彭方進(jìn)

中鐵第四勘察設(shè)計(jì)院集團(tuán)有限公司，武漢，430063

0 引言

無(wú)縫鋼軌引導(dǎo)和支撐列車(chē)的運(yùn)行，是高速鐵路的重要組成部分。隨著列車(chē)速度的提高，鋼軌表面缺陷問(wèn)題日漸凸顯，若不及時(shí)處理，會(huì)嚴(yán)重威脅行車(chē)安全，因此必須加強(qiáng)鋼軌表面狀態(tài)檢測(cè)，及時(shí)指導(dǎo)鋼軌的維修養(yǎng)護(hù)[1]。

傳統(tǒng)的鋼軌表面檢測(cè)采用人工巡檢方式，這種方式效率低下，檢測(cè)結(jié)果準(zhǔn)確性難以保證。為提高檢測(cè)效率，國(guó)內(nèi)外相繼開(kāi)發(fā)出了超聲波檢測(cè)[2]、渦流檢測(cè)[3]、基于機(jī)器視覺(jué)的鋼軌表面缺陷檢測(cè)[4-5]等方法。其中，超聲波檢測(cè)探頭的安裝對(duì)檢測(cè)速度限制較大；渦流檢測(cè)信號(hào)處理過(guò)程復(fù)雜，鋼軌軌面狀態(tài)提取困難。相較而言，基于機(jī)器視覺(jué)的鋼軌表面缺陷檢測(cè)方法檢測(cè)速度快、檢測(cè)精度高，成為近年來(lái)研究的重點(diǎn)。文獻(xiàn)[6]將鋼軌灰度圖像轉(zhuǎn)化為灰度對(duì)比圖像，實(shí)現(xiàn)了圖像的增強(qiáng)，并使用最大熵分割法提取了鋼軌的缺陷部位。這種方法檢測(cè)速度快，但魯棒性較差，在檢測(cè)車(chē)輛過(guò)彎時(shí)，容易誤檢和漏檢。文獻(xiàn)[7]使用一維線性局部窗口均值代替行像素灰度均值，生成灰度對(duì)比度圖像，用來(lái)檢測(cè)鋼軌表面缺陷。這種方法在一定程度上降低了小微缺陷的漏檢率，但由于窗口互不重疊，生成的對(duì)比圖灰度不連續(xù)，且并未解決相機(jī)與鋼軌相對(duì)位置發(fā)生變化時(shí)引入的背景噪聲問(wèn)題。

本文針對(duì)檢測(cè)中的背景噪聲問(wèn)題，提出了一種多尺度灰度對(duì)比度增強(qiáng)算法，該算法魯棒性強(qiáng)，用于動(dòng)態(tài)鋼軌表面缺陷檢測(cè)具有良好的效果。

1 鋼軌表面缺陷檢測(cè)原理

鋼軌表面缺陷檢測(cè)流程如圖1所示。

圖1 鋼軌表面缺陷檢測(cè)算法流程Fig.1 Algorithm flow of flaw detection on rail surface

1.1 鋼軌區(qū)域定位

由于相機(jī)采集的鋼軌圖像中大部分為鋼軌表面背景區(qū)域，圖像復(fù)雜多變，給鋼軌表面缺陷檢測(cè)帶來(lái)了困難，因此需要獲取鋼軌區(qū)域的準(zhǔn)確位置，以簡(jiǎn)化下一步的檢測(cè)工作?；诖隧?xiàng)需求，文獻(xiàn)[8]采用基于霍夫變換的直線檢測(cè)方法提取鋼軌表面兩側(cè)邊緣線，兩條線之間的部位即為鋼軌表面區(qū)域，這種方法常受到鋼軌下邊緣的干擾，容易出現(xiàn)誤判；文獻(xiàn)[6]提出基于水平灰度投影積分的方法定位鋼軌區(qū)域，該方法應(yīng)用較為廣泛，但當(dāng)鋼軌出現(xiàn)銹蝕或者背景亮度過(guò)大時(shí)，此方法準(zhǔn)確率明顯下降，如圖2所示。圖2b中矩形框區(qū)域?yàn)樗惴ǘㄎ粎^(qū)域，可見(jiàn)算法存在較大的局限性。

針對(duì)背景光照復(fù)雜問(wèn)題，本文提出一種適用于高速有砟軌道的定位算法。考慮到鋼軌在行車(chē)方向上灰度變換緩慢，高速有砟軌道背景灰度分布復(fù)雜，且鋼軌表面亮度總是高于鋼軌軌底亮度，本文提出一種基于灰度標(biāo)準(zhǔn)差與灰度投影積分的鋼軌區(qū)域提取算法。本算法先通過(guò)每一行像素的灰度標(biāo)準(zhǔn)差確定鋼軌大致所在區(qū)域，再對(duì)區(qū)域內(nèi)灰度投影進(jìn)行積分，積分值最大處即為鋼軌軌面區(qū)域。

(a)鋼軌圖像水平灰度投影

(b)基于水平灰度投影積分的鋼軌區(qū)域定位結(jié)果圖2 基于灰度投影積分的鋼軌表面區(qū)域定位示意圖Fig.2 Schematic diagram of rail surface arealocating based on grayscale projection integral

算法具體過(guò)程如下。

(1)計(jì)算圖像在行車(chē)方向上的投影。假設(shè)圖像I中的行車(chē)方向?yàn)樗椒较?，則第y行的投影如下：

(1)

式中，W0為圖像I的寬度；I(x,y)為圖像在(x,y)點(diǎn)的灰度值。

(2)計(jì)算圖像水平方向上每行像素的灰度標(biāo)準(zhǔn)差。第y行的灰度標(biāo)準(zhǔn)差如下：

(2)

(3)遍歷σ(1)，σ(2)，…，σ(H0),獲取最小值σmin，其中，H0為圖像的高度。由于有砟軌道鋼軌與背景標(biāo)準(zhǔn)差相差較大，故可根據(jù)σmin計(jì)算出一個(gè)閾值T以大致定位出鋼軌區(qū)域?？紤]到實(shí)際上鋼軌并不是絕對(duì)光滑，在圖像中的位置也并非絕對(duì)的垂直與水平，T取值如下：

T=3(σmin+ξ)

(3)

式中，ξ為一個(gè)極小數(shù)，本文取ξ=0.01。

在標(biāo)準(zhǔn)差圖像中小于T的最大行間距d(d=b-a)即鋼軌大致所在。

(4)在圖像[a,b]行間進(jìn)行投影積分。由于鋼軌的寬度一定，設(shè)寬度為WR，考慮到過(guò)彎時(shí)的偏移以及可能出現(xiàn)的肥邊等情況，將定積分區(qū)間大小設(shè)為1.1WR，則每個(gè)寬度為W的區(qū)間積分如下：

(4)

則最大的S(y)所對(duì)應(yīng)的區(qū)間[y,y+W]即為所求鋼軌表面區(qū)域。

本文所述鋼軌表面區(qū)域定位方法與結(jié)果如圖3所示，其中圖3b中黑色矩形框區(qū)間即為圖3a中確定的區(qū)間[a,b]，白線標(biāo)注的區(qū)間為根據(jù)投影積分所確定的鋼軌表面區(qū)域。

(a)基于灰度標(biāo)準(zhǔn)差的鋼軌大致定位

(b)本文方法定位效果圖3 基于灰度標(biāo)準(zhǔn)差與投影積分的鋼軌表面區(qū)域定位Fig.3 Rail surface area locating based on graystandard deviation and projection integration

1.2 鋼軌表面圖像增強(qiáng)

圖像增強(qiáng)是鋼軌表面缺陷檢測(cè)的重要步驟，其目的是突出鋼軌缺陷部位，抑制背景噪聲。最為典型的圖像增強(qiáng)算法為直方圖均衡算法，它通過(guò)增強(qiáng)灰度值的動(dòng)態(tài)范圍達(dá)到圖像增強(qiáng)的效果。但鋼軌成像灰度級(jí)比較集中，在進(jìn)行全局增強(qiáng)時(shí)，容易將鋼軌缺陷區(qū)域與干擾區(qū)域同時(shí)增強(qiáng)，影響缺陷的進(jìn)一步提取。GORDAN等[9]提出基于局部對(duì)比度的增強(qiáng)算法，圖像I的局部對(duì)比度如下：

(5)

式中，I1為以(x,y)為中心、面積為m的矩形窗口的灰度均值；I2為窗口大小為3×m的矩形窗口的灰度均值。

任盛偉等[6]依據(jù)鋼軌在行車(chē)方向上灰度值變化小的特點(diǎn)對(duì)對(duì)比度進(jìn)行了相應(yīng)的改進(jìn)，其局部對(duì)比度定義如下：

(6)

式中，I(x,y)為圖像I在(x,y)處的灰度值；g(x)為行車(chē)方向上一列像素的灰度均值。

文獻(xiàn)[6]的方法需要鋼軌在圖像中始終保持垂直的狀態(tài)，當(dāng)檢測(cè)裝置與鋼軌相對(duì)位置發(fā)生變化時(shí)，會(huì)引入較多的邊界噪聲。此外，對(duì)于順軌方向上的缺陷，這種方法也存在較高的漏檢率。考慮以上因素，本文采用以目標(biāo)像素為中心的矩形窗口均值U(x)代替目標(biāo)像素所在列或所在行的均值g(x)或g(y)。

使用矩形窗口求取均值能在一定程度上減少遺漏缺陷的情況，但是由于鋼軌在垂直行車(chē)方向上灰度值表現(xiàn)出明顯變化，故在生成對(duì)比度圖像時(shí)會(huì)引入許多背景噪聲，給進(jìn)一步的分割帶來(lái)困難。針對(duì)此問(wèn)題，本文提出一種多尺度圖像[10]局部對(duì)比度求取方法，通過(guò)綜合不同尺度下的圖像對(duì)比度抑制背景干擾。算法具體流程如下。

(1)構(gòu)造多尺度圖像。將輸入圖像I與高斯核函數(shù)G(x,y,σ)求卷積，即可得到尺度參數(shù)為σ的圖像I(x,y,σ)：

(7)

本文共設(shè)置三個(gè)尺度：σ=1，σ=2，σ=3，得到相應(yīng)尺度的圖像I(x,y,1)，I(x,y,2)，I(x,y,3)。

(2)生成各尺度下的灰度對(duì)比度圖像。對(duì)I(x,y,1)、I(x,y,2)、I(x,y,3)每個(gè)像素點(diǎn)進(jìn)行局部灰度對(duì)比度計(jì)算，每個(gè)尺度下灰度對(duì)比度如下：

C(x,y,σ)=

(8)

其中，U(w,σ)為以像素I(x,y,σ)為中心、大小為w的窗口內(nèi)均值。本文采用35×5的窗口大小。

(3)生成最終灰度對(duì)比圖C(x,y)，并將其映射到[0,255]區(qū)間。灰度對(duì)比圖C(x,y)由下式求得：

(9)

將本文鋼軌表面增強(qiáng)算法與兩種經(jīng)典圖像增強(qiáng)算法(直方圖均衡算法與CLAHE算法)[11]、文獻(xiàn)[6]以及文獻(xiàn)[7]中所提出的算法進(jìn)行比較，效果如圖4所示。

由圖4不難看出，相較于經(jīng)典圖像增強(qiáng)算法及文獻(xiàn)[6]和文獻(xiàn)[7]中提出的算法，本文提出的改進(jìn)對(duì)比度算法引入邊界噪聲較少， 能很好地突出缺陷所在，簡(jiǎn)化了進(jìn)一步的分割工作。

1.3 圖像閾值分割

(a)鋼軌表面區(qū)域原圖

(b)直方圖均衡算法

(c)CLAHE算法

(d)文獻(xiàn)[6]算法

(e)文獻(xiàn)[7]算法

(f)本文算法圖4 不同算法增強(qiáng)效果對(duì)比Fig.4 Comparison of different algorithmenhancement effects

鋼軌表面圖像經(jīng)過(guò)增強(qiáng)，缺陷區(qū)域與鋼軌表面背景區(qū)域?qū)Ρ榷让黠@，對(duì)鋼軌位置無(wú)明顯偏移的圖像生成的灰度對(duì)比圖灰度級(jí)僅集中在以缺陷區(qū)域?qū)?yīng)的低灰度級(jí)以及鋼軌表面對(duì)應(yīng)的高灰度級(jí)，故只需選取相對(duì)居中的灰度值作為二值化分割的閾值即可提取出缺陷部位。考慮到鋼軌與相機(jī)間存在的相對(duì)位置變化所帶來(lái)額外的灰度級(jí)，人工設(shè)置閾值難以符合要求，本文選用具有一定自適應(yīng)性的迭代閾值法實(shí)現(xiàn)灰度對(duì)比圖的分割。迭代閾值法的實(shí)現(xiàn)步驟如下。

(1)選取初始迭代閾值。遍歷灰度圖C，查找最小灰度值Cmin和最大灰度值Cmax，令初始迭代閾值Tk為

(10)

(2)根據(jù)Tk將灰度對(duì)比圖分為目標(biāo)O和背景B，并計(jì)算目標(biāo)區(qū)域與背景區(qū)域各自的灰度平均值mO、mB：

(11)

式中，N1為灰度對(duì)比圖中屬于目標(biāo)的像素個(gè)數(shù)；N2為灰度對(duì)比圖中屬于背景的像素個(gè)數(shù)。

(3)由mO和mB更新閾值：

Tk+1=mO+mB

(12)

(4)重復(fù)步驟(2)和步驟(3)，直到Tk+1=Tk，迭代結(jié)束。Tk即為所求的分割閾值。迭代閾值分割結(jié)果如圖5所示。

圖5 迭代閾值分割后鋼軌表面灰度圖Fig.5 Grayscale image of rail surface after iterativethreshold segmentation

1.4 缺陷判別

鋼軌表面圖像中除缺陷外，更為普遍的是細(xì)小斑點(diǎn)和瑕疵，這些斑點(diǎn)和瑕疵并不會(huì)影響行車(chē)，但在圖像增強(qiáng)和分割后會(huì)跟隨缺陷提取出來(lái)，故需對(duì)兩者進(jìn)行區(qū)分。

本文對(duì)分割后二值圖像中所有黑色區(qū)域進(jìn)行連通域標(biāo)記，根據(jù)連通域的面積進(jìn)行缺陷判別。面積小于400像素的認(rèn)定為噪點(diǎn)。經(jīng)缺陷判別后，鋼軌表面灰度如圖6所示。

圖6 經(jīng)缺陷判別后的鋼軌表面灰度圖Fig.6 Grayscale image of the rail surface afterdefects discriminant

2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)使用1200張高速鐵路有砟軌道無(wú)縫鋼軌圖片對(duì)本文所述算法進(jìn)行測(cè)試，這些圖片包括白天外界光源微弱時(shí)拍攝的圖像500幅、外界光源強(qiáng)烈時(shí)拍攝的圖像50幅、線路巡檢車(chē)過(guò)彎時(shí)拍攝的圖像50幅以及夜間拍攝圖像600幅。圖片大小均為2048pixel×1024pixel。實(shí)驗(yàn)所用缺陷圖像共有180幅，其中，白天外界光源強(qiáng)烈的情況下缺陷圖像17幅，白天外界光源微弱時(shí)的缺陷圖像63幅，巡檢車(chē)輛過(guò)彎時(shí)的缺陷圖像29幅，夜間拍攝的缺陷圖像71幅，其余均為正常圖像。算法驗(yàn)證平臺(tái)為Microsoft Visual Studio 2013以及OpenCV開(kāi)源庫(kù)。部分檢測(cè)結(jié)果如圖7所示。

(a)軌面壓潰

(b)軌面剝落圖7 本文檢測(cè)方法檢測(cè)結(jié)果示例Fig.7 Examples of detection results described in this article

將本文檢測(cè)算法與文獻(xiàn)[6]和文獻(xiàn)[7]所述算法在各種拍攝條件下進(jìn)行對(duì)比,檢測(cè)效果使用準(zhǔn)確率和漏檢率兩項(xiàng)標(biāo)準(zhǔn)進(jìn)行評(píng)定，則三種算法的缺陷檢測(cè)結(jié)果如表1所示。

表1 各種拍攝條件下缺陷提取算法對(duì)比

由表1不難看出，在白天外界光源強(qiáng)烈以及巡檢車(chē)輛過(guò)彎時(shí)，本文算法效果遠(yuǎn)優(yōu)于文獻(xiàn)[6]和文獻(xiàn)[7]算法效果。由于本文算法在對(duì)鋼軌表面區(qū)域進(jìn)行定位時(shí)通過(guò)行像素標(biāo)準(zhǔn)差剔除了復(fù)雜背景干擾，從而避免了外界光源的影響，降低了漏檢率。在對(duì)鋼軌表面區(qū)域提取缺陷時(shí)，本文方法使用矩形窗口求取灰度對(duì)比度，使得平行于行車(chē)方向上的缺陷遺漏較少，此外，對(duì)于因車(chē)載檢測(cè)設(shè)備與鋼軌的相對(duì)位置變化(如巡檢車(chē)輛過(guò)彎)所引入的邊界噪聲，本文在多尺度空間中進(jìn)行抑制，由此保證了缺陷檢測(cè)的準(zhǔn)確率。

3 結(jié)論

本文提出了一種基于灰度標(biāo)準(zhǔn)差與灰度投影積分的鋼軌定位方法，經(jīng)實(shí)驗(yàn)驗(yàn)證，該方法能適應(yīng)復(fù)雜光照背景下的鋼軌定位工作，對(duì)高速鐵路有砟軌道鋼軌表面區(qū)域的定位有一定的參考意義。針對(duì)鋼軌表面缺陷的提取，本文提出一種基于多尺度灰度對(duì)比度的增強(qiáng)算法，相較于基于一維線性窗口與單一尺度的增強(qiáng)算法，該方法更能適應(yīng)相機(jī)與鋼軌的相對(duì)位置變化，表現(xiàn)出更強(qiáng)的魯棒性。