基于机器视觉的铁路闸瓦状态监测研究

苗旺龙，贾 刚，李木存，赖远桥

(1.国能铁路装备有限责任公司陕西分公司，陕西 榆林 719316)(2.深圳市远望谷信息技术股份有限公司，广东 深圳 518052)

铁路运输是目前我国重要的交通运输方式之一，其安全性一直是研究热点[1-2]。闸瓦作为铁路机车常用的制动零部件，其通过与轮对踏面发生剧烈摩擦从而实现机车制动。这个过程会产生大量热能，极易造成闸瓦磨损甚至损坏[3]，严重威胁机车运行安全，因此对铁路闸瓦状态进行有效监测具有重要意义。

当前，面向闸瓦独立监测的研究相对较少，人工目测仍然是主要的检测手段，这种检测手段检测效率较低，且准确率不高[4-5]。随着机器视觉技术的快速发展，为闸瓦状态自动监测提供了全新思路，学者们也相继提出了基于图像识别技术的闸瓦状态监测算法[6-7]，然而受安装工艺等因素影响，闸瓦周边部件多，闸瓦图像背景相对复杂，给闸瓦机器视觉监测带来了不小的挑战。为此，本文提出一种基于机器视觉的铁路闸瓦状态监测方法，通过设计改进Canny算子和建立RBF神经网络监测模型，实现对闸瓦状态的有效监测。

1 闸瓦图像采集预处理系统

本文建立的闸瓦图像采集预处理系统如图1所示，系统主要零部件有CCD相机、补光光源、高速磁钢传感器、工控机、无线发射器、服务器。

图1 闸瓦图像采集预处理系统

系统工作流程为：当机车与高速磁钢传感器的距离处于一定范围时，传感器产生高电平信号，触发CCD相机抓拍闸瓦图像，闸瓦图像传输到工控机，工控机对图像进行中值滤波[8]和灰度增强[9]处理后，传输到服务器端。在服务器端，调整Ostu算法[10]阈值大小，从而得到闸瓦分割图像，最后利用本文提出的闸瓦状态监测方法完成对闸瓦状态识别监测。

2 改进Canny算子边缘提取与闸瓦状态监测

图像边缘保留了图像基本的特征和信息，很大程度降低了计算机处理的数据量[11]，有利于提高闸瓦监测速度。为此，本文对麻雀搜索算法(spar-row search algorithm，SSA)[12]进行改进，并利用改进的SSA(ISSA)优化Canny算子[13]，以提高闸瓦分割图像边缘提取的效果。

2.1 麻雀搜索算法改进

SSA是一种新型仿生群智能计算技术，在连续问题优化领域表现出较好的收敛性能。SSA模拟麻雀群体觅食行为，根据个体适应度优劣，将麻雀划分为发现者XD、跟随者XF和警戒者XV3种类型，分别执行不同的进化方式，通过相互信息交流，最终实现问题优化求解。XD,XF和XV更新方式为：

(1)

(2)

(3)

式中：t为算法当前迭代次数；λ1,q为随机数；λ2为预警值；λ3为比例系数；Tmax为算法最大迭代次数；L为元素均为1的矩阵；S为安全值；A为由1、-1组成的向量，A+为A的广义逆矩阵；i为个体编号；Q为种群规模；Xw(t)为最差解；Xb(t)为最优解；ε为极小常数；f(XV(t))、f(Xb(t))为个体适应度。

(4)

(5)

(6)

(7)

2.2 改进Canny算子与边缘提取

Canny算子能够在尽可能保持图像边缘信息的同时，最大限度降低数据规模。Canny通过对图像进行高斯平滑滤波、梯度方向和梯度幅值计算、非极大值抑制以及阈值选取处理，最终得到图像边缘二值化图。

高阈值TH、低阈值TL以及高斯滤波标准差σ是Canny算子涉及的主要参数。由于(TH,TL,σ)取值直接决定了边缘提取效果，因此本文采用ISSA对(TH,TL,σ)进行优化，ISSA个体编码设置为X=(TH,TL,σ)，目标函数设置为目标与背景的类间方差：

f(X)=β0(t)×β1(t)×(θ0(t)-θ1(t))2

(8)

式中：f(X)为X的目标函数值；β0(t)为小于TH的像素数量；β1(t)为大于TH的像素数量；θ0(t)为小于TH像素的平均灰度值；θ1(t)为大于TH像素的平均灰度值。ISSA通过迭代优化，最终得到最优Canny算子参数配置，图2所示为ISSA优化Canny算子参数实现流程图。

图2 ISSA优化Canny算子参数实现流程图

对于闸瓦分割图像I(x,y)，利用改进的Canny算子进行边缘提取，得到I(x,y)边缘数据E。E作为闸瓦状态监测基础数据，通过训练学习，最终实现对闸瓦状态的识别监测。图3为改进Canny算子边缘提取示意图。

图3 改进Canny算子边缘提取示意图

2.3 闸瓦状态监测实现

常见的闸瓦状态有正常、熔渣、破损、断裂、位置偏移、丢失、有覆盖物7种，分别选取7种状态的闸瓦50个，共350个样本，利用闸瓦图像采集预处理系统对350个样本进行图像获取、处理、分割，并采用改进Canny算子提取边缘特征，得到训练样本集{Ei}i=1,…,350。建立闸瓦状态监测模型，采用径向基函数(radial basis function，RBF)神经网络对{Ei}i=1,…,350进行训练，并对待监测样本进行状态识别，图4为RBF神经网络示意图。

图4 RBF神经网络示意图

RBF神经网络由输入层、隐含层和输出层组成，其中隐含层利用φ(x)(本文选取高斯函数)对输入变量Ei进行映射转换：

hj=φ(‖Ei-cj‖2)j=1,…,q

(9)

式中：hj为Ei的映射转换输出值；q为隐含层神经元个数；cj为第j个神经元中心。

RBF神经网络需要设置的参数有C、高斯函数标准差σ和q，其中C=(c1,…,cq)，采用ISSA对(C,σ,q)进行优化求解，得到最佳分类RBF神经网络模型。ISSA个体编码设置为X=(C,σ,q)，目标函数设置为目标与背景的类间方差：

(10)

3 试验仿真

3.1 边缘提取

本文利用闸瓦图像采集预处理系统对训练样本进行图像采集处理，闸瓦表层涂白漆以增加对比度。ISSA参数设置如下：Q=300，Tmax=400，ωmax=1.2，ωmin=0.15。图5给出了不同Ostu阈值下的闸瓦分割图像，图6给出了本文提出的改进Canny算子、ACO-Canny算子[14]、Prewitt算子和基本Canny算子边缘提取结果。图7给出了ISSA与SSA、PSO算法(粒子群算法)优化Canny算子参数函数收敛曲线对比图。

图5 不同Ostu阈值下的闸瓦分割图像

图6 不同算子边缘提取效果图

图7 ISSA与SSA、PSO算法优化Canny算子参数函数收敛曲线对比图

从图5可以看出，不同Ostu阈值得到的图像分割效果不同，当阈值在180以下时，很难区分闸瓦和背景设备；当阈值达到180以上时，随着阈值逐渐增大，闸瓦分割图像逐渐清晰，尤其是阈值在230左右时，得到的分割图像较为理想；如果阈值继续增加，分割图像内部模糊点增多，效果会变差。由此可知，合理设置阈值才能够得到清晰的闸瓦分割图像。

从图6可以看出，不同的算子提取的分割图像边缘是不同的，直观上来看，改进Canny算子得到的边缘清晰、连续，优于其他3种算子，而Prewitt算子、Canny算子表现最差，很难得到完整的分割图像边缘。

从图7可以看出，相比于PSO和SSA，ISSA全局收敛性能更优，表明改进的个体更新策略有效保持了种群样本多样性，提高了算法跳出局部最优的能力。

3.2 闸瓦状态监测对比试验

表1 闸瓦状态监测对比结果

从表1可以看出，在监测正确率方面，对于7种闸瓦状态监测问题，本文监测方法的正确率都达到了90%以上，相比于文献[6]提出的方法，监测正确率提高了14.7%～18.0%，而Canny-RBF表现最差，最高的监测正确率也只有68.3%。在运算时间上，3种算法表现相当，都到了毫秒级别，能够满足快速监测要求。

试验结果表明，本文所提监测方法具有更好的监测性能，这是因为采用改进Canny算子提取到的分割图像边缘特征更明显，并且有效降低了数据处理量，很大程度减少了计算时间，即利用ISSA优化后的RBF神经网络进行分类监测，监测结果可信度更高。

4 结束语

本文对铁路机车闸瓦状态高精度自动检测问题进行了研究，提出了一种基于机器视觉的铁路闸瓦状态监测方法，通过设计ISSA对Canny算子进行优化，并建立融合ISSA优化RBF神经网络监测模型，实现了对闸瓦状态的有效监测。试验结果也验证了该方法能够大幅度提高监测精度，具有一定的推广应用价值。