范 宏，侯 云，李柏林，熊 鷹

(西南交通大學(xué) 機(jī)械工程學(xué)院，四川 成都 610031)

鐵路作為交通運(yùn)輸?shù)闹饕绞?，在?guó)民經(jīng)濟(jì)發(fā)展和國(guó)防建設(shè)中扮演著舉足輕重的角色。高速鐵路以其快捷、舒適的優(yōu)點(diǎn)，正逐漸受到世界各國(guó)的高度重視。近年來(lái)，中國(guó)高速鐵路發(fā)展突飛猛進(jìn)，逐漸成為世界高速鐵路的領(lǐng)跑者。

同時(shí)，我國(guó)高速鐵路已經(jīng)由大規(guī)?！霸O(shè)計(jì)建造”階段轉(zhuǎn)入長(zhǎng)期“運(yùn)營(yíng)維護(hù)”階段，再加之我國(guó)高速鐵路具有線路建設(shè)周期短、開(kāi)通運(yùn)營(yíng)時(shí)間短等特點(diǎn)，運(yùn)營(yíng)線上基礎(chǔ)結(jié)構(gòu)的劣化已進(jìn)入顯現(xiàn)期，部分路段結(jié)構(gòu)局部傷損嚴(yán)重[1]。調(diào)查表明，無(wú)砟軌道已出現(xiàn)諸多結(jié)構(gòu)性傷損與部件損傷，例如部件(軌道板、底座、支承層)裂紋、部件之間黏結(jié)失效破壞、扣件彈條斷裂等，這些都會(huì)對(duì)軌道結(jié)構(gòu)服役性能和行車(chē)安全產(chǎn)生不可忽視的影響[2]。

高安全性和高可靠性是軌道交通永恒的話題，然而傳統(tǒng)耗時(shí)、費(fèi)力的人工巡檢模式已經(jīng)不能滿足現(xiàn)階段高速鐵路系統(tǒng)的養(yǎng)護(hù)需求，急需開(kāi)發(fā)針對(duì)高速鐵路系統(tǒng)的自動(dòng)高效的巡檢設(shè)備。鐵路巡檢系統(tǒng)就是高速鐵路系統(tǒng)的關(guān)鍵項(xiàng)目之一。鐵路巡檢系統(tǒng)由一系列功能模塊組成，包括軌距測(cè)量[3]，鋼軌輪廓測(cè)量[4]，鋼軌表面缺陷檢測(cè)[5]和扣件缺陷檢測(cè)[6]等。本文主要研究基于機(jī)器視覺(jué)的扣件缺陷自動(dòng)檢測(cè)技術(shù)，重點(diǎn)是扣件檢測(cè)的圖像處理算法，圖像采集系統(tǒng)不做具體闡述。

1 相關(guān)工作與系統(tǒng)架構(gòu)

1.1 研究現(xiàn)狀

近年來(lái)國(guó)內(nèi)外研究者針對(duì)鐵路巡檢系統(tǒng)展開(kāi)積極探索，并取得了一定成果，如中國(guó)的軌道巡檢系統(tǒng)[7]，以及國(guó)外的Tvis系統(tǒng)[8]，Lcms系統(tǒng)[9]等。扣件自動(dòng)檢測(cè)作為鐵路巡檢系統(tǒng)的一個(gè)重要功能模塊，同樣受到國(guó)內(nèi)外學(xué)者的高度重視并涌現(xiàn)出了多種檢測(cè)算法。

在國(guó)外，文獻(xiàn)[10-13]利用小波變換或主成分分析方法進(jìn)行特征描述，利用感知神經(jīng)網(wǎng)絡(luò)進(jìn)行扣件分類(lèi)識(shí)別。文獻(xiàn)[14]運(yùn)用頻譜估計(jì)和信號(hào)處理方法尋找扣件頻譜特征完成扣件的定位及檢測(cè)。文獻(xiàn)[15]在Harris角點(diǎn)檢測(cè)的基礎(chǔ)上用模板匹配的方法來(lái)識(shí)別彈條扣件的狀態(tài)。文獻(xiàn)[16]使用梯度直方圖描述扣件特征，然后使用支持向量機(jī)對(duì)扣件狀態(tài)進(jìn)行識(shí)別。文獻(xiàn)[17]引入深度學(xué)習(xí)框架，構(gòu)建多個(gè)訓(xùn)練集，以由粗到精的模式利用卷積神經(jīng)網(wǎng)絡(luò)提取扣件特征，最后將學(xué)習(xí)到的扣件特征送入多個(gè)一對(duì)一支持向量機(jī)中，實(shí)現(xiàn)多種類(lèi)型彈條扣件的檢測(cè)。文獻(xiàn)[18]首先使用霍夫變換確定扣件區(qū)域，然后基于感興趣區(qū)域的邊緣特征以檢測(cè)扣件是否丟失。

在國(guó)內(nèi)，文獻(xiàn)[19]采用基于像素值的小波變換定位扣件區(qū)域，然后使用形態(tài)學(xué)方法獲得扣件輪廓并實(shí)施扣件檢測(cè)。文獻(xiàn)[20]采用方向場(chǎng)描述扣件特征，并在此基礎(chǔ)上進(jìn)行加權(quán)模板匹配，最后以模板匹配系數(shù)作為扣件識(shí)別依據(jù)，從而實(shí)現(xiàn)扣件狀態(tài)的檢測(cè)。文獻(xiàn)[21]根據(jù)軌枕和鋼軌的交叉位置定位扣件區(qū)域，然后用Haar矩形特征描述扣件的四個(gè)關(guān)鍵部分，最后用AdaBoost分類(lèi)方法識(shí)別扣件狀態(tài)。文獻(xiàn)[22]融合扣件宏觀Lbp紋理特征與金字塔梯度特征，采用支持向量機(jī)進(jìn)行分類(lèi)。文獻(xiàn)[23]融合改進(jìn)的邊緣梯度特征和扣件端部的宏觀紋理特征，并采用貝葉斯壓縮感知模型判斷扣件狀態(tài)。文獻(xiàn)[24]根據(jù)幾何先驗(yàn)信息定位扣件區(qū)域，然后沿圖像對(duì)稱(chēng)軸鏡像半幅扣件圖像生成虛擬樣本，最后以Phog特征描述扣件并用改進(jìn)的稀疏表示算法實(shí)現(xiàn)扣件的識(shí)別。文獻(xiàn)[25]首先檢測(cè)軌枕與鋼軌的直線特征并以此定位出扣件區(qū)域，然后提取Haar-like特征，最后利用概率主題模型檢測(cè)斷裂與丟失扣件。文獻(xiàn)[26]利用直射式激光三角測(cè)量法原理研發(fā)扣件檢測(cè)系統(tǒng)，首先根據(jù)扣件的深度信息定位扣件并利用扣件間距進(jìn)行驗(yàn)證，然后提取彈條的Hgoh特征，最后根據(jù)特征向量的模識(shí)別缺失扣件，采用SVM分類(lèi)器識(shí)別斷裂扣件。

然而，現(xiàn)有算法普遍存在特征區(qū)分性弱的問(wèn)題，從而導(dǎo)致整個(gè)扣件檢測(cè)算法對(duì)外界環(huán)境適應(yīng)性差。大部分算法都是針對(duì)普速有砟軌道的，雖然文獻(xiàn)[20]是針對(duì)高速無(wú)砟軌道的，但它所用圖像采集自實(shí)驗(yàn)室環(huán)境下并且只能檢測(cè)出扣件丟失，不能檢測(cè)出扣件斷裂。因此，本文提出一種針對(duì)高速無(wú)砟軌道缺陷扣件的檢測(cè)算法，該算法在提取局部極小值區(qū)域的基礎(chǔ)上，采用模板匹配精確定位扣件位置，結(jié)合扣件的結(jié)構(gòu)信息提取扣件彈條的區(qū)域特征并輸入決策樹(shù)，實(shí)現(xiàn)扣件丟失和扣件斷裂的檢測(cè)。

1.2 系統(tǒng)框架

鐵路巡檢系統(tǒng)架構(gòu)見(jiàn)圖1。兩臺(tái)線陣CCD相機(jī)與光源被安裝在車(chē)底，分別負(fù)責(zé)一側(cè)軌道的圖像采集。為了獲得高質(zhì)量的圖像，相機(jī)被安裝在鋼軌正上方并與列車(chē)走行方向成一定的夾角，光源垂直于鋼軌頂面安裝。采集到的圖像內(nèi)容通常包括鋼軌、扣件、軌枕、軌道板等。車(chē)載工控機(jī)將相機(jī)傳輸來(lái)的圖像信息與當(dāng)前線路里程等信息合并，形成最終采集數(shù)據(jù)并存儲(chǔ)于便攜式硬盤(pán)中。便攜式硬盤(pán)可以連接到離線計(jì)算機(jī)以進(jìn)行數(shù)據(jù)分析和處理，包括缺陷扣件的自動(dòng)檢測(cè)。

圖1 鐵路巡檢系統(tǒng)架構(gòu)

2 扣件檢測(cè)算法

待檢測(cè)的圖像由線陣相機(jī)采集得到，這不僅避免了面陣相機(jī)采集圖像的重疊和數(shù)據(jù)冗余，還保持了目標(biāo)(扣件)的視角和尺度不變。光照和噪聲的影響是設(shè)計(jì)檢測(cè)算法的最大挑戰(zhàn)。為了提高檢測(cè)算法的魯棒性，采用均值濾波來(lái)抑制噪聲，用扣件的局部極小值區(qū)域代替原始扣件區(qū)域以克服光照變化的影響，最后提取扣件局部區(qū)域特征，實(shí)現(xiàn)扣件的缺陷檢測(cè)和位置標(biāo)記。

缺陷扣件檢測(cè)算法流程見(jiàn)圖2。由于扣件區(qū)域只占原始圖中很小一部分，為了減少計(jì)算量并過(guò)濾掉其他背景，首先截取原始圖像中的感興趣區(qū)域(ROI)，并對(duì)之進(jìn)行均值濾波處理。接著，為了克服扣件外觀變化帶來(lái)的影響，提取感興趣區(qū)域的極小值區(qū)域，將灰度圖像轉(zhuǎn)變成二值圖像。然后，采用模板匹配算法實(shí)現(xiàn)扣件的精確定位并得到扣件子圖。之后，基于扣件子圖提取扣件的區(qū)域特征。最后，根據(jù)扣件的區(qū)域特征設(shè)計(jì)決策樹(shù)，實(shí)現(xiàn)扣件缺陷識(shí)別。

2.1 ROI提取與圖像預(yù)處理

因?yàn)椴杉鄼C(jī)相對(duì)于列車(chē)是固定的，高速鐵路線路的曲線半徑又很大，所以相機(jī)相對(duì)于鐵軌在橫向的位移變化很小，限定在一個(gè)很小的范圍。因此，為了減少計(jì)算量并濾除非扣件部分的干擾，可以截取原始圖像中的一個(gè)固定區(qū)域作為研究的感興趣區(qū)域。由于相機(jī)鏡頭暴露在車(chē)底，極易受到灰塵與水汽的污染，此外，軌道板老化、油斑污染等都會(huì)引入諸多噪聲到原始圖像中。為了去除噪聲并使圖像極小值區(qū)域最大程度的連通，本文采用均值濾波進(jìn)行圖像預(yù)處理。定義矩形濾波器窗口大小為w×h，均值濾波后的圖像M(x,y)為

(1)

式中：Sx,y為均值濾波器窗口的中心點(diǎn)與原始圖像G(s,t)重合時(shí)，窗口內(nèi)所有像素點(diǎn)的坐標(biāo)集合。

2.2 圖像極小值區(qū)域提取

圖像二值化是扣件精確定位和識(shí)別的基礎(chǔ)，是扣件自動(dòng)檢測(cè)的關(guān)鍵步驟，其目的是突出扣件關(guān)鍵區(qū)域，同時(shí)消除復(fù)雜背景以及光照變化給扣件識(shí)別帶來(lái)的影響。由于扣件圖像的背景極其復(fù)雜，包括雨水、油污、老化線路、扣件顏色及型號(hào)多樣等情況，因此需要一種適用于多種背景的魯棒二值化算法?；诠庠窗惭b角度和圖像特點(diǎn)，本文提出一種提取扣件局部極小值區(qū)域的算法以實(shí)現(xiàn)對(duì)扣件圖像的二值化。該算法充分考慮到圖像的光照特性，通過(guò)比較中心像素點(diǎn)與其上下局部鄰域點(diǎn)的大小來(lái)確定中心像素點(diǎn)的值(0或1)，然后逐點(diǎn)計(jì)算，最終實(shí)現(xiàn)整幅圖像的二值化。極小值區(qū)域?yàn)?/p>

MRn=s(gc-n-gc)×s(gc+n-gc)

(2)

(3)

式中：gc為中心像素點(diǎn)Pc的灰度值；gc-n為Pc的上鄰域點(diǎn)Pc-n的灰度值；gc+n為Pc的下鄰域點(diǎn)Pc+n的灰度值；n為鄰域半徑。Pc的鄰域結(jié)構(gòu)見(jiàn)圖3。

圖3 中心像素點(diǎn)的鄰域結(jié)構(gòu)

局部極小值圖的效果見(jiàn)圖4。在該步驟之后，每個(gè)圖像從灰度圖轉(zhuǎn)換為具有低噪聲和銳化對(duì)象的二值圖像。

圖4 局部極小值效果圖

2.3 扣件精確定位

為了進(jìn)一步濾除扣件以外的無(wú)關(guān)圖像區(qū)域，需進(jìn)行扣件定位?？奂木_定位可以簡(jiǎn)化后續(xù)的扣件識(shí)別難度，基于扣件的二值圖像，采用模板匹配方法實(shí)現(xiàn)扣件的精確定位。為了提高丟失扣件的定位準(zhǔn)確率，把同一個(gè)軌枕上相對(duì)的兩個(gè)扣件整體作為模板，扣件模板見(jiàn)圖5。這樣，當(dāng)有一側(cè)扣件丟失時(shí)，由于對(duì)側(cè)的扣件會(huì)起到牽制作用，模板匹配算法仍然可以完成對(duì)丟失扣件的精確定位，避免了以單個(gè)扣件為模板導(dǎo)致的對(duì)丟失扣件的錯(cuò)誤定位，進(jìn)而導(dǎo)致后續(xù)的扣件識(shí)別錯(cuò)誤。

由于模板與匹配圖像均是二值圖像，為了降低噪聲對(duì)匹配結(jié)果的影響，算法在計(jì)算相似性時(shí)，可以將模板作為掩膜，只計(jì)算掩膜下的相似性。為了減少計(jì)算量，采用計(jì)算復(fù)雜度低的絕對(duì)差作為模板匹配算法的相似性測(cè)度

T(s,t)]∧T(s,t)|

1≤i≤l-L+1 1≤j≤m-M+1

(4)

式中：S(x,y)為大小l×m的搜索圖像；T(x,y)為大小L×M的模板圖像；∧為邏輯與運(yùn)算符。

在實(shí)現(xiàn)扣件定位時(shí)，設(shè)S(x,y)為扣件局部極小值圖(圖4)，設(shè)T為扣件模板圖(圖5)。首先取模板大小的滑動(dòng)窗口遍歷整個(gè)搜索圖，并根據(jù)式(4)計(jì)算窗口下子圖與模板的相似度，得到相似性矩陣D；然后在所有取到的子圖中，找到與模板圖相似度最高的子圖作為最終匹配結(jié)果。如果D(i，j)是相似性矩陣D中的最小元素，那么匹配得到的子圖位置就是(i，j)，即扣件在搜索圖中的位置，扣件定位的示例見(jiàn)圖6。

圖5 本文算法使用的模板

圖6 扣件定位的示例圖像

2.4 扣件區(qū)域特征提取

目標(biāo)圖像經(jīng)過(guò)上述處理后，按照扣件區(qū)域的二值圖像進(jìn)行扣件特征提取?？奂棗l是扣件受力的關(guān)鍵部分，彈條斷裂是扣件常見(jiàn)的故障形式，扣件丟失也可看作是上下彈條同時(shí)斷裂，因此，通過(guò)檢測(cè)上下彈條是否存在便可推斷出扣件是否斷裂或丟失。基于以上分析，本文提取扣件上下彈條的區(qū)域特征作為扣件識(shí)別的特征。

根據(jù)扣件結(jié)構(gòu)的先驗(yàn)知識(shí)，首先分割出扣件上下彈條區(qū)域，它們?cè)诳奂訄D中是兩個(gè)固定矩形區(qū)域，見(jiàn)圖7(a)。然后根據(jù)二值圖像形態(tài)學(xué)操作，分別找出上下彈條范圍內(nèi)面積最大的八連通區(qū)域，見(jiàn)圖7(b)。最后分別計(jì)算上下彈條的最大連通區(qū)域的面積以及質(zhì)心并將它們作為扣件的區(qū)域特征用以后續(xù)的扣件缺陷識(shí)別，見(jiàn)圖7(c)。

圖7 扣件區(qū)域特征提取示意

2.5 扣件缺陷識(shí)別

完成扣件特征提取后，利用這些特征進(jìn)行扣件缺陷識(shí)別。由于扣件區(qū)域特征包括三個(gè)分量(面積、質(zhì)心橫坐標(biāo)、質(zhì)心縱坐標(biāo))，結(jié)合扣件缺陷識(shí)別任務(wù)對(duì)識(shí)別結(jié)果的具體要求(盡可能不漏檢，誤檢可以適當(dāng)放寬)，本文采用決策樹(shù)算法實(shí)現(xiàn)扣件缺陷識(shí)別。決策樹(shù)依據(jù)目標(biāo)特征的重要程度依次對(duì)每一個(gè)特征都做一個(gè)劃分，后一個(gè)劃分是基于前一個(gè)劃分的結(jié)果，最終生成多個(gè)葉節(jié)點(diǎn)，完成目標(biāo)的分類(lèi)。

本文所用的決策樹(shù)具體結(jié)構(gòu)見(jiàn)圖8，首先用區(qū)域面積V1(特征分量1)和兩個(gè)閾值T0、T1將整個(gè)數(shù)據(jù)集劃分成三部分，排除大部分正常和缺陷扣件，難以區(qū)分的部分留給下一個(gè)特征區(qū)分；然后用區(qū)域質(zhì)心橫坐標(biāo)V2(特征分量2)和閾值T2從上次劃分殘留的部分中繼續(xù)排除缺陷扣件；最后用區(qū)域質(zhì)心縱坐標(biāo)V3(特征分量3)和閾值T3將余下的數(shù)據(jù)進(jìn)一步劃分為兩部分。決策樹(shù)中所用的閾值由先驗(yàn)知識(shí)和試驗(yàn)統(tǒng)計(jì)結(jié)果得到，其中CH與CV分別為對(duì)應(yīng)矩形彈條區(qū)域中心的橫縱坐標(biāo)值?？奂毕葑R(shí)別完畢，系統(tǒng)將丟失和斷裂扣件的原始圖像存于不同的文件夾里，以供人工確認(rèn)，養(yǎng)護(hù)人員根據(jù)原始圖像上的里程信息標(biāo)簽，就能迅速找到缺陷扣件并更換。

圖8 決策樹(shù)結(jié)構(gòu)圖

3 試驗(yàn)結(jié)果與分析

3.1 試驗(yàn)準(zhǔn)備

使用由鐵路巡檢系統(tǒng)在多條高速鐵路線路上采集到的鐵路圖像測(cè)試本文提出的扣件缺陷自動(dòng)檢測(cè)算法。為了與實(shí)際使用工況保持一致，從不同線路區(qū)間選取多種環(huán)境和背景下的圖像組成測(cè)試數(shù)據(jù)集，包括雨天、新線路、老線路、低光照、不同形狀扣件等。測(cè)試數(shù)據(jù)集共包含50 000幅圖像，每幅圖像包括6個(gè)扣件，其中缺陷扣件圖像(丟失或斷裂)500幅，其余為正?？奂D像。試驗(yàn)的其他關(guān)鍵參數(shù)設(shè)置如下：w=h=3；n=6；T0=110；T1=180；T2=3；T3=4。

3.2 扣件缺陷檢測(cè)試驗(yàn)

測(cè)試數(shù)據(jù)集被用于測(cè)試本文算法，并在試驗(yàn)中對(duì)比了兩種典型的扣件缺陷檢測(cè)算法，包括基于向量場(chǎng)特征的檢測(cè)算法，基于融合梯度特征與紋理特征的檢測(cè)算法，所有算法都使用VS2010編碼實(shí)現(xiàn)。使用漏檢率(未檢出的缺陷圖像占總?cè)毕輬D像的比值)和誤檢率(錯(cuò)誤檢出的缺陷圖像占總測(cè)試圖像的比值)作為評(píng)估試驗(yàn)性能的指標(biāo)。

不同扣件檢測(cè)算法的試驗(yàn)性能對(duì)比見(jiàn)表1。由表1可知，本文提出的檢測(cè)算法性能最佳，漏檢率與誤檢率均低于其他算法。漏檢率為0.6%，較低的漏檢率可以發(fā)現(xiàn)更多潛在的安全風(fēng)險(xiǎn)，是巡檢員最關(guān)心的因素。誤檢率為0.32%，因此檢測(cè)100 km的線路，僅有大約160幅圖像需要人工確認(rèn)，這是巡檢員可以接受的工作強(qiáng)度。部分漏檢示例見(jiàn)圖9。由圖9(a)可知，扣件彈條斷裂且不在原位，但是彈條的壓痕明顯，導(dǎo)致該區(qū)域的二值圖像與正常扣件非常相似。由圖9(b)可知，扣件彈條雖然斷裂，但仍留在原位，形成了與正常扣件相似的外觀。因此，它們都被錯(cuò)誤地檢測(cè)為扣件彈條存在。

表1 扣件識(shí)別結(jié)果

圖9 漏檢示例圖像

4 結(jié)論

開(kāi)發(fā)基于機(jī)器視覺(jué)的鐵路巡檢系統(tǒng)是提高高速鐵路列車(chē)效率、可靠性、安全性的有效途徑。通過(guò)這種自動(dòng)巡檢系統(tǒng)，可以將巡檢員從耗時(shí)而且枯燥的工作中解脫出來(lái)，他們只需要對(duì)自動(dòng)檢出的故障圖像進(jìn)行人工復(fù)查即可。本文提出了一種新的基于局部區(qū)域特征的缺陷扣件檢測(cè)方法。在分析扣件圖像特點(diǎn)的基礎(chǔ)上，利用扣件極小值區(qū)域圖以及模板匹配實(shí)現(xiàn)扣件精確定位，接著提取扣件的區(qū)域特征并送進(jìn)決策樹(shù)完成扣件圖像的分類(lèi)。試驗(yàn)表明本文算法表現(xiàn)良好。

然而，由于高速鐵路線路圖像背景復(fù)雜、環(huán)境多變、圖像數(shù)量巨大，本文扣件檢測(cè)算法在性能上仍有提升空間，尤其是誤檢率仍偏高。當(dāng)前算法在特征提取時(shí)只考慮了局部區(qū)域內(nèi)像素的大小關(guān)系，沒(méi)有考慮像素的絕對(duì)灰度值。在以后的工作中，我們將同時(shí)考慮局部區(qū)域內(nèi)灰度值的相對(duì)關(guān)系和絕對(duì)大小以提取更具區(qū)分性的特征，進(jìn)一步提升扣件檢測(cè)算法性能。