,在測試集上實現(xiàn)鋼軌波磨的識別檢測。該算法的識別檢測準確率達到了99%。

2.4 鋼軌波磨區(qū)間的定位

由于車輛運行環(huán)境復雜,且輪軌作用不斷,因此現(xiàn)場采集的鋼軌表面波磨圖像不僅存在波磨區(qū)域,還存在邊緣銹跡區(qū)域和正常表面區(qū)域。針對這一問題,為準確有效地定位出鋼軌波磨區(qū)間,先使用水平灰度梯度統(tǒng)計分析法,依次求得第k列圖像的水平方向梯度均值〈grad(xk,y)〉,進而得到水平灰度梯度統(tǒng)計分析曲線如圖7所示。圖7中,曲線右半部分中所有極大值的最大值為Rr,曲線左半部分中所有極小值的最小值為Rl。其中:

圖7 水平灰度梯度統(tǒng)計分析結(jié)果

(7)

式中:

I(xk,y)——第k列圖像的灰度值。

圖7中Rr及Rl為對應的列坐標分別為裁剪后剩余鋼軌表面區(qū)域的終止坐標及起始坐標。由此可得到裁剪后剩余鋼軌表面區(qū)域,如圖8 b)所示。

a) 原圖像

Rl=min[peak〈grad(xk,y)〉], 2≤k≤w/2

(8)

Rr=min[peak〈grad(xk,y)〉],w/2≤k≤w-1

(9)

利用大津閾值分割算法和數(shù)學形態(tài)學算法對圖像進行二值化,并去除二值化后存在的噪聲點,從而實現(xiàn)波磨區(qū)域與正常鋼軌表面區(qū)域的分割。二值化后的圖像如圖8 c)所示。

對得到的二值圖像進行數(shù)學形態(tài)學重建和開操作,去除圖像二值化后存在的噪聲點。即:

Cl=arg min(SBi|SBi>δ),i=1,2,…,m

(10)

Cr=arg max(SBi|SBi>δ),i=1,2,…,m

(11)

式中:

C1——鋼軌波磨區(qū)間的起始點坐標;

Cr——鋼軌波磨區(qū)間的終止點坐標;

SBi——二值化圖像中像素i的值;

δ——和值的閾值;

m——裁剪后剩余鋼軌表面區(qū)域的寬度。

最后,基于式(10)和式(11),統(tǒng)計分析二值圖像每列前景點的個數(shù),并通過與設定的閾值比較得到鋼軌波磨區(qū)間的起始和終止點坐標。在此基礎上可確定,波磨區(qū)間邊界定位結(jié)果如圖8 d)所示。

2.5 鋼軌波磨周期估計

在確定鋼軌波磨區(qū)間邊界定位后,根據(jù)波磨的定義及圖像的周期紋理特性,結(jié)合頻域分析和距離匹配函數(shù),對鋼軌波磨的周期進行估計。對每列鋼軌波磨區(qū)間圖像進行傅里葉變換,得到各列圖像的幅值-頻率曲線簇圖,如圖9所示。在定位每個幅值-頻率曲線的峰值時,提取對應于前兩個最大峰值的頻率,并計算相應的周期作為每個圖像列的候選周期。

注:g為重力加速度。

為提高結(jié)果的魯棒性,定義簡化的量綱一化距離匹配函數(shù)SNDMF(·),則有:

(12)

式中:

dk1和dk2——第k列波磨區(qū)間圖像的兩個候選周期值;

Ikj——第k列波磨區(qū)間圖像在位置j處的灰度值;

H——波磨區(qū)間圖像的高度。

定義確定波磨區(qū)間中第k列圖像的最終周期Pi為:

Pi=min(SNDMF(dk1),SNDMF(dk2))

(13)

波磨區(qū)間圖像的寬度為D時,周期向量P=[P1P2…PD],進而可得波磨區(qū)間中所有列圖像周期值的眾數(shù)Pc,并將之作為波磨區(qū)間即鋼軌波磨的周期,即:

Pc=mod(P)

(14)

2.6 鋼軌波磨嚴重程度評估預警

一般而言,鋼軌波磨的嚴重程度與其深度有關,而波磨深度的變化在圖像中體現(xiàn)為圖像灰度上的差異。針對這一問題,需要對鋼軌波磨圖像的視覺顯著性進行分析。坐標為(x,y)處點的顯著度S(x,y)為:

(15)

式中:

Lm——CIELab模式色彩空間圖像特征向量的均值;

LG——原始圖像的高斯模糊;

N(·)——量綱一化。

鋼軌波磨區(qū)間具有顯著的顏色特征。因此,首先利用量綱一化頻率調(diào)諧模型,提取鋼軌波磨圖像的視覺顯著性特征,并在此基礎上生成全分辨率顯著圖,如圖10 b)所示。

圖10 鋼軌波磨周期估計可視化結(jié)果

為簡化每個鋼軌波磨子區(qū)域的定位過程和減少計算量,首先利用自適應閾值分割算法,對得到的鋼軌波磨顯著圖進行二值化,如圖10 c)所示。

(16)

式中:

Ta——計算得到自適應閾值。

接著,利用數(shù)學形態(tài)學閉操作和標記矩陣方法,確定每個鋼軌波磨子區(qū)域的位置坐標;然后,在此基礎上,根據(jù)定義計算每個鋼軌波磨子區(qū)域的磨耗顯著度SW,如圖10 d)所示。其中:

(17)

針對具體的鋼軌波磨磨耗情況,首先,將波磨的嚴重程度劃分為三個預警等級,分別為level 1(輕微磨耗)、level 2(中等磨耗)和level 3(嚴重磨耗),并設計每個等級對應的隸屬度函數(shù)閾值(μ1,μ2,μ3);然后,將計算得到的SW輸入到等級隸屬度函數(shù);最后,根據(jù)最大隸屬原則確定每個鋼軌波磨子區(qū)域的磨耗嚴重程度。即:

(18)

3 波磨自動識別系統(tǒng)的構(gòu)建

3.1 車載設備

波磨自動識別系統(tǒng)的車載設備由車底工控機、射頻標簽模塊、測速雷達模塊、軌道表面及扣件檢測模塊等構(gòu)成。該系統(tǒng)在北京地鐵上線運行開展示范應用,北京地鐵的波磨自動識別系統(tǒng)車載設備實景圖如圖11所示。

圖11 北京地鐵的波磨自動識別系統(tǒng)車載設備實景圖

在列車運行過程中,啟動雷達傳感器;雷達傳感器接收到確定信號后,通知成像模塊打開相機,進行圖像采集;對圖像進行壓縮保存,并上傳到遠程終端;通過定位模塊精確查找定位點,并以此來確定列車的位置和運行速度。

3.2 邏輯架構(gòu)

波磨自動識別系統(tǒng)的邏輯架構(gòu)如圖12所示,波磨自動識別系統(tǒng)邏輯架構(gòu)分為功能模塊,接口引擎及平臺服務三層。其業(yè)務應用功能主要包括缺陷類型庫管理、缺陷分析、缺陷管理、查詢統(tǒng)計、預警管理、系統(tǒng)設置等。

圖12 波磨自動識別系統(tǒng)邏輯架構(gòu)圖

4 測試結(jié)果分析

在北京地鐵示范應用波磨自動識別系統(tǒng)期間,鋼軌波磨的周期可視化結(jié)果如圖10 e)所示,可以看出估計的結(jié)果與人工目測結(jié)果相符合。利用構(gòu)建的波磨自動識別與預警系統(tǒng)平臺對示范應用期間采集樣例進行檢測測試,從測試集圖庫(1 000張圖)中通過Python腳本隨機抽取20張圖片,一共設計10組測試。測試結(jié)果如表1所示。

表1 軌道檢測測試結(jié)果

波磨自動識別系統(tǒng)檢測不占用天窗時間,提高了檢測效率。結(jié)合表1的測試結(jié)果可知,波磨自動識別系統(tǒng)無論檢測效率還是檢測準確率,都體現(xiàn)出傳統(tǒng)人工巡檢無法比擬的優(yōu)勢。

根據(jù)波磨自動識別系統(tǒng)輸出的報警信息,工務部門對北京地鐵某線路4個病害區(qū)段鋼軌進行精準打磨。圖13為打磨前后輪軌振動趨勢對比。由圖13可見,打磨后輪軌振幅明顯降低,波磨病害特征消失,說明波磨自動識別系統(tǒng)能準確識別鋼軌波磨病害,為檢修維護提供高效指導。

a) 打磨前

5 結(jié)語

基于圖像處理技術,研究了圖像分割與特征提取方法、缺陷識別與分類等,建立了病害特征知識庫,實現(xiàn)了鋼軌波磨的自動識別和定位。設計開發(fā)的波磨自動識別系統(tǒng)旨在替代傳統(tǒng)人工巡道的視覺檢查,通過更高效和更科學的分析方法,為地鐵提供智能化檢測手段和方式,從而大幅提升日常檢修的效率,為城市軌道交通的安全可靠運行提供更完善的保障。