基于机器视觉的钢轨对接焊高精度检测方法

2020-03-16李存荣邹振东任勇涛

铁道标准设计 2020年3期

陈庚，张伟，李存荣，邹振东，任勇涛

(武汉理工大学机电工程学院，武汉 430070)

近年来，中国铁路工业经过不断摸索，逐渐掌握核心技术并使铁路技术快速、稳定地发展，我国高铁钢轨焊接的数量随之增加，其中使用闪光对接焊的比例最高。闪光对接焊设备将两根钢轨两端的轨顶部平面和钢轨的轨底部平面夹紧，工人通过用手触摸并结合标准尺的方式来判断两钢轨端的轨顶面和轨侧面高度差，再根据结果调节钢轨位置，但会存在以下问题：人手感触检测存在主观误差；手动操作受环境变化影响，焊接合格率不稳定；对操作人员经验要求高。由于闪光对接焊设备焊接前的对中精度需达到精度要求，且人工检测方法易受人员经验影响，不能满足现场生产要求，因此，需要一种稳定且精度较高的检测方法来解决上述问题。

机器视觉及图像处理相关算法已在各工程问题中被广泛应用。Norman Lei等针对CNC高速铣削操作期间的颤振问题，设计了一种新的基于机器视觉的检测系统对颤振频率进行识别并通过验证[1]；袁小翠等提出了钢轨表面缺陷检测的图像预处理改进算法进行图像检测分析[2]；鞠标等设计了一种基于几何特征的钢轨磨耗检测系统，并通过了在轨道检测小车上的实验验证[3]；Sandro M. Goi为比较三刺激色度计和图像分析系统的差别，开发了一种基于机器视觉的计算机系统，使用经验数学模型进行转换分析，并通过了与比色计的对比验证[4]；吴禄慎等提出基于机器视觉的钢轨表面检测光学模型，并通过了实验性验证[5]；E.S. Gadelmawla开发了一种用于螺纹的自动测量和检测的视觉系统，通过实验证明了该系统的良好准确度[6]；R. Manish等为检查磨削加工表面的光洁度和缺陷，保证精度要求，开发了基于图像处理的表面光洁度与缺陷检测系统，利用Canny边缘检测算法在视觉上比较结果[7]。以上研究表明，机器视觉及图像处理相关算法在轨道检测中已得到广泛应用，但由于现场钢轨闪光对接焊设备焊接过程的生产及操作人员条件等原因，导致目前基于机器视觉和图像处理的技术尚没有在钢轨对接焊检测中应用。

目前通用的测量方式分为接触式测量与非接触式测量两种[8-10]。在本文采用的非接触式图像测量方法中，将激光器发射出的线激光投射于被测部分，通过工业相机采集钢轨图像进行一系列图像处理方法及算法，最终得出测量结果[11]。非接触式图像测量中采用了相对测量的方法，测量不需要固定参考，因此易于操作且计算简单，避免了因固定参考点定位引起的误差积累，解决了目前手动接触式测量中精度不稳定的问题。

本文采用一种基于机器视觉和图像处理技术的高精度图像处理定位方法，在生产中，迅速完成对两段钢轨的轨顶面和轨侧面的高度差值检测，实现较高精度的焊前位置检测，解决了焊接不对中以及焊缝未对准的问题，并将误差控制在接受范围内，该检测算法在应用中具有一定的通用性。

1 检测系统设计

钢轨端面呈H型，分别由轨头、轨腰和轨底三部分组成，端面焊接如图1所示，钢轨轨头和轨底被电极钳口用夹紧力夹紧，待焊端面在顶锻力的作用下互相贴紧。

图1 焊接示意

系统总体方案如图2所示，检测装置放置于钢轨之上，检测系统由成像装置、处理系统和操作控制系统组成。激光垂直投射在与轨道轴线平行的轨顶面上，工业相机轴线与垂直于轨顶面的平面及激光线垂直，相机采集图像后发送给客户端，通过客户端检测软件分析、计算出测量结果，将结果数据提供给操作人员，最后通过设备控制装置调整焊接位置，形成负反馈闭环，直至测量结果在焊接精度要求范围内。

图2 系统总体方案

2 检测算法设计

2.1 检测原理及数学模型

在检测系统进行特征定位与计算时，以图像的左下角为坐标原点(0，0)建立坐标系，设经过原点沿图像宽度方向向右为X轴正方向，经过原点沿图像高度方向向上为Y轴正方向。检测原理如图3所示。

图3 检测原理示意

工业相机采集的图像经过前期处理后(包括灰度化以及二值化处理)可观察到焊缝处造成了激光线的断开或突出(在焊缝处的左、右侧激光线分别代表左、右钢轨)，因此必须对焊缝处位置进行定位，才能以此排除干扰，找出代表左、右钢轨的特征线。

通过像素点灰度值的突变定位出焊接位置(即焊缝处)，如图3中红色线标出的位置；在X轴上的(Xa，0)，(Xb，0)，(Xc，0)，(Xd，0)点处分别沿Y轴正方向寻找，通过逐点判断像素点灰度值是否由0变为255或由255变为0的突变，来找到a1、a2、b1、b2、c1、c2、d1、d2点并记录下各点的坐标。

下一步，根据各点坐标计算出线段a1a2、线段b1b2、线段c1c2和线段d1d2对应中点a，b，c和d的点坐标；最后，连接ab和dc的相交红线与l和r两点，此时用线段al和dr代表特征线的位置，运用以下公式计算点l和r在Y轴方向的像素差值ΔY。

(1)

(2)

得出

ΔY=Yl-Yr

(3)

式中，(Xa，0)，(Xb，0)，(Xc，0)，(Xd，0)分别是a、b、c和d点的坐标；XS为点l和点r的横坐标；Yl和Yr分别为点l和点r的纵坐标。根据式(4)计算钢轨焊缝处两端轨顶面或轨侧面高度差值

Δ=ΔY×μ

(4)

其中，Δ为实际左、右钢轨顶平面或轨侧平面高度差值；μ为像素当量。

2.2 图像预处理

图像预处理的主要目的是消除工业相机采集图像中的干扰信息，让所需信息在图像中更清晰可见，提高特征线定位的准确性，减少周围环境对后续定位和计算的影响，满足特征线的定位和计算要求[12-13]。

图像的灰度化处理中，将工业相机采集图像转换为灰度图像，这样既减少了信息处理量也便于图像的后处理[14]，灰度处理后如图4所示。

图4 灰度化处理

在对图像进行灰度化处理之后，每个像素由不同的灰度值表示[15]，如果根据此时的图像信息作为分析依据，特征线的识别和定位将复杂且工作量大，执行效率低，精度将受到显著影响，因此，有必要对图像进行二值化处理[16]。

设置合适阈值T，如果大于该值，则像素的灰度值设置为255，如果小于阀值，则将其设置为0[17-18]，如式(5)所示，二值化处理后，效果如图5所示。

(5)

其中，f(x，y)是图像二值化处理之前对应点的灰度值；g(x，y)是与阀值对比后对应点新设置的灰度值。

图5 二值化处理

由于外部环境光线和钢轨表面镜反射的干扰，采集的图像中不可避免地会有一些噪声杂点，由于该噪声杂点接近于特征线的灰度值，因此图像的二值化处理并不能有效地去除，这将导致特征线的定位在某种程度上失效，直接影响后续计算，需通过滤波降噪消除噪声[19-20]，效果如图6所示。

图6 滤波降噪处理

2.3 导轨焊接位置定位

工业相机采集的图像经过图像预处理后，分析时出现如图7、图8所示的两种情况。

(1)特征线在焊缝处断裂，并且在左、右两段特征线之间存在断开间隙，如图7所示。

图7 焊缝处特征线线断开

(2)左右特征线间无断开现象，但焊缝处的线宽有很大的突起，如图8所示。

图8 焊缝处特征线突变

针对图7的情况，在图像宽度方向(即Y轴方向)上逐列扫描，扫描每一列的同时对每列中灰度值为255的像素点进行累计数量统计(设为T)。当扫描到某一列(设为α1列)且这一列中灰度值为255的像素点的数量T1为零，认为特征线在此处开始断开，记录下列数并继续扫描，当扫描到某一列(设为β1列)且这一列中255灰度值像素点的累计数量T1不为零时，则认为特征线在焊缝处的断裂在此处结束并记录下这列的列数，断开位置的中心通过以下公式得出

S1=α1+(β1-α1)/2

(6)

式中，S1为左右特征线断开的中心位置；α1为特征线开始断开的位置；β1为特征线结束断开的位置。

针对图8中左右特征线间无断开，但焊缝处线宽有很大突起的现象，采用在图像宽度方向上逐列扫描，同时在扫描每一列时通过判断各点的灰度值是否为255的方式，来记录该列白像素点个数T2(统计完一列后初始化为零)。通过数据分析发现，特征线的平均宽度介于12～15个像素，当T2>15时，记录α2为特征线开始突变的列，当T2<15时，则认为特征线结束突变，记该列为β2。突变处的中心位置用以下公式算出

S2=α2+(β2-α2)/2

(7)

式中，S2为特征线突变的中心位置；α2为特征线开始突变的位置；β2为特征线结束突变的位置。具体判断流程如图9所示。

图9 钢轨焊接定位流程

2.4 特征线的识别和定位

特征线在图像预处理后对呈白色线段，图像预处理后的坐标轴如图3所示建立，再通过算法找到导轨焊接位置并在相应位置绘制标记线后，将特征线分为左特征线和右特征线两部分，分别对其进行识别与定位，但通过观察与分析大量图像发现以下问题：

(1)左右特征线的最左与最右部分的线宽较细，并且少量出现特征线中断与不连续现象；

(2)特征线在钢轨焊接位置附近变形严重。

为降低减少识别和定位特征线的计算量，同时降低算法难度，选择避免该干扰区域。

以左侧特征线为例，搜索列中所有像素的灰度值，在距图像最左边一定距离(设置的距离为g像素)的位置上从下到上搜索、判别这列中所有像素点的灰度值，识别和定位左侧特征线。首次检测到像素点的灰度值为255时，将此像素点记为左特征线的下边缘点a2，继续辨别像素灰度值为255的点，如下一个像素点的灰度值为0，则记录此像素点为特征线的上边缘，设该点为a1，中心点a的坐标由点a1和点a2的计算而来。同理，找到左特征线靠近焊接位置端的点b1，b2，b(设置从b1到X方向的h像素的焊接距离)，识别、定位如图10所示。