基于3D 点云的地铁车辆车底部件表面异常检测方法研究

彭联贴，李 晨，熊敏君，颜家云，崔宵洋，刘雷新元

（株洲中车时代电气股份有限公司， 湖南 株洲 412001）

0 引言

长久以来，我国大部分城市地铁车辆的检修采用传统的“计划修”模式［1］，其以人工作业为主。以作业频繁的日检为例，检修人员需要在规定时间内完成对车辆主要部件的外观检查。一列地铁列车包含大量零部件，这种检修模式人工作业强度大，且随着作业时间增加，检测质量和效率将不可避免地出现下滑。近年来，随着机器视觉技术的不断发展，越来越多的自动化、智能化设备被应用到轨道交通行业［2］，特别是在确保列车运行安全的列车零部件异常检测领域，其中比较典型的设备有智能巡检机器人［3］和轨旁检测系统［4］。

文献［5］设计了一种地铁车辆360°外观异常检测系统，其通过模式识别、计算机视觉和基于数据驱动的分级预警等技术，实现了列车关键部件异常检测。文献［6］公开了一种识别列车异常的方法，其利用3D图像的深度信息，先确定异常组件，再进一步识别异常零件，克服了传统2D图像视觉功能的限制。文献［7］同样是一种基于3D 图像的零部件异常自动识别检测方法，其将3D图像降维成包含灰度信息和深度信息的两类2D 图像，采用多种检测序列并存、互补的方式实现了异常检测。但这些文献均侧重于系统和方案的描述，并未涉及具体方法或原理。文献［8］提出了一种基于2D、3D图像信息融合的检测螺栓异常的方法，其先在2D图像上利用目标检测的方法对螺栓进行定位，然后通过2D 图像完成螺栓丢失的检测，最后用3D 图像实现螺栓松动的检测；但该方法专注于车底中心鞘螺栓的故障检测，适用场景非常有限。

在实际检修过程中，地铁车辆部件表面存在异常时一般会伴随着空间上一定程度的结构性异常，如零部件丢失、松动和附着异物等，此类结构性异常在3D点云中会呈现出明显的几何差异；而车体表面水渍、污渍、昼夜光照差异等对3D点云的成像影响较小，其3D图像相比2D 图像受到的干扰也更小。因此，本文基于3D 点云处理技术对地铁车辆车底部件表面的异常检测方法展开研究：首先，结合已有研究基础，归纳出一种通用的检测方法，用于地铁车底多数箱体部件的异常检测；然后，以高压分线箱接头区域、空心电抗器斜面区域为例，对通用检测方法加以改进，实现这2个特定部件的异常检测。其中，高压分线箱接头区域先进行区域分割，得到纯接头区域和线束区域，进而用统计学方法完成纯接头区域的检测，以通用检测方法完成线束区域的检测；空心电抗器斜面区域则结合平面滤波对通用检测方法的流程加以调整，既利用了平面滤波去噪，又避免了因平面滤波过滤了部件侧壁特征而影响了点云配准的效果。本文结合实际数据开展实验验证，证明了新方法有良好的检测效果。

1 车底箱体部件异常检测通用方法

轨道车辆异常检测对象大体可分为走行部、电气设备、齿轮箱、牵引电动机、自动门和多对象子系统这6类［9］，对地铁列车而言，车底电气设备多为箱体。为了说明数据的来源，本章对采集设备和点云数据获取过程进行了描述。针对箱体部件大多为刚性结构这一共性特征，本章结合3D点云处理技术在工业领域的已有经验，归纳出一种通用的异常检测方法，以实现对车底箱体部件的异常检测。

1.1 数据采集

数据采集设备为车底巡检机器人（图1）。在正常的巡检过程中，首先，机器人从地沟的一端匀速运动到另一端，利用线扫相机完成车底所有部件的快速扫描（简称“快扫”），生成整车的3D点云数据，即本文研究方法的输入数据；随后，机器人需要在若干预设的临停点对特定区域进行精细扫描（简称“精扫”），以弥补快扫难以覆盖的部件区域。整个精扫作业的时长在半小时以上，在此期间，可同步进行快扫数据的异常检测。

图1 数据采集设备Fig. 1 Data acquisition equipment

根据扫描得到的3D 点云数据，可建立空间坐标系。结合地铁车辆所在的空间，定义线扫相机单线扫描的方向为x轴正向，其垂直于地铁车辆侧平面；机器人整体移动方向为y轴正向，其平行于铁轨方向；点云中的深度信息代表扫描对象与相机之间的距离，从相机到地铁车底方向为z轴正向，其垂直于地平面。

1.2 箱体部件检测流程及方法

结合3D 点云处理技术在工业检修领域已有的应用经验［10-13］，通用的箱体部件异常检测流程可归纳为点云预处理、点云配准和异常检测3个步骤。本节结合检测流程对这3部分的处理过程进行介绍。

1.2.1 点云预处理

检测系统获取一列地铁列车的待检点云后，往往需要先对点云数据进行预处理［14］，主要包括点云分割、点云下采样以及点云滤波等操作。参考部件的物理尺寸以及相机在x和y方向上的扫描精度，可实现快扫数据中所有部件的点云分割。为了提升处理效率，需要降低点云的密度。为此，本文采用体素下采样方式进行处理，其原理及步骤如下：

1） 求出点云数据在x、y、z轴方向的最大值（xmax、ymax、zmax）和最小值（xmin、ymin、zmin）。

2） 设置下采样尺寸（即体素网格的尺寸）为r。

3） 计算体素网格在各方向上的维数（Dx、Dy、Dz）。

4） 计算出点云中每一个点所属的体素索引（hx、hy、hz、h）。

5） 对算出的索引进行排序，索引相同的点即为同一体素网格中的点；根据同一体素网格中的所有点的坐标，计算出其重心的坐标，并以重心代表当前体素网格；针对所有体素网格完成类似操作。

点云数据中一般会伴有噪点，为此，本文采用半径滤波来降低噪点的干扰。半径滤波的思路为遍历点云中的所有点，若某个点在半径为r的球体空间内存在的邻居点不超过n个，则滤除当前点。点云数据经体素下采样和半径滤波后的效果如图2所示。

图2 点云下采样和半径滤波效果图Fig. 2 Impression drawing of downsampling and radius filtering

1.2.2 点云配准

点云配准是将模板点云和待检点云转换到相同坐标系下，以便进行后续的异常检测。迭代最近点（iterative closest point， ICP）算法及相关变体是配准算法中的典型代表。本文采用彩色点云配准算法［15］，该算法的核心思想如下：

1） ICP迭代过程采用联合优化目标函数。

式中：T——旋转矩阵；EC——颜色项；EG——几何项；δ——由经验值决定的权重值，δ∈[0，1]。

2） 几何项EG是一个目标函数，与点到面ICP算法的目标函数相同。

式中：κ——当前迭代的点到点的集合；np——点p的法向量。

3） 颜色项EC表示点q的颜色值与其在点p的切平面上的投影的颜色值之差。

式中：C(q)——点q的颜色值；Cp(·)——点p的预计算函数；f(·)——将3D点投影到切平面的函数。

该算法兼顾了几何特征和颜色信息，与此前的ICP算法相比，处理时间上并无明显差异，但具有更高的配准精度和鲁棒性。点云配准效果如图3 所示，其中，模板点云为蓝色，待检点云为黄色。

图3 配准效果Fig. 3 Registration effect

1.2.3 异常检测

异常检测内容包括差异点提取、差异点聚类和有效异常区域筛选。差异点提取的核心信息在于计算点与点之间的欧式距离［16］。当待检点云中的某个点与模板点云中的任意点的欧式距离在设定阈值范围之外，则认为该点是差异点；反之亦然。然后，采用DBSCAN（density-based spatial clustering of applications with noise）密度聚类算法，并结合地铁车辆零部件尺寸来设置邻域半径，可以将邻近的差异点聚类成点云簇，得出较为合理的异常区域。最后，结合异常区域的尺寸、面积、法向量、表面曲率和平面高度差等几何特征的判定，完成对有效异常区域的筛选。

2 特定部件的检测方法

通用检测方法可以满足地铁车辆车底大多数箱体部件的异常检测，然而，针对一些特定的部件区域，该方法并不适用。如高亮反光部件因其表面特性而存在点云缺失的现象，网格表面部件会因镂空网格导致其下方会有诸多噪声点，这些问题都会直接影响检测结果的准确性。本章以高压分线箱接头区域、空心电抗器斜面区域为例，对通用检测方法加以改进。其中，针对高压分线箱接头区域，先进行区域分割，得到纯接头区域和线束区域，进而用统计学方法完成纯接头区域的检测，以通用检测方法完成线束区域的检测；针对空心电抗器斜面区域，则结合平面滤波对通用检测方法的流程加以调整，将属于点云预处理的平面滤波放置于点云配准之后，以消除噪点干扰，同时不影响点云配准的效果。

2.1 基于区域分割的接头区域检测方法

高压分线箱接头区域的图像和点云如图4 所示，其异常主要有两类，一是接头从箱体上脱落，二是线束断股，即线束与接头的衔接位置断裂。然而，该部件接头区域同时具备黑色和高亮反光特性，导致接头表面的点云有较多缺失（但仍会保留接头的大致骨架特征），按通用检测方法进行检测时，会在点云缺失的位置形成异常区域。

图4 高压分线箱接头区域图像与点云Fig. 4 Image and point cloud of high voltage junction box joint area

针对该部件异常检测中存在的问题，本文提出了基于区域分割的检测方法，检测流程如图5所示。

图5 高压分线箱接头区域异常检测流程Fig. 5 An anomaly detection process for the joint area of high voltage junction box

在待检区域完成全局配准后，引入区域分割模块，将待检区域分为线束区域和纯接头区域。其中，线束虽然会随着地铁车辆的晃动而改变位置，但其与接头的衔接位置并不会有太大的位置偏移。故本文对线束区域仍采用通用检测方法进行处理；对纯接头区域，将结合其几何特征采用统计学方法进行异常检测。若两个子区域在同一个接头上均检测到异常，则合并为同一个异常。

2.1.1 区域分割

接头区域中，多个接头排列整齐，接头间的间隙相对恒定，接头与线束的衔接位置在纵向上（即y轴方向）相对偏差不大，可以参考物理尺寸完成区域分割。结合图6，其原理说明如下：

图6 接头区域点云分割示意Fig. 6 Point cloud segmentation of the joint area

1） 根据接头的物理尺寸，在y轴方向上将平面α从y1到y2遍历，每次遍历的步长为Δy；

2） 确认横截面β1和β2与平面α的距离相等，该距离记为d1；

3） 获取截面邻域的两片点云，与β1距离不超过d2的点记为点云PCD1，与β2距离不超过d2的点记为点云PCD2；

4） 将PCD1和PCD2投影到同一平面，进行同尺寸的体素下采样后，再计算两片点云的差异点数，记为Np；

5） 记录整个遍历过程中最大的Np值，此时平面α即为纯接头区域和线束区域的分割平面。

上述遍历过程中，当平面α处在不同位置时，横截面β1和β2对应的两片邻域点云和其投影至同一平面后的点云如图7所示。在纯接头区域和线束区域，两片投影点云是高度重叠的，而越是临近纯接头区域和线束区域的分割平面时，两片投影点云的重叠程度则越小，根据此特征即可较好地完成区域分割。

图7 不同位置的横截面及其投影点云Fig. 7 Cross section and projection of different positions

2.1.2 纯接头区域异常检测

在纯接头区域内，单个接头上缺失的点往往分布在接头的中间区域，靠近左右两侧的区域一般都保留了一定量的点云，且接头区域在x方向上呈现出明显的几何特征。若在x方向上以定长区间段对纯接头区域的点云数据进行数量统计，则可得到如图8 所示的直方图特征。

图8 纯接头区域在x 方向上的点数分布特征Fig. 8 The distribution characteristics of the number of points in the x-direction of the Joint portion

正常情况下，纯接头区域存在明显的波峰、波谷特征，即单个接头必然存在波峰特征，相邻两个接头之间必然存在波谷特征见图8（a）。因此，当波谷区域超宽时，该波谷区段对应的接头脱落，即图8（b）所示的直方图特征。

2.2 结合平面滤波的空心电抗器斜面区域检测方法

空心电抗器斜面区域的点云如图9 所示，其异常情况主要是形变（含破损）和异物附着。在实际检测中，由于该区域是网口平面，平面之下存在大量噪点的干扰，故而需要以网口所在的平面进行平面滤波。

图9 空心电抗器斜面区域点云Fig. 9 3D point cloud of air-core reactor beveled area

2.2.1 平面滤波

平面滤波分为两步，先用随机采样一致性（random sample consensus， RANSAC）算法完成平面拟合，然后剔除平面上/下方的点。RANSAC 算法的基本原理如下：

1） 从点云中随机取N个点并标记，计算出平面方程。

2） 计算点云中各点到该平面的距离，若小于h，则是内点，并统计出内点的数量。

3） 重复前两步，若当前拟合出的平面的内点数大于之前的数值，则更新平面参数和最大内点数参数。

4） 重复上述步骤k次，找出内点数最多的平面参数。

空心电抗器有两个斜面，在进行平面滤波时，存在方向性问题。由于该问题在三维空间坐标系内与x方向无关，可简化为在Oyz平面上滤除直线上方的点。其直线特征如图10所示。不论是直线L1，还是L2的特征，该问题均需要结合直线方程中y与z的正/负相关性处理。

图10 空心电抗器斜面区域在二维空间的方向性特征示意图Fig. 10 Directional features of the air-core reactor beveled area in 2D space

空心电抗器网口平面的平整度不如其他箱体，平面拟合可能会存在轻微的偏差。为了防止网口平面的点被滤除，平面滤波需要在z方向上上移h距离，即滤除平面ax+by+c(z-h)+d=0上方的点。

2.2.2 结合几何特征配准

通用检测流程中，点云配准往往在预处理后进行。空心电抗器的斜面区域若按此流程处理，配准效果得不到保证。为了解决该问题，本文将通用检测流程加以调整，得到如图11所示的电抗器斜面区域异常检测流程。

图11 空心电抗器斜面区域异常检测流程Fig. 11 An anomaly detection process for air-core reactor beveled area

通用检测流程中，由于斜面区域经平面滤波后所在平面无过多的棱角特征，当模板点云和待检点云的整体相对偏差超过半个网口的宽度时，配准往往会发生网口错位的现象。如图12（a）所示，蓝色模板点云都向上移动了一格网口的距离，螺栓位置明显错位。为了降低网口特征的影响，本文将平面滤波调整到配准之后，保留空心电抗器的侧壁特征进行配准，得到的效果如图12（b）所示。最后，用平面滤波剔除噪声和侧壁点云，得到了图12（c）所示效果，避免了因配准效果不佳导致的异常检测不准确问题。

图12 电抗器斜面配准效果对比Fig. 12 Optimization registration effect of air-core reactor beveled area

3 实验及结果分析

3.1 评估指标

为了评估本文所提检测方法的效果，采用某地铁公司22 台车共计40 组3D 点云数据作为测试集（单台车进行一次完整的数据采集为一组数据，或称为一趟车的数据），分别采用通用检测方法与特定检测方法进行了实验。在测试集中，模拟的异常样本点云如图13所示。

图13 异常样本点云Fig. 13 Point clouds of anomaly samples

为了验证检测效果，本文采用的评估指标为异常漏检数和单趟车平均误报数，后者的具体定义如下：

3.2 通用方法的实验结果

以通用检测方法完成40组数据的测试后，整体情况如表1所示。

表1 通用方法整体检测结果Tab.1 Detection results by the general method

采用通用方法的检测结果中存在16 个漏检。其中，接头区域6个线束断股未检出，原因在于用模拟黑胶带缠绕时，该区域仍存在部分点云，真实情况下的异常不存在该问题；斜面区域未检出的异常3个，原因在于模拟的高度差未达设定阈值；此外，其他箱体部件上的异常漏检也有相似的原因。总体而言，若剔除掉不达标的模拟故障，其他模拟故障均能被检出，检出效果已在可接受范围内。另一方面，整体的误报数效果堪忧，尤其是高压分线箱接头区域和空心电抗器斜面区域这两个特定区域，占据了整车近九成的误报。过多的误报将显著增加检测结果的核对工作，无法满足工程化应用需求。

3.3 优化后特定检测方法的实验结果

对于高压分线箱接头区域，优化前后检测结果如表2所示，表中列出了优化前误报最多的5趟车的数据以及整体误报结果。可以看出，进行区域分割后，线束区域零误报，纯接头区域误报数大幅下降，仅少量接头区域因点云缺失严重而仍旧存在误报。

表2 接头区域误报结果对比Tab.2 Comparison of false detection results for joint portion

对于空心电抗器斜面区域，优化前后对比结果如表3所示，表中列出了优化前误报最多的5趟车的数据以及整体误报结果，表中“优化1”只进行了平面滤波，不涉及处理流程的调整，由于存在配准效果不佳的问题，会导致螺栓和部件边缘区域的误报；采用完整的优化方案后，消除了电抗器斜面区域的所有误报。

表3 电抗器斜面区域误报结果对比Tab.3 Comparison of false detection results for the air-core reactor beveled area

利用上述优化方法，还消除了其他部件一些类似的误报54 个。最终，通用方法和优化后方法的对比效果如表4所示。

表4 异常检测结果对比Tab.4 Comparison of anomaly detection results

根据表4数据和式（7），可计算出单趟车平均误报数在优化前为39.85（即1 594/40），优化后为3.35（即134/40）。与通用方法相比，优化后的方法在保持相同检出效果的前提下，消除90%以上的误报，满足工程化应用需求。

4 结束语

零部件异常检测是确保地铁列车能够良好运行的关键技术之一。本文基于3D点云处理技术在工业领域已有的研究，归纳出一套通用的零部件异常检测方法。该方法可以较好地实现对地铁车辆大多数箱体部件表面异常的检测，但在一些特定的部件区域，如高亮反光或网格表面区域，却难以达到预期效果。对此，本文以高压分线箱和空心电抗器为例对该方法加以改进，即针对高压分线箱接头区域采用基于区域分割的检测方法；针对空心电抗器斜面区域，则结合平面滤波对通用检测流程加以调整，得到了基于平面滤波的检测方法。最后，以某地铁公司的实际数据进行对比实验，结果显示，优化后的方法能在确保检出率不低于通用方法的前提下，消除90%以上的误报，为相关检测系统在实际应用中取得良好效果奠定了基础。

需要指出的是，本研究所检测的多为箱体部件，整车部件的覆盖面有限，后续可以开展其他部件的研究；同时，本文方法仅检出部件是否有异常，不涉及故障定性。因此，下一步将考虑采用深度学习目标检测的方法，或者直接以模板图上零部件的相对坐标来确定检出的异常区域属于部件异常还是零件异常，进而结合异常区域的几何特征以及各零部件可能存在的异常情况，分析出具体的异常类型。