基于圖像與激光多數(shù)據(jù)融合的軌枕檢測方案研究

劉沅明，張 雷

（株洲時代電子技術(shù)有限公司，湖南 株洲 412007）

0 引言

在經(jīng)濟高速發(fā)展的過程中，鐵路運輸扮演著極其重要的角色，而對軌道線路進行快速保養(yǎng)和維護，確保軌道運輸安全、舒適與暢通，已經(jīng)成為鐵路運輸高速、安全發(fā)展的決定性因素之一。隨著科技的發(fā)展，將更高效、更智能的自動化檢測技術(shù)應(yīng)用于軌道維護是軌道交通行業(yè)現(xiàn)代化升級的必然趨勢。在對搗固車的技術(shù)升級中，軌枕的精準(zhǔn)檢測是實現(xiàn)智能自動化搗固作業(yè)的前提。利用圖像識別、激光和雷達測距等新技術(shù)對目標(biāo)進行非接觸、實時、動態(tài)檢測識別已成為現(xiàn)階段檢測技術(shù)的發(fā)展趨勢[1]。軌道主要由鋼軌、軌枕、道砟等相關(guān)部件組合而成，鋼軌、軌枕和固定扣件分布密集，排列規(guī)律、均勻且?guī)缀翁攸c鮮明。特別是軌枕，其排列均勻，軌枕間距大致相等，軌枕上表面相對平整且軌枕外形基本一致，道砟與軌枕紋理區(qū)別明顯。單一使用圖像識別技術(shù)檢測目標(biāo)，準(zhǔn)確性易受到光照、環(huán)境等因素的影響；而在軌道交通的施工中，檢測需要極高的準(zhǔn)確性，否則可能會造成事故，影響鐵路正常通行[2]。因此，可以根據(jù)軌道的特征信息，通過不同傳感器相結(jié)合方式進行檢測識別。

目前國內(nèi)外的鐵路檢測系統(tǒng)有軌道巡檢系統(tǒng)[3]、軌道視覺檢測系統(tǒng)(track vision inspection system，TVIS )[4]、激光裂紋測量系統(tǒng)(laser crack measurement system，LCMS )[5]等，但大都是多功能集中式結(jié)構(gòu)。在對已有車型的智能化升級時，通常要求基本不改變原車結(jié)構(gòu)，因此在軌枕檢測方面，有必要開發(fā)一套分布式模塊化結(jié)構(gòu)的小型檢測裝置。為此，本文提出一種將圖像識別、激光雷達測距和位移檢測相結(jié)合的多維傳感器數(shù)據(jù)融合算法來提升非接觸檢測的精度和速度；同時采用基于傳統(tǒng)圖像分割方法的軌枕檢測實現(xiàn)方案，在保證性能的同時擁有硬件配置要求低、體積小、模塊化等優(yōu)點。實驗結(jié)果驗證了該檢測算法在軌枕智能檢測識別的準(zhǔn)確性和有效性。

1 圖像識別

圖像識別就是針對軌枕和道砟的不同特征，利用外圍設(shè)備獲取目標(biāo)圖像，再由計算機根據(jù)像素分布有效提取目標(biāo)的形態(tài)、亮度、顏色等特征信息，完成對目標(biāo)的分割與判別。

1.1 圖像分割

將圖像識別應(yīng)用在軌枕檢測上，主要工作是如何有效地將軌枕從圖像中分割提取出來，即圖像分割。每一幅圖像都可以用二元函數(shù)f(x,v)來表示，量化函數(shù)的特征取值，能夠得到二維坐標(biāo)系下的離散函數(shù)f(i,j)。此離散函數(shù)即數(shù)字圖像的一般形式，可以用式(1)數(shù)學(xué)模型表示。

式中：M×N——圖像的大小；(i,j)——圖像上的像素坐標(biāo)，在灰度圖像中，f(i,j)是圖像中對應(yīng)像素的灰度量化值[6]。

通常圖像分割是指把一幅圖像中不同的特征區(qū)域劃分出來，同一區(qū)域中的像素特性相似，不同區(qū)域間像素點區(qū)別較大。實際應(yīng)用中，通常是提取需要的特征區(qū)域。在進行圖像分割時，注意要點為輪廓連續(xù)性、運算量、非閾值化以及過度分割[7-8]。實際使用時，需要根據(jù)分割圖像的特征、分割的側(cè)重點等實際需求來選擇最優(yōu)的算法。但基于對軌枕檢測的實時性處理要求以及軌道軌枕圖像相對統(tǒng)一和固定的特點，傳統(tǒng)圖像分割方法對設(shè)備性能、配置等要求更低，相對更有應(yīng)用優(yōu)勢。因此，本檢測系統(tǒng)的圖像識別部分主要問題是如何確定二值圖像的分割閾值和有效防止出現(xiàn)局部最優(yōu)現(xiàn)象。

1.2 基于CFOA算法的圖像分割

軌枕圖像分割主要考慮圖像曝光不均衡導(dǎo)致的分割誤差。果蠅優(yōu)化算法 (fruit fly optimization algorithm，F(xiàn)OA)由于遍歷性不強，易出現(xiàn)局部最優(yōu)問題；混沌增強果蠅優(yōu)化算法（chaotic-enhanced fruit fly optimization algorithm，CFOA）[9]充分利用混沌序列的遍歷性來提高FOA的全局優(yōu)化性能；將CFOA與聚類分割技術(shù)結(jié)合，即利用CFOA優(yōu)化聚類的圖像分割算法，可以提升對曝光不均衡圖像的分割效果。CFOA算法流程如圖1所示。

圖1 CFOA流程Fig.1 Flow chart of CFOA

1.2.1 初始化算法參數(shù)

在初始化過程中，利用式(2)所示混沌序列進行分配和調(diào)度，可增加全局搜索解的多樣性。

式中：Ui,Li——隨機變量取值的范圍；M(·)——混沌序列；X_axisi，Y_axisi——圖像像素點位置。

1.2.2 搜索尋優(yōu)過程

在搜索最優(yōu)值的過程中，針對多模式的局部最優(yōu)和過早收斂的問題，采用混沌優(yōu)化技術(shù)來解決隨機方向和距離的局限性問題：

式中：Xi,Yi——隨機搜索過程中像素點位置；R(k)——搜索半徑函數(shù)；k——迭代數(shù)。

R(k)可利用式(4)求出：

式中：kmax——最大迭代數(shù)；——多尺度因子，與迭代數(shù)成反相關(guān)。

在迭代初期，較大的R(k)可以增加全局搜索解的多樣性；而在最終迭代中，較小的R(k)可以提升全局解的多樣性，通過對的微調(diào)探索能強化解決方案。

1.2.3 調(diào)整距離(Di)與判斷值(Si)

當(dāng)Di較大時，會使Si相對較小，此時易出現(xiàn)局部收斂與最優(yōu)現(xiàn)象。為了有效解決此問題，需對距離和判定值的公式進行優(yōu)化，以最大限度地擴大搜索范圍[5]：

1.3 評價指標(biāo)與算法驗證

通過使用經(jīng)典的聚類分割算法、K均值聚類算法（K-means clustering algorithm，K-means）[10]、多目標(biāo)優(yōu)化遺傳算法（multi-objective genetic algorithm，MOGA ）[11]與CFOA算法對加入噪聲的square圖像進行分割處理，選擇調(diào)整蘭德指數(shù)（adjusted rand index, ARI）[12]和聚類準(zhǔn)確率（clustering accuracy,CA）[13]這兩個常用的分割質(zhì)量評價指標(biāo)來判定分割結(jié)果的好壞。圖2示出同一噪聲圖像經(jīng)過不同算法分割處理后的效果對比。表1是3種算法處理結(jié)果的對比。從表1可以看出，隨著噪聲因子的增強，CA和ARI均逐漸變小，圖像分割質(zhì)量不斷下降，而CFOA指標(biāo)最優(yōu)，證明了該算法的優(yōu)越性。

圖2 二值圖處理效果對比Fig.2 Comparison of binary image processing effects

表1 3種算法處理結(jié)果對比Tab.1 Comparison of processing results among the three algorithms

2 激光軌枕檢測與位移檢測

2.1 激光檢測

鐵路軌枕大致相同且分布規(guī)律、均勻，利用激光雷達測距在軌枕上表面與道砟上表面檢測數(shù)據(jù)出現(xiàn)的平滑度差異的規(guī)律性，可以分別識別出軌枕與道砟。由于搗固車在作業(yè)過程中存在液力制動、搗固振動等干擾因素，會致使安裝在搗固車車體上的激光雷達傳感器的檢測輸出中伴隨有這些噪聲；同時搗固車在作業(yè)工作過程還存在其他高頻和低頻噪聲，都會對檢測數(shù)據(jù)的平滑度和規(guī)律性造成影響。智能自動化搗固作業(yè)必須基于對軌枕和道砟等數(shù)據(jù)的及時準(zhǔn)確測量，所以濾波處理是獲取準(zhǔn)確有效的軌枕判斷數(shù)據(jù)的關(guān)鍵環(huán)節(jié)。從道砟和軌枕的結(jié)構(gòu)可知，軌枕表面相對平整，道砟表面非常不平整，而激光檢測所需的數(shù)據(jù)都是有效信號，所以在保證這兩類信號有效的前提下消除其他高低頻噪聲成為保證數(shù)據(jù)有效的關(guān)鍵，此時選擇合適的濾波算法成為關(guān)鍵環(huán)節(jié)。

利用低通濾波器的特性，在保留數(shù)據(jù)本身特點的前提下濾除高頻干擾；同時又要有效防止突然出現(xiàn)的振動對檢測數(shù)據(jù)的影響，并且不能出現(xiàn)過大的濾波時延。針對這些要求，本文根據(jù)信號波動的實際情況對低通濾波器的濾波權(quán)重系數(shù)進行動態(tài)調(diào)整。當(dāng)信號變化較大時，增大濾波系數(shù)的權(quán)重值；當(dāng)信號趨于平緩時，及時減小濾波系數(shù)的權(quán)重值，使得濾波時間響應(yīng)加速[14]。改進后的低通濾波器的傳遞函數(shù)為：

式中：ω—— 角頻率；fz—— 低通濾波器的截止頻率[14]，該值的大小影響信號通過的頻率大小。

當(dāng)信號頻率f遠小于fz時，則A(ω)=1，此時信號可完整通過而不受衰減的影響；而當(dāng)信號頻率f遠大于fz時，則A(ω)<1，此時信號會受到衰減。一階數(shù)字低通濾波器算法如下：

式中：Ts——采樣周期；Xk，Yk——算法的輸入和輸出的離散化值。

為了使濾波器能夠根據(jù)輸入信號的變化實時地調(diào)整濾波系數(shù)的權(quán)重值，從而自動調(diào)整濾波作用的強弱，需對式(8)中的截止頻率進行修正。依據(jù)輸入信號的波動情況來對濾波器中的截止頻率fz進行實時動態(tài)調(diào)整，其修改后的表達式如下：

式中：β——輸入信號前后兩次采樣值的變化量；α——將β進行濾波處理后得到的相對平滑的變化量。

當(dāng)β突然變大時，α在短時間內(nèi)保持不變，此時fz變小，濾波效果加強，輸出信號能夠快速跟蹤輸入信號；而當(dāng)β突然變小時，α在短時間內(nèi)保持不變，fz變大，濾波時延作用減弱，輸出信號能夠更好地逼近真實情況[7]。修改后的濾波算法的傳遞函數(shù)為

通過式(6)～式(10)所述濾波算法，不僅能夠有效消除因高頻、低頻振動產(chǎn)生的相關(guān)噪聲，同時還能消除由于搗固頭上下運動引發(fā)的劇烈振動而產(chǎn)生的突變干擾，從而保證激光雷達測距數(shù)據(jù)的準(zhǔn)確平穩(wěn)性。

2.2 位移檢測

智能化搗固作業(yè)不僅僅需要檢測出軌枕并判斷數(shù)量，同時也需要檢測軌枕間的間距和軌枕寬度，從而來控制搗固車的位移以及精準(zhǔn)搗固下搞。位移檢測主要考慮如何有效測量出車輪的運動距離和剎車距離，實際工作時，由于搗固車行駛速度較慢，剎車距離較短，可以根據(jù)現(xiàn)場線路實際工況進行一定程度的補償處理來修正二值圖像在與激光檢測數(shù)據(jù)進行數(shù)據(jù)融合時的位移數(shù)據(jù)。本方案中位移檢測主要利用車輪編碼器測量搗固車的運動位移，即搗固車向前的行駛位移。

3 多維數(shù)據(jù)融合

利用所獲取的圖像和激光輸出數(shù)據(jù)并結(jié)合搗固車的行駛位移數(shù)據(jù)，將這3種數(shù)據(jù)通過數(shù)據(jù)融合算法最終得到實時有效且準(zhǔn)確的軌枕數(shù)據(jù)。多維傳感器數(shù)據(jù)融合的主要目的在于補償因單一傳感器檢測數(shù)據(jù)偏差引起的檢測誤差，通過多維傳感器數(shù)據(jù)的互補融合，得到最佳的檢測結(jié)果。數(shù)據(jù)融合本質(zhì)上也是一種濾波操作，最終目的都是得到一個準(zhǔn)確的檢測結(jié)果[15]。

本文提出的數(shù)據(jù)融合算法是，首先利用卡爾曼濾波將圖像分割后的數(shù)據(jù)與激光測距的數(shù)據(jù)進行數(shù)據(jù)融合濾波處理，得到有效的激光測距數(shù)據(jù)；然后再結(jié)合位移數(shù)據(jù)、軌枕間距與軌枕本身特征數(shù)據(jù)信息，最終確定軌枕檢測結(jié)果。圖3示出數(shù)據(jù)融合處理流程。

圖3 數(shù)據(jù)融合處理流程圖Fig.3 Flow chart of the data fusion processing

卡爾曼濾波是一種用于線性時變系統(tǒng)的自回歸濾波算法，能夠從觀測到的一系列系統(tǒng)輸入輸出的測量數(shù)據(jù)中，對系統(tǒng)的狀態(tài)進行最優(yōu)估計，其估算精度通常高于基于單一觀測方法的[8]。同時，其僅需利用當(dāng)前觀測值和先驗估計值及非確定性矩陣，無須更多的歷史數(shù)據(jù)。算法處理過程中，所使用的數(shù)據(jù)都包含各種噪聲和干擾，通過計算估計誤差的最小化協(xié)方差來獲得最優(yōu)狀態(tài)估計。本文將這種優(yōu)化處理方式用于對數(shù)據(jù)的濾波處理?？柭鼮V波器處理步驟如下：

式中：A，Ak——系統(tǒng)矩陣，A=Ak；B——控制輸入矩陣；H——預(yù)測模型矩陣；Kk——濾波權(quán)重；Pk|k-1——k-1時刻預(yù)估誤差協(xié)方差矩陣；Pk——k時刻預(yù)估誤差協(xié)方差矩陣；Q——過程噪聲協(xié)方差矩陣；R——測量噪聲協(xié)方差矩陣；I——單位矩陣[16]。

對于非線性系統(tǒng)，通常使用離散化的卡爾曼濾波算法，圖4示出卡爾曼濾波算法流程。該算法由預(yù)測階段和校正階段組成。預(yù)測階段，即對預(yù)測狀態(tài)估計計算和對相關(guān)誤差的協(xié)方差矩陣進行計算；而校正階段，利用卡爾曼增益加權(quán)對測量相關(guān)項進行校正估計[16]。

圖4 卡爾曼濾波算法流程Fig.4 Flow chart of Kalman filter algorithm

4 實驗驗證

為了驗證所提方案的有效性和實用性，本文將其應(yīng)用于大型養(yǎng)路機械搗固車智能化自動搗固作業(yè)的軌枕檢測系統(tǒng)中。

本文的數(shù)據(jù)融合檢測算法方案主要由兩個模塊化檢測模塊組成，即獲取圖像的采集模塊與激光測距模塊。其中包含對3組數(shù)據(jù)的處理：第一組是利用分割算法對采集得到的原始圖像進行圖像分割處理；第二組是對激光測距的原始數(shù)據(jù)進行濾波處理；第三組是利用卡爾曼濾波融合圖像識別與激光測距濾波后的數(shù)據(jù)，最終輸出綜合檢測結(jié)果。在既有搗固車上安裝了根據(jù)本方案設(shè)計的裝置，并開展了現(xiàn)場施工驗證。具體硬件平臺構(gòu)成如圖5所示。

圖5 試驗硬件平臺Fig.5 Test hardware platform

4.1 圖像識別

采用本文提出的圖像分割算法對軌枕圖像進行分割處理，以驗證分割算法在軌枕識別檢測中的可行性。通過對二值圖的分割，可以判定軌枕位置為高光區(qū)域，得到位移軸向上的軌枕區(qū)域。圖6 為軌道軌枕的原始圖，圖7為經(jīng)過分割算法處理后的二值化圖像。對圖7中不同區(qū)域進行位移軸向處理，可得到二值分割區(qū)域，由于軌枕相對道砟的亮度較高，得到的二值分割區(qū)域中，白色區(qū)域表示軌枕，黑色區(qū)域表示道砟。

圖6 軌枕原始圖Fig.6 Raw image of sleeper

圖7 處理后的二值圖Fig.7 Processed binary image

4.2 激光測距

激光測距儀在軌枕上檢測的距離值相對偏差較小，而在道砟上檢測輸出的數(shù)據(jù)相對波動較大，但兩者都會因車輛走行、搗固頭振動與夯拍器上下運動及停止等動作產(chǎn)生噪聲。激光測量的原始輸出數(shù)據(jù)如圖8所示。根據(jù)軌枕和道砟表面特性的區(qū)別來判定軌枕，需先進行濾波去噪，但同時應(yīng)避免濾波過度造成無法區(qū)分軌枕與道砟。圖9示出原始數(shù)據(jù)經(jīng)過濾波處理后得到的數(shù)據(jù)圖，可以看出，濾波后的數(shù)據(jù)更清晰地反映了道砟和軌枕的檢測數(shù)據(jù)平滑度，能更好地分辨軌枕和道砟。

圖8 激光測距原始數(shù)據(jù)Fig.8 Raw data of laser ranging

圖9 濾波后距離數(shù)據(jù)Fig.9 Filtered range data

4.3 數(shù)據(jù)融合判定軌枕

通過圖像識別的二值化分割處理可以得到軌枕的區(qū)域，激光測距數(shù)據(jù)濾波后也能用于判定軌枕的區(qū)域，再結(jié)合位移的距離，即通過三者的數(shù)據(jù)融合可更準(zhǔn)確地判定軌枕區(qū)域，最終輸出確定的軌枕位置信號。如圖10所示，輸出為1表示此處是軌枕，0表示此處為道砟。通過一段1 km軌道的檢測結(jié)果顯示，本方案能夠準(zhǔn)確地檢測出軌枕與道砟區(qū)域。將檢測結(jié)果與實際測量的數(shù)據(jù)對比，結(jié)果顯示，在正常的搗固速度下，錯誤率小于0.5%，軌枕頂面寬度的檢測偏差在1 cm范圍內(nèi)（允許范圍為2 cm），驗證了本文所提融合檢測算法方案的有效性。

圖10 軌枕檢測輸出信號Fig.10 Sleeper detection output signal

5 結(jié)語

本文圍繞搗固車智能化自動搗固控制系統(tǒng)的軌枕識別檢測問題展開了相關(guān)研究，并提出了一種基于圖像與激光多維數(shù)據(jù)融合的軌枕檢測方案。首先，采用一種優(yōu)越的CFOA與聚類分割相結(jié)合方法對圖像進行分割，減小了因曝光不均衡導(dǎo)致的局部分割誤差。然后，設(shè)計了一種改進型自適應(yīng)低通濾波器對激光雷達測距數(shù)據(jù)進行處理，有效增強了激光測距對相關(guān)噪聲和瞬時停頓的抗干擾能力，進一步提高了軌枕檢測的可靠性[17]。為了解決單一傳感器檢測的局限性問題并提高檢測系統(tǒng)的冗余性，設(shè)計了一種基于卡爾曼濾波的多維數(shù)據(jù)融合算法，提高了檢測精度和穩(wěn)定性。最后，通過裝車考核及現(xiàn)場測試，驗證了本方案檢測算法的準(zhǔn)確性和可靠性。

本方案受限于實際硬件檢測條件，在數(shù)據(jù)融合時，其同步點的位移數(shù)據(jù)僅由編碼輪獲得，準(zhǔn)確度容易受影響，會造成檢測誤差，后續(xù)將通過增加其他傳感器(如：加速度計)同時進行檢測方式，以獲取更準(zhǔn)確的位移數(shù)據(jù)。目前，該軌枕檢測方案在道砟檢測部分只是針對其分布區(qū)域進行相關(guān)的檢測，沒有對道砟區(qū)域的實際道砟量值進行精確檢測。后續(xù)將優(yōu)化激光檢測數(shù)據(jù)濾波算法，以便在相同的硬件條件下獲得更準(zhǔn)確的道砟量數(shù)據(jù)，為后期智能化補砟提供準(zhǔn)確依據(jù)。