基于机器视觉的HXD型机车受电弓滑板缺陷的检测研究*

金 光, 杨培义

(1.郑州铁路职业技术学院电气工程学院，河南 郑州 451460；2.郑州铁路职业技术学院机车车辆学院，河南 郑州 451460)

引言

HXD型机车受电弓滑板是机车中重要的机械设备，HXD型机车受电弓滑板在受到热力学作用下容易产生缺陷，需要进行HXD型机车受电弓滑板缺陷的主动定位检测[1～2]，分析HXD型机车受电弓滑板的产生原因，结合超声检测和图像检测方法，进行HXD型机车受电弓滑板缺陷的定位检测，相关的HXD型机车受电弓滑板缺陷检测方法在机车设备的维护和故障分析中具有重要意义[3].

文献[4]提出了基于数字图像特征分割和角点检测的光学元件表面缺陷检测方法，采用激光扫描方法采集光学元件表面图像，引入最小二乘匹配滤波方法降噪，然后通过纹理尺度自适应分割方法进行表面缺陷的边缘轮廓特征分割，结合Harris角点检测算法实现对表面缺陷检测；文献[5]提出了基于小波变换和移动质量法的板梁结构缺陷识别方法.通过改变辅助质量块的位置来探测结构的动态特性，通过离散小波变换分解板梁结构的振型和频移曲面的方法，提取结构的微弱缺陷信息，为板梁结构的微小缺陷检测提供了理论支撑.但是以上两种方法的检测时间较长.文献[6]提出一种基于机器视觉的滑动轴承内表面缺陷检测方法，首先设计了一种实验检测平台用于获取滑动轴承内表面的图像，通过基于形状的模板匹配算法对预处理后的图像进行匹配，根据匹配结果提取滑动轴承内表面缺陷；文献[7]提出基于机器视觉检测铜条表面缺陷的方法，针对铜条表面不同的缺陷类型采用不同的检测方法，对常见的缺陷通过提取感兴趣区域，采用Otsu最佳阈值分割方法，经过Blob分析直接检测出缺陷；文献[8]提出基于机器视觉的光栅表面缺陷检测方法，根据检测系统硬件平台，分析并解决了关键检测难点，在分析比较了几种传统边缘检测算法的基础上，介绍了边缘重绘算法，对光栅表面图像进行边缘检测，根据各种光栅表面缺陷特征，选取多个阈值定义多种光栅表面缺陷，提取特征缺陷并标记，开发了检测算法.但是以上三种方法的检测精度较低.文献[9]提出了一种基于激光扫描结合点云处理的异物检测方法，论文采用一台三维激光扫描仪LMS400对车顶进行扫描，距离传感器获得的数据经扫描仪标定和速度校正后，在空间坐标系下重构成三维点云，使用改进的ICP算法进行点云配准后，采用改进的背景差分法来进行异物提取.文献[10]提出基于形态学与投影直方图的轮胎杂质缺陷检测方法，采用局部大津法对图像进行二值化处理，以形态学操作从背景中提取杂质，利用纵向滤波去掉毛刺，根据水平及垂直方向投影确定杂质的位置，完成轮胎杂质缺陷检测.但是以上两种方法的检测结果不准确.

针对上述方法存在的问题，本文提出基于机器视觉的HXD型机车受电弓滑板缺陷检测方法.对HXD型机车受电弓滑板缺陷检测是建立在对缺陷图像的特征分析基础上，利用自适应的图像分析技术，对HXD型机车受电弓滑板缺陷进行定位，采用机器视觉分析方法，进行HXD型机车受电弓滑板缺陷成像，结合红外成像和超声成像方法，进行HXD型机车受电弓滑板缺陷的视觉图像分析，最后进行仿真测试分析，得出有效性结论.

1 HXD型机车受电弓滑板缺陷图像样本分析

1.1 电弓滑板缺陷视觉图像采集模型

为了实现基于机器视觉的HXD型机车受电弓滑板缺陷智能模拟[11]，首先构建HXD型机车受电弓滑板缺陷图像采集模型，对采集的HXD型机车受电弓滑板缺陷视觉图像进行分块融合检测，根据HXD型机车受电弓滑板缺陷分布进行缺陷的特征检测和模糊相关性匹配[12～14]，得到HXD型机车受电弓滑板缺陷视觉图像的视觉特征分割函数为：

D(x,y,σ) = (G(x,y,σ) -L(x,y,σ) ) ×I(x,y)

(1)

其中：

L(x,y,σ)=G(x,y,σ)⊗I(x,y)

(2)

式中，I(x,y)表示HXD型机车受电弓滑板缺陷视觉图像在(x,y)处的分块系数，L(x,y,σ)表示HXD型机车受电弓滑板缺陷视觉图像多重分形系数，G(x,y,σ)表示关联像素值，其计算式为：

(3)

(4)

其中：x1,x2,x3...xT是每个子块的模板匹配集，T表示联合稀疏特征分布集.提取HXD型机车受电弓滑板缺陷视觉分形特征量，建立HXD型机车受电弓滑板缺陷视觉图像的统计形状模型，在分块融合模板中，采用差异性的融合跟踪识别方法构建HXD型机车受电弓滑板缺陷图像采集模型，其表达式为：

(5)

1.2 缺陷边缘轮廓检测

根据采集结果，构建HXD型机车受电弓滑板缺陷红外成像模型，采用超声成像方法进行HXD型机车受电弓滑板缺陷的边缘轮廓检测，构建HXD型机车受电弓滑板缺陷图像的红外异常特征点分布模型，采用正态分布函数进行HXD型机车受电弓滑板缺陷的分块自适应检测[17]，通过调整3个分段函数构建HXD型机车受电弓滑板缺陷的信息标定模型，得到HXD型机车受电弓滑板缺陷模拟的视觉分布特征集为：

(6)

(7)

(8)

其中，δ和ε分别表示HXD型机车受电弓滑板缺陷视觉特征重构的先验信息和关联系数.在局部区域中采用超声成像方法进行HXD型机车受电弓滑板缺陷边缘轮廓检测，其表达式为：

(9)

2 HXD型机车受电弓滑板缺陷检测优化

2.1 缺陷视觉特征提取

在上述基础上，提取HXD型机车受电弓滑板缺陷的机器视觉信息，采用表面纹理配准和分块自适应检测方法进行HXD型机车受电弓滑板缺陷的特征点标定，通过渗透模型来生成相应缺陷特征分布集[19]，得到HXD型机车受电弓滑板缺陷视觉图像的几何结构重组模型满足：

(10)

在近邻点中对HXD型机车受电弓滑板缺陷视觉特征进行图像重构，采用虚拟现实重构分析方法，得到HXD型机车受电弓滑板缺陷视觉特征分布的边缘像素集为：

(11)

(11)式中，σ表示为HXD型机车受电弓滑板缺陷视觉特征分布的子空间特征匹配系数，Δx表示Hessian-Laplace角点视觉差，t表示检测时间.考虑缺陷纹理分布点的显著性进行HXD型机车受电弓滑板缺陷视觉图像的深度学习[20]，令t(x)=e-βd(x)，其中0

(12)

其中，P为尺度∂的灰度像素差异值，在各种尺度的灰度像素区域内根据HXD型机车受电弓滑板缺陷纹理分布进行视觉定位，采用多重分形技术进行HXD型机车受电弓滑板缺陷视觉重构，根据空间区域重构结果进行HXD型机车受电弓滑板缺陷特征提取，提取输出的迭代式为：

(13)

其中，η表示HXD型机车受电弓滑板缺陷视觉信息重构的分形维数，φ表示偏移值.

2.2 HXD型机车受电弓滑板缺陷检测输出

R(x,y)=x2+y2+δx+εy

(14)

在最大值搜索区域内，采用VR虚拟现实重构方法，进行HXD型机车受电弓滑板缺陷检测，其表达式为：

J(t)=R(x,y)(δx+εy)2t

(15)

3 仿真测试分析

3.1 实验环境设置

为了验证本文方法在实现HXD型机车受电弓滑板缺陷检测中的应用性能，利用Matlab仿真工具，在VS2010+OpenCV2.4.13，Windows10操作系统Intel(R)Xeon(R)CPU E5-2603v4@2.20GHz，内存为32GB的环境下进行仿真实验分析.实验中所使用的数据来源于微表面缺陷数据库(网址：http://faculty.neu.edu.cn/me/songkc/Vision-based_SIS_Steel. html)，共采集数据5 000个，进行50组实验，每次使用100个数据.

3.2 实验指标

本文以HXD型机车受电弓滑板缺陷的检测精度、检测时间、检测误差为实验指标，采用文献[4]方法、文献[5]方法、文献[6]方法、文献[7]方法、文献[8]方法、文献[9]方法、文献[10]方法和本文方法进行对比实验.

1)检测精度：精度为验证检测结果的准确性，由于HXD型机车受电弓滑板缺陷序列没有进行重构，导致检测精度较低，由此，采用本文方法和文献[4]方法、文献[5]方法、文献[6]方法进行对比分析；

2)检测时间：HXD型机车受电弓滑板缺陷在检测的过程中需要产生大量的时间，能够对检测效率产生影响，检测时间越快，检测效率越高.采用本文方法与文献[8]方法、文献[9]方法、文献[10]方法，对HXD型机车受电弓滑板缺陷的检测时间进行对比；

3)检测结果拟合度：HXD型机车受电弓滑板缺陷检测结果的拟合度越高，检测效果就越好，检测结果越准确.采用本文方法与文献[5]方法、文献[6]方法、文献[7]方法进行对比分析.

3.3 实验结果

设定HXD型机车受电弓滑板缺陷红外检测的频率为500 kHz～30 MHz，视觉图像采样的像素为120×120，缺陷视觉信息衰减度为-10 dB.图1为HXD型机车受电弓滑板表面缺陷样本.

图1 HXD型机车受电弓滑板表面缺陷样本

对HXD型机车受电弓滑板表面缺陷样本纹理进行采集，采集时长为100 s，根据上述仿真参数设定，得到HXD型机车受电弓滑板的视觉成像如图2所示.

图2 HXD型机车受电弓滑板的原始视觉图像

通过 HXD型机车受电弓滑板的原始视觉图像，得到实际缺陷检测结果，如图3所示.

图3 实际缺陷检测结果

采用本文方法与文献[5]方法、文献[6]方法、文献[7]方法，对HXD型机车受电弓滑板表面缺陷样本进行检测，将四种方法的检测结果与实际缺陷检测结果进行对比分析，对比结果如图4所示.

图4 四种方法的检测结果对比

根据图4可知，本文对HXD型机车受电弓滑板表面缺陷样本的检测结果与实际缺陷检测结果拟合度为100%，而文献[5]方法、文献[6]方法、文献[7]方法的检测结果与实际缺陷检测结果相差较大.说明本文方法可以准确的检测HXD型机车受电弓滑板表面缺陷，检测效果较好.

为了验证本文方法的有效性，采用本文方法和文献[4]方法、文献[5]方法、文献[6]方法，对HXD型机车受电弓滑板表面缺陷检测精度进行对比分析，得到对比结果见表1.

表1 HXD型机车受电弓滑板缺陷检测精度对比 %

分析表1得知，随着迭代次数的增长，本文方法、文献[4]方法和文献[6]方法的检测精度呈逐渐递增的趋势，且本文方法的检测精度最高可达99.9%，而文献[4]方法、文献[5]方法和文献[6]方法的检测精度最高依次为75.4%、77.2%和80.6%.本文方法进行HXD型机车受电弓滑板缺陷检测的精度比文献方法的检测精度高.

为了进一步验证本文方法的有效性，采用本文方法与文献[8]方法、文献[9]方法、文献[10]方法，对HXD型机车受电弓滑板缺陷的检测时间进行对比分析，对比结果如图5所示.

图5 四种方法的检测时间对比

根据图5可知，本文方法的HXD型机车受电弓滑板缺陷检测时间在40 s以下，比文献[8]方法、文献[9]方法、文献[10]方法的HXD型机车受电弓滑板缺陷检测时间短.

4 结论

为了解决传统HXD型机车受电弓滑板缺陷检测方法中存在的检测时间长、检测精度低、检测结果不准确的问题，本文提出基于机器视觉的HXD型机车受电弓滑板缺陷检测方法.构建HXD型机车受电弓滑板缺陷图像的红外异常特征点分布模型，采用模糊相关性特征匹配方法进行HXD型机车受电弓滑板缺陷融合匹配，提取HXD型机车受电弓滑板缺陷的机器视觉信息，结合模板特征匹配和超像素特征序列重构方法进行HXD型机车受电弓滑板缺陷序列重构，实现HXD型机车受电弓滑板缺陷检测.分析得知，采用本文方法进行HXD型机车受电弓滑板缺陷检测的效果较好，提高了HXD型机车受电弓滑板缺陷主动定位检测能力，在HXD型机车受电弓滑板故障缺陷辨识中具有很好的应用价值.