一種基于圖像自動識別的列車碳滑板磨耗檢測方法

一種基于圖像自動識別的列車碳滑板磨耗檢測方法摘要：受電弓是動車組傳遞并獲取動力來源的關(guān)鍵部件，其工作狀態(tài)直接影響動車組的安全運行。碳滑板作為受電弓的核心部件，隨著列車不斷地運行，也會產(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識別的列車碳滑板磨耗檢測方法，可以有效地檢測碳滑板的磨耗，對受電弓的檢修具有重要的指導(dǎo)意義。關(guān)鍵詞：動車組；受電弓；碳滑板；圖像識別中圖法分類號：TE973文獻標志碼：A0前言受電弓是動車組取流受流的關(guān)鍵部件，也是整車的動力來源，其工作狀態(tài)直接影響列車運行的安全性和可靠性。碳滑板作為受電弓的核心部件，其磨耗程度也會隨車車輛運行而加大，磨耗達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)巨大的列車運行安全事故。以現(xiàn)有條件下檢測受電弓碳滑板磨耗作業(yè)為例，需在列車入庫、無電環(huán)境下，由作業(yè)人員攜帶測量設(shè)備登頂測量碳滑板磨耗，并需紙質(zhì)記錄，作業(yè)時間至少為半小時以上，耗時耗力，人工成本較高。針對上述問題，本文介紹了一種基于圖像自動識別的列車碳滑板磨耗檢測方法，用于幫助作業(yè)人員快速測量碳滑板磨耗，減少作業(yè)時間，降低人工成本。1受電弓視頻監(jiān)控系統(tǒng)簡介動車組受電弓視頻監(jiān)控系統(tǒng)由受電弓視頻監(jiān)控服務(wù)器、受電弓攝像機、受電弓監(jiān)控屏和相應(yīng)連接電纜組成。若想實現(xiàn)受電弓碳滑板磨耗的自動識別檢測，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。目前，智能分析主機暫無大規(guī)模批量集成在受電弓視頻監(jiān)控系統(tǒng)中，但是當前動車組在電氣柜中預(yù)留了智能分析主機的位置，受電弓視頻監(jiān)控系統(tǒng)中的各部件也預(yù)留了智能分析主機的接口，為實現(xiàn)受電弓碳滑板的磨耗檢測打通了硬件通道。2碳滑板磨耗圖像檢測方案列車運行狀態(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，影響測量準確性。停車狀態(tài)下降弓檢測可以較好兼顧現(xiàn)有采集設(shè)備和圖像自動識別技術(shù)要求，可以提供穩(wěn)定可靠的識別測量結(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，受電弓視頻監(jiān)控服務(wù)器將實時畫面通過百兆網(wǎng)絡(luò)傳輸至機械師室監(jiān)控屏和智能分析主機，監(jiān)控屏顯示實時畫面，智能分析主機對實時畫面進行智能分析，將報警信息傳輸至監(jiān)控屏顯示，并在降弓狀態(tài)下速度為0時，計算碳滑板磨耗。3識別技術(shù)原理求解相機的內(nèi)外參數(shù)并進行標定（如棋盤格標定），根據(jù)既有的2D坐標（圖像坐標，即相機輸出的深度圖（.data））和3D坐標（世界系坐標，即相機輸出點云數(shù)據(jù)），假設(shè)相機坐標系和世界坐標系重合，相機輸出的3D數(shù)據(jù)也符合相機坐標系，則相機投影方程可以寫為：（1）由于假設(shè)世界坐標系和相機坐標系重合，所以，為物體到相機平面的距離。根據(jù)深度圖得出（）,根據(jù)點云數(shù)據(jù)得出，且和是一一對應(yīng)的。使用奇異值分解算出投影矩陣。是一個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，是偏斜參數(shù)。受電弓磨耗值的計算公式為（式-1）其中，表示圖像中的像素值距離，表示當前像素的深度值，表示計算出受電弓上下邊緣的真實距離。4碳滑板磨耗檢測步驟第一步：收集大量列車靜止且受電弓降弓狀態(tài)的圖像數(shù)據(jù)，對受電弓輪廓進行人工標注描繪出滑板區(qū)域精確的邊緣信息，如圖1所示。圖1圖像人工標動Fig.1Imagemanualcalibration第二步：模型訓(xùn)練。對于受電弓磨耗的測量，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)對大量標注的數(shù)據(jù)進行訓(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：推理測試并計算磨耗值。在檢測新圖時，首先使用深度模型進行推理，得到滑板區(qū)域分割結(jié)果標記圖像，該圖像為根據(jù)模型參數(shù)自動計算的結(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)果可能存在局部錯誤，利用受電弓幾何特征進行后處理，其中下方邊緣必須為直線，使用直線進行擬合，上方邊緣使用光滑曲線進行擬合，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檢測流程Fig.3Detectionprocess第四步：得到擬合結(jié)果后，計算上下曲線最小距離和位置，獲得圖像測量值。以圖-8為例，假設(shè)上下邊緣相差180個像素，當前圖片的深度值為500，為2.2343490031687302e+03，那么根據(jù)式-1，受電弓上下邊緣的真實距離為(mm)最后便得到了受電弓的磨耗值。5裝車驗證結(jié)論選取一輛復(fù)興號動車組進行算法驗證，驗證時間為2019年12月至2020年3月，每次由算法先進性碳滑板磨耗程度的檢測，然后人工上車測量碳滑板的實際磨耗并進行對比，形成算法檢測結(jié)論，具體如下。圖4算法檢測和人工檢測對比結(jié)果圖Fig.4Comparisonresultsofabrasionalgorithmdetectionandmanualdetection圖5檢測結(jié)果的絕對偏差Fig.5Absolutedeviationoftestresults圖6檢測結(jié)果的誤差百分比Fig.6Percentageoferrorintestresults通過統(tǒng)計該時間段的數(shù)據(jù)與人工實測數(shù)據(jù)進行分析，發(fā)現(xiàn)算法的實際誤差在2%-3%之間，誤差較小，該圖像自動識別算法在對碳滑板磨耗的檢測是可行的。6總結(jié)本文介紹了一種基于圖像自動識別的列車碳滑板磨耗檢測方法，通過圖像算法，可在靜態(tài)降弓環(huán)境下根據(jù)程序預(yù)設(shè)的測試點瞬時測量碳滑板的磨耗，記錄成文本文件和測量圖片，并可作數(shù)據(jù)二次開發(fā)，建立時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)測碳滑板磨耗的壽命。對受電弓碳滑板檢修提供了巨大的指導(dǎo)意義。參考文獻[1]馬文龍.動車組受電弓視頻監(jiān)控系統(tǒng)智能識別技術(shù)研究[J].科技創(chuàng)新導(dǎo)報，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