一种基于三维信息的列车车轮缺陷检测方法

技术领域

本发明属于轨道交通领域，特别涉及到一种基于三维信息的列车车轮缺陷检测方法，并应用于列车轮对在线检测产品中。

背景技术

随着我国轨道交通的快速发展，传统人工方式进行车轮缺陷检测已满足不了日常运营需求，而高精度智能化检测设备的出现保障了列车安全运行。在列车运行中，车轮是行车安全的关键部件，行驶中的车轮会有磨耗、擦伤、剥离等缺陷出现，而这些严重的缺陷会导致列车脱轨事故，故需要对列车车轮进行动态检测。

目前，大部分车轮检测设备都是采用二维相机来获取车轮图像数据，二维相机获取的踏面图像无法检测出缺陷区域的深度信息，而且图像质量较低，环境因素影响大，不利于车轮图像的分析处理。而具有深度信息的激光扫描仪被逐渐运用到车轮在线检测系统中。

中国专利ZL202110047893公开了一种车轮踏面缺陷三维检测方法及其系统，该方法采用光栅投影法获取车轮踏面三维数据，进而完成车轮三维点云图像的重构，再与标准车轮踏面三维图像数据进行比对，得到车轮踏面缺陷区域。该方法只完成了车轮部分区域的三维重构，没有重构出完整三维车轮数据，无法对车轮全方位进行缺陷检测，而且采用对比的方式进行缺陷检测，需要消耗更多的存储空间。中国专利ZL201410798858公开了一种踏面缺陷信息检测系统及方法，该方法获取车轮踏面的多个曲面图像信息，用于构建列车车轮踏面的空间曲面信息，并将构建得到的空间曲面信息与预设踏面曲面信息比对，得到列车车轮的踏面的缺陷信息的踏面缺陷检测模块。该方法通过比对的方式进行踏面缺陷的检测，该方法需要消耗更多的存储空间及更多的处理时间。

发明内容

针对上述现有技术中存在的缺点与不足，本发明目的在于提出一种基于三维信息的列车车轮缺陷检测方法。

本发明为解决上述技术问题采用以下技术方案：

一种基于三维信息的列车车轮缺陷检测方法，包括：

图像采集并预处理得到激光线图像；

激光中心线提取：提取得到激光图像的中心线，二维坐标为(x，y)；

激光坐标变换：将提取到的车轮表面激光线生成的图像点集所述(x，y)转换为真实的世界坐标系下坐标(X

三维车轮数据拼接：将某个采集设备的坐标系作为参照物且定义为世界坐标系，其他采集设备的坐标系进行仿射变换，对重叠区域进行融合处理，得到完整车轮的三维信息；

缺陷检测：依据车轮局部深度信息，采用多级判断的策略完成缺陷检测。

进一步地，所述缺陷检测：先沿车轮踏面方向先取一行数据，与相邻行在列方向进行深度信息对比，值较大的点标记为1，较小的点标记为0；然后遍历整个车轮，找出变化较大的区域位置，即标记为1的所有区域为可疑缺陷位置；最后对标记为1区域进行局部聚类处理，对聚类后的区域进行逐一比较，找出所有满足条件的区域即为缺陷，对缺陷区域进行统计可算出该缺陷区域的面积、位置和最大深度信息。

进一步地，所述激光中心线提取：将预处理后的激光线图像调整放大数倍以达到亚像素精度图像；采用自适应边缘检测算法检测放大后激光线图像的边缘点，再对边缘检测图像进行形态学膨胀处理；通过统计放大后激光线图像的直方图计算出自适应阈值；利用自适应阈值分割放大后激光线图像，对分割后的图像进行细化处理；通过区域增长处理合并膨胀的点，最终提取得到激光图像的中心线，记中心线坐标为(x，y)。

进一步地，所述图像采集：多个采集设备分布在轨旁形成采集设备阵列，采集设备包括线阵相机和激光扫描仪。

进一步地，所述激光坐标变换：所述(x，y)和世界坐标系下坐标(X

其中，f为线阵相机的焦距，(X

更进一步地，在世界坐标系内O-X

进一步地，所述三维车轮数据拼接：将某一个采集设备的相机坐标系作为参照物且定义为世界坐标系，通过测量标定可得到其他采集设备相对于上述参照物的外参数旋转矩阵R0和平移向量T0，将R0、T0作为初始值，通过NICP算法计算相邻点云数据之间的变换参数，得到更加精确的旋转参数R和平移参数T，最后将R和T对各自的数据进行仿射变换，对重叠区域进行融合处理，即可完成车轮数据的拼接。

进一步地，所述预处理：采用高斯滤波对原始数据进行降噪处理，获取较为平滑的激光线图像，再通过对比度拉伸提高激光线图像的清晰度，最后通过轮廓提取判断的方式，删除与激光线无关的干扰数据。本发明的基于三维信息的列车车轮缺陷检测方法采用多个线阵相机与3D激光扫描仪模块的组合，生成多个二维图像数据及具有深度信息的激光扫描数据，经过复杂的图像处理算法提取车轮激光中心线数据，重建具有深度信息的车轮三维轮廓，然后拼接成完整车轮的三维信息，再通过局部深度信息对比，找出深度变化较大的区域，最终对完整车轮的踏面和轮缘表面进行缺陷检测，得到缺陷区域的面积、位置和深度等信息，及时动态生成检测报告供客户复核检修。

附图说明

图1是本发明的总体流程图；

图2是本发明的采集设备示意图：(a)采集设备采集角度示意图；(b)多个采集设备设置示意图；

图3是本发明的原始车轮激光线图；

图4是本发明的激光线提取图；

图5是本发明的三维坐标变换图；

图6是本发明的车轮三维拼接图。

具体实施方式

下面结合附图和实施例对本发明做进一步的说明。

参照图1所示，是本实施例的基于三维信息的列车车轮缺陷检测方法总体流程图。

图2(a)是本发明某一采集设备采集车轮数据的示意图，图2(b)是本发明采集设备布局示意图。

从图1中可以看出本实施例的基于三维信息的列车车轮缺陷检测方法有6个主要的实施步骤，即数据采集、数据预处理、激光线提取、激光坐标变换、三维车轮拼接和缺陷检测，上述各个步骤的具体实施如下：

一、数据采集：

本实施例的采集设备安装在列车出入库咽喉段的轨道两旁，将根据车轮大小选择安装数据采集设备的数量，每个采集设备采集轮子的大小是一定的，车轮越大，需要的采集设备数量就越多。采集设备包括激光扫描仪、线阵相机、光源、发射器、接收器及温度控制等部件。在本实施实例中采用10个上述采集设备安装在动车检测棚内，轨道一边安装5个上述采集设备，设备布局如图2(b)所示，显示了轨道左边的设备布局方式，右边的布局方式和左边的布局一样。此外，采集设备安装在轨边并与轨边保持安全距离、不能高于轨面高度，与轨道之间的角度大概在5度左右，各采集设备之间距离约为600毫米。

由于车轮图像采集设备固定成像的特点，当车轮通过，每个车轮都有数千次扫描，捕捉每个车轮的详细状态，图2(a)所示为设备采集车轮数据示意图，依次将采集到的车轮图像按照采集设备的布局和拍摄顺序进行编号，通过TCP传输到服务器中进行存储，便于后续的数据处理和分析。

二、数据预处理：

如图3所示为某一采集设备采集到的部分车轮原始激光图像，由于获取到的数据存在光源、噪声等干扰，会影响后续的数据处理及测量精度。

本实施例采用高斯滤波对原始数据进行降噪处理，获取较为平滑的激光线图像，再通过对比度拉伸提高激光线图像的清晰度，最后通过轮廓提取判断的方式，删除与激光线无关的干扰数据，将预处理后的激光线图像记为Img。

三、激光中心线提取

对于步骤二提取到的激光线图像，需要进一步提取激光线的中心，提高数据处理精度。

具体步骤为：

(1)将Img调整放大2倍，以达到亚像素精度图像，记为ImgResize；

(2)采用自适应边缘检测算法检测放大后激光线图像ImgResize的边缘点，再对边缘检测图像进行形态学膨胀处理，记膨胀处理后的图像为ImgDilate；

(3)统计ImgResize的直方图，并根据直方图信息计算出自适应阈值；

(4)利用步骤(3)得到的自适应阈值分割图像ImgResize，对分割后的图像进行细化处理，记为ImgThin；

(5)对ImgThin进行区域增长，处理合并ImgDilate的点，最终提取激光图像的中心线，如图4所示，记中心线坐标为(x，y)。

四、激光线坐标变换

将提取到的车轮表面激光线生成的图像点集(x，y)转换为真实的世界坐标系下坐标(Xw，Yw，Zw)，即将图4所示的数据坐标变换到图5所示的数据，根据摄影测量原理，它们之间的关系如下所示：

其中，f为相机的焦距，(X

本实施例中，采集设备中的激光扫描仪和线阵相机安装位置相对固定，通过黑白棋盘格预先对相机进行标定，得到标定后的相机的变换参数H。

由于激光线图像坐标及标定物位置都是已知，再对激光扫描仪进行标定，激光平面方程a·X

一旦激光扫描仪和线阵相机都经过标定，那么车轮二维图像上任何激光点都可以通过上述坐标转换，得到车轮在世界坐标系中的位置(线阵相机和激光扫描仪安装位置是相对固定的，先对相机进行标定，再对激光扫描仪进行标定，得到激光扫描仪相对相机的位置，而激光扫描仪的数据是通过相机成像体现出来的，这样二维激光图像数据就可以转换到三维世界坐标系统中)。

由于在数据采集过程中，车轮与激光扫描仪之间的距离是变化的，即在近距离采集到的激光线数据较宽，在远处采集到的激光线数据较窄，所以采集到的激光线在世界坐标系中呈弧面形状，故需要在世界坐标系内O-X

五、三维数据拼接

本实施例用多个采集设备获取同一个车轮的数据，采集设备之间为水平布局方式，相邻采集设备之间采集到的数据有重叠，需要对所有采集设备数据进行拼接处理，从而构建出完整的车轮三维信息。

步骤四中，已将各激光扫描仪所获取数据完成坐标转换，但各激光扫描仪之间依然存在仿射变换，要完成三维车轮数据拼接，需要把所有采集设备获取的激光数据转换到同一个世界坐标系中，本实施例将第一个采集设备的相机坐标系定义为世界坐标系，如图2(b)所示，以采集设备1和采集设备2为例进行说明，待拼接的两组数据分别记为data1和data2，具体步骤为：

(1)通过测量标定可得到采集设备2相对于采集设备1的旋转矩阵R0和平移向量T0，将R0、T0作为初始值，通过NICP(Normal Iterative Closest Point)算法计算相邻点云数据之间的配准变换参数，得到更加精确的旋转参数R和平移参数T；

(2)将R和T用于对数据data2处理，完成仿射变换的计算，记变换后的数据为data2c；

(3)通过步骤(2)可算出data1和data2c的重叠区域，对重叠区域进行叠加融合，再通过体素滤波对融合区域进行过滤，除去多余的点云数据，本实施例中体素大小设置为2*2*2毫米，通过上述步骤即可完成车轮数据的拼接。

同理，其它相邻采集设备的数据可按上述方法处理拼接，如图6所示为5个采集设备拼接后的车轮三维数据。

六、车轮缺陷检测

通过步骤五可得到完整车轮的三维信息，本实施例将依据车轮局部深度信息，采用多级判断的策略，完成缺陷检测。具体步骤为：

(1)沿车轮踏面方向取某一行数据，记为R

(2)依次遍历整个车轮并按步骤(1)进行处理，找出变化较大的区域位置，即标记为1的所有区域为可疑缺陷位置；

(3)对标记为1的区域进行聚类处理，找出所有满足条件的点，将聚类的区域记为ROI；

(4)将ROI区域与相邻区域再进行深度均值得对比，将满足条件的区域提取出来并确定为缺陷，对缺陷区域进行统计可算出车轮所有缺陷区域的面积、位置及深度信息。

本发明已以较佳实施例公开如上，但它们并不是用来限定本发明，任何熟悉此技艺这，在不脱离本发明之精神和范围内，自当可作各种变化或者润饰，因此本发明的保护范围应当以本发明的权利要求保护范围所界定的为准。