一種基于圖像自動(dòng)識(shí)別的列車碳滑板磨耗檢測(cè)方法

一種基于圖像自動(dòng)識(shí)別的列車碳滑板磨耗檢測(cè)方法摘要：受電弓是動(dòng)車組傳遞并獲取動(dòng)力來(lái)源的關(guān)鍵部件，其工作狀態(tài)直接影響動(dòng)車組的安全運(yùn)行。碳滑板作為受電弓的核心部件，隨著列車不斷地運(yùn)行，也會(huì)產(chǎn)生巨大的磨耗，從而影響行車安全。本文提出了一種基于圖像自動(dòng)識(shí)別的列車碳滑板磨耗檢測(cè)方法，可以有效地檢測(cè)碳滑板的磨耗，對(duì)受電弓的檢修具有重要的指導(dǎo)意義。關(guān)鍵詞：動(dòng)車組；受電弓；碳滑板；圖像識(shí)別中圖法分類號(hào)：TE973文獻(xiàn)標(biāo)志碼：A0前言受電弓是動(dòng)車組取流受流的關(guān)鍵部件，也是整車的動(dòng)力來(lái)源，其工作狀態(tài)直接影響列車運(yùn)行的安全性和可靠性。碳滑板作為受電弓的核心部件，其磨耗程度也會(huì)隨車車輛運(yùn)行而加大，磨耗達(dá)到一定程度必須更換碳滑板，避免因碳滑板折斷等故障引發(fā)巨大的列車運(yùn)行安全事故。以現(xiàn)有條件下檢測(cè)受電弓碳滑板磨耗作業(yè)為例，需在列車入庫(kù)、無(wú)電環(huán)境下，由作業(yè)人員攜帶測(cè)量設(shè)備登頂測(cè)量碳滑板磨耗，并需紙質(zhì)記錄，作業(yè)時(shí)間至少為半小時(shí)以上，耗時(shí)耗力，人工成本較高。針對(duì)上述問(wèn)題，本文介紹了一種基于圖像自動(dòng)識(shí)別的列車碳滑板磨耗檢測(cè)方法，用于幫助作業(yè)人員快速測(cè)量碳滑板磨耗，減少作業(yè)時(shí)間，降低人工成本。1受電弓視頻監(jiān)控系統(tǒng)簡(jiǎn)介動(dòng)車組受電弓視頻監(jiān)控系統(tǒng)由受電弓視頻監(jiān)控服務(wù)器、受電弓攝像機(jī)、受電弓監(jiān)控屏和相應(yīng)連接電纜組成。若想實(shí)現(xiàn)受電弓碳滑板磨耗的自動(dòng)識(shí)別檢測(cè)，需要在原有視頻監(jiān)控系統(tǒng)的基礎(chǔ)上增加智能分析主機(jī)。目前，智能分析主機(jī)暫無(wú)大規(guī)模批量集成在受電弓視頻監(jiān)控系統(tǒng)中，但是當(dāng)前動(dòng)車組在電氣柜中預(yù)留了智能分析主機(jī)的位置，受電弓視頻監(jiān)控系統(tǒng)中的各部件也預(yù)留了智能分析主機(jī)的接口，為實(shí)現(xiàn)受電弓碳滑板的磨耗檢測(cè)打通了硬件通道。2碳滑板磨耗圖像檢測(cè)方案列車運(yùn)行狀態(tài)下難以捕捉受電弓區(qū)域高銳度清晰圖像，不足以支撐圖像特征提取，且升弓狀態(tài)下拍攝角度不佳，碳滑板部分區(qū)域成像被遮擋，影響測(cè)量準(zhǔn)確性。停車狀態(tài)下降弓檢測(cè)可以較好兼顧現(xiàn)有采集設(shè)備和圖像自動(dòng)識(shí)別技術(shù)要求，可以提供穩(wěn)定可靠的識(shí)別測(cè)量結(jié)果。受電弓視頻監(jiān)控系統(tǒng)在現(xiàn)車配置的基礎(chǔ)上增加智能分析主機(jī)，受電弓視頻監(jiān)控服務(wù)器將實(shí)時(shí)畫(huà)面通過(guò)百兆網(wǎng)絡(luò)傳輸至機(jī)械師室監(jiān)控屏和智能分析主機(jī)，監(jiān)控屏顯示實(shí)時(shí)畫(huà)面，智能分析主機(jī)對(duì)實(shí)時(shí)畫(huà)面進(jìn)行智能分析，將報(bào)警信息傳輸至監(jiān)控屏顯示，并在降弓狀態(tài)下速度為0時(shí)，計(jì)算碳滑板磨耗。3識(shí)別技術(shù)原理求解相機(jī)的內(nèi)外參數(shù)并進(jìn)行標(biāo)定（如棋盤格標(biāo)定），根據(jù)既有的2D坐標(biāo)（圖像坐標(biāo)，即相機(jī)輸出的深度圖（.data））和3D坐標(biāo)（世界系坐標(biāo)，即相機(jī)輸出點(diǎn)云數(shù)據(jù)），假設(shè)相機(jī)坐標(biāo)系和世界坐標(biāo)系重合，相機(jī)輸出的3D數(shù)據(jù)也符合相機(jī)坐標(biāo)系，則相機(jī)投影方程可以寫(xiě)為：（1）由于假設(shè)世界坐標(biāo)系和相機(jī)坐標(biāo)系重合，所以，為物體到相機(jī)平面的距離。根據(jù)深度圖得出（）,根據(jù)點(diǎn)云數(shù)據(jù)得出，且和是一一對(duì)應(yīng)的。使用奇異值分解算出投影矩陣。是一個(gè)3*4的矩陣，使用RQ分解轉(zhuǎn)換為內(nèi)參矩陣，旋轉(zhuǎn)矩陣和平移矩陣。其中，,表示以和像素尺寸表示得焦距，和是主要點(diǎn)，是偏斜參數(shù)。受電弓磨耗值的計(jì)算公式為（式-1）其中，表示圖像中的像素值距離，表示當(dāng)前像素的深度值，表示計(jì)算出受電弓上下邊緣的真實(shí)距離。4碳滑板磨耗檢測(cè)步驟第一步：收集大量列車靜止且受電弓降弓狀態(tài)的圖像數(shù)據(jù)，對(duì)受電弓輪廓進(jìn)行人工標(biāo)注描繪出滑板區(qū)域精確的邊緣信息，如圖1所示。圖1圖像人工標(biāo)動(dòng)Fig.1Imagemanualcalibration第二步：模型訓(xùn)練。對(duì)于受電弓磨耗的測(cè)量，采用了一種深度神經(jīng)網(wǎng)絡(luò)，其算法框圖如圖-2所示。然后使用深度神經(jīng)網(wǎng)絡(luò)對(duì)大量標(biāo)注的數(shù)據(jù)進(jìn)行訓(xùn)練，得到受電弓碳滑板區(qū)域的分割模型。圖2模型訓(xùn)練Fig.2Modeltraining第三步：推理測(cè)試并計(jì)算磨耗值。在檢測(cè)新圖時(shí)，首先使用深度模型進(jìn)行推理，得到滑板區(qū)域分割結(jié)果標(biāo)記圖像，該圖像為根據(jù)模型參數(shù)自動(dòng)計(jì)算的結(jié)果，不需要人工干預(yù)，模型的輸出結(jié)果圖如圖-3所示。由于模型分割結(jié)果可能存在局部錯(cuò)誤，利用受電弓幾何特征進(jìn)行后處理，其中下方邊緣必須為直線，使用直線進(jìn)行擬合，上方邊緣使用光滑曲線進(jìn)行擬合，并控制斜率在較低范圍，擬合上下邊緣的結(jié)果如圖-7所示。圖3檢測(cè)流程Fig.3Detectionprocess第四步：得到擬合結(jié)果后，計(jì)算上下曲線最小距離和位置，獲得圖像測(cè)量值。以圖-8為例，假設(shè)上下邊緣相差180個(gè)像素，當(dāng)前圖片的深度值為500，為2.2343490031687302e+03，那么根據(jù)式-1，受電弓上下邊緣的真實(shí)距離為(mm)最后便得到了受電弓的磨耗值。5裝車驗(yàn)證結(jié)論選取一輛復(fù)興號(hào)動(dòng)車組進(jìn)行算法驗(yàn)證，驗(yàn)證時(shí)間為2019年12月至2020年3月，每次由算法先進(jìn)性碳滑板磨耗程度的檢測(cè)，然后人工上車測(cè)量碳滑板的實(shí)際磨耗并進(jìn)行對(duì)比，形成算法檢測(cè)結(jié)論，具體如下。圖4算法檢測(cè)和人工檢測(cè)對(duì)比結(jié)果圖Fig.4Comparisonresultsofabrasionalgorithmdetectionandmanualdetection圖5檢測(cè)結(jié)果的絕對(duì)偏差Fig.5Absolutedeviationoftestresults圖6檢測(cè)結(jié)果的誤差百分比Fig.6Percentageoferrorintestresults通過(guò)統(tǒng)計(jì)該時(shí)間段的數(shù)據(jù)與人工實(shí)測(cè)數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)算法的實(shí)際誤差在2%-3%之間，誤差較小，該圖像自動(dòng)識(shí)別算法在對(duì)碳滑板磨耗的檢測(cè)是可行的。6總結(jié)本文介紹了一種基于圖像自動(dòng)識(shí)別的列車碳滑板磨耗檢測(cè)方法，通過(guò)圖像算法，可在靜態(tài)降弓環(huán)境下根據(jù)程序預(yù)設(shè)的測(cè)試點(diǎn)瞬時(shí)測(cè)量碳滑板的磨耗，記錄成文本文件和測(cè)量圖片，并可作數(shù)據(jù)二次開(kāi)發(fā)，建立時(shí)間與碳滑板磨耗的函數(shù)關(guān)系，擬合出碳滑板磨耗的數(shù)學(xué)模型，預(yù)測(cè)碳滑板磨耗的壽命。對(duì)受電弓碳滑板檢修提供了巨大的指導(dǎo)意義。參考文獻(xiàn)[1]馬文龍.動(dòng)車組受電弓視頻監(jiān)控系統(tǒng)智能識(shí)別技術(shù)研究[J].科技創(chuàng)新導(dǎo)報(bào)，2019，(18)：43-44.[2]李亮亮.高速列車受電弓視頻監(jiān)控智能分析算法的應(yīng)用[J].鐵道車輛,2002,59(7):31