基于3D点云的地铁车辆车底部件表面异常检测方法研究.pdf
《基于3D点云的地铁车辆车底部件表面异常检测方法研究.pdf》由会员分享,可在线阅读,更多相关《基于3D点云的地铁车辆车底部件表面异常检测方法研究.pdf(8页珍藏版)》请在咨信网上搜索。
1、总第 485 期2023 年第 5 期基于 3D 点云的地铁车辆车底部件表面异常检测方法研究彭联贴,李晨,熊敏君,颜家云,崔宵洋,刘雷新元(株洲中车时代电气股份有限公司,湖南 株洲 412001)摘要:列车部件表面异常检测是确保地铁安全运行的关键技术之一,其核心往往是图像处理,因部分异常在图像颜色、形状和纹理特征上并无明显变化,导致在 2D 图像上难以完成检测。3D 点云在 2D 图像的基础上增加了深度信息,能更好地反映部件表面的特征,从而更有利于异常情况的准确检出。文章针对地铁车辆车底箱体部件大多为刚性结构这一共性特征,结合 3D 点云处理技术,归纳出一套通用的异常检测方法。其采用点云预处理
2、、点云配准等技术,可检测地铁车辆车底刚性结构部件表面深度信息的变化;但该方法在处理高亮反光部件和网格表面部件方面效果欠佳。为此,文章以高压分线箱接头区域和空心电抗器斜面区域为例,对该方法进行改进。其中,高压分线箱接头区域先采用区域分割方法得到纯接头区域和线束区域,进而用统计学方法完成前者的检测,以通用检测方法完成后者的检测;空心电抗器斜面区域则结合平面滤波对通用检测方法的流程加以调整,既消除了网格平面后噪声点的干扰,又避免了平面滤波导致点云配准效果不佳的问题。最后,以某地铁公司的实际数据作为测试集,验证了新方法在确保检出率不低于原有方法的前提下,消除了 90%以上的误报,大大降低了误检率,为相
3、关异常检测系统的实际应用提供了理论指导。关键词:地铁车辆;表面缺陷;异常检测;3D 点云;区域分割;平面滤波中图分类号:TP391.4 文献标识码:A 文章编号:20965427(2023)05009808doi:10.13889/j.issn.2096-5427.2023.05.015A Study on Surface Anomaly Detection for Metro Vehicle Underbody Parts Based on 3D Point CloudPENG Liantie,LI Chen,XIONG Minjun,YAN Jiayun,CUI Xiaoyang,LIU
4、Leixinyuan(Zhuzhou CRRC Times Electric Co.,Ltd.,Zhuzhou,Hunan 412001,China)Abstract:The surface anomaly detection of train parts is one of the key technologies to ensure the safe operation of a metro system.Its core often lies in image processing.However,some anomalies do not exhibit significant cha
5、nges in color,shape,and texture features,making detection difficult on 2D images.3D point clouds add depth information on top of 2D images.This can help reflect the surface features of components more precisely and contribute to accurate anomaly detection.This paper addresses the common feature that
6、 most metro vehicle underbody components are rigid structures,combined with the 3D point cloud processing technology,and induces a general anomaly detection method.This method adopts point cloud preprocessing,point cloud registration,etc.,and can detect changes in the depth information of the surfac
7、e of subway underbody rigid structure components.However,it doesnt perform well when processing parts with high-ablaze reflective surfaces and mesh surfaces.Therefore,the paper uses the High Voltage Distribution Box(HVB)joint area and the hollow reactor oblique area as examples to improve this metho
8、d.For the HVB joint area,regional segmentation is first used to obtain pure joint and wire harness regions;then,the statistical method 人工智能技术与应用收稿日期:20220422作者简介:彭联贴(1989),男,硕士,工程师,主要从事图像处理与深度学习的研究。基金项目:科技创新2030“新一代人工智能”重大项目(2021ZD0109805)982023 年第 5 期彭联贴 等:基于 3D 点云的地铁车辆车底部件表面异常检测方法研究is used to comp
9、lete the detection of the former,and the general detection method is used to complete the detection of the latter.For the hollow reactor inclined surface area,plane filtering is used to adjust the process of the general detection method,eliminating the interference of noise points behind the grid pl
10、ane and avoiding the problem of poor point cloud registration caused by plane filtering.Finally,using actual data from a metro company as a test set,it was verified that the new method,while ensuring a detection rate not lower than the original method,eliminates over 90%of false alarms,significantly
11、 reducing false detection rates.This offers theoretical guidance for the practical application of related anomaly detection systems.Keywords:metro vehicle;surface defect;anomaly detection;3D point cloud;region segmentation;plane filtering0引言长久以来,我国大部分城市地铁车辆的检修采用传统的“计划修”模式1,其以人工作业为主。以作业频繁的日检为例,检修人员需要
12、在规定时间内完成对车辆主要部件的外观检查。一列地铁列车包含大量零部件,这种检修模式人工作业强度大,且随着作业时间增加,检测质量和效率将不可避免地出现下滑。近年来,随着机器视觉技术的不断发展,越来越多的自动化、智能化设备被应用到轨道交通行业2,特别是在确保列车运行安全的列车零部件异常检测领域,其中比较典型的设备有智能巡检机器人3和轨旁检测系统4。文献 5 设计了一种地铁车辆360外观异常检测系统,其通过模式识别、计算机视觉和基于数据驱动的分级预警等技术,实现了列车关键部件异常检测。文献 6 公开了一种识别列车异常的方法,其利用3D图像的深度信息,先确定异常组件,再进一步识别异常零件,克服了传统2
13、D图像视觉功能的限制。文献 7 同样是一种基于3D图像的零部件异常自动识别检测方法,其将3D图像降维成包含灰度信息和深度信息的两类2D图像,采用多种检测序列并存、互补的方式实现了异常检测。但这些文献均侧重于系统和方案的描述,并未涉及具体方法或原理。文献 8 提出了一种基于2D、3D图像信息融合的检测螺栓异常的方法,其先在2D图像上利用目标检测的方法对螺栓进行定位,然后通过2D图像完成螺栓丢失的检测,最后用3D图像实现螺栓松动的检测;但该方法专注于车底中心鞘螺栓的故障检测,适用场景非常有限。在实际检修过程中,地铁车辆部件表面存在异常时一般会伴随着空间上一定程度的结构性异常,如零部件丢失、松动和附
14、着异物等,此类结构性异常在3D点云中会呈现出明显的几何差异;而车体表面水渍、污渍、昼夜光照差异等对3D点云的成像影响较小,其3D图像相比2D图像受到的干扰也更小。因此,本文基于3D点云处理技术对地铁车辆车底部件表面的异常检测方法展开研究:首先,结合已有研究基础,归纳出一种通用的检测方法,用于地铁车底多数箱体部件的异常检测;然后,以高压分线箱接头区域、空心电抗器斜面区域为例,对通用检测方法加以改进,实现这2个特定部件的异常检测。其中,高压分线箱接头区域先进行区域分割,得到纯接头区域和线束区域,进而用统计学方法完成纯接头区域的检测,以通用检测方法完成线束区域的检测;空心电抗器斜面区域则结合平面滤波
15、对通用检测方法的流程加以调整,既利用了平面滤波去噪,又避免了因平面滤波过滤了部件侧壁特征而影响了点云配准的效果。本文结合实际数据开展实验验证,证明了新方法有良好的检测效果。1车底箱体部件异常检测通用方法轨道车辆异常检测对象大体可分为走行部、电气设备、齿轮箱、牵引电动机、自动门和多对象子系统这6类9,对地铁列车而言,车底电气设备多为箱体。为了说明数据的来源,本章对采集设备和点云数据获取过程进行了描述。针对箱体部件大多为刚性结构这一共性特征,本章结合3D点云处理技术在工业领域的已有经验,归纳出一种通用的异常检测方法,以实现对车底箱体部件的异常检测。1.1数据采集数据采集设备为车底巡检机器人(图1)
16、。在正常的巡检过程中,首先,机器人从地沟的一端匀速运动到另一端,利用线扫相机完成车底所有部件的快速扫图 1 数据采集设备Fig.1Data acquisition equipment992023 年第 5 期描(简称“快扫”),生成整车的3D点云数据,即本文研究方法的输入数据;随后,机器人需要在若干预设的临停点对特定区域进行精细扫描(简称“精扫”),以弥补快扫难以覆盖的部件区域。整个精扫作业的时长在半小时以上,在此期间,可同步进行快扫数据的异常检测。根据扫描得到的3D点云数据,可建立空间坐标系。结合地铁车辆所在的空间,定义线扫相机单线扫描的方向为x轴正向,其垂直于地铁车辆侧平面;机器人整体移动
17、方向为y轴正向,其平行于铁轨方向;点云中的深度信息代表扫描对象与相机之间的距离,从相机到地铁车底方向为z轴正向,其垂直于地平面。1.2箱体部件检测流程及方法结合3D点云处理技术在工业检修领域已有的应用经验10-13,通用的箱体部件异常检测流程可归纳为点云预处理、点云配准和异常检测3个步骤。本节结合检测流程对这3部分的处理过程进行介绍。1.2.1点云预处理检测系统获取一列地铁列车的待检点云后,往往需要先对点云数据进行预处理14,主要包括点云分割、点云下采样以及点云滤波等操作。参考部件的物理尺寸以及相机在x和y方向上的扫描精度,可实现快扫数据中所有部件的点云分割。为了提升处理效率,需要降低点云的密
18、度。为此,本文采用体素下采样方式进行处理,其原理及步骤如下:1)求出点云数据在x、y、z轴方向的最大值(xmax、ymax、zmax)和最小值(xmin、ymin、zmin)。2)设置下采样尺寸(即体素网格的尺寸)为r。3)计算体素网格在各方向上的维数(Dx、Dy、Dz)。Dx=xmax-xminrDy=ymax-yminrDz=zmax-zminr(1)4)计算出点云中每一个点所属的体素索引(hx、hy、hz、h)。hx=x-xminrhy=y-yminrhz=z-zminrh=hx+hyDx+hzDxDy(2)5)对算出的索引进行排序,索引相同的点即为同一体素网格中的点;根据同一体素网格中
19、的所有点的坐标,计算出其重心的坐标,并以重心代表当前体素网格;针对所有体素网格完成类似操作。点云数据中一般会伴有噪点,为此,本文采用半径滤波来降低噪点的干扰。半径滤波的思路为遍历点云中的所有点,若某个点在半径为r的球体空间内存在的邻居点不超过n个,则滤除当前点。点云数据经体素下采样和半径滤波后的效果如图2所示。1.2.2点云配准点云配准是将模板点云和待检点云转换到相同坐标系下,以便进行后续的异常检测。迭代最近点(iterative closest point,ICP)算法及相关变体是配准算法中的典型代表。本文采用彩色点云配准算法15,该算法的核心思想如下:1)ICP迭代过程采用联合优化目标函数
20、。E(T)=(1-)EC(T)+EG(T)(3)式中:T旋转矩阵;EC颜色项;EG几何项;由经验值决定的权重值,01。2)几何项EG是一个目标函数,与点到面ICP算法的目标函数相同。EG(T)=(pq)(p-Tq)np)2(4)式中:当前迭代的点到点的集合;np点p的法向量。3)颜色项EC表示点q的颜色值与其在点p的切平面上的投影的颜色值之差。EC(T)=(pq)(Cp(f(Tq)-C(q)2(5)式中:C(q)点q的颜色值;Cp()点p的预计算函数;f()将3D点投影到切平面的函数。该算法兼顾了几何特征和颜色信息,与此前的(a)原始点云 (b)下采样后 (c)半径滤波后图 2点云下采样和半径
21、滤波效果图Fig.2Impression drawing of downsampling andradius filtering1002023 年第 5 期彭联贴 等:基于 3D 点云的地铁车辆车底部件表面异常检测方法研究ICP算法相比,处理时间上并无明显差异,但具有更高的配准精度和鲁棒性。点云配准效果如图3所示,其中,模板点云为蓝色,待检点云为黄色。1.2.3异常检测异常检测内容包括差异点提取、差异点聚类和有效异常区域筛选。差异点提取的核心信息在于计算点与点之间的欧式距离16。当待检点云中的某个点与模板点云中的任意点的欧式距离在设定阈值范围之外,则认为该点是差异点;反之亦然。然后,采用DBS
22、CAN(density-based spatial clustering of applications with noise)密度聚类算法,并结合地铁车辆零部件尺寸来设置邻域半径,可以将邻近的差异点聚类成点云簇,得出较为合理的异常区域。最后,结合异常区域的尺寸、面积、法向量、表面曲率和平面高度差等几何特征的判定,完成对有效异常区域的筛选。2特定部件的检测方法通用检测方法可以满足地铁车辆车底大多数箱体部件的异常检测,然而,针对一些特定的部件区域,该方法并不适用。如高亮反光部件因其表面特性而存在点云缺失的现象,网格表面部件会因镂空网格导致其下方会有诸多噪声点,这些问题都会直接影响检测结果的准确性
23、。本章以高压分线箱接头区域、空心电抗器斜面区域为例,对通用检测方法加以改进。其中,针对高压分线箱接头区域,先进行区域分割,得到纯接头区域和线束区域,进而用统计学方法完成纯接头区域的检测,以通用检测方法完成线束区域的检测;针对空心电抗器斜面区域,则结合平面滤波对通用检测方法的流程加以调整,将属于点云预处理的平面滤波放置于点云配准之后,以消除噪点干扰,同时不影响点云配准的效果。2.1基于区域分割的接头区域检测方法高压分线箱接头区域的图像和点云如图4所示,其异常主要有两类,一是接头从箱体上脱落,二是线束断股,即线束与接头的衔接位置断裂。然而,该部件接头区域同时具备黑色和高亮反光特性,导致接头表面的点
24、云有较多缺失(但仍会保留接头的大致骨架特征),按通用检测方法进行检测时,会在点云缺失的位置形成异常区域。针对该部件异常检测中存在的问题,本文提出了基于区域分割的检测方法,检测流程如图5所示。在待检区域完成全局配准后,引入区域分割模块,将待检区域分为线束区域和纯接头区域。其中,线束虽然会随着地铁车辆的晃动而改变位置,但其与接头的衔接位置并不会有太大的位置偏移。故本文对线束区域仍采用通用检测方法进行处理;对纯接头区域,将结合其几何特征采用统计学方法进行异常检测。若两个子区域在同一个接头上均检测到异常,则合并为同一个异常。2.1.1区域分割接头区域中,多个接头排列整齐,接头间的间隙相对恒定,接头与线
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 地铁 车辆 车底 部件 表面 异常 检测 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。