钢轨磨耗自动检测装置的制作方法

本发明属于检测领域，涉及一种钢轨磨耗自动检测装置，特别涉及基于一字线激光图像处理和微处理器的能够有效检测钢轨轨头表面磨耗深度和宽度一种钢轨磨耗自动检测装置。

背景技术：

铁路是交通运输的大动脉，相比其他运输方式，重载铁路运输以运量大、成本低的特点在世界各地迅速发展起来。在轨道设备中,钢轨是最重要的组成部件,直接承受列车载荷并引导车轮运行。钢轨的技术状态是否完好,直接影响着列车能否按规定的速度安全、平稳和不间断的运行。铁路机车是通过轮轨间的摩擦力来传递驱动力和制动力,而轮轨间的摩擦则会导致钢轨磨耗的产生。随着机车的高速、重载、高密度运行,钢轨的磨耗就会快速度的增加,特别是小半径曲线外轨内侧面磨耗尤为严重。

钢轨磨耗的检测技术经过了从简单目测到尺规类工具检测、数字化仪器检测等过程。目前，我国在钢轨磨耗检测方面有接触卡具测量、涡流检测、光学三角测量等主要方法，检测结果往往取决于检测工人的态度和仪器使用的经验，这些方法存在着检测效率低、检测精度不高等诸多问题，已不能满足目前高速化的发展需要。虽然现在出现了一种利用激光检测铁轨表面磨耗的检测设备，但不能实现精准的步进式检测，其他检测方法也只是停留在理论研究层面。

技术实现要素：

为了得到一种可以执行钢轨磨耗检测方法的检测装置，本发明提出了一种钢轨磨耗检测装置，以执行钢轨磨耗方法，其技术要点是：包括一字线激光器、CCD图像传感器和微处理器、一字线激光器发出的一字线光束所在平面和被测钢轨表面呈60°角，CCD图像传感器位于一字线光束所在平面的正上方，所述微处理器的输入端接收CCD图像传感器采集的钢轨图像信息，并执行钢轨磨耗检测方法。

有益效果：本发明给出了一种钢轨磨耗检测装置，且激光与导轨表面成一定角度照射，为保证钢轨有磨耗时在表面形成的两段激光图像在垂直于导轨的方向不在一条直线上；60°是为了两段图像在磨耗断面上形成一个特殊三角形，即一个60°的直角三角形，这样方便计算磨耗宽度和深度。

附图说明

图1为实施例2中所述钢轨磨耗自动检测装置的结构框图；

图2为无磨耗激光图像示意图；

图3为有磨耗激光图像示意图；

图4为亮度曲线及圆盘直径示意图；

图5为数据点及特征量的标记示意图。

具体实施方式

实施例1：一种钢轨磨耗自动检测方法，采集钢轨的激光图像，并与完整钢轨激光光带图像进行图像比对，以判断检测钢轨是否有磨耗，判断钢轨有磨耗的，对采集的激光图像进行激光图像处理，所述激光图像处理包括图像预处理和图像边缘提取，激光图像处理后，选择并提取与钢轨磨耗量相关的激光图像特征量，以计算得到钢轨磨耗深度和宽度。其中：所述提取与钢轨磨耗量相关的激光图像特征量为以下特征量中的一种以上：

1)激光图像的两段直线部分的长度l_A和l_B；

2)两段直线激光图像的宽度差e；

3)两段直线激光图像的纵向位置差z；

4)两段直线激光图像间过渡段的长度l_C；

5)两段直线激光图像间过渡段的倾角θ；

磨耗宽度和磨耗深度统称为钢轨磨耗的特征量，选择上述中一个或多个激光图像特征量，用于计算钢轨磨耗的深度和宽度；

而在计算钢轨磨耗的深度和宽度时，并非选择全部的上述激光图像特征量进行计算，为了优化计算过程，选择激光图像特征量的组合作为计算钢轨磨耗的深度和宽度的基础计算数据，选择该组合时的方法是：首先确定与该磨耗特征相关的激光图像特征量，并从激光图像特征量中选择首选特征量，计算其余各激光图像特征量与首选特征量的相关度系数，并求其平均值，该平均值即为特征量选择的阈值β，若其中某两个激光图像特征之间的相关系数的绝对值|rTij|≥β，该两个激光图像特征是相关冗余特征，只选择其中一个作为钢轨磨耗判断的激光图像特征量。即在选择用于判断的激光图像特征量的组合时，假设M是在具有磨耗的钢轨上定点采集到的特征样本集合，该集合包含N个固定点的反应磨耗的激光图像特征量，选择相关度系数作为度量参数，该参数体现特征之间的相似性，两个激光图像特征是相关冗余特征，只选择其中一个作为钢轨磨耗判断的激光图像特征量，用于寻找可以有效判断钢轨磨耗宽度和深度的最少激光图像特征量的组合。

作为一种实施例，上述中相关度系数作为度量参数，以体现特征间相关性的具体方法是：使用设两组不同的激光图像特征分别为：T_i＝{t_ik,k＝1,2,…,n}和T_j＝{t_jk,k＝1,2,…,n}，其中k表示第k个测试点，共有n个测试点，则两组激光图像特征的相关系数定义如下：

${\mathrm{rT}}_{ij}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(t_{ik}-\stackrel{\‾}{t_i})(t_{jk}-\stackrel{\‾}{t_j})}{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(t_{ik}-\stackrel{\‾}{t_i})}^2}\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(t_{jk}-\stackrel{\‾}{t_j})}^2}}$

式中，和分别为两组特征T_i和T_j的平均值：和

相关系数rT_ij反映了两组特征T_i和T_j的相关程度，rT_ij的取值为负时，表示两特征负相关；rT_ij的取值为正时，表示两特征正相关；当rT_ij＝0时，两磨耗特征之间是不相关的，当rT_ij的绝对值越接近于1时，两激光图像特征的相关程度越高，产生的冗余性越大，在反应钢轨磨耗的激光图像特征集合中，利用各激光图像特征量之间的相关系数，设置阈值β，若其中某两个激光图像特征之间的相关系数的绝对值|rT_ij|≥β，该两个激光图像特征是相关冗余特征，只选择其中一个作为钢轨磨耗判断的激光图像特征量。

在另一实施例中，对于上述所述的阈值β的确定方法是：对于某单一的激光图像特征量，选中其作为首选特征，判断其余激光图像特征量为冗余特征的可能性的方法是：确定首选特征后，通过计算获得钢轨磨耗宽度和深度相关激光图像特征集合中与首选特征量之间的相关度系数，将该组相关度系数数据的均值设置为阈值β，阈值β的确定方法是：

$\mathrm{\β}=\frac{1}{c-1}\underset{j=2}{\overset{c-1}{\mathrm{\Σ}}}\left|{\mathrm{rT}}_{1j}\right|$

其中：式中c为特征量的数量，l为首选特征量的序号，j为备选特征量的序号。

由此，上述实施例，求得特征间的相关系数以得到特征间冗余的可能性大小，将该组相关度系数数据的均值设置为阈值β，以此阈值作为判断特征是否冗余的依据，从而在判断两特征冗余时，只选择冗余特征间的一个作为计算磨耗的深度和宽度的激光图像特征，以优化计算过程，以此得到最少特征组合。

作为一种实施例，具体公开磨耗深度和宽度的计算方法：激光图像的两段直线部分的长度l_A作为磨耗宽度检测的首选特征，两段直线激光图像的纵向位置差z作为磨耗深度检测的首选特征；由两组激光图像特征的相关系数计算得到激光图像的两个直线部分的长度l_A和l_B作为磨耗宽度检测的特征量，两段直线激光图像的纵向位置差z作为磨耗深度检测的特征量，磨耗宽度计算公式为：

$W=l_B+\frac{2}{3}|l-(l_A+l_B)|$

其中，l为没有磨耗钢轨的宽度；

磨耗深度计算公式为：

V＝z·tan 60°

作为一种实施例，所述图像预处理包括如下步骤：

首先将图像灰度化，绘制灰度图像的直方图，找出灰度集中范围；

然后使用下述公式，对灰度图像进行灰度增强，使图像更加清晰；

$y=255\×\frac{(x-a)}{(b-a)}$

其中：a、b分别为灰度图像直方图中灰度值集中分布的左右边界点，x、y分别代表灰度增强前后的灰度值。

作为一种实施例，所述图像边缘提取的方法，包括如下步骤：

任取一条沿水平方向分布像素点的中值滤波亮度曲线，在该曲线最大峰值两侧分别取出亮度梯度变化最大的连续点，取该两组连续点的中点p和q，p和q之间距离作为检测模板直径；

设图像的亮度为f(i,j)，在图像场内取一个圆s(c,r)作为检测模板，其中c为圆心，其坐标为(i_c,j_c)，r为半径；

定义s(c,r)内像素点的集合，并记圆s内像素点的亮度和为：

$X=\underset{(i,j)\∈X}{\mathrm{\Σ}}f(i,j)$

使检测模板圆心在水平方向的小范围内移动，计算每一位置检测模板内各像素亮度和，该范围内亮度和最大的模板圆心位置，即为该亮条的一个像素级屋脊边缘点，利用最小二乘法拟合直线，该直线即为一字线激光图像中心线，所述小范围是以圆心为中心点左右各2倍半径的图像区间，以得到激光图像的两段直线部分的长度l_A和l_B，两段直线激光图像间过渡段的长度l_C。

本实施例采集的钢轨激光图像与完整图像进行比对，以判断是否采集图像中的钢轨存在磨损，并在判断为磨损时，进一步选择特征量以计算得到磨损，先定性判断磨耗，再定量计算磨耗深度和宽度的思路，以及在计算过程中，对特征量进行选择，以优化磨耗深度和宽度的计算过程。

实施例2：作为实施例1技术方案的补充，或者作为一种单独的实施例：磨耗主要出现在钢轨的头部，磨耗的包括顶面磨耗和侧面磨耗，检测时必须同时检测这两个数值，来综合判断钢轨的磨耗程度。本实施例利用高强度窄束一字激光光束，激光器与一字线光束所在平面和被测钢轨表面呈60°角，高分辨率面阵CCD图像传感器位于激光图像的正上方拍摄激光图像。在有磨耗的钢轨表面光束图像出现了弯曲，通过弯曲点出现的位置及弯曲程度确定钢轨磨耗的宽度及深度。

钢轨磨耗自动检测装置包括：一字线激光器、CCD图像传感器、微处理器、执行单元、显示和声光报警单元以及接口单元。CCD图像传感器采集激光图像，所获得的图像信息传输给微处理器进行分析处理，提取图像边缘和中心位置并拟合直线，形成完整钢轨激光光带图像轮廓，将图像信息转换成钢轨轮廓参数，存储钢轨轮廓的特征量，并与完整钢轨参数进行比对，判断钢轨是否存在磨耗。没有磨耗继续进行下一点检测；有磨耗，进一步确定磨耗量，包括磨耗的深度和宽度。执行单元接受微处理器的控制信号，控制检测装置的行进方向和速度，调节CCD图像传感器的方位，微处理器的输出端分别与LCD显示器和声光报警系统连接，LCD显示器用于显示钢轨的当前位置和磨耗程度，声光报警系统用于提示钢轨当前位置存在磨耗，需要修复。接口单元用于与上位机交换信息，上位机可以进一步对磨耗位置的图像进一步精细处理，确定精确地磨耗量。

图像预处理是激光图像边缘提取的前期处理阶段，首先将图像灰度化，绘制灰度图像的直方图，找出灰度集中范围，利用公式(1)(其中a、b分别为灰度图像直方图中灰度值集中分布的左右边界点，x、y分别代表灰度增强前后的灰度值)对灰度图像进行灰度增强，使图像更加清晰。

$y=255\×\frac{(x-a)}{(b-a)}---\left(1\right)$

一字线激光图像的边缘检测采用“屋脊形”边缘检测方法。基于单一像素点亮度的边缘检测方法抗噪声能力较差，为了降低图像噪声的干扰，把某一区域内各像素点亮度和作为“屋脊形”边缘判别依据。由于圆具有各向同向性，不受屋脊形边缘方向的影响，因此，本发明采用圆盘法“屋脊形”边缘检测方法。将大小适当的圆盘检测模板在一字线激光图像两侧的一定范围内移动，当模板内各像素点的亮度和的梯度变化满足一定要求时，模板的中心点为屋脊形边缘点。

任取一条沿水平方向分布像素点的中值滤波亮度曲线，在该曲线最大峰值两侧分别取出亮度梯度变化最大的连续点，取该两组连续点的中点p和q，p和q之间距离作为检测模板直径，如图3所示。

设图像的亮度为f(i,j)，在图像场内取一个圆s(c,r)作为检测模板，其中c为圆心，其坐标为(i_c,j_c)，r为半径。定义s(c,r)内像素点的集合：

并记圆s内像素点的亮度和为：

$X=\underset{(i,j)\∈X}{\mathrm{\Σ}}f(i,j)---\left(2\right)$

使检测模板圆心在水平方向的小范围内移动，计算每一位置检测模板内各像素亮度和，该范围内亮度和最大的模板圆心位置，即为该亮条的一个像素级屋脊边缘点。利用最小二乘法拟合直线，该直线即为一字线激光图像中心线。检测出的边缘点及拟合的直线如图4所示。

进一步提取和钢轨磨耗量相关激光图像特征量，包括特征量的选择方法和阈值的确定。

本发明主要涉及的钢轨磨耗的宽度和深度，通过激光图像的弯曲程度可以确定钢轨磨耗的宽度和深度，有以下几个特征量可用于选择：

1)激光图像的两段直线部分的长度l_A和l_B；

2)两段直线激光图像的宽度差e；

3)两段直线激光图像的纵向位置差z；

4)两段直线激光图像间过渡段的长度l_C；

5)两段直线激光图像间过渡段的倾角θ。

可以选择一个或多个特征量用于判断钢轨磨耗的深度和宽度，在选择用于判断的特征量的组合时，要求不同类特征具有显著差别，避免冗余特征干扰判断。假设M是在具有磨耗的钢轨上定点采集到的特征样本集合，该集合包含n个固定点的磨耗特征。选择相关度系数作为度量参数，该参数可体现特征之间的相似性，用于寻找可以有效判断钢轨磨耗宽度和深度的最少特征量的组合。设两组不同的磨耗特征分别为：T_i＝{t_ik,k＝1,2,…,n}和T_j＝{t_jk,k＝1,2,…,n}，其中k表示第k个测试点，共有n个测试点，则两组特征的相关系数定义如下：

${\mathrm{rT}}_{ij}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(t_{ik}-\stackrel{\‾}{t_i})(t_{jk}-\stackrel{\‾}{t_j})}{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(t_{ik}-\stackrel{\‾}{t_i})}^2}\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(t_{jk}-\stackrel{\‾}{t_j})}^2}}---\left(3\right)$

式中，和分别为两组特征T_i和T_j的平均值：和

相关系数rT_ij反映了两组特征T_i和T_j的相关程度，rT_ij的取值为负时，表示两特征负相关；取值为正时，表示两特征正相关。当rT_ij＝0时，两特征之间是不相关的。于是当rT_ij的绝对值越接近于1时，表示两特征的相关程度越高，此时可能产生的冗余性越大。

在钢轨磨耗的特征集合中，利用各特征量之间的相关系数，设置阈值β，若其中某两个特征之间的相关系数的绝对值|rT_ij|≥β，说明这两个特征是相关冗余特征，只能选择其中一个作为钢轨磨耗判断的特征量。

对于某单一特征，其与钢轨磨耗深度和宽度的直接关系越大、判断方法越简单，用于判断磨耗量的可行性越高，被选中的可能性越大，被选中的特征作为首选特征。判断某一特征为冗余特征的可能性，依据其与首选特征的相关性，相关性越高，则成为相关冗余特征的可能性越大。在确定首选特征后，通过计算获得钢轨磨耗宽度和深度相关特征集合中与首选特征量之间的相关度系数，将该组数据的均值设置为阈值β，如式(4)所示:

$\mathrm{\β}=\frac{1}{c-1}\underset{j=2}{\overset{c-1}{\mathrm{\Σ}}}\left|{\mathrm{rT}}_{1j}\right|---\left(4\right)$

确定特征量后，计算检测位置的钢轨磨耗量，进行存储和显示，有超限磨耗时启动声光报警装置。

在离线情况下接口单元用于与上位机交换信息，上位机可以进一步对磨耗位置的图像进一步精细处理，确定精确地磨耗量。由于采用上述技术方案，本实施例提供的一种钢轨磨耗自动检测装置具有这样的有益效果，由于采用图像处理的方法，在微处理器的控制下，脱离PC机的控制，装置可以在操作人员的设定下自动运行。设备有一定的完善性和实效性，便于检测人员的使用，不仅操作简单、检测结果准确，而且生产制造成本低。

实施例3：一种钢轨磨耗检测装置，包括一字线激光器、CCD图像传感器和微处理器、一字线激光器发出的一字线光束所在平面和被测钢轨表面呈60°角，CCD图像传感器位于一字线光束所在平面的正上方，所述微处理器的输入端接收CCD图像传感器采集的钢轨图像信息，并执行钢轨磨耗检测方法，该检测方法可以是实施例1中的检测方法。激光与导轨表面成一定角度照射，为保证钢轨有磨耗时在表面形成的两段激光图像在垂直于导轨的方向不在一条直线上；60°是为了两段图像在磨耗断面上形成一个特殊三角形，即一个60°的直角三角形，这样方便计算磨耗宽度和深度。

作为一种实施例，检测装置还包括LCD显示器、声光报警系统和接口单元，所述微处理器的输出端分别与LCD显示器、声光报警系统、接口单元连接，所述接口单元又与上位机连接以交换微处理器与上位机间的信息。

作为一种实施例，所述检测装置还包括执行单元，执行单元接收微处理器的控制信号，执行单元包括第一伺服电机和第二伺服电机，微处理器连接第一伺服电机以控制钢轨磨耗检测系统行进方向和速度，微处理器连接第二伺服电机，第二伺服电机连接CCD图像传感器，第二伺服电机以控制CCD图像传感器的方位。即由处理器发出控制信号，控制执行单元的伺服电机按固定的速度形式固定时间，确定下一个检测点，并通过电机微调CCD图像传感器的角度，保证激光光线与钢轨表面成60°角。

作为一种实施例：所述微处理器包括：

磨耗判断模块，采集钢轨的激光图像，并与完整钢轨激光光带图像进行图像比对，以判断检测钢轨是否有磨耗；

磨耗计算模块，判断钢轨有磨耗的，选择并提取与钢轨磨耗量相关的激光图像特征量，以计算得到钢轨磨耗深度和/或宽度。

作为一种实施例，所述检测装置，还包括：

特征量选择模块，选择所述与钢轨磨耗量相关的激光图像特征量为以下特征量中的一种以上：

1)激光图像的两段直线部分的长度l_A和l_B；

2)两段直线激光图像的宽度差e；

3)两段直线激光图像的纵向位置差z；

4)两段直线激光图像间过渡段的长度l_C；

5)两段直线激光图像间过渡段的倾角θ；

所述特征量选择模块选择特征量的过程是：钢轨磨耗的特征量包括磨耗宽度和磨耗深度，选择一个或多个激光图像特征量，用于计算钢轨磨耗的深度和/或宽度，在选择用于判断的激光图像特征量的组合时，假设M是在具有磨耗的钢轨上定点采集到的特征样本集合，该集合包含N个固定点的反应磨耗的激光图像特征量，选择相关度系数作为度量参数，两个激光图像特征是相关冗余特征的，只选择其中一个作为钢轨磨耗判断的激光图像特征量，以得到有效判断钢轨磨耗宽度和深度的最少激光图像特征量的组合，并以该特征量组合计算得到钢轨磨耗的某一特征量。

所述判断两个激光图像特征是相关冗余特征的方法是：从激光图像特征量中选择首选特征量，计算其余各激光图像特征量与首选特征量的相关度系数，并求其平均值，该平均值为激光图像特征量选择的阈值β，若其中某两个激光图像特征之间的相关系数的绝对值|rTij|≥β，则该两个激光图像特征是相关冗余特征，只选择其中一个作为钢轨磨耗判断的激光图像特征量。

计算所述相关度系数的方法是：

设两组不同的激光图像特征分别为：T_i＝{t_ik,k＝1,2,…,n}和T_j＝{t_jk,k＝1,2,…,n}，其中k表示第k个测试点，共有n个测试点，则两组激光图像特征的相关系数定义如下：

${\mathrm{rT}}_{ij}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}(t_{ik}-\stackrel{\‾}{t_i})(t_{jk}-\stackrel{\‾}{t_j})}{\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(t_{ik}-\stackrel{\‾}{t_i})}^2}\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(t_{jk}-\stackrel{\‾}{t_j})}^2}}$

式中，和分别为两组特征T_i和T_j的平均值：和

相关系数rT_ij反映了两组特征T_i和T_j的相关程度，rT_ij的取值为负时，表示两特征负相关；rT_ij的取值为正时，表示两特征正相关；当rT_ij＝0时，两磨耗特征之间是不相关的，当rT_ij的绝对值越接近于1时，两激光图像特征的相关程度越高，产生的冗余性越大；

计算阈值β的方法是：

$\mathrm{\β}=\frac{1}{c-1}\underset{j=2}{\overset{c-1}{\mathrm{\Σ}}}\left|{\mathrm{rT}}_{1j}\right|$

其中：式中c为特征量的数量，l为首选特征量的序号，j为备选特征量的序号。

激光图像的两段直线部分的长度l_A作为磨耗宽度检测的首选特征，两段直线激光图像的纵向位置差z作为磨耗深度检测的首选特征；由两组激光图像特征的相关系数计算得到激光图像的两个直线部分的长度l_A和l_B作为磨耗宽度检测的特征量，两段直线激光图像的纵向位置差z作为磨耗深度检测的特征量，磨耗宽度计算公式为：

$W=l_B+\frac{2}{3}|l-(l_A+l_B)|$

其中，l为没有磨耗钢轨的宽度；

磨耗深度计算公式为：

V＝z·tan 60°。

采集的钢轨的激光图像，在提取与钢轨磨耗量相关的激光图像特征量前，具有激光图像处理的步骤，所述激光图像处理包括图像预处理和图像边缘提取；

所述图像预处理包括如下步骤：

首先将图像灰度化，绘制灰度图像的直方图，找出灰度集中范围；

然后使用下述公式，对灰度图像进行灰度增强，使图像更加清晰；

$y=255\×\frac{(x-a)}{(b-a)}$

其中：a、b分别为灰度图像直方图中灰度值集中分布的左右边界点，x、y分别代表灰度增强前后的灰度值；

使用所述图像边缘提取的方法，包括如下步骤：

任取一条沿水平方向分布像素点的中值滤波亮度曲线，在该曲线最大峰值两侧分别取出亮度梯度变化最大的连续点，取该两组连续点的中点p和q，p和q之间距离作为检测模板直径；

设图像的亮度为f(i,j)，在图像场内取一个圆s(c,r)作为检测模板，其中c为圆心，其坐标为(i_c,j_c)，r为半径；

定义s(c,r)内像素点的集合，并记圆s内像素点的亮度和为：

$X=\underset{(i,j)\∈X}{\mathrm{\Σ}}f(i,j)$

使检测模板圆心在水平方向的小范围内移动，计算每一位置检测模板内各像素亮度和，该范围内亮度和最大的模板圆心位置，即为该亮条的一个像素级屋脊边缘点，利用最小二乘法拟合直线，该直线即为一字线激光图像中心线，所述小范围是以圆心为中心点左右各2倍半径的图像区间，以得到激光图像的两段直线部分的长度l_A和l_B，两段直线激光图像间过渡段的长度l_C。

以上所述，仅为本发明创造较佳的具体实施方式，但本发明创造的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内，根据本发明创造的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明创造的保护范围之内。