基于信息融合技术列车轮对踏面损伤在线检测与识别方法

摘要

一种基于信息融合技术列车轮对踏面损伤在线检测与识别方法，其步骤为：(1)图像获取；(2)图像预处理；(3)损伤初步检测；(4)损伤精确定位：近红外图像处理结果与灰度图像处理结果进行数据融合，对踏面损伤标记和定位，经过形态学处理获得损伤的纹理和面积，对踏面裂纹进行形态学处理获得裂纹的长度；(5)损伤的判定：提取和选择踏面损伤区域的特征，设计并训练一个BP神经网络，并使用BP神经网络对缺陷进行分类，通过终端处理单元记录列车轮对踏面损伤信息，能为车轮、机车及线路的运行情况分析提供参考。本发明具有检测全面、自动化程度高、检测速度快、检测精度高等优点。

说明书

技术领域

本发明属于光学测量技术领域，特别涉及一种列车轮对踏面损伤在线检测和识别方法。

背景技术

车轮是列车重要的走形部件，对列车的安全运行起着关键性的作用。而列车车轮的运行 环境极其恶劣，除了与钢轨、道岔的撞击和摩擦外，还会遭受到雨水、油污、腐蚀剂等的侵 蚀，这样车轮在运行一段时间后经常会产生一定程度的损伤和缺失，尤其是列车在紧急制动 时，由于摩擦产生的高温会使车轮踏面出现擦伤、剥离、裂损及掉块等现象，这些统称为踏 面损伤，列车踏面损伤是列车轮对在线检测中最难测量的一个参数。常见的车轮踏面损伤包 括踏面擦伤、踏面剥离、踏面碾堆、失圆(局部凹陷)等。由于列车在行驶过程中，轮对踏 面与钢轨接触，因此轮对踏面损伤部位很难定位，同时列车在运行时钢轨的振动给测量带来 很大误差。

目前国内踏面损伤的检测多采用静态的检测方法：当列车入库后采用眼看、锤敲、听声 的方法进行人工排查，由于人为因素、故障所在部位、环境条件等的影响难以及时发现车轮 踏面故障。有科研人员提出一种轮对踏面缺陷在线检测与识别系统，它利用机器视觉或光电 传感器的方法，将检测系统固定安装在列车行驶的钢轨上，当列车进入测量区域时，由视觉 系统代替人眼动态检测缺陷并作出判断，并对缺陷进行分类。这些方法一方面可以大大节省 车轮维护的经济成本和人力成本，另一方面还可以同时保证检测的可靠性和重复性。这方面 的技术方案包括：中国发明专利申请“一种基于图像拍照形式的车轮踏面缺陷识别”(专利申 请号：201210475411.7)提出的利用图像拍照形式车轮踏面缺陷擦伤和剥离检测方法；中国 发明专利申请“机车轮对全周踏面表面缺陷在线动态检测装置”(专利申请号： 201010575920.8)提出的利用红色LED光源和线阵CCD采集图像车轮踏面缺陷擦伤和剥离检 测方法。本专利申请人也曾在中国发明专利申请“车轮踏面缺陷非接触式动态检测装置及其 检测方法”(专利申请号：201110361994.6)中提出一种利用激光位移传感器和CCD摄像技术 踏面擦伤和剥离检测方法。

但是，目前检测方案主要针对轮对踏面的擦伤和剥离，而对于轮对踏面碾堆、失圆及擦 伤和剥离混合等情况的在线检测技术和系统报道甚少；同时与一般情况下目标检测和识别方 式不同，由于轮对踏面损伤在线检测的高速度、高精度的要求，使得高速列车轮对踏面损伤 检测和识别方法面临着以下主要问题：

(1)图像干扰因素多。在高速情况下，检测装置和系统可能随着列车的振动产生移动或小角 度的旋转，并且现场环境、光照变化和天气等因素可能对图像引入噪声、模糊带和阴影区域， 使得一般的检测方法和技术容易受到干扰。

(2)车轮踏面损伤包括踏面擦伤、踏面剥离、踏面碾堆、失圆(局部凹陷)等，而车轮踏面 损伤形成前踏面会有裂纹出现，同时踏面经常会受到油污、灰尘等因素的干扰，这些参数的 纹理特征不尽相同，因此单一的检测装置和方法不能有效地识别。

(3)检测速度和精度要求。由于列车轮对踏面损伤在线检测与识别方法的速度要求，一般的 目标检测和识别方法不能同时满足在线高速度和高精度的要求。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理 简单、自动化程度高、检测速度快、检测精度高、多参数检测的列车轮对踏面损伤在线检测 与识别方法。

为解决上述技术问题，本发明采用以下技术方案：

一种基于多视觉列车轮对踏面损伤在线检测与识别方法，其步骤为：

(1)图像获取：利用黑白相机获取轮对踏面灰度图像，利用近红外线激光器和近红外相机获 取轮对踏面线图像并将线图像拼接成一幅全景图像；

(2)图像预处理：包括对图像进行噪声干扰去除，图像二值化及图像分块；

(3)损伤初步检测：对近红外图像进行形态学处理，剔除伪损伤，标记损伤位置，获得损伤 深度及失圆；

(4)损伤精确定位：近红外图像处理结果与灰度图像处理结果进行数据融合，对踏面损伤标 记和定位，经过形态学处理获得损伤的纹理和面积，对踏面裂纹进行形态学处理获得裂纹的 长度；

(5)损伤的判定：提取和选择踏面裂纹、碾堆、擦伤和剥离区域的特征，设计并训练一个 BP神经网络，并使用BP神经网络对缺陷进行分类，通过终端处理单元记录列车轮对踏面擦 伤、剥离、失圆、碾堆、裂纹等损伤信息，不仅有利于技术人员在列车停靠时对车轮进行有 针对性的复检，还能为车轮、机车及线路的运行情况分析提供参考。

与现有技术相比，本发明的优点在于：

(1)本发明的检测和识别速度快，保证了列车轮对踏面损伤在线检测的速度要求。本发明不 同于一般的检测方法，直接对整幅图像进行处理，而是采用分块提取车轮踏面区域的算法， 从而达到去除非车轮踏面区域对检测结果的影响和节约算法时间的目的。

(2)本发明的检测精度高。车轮踏面损伤的形态复杂，不同类型的缺陷灰度特征不一样，同 时经常存在缺陷混合的现象，而且踏面表面经常受到油污、灰尘等伪缺陷，因此不同于一般 的单一、同类型的目标检测和识别，因此如何有效地将图像上所有缺陷同时检测出来，是一 个难点。本发明巧妙地将近红外图像检测结果和黑白图像检测结果组合起来，从而很好地同 时检测出车轮踏面多种损伤并剔除伪缺陷，解决了这个问题。

(3)本发明采用了信息融合中的表决算法从而进一步保证检测结果的准确性，利用了近红外 图像和黑白图像的各自特点及互补性，通过“或”和“与”处理，根据车轮踏面损伤的特点， 综合评判检测结果，可以实现车轮踏面损伤的全面评估。

附图说明

图1为列车轮对踏面损伤在线检测与识别装置的结构示意图。

图2为实施例中列车轮对踏面损伤在线检测与识别装置的原理图。

图3为本发明的总体流程示意图。

图4为实施例中列车轮对踏面损伤在线检测与识别装置现场安装示意图。

图5为实施例列车轮对踏面损伤在线检测与识别装置近红外图像采集示意图。

图6为实施例中黑白单元图像处理的流程图。

图7为实施例中近红外单元图像处理的流程图。

图8为实施例中信息融合轮对踏面损伤识别算法流程图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。

如图1和图2所示，本发明包括终端处理单元3，还包括设置在钢轨一侧的定位传感器1， 定位传感器1与终端处理单元3相连，终端处理单元3与设置在钢轨两侧的近红外摄像单元 2和黑白摄像单元4相连，近红外摄像单元2由近红外相机22和近红外线激光器21组成。 列车行走的时候钢轨都是成对设置的，所述钢轨一侧设置定位传感器1是指成对设置的钢轨 中，其中一条钢轨的一个侧面设有定位传感器1，所述钢轨两侧设置近红外摄像单元2和黑 白摄像单元4是指两条钢轨20的外侧面均设有近红外摄像单元2，内侧面均设有黑白摄像单 元4，对于其中任一条钢轨，近红外摄像单元2和黑白摄像单元4位于钢轨20的一侧。

所述定位传感器1是两个电涡流传感器或两个光电开关，所述近红外摄像单元2是指近 红外相机22和近红外线激光器21。通过定位传感器1检测列车的行驶速度，通过近红外摄 像单元2和黑白摄像单元4拍摄轮对踏面损伤的图像，将数据传输到终端处理单元3。

如图3所示，本发明的基于信息融合技术列车轮对踏面损伤在线检测与识别方法，其流 程为：

1.开始检测：当车轮19进入检测工作区域，定位传感器1输出信号到终端处理单元3，由 终端处理单元3提供触发信号，启动近红外摄像单元2和黑白摄像单元4开始工作采集车 轮19踏面图像。

2.图像获取：近红外摄像单元2获取车轮踏面线图像，黑白摄像单元4获取车轮踏面圆周灰 度图像。

3.图像预处理：由于检测现场自然光、环境光等因素的干扰，会给采集到的图像引入噪声， 本发明采用一种基于模板操作的中值滤波算法滤除图像中的噪声。采用基于模板操作的中 值滤波方法去除步骤2所采集图像中噪声的干扰。

4.形态学处理：黑白摄像单元4拍摄图像传送到终端处理单元3，经图像处理及纹理分析判 断踏面损伤中的裂纹及缺陷面积大小。近红外摄像单元2拍摄图像经光条细化算法处理， 将N帧线图像拼接成一幅踏面圆周全景图像，基于小波和最佳阈值分割相结合算法提取损 伤目标区域，根据纹理特征剔除灰尘、油污等伪缺陷，与无损伤踏面圆周图像或运算，计 算获得缺陷的大小。

5.踏面损伤分类：将近红外摄像单元2拍摄图像处理结果与黑白摄像单元4拍摄图像处理结 果进行信息融合，根据图像特征识别算法，区分裂纹等线状特征、剥离和擦伤等面状特征， 对踏面损伤进行分类。

6.终端处理单元3根据分类情况传输信号到定位报警装置5，定位报警装置记录有损伤的车 轮，并发出报警信号。

钢轨20两侧的近红外摄像单元2和黑白摄像单元4，分别记录两边车轮19的踏面损伤。 定位传感器1、近红外摄像单元2和黑白摄像单元4可以粘结在钢轨20上，也可以通过卡块 固定在钢轨外侧。

受近红外摄像单元2和黑白摄像单元4工作范围的限制，本实施例中相邻两个摄像系统 的距离是车轮周长的1/4，每个摄像系统有近红外摄像单元2和黑白摄像单元4组成，分别 安装在钢轨20的两侧。如图4所示，把车轮19的圆周均分为3部分，分别为AB、BC和CA。 如选择近红外摄像单元2和黑白摄像单元4的拍摄范围较宽的情况下，可以将摄像系统之间 的距离设为车轮圆周的1/3或1/2或者等于整个周长的距离，以满足摄像系统能够完整的拍 摄车轮踏面圆周为准。

如图4和图5所示，当车轮19驶过的时候，近红外摄像单元2中的近红外线激光器斜射 在车轮19踏面上形成踏面轮廓线，随着车轮19的移动，近红外线激光器斜射在车轮19踏面 上的轮廓线在踏面上形成一系列扫描线直至车轮19驶过，近红外相机记录线激光器在车轮 19踏面上形成的一系列轮廓线并传输到终端处理单元3，经算法处理拼接出一幅轮对19踏面 全景图。黑白摄像单元记录下车轮19踏面图像并传输到终端处理单元3。

如图6所示，黑白摄像单元4拍摄车轮19踏面图像处理流程为：

拍摄的灰度图像传输到终端处理单元3后，首先对图像进行分块。由于车轮19踏面与外 侧部分会形成高光反射，获取的图像两侧与中间部分形成较大的灰度差，因此使用图像分块 的算法将踏面区域与外侧区域分开，分别使用不同的阈值进行二值化处理。然后进行形态学 处理提取目标区域，根据纹理特征及线状特征识别出裂纹、擦伤、碾堆等踏面损伤。

如图7所示，近红外摄像单元2拍摄车轮19踏面图像处理流程为：

对近红外相机拍摄图像进行二值化处理，然后采用细化算法提取轮廓线中心线，将处理 后的N幅图像拼接成一幅轮对踏面全景图像。与标准无损伤图像对比查找损伤的位置，检测 出轮对19踏面失圆程度，对损伤区域进行形态学处理，根据纹理特征剔除伪缺陷。统计图像 列方向两像素间最大差值，计算得到损伤的最大深度max(Δh)，当max(Δh)超过0.2mm时， 判定为踏面损伤。

如图8所示，信息融合轮对踏面损伤识别算法流程为：

将近红外摄像单元2和黑白摄像单元4处理结果通过表决法进行信息融合。将近红外摄 像单元检测结果中的“有”损伤区域与黑白摄像单元处理结果(无论是否有损伤)做“或” 运算；再将近红外摄像单元检测结果中的“无”损伤区域与黑白摄像单元处理结果(无论是 否有损伤)做“与”运算，两次融合结果分别进行形态学处理，提取踏面损伤特征，设计并 训练一个BP神经网络，并使用BP神经网络对缺陷进行分类，对车轮19踏面上的裂纹、失圆、 碾堆、擦伤和剥离损伤区域进行定位识别，并计算得到相关的磨损值。终端处理单元3根据 分类情况及各自磨损值传输信号到定位报警装置5，定位报警装置记录有损伤的车轮，并发 出报警信号。