车轮踏面为车轮在钢轨面上滚动接触的部位，由于制动、轮对与钢轨间隙的冲撞以及轮对与钢轨面在转弯时的相对滑动等因素造成的踏面擦伤，给车辆和钢轨带来额外的冲击振动，严重影响列车平稳运行和铁路线路的使用寿命。随着我国铁路不断提速以及重载列车的增加，加速了踏面擦伤数量的增加，对车轮检测和维修提出了更高的要求。因此，研制运行状态下的车轮踏面擦伤在线动态检测系统已成为我国轨道交通发展中迫切需要解决的难题。
    国外自20世纪70 年代开始对车轮踏面擦伤自动检测方法进行研究，提出的检测方法主要有振动法[1]、共振解调法[2]、电磁超声检测法[3-4]、冲击载荷法[5]。但国内起步较晚，自20世纪90年代才开始对踏面擦伤动态检测系统进行研究，主要采用的方法有振动法[6]、共振解调法[7]、踏板法[8]、电磁超声检测法[9]、冲击载荷法[10]。以上提到的踏面擦伤检测方法都存在测量精度低和车轮检测兑现率低的缺点。目前，在我国铁路系统没有一种理想的检测方法，车辆检修部门仍然采用人工目视、静态测量或凭经验听声音的方法检测，这种方法的缺点是劳动强度大、测量精度低。而机器视觉检测技术具有检测速度快、测量精度高、重复性好等优点，在缺陷检测方面得到了广泛的应用[11-14]。因此，利用机器视觉检测技术配合其他动态测量方法检测踏面擦伤对提高车轮检测兑现率、提高劳动效率、检测精度和促进数字化铁路的实现具有重要意义。
    基于此，本文首先建立了基于机器视觉的车轮踏面擦伤动态检测系统，提出了基于Canny算法的踏面区域分割算法和一种基于踏面边缘线扫描搜索的擦伤区域提取的算法。实验结果表明，本文算法可以有效地进行踏面擦伤可疑区域的定位。
1 系统结构
    系统总体结构如图1所示，系统由左侧和右侧车轮检测装置、交换机和高速计算机组成。左侧和右侧车轮检测装置分别安装在铁轨两侧，都是由3台数字摄像机、3个光源、3个车轮触发器组成。检测原理是：列车低速进入检测区段，当车轮触发器检测到车轮时，光源打开，摄像机采集到踏面图像，通过以太网并经过交换机传送到高速计算机内进行图像处理和识别。

2 踏面擦伤可疑区域定位算法
    图2是擦伤检测算法流程图。踏面擦伤检测包括擦伤可疑区域定位和擦伤识别两个模块。其中，擦伤可疑区域定位模块包括图像平滑、踏面区域分割和擦伤可疑区域检测三部分。图像平滑的作用是去除图像噪声；踏面区域分割的目的是分割出踏面擦伤所在的区域；擦伤可疑区域检测是在踏面区域内找到擦伤可疑区域；擦伤识别是利用识别算法进一步判断可疑区域是否属于擦伤。本文重点介绍擦伤可疑区域定位算法。

2.1 图像平滑
　　图像平滑的目的是去除图像噪声。本文选用快速中值滤波算法平滑图像。
2.2 踏面区域分割
　　踏面区域分割的目的是缩小检测的范围。算法实现过程如下：
       (1)采用传统Canny算法提取图像边缘线。
       (2)采用轮廓跟踪法跟踪边缘，去除链码长度小于一定阈值的线段。
       (3)判断保留下的两条不同的边缘线之间的最大距离(max)和最小距离(min)，把满足max<Tmax且min>Tmin的两条线保留下来,去除其他干扰线。Tmax和Tmin根据标准轮子的宽度确定，保留下来的两条边缘线一条是踏面边缘线，另外一条是轮缘边缘线。
       (4)从保留的两条边缘线中选择长度最大的一条边缘
线，如果该边缘线位于另外一条边缘线的右侧，则该边缘线为踏面边缘线,向轮缘方向平移标准踏面图像宽度，得到踏面区域的另外的一个踏面边缘线；如果该边缘线位于另外一条边缘线的左侧，则该边缘线为轮缘边缘线，向踏面方向依次平移标准轮缘图像宽度和标准车轮宽度得到踏面区域的两条踏面边缘线， 截取边缘线之间的图像区域即为踏面区域。
2.3 踏面擦伤可疑区域检测
　　擦伤区域特征是擦伤线沿踏面边缘线方向分布，而且擦伤线上点的灰度值变化小。本文根据擦伤特征设计了一种基于踏面边缘线扫描搜索的擦伤可疑区域提取技术，根据2.2节得到的踏面边缘线，在踏面区域内，踏面边缘线依次移动一个像素，得到覆盖踏面区域的所有扫描线，定义扫描线为图像的列。算法具体步骤如下(设j=1)：
　    (1)选取踏面区域的平均灰度值为阈值,对踏面区域进行全局阈值分割，小于阈值的点像素值为0，其余点像素值为255。
       (2)沿第j列从上到下逐个计算当前像素点像素值与相邻两点的像素值的差值绝对值是否大于255，如果有一个值大于255，则标记当前像素点为跳变点，直到此列上所有跳变点标记完毕。
       (3)判断第j列相邻的跳变点之间像素个数N1，若N1>Tc,则标记该列两个跳变点之间的线段为一条擦伤线。其中Tc的值根据铁道部规定的擦伤最小长度确定。
　　(4)迭代循环j＝j+1，转步骤(2)，直到踏面区域内的所有列判断结束。
    (5)擦伤线的合并。合并原理：对两条擦伤线(A和B)，设A的两端点坐标分别为(x1,y1)、(x2,y2)，B的两端点坐标分别为(x3,y3)、(x4,y4),两条线的横向距离H和纵向距离V分别用如下公式计算：  
    H=|x3-x1|
    V=min(|y1-y3|,|y1-y4|,|y2-y3|,|y2-y4|)
    选取阈值Td1和Td2，如果：H<Td1且V<Td2,则认为两条擦伤线为同一个擦伤区域内的擦伤线。本文Td1为15，Td2为50。
3 实验结果及分析
    为了验证本文算法的有效性，在安康车辆段搭建踏面擦伤动态检测实验硬件平台，并利用自行编制的软件检测2 000个车轮踏面。实验硬件平台选用型号为pia100-48gc的德国Basler公司的千兆网数字面阵CCD摄像机，8 mm日本computar镜头以及300 W的碘钨灯。软件运行环境：Dell D631 笔记本电脑，1 GB 内存，编程环境Visual C++ 6.0。为了定量判断本文算法的检测效果，采用以下三个指标对算法进行评价：
    定位准确率=检测到的擦伤数目/擦伤总数    (1)
    漏识率＝未检测到的擦伤数目/擦伤总数    (2)
    误识率＝检测到的非擦伤数目/擦伤总数     (3)
    图3~图6是其中两幅擦伤图像的可疑区域提取过程结果。图6中的白色矩形框锁定区域为擦伤可疑区域。表1为算法评价指标结果。

    从图4~图6可以看出，本文算法可以很好地对采集的踏面擦伤图像进行图像平滑、踏面区域分割和擦伤可疑区域检测。从表1可以看出,在2 000幅测试图片中，擦伤定位准确率为97.62%,误检率达到3.81%,漏检率达到2.38%。造成擦伤漏检的原因是：光照不均匀，造成拍摄的图片灰度也不均匀，使擦伤区域特征不明显。改进措施：采用650 nm波长可见光LED平行光源，CCD前加装峰值波长为650 nm的带通滤光片，以降低背景光及杂散光的影响。擦伤误检的原因是：沿着轮缘边缘线出现与擦伤特征相同的油污和杂质等非缺陷，误检的擦伤在后面的识别算法中进一步识别。降低误检率的措施可以考虑在检测装置前安装清洗装置，去除一部分杂质或油污。
参考文献
[1] BELOTTI V, CRENNA F R, MICHELINI C. Wheel-flat  diagnostic tool via wavelet transform[J].Mechanical Systems  and Signal Processing,2006,20(8):1953-1966.
[2] FRANK S A. Technique for the detection of flat wheels  on railroad cars by acoustical measuring means[P].United  States, Utility Patent, 4129276,1978.
[3] DOMINICK P A.Ultrasonic wheel probe with improved acoustic barrier[P].United States, Utility Patent,4763526,1988.
[4] ROBERT F V, WAYNE R C. Ultrasonic inspection method  and system, united states[P]. Utility Patent, 7017414,2006.
[5] TRAIAN M. A dynamic model for the impact between the wheel flat and rail, UPB scientific bulletin, series D[J]. Mechanical Engineering, 2007,69(2):45-58.
[6] 岳建海，裘正定，李铁锚.基于连续子波变换的铁路车轮踏面擦伤的在线检测[J].铁道学报，2003，25(4)：27-30.
[7] 朱建明.机车运行部动态故障非接触式自动诊断系统的研究[J].机车电传动，1999(5)：19-21.
[8] 李景泉,刘继.车轮踏面擦伤自动检测方法的研究和试验[J].同济大学学报，2003，31（4）：473-475.
[9] 张颖滨.铁路机车、车辆车轮踏面在线自动化探伤装置[P]. 20030111599.3，2004.
[10] 刘继，冯铭.车轮踏面擦伤在线自动检测方法的研究和试验[J]. 铁道车辆，1995，33(2)：28-30.
[11]    LIN H D, Tiny surface defect inspection of electronic  passive components using discrete cosine transform decomposition and cumulative sum techniques[J].Image and Vision Computing,2008,26(5):603-621.
[12] YUAN T, KUO W. Spatial defect pattern recognition on  semiconductor wafers using model-based clustering and  bayesian inference[J].European Journal of Operational Re-search,2008,190(1):228-240.
[13]    刘建群，旷辉，丁少华.基于视觉的表面贴装芯片引脚检测系统的研究[J].中国机械工程，2007，18(16)：1908-1912.
[14] 谢佩军，计时鸣，程越.基于计算机视觉的晶振帽缺陷自动检测系统[J].仪器仪表学报，2008，29(5)：1080-1083.