一种基于图像自动识别的列车碳滑板磨耗检测方法.docx

一种基于图像自动识别的列车碳滑板磨耗检测方法

摘要：受电弓是动车组传递并获取动力来源的关键部件，其工作状态直接影响动车组的安全运行。碳滑板作为受电弓的核心部件，随着列车不断地运行，也会产生巨大的磨耗，从而影响行车安全。本文提出了一种基于图像自动识别的列车碳滑板磨耗检测方法，可以有效地检测碳滑板的磨耗，对受电弓的检修具有重要的指导意义。

关键词：动车组；受电弓；碳滑板；图像识别

中图法分类号：TE973文献标志码：A

0前言

受电弓是动车组取流受流的关键部件，也是整车的动力来源，其工作状态直接影响列车运行的安全性和可靠性。碳滑板作为受电弓的核心部件，其磨耗程度也会随车车辆运行而加大，磨耗达到一定程度必须更换碳滑板，避免因碳滑板折断等故障引发巨大的列车运行安全事故。

以现有条件下检测受电弓碳滑板磨耗作业为例，需在列车入库、无电环境下，由作业人员携带测量设备登顶测量碳滑板磨耗，并需纸质记录，作业时间至少为半小时以上，耗时耗力，人工成本较高。

针对上述问题，本文介绍了一种基于图像自动识别的列车碳滑板磨耗检测方法，用于帮助作业人员快速测量碳滑板磨耗，减少作业时间，降低人工成本。

1受电弓视频监控系统简介

动车组受电弓视频监控系统由受电弓视频监控服务器、受电弓摄像机、受电弓监控屏和相应连接电缆组成。若想实现受电弓碳滑板磨耗的自动识别检测，需要在原有视频监控系统的基础上增加智能分析主机。目前，智能分析主机暂无大规模批量集成在受电弓视频监控系统中，但是当前动车组在电气柜中预留了智能分析主机的位置，受电弓视频监控系统中的各部件也预留了智能分析主机的接口，为实现受电弓碳滑板的磨耗检测打通了硬件通道。

2碳滑板磨耗图像检测方案

列车运行状态下难以捕捉受电弓区域高锐度清晰图像，不足以支撑图像特征提取，且升弓状态下拍摄角度不佳，碳滑板部分区域成像被遮挡，影响测量准确性。停车状态下降弓检测可以较好兼顾现有采集设备和图像自动识别技术要求，可以提供稳定可靠的识别测量结果。

受电弓视频监控系统在现车配置的基础上增加智能分析主机，受电弓视频监控服务器将实时画面通过百兆网络传输至机械师室监控屏和智能分析主机，监控屏显示实时画面，智能分析主机对实时画面进行智能分析，将报警信息传输至监控屏显示，并在降弓状态下速度为0时，计算碳滑板磨耗。

3识别技术原理

求解相机的内外参数并进行标定（如棋盘格标定），根据既有的2D坐标（图像坐标，即相机输出的深度图（.data））和3D坐标（世界系坐标，即相机输出点云数据），假设相机坐标系和世界坐标系重合，相机输出的3D数据也符合相机坐标系，则相机投影方程可以写为：

（1）

由于假设世界坐标系和相机坐标系重合，所以，为物体到相机平面的距离。根据深度图得出（）,根据点云数据得出，且和是一一对应的。使用奇异值分解算出投影矩阵。是一个3*4的矩阵，使用RQ分解转换为内参矩阵，旋转矩阵和平移矩阵。

其中，,表示以和像素尺寸表示得焦距，和是主要点，是偏斜参数。

受电弓磨耗值的计算公式为

（式-1）

其中，表示图像中的像素值距离，表示当前像素的深度值，表示计算出受电弓上下边缘的真实距离。

4碳滑板磨耗检测步骤

第一步：收集大量列车静止且受电弓降弓状态的图像数据，对受电弓轮廓进行人工标注描绘出滑板区域精确的边缘信息，如图1所示。

图1图像人工标动

Fig.1Imagemanualcalibration

第二步：模型训练。对于受电弓磨耗的测量，采用了一种深度神经网络，其算法框图如图-2所示。然后使用深度神经网络对大量标注的数据进行训练，得到受电弓碳滑板区域的分割模型。

图2模型训练

Fig.2Modeltraining

第三步：推理测试并计算磨耗值。在检测新图时，首先使用深度模型进行推理，得到滑板区域分割结果标记图像，该图像为根据模型参数自动计算的结果，不需要人工干预，模型的输出结果图如图-3所示。由于模型分割结果可能存在局部错误，利用受电弓几何特征进行后处理，其中下方边缘必须为直线，使用直线进行拟合，上方边缘使用光滑曲线进行拟合，并控制斜率在较低范围，拟合上下边缘的结果如图-7所示。

图3检测流程

Fig.3Detectionprocess

第四步：得到拟合结果后，计算上下曲线最小距离和位置，获得图像测量值。以图-8为例，假设上下边缘相差180个像素，当前图片的深度值为500，为2.2343490031687302e+03，那么根据式-1，受电弓上下边缘的真实距离为

(mm)

最后便得到了受电弓的磨耗值。

5装车验证结论

选取一辆复兴号动车组进行算法验证，验证时间为2019年12月至2020年3月，每次由算法先进性碳滑板磨耗程度的检测，然后人工上车测量碳滑板的实际磨耗并