一种轨道波磨检测方法与流程

本发明属于轨道交通装备故障检测领域，具体涉及一种检测钢轨波浪形磨损情况的检测方法。

背景技术：

随着高铁的快速发展、车流密度的加大和新型机车车辆结构的推广使用，铁路现场钢轨波磨分布面越来越广，钢轨波磨现象越来越严重，重载铁路钢轨波磨、高速铁路钢轨波磨分别向长波深和长波长方向恶化，特别是目前国内已开通运行的高速铁路线路，出现了大量钢轨波磨现象。波磨的存在导致车辆轨道结构激烈的振动，产生噪声，影响旅客乘坐舒适度，也增加了铁路养护部门的维修工作量和维修费用，不仅影响车辆和轨道结构的使用寿命，甚至会导致重大脱轨事故发生，这就需要我们及时检测了解钢轨波磨情况。

目前国外厂家大多是基于车载方式用激光摄像机对钢轨波磨进行连续在线检测，这种检测方法用摄像机在结构光照射下以一定角度摄取钢轨图像来进行检测，如Mermec的轨道检测装置就采用这种方法，但检测速度不高。国内尚无厂家能够批量提供钢轨波磨连续在线检测功能的检测装置，大多处于研发起步阶段，尚未提出成熟的波磨检测方法。

早期检查轨道波磨的波深、波长等的方法主要依靠人工对轨道波磨进行肉眼检查确认，效率低且耗费人力。目前主要利用轨检车对轨道波磨进行检测，但普遍检测速度低，而且波磨发展很快，必须经常检测波磨损耗情况，频繁使用检测车会影响铁路的正常运营，从而限制了检测车的应用领域，主要是应用在城市轨道检测，如地铁。

技术实现要素：

本发明所要解决的技术问题是提供一种轨道波磨检测方法，快速、精确检测出钢轨波磨情况，如波长、波深等，方便铁路工人及时维修有波磨问题的轨道。

为解决上述技术问题，本发明采用的技术方案是：

一种轨道波磨检测方法，包括以下步骤：

步骤1：布置传感器组件，并用传感器组件对原始图像进行采集，所述传感器组件包括线激光器和摄像机，两组传感器分别安装在车体的两侧，两组传感器分别位于两条直线上，并且两条直线与轨道平行；设定快门频率为d mm/次，采样精度要求为mm/次，则第i个传感器组件坐标x_i与最靠近车体的传感器组件坐标x₁，应满足式中，k_i＝0,1,2,…，且k_i＞k_i-1，i＝1,2,…,n；

步骤2：对输入的原始数据进行计数，生成像素的列坐标x，在一行数据输入完成时输出数据准备好信号，使后续步骤开始处理下一行数据；

步骤3：根据像素的灰度值是否大于设定阈值判断该像素是否属于ROI，并计算该行中满足条件的像素的个数m，以及他们列坐标之和mx，计算的同时通过第一缓存器完成图像的行缓存；

步骤4：计算图像ROI的中心的坐标值mxn＝[mx/m]，计算的同时通过第二缓存器完成图像的行缓存；

步骤5：根据图像ROI的中心坐标mxn，提取出该行图像ROI中的所有像素的灰度值，并计算出相应的列坐标值；

步骤6：将图像的特征数据传输至上位机，上位机测量出其轮廓。

具体的，所述步骤1是传感器组件安装方法，步骤2至步骤5是基于FPGA的高速图像预处理系统。

与现有技术相比，本发明的有益效果是：本发明在轨检车上安装了基于激光摄像传感器的检测平台，多个传感器同步采样，提高了检测速度；对采样的数据用基于FPGA的高速图像预处理系统进行预处理，提高了数据的处理速度；轨检车高速运行时能快速、准确地检测出钢轨的波磨情况，不仅提高了检测速度，节省了人力物力，也最大情况下减少了对铁路系统运行的影响。

附图说明

图1是本发明中轨道波磨检测装置布置示意图。

图2是本发明中得到的钢轨轮廓光条图像。

图3是本发明中ROI提取处理器结构图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。如图1所示，本发明安装在检测梁上的钢轨轮廓采集系统，即传感器组件，它由n个由摄像机和线激光器组成，还含有基于FPGA的高速图像预处理系统，以及波磨识别系统(上位机)。由钢轨轮廓采集系统获取的图像数据通过高速总线传输至基于FPGA的高速图像预处理系统进行特征提取，提取获得的特征数据传输至上位机，供波磨识别系统调取。

1、钢轨轮廓图像采集系统

目前，波磨检车检测速度慢、精度不高，为了能够快速、准确检测出波磨情况，本发明在检测平台上主要采用了多个传感器组件来提高采样精度的方法，推理如下：

当每组1个传感器组件进行采样时，对轨道的采样精度为d mm/次，即快门频率为d mm/次。现在，通过快门同步，每组n个传感器组件同步进行采样，采样的快门频率、轨检车速度与每组1个传感器组件时相同。不妨设x_i为第i个传感器组件的初始坐标值，最靠近车体的传感器组件坐标x₁＝0(i＝1,2,…,n)。

第k次采样时，第i个传感器组件的采样位置为

x_ik＝x_i+k*d (1)

由式(1)可知，只要传感器组件的初始位置坐标x_i只要满足

式中k_i＝0,1,2,…，且k_i＞k_i-1，i＝1,2,…,n，k_i可以根据实际的传感器安装情况进行调整。

由式(1)和(2)可知

也即在整个轨道上，第i个传感器组件与第1个传感器组件的相对距离为这就相当于在长为d mm的轨道上进行了n次采样，也即是采样精度为mm/次，从而实现了用n个传感器组件将采样精度提高了n倍。

该方法的误差分析推理如下：

设第i个传感器组件的初始安装误差为Δx_i，则有

由式(1)和(4)可知，

由式⑸可知，安装误差Δx_i只影响轨道采样的均匀度，并不会累积。

设第j个采样间距由于车速波动造成误差为Δd_j，则在第k次采样时，第i个传感器组件的采样位置为

由式(6)可知，若

(式中m＝1,2,…,n)成立，则不同的传感器组件的之间的采样位置将会重合，从而影响到采样的精度，由此可知该方法对车速的平稳性有一定的要求。

该方法传感器组件数目推理如下：

假设轨检车的速度为V m/s，采样精度要求为D mm/次，激光摄像传感器组件的拍摄高质量图像的能力为N frames/s，则所需传感器组件个数

例如，当V＝180km/h＝50m/s，D＝5mm/次，N＝1000frames/s时

即要10个传感器组件才能满足要求。

当V＝80km/h＝23m/s，D＝5mm/次，N＝1000frames/s时

即要5个传感器组件就能满足要求。

提高了采样精度后，随之带来了巨大的数据流量，例如，当轨检车的速度为180km/s，采样精度要求为5mm/次，每帧图像大小为256kB时，每组传感器组件的总数据流量约为2.5GB/s。如此大的数据流量超过了上位机的处理能力，本发明采用基于FPGA的高速图像预处理系统对每个传感器组件的数据进行预处理，只将图像的特征数据传输至上位机，把数据量降低到了上位机处理能力范围内。

2、钢轨轮廓图像预处理系统

摄像机拍摄的钢轨轮廓光条图像如图2所示。图像的关键信息主要包含在亮带部分中，利用亮带部分的信息即可完成钢轨轮廓测量。这部分图像即是图像的ROI(region of interest)，光条宽度一般不超过40个像素，只占整幅图像的很小一部分。钢轨轮廓预处理系统，实时提取ROI，然后只将ROI传送至上位机用于轮廓测量，这样能够极大地减少系统所要传输和处理的数据量。根据经验，图像中的亮带宽度不超过40个像素，当预处理前数据量为1.28×10⁴MB时，提取ROI后数据量减少为500MB，这就将数据量降低到通信接口和上位机能够承受的范围内。

本系统利用设计的四级流水线ROI提取处理器结构如图3所示。

子处理器P1：对输入数据进行计数，生成像素的列坐标x，在一行数据输入完成时输出数据准备好信号，使后续的三个阶段开始处理下一行数据；

子处理器P2：根据像素的灰度值是否大于设定阈值判断该像素是否属于ROI，并计算该行中满足条件的像素的个数m以及他们列坐标之和mx，计算的同时通过缓存器1完成图像的行缓存；

子处理器P3：计算图像ROI的中心的坐标值mxn＝[mx/m]，计算的同时通过缓存器2完成图像的行缓存；

子处理器P4：根据图像ROI的中心坐标mxn，提取出该行图像ROI中的所有像素的灰度值，并计算出相应的列坐标值。

图像中的每一行经过流水线的四个阶段，即可提取出相应的ROI。