張博 劉秀波

中國鐵道科學研究院集團有限公司 基礎設施檢測研究所，北京 100081

鋼軌傷損直接影響列車的安全平穩(wěn)運行，其中鋼軌擦傷是主要的鋼軌傷損形式，其產生原因是列車在進行啟動和制動、經過長大坡道或小半徑曲線時，由輪對的空轉或輪軌相對滑動在軌面產生的塑性變形或金屬相變［1-4］。圖1 為典型的鋼軌擦傷現(xiàn)場照片。因此，需要及時對鋼軌擦傷情況進行檢測，指導養(yǎng)護維修，保障列車行車安全。

圖1 鋼軌擦傷

為了檢測鋼軌傷損，相關學者相繼提出了超聲檢測、機器視覺檢測等［5-7］無損檢測方法。超聲檢測對鋼軌內部傷損檢測效果較好［8］，而機器視覺檢測已經廣泛應用于鋼軌表面?zhèn)麚p的檢測［9-11］。針對鋼軌擦傷的檢測，文獻［12］提出了一種實時的鋼軌表面擦傷視覺檢測方法，計算灰度對比圖并基于灰度閾值分割出擦傷區(qū)域。文獻［13］提出了一種基于空間濾波的鋼軌表面擦傷檢測改進算法，通過分步灰度均值填充和計算灰度對比圖檢測鋼軌擦傷區(qū)域。上述方法基于灰度閾值進行鋼軌擦傷的檢測，檢測性能受光照等外部環(huán)境的影響比較大，當光照等因素造成鋼軌圖像局部灰度變化時，根據(jù)預設的灰度閾值容易將圖像局部灰度異常區(qū)域判定為擦傷區(qū)域，從而引起誤檢，影響鋼軌擦傷檢測的準確性。

本文提出一種基于機器視覺的圓斑狀鋼軌擦傷檢測算法。首先根據(jù)圖像垂直方向上的灰度均值曲線提取出鋼軌頂面區(qū)域；然后運用邊緣檢測的方法得到擦傷區(qū)域邊緣的候選像素點；最后運用形態(tài)學處理刪除不屬于擦傷區(qū)域的虛假邊緣，確定鋼軌擦傷區(qū)域的位置。

1 算法原理及示例

鋼軌擦傷檢測算法包括軌面提取、擦傷邊緣檢測、形態(tài)學處理3個子過程。

1.1 軌面區(qū)域提取

利用成像設備現(xiàn)場采集的圖像如圖2（a）所示［14］，為了檢測鋼軌擦傷，需要從現(xiàn)場采集的圖像中提取出鋼軌的軌面區(qū)域。

利用采集的圖像中鋼軌灰度較高的特點［15-16］，根據(jù)圖像每一列方向上的灰度均值曲線，將鋼軌表面區(qū)域分割出來。

首先，計算輸入圖像U每一列的灰度平均值?；叶绕骄祄(x)的計算式為

式中：x=1，2，…，W，W為輸入圖像U的寬度；y=1，2，…，H，H為輸入 圖像U的高 度；I(x，y)為像素(x，y)的灰度。

由于輸入圖像中鋼軌區(qū)域的寬度是固定的，對寬度為R的區(qū)域求積分P(x)，即

然后求P(x)的最大值。P(x)最大值對應的x為鋼軌左側起始點KB，鋼軌右側為KB+R。由此得到鋼軌頂面區(qū)域的圖像，如圖2（b）所示。

圖2 鋼軌軌面區(qū)域提取

1.2 擦傷邊緣檢測

鋼軌擦傷所在區(qū)域在軌面圖像中表現(xiàn)為灰度局部異常。跟正常鋼軌背景圖像相比，鋼軌擦傷區(qū)域的灰度較低，與周圍非擦傷區(qū)域形成灰度差異，檢測特征比較明顯。通過檢測擦傷區(qū)域的邊緣，就能定位出鋼軌擦傷的位置。

確定鋼軌位置后，將鋼軌區(qū)域的圖像截取出來，然后在截取的鋼軌圖像上利用canny 邊緣檢測方法來檢測鋼軌擦傷區(qū)域的邊緣。該方法分為4步。

1）對鋼軌圖像進行高斯濾波處理。

2）利用Sobel 邊緣檢測算子，計算濾波后圖像的灰度沿著水平和垂直方向的偏導數(shù)（Gx和Gy），得到梯度幅值Ga和相位θ。計算式為

3）將像素點的梯度幅值與3 × 3 鄰域內沿著水平方向、垂直方向、±45°方向的兩個像素比較，如果該像素點的梯度幅值更小，則置為0。

4）設置高閾值T2與低閾值T1。若像素點的梯度幅值大于T2，或像素點的梯度幅值小于T2且大于T1，并且其鄰域有像素點的梯度幅值大于T2，則判定該像素點為邊緣像素點。

1.3 形態(tài)學處理

在實際檢測中，受光照等環(huán)境因素的影響，邊緣檢測的識別結果可能包含不屬于擦傷區(qū)域的虛假邊緣。擦傷區(qū)域的邊緣是封閉的，根據(jù)這一特點，利用形態(tài)學處理的方法可以刪除不屬于擦傷區(qū)域的虛假邊緣。利用形態(tài)基礎元素提取圖像特征，通過膨脹、腐蝕等形態(tài)學運算，可以保持圖像數(shù)據(jù)基本的形狀特征并除去不相干的結構［17］。

為了刪除不屬于擦傷區(qū)域的虛假邊緣，定義形態(tài)學收縮運算B，即

式中：XB為對圖像U進行收縮運算后的剩余像素點組成的集合；EI為對圖像U進行邊緣檢測得到的屬于邊緣的像素點組成的集合；Ncon(x)為像素點x的連通數(shù)［18］。

收縮運算B對U進行處理的結果就是保留圖像中連通數(shù)不小于2的邊緣像素點。由于擦傷區(qū)域的邊緣是封閉的，對應的邊緣像素點的連通數(shù)都不小于2，通過重復對圖像U進行收縮運算，直到兩次收縮運算得到的結果不再變化，最終保留的邊緣像素點的集合即為擦傷區(qū)域邊緣，從而得到鋼軌擦傷區(qū)域的位置。

以圖2（b）的鋼軌圖像為檢測對象，分別使用文獻［12］中方法和本文提出的方法進行檢測。

文獻［12］的檢測結果見圖3（a），其中黑色部分為檢出的鋼軌擦傷區(qū)域。由于鋼軌圖像在左上方存在局部灰度異常區(qū)域，該區(qū)域的灰度較低且與鋼軌擦傷區(qū)域的灰度接近，基于灰度閾值進行擦傷檢測時可能將該部分區(qū)域誤判為鋼軌擦傷區(qū)域。

使用本文提出的方法檢測時，首先對圖像做邊緣檢測，得到的結果見圖3（b），其中白色部分是檢出的邊緣。可以看出：鋼軌擦傷區(qū)域的邊緣被準確檢出，但也存在不屬于擦傷區(qū)域的虛假邊緣；與不屬于擦傷區(qū)域的虛假邊緣相比，擦傷區(qū)域的邊緣是封閉的。然后，利用形態(tài)學處理的方法刪除不屬于擦傷區(qū)域的虛假邊緣。對邊緣檢測結果重復進行形態(tài)學收縮運算，直到兩次收縮運算得到的結果不再變化，最終的處理結果見圖3（c）?？梢钥闯?，經過形態(tài)學處理，只有屬于擦傷區(qū)域的邊緣被保留下來，從而準確地檢測出了鋼軌的擦傷區(qū)域。

圖3 鋼軌擦傷檢測方法對比

2 試驗結果及分析

對250幅鋼軌擦傷圖片進行測試試驗。采用準確率Acc評估檢測算法性能，計算式為

式中：Tp為正確檢測出的擦傷個數(shù)；Nd為所有檢測出的擦傷個數(shù)。

用測試數(shù)據(jù)集對本文算法進行檢測性能評測，并與文獻［12］中提出的基于灰度閾值檢測鋼軌擦傷的方法進行比較。結果顯示，本文算法的準確率為96.4%，文獻［12］算法的準確率為86.8%。本文算法能夠有效檢測出圓斑狀鋼軌擦傷，并且在準確率上優(yōu)于文獻［12］算法。文獻［12］中的鋼軌擦傷檢測方法基于灰度閾值，當光照等外部環(huán)境因素影響造成鋼軌圖像局部灰度異常時容易引起誤檢。本文提出的方法利用形態(tài)學處理，將只有屬于擦傷區(qū)域的邊緣保留下來，從而準確地檢測鋼軌的擦傷區(qū)域，對光照不均等情況具有比較強的魯棒性，能夠有效排除局部光照不均的影響。用本文算法得到的部分檢測結果如圖4所示，擦傷處用紅色矩形框出。

圖4 鋼軌擦傷檢測結果示例

3 結語

本文提出了一種基于機器視覺的圓斑狀鋼軌擦傷檢測算法，在利用采集圖像在垂直方向的灰度均值曲線提取出鋼軌頂面區(qū)域后，首先運用邊緣檢測得到擦傷區(qū)域邊緣的候選像素點；然后利用形態(tài)學收縮運算刪除不屬于擦傷區(qū)域的虛假邊緣，從而確定鋼軌擦傷區(qū)域的位置。經測試試驗驗證，該方法能夠有效地檢測圓斑狀鋼軌擦傷，對測試樣本檢測的準確率達到96.4%。與現(xiàn)有的基于灰度閾值檢測鋼軌擦傷的算法相比，該方法在局部灰度異常的鋼軌圖像上仍能準確地檢測鋼軌擦傷區(qū)域，可有效消除實際檢測條件下光照等因素對鋼軌擦傷檢測的影響。