CN112881042B - 基于激光轮廓的轮对检测系统、方法和介质 - Google Patents

Abstract

本发明公开了基于激光轮廓的轮对检测系统、方法和介质，涉及轮廓轮对自动检测技术，解决了传统人工检测方法费时费力，激光轮廓检测方法的采样率低的问题。本发明包括数据处理模块依据L3和L4采集到的踏面平滑部分点云数据建立踏面平滑模型并采用岭回归拟合得到损失函数方程模型，数据处理模块依据L3和L4采集到的踏面轮缘部分点云数据建立踏面轮缘模型并采用最小二乘法计算得到模拟方程模型；用于综合两种模型并调用Python包中的学习库建立拟合方程模型同时建模踏面曲线，并进行踏面拟合推算轮缘基点，最低点，求得轮缘高度与宽度。本发明相比传统人工具有高效率，高精度，稳定，低成本的优势，相比于2D图像更简易安装。

Description

基于激光轮廓的轮对检测系统、方法和介质

技术领域

本发明涉及激光轮廓轮对自动检测技术，具体涉及基于激光轮廓的轮对检测系统、方法和介质。

背景技术

现有轮对检测技术的方法可以划分为几类：

(1)人工专用卡尺方法。(2)图像检测方法。(3)超声遥测检测方法。(4)激光轮廓检测方法；

检测方法优点：

1)人工专用卡尺方法：操作方便，测量精度可以达到0.1mm。

2)图像检测方法：采样率高，机构简单，精度高，自动检测。

3)超声遥测检测方法：非接触式测量，精度较高，自动检测。

4)激光轮廓检测方法：安装简单，精度高，自动检测。

检测方法缺陷：

1)人工专用卡尺方法：检测精度受人工影响较大，人工检测效率低。

2)图像检测方法：造价相对昂贵，光源相对摄像机位置微小变化将会增大检测误差。

3)超声遥测检测方法：结构复杂，安装调试困难。

4)激光轮廓检测方法：采样率低。

现在的地铁正在越来越迈向智能化运维时代，随着硬件设备性能提升，高精度的自动检测成为轮对检测发展方向。相比传统人工检测方法费时费力，激光轮廓检测方法则可以进行自动检测，并且具有高精度，成本相对较低，安装方便等多种优点，科学计算方便移植多种系统，相关地铁轮对检测数据也可做后续人工智能方面数据备份。

发明内容

本发明所要解决的技术问题是：传统人工检测方法费时费力，激光轮廓检测方法的采样率低，本发明提供了解决上述问题的基于激光轮廓的轮对检测系统、方法和介质。

本发明通过下述技术方案实现：

基于激光轮廓的轮对检测系统，包括3D激光轮廓传感器和数据处理模块；

两组所述3D激光轮廓传感器分别设置在两侧车轨所在地面上，所述3D激光轮廓传感器包括四个传感器L1-L4，其中传感器L4设置在轮对所在的一侧轮轨外侧地面上，传感器L1-L3设置在轮对所在的一侧轮轨内侧地面上，传感器L1-L3沿着一侧轮轨铺设方向安装，传感器L4与L3对齐；

所述3D激光轮廓传感器用于采样获取轮对转动过程中的多组激光点云数据并发送至数据处理模块；

所述数据处理模块用于依据激光点云数据计算得到轮缘的高度与宽度；

包括数据处理模块依据L1-L4激光点云数据合并得到坐标系，数据处理模块依据L3和L4采集到的踏面平滑部分点云数据建立踏面平滑模型并采用岭回归拟合得到损失函数方程模型，数据处理模块依据L3和L4采集到的踏面轮缘部分点云数据建立踏面轮缘模型并采用最小二乘法计算得到模拟方程模型；

数据处理模块用于综合两种模型并调用Python包中的学习库建立拟合方程模型同时建模踏面曲线，并进行踏面拟合推算轮缘基点，最低点，求得轮缘高度与宽度。

所述数据处理模块还用于根据感器L1-L3采集到的点云数据基于3点确定圆直径的基本几何原理计算得到轮对直径。

进一步地，所述数据处理模块还包括对踏面平滑部分采用岭回归方法，轮缘部分采用多项式回归方法进行拟合将点云数据，按横坐标分为K段，建立拟合方程：

a为待定系数，f(x)为基函数{1,x,x²,…,xⁿ},m_k为基函数个数，x_s1,x_s2分别为s段点云横坐标的左右界限；

数据处理模块根据拟合方程建立的踏面模型包括损失函数方程模型和基于最小二乘法的模拟方程模型；

其中，损失函数方程模型为

数据处理模块通过使用python包sklearn进行岭回归求解踏面平滑部分；

基于最小二乘法的模拟方程模型为：

C为基点坐标，所述踏面模型还满足分段函数处一阶导数连续条件:

D_k1＝F_k-1(x_sk)-F_k(x_sk)＝0

D_k2＝F′_k-1(x_sk)-F′_k(x_sk)＝0

建立拉格朗日乘子式：

数据处理模块通过使用Python包sympy进行求解踏面模型的拟合方程。

进一步地，所述数据处理模块对L1,L2,L3点云求解端面点，并根据踏面模型的拟合方程求解踏面x_a,y_a,x_b,y_b,x_c,y_c；

代入3个基点依据如下公式求得轮对直径：

x₀,y₀为轮对圆的中心，求出直径为：

还包括数据处理模块用于进行轮对内侧间距测量：

L＝x_L3+x′_L3+L′

其中，轮对两侧的传感器L3各自端点到激光器距离为x_L3,x′_L3,两个传感器L3之间距离为L′。

基于激光轮廓的轮对检测方法，包括如下步骤：

步骤1.1，轮对转动过程中，提取各个激光轮廓传感器L1,L2,L3,L4的多组点云数据，轮对设置为：两组传感器L1,L2,L3,L4，分别设置在两条轮轨，一侧轮轨内侧沿轮轨方向设置顺序的L1,L2,L3，一侧轮轨外侧在L3平齐位置设置传感器L4；

步骤1.2，选取激光轮廓传感器激光角度与轮对切线垂直时的采样数据作为轮对轮廓进行处理，基于此时的传感器L1,L2,L3,L4的点云数据并建立合并坐标系，激光角度与轮对切线垂直时误差最小，选取误差最小的采样数据作为轮对轮廓进行处理；

步骤1.3，在坐标系的基础上，处理传感器L3,L4的点云数据，采用机器学习中岭回归及多项式回归的方法分段拟合踏面轮廓曲线，可以高精度短时间精确拟合，避免算法程序迭代次数过多，与现有方法相比，本方案的主要优势是算法迭代次数，算力要求低，拟合时间短，精度高；

步骤1.4，根据步骤1.3得到的拟合踏面轮廓曲线计算得到轮对基点，轮缘最低点，计算出轮缘高度和宽度；

步骤2，再采用机器学习回归拟合算法根据激光点云数据、踏面端点及激光器安装距离位置数据计算出轮对直径，轮对内侧间距。

进一步地，还包括步骤1.3的具体计算过程如下：

融合L3,L4点云数据得到x,y，求取满足|x_k-x_k-1|<ε的点云横坐标均值作为端面端点横坐标x_L3，点云滤波，求得基点坐标x_bp＝x_L2-W，ε为一个足够小的正数，x_L2为传感器L2的横坐标，W为传感器L3与传感器L2之间的放置间距距离，然后对踏面平滑部分采用岭回归方法，轮缘部分采用多项式回归方法进行拟合将点云数据，按横坐标分为K段，建立拟合方程：

a为待定系数，f(x)为基函数{1,x,x²,…,xⁿ},m_k为基函数个数，x_s1,x_s2分别为s段点云横坐标的左右界限；

然后根据拟合方程建立踏面模型：

踏面平滑部分采用岭回归拟合，损失函数方程模型：

通过使用python包sklearn进行岭回归求解踏面平滑部分方程；

踏面轮缘部分建立基于最小二乘法的模拟方程模型：

C为基点坐标，

同时模型满足分段函数处一阶导数连续条件:

D_k1＝F_k-1(x_sk)-F_k(x_sk)＝0

D_k2＝F′_k-1(x_sk)-F′_k(x_sk)＝0

建立拉格朗日乘子式：

通过使用Python包sympy进行求解踏面拟合方程,通过拟合方程推算轮缘基点，最低点，求得轮缘高度与宽度。

进一步地，还包括步骤1.4的具体计算过程如下：

轮对直径求解，采用3点确定圆直径的基本几何原理：

对传感器L1,L2,L3点云数据求解端面点，

根据踏面拟合公式求解踏面x_a,y_a,x_b,y_b,x_c,y_c，

已知圆上3个基点按公式可求得轮对直径：

x₀,y₀为圆的中心，求出直径为：

轮对内侧间距测量：

L＝x_L3+x′_L3+L′

两侧L3各自端点到激光器距离x_L3,x′_L3,两侧传感器L3之间距离L′。

进一步地，所述激光轮廓传感器距轮轨的间距和安装角度在激光轮廓传感器的有效距离内，所述激光轮廓传感器为3D激光轮廓传感器。

进一步的，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本方法中的步骤。本方法的具体使用依赖大量计算，因此优选的通过计算机程序来实现上述计算过程，所以任何包含本方法中所保护的步骤的计算机程序及其存储介质也属于本申请的保护范围内。

本发明具有如下的优点和有益效果：

本发明采用的轮对检测算法相比于传统人工卡尺检测方法具有高效率，高精度，稳定，低成本的优势，相比于2D图像，超声检测等方法具有更高的精度，更简易的安装。

轮对激光检测方法，国外起步较早，价格昂贵，本发明的轮对激光检测方法通过自研检测算法，可以使得国产轮对检测系统在保持相同高性能的情况下价格更加低廉。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明的激光轮廓传感器安装示意图。

图2为本发明的激光轮廓点云选取示意图。

图3为本发明的轮对内侧距测量示意图。

图4为本发明的踏面轮缘曲线模拟图。

图5为本发明的实施例误差分析图。

具体实施方式

在下文中，可在本发明的各种实施例中使用的术语“包括”或“可包括”指示所发明的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本发明的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

在本发明的各种实施例中，表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。

在本发明的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本发明的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。

应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。

在本发明的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本发明的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1：

基于激光轮廓的轮对检测方法，如图1-3所示，包括如下步骤：

步骤1.1，轮对转动过程中，提取各个激光轮廓传感器L1,L2,L3,L4的多组点云数据，轮对设置为：两组传感器L1,L2,L3,L4，分别设置在两条轮轨，一侧轮轨内侧沿轮轨方向设置顺序的L1,L2,L3，一侧轮轨外侧在L3平齐位置设置传感器L4；

步骤1.2，选取激光轮廓传感器激光角度与轮对切线垂直时的采样数据作为轮对轮廓进行处理，基于此时的传感器L1,L2,L3,L4的点云数据并建立合并坐标系，激光角度与轮对切线垂直时误差最小，选取误差最小的采样数据作为轮对轮廓进行处理；

步骤1.3，在坐标系的基础上，处理传感器L3,L4的点云数据，采用机器学习中岭回归及多项式回归的方法分段拟合踏面轮廓曲线，可以高精度短时间精确拟合，避免算法程序迭代次数过多，与现有方法相比，本方案的主要优势是算法迭代次数，算力要求低，拟合时间短，精度高；

步骤1.4，根据步骤1.3得到的拟合踏面轮廓曲线计算得到轮对基点，轮缘最低点，计算出轮缘高度和宽度；

步骤2，再采用机器学习回归拟合算法根据激光点云数据、踏面端点及激光器安装距离位置数据计算出轮对直径，轮对内侧间距。

进一步地，还包括步骤1.3的具体计算过程如下：

融合L3,L4点云数据得到x,y，求取满足|x_k-x_k-1|<ε的点云横坐标均值作为端面端点横坐标x_L3，点云滤波，求得基点坐标x_bp＝x_L2-W，ε为一个足够小的正数，x_L2为传感器L2的横坐标，W为传感器L3与传感器L2之间的放置间距距离，然后对踏面平滑部分采用岭回归方法，轮缘部分采用多项式回归方法进行拟合将点云数据，按横坐标分为K段，建立拟合方程：

a为待定系数，f(x)为基函数{1,x,x²,…,xⁿ},m_k为基函数个数，x_s1,x_s2分别为s段点云横坐标的左右界限；

然后根据拟合方程建立踏面模型：

踏面平滑部分采用岭回归拟合，损失函数方程模型：

通过使用python包sklearn进行岭回归求解踏面平滑部分方程；

踏面轮缘部分建立基于最小二乘法的模拟方程模型：

C为基点坐标，

同时模型满足分段函数处一阶导数连续条件:

D_k1＝F_k-1(x_sk)-F_k(x_sk)＝0

D_k2＝F′_k-1(x_sk)-F′_k(x_sk)＝0

建立拉格朗日乘子式：

通过使用Python包sympy进行求解踏面拟合方程,通过拟合方程推算轮缘基点，最低点，求得轮缘高度与宽度。

进一步地，还包括步骤1.4的具体计算过程如下：

轮对直径求解，采用3点确定圆直径的基本几何原理：

对传感器L1,L2,L3点云数据求解端面点，

根据踏面拟合公式求解踏面x_a,y_a,x_b,y_b,x_c,y_c，

已知圆上3个基点按公式可求得轮对直径：

x₀,y₀为圆的中心，求出直径为：

轮对内侧间距测量：

L＝x_L3+x′_L3+L′

两侧L3各自端点到激光器距离x_L3,x′_L3,两侧传感器L3之间距离L′。

进一步地，所述激光轮廓传感器距轮轨的间距和安装角度在激光轮廓传感器的有效距离内，所述激光轮廓传感器为3D激光轮廓传感器。

在上一实施例的基础上，对损耗严重的不合格轮对进行测量效果：

实际拟合效果图如图4所示，单位为cm。

在实施例1的基础上，算法得出的公式参数为：

	a1	a2	a3	a4	a5
						F1	-4721	-552	-24	-0.47	-0.0035
F2	-26	2.04*10^-2	2.3*10^-3	7.1*10^-5	1.6*10^-6
						F3	-26	2.6*10&-2	7.2*10^-4	2.5*10^-4	-0.0000058
F4	-17	-1.77	1.35*10^-1	-0.0042	5.02*10^-5
						F5	-1800	1.2*10^2	-2.99	3.33*10^-2	-0.00014
F6	1.2*10^5	-7700	1.8*10^2	-1.9	7.7*10^-3

其中，F1-F6为分段区间，a1-a5为拟合曲线系数。

对磨损严重的轮对轮缘宽度，高度和直径的实际误差分析如图5所示。

由图5可知，本发明的轮对激光检测方法通过自研检测算法，可以使得国产轮对检测系统在保持相同高性能对比人工检测的情况，同时本发明实现了一体自动化检测；

在后续实施例中，不断优化激光轮廓传感器精度和微调激光器安装角度、位置，使得本发明的检测算法的迭代次数更少，计算量更小，计算精度更高，速度更快，记录多组涉及激光轮廓传感器安装角度、位置的超参数设置，并对应不用的轮轨情况匹配相应的超参数设置，实现更好的技术效果。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.基于激光轮廓的轮对检测系统，其特征在于，包括3D激光轮廓传感器和数据处理模块；

两组所述3D激光轮廓传感器分别设置在两侧车轨所在地面上，所述3D激光轮廓传感器包括四个传感器L1-L4，其中传感器L4设置在轮对所在的一侧轮轨外侧地面上，传感器L1-L3设置在轮对所在的一侧轮轨内侧地面上，传感器L1-L3沿着一侧轮轨铺设方向安装，传感器L4与L3对齐；

所述3D激光轮廓传感器用于采样获取轮对转动过程中的多组激光点云数据并发送至数据处理模块；

所述数据处理模块用于依据激光点云数据计算得到轮缘的高度与宽度；

包括数据处理模块依据L1-L4激光点云数据合并得到坐标系，数据处理模块依据L3和L4采集到的踏面平滑部分点云数据建立踏面平滑模型并采用岭回归拟合得到损失函数方程模型，数据处理模块依据L3和L4采集到的踏面轮缘部分点云数据建立踏面轮缘模型并采用基于最小二乘法的拉格朗日乘子式计算得到模拟方程模型；

数据处理模块用于综合两种模型并调用Python包中的学习库建立拟合方程模型同时建模踏面曲线，并进行踏面拟合推算轮缘基点，最低点，求得轮缘高度与宽度；

所述数据处理模块还用于根据感器L1-L3采集到的点云数据基于3点确定圆直径的基本几何原理计算得到轮对直径；

所述数据处理模块还包括对踏面平滑部分采用岭回归方法，轮缘部分采用多项式回归方法进行拟合将点云数据，按横坐标分为K段，建立拟合方程：

a为待定系数，f(x)为基函数{1,x,x²,…,xⁿ},m_k为基函数个数，x_s1,x_s2分别为s段点云横坐标的左右界限；

数据处理模块根据拟合方程建立的踏面模型包括损失函数方程模型和基于最小二乘法的模拟方程模型；

其中，损失函数方程模型为

数据处理模块通过使用python包sklearn进行岭回归求解踏面平滑部分；

基于最小二乘法的模拟方程模型为：

C为基点坐标，所述踏面模型还满足分段函数处一阶导数连续条件:

D_k1＝F_k-1(x_sk)-F_k(x_sk)＝0

D_k2＝F′_k-1(x_sk)-F′_k(x_sk)＝0

建立拉格朗日乘子式：

数据处理模块通过使用Python包sympy进行求解踏面模型的拟合方程；

所述数据处理模块对L1,L2,L3点云求解端面点，并根据踏面模型的拟合方程求解踏面x_a,y_a,x_b,y_b,x_c,y_c；

代入3个基点依据如下公式求得轮对直径：

x₀,y₀为轮对圆的中心，求出直径为：

还包括数据处理模块用于进行轮对内侧间距测量：

L＝x_L3+x′_L3+L′

其中，轮对两侧的传感器L3各自端点到激光器距离为x_L3,x′_L3,两个传感器L3之间距离为L′。

2.一种基于激光轮廓的轮对检测方法，基于权利要求1所述的轮对检测系统，其特征在于，包括如下步骤：

步骤1.1，轮对转动过程中，提取各个激光轮廓传感器L1,L2,L3,L4的多组点云数据，轮对设置为：两组传感器L1,L2,L3,L4，分别设置在两条轮轨，一侧轮轨内侧沿轮轨方向设置顺序的L1,L2,L3，一侧轮轨外侧在L3平齐位置设置传感器L4；

步骤1.2，选取激光轮廓传感器激光角度与轮对切线垂直时的采样数据作为轮对轮廓进行处理，基于此时的传感器L1,L2,L3,L4的点云数据并建立合并坐标系；

步骤1.3，在坐标系的基础上，处理传感器L3,L4的点云数据，采用机器学习中岭回归及多项式回归的方法分段拟合踏面轮廓曲线；

步骤1.4，根据步骤1.3得到的拟合踏面轮廓曲线计算得到轮对基点，轮缘最低点，计算出轮缘高度和宽度；

步骤2，再采用机器学习回归拟合算法根据激光点云数据、踏面端点及激光器安装距离位置数据计算出轮对直径，轮对内侧间距。

3.根据权利要求2所述的基于激光轮廓的轮对检测方法，其特征在于，还包括步骤1.3的具体计算过程如下：

融合L3,L4点云数据得到x,y，求取满足|x_k-x_k-1|<ε的点云横坐标均值作为端面端点横坐标x_L3，点云滤波，求得基点坐标x_bp＝x_L2-W，ε为一个足够小的正数，x_L2为传感器L2的横坐标，W为传感器L3与传感器L2之间的放置间距距离，然后对踏面平滑部分采用岭回归方法，轮缘部分采用多项式回归方法进行拟合将点云数据，按横坐标分为K段，建立拟合方程：

a为待定系数，f(x)为基函数{1,x,x²,…,xⁿ},m_k为基函数个数，x_s1,x_s2分别为s段点云横坐标的左右界限；

然后根据拟合方程建立踏面模型：

踏面平滑部分采用岭回归拟合，损失函数方程模型：

通过使用python包sklearn进行岭回归求解踏面平滑部分方程；

踏面轮缘部分建立基于最小二乘法的模拟方程模型：

C为基点坐标

同时模型满足分段函数处一阶导数连续条件:

D_k1＝F_k-1(x_sk)-F_k(x_sk)＝0

D_k2＝F′_k-1(x_sk)-F′_k(x_sk)＝0

建立拉格朗日乘子式：

通过使用Python包sympy进行求解踏面拟合方程,通过拟合方程推算轮缘基点，最低点，求得轮缘高度与宽度。

4.根据权利要求3所述的基于激光轮廓的轮对检测方法，其特征在于，还包括步骤1.4的具体计算过程如下：

轮对直径求解，采用3点确定圆直径的基本几何原理：

对传感器L1,L2,L3点云数据求解端面点，

根据踏面拟合公式求解踏面x_a,y_a,x_b,y_b,x_c,y_c

已知圆上3个基点按公式可求得轮对直径：

x₀,y₀为圆的中心，求出直径为：

轮对内侧间距测量：

L＝x_L3+x′_L3+L′

两侧L3各自端点到激光器距离x_L3,x′_L3,两侧传感器L3之间距离L′。

5.根据权利要求2所述的基于激光轮廓的轮对检测方法，其特征在于，所述激光轮廓传感器距轮轨的间距和安装角度在激光轮廓传感器的有效距离内，所述激光轮廓传感器为3D激光轮廓传感器。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求2至5中任一所述方法的步骤。

Images