基于多视觉传感器的受电弓滑板磨耗检测系统设计

伍川辉，任继炜，廖 家，李恒奎，杨 岗

(1.西南交通大学机械工程学院，四川成都 610031；2.中车青岛四方机车车辆股份有限公司，山东青岛 266111)

0 引言

近年来我国轨道交通领域快速发展，铁路里程数增长迅速，高速发展的同时也给列车运行带来了更大的压力和挑战。当前主流运行机车为电力机车，受电弓作为车辆运行时的受流装置对列车的行车安全至关重要。当机车运行时，受电弓碳滑板和接触网导线之间会产生滑动摩擦，从而使碳滑板产生磨损。如果产生非正常磨耗，则会显著降低滑板使用寿命，当碳滑板磨损到极限时，如果不能及时发现将会造成碳滑板与接触线脱离，会给列车的行车安全带来巨大的安全隐患，从而引发列车安全事故。因此为确保行车安全、便捷指导滑板维护，需要对受电弓滑板状态进行更加全面及时的检测[1]。

受电弓滑板磨耗检测方法分为2种：人工静态检测、动态测量。人工检测效率低、安全隐患较大，不符合电气化铁路发展要求。动态检测从测量手段上看可分为3类：超声检测、图像法检测、结构光检测。东日本公司率先采用超声检测，此种检测方式精度较高但其设备安装复杂且费用昂贵，难以实现工业化应用。西南交通大学张辉采用双目视觉对受电弓滑板磨耗进行检测，但在曝光较高的情况下会产生误检[2]。南京理工大学胡雪冰提出基于图像处理的受电弓故障在线检测系统，在现场光照条件变化和背景复杂时，算法影响较大[3]。石家庄铁道大学张新龙提出一种基于单目视觉的结构光扫描成像测量系统，但该方法存在一定的局限性。第一，成像平面必须在激光面上；第二，摄像机与激光器的安装角度也有较高要求，当设备夹角超过60°后，计算碳滑板的世界坐标时将会出现偏差[4]。线结构光视觉测量技术具有非接触式、测量速度快、精度高、受环境干扰小等特点，已逐步应用于轨道交通测量领域，采用视觉测量技术对受电弓滑板轮廓进行扫描，可以快速获取受电弓碳滑板表面轮廓结构，准确掌握受电弓质量状态。

本文针对滑板磨耗提出一种基于线结构光的多视觉传感器检测系统。通过受电弓弓顶上方的3台视觉传感器实现受电弓滑板断面的轮廓获取。通过多视觉传感器的组合标定将多段滑板数据拼接到统一坐标系下。在拼接好的完整点云数据中，采用基于包围盒的体素栅格进行下采样，并通过聚类思想分割得到滑板表面轮廓与托板平面，计算两平面间的距离得到滑板的最小剩余量，换算即可得出滑板的最大磨耗值。

1 系统总体设计

1.1 结构光视觉传感器

本文所用到视觉传感器，由摄像机和线结构光组成，其结构如图1所示。激光发生器产生激光束，经过特殊透镜形成激光面，激光面照射到滑板表面时会形成一条调制光带，该激光光带携带有目标物体表面的三维深度信息。通过摄像机拍摄光条纹图像，可以将三维空间的深度信息转换到二维图像中；之后，通过物体与摄像机空间几何关系和深度提取算法，可以将物体表面深度变化信息提取出来，得到滑板三维点云数据[5]。当设备运行时，列车以一定速度通过检测系统，设备扫描滑板轮廓获取其三维点云数据。

图1 视觉传感器测量原理图

1.2 检测系统设计

该检测系统主要完成对受电弓碳滑板磨耗的检测。系统硬件结构由视觉传感器、信号触发装置、图像处理设备组成。视觉传感器作为图像采集设备，由固定安装角度的摄像机和线激光光源构成，负责获取受电弓碳滑板表面轮廓数据。受电弓滑板横向空间尺度大，而单台视觉传感器的测量范围较小，无法完全覆盖全部滑板，因此本系统采用组合多视觉传感器进行弓顶滑板轮廓扫描，设备布局如图2所示。该系统由3组视觉传感器，即3台摄像机和结构光源组成，在水平横梁上垂直向下安装于受电弓正上方，车辆入库时驶过检测系统下方，触发激光传感器开机完成受电弓滑板轮廓扫描。测量过程中激光器向滑板射出光平面，经过受电弓滑板弓顶轮廓调制，在其表面形成一条高亮度的激光光条，与激光器成一定角度的摄像机拍摄激光光条图像，并将其传输到计算机图像处理设备，进行后续的计算处理。

图2 滑板轮廓测量系统

信号触发装置由磁钢和光电开关组成，磁钢布置于系统前端。当列车经过磁钢时，产生电压信号，触发系统开机；当受电弓到达检测位置时，遮挡光电开关，产生一个触发信号控制采集设备开始工作。采集完毕后，机车驶离采集区域，触发关机光电开关，控制采集设备停止运行。通过这种方式使得设备只在有机车经过时开机检测，车走即关，极大提高了设备的使用寿命。图像处理设备主要用于对视觉传感器采集的图像进行处理，提取滑板轮廓图像中的激光光条中心线。计算机结合多视觉传感器组合标定模型实现不同视觉传感器测量数据空间同步，进行坐标转换后输出最终三维点云数据。通过相关算法进行数据解析，得出滑板磨耗值。系统总体工作流程如图3所示。

图3 受电弓滑板磨耗检测系统设计

2 检测系统原理

2.1 多视觉传感器组合标定

受电弓滑板磨耗检测系统中，由于单视觉传感器的测量范围无法覆盖空间尺度较大的滑板，因此为增大测量范围，需要对多视觉传感器进行组合标定。多视觉传感器标定过程即为建立数学模型求解各摄像机之间位姿关系的过程[6]。该过程主要分为3部分：单摄像机内参标定、结构光平面方程参数标定、摄像机外部参数标定。

图4 视觉传感器标定原理图

完成单个视觉传感器的标定后，需要对滑板轮廓检测系统中多视觉传感器外部参数标定，即确定每台视觉传感器之间的相对位置关系。先进行其中2台摄像机的位置关系求解，然后将左右两台摄像机的位置统一于中间摄像机的坐标系下。利用三维靶标作为公共标定靶进行位置标定，将尺寸已知的高精度三维靶标放置于视觉传感器交叠区域，在相邻的传感器视场下分别获取激光光条图像，计算靶标特征点在各自摄像机坐标系下的坐标。通过坐标映射关系计算左右两台摄像机坐标系到全局坐标系的映射矩阵，求解得出摄像机之间的位置关系。

假设三维空间中一点P(Xw,Yw,Zw)在相邻两摄像机视角下的坐标分别为Pc1(xc1,yc1，zc1)、Pc2(xc2,yc2,zc2)，由内参标定可知空间三维坐标到两台摄像机坐标系的旋转平移矩阵分别为[R1t1]、[R2t2]，根据坐标系间刚体变换模型可建立如下关系：

(1)

融合式(1)可得两视觉传感器摄像机机坐标系下两坐标点之间对应关系：

(2)

整理可得下式：

Pc2=R21Pc1+t21

(3)

式中R21、t21分别为相邻两摄像机之间的坐标旋转矩阵和平移向量。

因此，在完成摄像机内参及光平面方程标定的基础上，从左摄像机到右摄像机旋转矩阵和平移向量分别为：

(4)

将3台视觉传感器的位置统一于以中间视觉传感器为基准的全局坐标系下，建立多视觉传感器组合标定模型。利用此模型采集数据，完成滑板三维点云的拼接，得到完整的受电弓滑板轮廓。

“用文化管理，统一理念；用制度管理，规范行为；而以人为核心管理，方能立足根本。”中国医科大学附属盛京医院（以下简称“盛京医院”）党委书记赵玉虹一语道中管理玄机。

2.2 滑板点云数据处理

通常得到的点云数据，由于激光传感器本身的影响，或者环境因素及异物遮挡的影响，会在采集过程中产生一系列噪声点，影响后续点云数据的处理。因此需要对点云数据先进行简单滤波预处理，去除尖锐噪声及较大的离群噪声。同时由于设备采集到海量点云数据，如果全部计算会增加系统的时间复杂度，同时也会对计算机内存资源造成极大消耗，影响计算效率，因此还需要对点云数据进行精简。基于包围盒的体素格栅法可以在精简点云数据的同时不破坏点云几何结构，因此本文采用以体素栅格为基础的下采样算法对点云数据稀疏化[9]。

采用矩形包围盒将滤波后的点云数据进行整体包络，获取边界框在XYZ三个维度上的最大值与最小值，计算得出各边长，假设包围盒的各边长分别为Lx、Ly、Lz。根据包围盒边长设置立方体网格边长：

(5)

式中：N为包围盒中点云总数；α为调节因子；θ为比例系数。

通过取整函数ceiling进行点云数据分割,将滑板点云数据分配到各单位立方体栅格中：

ceiling(Li/d)(i=x,y,z)

(6)

由下式计算所划分的每个单位立方格内所有点集的重心坐标，即：

(7)

式中：s为单位栅格内所包含的点云数量；(xj,yj,zj)为每个点的点云坐标；(xp,yp,zp)为每个单位栅格内重心坐标。

通过下式分别计算单位体素格内各点坐标与重心点坐标之间的距离，即

(8)

根据所划分栅格内每一个数据点与栅格内点集重心的距离大小，有选择地保留单位体素栅格内各点与重心点距离集合中的最小值Dmin所对应点云或格栅重心点，其余点进行删除实现滑板点云数据的精简过程。图5、图6为部分滑板点云数据未精简及精简之后的细节图。

图5 左滑板原始图像及局部细节图

图6 左滑板下采样图像及局部细节图

受电弓滑板安装于金属托板上，因此可以通过提取滑板及托板点云数据，拟合滑板轮廓及托板平面，用滑板平面所在的高度减去托板平面所在的高度，即可计算得到滑板最小剩余磨耗量，将其与滑板标准厚度对比可计算出最大磨耗值。

因此滑板数据经过降采样精简后，需要进行区域分割，将滑板轮廓及受电弓安装滑板的托板轮廓分割出来，便于后续计算磨耗量。由于本文所采集到的数据具有密度集中的特点，除部分离群噪声外，大部分点云数据集中在滑板轮廓和金属托板附近，因此利用聚类的思想对检测系统获取到的点云数据进行目标区域分割。DBSCAN算法不需要在一开始去定义聚类的簇数，便可将具有足够高密度的区域划分为目标簇，并且不会有基于距离聚类算法仅能发现类圆形簇的缺点，可以识别任意形状和大小的点云簇[10]。在本文滑板点云数据的处理中，由于噪声的数目、分布均未知，所以DBSCAN算法能够较好地应用在此类问题中。在滑板点云数据分割中根据实际数据形状等设置相应的参数，获取最佳聚类结果，有效提取滑板主体数据及托板数据。

受电弓滑板和托板如图7所示，经过聚类分割之后，滑板主体及托板被有效提取出来，并去除了噪点的影响，达到后续处理标准。

3 试验验证

在列车受电弓滑板磨耗量的实际检测中要求检测系统精度达到±0.5 mm。受电弓滑板随着运行时间增加，会有不同程度的磨耗，为验证滑板磨耗检测系统的工作性能，对实际使用的受电弓进行实验室环境下的试验验证。实验中采用定制三维视觉测量传感器，采样频率为5 kHz，弓顶3台视觉传感器安装在龙门架上，使激光平面垂直向下射出。为避免同波段激光互相干扰，中间激光器选用不同频率的激光。实验过程中，受电弓匀速通过检测系统，视觉传感器采集滑板三维点云数据。经过全局标定后的3台视觉传感器将3段滑板点云拼接于以中间传感器为基准的全局坐标系下,经过图像处理设备重采样稀疏点云并基于密度聚类进行区域分割，得到滑板和托板廓体。

将分割出来的托板轮廓进行平面拟合，拟合结果如图8所示，黑色平面即为所拟合托板平面。根据磨耗定义，滑板平面与托板平面之间的距离均值即为滑板磨耗后的剩余量，用滑板原始厚度减去其磨耗剩余量即可得到滑板的磨耗量。比较最大磨耗量与规定磨耗量的大小可判断最大磨耗量是否超限。

图7 滑板、托板点云数据聚类分割图

图8 托板点云数据拟合平面

对同一滑板进行多次测量，通过比较检测系统测量均值和人工测量均值验证算法的精确性，选取5条滑板，每条滑板进行3次重复测量，由表1、表2可知其系统测量值与人工测量值的均值误差分别为0.24、0.36、0.43、0.47、0.55 mm，均小于1 mm,在合理误差范围内，精确性较高。根据系统自身多次测量数据，采用测量标准差作为检测系统重复性评价的指标。试验结果表明，重复测量多次得出的标准差分别为：0.46、0.39、0.40、0.43、0.45 mm，均小于0.5 mm，故该系统能够满足实际应用与工程测量要求。

表1 滑板系统测量及误差 mm

表2 滑板人工测量及误差 mm

4 结束语

本文设计一种基于多视觉传感器的受电弓滑板磨耗检测系统，利用线结构光扫描受电弓滑板，摄像机拍摄结构光光条图像，获取激光点云数据。通过建立多视觉传感器组合标定模型完成多段滑板轮廓的拼接，采用基于体素栅格的原理对海量点云数据进行下采样，基于密度聚类的方法，分割目标区域，提取滑板主体及托板轮廓，拟合滑板平面和托板平面，通过两平面高度差计算滑板最大磨耗量。经过对本文所设计系统进行试验验证证明，该系统具有较高精度和较好的实用性，能够满足工程应用的需要。