曾樹華 黃銀秀

摘 要：為探尋鋼軌表面?zhèn)麚p語義分割的有效方法，實現(xiàn)鋼軌表面?zhèn)麚p準確檢測。在經典Sobel算法的基礎上，增加傾斜方向的檢測，改變閥值；利用采集的帶扎傷鋼軌圖片，在MATLAB2016版本進行對比檢測實驗；本方法成功檢出兩處傷損，無誤檢錯檢；結論：本方法檢測效果在檢出率和誤檢率都優(yōu)于傳統(tǒng)方法，有一定價值。

關鍵詞：Sobel算法；鋼軌表面損傷；語義分割；邊緣檢測

*基金：湖南省教育廳資助科研項目（19C1214）

0 引言

隨著鐵路運輸?shù)闹剌d化、高頻化愈加頻繁，鋼軌受到頻繁強力撞擊，傷損頻繁。鐵路運輸間歇時間短暫，效率低下的人工檢查方式致使作為鐵路安全運營之基的鋼軌無法及時有效排除隱患，給鐵路安全運行帶來巨大挑戰(zhàn)。在鋼軌損傷中，尤以表面?zhèn)麚p數(shù)量居多，檢測效率低，最易被忽視，增加行車危險系數(shù)和維護成本。

近年來，高效自動的鋼軌表面?zhèn)麚p檢測技術成為學者們研究的重點，包括渦流檢測技術、漏磁檢測技術、超聲檢測技術和機器視覺技術等。其中，渦流檢測方法在鄰近多裂紋傷損情況下容易出現(xiàn)漏檢錯檢；漏磁檢測方法因其依賴人工目檢，檢測速度和準確度無法保證；超聲檢測方法存在近表面檢測盲區(qū)，難以可靠檢測表面?zhèn)麚p。故近年來，隨著計算速度提升和先進算法的出現(xiàn)，機器視覺技術在鋼軌表面?zhèn)麚p的應用越來越受到廣大學者們的關注，基于機器視覺技術的鋼軌表面?zhèn)麚p檢測技術已經作為軌檢輔助措施之一逐步開發(fā)出各種軌 檢車[1]。

邊緣檢測算法中的微分算子法在其他機器視覺應用領域得到廣泛應用，其中Canny和Log算子的檢測精度較高，受到廣泛關注，但因其算法復雜，而不適合實時性高的領域；Roberts和Prewitt算子的計算工作量小，但精度不高，在一些精度要求不高的場景有較廣應用；Sobel算子法的算法更簡單，特別適合實時性要求高的鋼軌檢測領域[2]，為此，各種提升檢測精度的改進Sobel算子法陸續(xù)推出。劉源改進了Sobel算子檢測方法，利用四方向結合動態(tài)閾值得到更好的邊緣檢測效果[3]。張雯柏結合二值形態(tài)處理將鋼軌輪廓從背景中檢測出 來[4]。蔣超等人通過計算像素的一階導數(shù)的局部最大值和二階導數(shù)的過零點來連接適當?shù)南袼?，以獲得缺陷邊緣，該方法雖然具有有效的噪聲抑制，但耗時較長[5]。潘少偉等人利用八個方向的Sobel算子對巖心圖像邊緣進行檢測，取得不錯的效果[6]，本文擬引入對鋼軌表面?zhèn)麚p進行檢測。

1 經典Sobel算子

經典Sobel算子自提出以來被廣泛使用于各種邊緣檢測，該算子的思路是先使用3×3的卷積模板對被檢圖進行加權平均，以便降低邊緣模糊程度，其卷積模板如圖1所示。

具體算法步驟如下：

1）在水平方向和豎直方向用Sobel算子卷積模板遍歷全部圖像數(shù)據(jù)，圖像數(shù)據(jù)點為模板的中心點。

2）圖像數(shù)據(jù)中每個像素點對應的兩個模板進行離散卷積運算，則每個像素點對應有兩個值，取兩個值中的較大者為像素點的灰度值，得到圖像對應的新數(shù)據(jù)集。

3）邊緣判斷：規(guī)定一閾值于新數(shù)據(jù)集進行比較，若數(shù)據(jù)集中數(shù)據(jù)大于閥值判斷為邊緣點，連接所有邊緣點得到圖像邊緣。

2 改進的Sobel算子檢測方法

改進的Sobel算子的像素點梯度利用5×5梯度模板進行計算，將檢測角度增加到8個，圖2是其梯度模版矩陣分別定義。改進的Sobel算子增加了斜線方向的權重，有利于更細節(jié)的特征信號提取。在此基礎上，調整了判斷閥值。

3 實驗結果與分析

為了驗證改進的算法對鋼軌表面?zhèn)麚p定位的準確性，對采集的鋼軌表面?zhèn)麚p圖片進行比對傷損識別實驗[6]。采用MATLAB2016軟件進行編程實驗，結果如圖3所示。其中圖3（a）為帶扎傷鋼軌原圖，圖3（b）為傳統(tǒng)Sobel算子檢測圖，采用的是MATLAB自帶的Sobel算子，圖3（c）是改進的Sobel算子檢測效果圖。由圖3可知，傳統(tǒng)Sobel算子在檢測鋼軌表面扎傷傷損時存在漏檢和誤檢，效果差，改進的Sobel算子檢測方法成功的檢測出兩處扎傷，無誤檢漏檢。

4 結束語

本文以傳統(tǒng)Sobel算子為基礎，改進了Sobel算子邊緣檢測方法：將其檢測方向增加到8個，并更改了判斷閥值，并應用于鋼軌表面扎傷檢測實驗中。新算法經實驗表明：能有效檢測鋼軌表面，無錯檢漏檢。本方法實驗數(shù)量有限，效果尚需進一步大數(shù)據(jù)驗證。

參考文獻：

[1] 田貴云，高斌，高運來，等.鐵路鋼軌缺陷傷損巡檢與監(jiān)測技術綜述[J].儀器儀表學報，2016，37（8）：1763-1780.

[2] 管宏蕊，丁輝.圖像邊緣檢測經典算法研究綜述[J].首都師范大學學報（自然科學版），2009，30（S1）：66-69.

[3] 劉源，夏春蕾.一種基于Sobel算子的帶鋼表面缺陷圖像邊緣檢測算法[J].電子測量技術，2021，44（3）：138-143.

[4] 張雯柏，柴曉冬，鄭樹彬，等.基于二值形態(tài)學算子的軌道圖像分割新算法[J].測控技術，2018，37（10）：10-13，21.

[5] 蔣超，牛宏俠.基于改進Radon變換的直線鋼軌識別算法[J].鐵道標準設計，2017，61（4）：19-22.

[6] 王平，劉澤，王嵬，等.基于數(shù)字圖像處理和特征提取的鋼軌表面缺陷識別方法[J].現(xiàn)代科學儀器，2012（2）：24-28.

[7] 甘金瑞，李啟元等.基于分層提取器的可視軌道表面檢查系統(tǒng)[J]. IEEE傳感器學報，2017，17（23）：7935-7944.

3993501908201