动车组旅客列车是指时速在200～300 km之间的列车。由于动车组运行速度快，在制动时对闸片的磨损非常严重，曾出现因闸片过薄，导致在制动时整个车轮呈红热的不安全状态。制动闸片的厚度，直接影响动车组的运行安全。由于制动闸片均分布在车辆底部，利用人工检测，存在效率低下、漏检和误判的情况；利用检测装置^[1]检测，前期需投入大量检测装置，后期需更新维护；利用测量仪^[2]检测，除需投入测量仪、更新维护外，还有使用次数的限制。针对上述情况，本文利用Halcon^[3]机器视觉软件及VS^[4]程序开发环境，开发了一个动车组制动闸片厚度自动识别模块，该模块可实现动车组通过时自动检测，对过薄的闸片进行自动报警，以提醒检修人员及时更换，避免不安全状态发生，对确保动车安全运行，具有十分重要的意义。

1   动车组制动闸片厚度自动识别模块

动车组制动闸片厚度自动识别模块是利用Halcon及VS2010软件中的图像处理方法和VC++语言编程实现的。动车组的型号有很多，本文对车型CRH5A和CRH380B进行了研究及大量测试，以闸片位置比较复杂的CRH380B车型为例进行介绍。

该模块根据线阵相机拍摄的动车组底部图片、磁钢采集的轴距信息及识别的车号信息，自动对所有闸片进行厚度计算并报警。该模块的工作流程，如图1所示。

图  1  动车组制动闸片厚度自动识别模块工作流程

下载: 全尺寸图片 幻灯片

1.1   拼图

动车组的车辆分为动车和拖车。装配有驱动车轮的车辆是动车，无驱动装置车辆是拖车。在实际的动车编组中，动车车辆和拖车车辆是根据车号来区分的。动车车辆底部有2个制动盘，拖车车辆底部有3个制动盘。根据线阵相机L1～L10通道拍摄部位，L4拍摄的是整个车辆底部，分辨率为1400×2 048；L9、L10分别拍摄车辆底部的两侧，分辨率均为1400×1024。由于L4与L9、L10均有拍摄重合的部分，因此，只需对L4拍摄的拖车中间部位闸片、L9和L10拍摄的动车拖车闸片进行厚度识别。

本文闸片厚度自动识别模块是根据动车组通过时，线阵相机拍摄的车辆底部图片、磁钢采集的轴距信息及车号自动识别模块识别的车号信息，结合动车、拖车轴偏移距离，进行轴距校正，再对校正的轴距邻近的2张图片进行拼图，根据闸片所在部位特点，截取2 000×750像素大小的图片进行处理。本文仅以处理情况复杂且具有代表性的L9通道相机拍摄的拖车底部图像为例，如图2所示。

图  2  L9拍摄的拖车底部拼图截图

下载: 全尺寸图片 幻灯片

1.2   图像预处理

在现场环境影响下，线阵相机所拍摄的图像中存在大量的噪声干扰信息，对闸片厚度的计算有较大的影响，因此为去除噪声干扰，需对线阵相机拍摄的图片进行图像预处理。

图像预处理^[5]可以有效地提高图像特征提取、分割、匹配和识别的可靠性，是图像处理前必不可少的步骤。在模型定位之前，先调用mean_image对拼图截图进行均值滤波^[6]，调用zoom_image_factor对拼图截图进行按比例缩小，以提高图像处理速度，得到500×188像素大小的图片，如图3所示。

图  3  L9拖车拼图截图的图像预处理

下载: 全尺寸图片 幻灯片

1.3   模型定位

为保证定位结果的准确性，本文采用2次定位的模式，并调用find_shape_model进行模型定位^[7]。若第1次定位成功，则调用gen_rectangle1生成矩形、reduce_domain^[8]获取新的标记区域及crop_domain对图像的尺寸进行裁剪，从而截取含有制动闸片的图片，并进行第2次模型定位；反之，则记录第1次定位失败，并返回。若第2次定位成功，同样调用上述3个算子，截取闸片部位图片并保存；反之，则记录第2次定位失败，并返回。两次模型定位截取的图片，分别如图4～图5所示。

图  4  拖车L9上、下闸片第1次定位图

下载: 全尺寸图片 幻灯片

图  5  拖车L9上、下闸片第2次定位图

下载: 全尺寸图片 幻灯片

1.4   闸片厚度计算

对第2次定位截取的闸片部位图片，依次调用mean_image、dyn_threshold、connection^[9]及region_to_bin算子，进行均值滤波、动态阈值分割、生成区域以及计算区域的二值图像^[10]，再调用累计概率霍夫变换HoughLinesP^[11]计算该二值图像中的直线。

累计概率霍夫变换计算后，会得到很多条直线。

（1）根据已知二值图像的大小及闸片位置特征，利用纵坐标信息，将该二值图像分成上、下2个部分；

（2）分别计算上、下2个部分的角度在173°～180°之间且长度最长的直线，从而得到目标上、下直线；

（3）分别计算目标上、下直线的纵坐标均值，并作上、下均值的差值计算，该差值就是闸片厚度。

同时，调用算子line在闸片截图上画出上、下直线的位置并保存，从而得到闸片厚度画线图，如图6所示。

图  6  拖车L9上、下闸片厚度画线图

下载: 全尺寸图片 幻灯片

1.5   闸片厚度自动报警

根据线阵相机拍摄的图像像素信息特征及经验总结，本文将闸片厚度的阈值设置为15个像素点，当闸片厚度小于15个像素点时，画出该闸片所在相机拍摄的原图中的位置，保存并自动报警。

该CRH380B动车组的报警位置图，如图7所示，对应的闸片截图及闸片厚度画线图，如图8所示。

图  7  报警闸片位置图

下载: 全尺寸图片 幻灯片

图  8  报警闸片截图及闸片厚度画线图

下载: 全尺寸图片 幻灯片

2   报警结果准确性验证

为验证报警结果的准确性，将该报警原图与其后张图像进行拼接，截取制动闸片部位，作为原始图。将原始图与保存的报警闸片截图、以及随机选取的2张闸片截图，分别进行特征点匹配^[12]。依次调用SurfFeatureDetector、FlannBasedMatcher、SurfDescriptorExtractor及drawMatches算子，进行特征点检测、计算特征点及特征点匹配，并画出匹配的特征点。匹配结果，如图9所示，从左至右依次是闸片截图（a）、随机闸片截图（b）、随机闸片截图（c）。

图  9  特征点匹配结果

下载: 全尺寸图片 幻灯片

由图9可见，报警闸片与原始图的特征点完全匹配；而非报警闸片，虽与报警闸片几乎只有厚度之别，匹配结果却大相径庭，充分验证了报警结果的准确性。

3   结束语

本文闸片自动识别模块的检测速度非常快，即动车组通过后，1 min内即可完成检测并自动报警，远超人工检测速度，同时保证了检测结果的可靠性。通过对150多列动车组的测试和验证，证明了该模块具有很好的鲁棒性。

但是，该模块的闸片厚度阈值是统一设置的，应该根据动车、拖车及闸片位置特点进行动态设置；同时，该模块仅对动车组CRH380B和CRH5A车型进行了大量测试和验证，下一步将完善车型种类，提高其应用范围。

目前，动车组已成为人们出行的首选交通工具。若动车组制动闸片厚度过薄，在动车组制动时，将直接影响整个动车组的安全，因此，对闸片厚度进行自动识别的进一步研究，具有实际应用价值。