轉(zhuǎn)轍機(jī)是轉(zhuǎn)換道岔位置,，改變道岔開(kāi)通方向，鎖閉道岔尖軌的重要信號(hào)設(shè)備,，與高速行駛的列車安全緊密相關(guān),。軌道交通的密度日益增加對(duì)其可靠性、經(jīng)濟(jì)性和可用性提出了更高的要求[1-2],。

在實(shí)際現(xiàn)場(chǎng)中,，轉(zhuǎn)轍機(jī)設(shè)備處于封閉環(huán)境，監(jiān)控系統(tǒng)通過(guò)控制器控制安裝在設(shè)備內(nèi)部的單目攝像機(jī)對(duì)連桿和鎖閉機(jī)構(gòu)進(jìn)行拍照,，由設(shè)計(jì)的算法完成鎖閉機(jī)構(gòu)與連桿之間的缺口圖像識(shí)別并測(cè)量距離[3-4],。算法需要在嵌入式Linux操作系統(tǒng)下結(jié)合的ARM9或其他系列微處理器[4-7]上完成對(duì)轉(zhuǎn)轍機(jī)缺口圖像的快速識(shí)別和測(cè)量。

目前雖已有多種機(jī)器視覺(jué)自動(dòng)檢測(cè)方法來(lái)替代傳統(tǒng)的接觸式和光電傳感器測(cè)量方式[2,4,8],，但在實(shí)際工程實(shí)現(xiàn)中都存在一些不足,。文獻(xiàn)[3]先在缺口和基準(zhǔn)支架上粘貼輔助識(shí)別標(biāo)記，然后通過(guò)小波變換濾波,、多尺度邊緣檢測(cè)和邊緣鏈碼特征篩選提取標(biāo)記邊緣,，通過(guò)標(biāo)記的位置計(jì)算缺口當(dāng)前位置偏差。文獻(xiàn)[6]在文獻(xiàn)[3]的基礎(chǔ)上利用改進(jìn)的LSD算法提取圖像中標(biāo)記的邊緣直線段,，兩種方法都需要粘貼輔助識(shí)別標(biāo)記,，給實(shí)際工程中的實(shí)施帶來(lái)了巨大的工作量和不便。文獻(xiàn)[7]先利用Canny算子提取轉(zhuǎn)轍機(jī)表示桿缺口圖像的單像素邊緣獲得參考位置,，再由幀間差分法提取缺口的移動(dòng)部分,，擬合邊界直線實(shí)時(shí)獲得缺口位置。但該方法測(cè)量的目標(biāo)移動(dòng)區(qū)間通常較小,，還需要設(shè)置參數(shù)裁剪圖像有效區(qū)域ROI來(lái)保證算法穩(wěn)定性,，相機(jī)安裝位置的差異使得圖像裁剪參數(shù)和缺口參考位置難以通用,。同時(shí)，算法對(duì)輔助光照,、設(shè)備機(jī)型等要求較高,，抗干擾能力較弱，存在拒識(shí)別問(wèn)題,，需要人工現(xiàn)場(chǎng)確認(rèn),。文獻(xiàn)[9]先利用Sobel算子邊緣檢測(cè)和連通域標(biāo)記對(duì)檢測(cè)缺口的邊緣進(jìn)行提取，通過(guò)直線變換和像素篩選計(jì)算出缺口像素大小,，然后根據(jù)由最小二乘法擬合得到的缺口在圖像中的寬度和實(shí)際寬度的函數(shù)關(guān)系計(jì)算缺口實(shí)際大小,。該方法需要多次人工測(cè)量擬合數(shù)據(jù)，由于實(shí)際的成批工業(yè)需求中每個(gè)相機(jī)的安裝距離和角度無(wú)法完全一樣,，單獨(dú)擬合函數(shù)不切實(shí)際，通用的擬合函數(shù)往往以犧牲測(cè)量精度為代價(jià),。

低碳經(jīng)濟(jì)作為一種以低能耗,、低污染、低排放為基礎(chǔ)的新經(jīng)濟(jì)模式日益受到世界各國(guó)的青睞[1],。發(fā)展低碳經(jīng)濟(jì)要求及時(shí)轉(zhuǎn)化現(xiàn)有的傳統(tǒng)能源系統(tǒng)[2],。中國(guó)農(nóng)村地區(qū)家庭能源的供應(yīng)基本上是依賴于煤炭和當(dāng)?shù)氐慕斩挕⑿讲?，這種傳統(tǒng)的用能模式對(duì)資源和生態(tài)環(huán)境產(chǎn)生了重大而長(zhǎng)久的負(fù)面影響[3-4],。農(nóng)村戶用沼氣工程的建設(shè)是解決農(nóng)村能源短缺，提高能源轉(zhuǎn)化效率和利用效率的有效途徑,。截至2008年，中國(guó)已發(fā)展農(nóng)村戶用沼氣池3 050萬(wàn)戶,，規(guī)劃到2015年全國(guó)戶用沼氣池達(dá)6 000萬(wàn)戶,，生產(chǎn)沼氣233億m3。

基于模板匹配的目標(biāo)檢測(cè)方法是以圖像匹配作為核心技術(shù)的一種常用的目標(biāo)檢測(cè)手段[10],。文獻(xiàn)[11]利用軌道的螺栓幾何結(jié)構(gòu)約束，提出使用最近鄰分類器來(lái)檢測(cè)螺栓的快速模板匹配算法,。文獻(xiàn)[12]通過(guò)設(shè)計(jì)掩模模板，提取扣件的HOG特征,，并對(duì)扣件進(jìn)行分塊得到部件模型,，結(jié)合彈簧模型度量部件相對(duì)位置關(guān)系，使用加權(quán)的HOG特征余弦相似性度量來(lái)區(qū)分正常,、斷裂和丟失三種狀態(tài)的扣件,。

針對(duì)目前方法的不足和實(shí)際的現(xiàn)場(chǎng)條件，本文提出一種基于模板匹配的轉(zhuǎn)轍機(jī)缺口檢測(cè)算法,，設(shè)計(jì)一個(gè)融合缺口邊界梯度和尺寸信息的通用模板,，并根據(jù)設(shè)計(jì)的模板確立相似性度量匹配準(zhǔn)則，通過(guò)對(duì)閾值分割和形態(tài)學(xué)濾波后的缺口圖像進(jìn)行匹配識(shí)別,，實(shí)時(shí)獲得缺口位置。試驗(yàn)表明：該算法對(duì)輔助光照變化,、相機(jī)安裝距離和安裝角度具有良好的魯棒性,，檢測(cè)結(jié)果滿足實(shí)際現(xiàn)場(chǎng)的快速和高精度要求。

1 轉(zhuǎn)轍機(jī)缺口檢測(cè)原理

轉(zhuǎn)轍機(jī)的種類眾多,，以S700K轉(zhuǎn)轍機(jī)為例,，S700K轉(zhuǎn)轍機(jī)又分為Ⅰ型(定位)和Ⅱ型(反位)，見(jiàn)圖1,。在圖1中被固定的L形結(jié)構(gòu)為L(zhǎng)標(biāo),，鐵塊壁上的凹槽即為需要識(shí)別的缺口。

圖1 S700K轉(zhuǎn)轍機(jī)

轉(zhuǎn)轍機(jī)的缺口圖像由安裝固定好的數(shù)字?jǐn)z像機(jī)拍攝,，采集的Ⅰ型和Ⅱ型轉(zhuǎn)轍機(jī)缺口圖像見(jiàn)圖2,。需要設(shè)計(jì)算法測(cè)量缺口中心線相對(duì)L標(biāo)中心線的偏移量，從而得知道岔轉(zhuǎn)換精度和行車的安全性,。

圖2 S700K轉(zhuǎn)轍機(jī)缺口圖像

Ⅰ型和Ⅱ型的測(cè)量原理相同,，以Ⅰ型為例說(shuō)明檢測(cè)原理，見(jiàn)圖3,。

圖3 轉(zhuǎn)轍機(jī)缺口檢測(cè)原理

由于L標(biāo)固定不動(dòng),，攝像機(jī)安裝好后位置也是不變的，由此可以直接識(shí)別圖像中凹槽缺口的左右邊界,，計(jì)算圖像中的缺口寬度δ和缺口中心在圖像上的移動(dòng)量φ,，根據(jù)已知的缺口實(shí)際寬度7.0 mm計(jì)算像素當(dāng)量，再根據(jù)人工標(biāo)定給出的缺口在基準(zhǔn)位置時(shí)其中心相對(duì)L標(biāo)中心的實(shí)際基準(zhǔn)偏移量D0,，計(jì)算當(dāng)前缺口中心相對(duì)L標(biāo)中心的實(shí)際偏移量D,，計(jì)算公式為

四是學(xué)生的能力有偏差.傳統(tǒng)教學(xué)模式下培養(yǎng)的學(xué)生與應(yīng)用型人才培養(yǎng)目標(biāo)有偏差，學(xué)生在課堂上感覺(jué)“學(xué)會(huì)了”,，但不會(huì)把所學(xué)知識(shí)應(yīng)用到自己開(kāi)發(fā)的網(wǎng)站上.傳統(tǒng)的課程教學(xué)模式會(huì)導(dǎo)致學(xué)生實(shí)踐操作時(shí)完全模仿教師上課演示的網(wǎng)頁(yè)案例,，不能獨(dú)立完成一個(gè)真實(shí)的有創(chuàng)意的網(wǎng)站.

( 1 )

2 缺口檢測(cè)算法

2.1 算法總體流程和框架

轉(zhuǎn)轍機(jī)缺口檢測(cè)算法是通過(guò)對(duì)自適應(yīng)閾值分割后的缺口圖像進(jìn)行分析和建模，將建立的模板作為標(biāo)準(zhǔn)缺口二值圖像,，根據(jù)相似性度量準(zhǔn)則對(duì)圖像中的缺口進(jìn)行匹配檢測(cè),。缺口檢測(cè)流程見(jiàn)圖4,，算法首先對(duì)數(shù)字?jǐn)z像機(jī)采集的缺口圖像進(jìn)行自適應(yīng)閾值分割和形態(tài)學(xué)濾波，完成圖像預(yù)處理,；然后使用設(shè)計(jì)的變尺度缺口二值圖像模板依照建立的相似性度量準(zhǔn)則對(duì)缺口圖像進(jìn)行匹配識(shí)別,；最后根據(jù)存儲(chǔ)的缺口基準(zhǔn)圖像的匹配結(jié)果和基準(zhǔn)偏移量計(jì)算缺口當(dāng)前偏移量。

圖4 缺口檢測(cè)算法流程

對(duì)于Ⅱ型轉(zhuǎn)轍機(jī),，當(dāng)缺口邊界被L標(biāo)遮擋時(shí),，模板匹配算法根據(jù)匹配結(jié)果自動(dòng)判別，將當(dāng)前圖像的預(yù)處理結(jié)果與存儲(chǔ)的缺口基準(zhǔn)圖像的預(yù)處理結(jié)果差分處理,，通過(guò)提取的連通域判斷缺口移動(dòng)方向和大小,，利用基準(zhǔn)偏移量計(jì)算缺口當(dāng)前偏移量，流程見(jiàn)圖4,。

2.2 圖像預(yù)處理

2.2.1 自適應(yīng)閾值分割

自適應(yīng)閾值分割是利用圖像局部灰度閾值替換全局閾值對(duì)圖像進(jìn)行二值化處理[10],，從而更好地保留圖像信息，分割原理為

( 2 )

式中：f(x,y)為原圖像素點(diǎn)(x,y)的灰度值,；G(x,y)為閾值分割后像素點(diǎn)(x,y)的灰度值,；T(x,y)為像素點(diǎn)(x,y)的分割閾值。

考慮到實(shí)際現(xiàn)場(chǎng)的設(shè)備安裝在需要輔助照明的封閉鐵盒中,，自適應(yīng)閾值分割算法要求對(duì)輔助光照變化具有良好的穩(wěn)健性,。經(jīng)比較和分析后采用文獻(xiàn)[13]提出的使用積分圖像的自適應(yīng)閾值分割方法，計(jì)算以每個(gè)像素點(diǎn)(x,y)為中心的s×s像素窗口的灰度平均值average_s(x,y),，以灰度均值作為分割閾值參考,，根據(jù)設(shè)定的分割閾值權(quán)重參數(shù)t計(jì)算該像素點(diǎn)(x,y)的分割閾值,，即

( 3 )

經(jīng)分析和試驗(yàn),，將閾值分割參數(shù)s和t分別設(shè)定為H/8和0.1，其中H為圖像的像素行數(shù)。當(dāng)圖像邊界上的像素的鄰域窗口不足s×s大小時(shí),，超出圖像邊界的部分不參與s×s像素窗口灰度均值計(jì)算,。

2.2.2 形態(tài)學(xué)濾波

轉(zhuǎn)轍機(jī)表面存在較明顯的紋理和非均勻發(fā)散的簡(jiǎn)易輔助照明，使得轉(zhuǎn)轍機(jī)金屬表面容易反光,，甚至在局部形成高亮的連通域斑塊給缺口圖像的識(shí)別和邊界提取增加了干擾和難度,。形態(tài)學(xué)運(yùn)算[10]是分析幾何形狀和結(jié)構(gòu)的數(shù)學(xué)方法,。形態(tài)學(xué)濾波[3,14]可以去除幾乎所有的高斯噪聲和干擾引起的偽邊緣，對(duì)削弱轉(zhuǎn)轍機(jī)表面的紋理和光照引起的干擾,，還原缺口邊緣具有較強(qiáng)的魯棒性,。

如圖5所示,，形態(tài)學(xué)開(kāi)運(yùn)算可以將缺口二值圖中連接的噪聲點(diǎn)斷開(kāi),，填充運(yùn)算可以將連通域中微小的孔洞修補(bǔ)。由此,，先對(duì)圖像填充去除紋理特征，避免直接開(kāi)運(yùn)算引起完整連通域的分割和破壞,；再對(duì)其進(jìn)行開(kāi)運(yùn)算,，斷開(kāi)小連通域與大連通域的連接,；然后對(duì)圖像腐蝕,，去除小的連通域和噪聲干擾,；最后將腐蝕結(jié)果對(duì)開(kāi)運(yùn)算結(jié)果進(jìn)行重構(gòu),，還原缺口邊緣細(xì)節(jié),。

圖5 缺口邊緣不同形態(tài)學(xué)濾波算法效果

濾波流程見(jiàn)圖6。

圖6 形態(tài)學(xué)濾波流程

經(jīng)試驗(yàn)和分析,，填充算法采用漫水填充,，開(kāi)運(yùn)算和腐蝕運(yùn)算分別采用3×3和6×6的圓盤結(jié)構(gòu)元素。Ⅰ型缺口預(yù)處理過(guò)程中的結(jié)果見(jiàn)圖7,。

圖7 I型缺口圖像預(yù)處理

2.3 變尺度模板匹配

基于模板匹配的目標(biāo)檢測(cè)方法是以事先獲取的目標(biāo)先驗(yàn)?zāi)Ｐ突蛘呦闰?yàn)信息作為模板，提取能夠反映目標(biāo)自身與其他不同目標(biāo)之間最大化差異的特征,，并根據(jù)該特征確定相似性度量和匹配準(zhǔn)則,，通過(guò)搜索和匹配算法來(lái)確定模板與待檢測(cè)圖像的相似性，從而達(dá)到目標(biāo)檢測(cè)和定位的目的[10],。

2.3.1 變尺度模板設(shè)計(jì)

模板的設(shè)計(jì)結(jié)果對(duì)整個(gè)檢測(cè)系統(tǒng)起著至關(guān)重要的作用,，它影響著目標(biāo)的準(zhǔn)確檢測(cè)。模板的設(shè)計(jì)主要有先驗(yàn)信息獲取,、最大化差異特征提取與表示兩個(gè)步驟,。

(1)先驗(yàn)信息獲取

英格曼神甫這時(shí)在閱覽室打盹兒——他已經(jīng)搬到閱覽室住了，為了不額外消耗一份柴火去燒他居處的壁爐,，也為了能聽(tīng)見(jiàn)法比·阿多那多上樓下樓,、進(jìn)門出門的聲音，這聲音使他心里踏實(shí),，覺(jué)得得到了法比的間接陪伴,，法比也在間接給他壯膽。

如圖8所示,，圖8(a)中缺口底部連通域孤立,，可通過(guò)連通域特征篩選剔除，圖8(b)中轉(zhuǎn)轍機(jī)表面反光和油漬等污染使得缺口底部不可避免地與缺口邊界相連通,，無(wú)法剔除,。模板需要對(duì)缺口底部區(qū)域的不確定性具有很強(qiáng)的自適應(yīng)能力，能夠穩(wěn)定應(yīng)對(duì)不定的缺口底部連通域形狀,。同時(shí),，由于轉(zhuǎn)轍機(jī)上的相機(jī)安裝距離和角度不盡相同，缺口在圖像中的寬度在60～130像素不等,，模板應(yīng)該設(shè)計(jì)為變尺度模板,，以應(yīng)對(duì)不同設(shè)備的相機(jī)安裝距離和角度引起的缺口在圖像中的寬度不等的問(wèn)題。

2.2 我國(guó)胸痛中心改進(jìn)方向 歐洲心臟病學(xué)學(xué)會(huì)（ESC）于 2012年和美國(guó)心臟病學(xué)學(xué)會(huì)基金會(huì)（ACCF）／美國(guó)心臟協(xié)會(huì)（AHA）于2013年發(fā)布的STEMI管理指南均提出縮短 FMC-to-B時(shí)間［32-33］,。這個(gè)時(shí)間點(diǎn)包括了部分院前急救時(shí)間,，由此心肌梗死的救治由院內(nèi)急救提前到院前急救。

圖8 Ⅰ型缺口二值圖像

(2)最大化差異特征提取與表示

生機(jī)勃勃的春天來(lái)了。春姑娘迎著春風(fēng),，踏著輕盈的腳步款款而來(lái),，她用溫柔的聲音喚醒了校園里的萬(wàn)物。柳樹(shù)姑娘梳理著長(zhǎng)長(zhǎng)的辮子,；小草弟弟探出了頭,，好奇地打量著這個(gè)世界；迎春花姑娘綻開(kāi)了笑臉,，向春姑娘打著招呼,；溪流沖破了層層阻礙，一路唱著歡樂(lè)的歌,。校園里處處綠意盎然,，仿佛穿上了一件綠色的新裝。

如圖8(c)所示,，缺口圖像的最大特征是其左右邊界平行且對(duì)稱,，邊界的梯度方向相反且有順序關(guān)系。由此可以設(shè)定缺口模板邊界元素值為1和-1來(lái)衡量缺口左右邊界梯度,，1和-1的設(shè)定順序?qū)?yīng)各自邊界的梯度方向,，同時(shí)保證模板對(duì)缺口邊界存在的鋸齒和傾斜等問(wèn)題的應(yīng)對(duì)能力。根據(jù)先驗(yàn)信息,，可以將模板中心設(shè)定為0來(lái)消除缺口底部連通域形狀不定干擾因素,，并將模板的尺度d的變化區(qū)間設(shè)定為50～140像素，模板像素高度設(shè)定為40像素以增強(qiáng)模板的魯棒性,。模板設(shè)計(jì)結(jié)果見(jiàn)圖9,。

江南具體景觀在皇家園林中的仿建以園林為主，如常州府無(wú)錫縣的寄暢園在清漪園中仿建成惠山園,，杭州汪氏園,、海寧陳氏園和揚(yáng)州趣園在圓明園中仿建為小有天園、安瀾園和鑒園,，蘇州獅子林被仿建于長(zhǎng)春園,、避暑山莊，江寧瞻園在長(zhǎng)春園中仿建成如園等,。

圖9 變尺度缺口二值圖像模板

2.3.2 模板匹配相似性度量準(zhǔn)則

相似性度量是影響圖像目標(biāo)檢索結(jié)果的關(guān)鍵之一,，它可以很好地模擬人對(duì)圖像的理解[15]，是模板匹配的重要依據(jù),。為適應(yīng)模板的特點(diǎn),，同時(shí)簡(jiǎn)化模板匹配的準(zhǔn)則，先將待匹配的缺口二值圖像進(jìn)行變形,，變形方式為

2.嘗試驗(yàn)證,。不斷的嘗試就是用多種方法“試誤”的過(guò)程,。學(xué)生之間存在個(gè)體差異，老師應(yīng)尊重學(xué)生間存在的差異,，引導(dǎo)學(xué)生嘗試使用多中方法進(jìn)行驗(yàn)證解決問(wèn)題,，從不同的結(jié)果中獲得最合適的答案。

( 4 )

式中：g(x,y)為預(yù)處理結(jié)果,；h(x,y)為變形結(jié)果,。

根據(jù)模板和圖像變形結(jié)果特點(diǎn)，將相似性度量準(zhǔn)則設(shè)定為

( 5 )

式中：temp(d,i,j)為尺度d的模板,；F(x,y,d)為尺度d的模板與以(x,y)為起點(diǎn)的h(x,y)局部圖像的相似性度量,。

根據(jù)相似性度量準(zhǔn)則可知，當(dāng)模板匹配到清晰的缺口左右邊界時(shí),，被匹配到的局部子圖像與等大的模板temp邊界的相似度會(huì)很高,，F(x,y,d)的結(jié)果為大量的(-1)×(-1)+1×1+0之和，結(jié)果值較大,。當(dāng)變尺度模板的左右邊界未同時(shí)匹配到缺口的左右邊界時(shí)，F(x,y,d)的值會(huì)顯著降低,。同時(shí),，當(dāng)缺口邊緣有噪聲干擾和缺損等突變時(shí)，缺口右邊界像素值由1變成-1,，導(dǎo)致F(x,y,d)的求和表達(dá)式中出現(xiàn)(-1)×1,，F(x,y,d)微許下降，該匹配位置的F(x,y,d)始終是整個(gè)圖像的全局最大相似性度量值,，對(duì)應(yīng)的匹配位置仍為缺口準(zhǔn)確位置,。模板對(duì)隨機(jī)噪聲，邊界缺損,、鋸齒,、輕微傾斜和相機(jī)的安裝距離具有很強(qiáng)的魯棒性。

實(shí)際中,，當(dāng)缺口緩慢偏移時(shí),，缺口對(duì)應(yīng)的相似性度量Fmax會(huì)因缺口偏移引起的噪聲而緩慢減小，接著,噪聲的平穩(wěn)性會(huì)使之處于小范圍內(nèi)平穩(wěn)階段,。當(dāng)缺口偏移量進(jìn)一步增加時(shí),，由于缺口嚴(yán)重偏移圖像中心，圖像中的缺口邊緣產(chǎn)生較大傾斜和畸變,，最大相似性度量Fmax迅速下降,，最后收斂于一穩(wěn)定值，對(duì)應(yīng)的變化曲線見(jiàn)圖10,。

圖10 最大相似性度量與缺口偏移量關(guān)系曲線

設(shè)定最大相似性度量閾值為110,，當(dāng)Fmax低于110時(shí),，直接判定缺口嚴(yán)重偏移超過(guò)7.0 mm。

2.3.3 變尺度模板匹配優(yōu)化

傳統(tǒng)的模板匹配目標(biāo)搜索算法效率較低,，由此對(duì)變尺度模板匹配算法進(jìn)行優(yōu)化,，保證缺口識(shí)別檢測(cè)效率。

我們身邊有很多物品,，雖然它們有大有小,、有輕有重，但它們都有一個(gè)平衡點(diǎn),。你知道平衡點(diǎn)在哪里嗎,？怎樣才能讓它們保持平衡呢？一起做一些平衡玩具,，學(xué)習(xí)平衡的知識(shí)吧,！

如圖11所示，將模板temp分為左子模板temp1和右子模板temp2兩部分,，先利用左子模板匹配搜索缺口左邊界,，相似性度量準(zhǔn)則為

步驟1：計(jì)算方案層各指標(biāo)的隸屬度云模型。將各指標(biāo)每列數(shù)據(jù)輸入到逆向云發(fā)生器中,，并計(jì)算每一風(fēng)險(xiǎn)指標(biāo)的數(shù)字特征值,。將每個(gè)指標(biāo)的定量化的數(shù)據(jù)表達(dá)轉(zhuǎn)變?yōu)樵颇Ｐ偷亩ㄐ曰磉_(dá)。

圖11 缺口二值圖像左,、右子模板

( 6 )

式中：temp1(i,j)為左子模板,；F1(x,y)為以(x,y)為起點(diǎn)的h(x,y)局部圖像與缺口左子模板相似性度量值，由于圖像與模板的特殊性,，其與歸一化相關(guān)結(jié)果等價(jià),。

一個(gè)科學(xué)的地理信息軟件系統(tǒng)應(yīng)通過(guò)建立合理的模型對(duì)空間實(shí)體的空間定位、屬性及其相互之間的關(guān)系進(jìn)行描述,。因此,，該一體化概念模型包括2個(gè)模型：GIS軟件的分析型數(shù)據(jù)模型和地圖制圖數(shù)據(jù)模型。

設(shè)定F1(x,y)的閾值T1,當(dāng)F1(x,y)超過(guò)閾值T1時(shí),，利用右子模板temp2進(jìn)行匹配計(jì)算F(x,y,d),，匹配出以(x,y)為缺口左邊界起點(diǎn)的最佳尺度，即

F(x,y,d)=F1(x,y)+

( 7 )

式中：temp2(i,j)為右子模板,。

優(yōu)化后的模板匹配流程見(jiàn)圖12,。

圖12 優(yōu)化后的模板匹配流程

最終確定T1為40,并在后續(xù)的匹配識(shí)別中參考基準(zhǔn)缺口圖像匹配出的尺度d0，將匹配尺度d的范圍減少到d0-5至d0+5之間,，去除不必要的搜索尺度,。

2.3.4 偏移量計(jì)算

設(shè)匹配結(jié)果的最大相似性度量Fmax對(duì)應(yīng)于F(x,y,d)，則缺口的左邊界起始點(diǎn)為像素點(diǎn)(x,y),，缺口像素寬度為d+4,，缺口中心的像素列坐標(biāo)為y+(d+4)/2,，將其代入式( 1 )即有

2.1.4完善生態(tài)補(bǔ)償強(qiáng)化涉水工程過(guò)程監(jiān)管和結(jié)果跟蹤評(píng)估，開(kāi)展涉水工程普查和后評(píng)價(jià)工作,。完善生態(tài)補(bǔ)償機(jī)制,，擴(kuò)大補(bǔ)償范圍，提高補(bǔ)償標(biāo)準(zhǔn),，制定生態(tài)修復(fù)方案,。探索建立多元化保護(hù)工作格局，設(shè)立長(zhǎng)江水生生物保護(hù)基金,，鼓勵(lì)企業(yè)和公眾支持資助長(zhǎng)江水生生物保護(hù)事業(yè),。

( 8 )

式中:B0為基準(zhǔn)圖像中缺口中心的像素列坐標(biāo)，由模板匹配算法對(duì)基準(zhǔn)圖像匹配結(jié)果計(jì)算得到,。

2.4 缺口遮擋補(bǔ)償方案

L標(biāo)是S700K轉(zhuǎn)轍機(jī)的固定結(jié)構(gòu),，其中S700K-Ⅱ型轉(zhuǎn)轍機(jī)的L標(biāo)在缺口正前方，當(dāng)缺口偏移超過(guò)一定量后,，會(huì)出現(xiàn)被L標(biāo)遮擋邊界的情況,。

如圖13所示，當(dāng)L標(biāo)遮擋缺口邊界時(shí),，模板不能匹配出正確結(jié)果,。

圖13 Ⅱ型缺口模板匹配結(jié)果

分析可知，通過(guò)圖像差分提取缺口未遮擋的那個(gè)邊界的位置,，對(duì)比該邊界在基準(zhǔn)處的位置也可以計(jì)算缺口偏移量。

2.4.1 圖像差分邊界提取

本文設(shè)計(jì)的圖像差分算法為

( 9 )

式中：gB(x,y)為基準(zhǔn)圖像預(yù)處理結(jié)果,；g(x,y)為圖像預(yù)處理結(jié)果,；d(x,y)為差分圖像。

當(dāng)轉(zhuǎn)轍機(jī)缺口右移被L標(biāo)遮擋邊界時(shí),，由圖像差分得到的結(jié)果見(jiàn)圖14,。分析可知，不同程度的轉(zhuǎn)轍機(jī)缺口右移得到的差分圖像具有如下相同特點(diǎn)：

(1)連通域的右邊界始終為當(dāng)前缺口右邊界,；

(2)連通域中心線(圖14中的黃線)始終在缺口基準(zhǔn)位置中心線(圖14中的綠線)的右邊,，與缺口移動(dòng)方向相同。

圖14 缺口右移時(shí)圖像差分算法原理

同理,，當(dāng)轉(zhuǎn)轍機(jī)缺口向左移動(dòng)時(shí),，圖像差分算法結(jié)果具有對(duì)稱的性質(zhì)。通過(guò)提取連通域,，根據(jù)其相對(duì)位置可以判別出缺口移動(dòng)方向,，獲得未遮擋邊界位置。

實(shí)際的圖像差分結(jié)果見(jiàn)圖15,，通過(guò)形態(tài)學(xué)濾波可以去除細(xì)小的連通域和缺口邊界的毛刺噪聲,。

圖15 Ⅱ型缺口遮擋處理過(guò)程

根據(jù)連通域的像素面積S,、外接矩形長(zhǎng)寬比K以及面積飽和度M(S與其外接矩形面積的比值)，對(duì)缺口邊界位移差連通域進(jìn)行篩選,。

經(jīng)試驗(yàn)和分析,，將S的閾值設(shè)為600，K的閾值設(shè)為1,，M的閾值設(shè)為0.7,。當(dāng)無(wú)滿足條件的連通域時(shí)，直接判別為缺口嚴(yán)重偏移超過(guò)7.0 mm,；當(dāng)有多個(gè)連通域滿足篩選閾值條件時(shí),，若有M超過(guò)0.8，則將M最大的判定為篩選結(jié)果,，否則將S最大的連通域判定為篩選結(jié)果,。連通域篩選結(jié)果見(jiàn)圖15(b)(圖中已用紅框標(biāo)出)。

然而,，由于酶促反應(yīng)涉及的步驟增加及后處理導(dǎo)致的成本增加,，使得酶促反應(yīng)的工業(yè)應(yīng)用受到一定限制。研究表明,，酶促反應(yīng)中添加表面活性劑,，不僅可以提高酶的水解速率，還可以降低酶的負(fù)載[7-9],。目前,，表面活性劑輔助酶解技術(shù)很少涉及食品工業(yè)。本文利用酶和表面活性劑輔助提取辣椒中的辣椒堿,、辣椒二氫堿,、辣椒紅色素，通過(guò)單因素試驗(yàn)和正交試驗(yàn)優(yōu)化其提取工藝,，考察酶和表面活性劑添加量,、酶解溫度和酶解時(shí)間等對(duì)其提取率的影響規(guī)律，為辣椒的精加工和綜合利用提供一定的科學(xué)理論依據(jù),。

2.4.2 補(bǔ)償方案的偏移量計(jì)算

這則新聞中,，所用數(shù)字比如“8萬(wàn)人”“3倍”“21.5萬(wàn)”“43輛”“半個(gè)小時(shí)”“十一點(diǎn)”“40名”“100名”“65人”“150人”“60噸”等，都非常精確,；事件發(fā)生地點(diǎn)“南京中山陵”,，發(fā)生時(shí)間是“昨天”，用詞都十分準(zhǔn)確,；多用陳述句,，語(yǔ)氣肯定，情真意切，言之鑿鑿,。對(duì)2012年中秋,、國(guó)慶雙節(jié)假期中，南京中山陵景區(qū)的人流量,、管理應(yīng)急措施,、工作狀況等做了準(zhǔn)確敘述，由此輸出的修辭語(yǔ)義也是準(zhǔn)確的,。

缺口偏移量計(jì)算變量見(jiàn)圖16,，B0為缺口基準(zhǔn)位置圖像的中心線列坐標(biāo)，a0,、b0為其左,、右邊界的列坐標(biāo)，d0為基準(zhǔn)圖模板匹配的尺度結(jié)果,，均為保存的參數(shù),。

圖16 圖像差分計(jì)算變量示意

缺口偏移量計(jì)算步驟如下：

Step1 使用模板匹配對(duì)缺口圖像進(jìn)行匹配得到尺度d，并根據(jù)式( 8 )計(jì)算偏移量D,。

Step2 若尺度d與尺度d0相差不超過(guò)3且偏移量D小于2 mm則識(shí)別成功,，此時(shí)偏移量小，L標(biāo)未擋住缺口邊界,。

Step3 不滿足Step2中的條件則識(shí)別失敗,，使用差分算法計(jì)算二值圖像與基準(zhǔn)圖像預(yù)處理結(jié)果的差分圖像，并根據(jù)篩選閾值提取連通域,，計(jì)算連通域外接矩形的左右邊界像素列坐標(biāo)a,、b及其中心線的像素列坐標(biāo)P，見(jiàn)圖16,。根據(jù)定義,，B0和P必定存在一大一小，由B0和P大小關(guān)系判斷偏移方向,，并計(jì)算偏移量D,，計(jì)算式為

(10)

3 算法試驗(yàn)與測(cè)試

3.1 識(shí)別性能測(cè)試試驗(yàn)

選擇6臺(tái)安裝好攝像機(jī)的S700K轉(zhuǎn)轍機(jī)對(duì)算法進(jìn)行試驗(yàn),，6臺(tái)設(shè)備的相機(jī)安裝角度,、距離和輔助光照未經(jīng)人為統(tǒng)一，試驗(yàn)結(jié)果見(jiàn)圖17,。

圖17 6臺(tái)轉(zhuǎn)轍機(jī)缺口識(shí)別結(jié)果

為驗(yàn)證算法可以應(yīng)對(duì)隨機(jī)選取的6臺(tái)轉(zhuǎn)轍機(jī)的輔助光照條件,，測(cè)試算法對(duì)光照的穩(wěn)健性，多次改變同一臺(tái)轉(zhuǎn)轍機(jī)的光照進(jìn)行試驗(yàn),，識(shí)別結(jié)果見(jiàn)圖18,。測(cè)量的偏移量結(jié)果沒(méi)有差異，模板匹配結(jié)果對(duì)偏移量計(jì)算結(jié)果無(wú)影響,。

圖18 光照變化測(cè)試試驗(yàn)

隨機(jī)移動(dòng)6臺(tái)轉(zhuǎn)轍機(jī)缺口位置,，分別采集50～60張缺口不同位置的圖像進(jìn)行算法測(cè)試,，統(tǒng)計(jì)6臺(tái)轉(zhuǎn)轍機(jī)的測(cè)試結(jié)果如表1所示。

表1 6臺(tái)轉(zhuǎn)轍機(jī)缺口識(shí)別測(cè)試結(jié)果

轉(zhuǎn)轍機(jī)序號(hào)轉(zhuǎn)轍機(jī)機(jī)型采集圖像數(shù)量準(zhǔn)確識(shí)別數(shù)量準(zhǔn)確警報(bào)數(shù)量錯(cuò)誤處理數(shù)量1Ⅰ型6052802Ⅰ型5044603Ⅰ型5045504Ⅱ型5046405Ⅱ型5043706Ⅱ型504640

分析表1可知,，算法共處理了310張不同狀態(tài)的S700K轉(zhuǎn)轍機(jī)缺口圖像,，準(zhǔn)確識(shí)別了276張,，準(zhǔn)確嚴(yán)重偏移報(bào)警了34張,，無(wú)錯(cuò)誤判斷,。

試驗(yàn)結(jié)果表明：模板匹配算法對(duì)輔助光照的條件具有良好的魯棒性,，對(duì)設(shè)備的安裝角度和距離具有較強(qiáng)的適應(yīng)能力,，可以對(duì)缺口準(zhǔn)確檢測(cè)識(shí)別和嚴(yán)重偏移報(bào)警。

3.2 測(cè)量性能驗(yàn)證試驗(yàn)

通過(guò)提取原始圖像中的缺口邊緣,，并與算法處理結(jié)果進(jìn)行對(duì)比,，驗(yàn)證算法的處理精度，見(jiàn)圖19,，圖中紅色部分為邊緣的重合部分。

圖19 缺口圖像邊緣與算法處理結(jié)果對(duì)比

經(jīng)試驗(yàn)統(tǒng)計(jì)得知,，因數(shù)字相機(jī)成像過(guò)程中的信號(hào)采樣和其他噪聲干擾等因素,，缺口的邊緣通常不在一條直線上,，邊緣主干跨越區(qū)為1～2個(gè)像素寬度,，見(jiàn)圖19(b)。

將表1中的算法測(cè)量結(jié)果與人工校驗(yàn)結(jié)果對(duì)比,，統(tǒng)計(jì)不同測(cè)量區(qū)間的識(shí)別次數(shù),、最大測(cè)量偏差,、缺口邊緣重合率和邊緣在跨越區(qū)比率,結(jié)果如表2所示,。

表2 6臺(tái)轉(zhuǎn)轍機(jī)測(cè)量區(qū)間與精度統(tǒng)計(jì)結(jié)果

測(cè)量區(qū)間/mm測(cè)量總數(shù)量/識(shí)別數(shù)/報(bào)警數(shù)最大測(cè)量偏差/mm邊緣重合率/%邊緣在跨越區(qū)比率/%0～2.081/81/00.03282.686.62.0～4.073/73/00.07181.485.84.0～5.060/60/00.11278.983.25.0～7.039/39/00.16876.378.77.0～9.034/19/150.26564.672.79.0～12.023/4/190.56755.265.5

由統(tǒng)計(jì)結(jié)果表2可知,，在0～5.0 mm的測(cè)量區(qū)間內(nèi),，算法處理后的缺口邊緣與原始邊緣重合率達(dá)78.9%，缺口邊緣保留在跨越區(qū)內(nèi)的比率達(dá)83.2%，算法可以在邊緣跨越區(qū)內(nèi)匹配到缺口左右邊界,，左右邊界位置偏差均不大于一個(gè)像素,，由此缺口中心位置的計(jì)算結(jié)果偏差不大于一個(gè)像素，分析可知,，圖像中缺口的寬度為105～120像素(圖像大小為640×480),，根據(jù)實(shí)際缺口寬度7.0 mm可知像素當(dāng)量為0.058～0.067 mm，理論誤差小于0.067 mm,。對(duì)比實(shí)際結(jié)果表2可知,，在0～5.0 mm的測(cè)量區(qū)間精度達(dá)到0.2 mm，在0～4.0 mm的測(cè)量區(qū)間內(nèi)精度達(dá)到0.1 mm,。

為驗(yàn)證算法測(cè)量性能對(duì)噪聲干擾的魯棒性,，在不同方差σ的零均值高斯噪聲環(huán)境下對(duì)算法進(jìn)行試驗(yàn)，見(jiàn)圖20，統(tǒng)計(jì)結(jié)果如表3所示,。

圖20 零均值高斯噪聲干擾測(cè)試試驗(yàn)

表3 噪聲干擾試驗(yàn)統(tǒng)計(jì)結(jié)果

注：算法測(cè)出超過(guò)或接近7 mm時(shí)直接按嚴(yán)重偏移報(bào)警處理,。

測(cè)量區(qū)間/mmσ=0.002σ=0.005識(shí)別/報(bào)警最大偏差/mm跨越區(qū)內(nèi)比率/%識(shí)別/報(bào)警最大偏差/mm跨越區(qū)內(nèi)比率/%0～2.081/00.03285.781/00.06582.32.0～4.073/00.06885.973/00.08281.44.0～5.060/00.12283.360/00.15679.65.0～7.039/00.23476.237/20.32572.9

由統(tǒng)計(jì)結(jié)果表3可知,，在方差為0.005的較強(qiáng)噪聲干擾下，算法在0～5.0 mm的測(cè)量區(qū)間內(nèi)具有較高的識(shí)別率,，缺口邊緣保留在跨越區(qū)內(nèi)的比率達(dá)到79.6%，測(cè)量精度達(dá)到0.2 mm，在0～4.0 mm的測(cè)量區(qū)間內(nèi)測(cè)量精度達(dá)到0.1 mm,，同時(shí)，算法的報(bào)警性能可以滿足現(xiàn)場(chǎng)需求,。

分析可知,，當(dāng)缺口偏移量超過(guò)4.0 mm時(shí),，實(shí)物平面與相機(jī)鏡面的不完全平行引起了像素當(dāng)量變化,，影響了測(cè)量精度。當(dāng)缺口偏移量超過(guò)5.0 mm時(shí),，若同時(shí)存在較大噪聲干擾,，自適應(yīng)閾值化算法會(huì)將部分噪聲判為缺口邊緣,，形態(tài)學(xué)濾波無(wú)法全部處理，對(duì)于I型設(shè)備而言,，模板匹配算法對(duì)邊緣噪聲干擾還較強(qiáng)，可以穩(wěn)定應(yīng)對(duì)突出的毛刺,，但Ⅱ型設(shè)備因遮擋而采用的連通域提取補(bǔ)償算法無(wú)法應(yīng)對(duì)較大噪聲引起的毛刺,，會(huì)引起1～2像素級(jí)的處理誤差，測(cè)量精度下降,。當(dāng)缺口偏移量增加到5.0～7.0 mm,，缺口偏移圖像中心，邊界的變形和傾斜影響算法精度,，若此時(shí)存在較強(qiáng)噪聲的干擾,，缺口與模板的相似性度量會(huì)降低，報(bào)警的偏移閾值減小,。

結(jié)果表明：模板匹配算法測(cè)量精度滿足要求,，檢測(cè)區(qū)間廣，抗干擾魯棒性較強(qiáng),，具有嚴(yán)重偏移判斷優(yōu)勢(shì),，可以在較大范圍內(nèi)防止目標(biāo)丟失，無(wú)需人工頻繁現(xiàn)場(chǎng)判斷,。

3.3 實(shí)際現(xiàn)場(chǎng)測(cè)試

最后,，根據(jù)實(shí)際現(xiàn)場(chǎng)情況選用了57臺(tái)轉(zhuǎn)轍機(jī)設(shè)備，將算法程序在嵌入式Linux操作系統(tǒng)下結(jié)合的ARM9 300 M微處理器上完成交叉編譯,，完成實(shí)際現(xiàn)場(chǎng)測(cè)試,。其中有2臺(tái)設(shè)備過(guò)于破舊，其缺口邊界破損和殘缺過(guò)于嚴(yán)重,，未參與實(shí)際測(cè)試,。

測(cè)試結(jié)果表明：系統(tǒng)運(yùn)行穩(wěn)定，算法測(cè)量結(jié)果理想,，可以滿足在0.5 s內(nèi)對(duì)轉(zhuǎn)轍機(jī)缺口圖像的快速識(shí)別和測(cè)量要求,。

綜上所述，本文提出的算法現(xiàn)場(chǎng)適用率較高,，除缺口缺損嚴(yán)重的轉(zhuǎn)轍機(jī)之外,，對(duì)轉(zhuǎn)轍機(jī)缺口具有良好的識(shí)別和定位測(cè)量性能，能夠滿足實(shí)際現(xiàn)場(chǎng)需求,。

4 結(jié)論

轉(zhuǎn)轍機(jī)缺口監(jiān)控與檢測(cè)一直是鐵路現(xiàn)場(chǎng)電務(wù)人員面對(duì)的主要難題,。本文對(duì)現(xiàn)有的轉(zhuǎn)轍機(jī)缺口自動(dòng)檢測(cè)識(shí)別方法和實(shí)際的現(xiàn)場(chǎng)需求問(wèn)題進(jìn)行分析，提出了一種基于缺口圖像建模和匹配的簡(jiǎn)易識(shí)別方法,。該方法利用了匹配模板穩(wěn)定與靈活的優(yōu)勢(shì),，將缺口的尺寸和邊界梯度信息融合成變尺度的標(biāo)準(zhǔn)模板,，簡(jiǎn)化了轉(zhuǎn)轍機(jī)缺口圖像的識(shí)別定位過(guò)程，增強(qiáng)了視覺(jué)系統(tǒng)的監(jiān)控性能,。與現(xiàn)有的方法相比,，該測(cè)量方法簡(jiǎn)單，且利用了缺口標(biāo)準(zhǔn)的7.0 mm寬度“天然標(biāo)簽”,，無(wú)需識(shí)別標(biāo)記和人工多次測(cè)量標(biāo)定等參數(shù)設(shè)定,，算法對(duì)設(shè)備的安裝距離和角度有較好的適應(yīng)能力，對(duì)輔助照明的變化和其他噪聲干擾魯棒性強(qiáng),，檢測(cè)精度高,，檢測(cè)區(qū)間廣，在實(shí)際的工程應(yīng)用中可以很好地滿足成批的測(cè)量現(xiàn)場(chǎng)需求,。算法可以為其他識(shí)別測(cè)量需求提供方案參考和思路,。

參考文獻(xiàn)：

[1] 蘇靖棋.智能轉(zhuǎn)轍機(jī)[J].現(xiàn)代城市軌道交通,2019,16(7):118-120.

SU Jingqi. Intelligent Switch Machine[J].Modern Urban Transit,2019,16(7):118-120.

[2] 趙明國(guó).軌道交通轉(zhuǎn)轍機(jī)表示缺口檢測(cè)系統(tǒng)研究[J].山東工業(yè)技術(shù),2018,37(15):128-133.

ZHAO Mingguo. Research on Indication Gap Detection System of Rail Transit Switch Machine[J].Journal of Shandong Industrial Technology,2018,37(15):128-133.

[3] 婁生超.基于視頻圖像識(shí)別技術(shù)的轉(zhuǎn)轍機(jī)缺口檢測(cè)系統(tǒng)的研究[D].蘭州：蘭州交通大學(xué),2013.

[4] 鄭霄.基于圖像處理技術(shù)的轉(zhuǎn)轍機(jī)實(shí)時(shí)在線監(jiān)測(cè)的研究[D].北京：北京交通大學(xué),2009.

[5] 樊文俠,焦正才.基于ARM9和Linux的轉(zhuǎn)轍機(jī)缺口圖像檢測(cè)系統(tǒng)的設(shè)計(jì)[J].科學(xué)技術(shù)與工程,2012,12(24):6236-6240.

FAN Wenxia, JIAO Zhengcai. The Design of Switch’ Gap Pictures Detection Based on ARM9 and Linux[J]. Science Technology and Engineering, 2012,12(24):6236-6240.

[6] 周海波,張?jiān)瀑F,王麗娜,等.基于機(jī)器視覺(jué)的轉(zhuǎn)轍機(jī)缺口檢測(cè)方法研究[J].自動(dòng)化與儀器儀表,2014,34(6):26-29.

ZHOU Haibo, ZHANG Yungui, WANG Lina, et al. Research of Switch Gap Detection Method Based on Machine Vision[J].Automation & Instrumentation,2014,34(6):26-29.

[7] 李超,趙林海,劉偉寧.基于Canny算子的轉(zhuǎn)轍機(jī)缺口自動(dòng)檢測(cè)算法[J].鐵道學(xué)報(bào),2018,40(10):81-87.

LI Chao, ZHAO Linhai, LIU Weining. Automatic Detection Algorithm of Switch Machine Gap Based on Canny Operator[J]. Journal of the China Railway Society, 2018,40(10):81-87.

[8] 黃毅.關(guān)于S700K轉(zhuǎn)轍機(jī)缺口檢測(cè)技術(shù)的探討[J].鐵道通信信號(hào),2011,47(11):37-38.

HUANG Yi. Discussion on Gap Detection Technology of S700K Switch Machine[J].Railway Signalling & Communication,2011,47(11):37-38.

[9] 李萌.轉(zhuǎn)轍機(jī)表示缺口的圖像監(jiān)測(cè)板設(shè)計(jì)[D].西安：西安電子科技大學(xué),2014.

[10] 謝鳳英.數(shù)字圖像處理及應(yīng)用[M].北京:電子工業(yè)出版社,2014:217-390.

[11] DOU Y, HUANG Y, LI Q, et al. A Fast Template Matching-based Algorithm for Railway Bolts Detection[J]. International Journal of Machine Learning and Cybernetics, 2014, 5(6): 835-844.

[12] 何彪,李柏林,熊鷹,等.基于可變形部件模板的扣件狀態(tài)識(shí)別[J].鐵道學(xué)報(bào),2019,41(3):91-96.

HE Biao, LI Bailin, XIONG Ying, et al. Fastener Status Recognition Using Deformable Part Template Model[J]. Journal of the China Railway Society, 2019,41(3):91-96.

[13] BRADLEY D, ROTH G. Adaptive Thresholding Using the Integral Image[J]. Journal of Graphics, GPU, and Game Tools, 2007, 12(2):13-21.

[14] 徐巖,雷濤.基于形態(tài)學(xué)方法的車道線檢測(cè)算法研究[J].鐵道學(xué)報(bào),2009,31(1):107-110.

XU Yan, LEI Tao. Research of Traffic Lane Detection Algorithm Based on Morphology Method[J]. Journal of the China Railway Society, 2009,31(1):107-110.

[15] 趙玉鳳,趙耀,朱振峰.一種新的基于區(qū)域的圖像相似性計(jì)算[J].鐵道學(xué)報(bào),2007,29(1):55-60.

ZHAO Yufeng, ZHAO Yao, ZHU Zhenfeng. New Region-based Image Similarity Calculation[J]. Journal of the China Railway Society, 2007,29(1):55-60.