薛峰，趙麗科，柴雪松，鄭順義

(1.中國鐵道科學研究院鐵道建筑研究所，北京100081;2.武漢大學遙感信息工程學院，湖北武漢430079)

基于圖像處理的鐵路軌道板裂縫檢測研究

薛峰1，趙麗科2，柴雪松1，鄭順義2

(1.中國鐵道科學研究院鐵道建筑研究所，北京100081;2.武漢大學遙感信息工程學院，湖北武漢430079)

鐵路軌道板表面裂縫的存在會直接影響軌道板使用壽命和狀態(tài)，因此軌道板表面質量的自動檢測至關重要。本文提出一種非接觸式基于圖像處理的軌道板表面質量檢測方法，該方法首先通過預處理增強原始圖像中的裂縫信息，然后針對預處理后裂縫圖像的特點，經過二值化、裂縫合并、噪聲剔除等步驟，準確定位裂縫所在的位置。經試驗驗證，本文提出的方法能有效檢測出鐵路軌道板圖像中的裂縫。

鐵路軌道板 裂縫 檢測定位

鐵路軌道板的裂縫、破損等缺陷會影響鐵路運行安全，必須對鐵路軌道板表面質量進行定期檢查，及時發(fā)現(xiàn)隱患。該項工作涉及面廣，工作量巨大，研究智能型自動檢測方法具有重要意義。

在鐵路線路上，表面裂縫檢測主要依靠人工檢測，但是鋼軌表面附有鐵銹、污漬等雜物，在裂縫較小的情況下，單靠目測不易檢測，工作難度大。目前有許多學者針對鐵軌裂縫檢測開展研究，取得了一定的成果。設計了基于DSP的鐵軌表面裂縫檢測系統(tǒng)［1］，實時給出警報。針對鐵路隧道圖像特點，王華夏等提出一套隧道裂縫自動化檢測系統(tǒng)［2］，沈瑜提出一種基于非下采樣contourlet變換的鐵路隧道裂縫檢測算法［3］。基于圖像處理的鐵路軌道板裂縫檢測可以在短時間內完成區(qū)間檢測，但是仍然存在一定的難度，主要表現(xiàn)在:①受光照、陰影等影響，采集的圖像亮度不均勻;②部分圖像受鐵路軌道、扣件等影響，必須剔除影響判斷的因素;③部分軌道板表面粗糙，存在較大顆粒，會掩蓋裂縫的顯現(xiàn)，也影響了裂縫圖像的提取。本文針對基于圖像處理的鐵路軌道板裂縫檢測存在的問題，提出一種針對性的裂縫檢測方法。首先針對采集的圖像進行預處理，提高圖像的對比度，增強裂縫的細節(jié)信息，然后依據裂縫在圖像中比較暗這一特點，進行二值化處理，接著采用形態(tài)學的膨脹操作，將裂縫部分連接起來，剔除二值化處理后圖像中的一些非裂縫的噪聲部分，最終根據連通區(qū)域定位出鐵路軌道板圖像中的裂縫。

1 圖像的預處理

鐵路線路是寬度基本固定的長條形物體，采用線陣相機進行圖像獲取。安裝在檢測車上的線陣相機(圖1)在車輛行進過程中連續(xù)獲取鐵路軌道板的圖像。

圖1 線陣相機布置

由于受光照條件、拍攝時間、角度等因素的影響，獲取的圖像中不可避免地會出現(xiàn)噪聲信息以及對比度低、亮度不均勻等現(xiàn)象，這些因素直接影響后續(xù)處理效果，所以首先對圖像進行預處理減弱圖像的噪聲，提高圖像的對比度。在圖像處理中存在著平滑和增強的矛盾，平滑降噪的同時也過濾了圖像的一些細節(jié)信息，圖像的增強可能會使圖像中的噪聲數(shù)據同時被放大［4］。針對這一特性，本文預處理主要包括兩部分:為了減小圖像中的噪聲信息，避免后續(xù)進行圖像增強時噪聲隨之增強，首先采用雙邊濾波器進行平滑操作;然后采用Wallis濾波器增強去噪后的圖像，Wallis濾波器在增強原始圖像中不同尺度紋理信息的同時可抑制噪聲信息。對獲取的圖像進行雙邊濾波以及Wallis濾波后的圖像如圖2(b)和2(c)所示。

圖2 預處理結果

1.1 雙邊濾波

雙邊濾波是一種非迭代的非線性濾波方法，同時利用鄰域內的像素點的空間鄰近度信息和灰度鄰近度信息進行濾波，達到保邊去噪的目的［5］。雙邊濾波的權值由空間高斯函數(shù)和值域高斯函數(shù)的乘積構成，在邊緣附近，離得較遠的像素不會對邊緣上的像素值產生較大影響，在圖像平滑的同時能很好地保持圖像的邊緣細節(jié)信息。

1.2 Wallis濾波

Wallis濾波器是一種比較特殊的濾波器，濾波器的作用是將圖像的灰度均值和方差值映射到給定的灰度均值和方差值［6］。Wallis濾波本質上是一種局部變換，使得圖像的反差得以均衡化，反差小的區(qū)域反差增大，反差較大的區(qū)域反差減小，圖像中灰度變化較小的信息得以增強。預處理后圖像的細節(jié)信息得以增強，與原圖相比，預處理后圖像中的裂縫清晰可見。

2 裂縫檢測與判定

2.1 二值化處理

為了檢測出裂縫的位置，首先需要對圖像進行二值化處理。二值化處理通常分為全局二值化和局部二值化［7］。對于目標和背景明顯分離、光照分布均勻、噪聲干擾較小的圖像采用全局二值化處理效果較好。對光照不均勻、有突發(fā)噪聲的圖像，采用由當前像素及其鄰域內灰度值確定的局部閾值進行二值化處理能得到較好的效果。

在鐵路軌道板裂縫檢測中，裂縫圖像中的噪聲較強，若進行全局二值化，非裂縫處會產生較大的干擾。由于預處理之后圖像凸顯了裂縫細節(jié)信息，裂縫處的灰度值明顯低于周圍像素的灰度值，這就為局部二值化提供了依據，因此選擇基于局部窗口的局部二值化方法更為適用。局部二值化處理后的效果如圖3所示。

圖3 局部二值化處理后的效果

2.2 裂縫合并與噪聲剔除

從二值化處理的效果可以看出，裂縫的大概位置被檢測出來了，但是由于圖像中灰度分布不均勻，裂縫內部仍存在斷裂情況，需要將斷裂的情況予以合并。形態(tài)學的膨脹操作會使物體的邊界向外擴張，若物體的內部存在小空洞，經過膨脹操作可將這些洞填補起來。

膨脹可以通過將相應結構元素的所有點平移輸入集合，然后計算其并集得到［8］。選擇合適的結構元素，就可以將裂縫合并完整。圖4(a)為膨脹后的效果。

膨脹后的圖像中，裂縫基本被合并在一起，但是圖像中存在過多細小的顆粒噪聲。為了后續(xù)定位，需要剔除干擾的噪聲，獲取白色像素構成的連通區(qū)域。圖4(b)為去噪后的效果。

圖4 膨脹后與去噪后的效果

裂縫合并后，結合裂縫在圖像中表現(xiàn)出的特點，如果滿足以下兩個條件則檢測為裂縫:

1)圖像中連通區(qū)域的面積不能過大或過小，若連通區(qū)域的面積非常大，即使是較大的裂縫，在圖像中也不可能占據較多的位置，會被視為干擾;若連通區(qū)域的面積過小，會被視為圖像中的斑點噪聲等，而予以剔除;

2)裂縫的連通區(qū)域不規(guī)則。若連通區(qū)域的形狀為規(guī)則的矩形，則可以判斷該區(qū)域為干擾構件部分，需剔除該區(qū)域。連通區(qū)域的形狀是否為規(guī)則矩形的判斷方式為:統(tǒng)計該連通區(qū)域的最小外包圍矩形內白色像素所占的比重，若外包圍矩形內白色像素過多，比重超出閾值時，即可判定該連通區(qū)域為矩形，將其剔除。

2.3 裂縫套合

噪聲剔除之后，圖像中只包含鐵軌中的裂縫部分，需提取出白色連通區(qū)域的邊緣進行檢測?？刹捎肦oberts邊緣檢測算子檢測去噪后的圖像邊緣。Roberts邊緣檢測算子定位精度高，在水平和垂直方向上效果較好［9］。

圖5為將二值化處理后的圖像采用Roberts邊緣檢測算子檢測得到白色連通區(qū)域的邊緣，并將其套合在原圖上的效果?？梢?，裂縫的邊緣在圖像上可明顯看出，裂縫檢測結果準確，能夠檢測定位出該區(qū)域存在的裂縫。

圖5 裂縫檢測套合結果

3 裂縫檢測應用試驗

為了驗證本文提出方法的可靠性，對采用線陣相機獲取的具有代表性的鐵路軌道板圖像數(shù)據(存在其他構件干擾情況)進行裂縫檢測試驗，鐵路軌道板圖像大小為1 000×1 024。采用本文提出的方法，首先對圖像進行預處理，從預處理后的圖像6(b)可以看出，裂縫部分與其余位置的灰度值明顯存在差異，接著進行局部二值化處理，隨后進行膨脹操作，接著進行去噪處理。二值化、膨脹、去噪后的結果分別如圖6(c)，6(d)，6(e)所示。最后，采用Roberts邊緣檢測算子對去噪后的結果進行邊緣檢測，并在原圖上顯示檢測出的裂縫位置，得到裂縫與原始圖像的套合結果，如圖7所示。

由圖7可見，裂縫被有效地檢測出來了。采用本文的方法能有效檢測出鐵路軌道板上存在的裂縫。

圖6 裂縫檢測過程

圖7 裂縫與原圖套合結果

4 結論

本文提出了一種基于鐵路軌道板圖像的裂縫檢測方法，針對軌道板圖像中噪聲過多、亮度不均等特點，首先對圖像進行預處理，在抑制圖像噪聲的同時增強裂縫部分的細節(jié)信息;接著對圖像進行二值化處理，將二值化后的圖像進行膨脹操作以及噪聲剔除，最終進行裂縫邊緣檢測，并將檢測結果與原始圖像進行套合，驗證所提取裂縫的可靠性。試驗表明，本文方法能有效地檢測出圖像中裂縫存在的位置，可為后續(xù)養(yǎng)護維修提供依據。

［1］喬建華，畢友明.基于DSP的鐵軌表面裂縫檢測系統(tǒng)的設計［J］.電子測量與儀器學報，2004，18(增2):1013-1016.

［2］王華夏，漆泰岳，王睿.高速鐵路隧道襯砌裂縫自動化檢測硬件系統(tǒng)研究［J］.鐵道標準設計，2013(10):97-102.

［3］沈瑜.基于NSCT的隧道裂縫圖像檢測［J］.城市道橋與防洪，2013(10):176-180.

［4］王克剛，齊麗英.一種圖像自適應平滑與增強算法［J］.現(xiàn)代電子技術，2008(14):89-91.

［5］王一帆，尹傳歷，黃義明，等.基于雙邊濾波的圖像去霧［J］.中國圖象圖形學報，2014，19(3):386-392.

［6］張力，張祖勛，張劍清.Wallis濾波在影像匹配中的應用［J］.武漢測繪科技大學學報，1999，24(1):24-27.

［7］王序哲.局部自適應二值化方法研究［J］.軟件導刊，2011，10(11):13-14.

［8］高山，張明，畢篤彥，等.基于形態(tài)學膨脹和差分縮減的嵌入式圖像編碼算法［J］.西安科技大學學報(自然科學版)，2009，36(3):535-539.

［9］段瑞玲，李慶祥，李玉和.圖像邊緣檢測方法研究綜述［J］.光學技術，2005，31(3):415-419.

Study on detecting crack in railway track slab based on image processing technology

XUE Feng1，ZHAO Like2，CHAI Xuesong1，ZHENG Shunyi2
(1.Railway Engineering Research Institute，China Academy of Railway Sciences，Beijing 100081，China; 2.School of Remote Sensing and Information Engineering，Wuhan University，Wuhan Hubei 430079，China)

T he surface cracks of railway track slab will directly affect the service life and state of track slab，so the automatic detection of the track slab surface quality is very important.A non-contact track slab surface quality detection method based on image processing was proposed in this paper，which will enhance the crack information in the original image by pre-processing and exactly determine the crack location according to characteristics of the preprocessed crack image after such steps as binaryzation，crack merging and noise removal.T he tests verified that the method proposed in this paper can effectively detect the cracks in the railway track slab images.

Railway track slab;Crack;Detection and localization

U213.2+44

A

10.3969/j.issn.1003-1995.2015.12.32

1003-1995(2015)12-0123-04

(責任審編葛全紅)

2015-08-10;

2015-09-15

中國鐵道科學研究院基金項目(2014YJ020)

薛峰(1979—)，男，助理研究員，碩士。