李明森,李 林,張 超,劉光東,羅文婷
(1.福建農(nóng)林大學(xué)交通與土木工程學(xué)院,福建 福州 350100;2.福建省高速技術(shù)咨詢有限責(zé)任公司,福建 福州 350001)
隨著中國(guó)鐵路網(wǎng)規(guī)模的擴(kuò)大,鐵路檢測(cè)的快速化與智能化要求越來(lái)越高。軌道扣件作為鐵路沿線設(shè)備的重要組成部分,具有固定軌道、絕緣減震、軌距與水平調(diào)整等重要作用[1],其維護(hù)的重要性逐漸顯現(xiàn)?,F(xiàn)階段鐵路檢測(cè)主要是人工檢測(cè),不僅準(zhǔn)確率較低、速度慢,而且存在錯(cuò)檢、漏檢等問(wèn)題[2]。為了提升速度,也有通過(guò)檢測(cè)車拍照再經(jīng)由工作人員通過(guò)照片來(lái)確定扣件狀態(tài)的檢測(cè)方法,這種方法確實(shí)降低了工人的工作強(qiáng)度,提高了巡檢的安全性,但是仍然屬于人工檢測(cè),并沒有從根本上解決問(wèn)題[3],準(zhǔn)確度方面無(wú)法保證。為了滿足鐵路巡檢的自動(dòng)化與智能化的要求,國(guó)內(nèi)外都做了較多的研究,大部分是通過(guò)基于數(shù)字圖像的深度學(xué)習(xí)技術(shù),通過(guò)模型訓(xùn)練得到相應(yīng)的約束條件,然后判斷采集得到的圖片是否存在模型中的病害,如鄭丹陽(yáng)等人基于深度學(xué)習(xí)方法搭建HED網(wǎng)絡(luò)提取軌道扣件的深度邊緣特征,利用得到的特征圖與分類器最終實(shí)現(xiàn)扣件病害檢測(cè)[4];侯云等人引入代價(jià)敏感策略對(duì)卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn),依據(jù)模型錯(cuò)誤率調(diào)整樣本分配權(quán)重,最終提升扣件檢測(cè)速率[5]。針對(duì)扣件區(qū)域提取特征的檢測(cè)算法無(wú)法避免背景信息對(duì)特征穩(wěn)定性的影響,只能通過(guò)融合扣件的結(jié)構(gòu)特征進(jìn)行改善[6],無(wú)法得到更加詳細(xì)的三維高度信息,準(zhǔn)確度有所缺失,并且在此之前需要采集大量數(shù)據(jù)進(jìn)行訓(xùn)練,比較費(fèi)時(shí)費(fèi)力,而現(xiàn)在扣件使用的種類繁多,每種扣件都需要其專屬模型,適用性較弱。因環(huán)境因素等影響,基于二維圖像很難提取出形狀復(fù)雜的扣件,尤其是在扣件種類愈加繁多的情況下,但結(jié)合扣件輪廓和高度信息,三維圖像檢測(cè)算法能有效分離扣件與環(huán)境背景[7]。
本文通過(guò)自行搭建三維成像平臺(tái),通過(guò)提升裝置高度以擴(kuò)大其檢測(cè)范圍,之后使用亞像素精度中心提取法得到點(diǎn)云數(shù)據(jù),再使用OpenGL渲染點(diǎn)云數(shù)據(jù),以直觀顯示采集數(shù)據(jù),然后通過(guò)扣件實(shí)際高度設(shè)置閾值,使得到三維圖像,最后用聚類法分辨扣件病害。技術(shù)路線圖所圖1所示。
圖1 技術(shù)路線圖Fig.1 Technology Roadmap
在構(gòu)造上,采用垂直入射式構(gòu)造,如圖2所示,這樣可以節(jié)省更多空間以及簡(jiǎn)化計(jì)算,根據(jù)幾何三角關(guān)系,只要知道入射光線AB任意一點(diǎn)在相機(jī)成像平面上的成像位置與基準(zhǔn)像點(diǎn)F位置偏差,就可以推出該點(diǎn)與平面B點(diǎn)之間的高度差[8-9]。
(1)
其中,AB為被測(cè)物體的高度;BO為參考平面與相機(jī)鏡頭的距離;OF為像距,FD為成像高度;α為相機(jī)視線與激光線夾角;β為相機(jī)與成像底面所成夾角。
在硬件采集方面,采集小車通過(guò)車輪轉(zhuǎn)動(dòng)帶動(dòng)光電編碼器(DMI)轉(zhuǎn)動(dòng),向相機(jī)傳遞脈沖信號(hào),與相機(jī)采集結(jié)合,實(shí)現(xiàn)小車運(yùn)動(dòng)與相機(jī)采集同步運(yùn)行,如圖3所示;而在相機(jī)采集部分,整體構(gòu)造如圖4所示。通過(guò)亞像素中心線提取得到三維深度圖,再經(jīng)由OpenGL三維渲染接口渲染得到三維數(shù)據(jù),直觀顯示采集對(duì)象的高低起伏情況,可以清晰地觀察到扣件本身是否缺損以及表面是否存在異物等,對(duì)于鐵軌的檢修等具有重要意義。
圖4 三維采集箱Fig.4 3D acquisition box
激光條紋提取主要步驟為激光條紋濾波以及激光條紋中心提取法。在理想情況下,激光條紋的亮度呈高斯分布[10],但是由于外界光照因素的影響以及不同材料的反光程度的不同,對(duì)激光條紋光強(qiáng)存在干擾,難以獲取理論情況下的激光條紋,因此需要對(duì)圖片進(jìn)行濾波處理;其次需要對(duì)激光中心條紋細(xì)化提取,將精度提升至亞像素精度。
使用中值濾波或者高斯濾波都可以在一定程度上減少噪聲干擾,但是這些濾波方式都會(huì)使激光中心線失去詳細(xì)信息,在亞像素提取方法下這種影響很明顯。但是可以使用OpenCV中的雙邊濾波函數(shù)可以在消除噪聲干擾的同時(shí)保留激光中心線強(qiáng)度信息,而采用的核為3×3,空間域參數(shù)與像素域參數(shù)均為10的雙邊濾波器效果最好。圖5為激光線水泥塊上的顯示效果以及不同濾波方式對(duì)激光線條紋的影響。
圖5 激光條紋原圖及處理圖像Fig.5 Laser fringe pattern and image processing
由于激光光條存在寬度,只有將激光線條紋細(xì)化并提取中心線后才可以詳細(xì)得到采集對(duì)象的更加精確的高度信息。而由于反射噪聲的存在,以及激光線中心部位飽和,激光條紋中心類似于高斯分布,故使用高斯擬合法對(duì)所提取的條紋中心的準(zhǔn)確性有一定影響,而采用灰度提取法對(duì)于本文寬度較大的ROI區(qū)域而言,其準(zhǔn)確性會(huì)大打折扣[11-13]。本文通過(guò)結(jié)合高斯擬合法、灰度重心法以及激光條紋中心的飽和值,通過(guò)改變其影響參數(shù),提出改進(jìn)的中心線提取法:
(2)
其中,Iy為提取的中心線坐標(biāo);I(x,y)為初始激光條紋中心灰度值;ya為初始條紋中心坐標(biāo);a為影響參數(shù),隨著飽和值的改變而改變;i為激光條紋寬度的一半。
(3)
故除了使用R2表示各個(gè)采集精度外,還使用標(biāo)準(zhǔn)差σ來(lái)表示各個(gè)激光中心提取法的精度。由于極值法精度只到像素精度,使用R2看不出有何不同,但是使用標(biāo)準(zhǔn)差會(huì)使數(shù)據(jù)增大,進(jìn)而看不出本文方法與灰度重心法的區(qū)別之處,故未展示極值法標(biāo)準(zhǔn)差。
將三種方法的條紋提取結(jié)果進(jìn)行直線擬合,結(jié)果見表1與圖6。
表1 中心擬合直線Tab.1 Center fitting line
圖6 中心提取法兩組數(shù)據(jù)標(biāo)準(zhǔn)差對(duì)比圖Fig.6 Comparison of standard deviation of two groups of data by center extraction method
通過(guò)DMI(光電編碼器)將采集小車運(yùn)動(dòng)與相機(jī)采集同步,可以得到一張完整的三維激光掃描點(diǎn)云數(shù)據(jù),再經(jīng)過(guò)OpenGL進(jìn)行渲染,最終點(diǎn)云數(shù)據(jù)的三維渲染圖,如圖7所示。
圖7 點(diǎn)云渲染圖Fig.7 Point cloud rendering
由于瀝青試塊表面紋理較復(fù)雜,越精準(zhǔn)的中心提取法就可以越精確的提取瀝青試塊表面紋理,可以通過(guò)三種方法對(duì)瀝青試塊表面紋理的提取效果以直觀地顯示三種方法的優(yōu)劣情況。圖8顯示的是使用極值法采集數(shù)據(jù)經(jīng)渲染后的三維圖像,圖9顯示的是使用灰度重心法采集數(shù)據(jù)渲染后的三維圖像,圖10是使用本文方法采集數(shù)據(jù)后渲染得到的三維圖像。
圖8 極值法Fig.8 Extreme value method
圖9 灰度重心法Fig.9 Gray centroid method
圖10 本文改進(jìn)方法Fig.10 This paper improves the method
從采集結(jié)果中可以直觀看出本文的改進(jìn)方法在對(duì)瀝青紋理的采集精度上、對(duì)采集對(duì)象表面細(xì)節(jié)方面比極值法與傳統(tǒng)的灰度重心法兩種方法要好上很多,并且采集速度方面完全可以與小車同步。
鐵路扣件是維系鐵路運(yùn)輸安全的重要部件,扣件缺失斷裂,會(huì)使軌道松動(dòng),很有可能造成列車脫軌等重大事故。因此,鐵路設(shè)施的檢測(cè)與養(yǎng)護(hù)異常重要,而目前我國(guó)主要依靠人工沿線排查,而人工檢測(cè)準(zhǔn)確度低、容易漏檢并且速度慢[18-19];尤其在我國(guó)鐵路規(guī)模逐漸增長(zhǎng)的情況下,扣件的自動(dòng)化探測(cè)是發(fā)展鐵路事業(yè)必須要面對(duì)的問(wèn)題[20]。本文通過(guò)提出一種新的結(jié)構(gòu)光中心線提取法,得到鐵路扣件的深度信息,根據(jù)扣件在不同高度占有的像素?cái)?shù),不僅可以快速定位扣件位置,還可以準(zhǔn)確地確定扣件缺失情況以及扣件上存在的異物情況,使用本文方法識(shí)別扣件病害效果如圖11所示。
圖11 三維點(diǎn)云渲染圖扣件識(shí)別Fig.11 Fastener recognition of 3D point cloud rendering
聚類是數(shù)據(jù)挖掘[21]的一個(gè)重要手段,K均值聚類算法是一種廣泛運(yùn)用的聚類算法,該算法操作及原理簡(jiǎn)單、快速[22],其基本原理如下:
已知一個(gè)數(shù)據(jù)集含有的數(shù)據(jù)對(duì)象數(shù)量為n,將其分為固定K個(gè)類別,并令初始聚類中心為任意選取的K個(gè)數(shù)據(jù)對(duì)象,按照相似度[23]最近原則,將其他數(shù)據(jù)分別分至與之相似度最高的聚類中,并按照當(dāng)前聚類結(jié)果,采用已有聚類質(zhì)心完成界定,新的聚類中心即為得到的K個(gè)質(zhì)心,再重新聚類數(shù)據(jù)集,持續(xù)迭代處理直至滿足預(yù)期要求。其標(biāo)準(zhǔn)為界定的準(zhǔn)則函數(shù)與已知數(shù)值相近或逐漸收斂。采用下列公式界定誤差平方和準(zhǔn)則函數(shù):
(4)
式中,全部樣本誤差平方和為Je;空間數(shù)據(jù)對(duì)象為p;簇均值為ui。
由于現(xiàn)在鐵路扣件種類較多,不可能一一實(shí)驗(yàn),所以在扣件選擇放慢選擇了應(yīng)用最廣泛的“W”型扣件,與鐵軌一起按實(shí)際情況擺放在室內(nèi)進(jìn)行采集。采集系統(tǒng)在采集軌道扣件三維圖像的時(shí)候,首先需要對(duì)扣件進(jìn)行定位,現(xiàn)根據(jù)采集得到的三維深度圖提出一種根據(jù)深度值定位方法。如圖10所示,軌道與扣件的高度信息經(jīng)過(guò)OpenGL渲染后可以直觀的顯示出來(lái)。通過(guò)設(shè)置合適的閾值,就可以提取相應(yīng)高度的扣件位置,再統(tǒng)計(jì)該部位扣件占據(jù)的像素?cái)?shù)量,便可以分辨該處扣件病害。如圖12所示,扣件表面高于鋼軌底部和承軌臺(tái)。據(jù)此利用閾值分割法可將扣件深度圖像中的扣件部分提取出來(lái),即:
圖12 實(shí)驗(yàn)室軌道采集橫剖線Fig.12 Laboratory track acquisition cross section line
(5)
其中,I(x,y)表示是點(diǎn)(x,y)的高度值;V1表示閾值下限;V2表示閾值上限。
由橫剖線可確定扣件閾值為30~80,低于此閾值的認(rèn)為是路面、枕木,高于此閾值的認(rèn)為是鐵軌。為了詳細(xì)檢測(cè)某一個(gè)扣件是否存在缺失、異物等病害,將整幅深度圖按照四個(gè)扣件的分布分為左上、右上、左下以及右下部分。若是扣件出現(xiàn)扣件缺失,則其扣件在其閾值內(nèi)所占像素?cái)?shù)會(huì)明顯少于正常情況下所占像素?cái)?shù);同理,若是扣件出現(xiàn)扣件上異物病害,則在其閾值內(nèi)所占像素?cái)?shù)會(huì)明顯多余正常情況下所占像素?cái)?shù)。根據(jù)以上描述,本文分別對(duì)缺失、正常、異物三種情況采集了三組圖片,以判斷本文提出方法的準(zhǔn)確性與快速性。
在實(shí)驗(yàn)室條件下,通過(guò)人為拆除一些扣件或者抽開彈條,在扣件上放置異物等以模擬扣件缺失和扣件異物,分別統(tǒng)計(jì)正常情況下、扣件缺失情況下以及存在異物情況下的閾值內(nèi)所占像素?cái)?shù),如圖13所示。
圖13 三維信息中不同扣件病害情況Fig.13 Diseases of different fasteners in 3D information
從數(shù)據(jù)中可以看出當(dāng)扣件斷裂缺失時(shí),占據(jù)像素?cái)?shù)明顯少于正??奂?扣件上存在異物時(shí),其占據(jù)像素?cái)?shù)明顯多于正常扣件,所以完全可以根據(jù)閾值內(nèi)占據(jù)像素?cái)?shù)來(lái)判斷扣件病害情況。
通過(guò)測(cè)試,可根據(jù)下列公式計(jì)算出實(shí)際異物或扣件缺失面積:
T=(T測(cè)-T完整)×a
(5)
其中,T指的是實(shí)際測(cè)得的異物或者缺失物體表面橫截面積,若為正,則表示存在異物;若為負(fù),則表示存在扣件缺失;T測(cè)表示測(cè)量得到的扣件所占像素?cái)?shù),可能存在缺失或者異物;T完整表示測(cè)得的完整扣件所占像素?cái)?shù),不同扣件有不同取值;其中a為像素與實(shí)際面積之比,在本文測(cè)量系統(tǒng)下,比值取0.803。
之后采集100張圖片,里面包含有100個(gè)殘缺扣件,200個(gè)正??奂?100個(gè)扣件異物,即將數(shù)據(jù)分為3個(gè)類別,且很容易得到3個(gè)簇的中心值,之后對(duì)采集數(shù)據(jù)通過(guò)聚類法進(jìn)行判別,結(jié)果如表2所示。
表2 扣件病害判別結(jié)果Tab.2 Fastener disease discrimination results
由數(shù)據(jù)可以看出,通過(guò)該方法可以對(duì)本文中的殘缺扣件有100 %的識(shí)別度,對(duì)扣件異物也有98 %的識(shí)別率,能夠準(zhǔn)確的識(shí)別扣件異物與扣件缺失病害。
由于鐵路扣件彈條與擋板座在實(shí)際鐵路上是在固定位置固定軌枕,故當(dāng)測(cè)量小車沿著鐵軌線路檢測(cè)時(shí),軌道扣件與軌枕均在圖片固定位置上,在這種情況下,可以確保檢測(cè)的扣件位置始終保持在圖片左右位置不改變,在圖片的上下不同位置出現(xiàn)扣件時(shí),經(jīng)檢測(cè),仍能準(zhǔn)確識(shí)別出扣件缺失以及異物病害,檢測(cè)結(jié)果如圖14所示。
圖14 扣件病害檢測(cè)結(jié)果Fig.14 Testing results of defective fasteners
本文中測(cè)試時(shí)使用的是現(xiàn)在鐵路使用最廣的彈條Ⅰ型扣件,如圖15所示,這種扣件主要是利用壓力固定軌枕,其他扣件只要是相同原理下,理論上均可以檢測(cè)出缺失以及異物等病害。
圖15 完整扣件與缺損扣件對(duì)比Fig.15 Comparison between complete fastener and defective fastener
由圖13可以看出不同病害的扣件得到的測(cè)量值是不同的,由于缺失扣件是占完整扣件的3/4;由于固定螺絲本身會(huì)遮蔽一部分的扣件影像,故檢測(cè)時(shí)會(huì)將固定扣件的螺絲一并檢測(cè),故圖中的比例不為理論上的3/4,之后根據(jù)實(shí)際關(guān)系可測(cè)得螺絲占據(jù)的像素?cái)?shù)為3453.9;最后,只需由測(cè)量結(jié)果減去螺絲所占像素?cái)?shù)就可以得到單純扣件所占的像素?cái)?shù)。
圖16分別是缺失1/2以及1/4的扣件測(cè)量圖,以及不同異物大小的測(cè)量圖像,異物選擇的是標(biāo)準(zhǔn)金屬塊,分別使用是橫截面為51 mm×51 mm以及51 mm×12.8 mm橫街面的金屬塊。測(cè)量效果如圖16所示。
圖16 不同嚴(yán)重程度下的扣件病害Fig.16 Fastener diseases under different severity
三維激光成像技術(shù)的關(guān)鍵就是激光條紋中心提取法。本文通過(guò)分析圖像灰度值分布,提出一種改進(jìn)的灰度權(quán)重模型方法提取激光條紋中心線,使其精度達(dá)到亞像素精度。首先,通過(guò)雙邊濾波去除外界噪聲影響,獲取初始的激光條紋區(qū)域;其次,通過(guò)選取有效的圖像ROI區(qū)域,以去除采集圖片的內(nèi)部影響,得到一條可用于快速提取的激光條紋區(qū)域;最后,結(jié)合灰度重心法和高斯擬合法,引入影響參數(shù),提出改進(jìn)的灰度權(quán)重模型,具有很好的穩(wěn)定性與魯棒性。具體通過(guò)采集同一塊瀝青試塊,對(duì)比不同中心線提取法,本文方法不僅精度比灰度重心法等方法要高,而且處理速度與灰度重心法相比也毫不遜色;在軌道扣件采集方面,本文方法可以精確的采集到扣件,扣件是否損壞、缺失以及異物等信息均可采集。這些信息對(duì)于后期扣件檢測(cè)、維護(hù)等都具有重要意義。另外,雖然在實(shí)驗(yàn)室內(nèi)測(cè)試情況正確率較高,但是還有很多情況沒有考慮,如測(cè)量小車本身的顛簸會(huì)導(dǎo)致數(shù)據(jù)誤差、扣件潮濕時(shí)難以檢測(cè)等情況。