基于機器視覺的車輛底部關鍵零部件破損精準識別

摘 要：為提高機車底部關鍵零部件破損識別的速度和精度，以車輛底部橡膠減震墊為研究對象，提出一種基于機器視覺的識別方法。方法首先結合Harris角點檢測和灰度信息檢測方法，提出一種基于角點和灰度信息的圖像匹配算法，對橡膠減震墊破損圖像進行匹配，然后采用魯棒模糊聚類算法（RFCM）對匹配完成的橡膠減震墊破損圖像進行分割，最后采用PatMax算法對分割后的橡膠減震墊破損圖像進行識別與定位，實現了橡膠減震墊破損識別。仿真結果表明，所提方法實現了機車底部關鍵零部件的橡膠減震墊破損自動識別，可準確識別并定位破損部位，相較于PatFlex算法和PatQuick算法，提高了機車底部關鍵零部件破損識別的速度和精度，平均識別速度為1.32 s，識別精度為97.66%。

關鍵詞：機器視覺；機車零部件；破損識別；橡膠減震墊

中圖分類號：TQ336；TP391.41 文獻標志碼：A 文章編號：1001-5922（2025）03-0154-04

Accurate identification of key parts at the bottomof the vehicle based on machine vision

WANG Yongbin

（CHN Energy Xinshuo Railway Co.，Ltd.，Hohhot 010050，China）

Abstract：In order to improve the speed and accuracy of damage recognition of key components at the bottom of lo?comotives，a recognition method based on machine vision was proposed by taking the rubber shock absorbing pad atthe bottom of the vehicle as the research object. Firstly，the method was combined with Harris corner detection andgrayscale information detection methods，an image matching algorithm based on corner and grayscale informationwas proposed to match the damaged images of rubber damping pads，then Robust Fuzzy Clustering Algorithm（RF?CM）was used to segment the damaged images of rubber damping pads，and finally the PatMax algorithm was usedto identify and locate the damaged images of the segmented rubber damping pads，and the damage recognition ofrubber damping pads was realized. The simulation results showed that the proposed method realized the automaticidentification of the damage of the rubber shock absorbing pad of the key parts at the bottom of the locomotive，andcould accurately identify and locate the damaged parts. Compared with the PatFlex algorithm and the PatQuick algo?rithm，the proposed method improved the speed and accuracy of the damage recognition of the key parts at the bot?tom of the locomotive，with an average recognition speed of 1.32 s and a recognition accuracy of 97.66%.

Key words：machine vision；automotive components；breakage identification；rubber shock-absorbing pads

機車底關鍵零部件是車輛重要的組成部分之一，對保障車輛行駛安全十分重要。而橡膠減震墊是車輛底部的重要材料，當橡膠減震墊出現破損時，可能導致車輛失去對沖擊力的消除作用，進而影響車輛行駛安全。因此，對車輛底部的關鍵部件橡膠減震墊破損進行識別，避免因橡膠減震墊破損造成的車輛行駛安全問題。目前，主流的識別方法是基于機器視覺的識別方法，如葉麗青等 [1] 為實現汽車車身車輛識別代碼的自動識別，通過在工位上安裝工業相機拍攝汽車車身車輛識別代碼圖像，并運用機器視覺技術，實現了車輛識別代碼的自動識別，提高了汽車生產企業的生產效率；鐘筱勛等 [2] 為提高機械系統的自動化和智能化程度，基于機器視覺技術對機械系統進行圖像處理和模式識別，提出一種機械傳動目標自動識別；溫超等 [3] 通過利用機器視覺和圖像處理技術，設計了一套物料安息角識別方法，可確保物料堆放保持自然穩定狀態，具有良好的實際應用價值。鑒于上述機器視覺在各個領域中取得的優異識別效果，本研究嘗試利用機器視覺技術對機車底關鍵零部件橡膠減震墊破損進行識別，首先采用基于角點和灰度信息的圖像匹配方法對圖像進行匹配，然后采用RFCM對圖像進行分割，最后采用PatMax算法進行識別與定位。

1 基本算法

1.1 圖像匹配算法

圖像匹配算法中，利用Harris角點和灰度信息進行匹配的方法得到了廣泛的應用，但無論基于Harris角點還是基于灰度信息的匹配方法，在對圖像進行匹配時，匹配速度和匹配精度有待提高 [4-5] 。因此，本研究嘗試結合2種方法優勢，提出一種基于角點和灰度信息的圖像匹配方法。

具體流程為：首先利用Harris角點確定模板圖像的一階特征點，然后在參考圖像找到一階特征點，最后找到模板圖像和參考圖像上的對應點，并確定對應點是唯一的，即實現了圖像匹配。

基于角點和灰度信息的圖像匹配方法，有效結合了Harris角點檢測算法快速的匹配速度和灰度信息檢測算法的高匹配精度，可提高圖像匹配速度和精度 [6-7] 。因此，本研究選用該算法作為機車底關鍵零部件材料破損識別中的圖像匹配算法。

1.2 圖像分割算法

RFCM算法是一種基于隸屬度的高魯棒性聚類算法，通過使用一個模糊隸屬度表示樣本屬于某一類別的程度，可顯示樣本的多樣性。RFCM算法流為：首先對圖像進行極化并選取類中心，然后計算圖像中每個像素點到類中心的距離，并更新類中心；最后計算各類樣本功率均值，并提取均值最小的類別樣本作為ROI，并對其目標進行辨識，即實現了圖像分割 [8-9] 。

RFCM算法克服了硬聚類非此即彼的分類缺點，具有較高的魯棒性。因此，本研究選用該算法作為機車底關鍵零部件材料破損識別中的圖像分割算法，以使破損部分與背景部分盡量分離。

1.3 圖像識別算法

PatMax算法是一種基于邊緣特征的圖像位置識別與定位搜索的方法，廣泛應用于機器視覺中的目標識別與定位 [10-11] 。PatMax算法用于圖像識別時，基本步驟如下：

（1）示例圖像選擇。從所有圖像中選擇以一個具有目標標志特征的圖像作為示例圖像；

（2）模板圖像創建。將示例圖像轉化為灰度圖像，并設置搜索區域和步長，使用create_pat_model函數創建模板圖像；

（3）模板圖像匹配。使用find_pat_model函數對模板圖像和待檢測圖像進行匹配，匹配結果即為圖像識別結果。

PatMax算法可同時實現圖像目標的識別與定位，因此，本研究選用該算法作為機車底關鍵零部件材料破損識別算法，以獲取更精確的破損信息。

2 基于機器視覺的機車底關鍵零部件材料破損識別

本研究以機車底關鍵零部件橡膠減震墊破損識別為研究對象，開展機車底關鍵零部件材料破損識別研究，并結合上述圖像匹配算法、圖像分割算法和圖像識別算法來實現機車底關鍵零部件橡膠減震墊破損識別。具體識別流程如下：

（1）數據采集與劃分。收集整理橡膠減震墊不同類別的破損圖像，并對圖像進行去噪等預處理；

（2）圖像匹配。采用基于角點和灰度信息方法的圖像匹配算法對破損圖像中的對應點進行一一匹配，得到匹配后的橡膠減震墊破損圖像；

（3）圖像分割。采用RFCM算法將匹配后的橡膠減震墊破損圖像劃分為不同區域，以使目標和背景盡可能分離；

（4）圖像識別。設置 PatMax 算法參數，并采用PatMax算法對分割后的圖像進行識別，其輸出結果即為識別結果。

3 仿真實驗

3.1 實驗環境搭建

本次仿真基于Vision Studio 2019平臺和C#語言進行開發，并在Windows10操作系統上運行。系統配置Intel Xeon E5-2640v4 CPU，RTX 3060 6G GPU。

3.2 數據來源及預處理本次仿真使用piA2400 CCD工業相機自主采集的車底關鍵部件橡膠減震墊氣泡、裂紋、疤痕三類破損圖像，各500張作為實驗數據 [12-13] 。

考慮到采集的圖像可能受環境影響存在噪聲，進而影響識別結果，因此需要對圖像進行去噪處理。

中值濾波是一種非線性圖像去噪方法，可有效保留圖像的邊緣信息和細節信息，故本次仿真采用中值濾波對采集的圖像進行去噪預處理。

最后將預處理后的數據按4∶1分為訓練和測試數據集2部分。

3.3 評價指標

本次實驗選用匹配次數、匹配時間和準確率評估所提方法采用基于角點和灰度信息方法的圖像匹配性能指標，選用準確率 a （accuracy）、召回率 r（recall）、 F 1 值作為評估所提方法采用 RFCM 算法的圖像分割性能的指標，采用面積和幾何位置作為評估所提方法采用PatMax算法圖像識別性能的式中： TP、TN 分別表示真正例和真負例； FP、FN分別表示假正例和假負例。

3.4 參數設置

本次仿真設置PatMax算法的參數為：角度范圍[-30，30]，縮放范圍[0.8，1.2]，角度和縮放的標準值分別為0和1。

考慮到機車底關鍵零部件橡膠減震墊破損識別中，檢測閾值設置對識別結果具有重要影響 [17-18] 。因此，為確定最佳檢測閾值，采用試驗法通過分析試驗結果進行確定，結果如表1所示。

由表1可知，檢測閾值設置條件下，PatMax算法的識別結果與實際結果對比。由表1可知，當檢測閾值為40時，所識別的破損面積和實際面積存在明顯差異，且幾何坐標也不同，當檢測閾值為60時，同樣出現了該現象，而當閾值為50時，所識別的破損面積和幾何坐標與實際破損面積和幾何坐標抑制，能準確識別出破損。因此，本次仿真設置PatMax算法的檢測閾值為50。

3.5 結果與分析

3.5.1 圖像匹配算法驗證

為驗證所提基于角點和灰度信息方法的圖像匹配算法對機車底關鍵零部件橡膠減震墊圖像的匹配效果，實驗分析了該算法各項性能指標。

所提圖像匹配算法的匹配可在30次匹配過程中成功匹配97.26%的圖像，且具有較快的匹配速度，平均匹配時間為0.36s。由此說明，所提的基于角點和灰度信息方法的圖像匹配算法具有可行性和有效性。

為驗證所提圖像匹配算法結合角點和灰度信息，對機車底關鍵零部件橡膠減震墊圖像的匹配效果，實驗對比了所提算法與采用單一角點和灰度信息匹配方法的各項性能指標，結果如表2所示 [19-20] 。

由表2可知，相較于采用單一角點和灰度信息的匹配算法，所提算法在匹配次數、平均匹配時間和準確率方面均具有明顯優勢。由此說明，選用基于角點和灰度信息方法的圖像匹配算法對橡膠減震墊破損圖像進行匹配，具有一定的正確性和優越性，可快速準確匹配圖像。

3.5.2 圖像分割算法驗證

為驗證所提RFCM算法對機車底關鍵零部件橡膠減震墊圖像的分割效果，實驗統計了RFCM算法對不同類別破損圖像的平均分割準確率、召回率和 F1值，結果如表3所示。

由表3可知，所提算法可準確地對機車底關鍵零部件橡膠減震墊氣泡、裂紋、疤痕不同類別的破損識別，具有較高的識別精度。由此說明，所采用的RFCM算法具有一定的有效性。

為進一步驗證所提RFCM算法對機車底關鍵零部件橡膠減震墊圖像的分割效果，實驗對比了所提RFCM算法與邊緣檢測分割法和最大類間方差法在實驗數據集上的各項性能指標，結果如表4所示。

由表4可知，相較于對比分割算法，所提算法的分割精度更高，具有明顯的優勢。

3.5.3 圖像識別算法驗證

為驗證所提PatMax算法對機車底關鍵零部件橡膠減震墊圖像破損識別效果，實驗對比了所提算法與PatFlex和PatQuick算法各項性能指標，如表5所示。

由表5可知，PatMax算法的識別精度更高，與實際橡膠減震墊破損面積和幾何位置一致，而對比算法無論是在對橡膠減震墊破損面積還是幾何位置識別上，都與實際存在一定差距。由此說明，所提的PatMax算法對機車底關鍵零部件橡膠減震墊破損識別具有優異的識別效果。

為定量分析PatMax算法的優越性，實驗不同算法的識別速度和精度，結果如表6。

由表6可知，所提算法的具有明顯的識別速度和精度優勢，進一步證明了所提算法的優越性。

4 結語

綜上所述，所提的基于機器實際的機車底關鍵零部件材料破損識別方法，通過對圖像進行匹配、分割和識別，實現了機車底關鍵零部件材料破損自動識別，且具有較高的識別精度和速度，平均識別精度為97.66%，平均識別速度為1.32 s，相較于PatFlex和PatQuick，對車底關鍵部件O型圈的識別效果更好。

【參考文獻】

[1] 葉麗青，劉可偉，吳飛，等. 基于機器視覺的車身VIN碼識別系統在整車制造的開發與應用[J]. 汽車實用技術，2023，48（13）：155-160.

[2] 鐘筱勛，李子濤. 機器視覺識別技術在機械傳動領域的應用分析[J]. 造紙裝備及材料，2023，52（4）：106-108.

[3] 溫超，李冰，邵來. 機器視覺識別物料安息角方法[J]. 機械設計與制造，2023（9）：89-92.

[4] 陳賢兒，梁丹，傅云龍，等.Harris與SURF特征點檢測的手術器械機器視覺識別方法[J].傳感器與微系統，2023，42 （2）：118-121.

[5] 薄曉寧. 基于機器視覺的路面裂縫病害多目標識別技術[J]. 電子技術與軟件工程，2023（2）：177-180.

[6] 高強. 基于機器視覺識別技術的主煤流運輸智能控制系統研究與設計[J]. 中國煤炭，2022，48（S1）：12-16.

[7] 袁科文，張貫宇，劉送永，等. 依據批歸一化卷積神經網絡算法的木材類別機器視覺識別方法[J]. 東北林業大學學報，2022，50（7）：94-98.

[8] 吳魯紀，秦佳音，李安虎，等. 機器視覺識別技術在機械傳動領域的發展與應用[J].機械傳動，2022，46（7）：167-176.

[9] 朱亞軍，陳砆興. 基于機器視覺的目標識別方法的研究進展[J]. 科技資訊，2023，21（21）：21-24.

[10] 趙育聽. 基于機器視覺識別的預制構件生產模臺定位追蹤技術研究[J]. 安徽建筑，2022，29（6）：45-46.

[11] 朱名強，老盛林，韋娟，等. “機器視覺識別應用” “六融五新”新型活頁式教材開發研究[J].裝備制造技術，2022 （1）：213-215.

[12] 付而康，周佳玟，姚智，等. 基于機器視覺識別的戶外環境情緒感受測度研究[J]. 景觀設計學（中英文），2021，9（5）：46-59.

[13] 戴軍. 機器視覺技術在瓜菜檢測應用中的研究進展[J].中國瓜菜，2023，36（11）：1-9.

[14] 鄧國智. 航空維修中機器人技術的應用方法[J]. 粘接，2019，40（7）：127-129.

[15] 邵佩迪，吳明暉，季亞波，等. 茶葉嫩芽機器視覺識別算法研究[J]. 農業裝備與車輛工程，2020，58（0）：34-36

[16] 徐志強，呂子奇，王衛東，等. 煤矸智能分選的機器視覺識別方法與優化[J]. 煤炭學報，2020，45（6）：2207-2216.

[17] 張紅濤，朱洋，譚聯，等. 利用機器視覺識別麥粒內米象發育規律與齡期[J].農業工程學報，2020，36（2）：201-208.

[18] 吳紹鋒，白云嬌. 基于機器視覺的表面缺陷檢測關鍵技術[J]. 農業技術與裝備，2023（10）：66-69.

[19] 劉明. 基于計算機視覺的虛擬現實技術在體育動作糾正領域的應用框架[J]. 粘接，2020，41（5）：185-188.

[20] 武文韜，曹有為，冉玥，等.一種基于機器視覺識別的智能綠籬修剪機設計[J].林業機械與木工設備，2020，48 （11）：44-46.

（責任編輯：張玉平）