基于線激光掃描成像技術(shù)的鋼軌爐號識別算法

李安翼，王學(xué)華，劉 蘇，王 燦，張紅霞，劉 鑫，申楷赟

武漢工程大學(xué)材料科學(xué)與工程學(xué)院，湖北 武漢 430205

高速鋼軌焊前檢測識別是鋼軌智能化生產(chǎn)的重要環(huán)節(jié)，對鋼軌焊接生產(chǎn)線智能化管理有著長遠(yuǎn)意義。由于鋼軌爐號字符顏色與背景接近、自身銹蝕污損、焊接生產(chǎn)線環(huán)境惡劣、爐號字符位置的不確定性等因素使各種常規(guī)的字符識別方法，如面陣相機(jī)拍照識［1-2］、熱紅外成像識別［3-4］等技術(shù)的可靠性受到了很大影響。字符識別常用的算法有單層神經(jīng)網(wǎng)絡(luò)方法［5-6］和模板匹配方法［7］及支持向量機(jī)（support vector machine，SVM）［8］等方法。但是單層神經(jīng)網(wǎng)絡(luò)收斂速度慢，容易出現(xiàn)過學(xué)習(xí)和欠學(xué)習(xí)等問題［9］。模板匹配法需要像素匹配，不容易獲得理想的結(jié)果，而且運(yùn)算時(shí)間長，無法滿足實(shí)時(shí)檢測的要求［10］。SVM算法在處理二類問題時(shí)效果很好，但在多類問題識別時(shí)存在困難，特別是涉及樣本過多時(shí)會耗費(fèi)大量系統(tǒng)時(shí)間［11］。

針對這些問題，提出一種對鋼軌進(jìn)行非接觸式激光掃描成像并識別爐號的方法。采用線激光實(shí)時(shí)掃描鋼軌，通過鋼軌輪廓數(shù)據(jù)點(diǎn)云重構(gòu)字符圖像，提取字符特征，再利用現(xiàn)有的字符模板結(jié)合多層感知分類器（multi-layer perceptron classifier，MLP）神經(jīng)網(wǎng)絡(luò)識別算法達(dá)到識別鋼軌爐號的目的，提高了識別過程的自適應(yīng)性和魯棒性。

1 數(shù)據(jù)采集

鋼軌爐號識別系統(tǒng)由圖像采集、圖像處理、字符識別三個(gè)部分組成。圖像采集采用非接觸式線激光傳感器作為數(shù)據(jù)來源，鋼軌沿著垂直于激光器安裝平面方向移動，由激光傳感器采集單幀鋼軌輪廓，然后通過交換機(jī)上傳至上位機(jī)進(jìn)行數(shù)據(jù)處理并重構(gòu)字符圖像，工作原理如圖1所示。

圖1 數(shù)據(jù)采集系統(tǒng)的結(jié)構(gòu)圖Fig.1 Structure of image acquisition system

圖1中的線激光傳感器采用加拿大LMI公司GOCATOR2000型二維激光傳感器，該傳感器在有效范圍內(nèi)的測量精度優(yōu)于0.05 mm，全尺寸范圍的掃描頻率達(dá)180 Hz，每次掃描可獲取1 300個(gè)有效數(shù)據(jù)，每個(gè)點(diǎn)位包含了當(dāng)前點(diǎn)的X，Y坐標(biāo)值及反射光強(qiáng)度值。當(dāng)鋼軌通過激光掃描區(qū)時(shí)，觸發(fā)掃描動作，上位機(jī)實(shí)時(shí)采集鋼軌兩側(cè)軌腰部分的廓型數(shù)據(jù)。

2 圖像處理

2.1 圖像重構(gòu)

將傳感器采集的點(diǎn)云數(shù)據(jù)坐標(biāo)和光強(qiáng)賦予色彩信息就可完成字符圖像的重構(gòu)過程［12］。由于受圖1中傳感器安裝位置的影響，計(jì)算機(jī)采集到的輪廓圖像會在軌頭和軌腰部分呈現(xiàn)一個(gè)“斷崖”式跳變，數(shù)據(jù)處理時(shí)可根據(jù)跳變點(diǎn)位置對數(shù)據(jù)進(jìn)行取舍，剩余點(diǎn)即為軌腰部分有效數(shù)據(jù)。實(shí)際生產(chǎn)中鋼軌爐號字符高度只占軌腰區(qū)域高度的1/3，為了減少數(shù)據(jù)量選取跳變點(diǎn)以下150至350個(gè)點(diǎn)范圍內(nèi)數(shù)據(jù)作為字符區(qū)域的有效數(shù)據(jù)。

根據(jù)鐵軌標(biāo)準(zhǔn)［13］，鋼軌軌腰區(qū)域?qū)嶋H輪廓為一圓心落在軌腰中心線的對稱圓弧，由于爐號字符是軋制在軌腰表面，字符區(qū)域點(diǎn)到圓心的距離D與其他部分到圓心的距離R不同，通過這個(gè)方法可以將軋制的字符所在位置篩選出來。具體步驟如下：

步驟1：根據(jù)圓的標(biāo)準(zhǔn)方程和字符區(qū)域兩個(gè)端點(diǎn)A1（X1，Y1），A2（X2，Y2）及半徑大小R可以求出兩個(gè)圓心坐標(biāo)C1和C2。圓的標(biāo)準(zhǔn)方程格式為：

步驟2：任選字符區(qū)域的一個(gè)點(diǎn)A3（X3，Y3），根據(jù)兩點(diǎn)之間的距離公式

分別求出C1，C2到A3的距離d1，d2，并與半徑R比較，得到圓心坐標(biāo)C0（X0，Y0）。

步驟3：計(jì)算所有字符有效區(qū)域內(nèi)的點(diǎn)An（Xn，Yn）與C0（X0，Y0）之間的距離dn，得到dn與R的差值，當(dāng)差值大于預(yù)設(shè)值Δ時(shí)，即

當(dāng)前的點(diǎn)An（Xn，Yn）即為鋼軌爐號字符的點(diǎn)。其中Δ的值為鋼軌字符凸起部分高度（Δ=0.35 mm）。

步驟4：將字符區(qū)域所有點(diǎn)和與之對應(yīng)的光強(qiáng)度大小賦予色彩信息，即大于等于Δ的點(diǎn)灰度值賦值為0，其余點(diǎn)灰度值賦值為255，最終形成字符圖像。采用C#開發(fā)平臺開發(fā)了用于點(diǎn)云數(shù)據(jù)重構(gòu)的軟件，圖像重構(gòu)過程如圖2所示。

圖2 圖像重構(gòu)流程圖Fig.2 Flowchart of image reconstruction

采用上述步驟重構(gòu)得到的字符圖像如圖3所示。

圖3 鋼軌字符的重構(gòu)圖像Fig.3 Reconstructed image of characters on rail surface

2.2 圖像預(yù)處理

從圖3中可以看出字符圖像中包含較多椒鹽噪聲［14］，出現(xiàn)位置與頻率都不固定，均值濾波和高斯濾波效果較差。采用中值濾波作為圖像平滑過濾器，通過調(diào)用HALCON的median_image算子實(shí)現(xiàn)圖像濾波，該算子由濾波器大小W決定圖像處理效果，其原理如式（4）所示。

其中，gr，c為中值濾波處理后W窗口內(nèi)所有點(diǎn)的灰度值，窗口的選擇決定了圖像濾波后的效果。圖4是采用不同窗口大小的中值濾波器進(jìn)行處理的結(jié)果。從圖4中可以看出，3×3濾波器去除了部分噪聲，且保留了字符邊緣，但是對于噪聲面積過大的長條狀噪聲、片狀噪聲處理效果有限。5×5濾波器去除了大部分噪聲，保留了字符邊緣數(shù)據(jù)，不會降低字符邊緣銳利程度，很大程度保留了字符特征。7×7濾波器去除了絕大部分噪聲，但是降低了字符邊緣的銳利程度和不同字符之間的特征差異，為后期做圖像閾值分割及特征向量提取帶來了困難。因此選擇5×5濾波器作為圖像平滑濾波，可以有效去除鋼軌自身銹蝕及傳送輥軸的輕微擾動產(chǎn)生的噪音。

圖4 中值濾波效果圖Fig.4 Image after median filtering

中值濾波后，圖像中很多點(diǎn)的灰度值發(fā)生了變化。為了獲得更清晰的字符圖像，需要對中值濾波處理之后的圖像進(jìn)行動態(tài)閾值分割。圖像閾值分割是將圖像處于某一灰度范圍內(nèi)所有的點(diǎn)篩選到輸出區(qū)域A，A內(nèi)所有點(diǎn)gr，c的集合為：

為了篩選感興趣區(qū)域（Region of Interest，ROI），一般取gmin=0或gmax=255，由于重構(gòu)圖像時(shí)，字符有效區(qū)域位置的灰度值為0，所以選取gmin=0。要獲得最佳圖像分割質(zhì)量，首先要計(jì)算整個(gè)區(qū)域的平均灰度值，公式如式（6）。

由式（6）計(jì)算得，圖4中5×5濾波后圖像平均灰度值gˉr，c為205.4。由于字符有效區(qū)域的灰度值比整個(gè)圖像的平均灰度值要低的多，圖像的灰度特征中的兩個(gè)峰值為0與255，直接使用閾值分割會導(dǎo)致字符邊緣的信息被去除或者保留的冗余邊界信息過多，而動態(tài)閾值分割可以避免邊緣信息冗余的問題。動態(tài)閾值分割通過調(diào)用HALCON的dyn_threshold算子實(shí)現(xiàn)，在ROI選擇時(shí)選擇“dark”部分，得到的處理結(jié)果如圖5所示。

圖5 閾值分割效果圖Fig.5 Image after threshold segmentation

從圖5中可以看出經(jīng)過動態(tài)閾值處理之后的字符圖像，去除了不需要的背景色，同時(shí)極大的保留了字符邊緣信息，但其中還是包含一些不需要的干擾，仍需要進(jìn)一步處理。

2.3 形態(tài)學(xué)處理

開運(yùn)算是先腐蝕后膨脹的處理操作，能夠去除小雜點(diǎn)，平滑字符邊緣，原理如式（7）：

式（7）表示A與結(jié)構(gòu)元B平移之后的并集，不同大小和形狀的結(jié)構(gòu)元B對圖像A有不同的影響。圖6是選擇不同結(jié)構(gòu)元對圖4進(jìn)行開運(yùn)算操作的結(jié)果。從圖6中可以看出，當(dāng)結(jié)構(gòu)元過小時(shí)，雜點(diǎn)大小遠(yuǎn)超過結(jié)構(gòu)元，開運(yùn)算結(jié)果較差，不予考慮。當(dāng)結(jié)構(gòu)元為矩形，大小為3×3和5×5時(shí)，對圖像雜點(diǎn)去除有一定的效果，但是對面積較大區(qū)域雜點(diǎn)的處理效果并不明顯。而結(jié)構(gòu)元為半徑為5的圓時(shí)，圖5中的雜點(diǎn)基本去除，但因結(jié)構(gòu)元面積過大，對字符連接區(qū)域過腐蝕，造成字符斷裂，對后期特征提取帶來困難。結(jié)構(gòu)元為半徑為3的圓，在保留字符特征的前提下，去除了圖5中絕大多數(shù)干擾部分，而且平滑了區(qū)域邊界。

圖6 形態(tài)學(xué)處理效果圖Fig.6 Image after morphological treatment

因此使用半徑為3的圓作為結(jié)構(gòu)元對圖像開運(yùn)算操作可以得到較佳的效果，開運(yùn)算操作通過調(diào)用HALCON中的opening_circle算子實(shí)現(xiàn)。

2.4 字符分割

形態(tài)學(xué)處理完成后，圖6中使用半徑為3的開運(yùn)算的圖像字符仍為整體，需把每一個(gè)字符分割出來，舍棄不需要部分，并且提取每個(gè)字符特征。

HALCON中具體的字符分割操作步驟如下：

步驟1.調(diào)用connection算子計(jì)算圖中聯(lián)通區(qū)域，將整個(gè)字符圖像分成多個(gè)聯(lián)通的小region。

步驟2.調(diào)用select_shape算子，計(jì)算并提取每個(gè)連通區(qū)域不同的特征向量大小，通過區(qū)域面積area值和高度height值將字符region篩選出來。

步驟3.調(diào)用gen_empty_obj算子建立空容器，調(diào)用select_obj算子將字符region從左至右置于容器中。

步驟4.調(diào)用sort_region算子將數(shù)組排列，最終的分割結(jié)果如圖7所示。

圖7 分割結(jié)果圖Fig.7 Image after character segmentation

3 字符識別

字符分割之后爐號字符圖像變成多個(gè)字符區(qū)域，使用多個(gè)類型線性變量分類器—多層神經(jīng)網(wǎng)絡(luò)分類器能夠?qū)蝹€(gè)區(qū)域進(jìn)行識別操作。將字符分割時(shí)提取的特征向量輸入一個(gè)三層OCR神經(jīng)網(wǎng)絡(luò)分類器做分類識別，步驟如下：

Step 1.調(diào)用HALCON中read_ocr_class_mlp算子，使用系統(tǒng)內(nèi)“document 0-9A-Z”字符模板庫。

Step 2.將字符面積、字符圖像重心、字符投影直方圖等特征向量作為輸入層輸入隱含層，使用sigmoid激活函數(shù)做權(quán)值量化［15］。

Step3.調(diào)用HALCON的do_ocr_multi_class_mlp算子，比較權(quán)值計(jì)算結(jié)果，返回每個(gè)字符的置信率。

Step 4.根據(jù)置信率大小判斷識別字符是否有誤，調(diào)用area_centre算子計(jì)算字符行列坐標(biāo)，最后將識別后的字符顯示在原圖中，效果如圖8所示。

圖8 最終識別效果圖Fig.8 Character recognition result in original image

4 結(jié) 語

采用非接觸式線激光掃描成像技術(shù)的鋼軌爐號識別系統(tǒng)，實(shí)現(xiàn)了高速鋼軌焊前爐號的自動采集及識別，結(jié)果表明使用激光掃描成像與多層神經(jīng)網(wǎng)絡(luò)分類器識別方法結(jié)合可以有效的處理鋼軌因污損、銹蝕而導(dǎo)致的爐號誤讀問題，單次識別率達(dá)到96%以上，極大地降低了勞動強(qiáng)度，提高了生產(chǎn)效率。

［1］唐崇偉，陳唐龍.基于面陣相機(jī)的接觸軌幾何參數(shù)檢測系統(tǒng)［J］.電氣化鐵道，2012，23（3）：42-44.

［2］王學(xué)華，王華龍，馬凡杰.柱面噴碼字符的自動算法［J］.武漢工程大學(xué)學(xué)報(bào)，2015，37（11）：43-46.

［3］張?bào)?，?yán)云洋，李郁峰.熱紅外與可見光視頻融合的運(yùn)動目標(biāo)檢測［J］.計(jì)算機(jī)科學(xué)，2015，45（8）：86-89.

［4］申屠理鋒，唐安祥.紅外成像技術(shù)在轉(zhuǎn)爐鋼渣檢測中的應(yīng)用［J］.激光與紅外，2012，42（11）：1259-1262.

［5］吳曉紅.單層神經(jīng)網(wǎng)絡(luò)的高效學(xué)習(xí)算法研究［J］.計(jì)算機(jī)科學(xué)與應(yīng)用，1998（1）：49-52.

［6］熊沈蜀，周兆英.單層神經(jīng)網(wǎng)絡(luò)在參數(shù)估計(jì)中的應(yīng)用［J］.清華大學(xué)學(xué)報(bào)（自然科學(xué)版），1996，36（4）：1-6.

［7］王剛，孫曉亮.一種基于最佳相似點(diǎn)對的穩(wěn)健模板匹配算法［J］.光學(xué)學(xué)報(bào)，2017，37（3）：281-287.

［8］LIU X Z，F(xiàn)EN G Z.A kernel clustering algorithm for fast training of support vector machines［J］.Journal of Donghua University（English Edition），2011，28（1）：53-56.

［9］WANG Y，LU C J，ZUO C P.Coal mine safety produc?tion forewarning based on improved BP neural network［J］.International Journal of Mining Science and Tech?nology，2015（2）：319-324.

［10］LIANG H D，HAN J H，GUO G H.Template matching algorithm of radar beam scan type recognition［J］.Journal of Electronics（China），2014（2）：100-106.

［11］TIANY J，JU X C，QI Z Q，et al.Improved twin support vector machine［J］.Science China（Mathematics），2014，22（2）：417-432.

［12］ASHOK K P，PAVITRA H.An adaptive approach for the reconstruction and modeling of as-built 3D pipe?lines from point clouds［J］.Automation in Construc?tion，2016，72（12）：65-78

［13］鮑磊.高速鐵路鋼軌質(zhì)量評估［J］.中國冶金，2014（11）：9-13.

［14］IGOR D.BM3D filter in salt-and-pepper noise removal［J］.EURASIP Journal on Image and Video Process?ing，2016 ，10（1）：1-11.

［15］孫一帆，張敬磊，王絲絲.因子分析與多層神經(jīng)網(wǎng)絡(luò)組合的酒駕辨識模型研究［J］.中國安全科學(xué)學(xué)報(bào)，2017，27（7）：127-132.