中國(guó)電建市政建設(shè)集團(tuán)有限公司 郝永旺

蘭州交通大學(xué) 魏文軍

中國(guó)電建集團(tuán)鐵路建設(shè)公司 曹玉新 姜永濤

對(duì)鐵路工務(wù)來(lái)說(shuō)，鋼軌表面的及時(shí)缺陷檢測(cè)對(duì)維護(hù)列車(chē)安全運(yùn)行具有重要的意義[1]。利用圖像方面的技術(shù)對(duì)軌道表面缺陷進(jìn)行檢測(cè)的方法具有高速度、高精度和高自動(dòng)化等特性[2]。文獻(xiàn)[3]提出的鋼軌表面缺陷檢測(cè)快速算法，在檢測(cè)單一缺陷的軌面時(shí)效果較好，但難以應(yīng)對(duì)復(fù)雜的軌面缺陷。劉蘊(yùn)輝等利用圖像灰度信息提出的快速、實(shí)時(shí)檢測(cè)算法，只能找尋軌道表面缺陷的位置及其大小，但難以識(shí)別軌道表面缺陷的類(lèi)型[4]。唐湘娜基于BP神經(jīng)網(wǎng)絡(luò)的缺陷分類(lèi)，提出的利用水平投影和灰度閾值的檢測(cè)方法，僅僅針對(duì)疤痕和波紋擦傷兩種缺陷[5]。

針對(duì)以往方法缺陷識(shí)別種類(lèi)較少的情況，本文首先對(duì)采集到的軌面圖像進(jìn)行圖像處理，圖像增強(qiáng)去噪后提取出軌道表面圖像中的軌面缺陷部分，然后實(shí)現(xiàn)缺陷的特征選擇與提取，最后根據(jù)提取到的缺陷特征通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)缺陷識(shí)別，仿真結(jié)果顯示本文方法能夠?qū)崿F(xiàn)疤痕、裂縫和波紋擦傷等多種缺陷識(shí)別。

1 軌道表面圖像預(yù)處理

采集到的軌道圖像中不可避免的會(huì)出現(xiàn)碎石，枕木等非鋼軌表面的區(qū)域，同時(shí)軌道圖像會(huì)受到噪音、光線(xiàn)或者其他外界因素的影響，使其出現(xiàn)清晰度不高，細(xì)節(jié)不清或者圖像模糊的問(wèn)題。因此，采集到的原始圖像不能被直接使用，先要對(duì)其進(jìn)行圖像預(yù)處理。

1.1 軌道圖像的圖像增強(qiáng)

采集到的軌道圖像采用直方圖均衡化對(duì)軌道圖像進(jìn)行增強(qiáng)。

在實(shí)際應(yīng)用中，可以根據(jù)灰度直方圖的分布情況看出該灰度直方圖對(duì)應(yīng)圖像的明暗狀態(tài)以及圖像對(duì)比度[6]，對(duì)比圖1和圖2，可以看出圖1中原軌道圖像的灰度直方圖的組成成分分布比較集中，圖2中原始圖像經(jīng)過(guò)直方圖均衡化以后軌道的灰度直方圖大體實(shí)現(xiàn)了均勻分布，因此就表明經(jīng)過(guò)處理后的軌道圖像有較高的對(duì)比度，即軌道表面部分和非軌道表面部分可以實(shí)現(xiàn)很好的區(qū)分。

圖1 軌道灰度圖像的直方圖

圖2 圖像增強(qiáng)后的直方圖

1.2 軌道圖像的去噪

常用的去噪方法有均值濾波、中值濾波和自適應(yīng)維納濾波等[7]。本文用這三種算法對(duì)軌道圖像進(jìn)行了去噪處理，用峰值信噪比描述三者的去噪效果，其值如表1所示。

對(duì)比表1中的去噪結(jié)果，發(fā)現(xiàn)自適應(yīng)維納濾波處理后的峰值信噪比的值始終大于均值濾波和中值濾波后峰值信噪比的值。因此，自適應(yīng)維納濾波的去噪結(jié)果比均值濾波和中值濾波的去噪結(jié)果明顯。

表1 去噪結(jié)果對(duì)比

1.3 軌道表面信息定位

在對(duì)軌面缺陷識(shí)別的過(guò)程中，首先要將圖像中的鋼軌提取出來(lái)。文獻(xiàn)[8]利用灰度變化率來(lái)提取缺陷，計(jì)算量較大，本文首先對(duì)圖像進(jìn)行二值化處理，然后統(tǒng)計(jì)每行白色像素點(diǎn)個(gè)數(shù)，最后確定裁剪坐標(biāo)得到軌道表面，由于是二值缺陷提取，大大減小了計(jì)算量。其步驟如下：

(1)圖像二值化

式(1)中，g(x,y)代表對(duì)軌道二值圖像在像素點(diǎn)(x,y)處的灰度值，f(x,y)為軌道灰度圖像在像素點(diǎn)(x,y)處的灰度值，T值的計(jì)算是先求灰度均值，在加上一個(gè)修正值△T，△T經(jīng)過(guò)試驗(yàn)多次試探后確定為-30，T是二值化處理時(shí)的閾值。

(2)統(tǒng)計(jì)每行白色像素點(diǎn)個(gè)數(shù)

軌道圖像的二值圖像中鋼軌軌面區(qū)域中的像素主要為白色，只有缺陷區(qū)域和鋼軌軌面區(qū)域兩側(cè)的像素為黑色，而在非鋼軌軌面區(qū)域所有的像素都是黑色?？梢愿鶕?jù)這個(gè)特點(diǎn)，以二值圖像中的行為單位，統(tǒng)計(jì)每行的白色像素點(diǎn)的個(gè)數(shù)，統(tǒng)計(jì)后每行白色像素點(diǎn)個(gè)數(shù)的的投影圖如圖3所示。

圖3 二值圖像白色像素點(diǎn)統(tǒng)計(jì)投影圖

從二值圖像白色像素點(diǎn)統(tǒng)計(jì)投影圖中可以看出，進(jìn)過(guò)二值化處理后，白色像素點(diǎn)主要集中在軌道的軌面部分，軌道的非軌面部分基本都是黑色像素點(diǎn)。

(3)確定裁剪坐標(biāo)

根據(jù)軌道圖像白色像素點(diǎn)個(gè)數(shù)統(tǒng)計(jì)投影圖，確定軌道裁剪坐標(biāo)，經(jīng)過(guò)MATLAB仿真，裁剪出來(lái)的鋼軌表面圖像結(jié)果如圖4所示。

圖4 鋼軌表面提取結(jié)果圖

2 軌道表面缺陷的提取與特征選擇

軌道表面缺陷的定位和提取是缺陷識(shí)別的前提，只有把軌面圖像中的缺陷準(zhǔn)確提取出來(lái)，才能對(duì)其進(jìn)行特征計(jì)算，進(jìn)行缺陷分類(lèi)。

2.1 軌道表面缺陷分割

軌道表面缺陷分割采用圖像分水嶺分割算法，它是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的圖像分割方法[9,10]，把軌道表面圖像當(dāng)作一個(gè)拓?fù)涞匦螆D，其中軌道表面圖像中像素點(diǎn)的灰度值對(duì)應(yīng)拓?fù)涞匦螆D中的地形高度值。本文分水嶺分割算法從軌道表面圖像灰度的極小值開(kāi)始計(jì)算處理，利用區(qū)域增長(zhǎng)對(duì)其進(jìn)行缺陷分割。應(yīng)用分水嶺算法缺陷標(biāo)記后軌面缺陷分割二值圖像仿真結(jié)果如圖5所示。

圖5 缺陷標(biāo)記后軌面缺陷分割二值圖像

圖6 缺陷膨脹腐蝕處理結(jié)果圖

2.2 圖像形態(tài)處理

經(jīng)過(guò)基于標(biāo)記控制的分水嶺分割算法后，缺陷邊緣存在毛刺等虛假邊緣，會(huì)使缺陷識(shí)別分類(lèi)出現(xiàn)不必要的錯(cuò)誤。采用形態(tài)學(xué)圖像處理中的膨脹與腐蝕算法，兩者綜合使用可以消除這些虛假邊緣，對(duì)圖5基于標(biāo)記控制的分水嶺算法缺陷標(biāo)記后的二值圖像進(jìn)行膨脹和腐蝕后，其結(jié)果如圖6所示。

2.3 軌道表面缺陷的提取

缺陷單獨(dú)提取出來(lái)以后再進(jìn)行缺陷識(shí)別分類(lèi)，本文采用8鄰域?qū)︿撥壉砻嫒毕葸M(jìn)行標(biāo)記，對(duì)存在缺陷的軌面進(jìn)行缺陷提取的MATLAB仿真如圖7所示。

圖7 軌道表面缺陷提取結(jié)果

3 軌道表面缺陷的分類(lèi)和神經(jīng)網(wǎng)絡(luò)缺陷識(shí)別

3.1 軌道表面缺陷的特征選擇與計(jì)算

缺陷特征的表示與描述是缺陷識(shí)別等應(yīng)用的前提，主要有顏色特征，紋理特征和邊界特征等表示與描述方法。文中根據(jù)提取出來(lái)的缺陷的二值圖像和灰度圖像，計(jì)算了疤痕缺陷、裂縫缺陷和波紋擦傷缺陷的灰度均值、長(zhǎng)軸、短軸、離心率、面積、周長(zhǎng)、重心、矩形度以及致密度共9個(gè)特征。

計(jì)算出的疤痕缺陷的特征參數(shù)如表2所示：

表2 疤痕缺陷的特征參數(shù)

計(jì)算出的裂紋缺陷的特征參數(shù)如表3所示。

表3 裂縫缺陷的特征參數(shù)

計(jì)算出的波紋擦傷缺陷的參數(shù)如表4所示。

表4 波紋擦傷缺陷的特征參數(shù)

軌道表面缺陷的形態(tài)的復(fù)雜性要求應(yīng)從多方面對(duì)其進(jìn)行描述，如表2到表4所示，選取了缺陷的9個(gè)特征。雖然選取的缺陷特征越多，會(huì)盡可能的對(duì)缺陷進(jìn)行描述，但也會(huì)增大特征空間維數(shù)，同時(shí)增大缺陷識(shí)別程序的復(fù)雜性和分類(lèi)器運(yùn)行的時(shí)間。特征的選取要綜合考慮特征對(duì)缺陷的描述是否詳細(xì)、特征空間的維數(shù)是否合適以及程序的響應(yīng)的速度是否迅速這三個(gè)因素，盡可能的選取合適的特征和特征空間維數(shù)，達(dá)到高質(zhì)量和高效率的缺陷識(shí)別目的。分析表2到表4可發(fā)現(xiàn)，缺陷區(qū)域的矩形度、致密度、離心率和灰度均值這四個(gè)特征參數(shù)差異較大，因此選取軌道表面缺陷的這四個(gè)特征作為后續(xù)分類(lèi)器設(shè)計(jì)的輸入項(xiàng)。

3.2 徑向基神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與預(yù)測(cè)

RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)在實(shí)現(xiàn)同一個(gè)功能時(shí)，搭建神經(jīng)網(wǎng)絡(luò)所需的神經(jīng)元個(gè)數(shù)方面RBF神經(jīng)網(wǎng)絡(luò)要比BP神經(jīng)網(wǎng)絡(luò)多，但是在對(duì)搭建的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，RBF神經(jīng)網(wǎng)絡(luò)所需的訓(xùn)練時(shí)間卻比BP神經(jīng)網(wǎng)絡(luò)少[11,12]。本文利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function,RBF)來(lái)設(shè)計(jì)軌道表面缺陷分類(lèi)器，它在分類(lèi)能力、逼近能力和學(xué)習(xí)速度等方面都優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

前文表達(dá)和描述了軌道表面缺陷的9個(gè)特征，根據(jù)不同缺陷同一特征之間的差異，鋼軌表面缺陷選取矩形度、致密度、離心率和灰度均值作為缺陷的特征，基于圖像的軌道表面缺陷識(shí)別研究將軌道表面缺陷識(shí)別和分類(lèi)為三類(lèi)軌道表面缺陷，分別為軌道表面疤痕缺陷、軌道表面裂紋缺陷和軌道表面波紋擦傷缺陷。根據(jù)缺陷分類(lèi)的類(lèi)別，將軌道表面缺陷分類(lèi)器輸出個(gè)數(shù)設(shè)計(jì)為1個(gè)，即y=yi。其中y=1表示缺陷類(lèi)型為軌面疤痕，y=2表示缺陷類(lèi)型為軌面裂紋，y=3表示缺陷類(lèi)型為軌面波紋擦傷。分類(lèi)器的設(shè)計(jì)其實(shí)就是在特征空間（輸入向量）和解釋空間（輸出向量）找到一種映射關(guān)系。

本文利用MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱搭建了RBF神經(jīng)網(wǎng)絡(luò)系統(tǒng)，利用RBF神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)軌道表面缺陷進(jìn)行識(shí)別分類(lèi)，訓(xùn)練并測(cè)試RBF神經(jīng)網(wǎng)絡(luò)搭建的軌面缺陷分類(lèi)器。訓(xùn)練誤差曲線(xiàn)如圖8所示，當(dāng)經(jīng)過(guò)12次迭代運(yùn)算后訓(xùn)練誤差達(dá)到了設(shè)定要求以下。在載入的樣本中隨機(jī)的選取14組樣本作為測(cè)試樣本集，將測(cè)試樣本作為軌面缺陷分類(lèi)器的輸入，仿真結(jié)果如圖9所示。

基于圖像的軌面缺陷識(shí)別分類(lèi)中將軌面缺陷分為三類(lèi)，即疤痕、裂縫和波紋擦傷，從仿真圖中可以看出，測(cè)試樣本集中共有14個(gè)樣本數(shù)據(jù)，其中藍(lán)色加號(hào)代表缺陷的實(shí)際類(lèi)別，紅色星號(hào)代表用RBF神經(jīng)網(wǎng)絡(luò)分類(lèi)器預(yù)測(cè)的缺陷類(lèi)別。經(jīng)過(guò)測(cè)試后，設(shè)計(jì)的缺陷分類(lèi)器能將軌道表面的三類(lèi)缺陷成功識(shí)別。

圖8 RBF訓(xùn)練誤差曲線(xiàn)

圖9 軌面缺陷分類(lèi)結(jié)果

4 結(jié)論

基于圖像的軌道表面缺陷識(shí)別研究從圖像處理和模式識(shí)別兩方面開(kāi)展，圖像處理部分應(yīng)用圖像技術(shù)精確的將軌道表面中的缺陷部分標(biāo)記與提取出來(lái)，模式識(shí)別部分在確定和提取缺陷特征的基礎(chǔ)上應(yīng)用徑向基神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了缺陷分類(lèi)器，完成軌道缺陷的識(shí)別，經(jīng)過(guò)MATLAB仿真該算法能夠精確的將軌道表面的疤痕、裂縫和波紋擦傷缺陷進(jìn)行識(shí)別。