基于机器视觉的轮对踏面检测技术

杨 玲，高军伟

（1.青岛大学 自动化学院，青岛266071；2.青岛大学 山东省工业控制技术重点实验室，青岛266071）

随着人们对高速、便捷的追求，地铁、轻轨、高铁等逐渐成为生活中不可或缺的出行方式，列车的安全问题也越来越引起重视，而列车轮对的磨损是影响列车安全的重要因素之一。列车在运行时会受到冲击力，制动时轮轨会对列车轮对产生强烈的摩擦，这些都会对列车轮对造成磨损，因此要对列车轮对进行定期检查。

目前针对轮对踏面磨损的情况还未形成统一的检测机制，通常采用人工测量的方法。针对人工检测工作量大，效率低下，易受外界因素影响等缺点。本文设计了自动检测系统，对采集到的图片进行处理，得到轮对直径、轮缘高、轮缘厚、磨损踏面的等效锥度和接触特征，具有快速方便，准确可靠的优点。

1 图像获取

实验中用到了两种类型的列车轮对，直径为760 mm 和820 mm， 实验中采用CCD 线阵相机，CCD 相机[1]具有解析度高，抗干扰能力强的优点，且得到轮对踏面轮廓图像信噪比高。选用一字线激光发射波长为650 nm 的激光，可使细线化处理的踏面误差小于0.1 mm 以内。采集装置如图1所示，当列车行驶到采集装置附近时， 采集装置启动，CCD 相机即可采集激光照射到踏面上形成的高亮光带，从而得到完整的踏面轮廓图，如图2所示。

图1 图像采集装置Fig.1 Image acquisition device

图2 CCD 相机采集图像Fig.2 CCD camera captures images

2 图像处理

使用MATLAB 软件对通过CCD 相机采集的踏面轮廓图像进行处理，包括灰度化、去噪、边缘提取、细线化处理，最终获得图像的像素图。

2.1 灰度化处理

对采集的踏面轮廓图进行灰度化处理可以简化图像信息，便于后续计算。本文采用加权平均法进行灰度化[2]处理，对于RGB 赋予不同的权值，得到灰度化后图像，如图3所示。与其他灰度化方法相比，经过加权平均值灰度化处理后的图像更加合理清晰。

图3 灰度化处理后的图像Fig.3 Image after grayscale processing

2.2 BM3D 滤波处理

由于列车在运行时存在噪声，为抑制与图像无关的噪声， 要对灰度化处理后的图像进行滤波处理。本文采用BM3D 算法[3]对经灰度化处理后的图像滤波，BM3D 算法分为基础估计与最终估计两部分。基础估计又分为3 步：第1 步为相似块分组，首先将噪声图像分为图像块，在这些图像块中选择若干参照块， 并在参照块周围搜寻差异度小的相似块，采用欧式距离判断图像块与参照块差异度的大小，并将这些相似块整合成三维矩阵；第2 步为协同滤波， 首先采用DCT 变换对图像块二维变换，并对矩阵的第三个维度一维变换，然后采用硬阈值的方式将小于超参数的成分置为0， 并进行相应的反变换； 第3 步将反变换后的图像块恢复到原位置，采用加权平均值法获得基础估计的去噪结果。最终估计也分为3 步：第1 步与基础估计相似，得到噪声图像的三维矩阵与基础估计的三维矩阵2 个三维数组；第2 步为维纳滤波，将2 个三维数组进行一维变换与二维变换，用维纳滤波缩放三维矩阵的系数；第3 步将图像块复原到原来位置，采用加权平均值方法得到最终图像，如图4所示。

图4 BM3D 滤波处理Fig.4 BM3D filter processing

2.3 边缘提取

对BM3D 滤波后的图像进行边缘特征提取，采用canny 边缘检测算法[4-6]。首先计算图像梯度，梯度变化明显的地方为图像可能存在的边缘；然后采用非极大值抑制方法检测强弱边缘；最后通过双阈值检测法确定及连接边缘， 得到边缘提取后的图像，如图5所示。

图5 canny 边缘处理后图像Fig.5 Image after canny edge processing

2.4 细线化处理

本文采用ZS 细线化算法[7]对图像进行细线化处理，首先建立一个3×3 模板，如图6所示，最中间的P 为目标像素，P 的周围围着8 个像素点，分为前景像素与背景像素两类， 前景像素指像素值为255的白色像素； 背景像素指像素值为0 的黑色像素。ZS 细线化算法分为两步，第1 步循环所有前景像素点，对符合下面条件的前景像素点进行剔除。

图6 匹配模板示意图Fig.6 Schematic diagram of matching template

（1）前景像素点个数小于等于6 个，大于等于2个；

（2）前景像素与背景像素变换的次数为1；

（3）P1×P3×P5=0 且P3×P5×P7=0；

第2 步与第1 步相似，同样循环所有前景像素点，对满足条件的前景像素点进行剔除。

（1）前景像素点个数小于等于6 个，大于等于2个；

（2）前景像素与背景像素变换的次数为1；

（3）P1×P3×P7=0 且P1×P5×P7=0；

对图像进行多次上述步骤，即可得到细线化处理后的图像，如图7所示。

图7 细线化处理后图像Fig.7 Image after thinning processing

2.5 张正友标定法

张正友标定法[8-9]基于小孔成像原理，根据像素坐标系、图像坐标系与世界坐标系之间存在线性关系，可求出相机内外参数以及畸变系数，进而将像素坐标转换为世界坐标。

为求出相机内外参数， 将打印好的12×9 边长为25 mm 的棋盘格以不同的位置、角度、方向进行拍摄，利用PYTHON 软件进行标定，标定过程以及最终求得相机内外参数、畸变系数如图8所示。

图8 标定过程Fig.8 Calibration process

3 踏面分析

对实验室中存在的两组轮对的不同位置采集多次，将图片进行处理及标定之后可求得多组踏面参数，将之与使用游标卡尺测量所得踏面参数相比较，数据记录如表1所示，本文设计的自动检测系统与实际测量出的轮对参数的误差较小，准确度较高。

表1 计算值与实际测量值相比较Tab.1 Comparison of calculated value and actual measured value

将求出的踏面坐标导入SIMPACK 软件， 建立轮对模拟图，如图9所示，即可得到磨损踏面的曲线。SIMPACK 中计算踏面等效锥度的方法有两种，分别为谐波法[10]和UIC519[11]，两种方法原理如下。

图9 模拟轮对图Fig.9 Simulation wheelset diagram

3.1 谐波法

假定轮对的横移运动为简谐运动，则：

式中：A 为轮对的横移量。在横移运动的一个周期内，有：

对λe求导，可求出E 最小时，有：

根据A 的变化，可通过积分获得整个轮对踏面的等效锥度。

3.2 UIC519 标准

UIC519 方法计算等效锥度方法在计算等效锥度时原理如下，列车轮对在轨道上进行的运动为蛇行运动，用公式描述为

式中：y 为轮对侧向位移；V 为轮对前进速度；y¨为轮对侧向加速度；e 为接触点间距；r0为车轮半径；Δr为左右轮之间的滚动半径差。

车轮前进速度可假定为常数：

式中：x 为轮对纵向位移，再由以下公式：

车轮具有锥形外角γ 的情况下可得：

代入式（9），可得：

带入初始条件：

根据Klingel[12]公式，可得波长为

因此，踏面斜率为

整理可得等效锥度为

两者得到等效锥度均可在SIMPACK 软件[13-14]中表示出来，如图10所示，与标准踏面相比较可以看出两者等效锥度曲线并不重合。如图11所示，接触点情况也存在差异，说明实验室中的轮对踏面存在一定磨损。

图10 与标准踏面等效锥度比较Fig.10 Comparison of equivalent taper with standard tread

图11 与标准踏面接触关系比较Fig.11 Comparison of contact relationship with standard tread

4 软件实现

根据上述研究， 通过MATLAB GUI 设计交互界面，搭建轮对检测系统，对踏面进行测量。交互界面包含载入图像、BM3D 去噪处理、Canny 边缘检测、ZS 细线化处理等处理过程，以及像素坐标、参数显示等处理结果，简单易懂，方便操作。系统还设置了登录界面，以保证系统安全性。

将采集到的图像输入到MATLAB 软件，按下载入图像按钮即可显示采集到的图片， 按下去噪处理、边缘检测、细线化等按钮，相应处理过程也可在交互界面显示。按下计算参数按钮即可计算出轮对参数，保存结果按钮可保存踏面参数及日期，效果如图12所示。将SIMPACK 软件与MATLAB 软件相结合，可以将轮对踏面的等效锥度及与轮轨接触情况在界面中展示出来，进而判断轮对的安全性。

图12 轮对踏面检测系统Fig.12 Wheelset tread detection system

5 结语

为简化对列车踏面磨损的测量计算，本文设计了一种基于机器视觉的轮对踏面检测方法，该方法利用图像处理相关方法以及张正友标定法求出踏面参数以及轮对踏面轮廓的完整坐标， 误差小、精确度高。将数据导入SIMPACK 软件后，可以清楚获得踏面的等效锥度、接触情况等曲线，还可以模拟出轮对运行情况。设计的交互界面清晰明了，载入不同的踏面图像，求出相应的结果，有利于对踏面磨损情况进行分析。