侯濤，張志騰

?

改進Canny算子在列車車輪踏面損傷檢測中的應用

侯濤，張志騰

(蘭州交通大學 自動化與電氣工程學院，甘肅 蘭州 730070)

高速列車車輪踏面剝離、擦傷等損傷的檢測主要以效率低下的人工巡檢為主，為了提高檢測效率設計一種基于機器視覺的高速列車車輪踏面損傷的動態(tài)檢測系統，提出使用改進Canny算子對車輪踏面損傷進行邊緣檢測。改進的Canny算子在平滑圖像時采用自適應加權中值濾波算法來代替高斯濾波，采用添加45°和135°方向梯度模板的Sobel算子來計算梯度幅值，以大津法(Otsu法)來確定最佳高低閾值。仿真實驗結果表明：基于自適應加權中值濾波和大津法的改進Canny算子可以有效地檢測車輪踏面損傷的邊緣，同時也實現了自動檢測。

車輪踏面；損傷；Canny算子；Otsu法；邊緣檢測

隨著高速鐵路的快速發(fā)展，高速列車的運行速度不斷提高，高速列車的安全問題也不得不受到人們的重視。列車車輪是軌道車輛的關鍵部件之一，其健康與否直接關系到整個列車的安全。緊急制動時車輪的摩擦、輪對與鋼軌間的沖撞以及轉彎時輪對軌面的相對滑動都會造成踏面損傷，而剝離和擦傷則會嚴重影響列車與軌道設施的安全和使用壽命[1]。因此，如何準確地檢測并排除此類故障十分必要，也是保障乘客安全出行的關鍵。目前對運行列車車輪踏面損傷的檢測主要還是靠列車檢修部門的檢修人員在列車安全停止時通過人工巡檢或者列車運行時通過聲音的異常來判斷，這種檢修方式勞動強度大，占用列車周轉時間，還不能及時獲得列車車輪的運行和損傷狀況[2]。自20世紀70年代以來，世界各國的專家、學者都相繼對列車車輪踏面損傷的動態(tài)檢測系統進行了相關的研究并取得了較多研究成果。在該研究鄰域起步較早的國家有日本、德國、瑞典、美國和俄羅斯，主要方法有超聲波檢測法、振動加速度法和軌道電路中斷時間法等，其中，采用超聲波檢測法檢測精度較高，但裝置較為復雜，應用場所受到極大限制；采用振動加速度法裝置結構簡單，技術難度低，但只能用于定性測量；采用軌道電路時間中斷法成本較低，魯棒性較好，但施工線路對其影響較大[3]。由于基于機器視覺(CCD或高速攝像機)的動態(tài)檢測方法具有檢測速度快、重復性能良好等優(yōu)點被廣泛地應用于工業(yè)領域，張志騰等[4]受此啟發(fā)將基于機器視覺的動態(tài)檢測系統應用于高速列車車輪踏面損傷檢測，該方法雖然對保障列車安全運行具有一定的實際應用價值，但還需進一步改進。

1 車輪踏面損傷動態(tài)檢測系統

動態(tài)檢測系統的總體結構示意圖如圖1所示，該系統由軌道兩側的檢測裝置、列車輪對、服務器和遠程監(jiān)控等設備組成。

圖1 系統總體結構示意圖

檢測裝置分別安裝在軌道兩側對車輪踏面圖像進行采集，一套檢測裝置主要由4臺高速攝像機、光源和機箱組成。一整套設備可安裝在動車所檢修車間內，當列車以低于10 km/h的速度進入檢測范圍內時開始檢測，調整好4臺攝像機的位置，分別采集輪對1/4踏面的圖像[2, 5]。系統采集的圖像經過光纖傳輸到服務器并保存，再經過計算機系統用相關算法處理，實現列車車輪踏面損傷的自動檢測。

2 Canny算子

Canny算子[6?7]是圖像處理算法與最優(yōu)化思想相結合而提出的一種算法，具有較高的峰值信噪比和檢測精度，所以被廣泛使用。評價Canny算子性能是否良好的3個準則分別為：

1) 信噪比最佳，即在圖像識別時將真實邊緣判別為偽邊緣或者將偽邊緣判別為真實邊緣的概率盡可能小；

2) 定位最優(yōu)，即檢測到的邊緣點位置離實際邊緣點位置最近；

3) 單邊緣響應，即單個邊緣點只響應1次，虛假邊緣的響應得到抑制。

使用Canny算子進行邊緣檢測時主要包括高斯函數平滑圖像、梯度幅值和方向計算、梯度幅值非極大值抑制、雙閾值檢測與連接。

1) 高斯函數平滑圖像。使用二維高斯函數的一階導數對圖像進行平滑處理，二維高斯函數為：

式中：為標準差，邊緣定位精度和信噪比會隨標準差的變化而變化，標準差越大信噪比越大，同時定位精度會降低，所以對圖像的平滑程度起著關鍵性作用[8]。

4) 雙閾值檢測與連接。Canny算子對梯度幅值進行非極大值抑制后的圖像進行雙閾值檢測，然后將檢測后的圖像連接起來[10]。其中，高低閾值的確定需要人為設定，一般高低閾值的比例為1:0.4。

3 改進Canny算子

3.1 自適應加權中值濾波

Canny算子中高斯濾波函數的方差需要人為設定不具有自適應性，在不同的圖像圖像處理中不得不根據實際情況來調整方差的大小,同時高斯濾波會使圖像變得模糊，這對圖像特征的提取極為不利。因此，本文提出使用自適應加權中值濾波算 法[11?12]來代替高斯濾波，最大限度地保留圖像的邊緣特征。

3.1.1 圖像噪聲檢測

求出3×3滑動窗口內所有像素點的平均灰度值，用公式表示為：

含有噪聲的圖像可以看做是噪聲圖像與背景圖像的疊加。當噪聲信號大于人類的視覺系統(Human Vision System, HVS)的對比度閾值才能感受到噪聲的存在。根據Weber定律，衡量塊均勻度可用如下公式：

3.1.2 自適應濾波窗口的確定

濾波窗口的大小對中值濾波效果有極大的影響，如果濾波窗口較大，則去噪能力增強，但是會使圖像細節(jié)變得模糊，如果濾波窗口較小，則能很好地保護圖像細節(jié)，但會使去噪能力削弱，所以有必要對濾波窗口的大小進行自適應調整。采用3×3窗口來統計噪聲點個數，統計公式如下：

濾波窗口的大小由噪聲點的個數確定，用公式表示為：

3.1.3 噪聲像素濾波

整幅圖像被分為噪聲像素點和非噪聲像素點，本文采用自適應加權中值濾波對噪聲點進行濾波。標準中值濾波算法是用窗口內的中值代替噪聲點，自適應加權中值濾波算法則是對窗口內的像素進行加權處理，窗口內像素點的灰度值越接近中心像素點的灰度值則權值越大，否則權值越小。本文選取的權值函數為：

權重系數的計算公式如下：

然后，再計算窗口加權中值：

3.2 梯度幅值計算

3.3 大津法(Otsu法)求閾值

大津法，即Otsu法，同時又被稱為最大類間方差法[13?15]，該算法是在灰度直方圖的基礎上結合最小二乘法推導而來，是具有統計意義的分割算法。它是用最佳閾值將圖像的灰度值分為目標圖像和背景圖像使它們之間的方差達到最大，具有最好的分離性。

目標1出現的概率為：

0部分像素的平均灰度值為：

同理，1部分像素的平均灰度值為：

整個圖像的平均灰度值為：

則背景0和目標1之間的類間方差為：

4 仿真實驗結果與分析

為驗證本文改進Canny算子的有效性，從某鐵路局動車所檢修車間里現場采集圖像并在MATLAB 2012a環(huán)境下進行仿真驗證，仿真實驗結果如圖2所示。

(a) 原始灰度圖；(b)Canny算子；(c)改進Canny算子；(d)含噪聲灰度圖；(e)本文算法

圖2(a)采集到的是車輪踏面帶有剝離的原始灰度圖像，圖2(b)是采用傳統Canny算子對原始灰度圖像進行處理，圖2(c)則是使用本文改進的Canny算子對原始圖像進行處理，與圖2(b)的處理結果相比，整個圖像的細節(jié)處更加突出，圖2(b)中車輪輪緣的輪廓只能看到一側，另一側的則幾乎看不到，而使用本文算法處理后則輪緣的整個輪廓的就顯得比較明顯。圖2(d)是原始灰度圖像的基礎上加上噪聲的結果，這既可以驗證本文算法的有效性，還可以驗證自適應加權中值濾波算法的去噪能力，圖2(e)則是使用本文算法對含有噪聲的圖像進行處理的結果，與不含噪聲時的處理結果相比，圖像出現了部分細小的短線，這主要是噪聲影響的結果，但總體效果與不含噪聲時相差不大，正好驗證了本文算法的有效性。

5 結論

1) 本文算法具有較好的去噪能力，能很好地提取車輪踏面損傷的圖像特征。

2) 使用自適應加權中值濾波算法代替原有的高斯濾波算法，提高了其抑制噪聲的能力；改進的梯度計算方法，使圖像特征更加明顯。

3) 使用最大類間方差法自適應地確定閾值可以避免人為設定閾值的不便，增強了自適應性。

4) 本文算法雖然在細節(jié)處理方面具有優(yōu)勢，但增大了數據處理量和數據處理時間，需進一步 改進。

[1] Condier J F, Fodiman P. Experimental characterization of wheel and rail surface roughness[J]. Journal of Sound and Vibration, 2000, 231(3): 667?672.

[2] 趙勇, 方宗德, 田麗麗. 列車車輪踏面缺陷的圖像區(qū)域提取[J]. 光學精密工程, 2009, 17(4): 901?908. ZHAO Yong, FANG Zongde, TIAN Lili. Defect region extraction in images of train wheel tread[J]. Optics and Precision Engineering, 2009, 17(4): 901?908.

[3] 張渝, 王黎, 高曉蓉, 等. 國內外車輪踏面損傷檢測技術綜述[J]. 機車車輛工藝, 2002(1): 1?4. ZHANG Yu, WANG Li, GAO Xiaorong, et al. A review of wheel tread damage detection technologies in and out China[J]. Locomotive & Rolling Stock Technology, 2002(1): 1?4.

[4] 張志騰, 侯濤. 基于改進Canny算法的列車車輪踏面損傷邊緣提取[J]. 鐵道標準設計, 2018, 62(1): 148?150. ZHANG Zhiteng, HOU Tao. Edge extraction of train wheel tread damage based on improved Canny algorithm[J]. Railway Standard Design, 2018, 62(1): 148?150.

[5] 陳靜, 禹建偉, 譚志忠. 地鐵車輛輪對動態(tài)檢測系統研究[J]. 城市軌道交通研究, 2014(7): 82?84. CHEN Jing, YU Jianwei, TAN Zhizhong. On dynamic testing system of metro vehicle wheelset[J]. Urban Mass Transit, 2014(7): 82?84.

[6] Panetta K A, Wharton E J, Agaian S S. Logarithmic edge detection with applications[J]. Journal of Computers, 2008, 3(9): 3346?3351.

[7] Canny J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(6): 679?698.

[8] 許宏科, 秦嚴嚴, 陳會茹. 一種基于改進Canny的邊緣檢測算法[J]. 紅外技術, 2014, 36(3): 210?214. XU Hongke, QIN Yanyan, CHEN Huiru. An improved algorithm for edge detection based on Canny[J]. Infrared Technology, 2014, 36(3): 210?214.

[9] 吳翔, 于微波, 馬艷輝, 等. 一種新的改進Canny圖像邊緣檢測算法[J]. 影像科學與光化學, 2016, 34(1): 116?121. WU Xiang, YU Weibo, MA Yanhui, et al. A new improved Canny image edge detection algorithm[J]. Imaging Science and Photochemistry, 2016, 34(1): 116? 121.

[10] 吉玲, 楊亞, 付珊珊, 等. 一種改進的Canny邊緣檢測算法[J]. 微處理機, 2015(1): 40?43. JI Ling, YANG Ya, FU Shanshan, et al. An improved Canny edge detection algorithm[J]. Microprocessors, 2015(1): 40?43.

[11] 雷超陽, 劉軍華, 張敏. 一種基于自適應的新型中值濾波算法[J]. 計算機工程與應用, 2008, 44(12): 60?62. LEI Chaoyang, LIU Junhua, ZHANG Min. New median filter algorithm based on adaption[J]. Computer Engineering and Applications, 2008, 44(12): 60?62.

[12] Meher S K, Singhawat B. An improved recursive and adaptive median filter for high density impulse noise[J]. AEU-International Journal of Electronics and Communications, 2014, 68(12): 1173?1179.

[13] Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transaction on System, Man and Cybernetics, 1979, 9(1): 62?66.

[14] 楊丹, 趙海濱, 龍哲. MATLAB圖像處理實例詳解[M]. 北京: 清華大學出版社, 2013: 238?239. YANG Dan, ZHAO Haibin, LONG Zhe. MATLAB image processing examples detailed[M]. Beijing: Tsinghua University Press, 2013: 238?239.

[15] 袁小翠, 吳祿慎, 陳華偉. 基于Otsu方法的鋼軌圖像分割[J]. 光學精密工程, 2016, 24(7): 1772?1781. YUAN Xiaocui, WU Lushen, CHEN Huawei. Rail image segmentation based on Otsu threshold method[J]. Optics and Precision Engineering, 2016, 24(7): 1772?1781.

(編輯 陽麗霞)

Improve the application of the Canny algorithm in the detection of wheel tread damage

HOU Tao, ZHANG Zhiteng

(School of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

The detection of damage such as scratch and stripping of the wheel tread of high-speed train is mainly based on inefficient artificial inspection. In order to improve detection efficiency, a dynamic detection system based on machine vision high-speed train wheel tread damage was designed.This paper put forward the edge detection of wheel tread damage by using improved Canny algorithm. The improved Canny algorithm uses an adaptive weighted median filter algorithm to replace the Gaussian filter in smoothing the image. This method added 45° and 135° gradient templates on the basis of the existing Sobel algorithm when calculating the gradient amplitude, and uses the Otsu method to determine optimal high and low thresholds. The experimental results show that the improved Canny algorithm based on adaptive weighted median filter and Otsu method can effectively detect the edge of wheel tread damage and also achieve automatic detection.

wheel tread; damage; Canny algorithm; Otsu method; edge detection

10.19713/j.cnki.43?1423/u.2018.08.026

U260.331；TP391.41

A

1672 ? 7029(2018)08 ? 2107 ? 06

2017?05?28

甘肅省自然科學基金資助項目(1606RJZA002)；甘肅省高等學?？蒲匈Y助項目(2017A-026)

侯濤(1975?)，男，四川中江人，教授，博士，從事智能信息處理與智能控制研究；E?mail：ht_houtao@163.com