摘. . 要：近年来，随着我国城市轨道交通运营里程的不断扩大使得城市轨道车辆的数量也快速增长。而城市轨道车辆数量的增加也为现有的传统城轨运维系统带来了新的压力。基于机器视觉的列车转向架轴端螺栓状态检测可以准确快速对轴端螺栓是否松动进行定性判别，避免传统人工视检所带来的检测周期长与漏检等不利因素，为列车安全运行提供更高保障。本文讨论了基于机器视觉的列车转向架轴端螺栓状态的检测方法。
关键词：机器视觉；HALCON；螺栓检测；Blob 分析近年来，随着高速铁路建设的快速发展，动车组列车的运行安全性问题也日益凸显。动车组转向架作为轨道车辆核心走行部件，其运行安全性必须得到保证。而在列车长时间运行过程中，列车行驶产生的机械振动和外界自然条件会导致列车转向架轴端螺栓松动甚至脱落，从而对列车安全运行造成重大安全隐患。因此，需要定期检测列车转向架轴端螺栓是否有松脱或者脱落现象。传统检测方法通常采取人工定期视检的方法观察转向架轴端螺栓是否存在异常状态。这种人工视检方法受检测人员数量和人员素质、是否疲劳等因素的影响存在检测周期长不能及时发现故障点和漏检的现象。
应用机器视觉检测相比较人工检测有着识别快速准确并且可连续工作的优点。目前主要的机器视觉开发平台有 HALCON、OpenCV、VisionPro、MATLAB 等。其中 HALCON 是德国 MVtec 公司开发的一套完善的机器视觉开发平台，拥有应用广泛的机器视觉集成开发环境，在业界有着广泛的影响力。
［1］
综上，采用机器视觉代替人工视检方法可以提高转向架轴端螺栓的检测频度、效率和识别准确率。为此，本文提出了一种基于机器视觉识别原理自动检测转向架轴端螺栓状态的检测方法，并设计了一套基于 HALCON 开发环境的转向架轴端螺栓状态检测系统。
1?系统方案设计
针对采用机器视觉方案检测列车转向架轴端螺栓状态的需求进行功能分析。同时考虑到相机所处采集位置距离工控机站的距离与室外自然光线照度等因素，将系统分为图像采集单元、通信接口单元与列车转向架轴端螺栓状态检测程序三个部分。（1）图像采集单元。
包含照明系统、光学系统、CCD 传感器。其中照明系统为图像采集提供稳定可靠的光照度；光学系统提供适合的采集光圈与焦距；CCD传感器提供足够的分辨率用以采集清晰的列车转向架图像。（2）通讯接口单元。包含网络接口、I/O 接口。网络接口为双向数据通道，既负责将 CCD 采集到的图像传送给列车转向架轴端螺栓状态检测程序，也负责接收螺栓状态检测程序发出的控制指令；I/O 接口连接照明系统用以控制照明系统开闭。（3）列车转向架轴端螺栓状态检测程序。包含控制单元、网络接口、存储单元、图像预处理单元、图像分割与特征提取单元、螺栓辨识与参数估计单元。控制单元负责控制网络接口发送指令与接收图像数据并且控制存储单元储存图像数据；网络接口连接通信单元的网络接口传递控制指令与图像数据；存储单元存储接收到的图像数据；图像预处理单元读取存储单元中的图像数据并对图像数据进行预处理；图像分割与特征提取单元负责定位转向架、轴端、螺栓的位置；螺栓辨识与参数估计单元负责识别螺栓状态。
图 1?列车转向架轴端螺栓状态检测系统架构
2?螺栓状态检测方法
2.1 车轮特征识别
图 2 为采集到的列车转向架图像。从图像中可以看到该转向架的左轮轴有一螺栓缺失。基于机器视觉的检测目的就是要计算机可以从采集到的图像中自动识别出故障点。由于车轮轮缘范围中与下面轨道接触的 1/6 直径车轮边缘处的背景单一便于特征分离。因此首先从图像中分割并识别出车轮底部 1/6 直径处的区域特征。如图 2 车轮底部着色处所示。
图 2?列车转向架轮缘底部特征识别
2.2 轮轴中心定位与缩小轮轴关注域
根据分割出的区域特征计算车轮中心在水平方向上的像素坐标值。由于车轮高度为确定值，根据图像像素与车轮真实直径值的线性关系可以计算车轮中心在垂直方向上的像素坐标值。计算后得到的车轮中心点的像素坐标即是轮轴中心点的像素坐标。以轮轴中心点为中心绘制能够包含轮轴螺栓的最小圆形关注域。
2.3 Blob 分析
Blob 分析是对图像中相同像素的连通域进行分析，该连通域称为 Blob［2］。因此首先对轮轴关注域做二值化处理并生成连通域，再对分割后的连通域做特征提取。需要提取的特征包括圆度与面积特征。经过特征筛选出符合螺栓部位的区域特征。筛选后的区域特征数量即为螺栓数量；区域的坐标位置即为螺栓的坐标位置。对区域特征与有螺栓缺失的孔洞大小进行比较可以判别螺栓是否缺失。
2.4 螺栓松动识别
为了采用机器视觉识别螺栓是否松动需要在旋紧螺栓后做螺栓紧固位置标记。当螺栓松动时紧固标记将不在同一条直线上。因此首先对筛选出的区域特征做形态学膨胀处理后进一步缩小关注域获得紧固位置标记图像，再使用直线测量方法计算紧固标记是否在同一条直线上进而完成对转向架轴端螺栓是否松动的定性判别。
3?讨论
本文中所讨论的是基于机器视觉的转向架轴端螺栓状态识别方法。该方法可以在 C# 联合 HALCON 开发环境中得到验证，也可以向其它机器视觉开发平台迁移或者为其它形式的螺栓状态识别研究提供参考。
参考文献：
［1］ 沈健 . 基于机器视觉的列车车号图像增强和矫正技术研究 [J].
科技创新导报 , 2019,16(10).
［2］ 刘国华 . HALCON 数字图像处理 [M]. 西安 : 西安电子科技大学出版社 , 2018.5.
［3］ 沈健 . 基于 HALCON 的城轨列车车号识别技术研究 [J]. 电子测试 , 2019,(09).
作者简介：
蒋俊香，（1984-），女，讲师，硕士，吉林省吉林市人，研究方向：
机械制造、机械设计。
项目基金：
吉林农业科技学院青年基金科研项目。项目编号：吉农院合字第［校 20190695］号。
