轨道列车车轮型面线点云数据处理方法研究_包思远.pdf

28 AUTO TIMEFRONTIER DISCUSSION|前沿探讨轨道列车车轮型面线点云数据处理方法研究1引言轨道交通因其便捷、舒适等原因逐渐成为居民在城际出行的重要方式之一。高频次、高运载量、快速的车次也对如何保证轨道列车的安全性提出巨大挑战。车轮作为轨道列车的重要组成部分之一，在列车运行时，服役的车轮承担着列车与轨道之间的动、静载荷以及外界环境的侵蚀。随着运行时间的推移，轮对型面会发生磨损，需要及时检修、更换从而保障列车的安全运行。由于轮对型面轮廓曲线较为复杂，采用传统第四种检查器手动测量轮对参数存在测量工作量大、检测效率低等问题。由于非接触式测量具有精度高、速度快、零损伤的特点，可实现离线-在线的自动测量，完成了车轮参数的测量、保证了列车的安全运行，同时也对实现轨道运维的数字化与智能化有着重要的意义。在使用激光传感器对车轮型面进行扫描检测时，由于车轮型面的不均匀反射、外界环境的振动干扰以及传感器测量精度等问题，得到的数据含有大量异常点，这些异常点会影响型面几何参数的测量以及磨损程度的判断。对于线点云数据中的异常点的处理方法一般有人工检查法、拟合曲线法、偏差过滤法。人工检查法就是依靠人眼识别数据中明显偏离线点云轮廓的点，工作量大且具有主观性。拟合曲线法需要对线点云进行曲线拟合处理，但车轮型面较为复杂，盲目的拟合会破坏原始的型面特征。偏差过滤法需要建立合适的偏差判别函数，判别函数的判断准则决定了异常点的剔除效果好坏。本文针对采集到的车轮型面线点云中采样点的形态特征，建立了基于夹角-弓高-曲率联合的偏差判别函数进行异常值剔除，再采用多项式滤波。根据处理后的线点云结果进行车轮型面参数的测量，并对照型面轮廓参数标准值，从而验证该方法在车轮型面检测中自动处理异常值中的有效性。2车轮型面数据采集原理与数据处理方法2.1激光三角原理激光传感器本质上是基于激光三角原理。通过激光光源投射线激光到目标区域，再使用相机进行拍摄。投射的激光与被测物表面包思远1，21.浙江师范大学工学院浙江省金华市3210042.浙江师范大学浙江省城市轨道交通智能运维技术与装备重点实验室浙江省金华市321004摘 要：随着轨道列车交通的迅速发展，为了保证列车运行的安全性，需要及时检测列车车轮型面的磨损。非接触式的激光检测装置由于其具有精度高、方便快捷等原因，逐渐应用到列车车轮检测的工作中。但在使用激光传感器扫描列车车轮型面时，由于车轮型面复杂导致光线的不均匀反射，传感器得到的车轮型面中存在部分异常点。异常点的存在会影响车轮型面参数的测量与车轮磨损程度判断，因此本文提出一种基于夹角-弓高-曲率联合判别的异常点方法，对车轮型面所有采样点建立统一偏差尺度，并采用移动窗口的方法对超出局部阈值的噪声点进行识别并剔除，再对剔除后的数据进行多项式滤波处理。实验结果表明，所提出的数据处理算法能够很好地剔除异常点，且处理后能够明显降低车轮型面参数的测量误差，方便车轮检修人员精准记录车轮数据，从而保障列车的安全运行。关键词：列车车轮线点云异常点剔除多项式滤波Research on Data Processing Method of Point Cloud of Rail Train Wheel Type Surface LineBao SiyuanAbstract：With the rapid development of rail train traffic,in order to ensure the safety of train operation,it is necessary to detect the wear of train wheel profiles in time.The non-contact laser detection device is gradually applied to the work of train wheel inspection due to its high precision,convenience and speed.However,when scanning the wheel profile of the train with a laser sensor,there are some abnormal points in the wheel profile obtained by the sensor due to the uneven reflection of light due to the complex wheel profile.Therefore,this paper proposes an anomaly point method based on joint discrimination of angle-bow height-curvature,establishes a unified deviation scale for all sampling points of the wheel profile,and uses the method of moving window to identify and reject the noise points beyond the local threshold,and then performs polynomial filtering processing on the rejected data.The experimental results show that the proposed data processing algorithm can eliminate abnormal points well,and the measurement error of wheel profile parameters can be significantly reduced after processing,which is convenient for wheel maintenance personnel to accurately record wheel data,so as to ensure the safe operation of trains.Key words：train wheels,line point cloud,anomaly point culling,polynomial filteringAUTO TIME 29 FRONTIER DISCUSSION|前沿探讨 时代汽车接触时，相机图像会中有亮线出现，由于激光接触到的物体表面存在一定的高度差，因此在相机拍摄到的亮线在输出的图像上的像素位置也会发生改变，不再呈现一条直亮线。根据已知激光光源与相机的镜头参数之间的相对位置，三角测量法即可得到图像像素位与实际高度的映射关系。2.2线点云数据处理方法而采集到的线点云数据中某采样点在被认为为是异常的重要形态特征之一，就是该点的存在使线点云轮廓在视觉上呈现局部凸起或凹陷，如图 2 所示。而凹凸形态的数学描述方法可从以下三种描述对应：1）该点分别与左右相邻点组成的向量夹角大小与正常点相比偏小；2）该点到相邻两点组成的向量距离（弓高）相较于正常点偏大；3）异常点处的曲率值较正常曲率值偏大。因此本文考虑夹角、弓高、曲率三个约束准则，对轮对型面线点云中的噪声点建立数学模型，针对线点云上的每个数据点，采用移动窗口法进行统计分析，并建立离群判别函数，计算以当前点为中心的窗口内部分数据的统计值，从而设定适当阈值，对坏点进行识别并剔除。算法具体步骤如下：步骤 1：从扫描线的第二个点 P1开始，读取该点及左右相邻两点的点云坐标P0（X0，Y0）、P1（X1，Y1）、P2（X2，Y2）；步骤 2：构建相邻 3 点的向量，计算 P1处夹角 1、弓高 h1、曲率 1；其中（1）步骤 3：遍历扫描线上所有点，使用公式计算各点角度值 i、hi，直到 Pi为终点为止；步骤 4：针对遍历点计算各点 Fi值；其中 （2）式（2）中：Fi为移动窗口内数据点的偏差判别函数，移动窗口如图 3 所示；amax为移动窗口内各点的最大值；hmax为移动窗口内各点的最大值；max为窗口内各点 i的最大值。步骤 5：阈值 e 的选取函数如式（3）所示；若该点Fie，则判定该点为噪声点，进行剔除。（3）式（3）中：F_为窗口内离群判别函数的平均值，n 为移动窗口内的数据点个数。该算法兼具夹角、弓高、曲率三个约束，其中夹角可用于衡量噪声点与左右邻点相距较近时的离群程度，弓高可用于衡量噪声点与左右邻点相距较远时的离群程度，曲率则强调了该点处是否为车轮型面固有的曲率变化点，防止将车轮自身具有的曲率形态特征点被识别为异常点错误剔除。为了保证在滤波平滑的过程中不破坏车轮型面的原有形貌，本文选用多项式滤波器（S-G 滤波器）对剔除异常点后的车轮型面线点云数据进行滤波处理。多项式滤波原理的是一种移动窗口的加权平均算法，通过对窗口内的采样点进行最小二乘拟合。而当前窗口中心值的滤波结果本质是获得拟合多项式的常数项。因此可采用矩阵表达形式记为 AP=B，通过矩阵变形为 P=A-1B 的形式求得系数矩阵 P，从而完成型面线点云的数据滤波处理。3试验测试与分析3.1轮对型面轮廓检测装置轮对型面轮廓检测过程如图 4 所示。其中列车走行部型号为 CRH380B，车轮型号为LMA-30 型，选用海康威视的激光传感器。3.2线点云数据异常点处理某条线点云原始数据与处理后数据如图 5所示，其中图 5（a）为激光传感器扫描型面剔除异常点后的由 1477 个采样点组成的线点云，而处理器有 1782 个点，经过夹角-弓高-曲率联合偏差判别函数处理后，异常点有296 个，占原始数据总数的 17.11。图 5（b）（d）分别为轮缘顶部、轮缘底部和车轮踏面中部的轮廓细节，可以看到由于异常值的存在导致处理前车轮型面呈现锯齿状，经处理后的车轮型面锯齿状噪声较少，整体更为平滑更接近车轮的实际情况。3.3车轮型面几何参数测量车轮型面参数定义如图 6 所示。其中，轮缘厚度为踏面水平线向轮缘顶部垂直移动12mm 与轮缘形成的交点，此交点与轮缘内图1激光三角法原理线激光光源激光平面被测物体相机YX线点云图2异常点的夹角-弓高-曲率特征正常曲率异常夹角异常夹角正常弓高 h异常弓高 h异常曲率图3移动窗口计算各点Fi值移动窗口Fi-2Fi+2Fi-1Fi+1Fi移动方向30 AUTO TIMEFRONTIER DISCUSSION|前沿探讨表1车轮型面几何参数测量结果型面几何参数轮缘厚度轮缘高度位置12341234标准值/mm30.2230.1829.8629.9426.8426.7627.1427.08处理前/mm30.31830.24930.04230.20726.91727.03127.48327.319处理后/mm30.25430.20629.93430.12826.85326.94527.25127.156图4使用激光传感器扫描车轮型面激光传感器车轮型面图5处理前后车轮型面线点云对比图6部分车轮型面几何参数轮缘厚度轮缘高度基点轮辋宽度70mm12mm测基线的水平距离；轮缘高度指轮缘最高点到踏面水平线（过基点的水平线）的垂直距离。使用铁道车辆车轮第四种检查器测量车轮的轮缘厚度和轮缘高度标准值，如图 7 所示。将处理后的激光传感器采集到的线点云数据进行车轮型面几何参数的提取，通过对比处理前后车轮型面几何参数的误差，验证本文所提的预处理方法的可靠性。在表 1 中，记录了车轮型面 4 个位置型面参数的标准值与处理前后测得的型面参数值。结果表明，经过所提方法处理后的轮缘厚度的误差降低了 29.59 65.31%，而轮缘高度的误差降低了 31.73 83.12%。4结语本文研究了在获得激光传感器测得的车轮型面轮廓数据中存在异常点问题，提出了一种数据处理方法用来剔除异常点从而提高车轮型面参数的测量精度。首先根据线点云中异