劉 松，熊邦書

南昌航空大學圖像處理與模式識別江西省重點實驗室，南昌330063

為保障高鐵列車安全平穩(wěn)運行，在鐵路運輸中廣泛采用無縫線路[1-2]技術.無縫線路是在焊軌基地內將多根鋼軌焊接成固定長度，然后運送到路基上進行現場鋪設而成.如果在鋼軌焊接過程中兩節(jié)鋼軌的錯邊量過大，不僅影響列車運行的平穩(wěn)性，而且還會產生安全隱患.為了實時在線檢測鋼軌焊縫邊緣錯邊量的合格情況，需對焊縫區(qū)域進行自動定位.

目前常用的鋼軌焊縫檢測方法主要分為以下3 類：第1 類是磁粉檢測法，文獻[3]利用漏磁原理檢測鋼軌表面，靈敏度高但檢測速度慢；第2 類是電磁超聲檢測法，文獻[4]利用電磁超聲技術檢測鋼軌軌底兩側，彌補了傳統(tǒng)超聲波技術只能檢測軌頭和軌腰的缺陷，但曲折線圈的雙向輻射性會對鋼軌檢測造成干擾；第3 類是射線法，文獻[5]利用X 射線采集焊縫圖像，并采用支持向量機的方法訓練識別焊縫，提高了檢測效率，但感光后的X 射線膠片不易保存，成本太高.上述3 類常用的檢測方法可以檢測到焊縫區(qū)域，但無法解決鋼軌焊縫定位全自動、在線和實時的要求.

近年來，計算機視覺技術作為熱門的檢測技術之一，具有速率快、精度高、非接觸、自動化程度高、信息量大等優(yōu)點[6]，在鋼軌檢測行業(yè)有著廣泛的應用，諸如鋼軌表面質量檢測[7-9]、鋼軌直線定位[10]、軌枕扣件等軌道部件檢測[11-12]等，但用于焊接后鋼軌焊縫自動定位的研究尚少.

據此，本文針對焊接后的鋼軌焊縫，提出了基于計算機視覺的焊縫自動定位方法，用于實時在線檢測鋼軌焊縫邊緣錯邊量是否合格.

1 焊縫檢測方法描述

1.1 圖像預處理

本文采集的圖像是三通道RGB 圖像，需先對圖像進行灰度化處理.圖像在采集過程中夾雜著各種噪聲，還需對圖像進行去噪處理，在不破壞圖像的前提下，提高鋼軌焊縫邊緣的清晰度，改善后續(xù)提取檢測的效果.中值濾波是一種典型的抑制噪聲的處理方法，該算法在消除噪聲的同時，能夠較好地保存圖像的邊緣信息[13]，適用于鋼軌焊縫檢測.

1.2 圖像增強

圖像增強是為了突出圖像中感興趣的特征部分，由于焊縫與軌身之間的對比度較低，焊縫區(qū)域邊緣較為模糊，若直接對圖像進行分割處理，難以準確提取出焊縫區(qū)域.通過增強圖像突出軌頭與焊縫區(qū)域，可提升圖像分割的效果.

本文利用限制對比度自適應直方圖均衡（contrast limited adaptive histogram equalization,CLAHE）算法對焊縫圖像進行增強，該算法通過限制局部直方圖的高度來限制局部對比度的增強幅度，從而限制噪聲的放大及局部對比度的過增強.

CLAHE 算法的步驟包括：1）將原圖像進行分塊，根據各區(qū)域的有效灰度級數和區(qū)間限制系數計算直方圖的限制值；2）將高于閾值的直方圖區(qū)域進行裁剪并填充，實現對比度限制；3）利用插值方法去除各區(qū)域的邊緣塊效應.

本文還利用直方圖均衡化法對焊縫圖像進行增強，通過提高全局圖像的對比度，使圖像中每個灰度級的像素均勻分布，擴大圖像的動態(tài)范圍，從而增強圖像視覺效果.

先CLAHE 增強再直方圖均衡化所得的圖像如圖1(b)所示；先直方圖均衡化再CLAHE增強所得的圖像如圖1(c)所示.僅從圖像中無法直觀判斷方法的好壞，故將兩種增強算法增強后的焊縫圖像進行圖像分割.

圖1 CLAHE+直方圖均衡化圖像增強Figure1 Image enhancement by CLAHE and histogram equalization

1.3 圖像分割

圖像分割能有效地提取軌頭區(qū)域與焊縫區(qū)域.由于圖像中背景區(qū)域為白色，軌身區(qū)域為黑色，而目標區(qū)域的灰度值介于二者之間，故本文采用雙閾值最大類間方差法即雙閾值OTSU法，令圖像中目標區(qū)域的像素灰度值保持不變，背景區(qū)域和軌身區(qū)域的灰度值設為0.假設f(x,y)表示圖像處理前的像素點灰度值，g(x,y)表示經過處理后的像素點灰度值，灰度值范圍為[a,b]，T1和T2為分割閾值，則雙閾值分割可表示為

對圖1(b)和1(c)中的焊縫圖像分別進行OTSU 雙閾值圖像分割，分割效果如圖2所示.

圖2 OTSU 雙閾值分割Figure2 OTSU double threshold segmentation

通過比較圖2(a)和2(b)可以看出，圖2(b)中的軌頭上邊緣信息丟失，影響后續(xù)的軌頭上邊緣直線定位，從而影響焊縫的自適應定位.綜合考慮，本文選擇先CLAHE 再直方圖均衡化的圖像增強算法.

1.4 圖像邊緣檢測

為了實現焊縫區(qū)域定位，需要提取軌頭上下邊緣輪廓和軌腰焊縫邊緣輪廓，通過直線擬合，預測焊縫邊緣延長線與軌頭上邊緣的交點.鋼軌在焊接過程中，軌身區(qū)域沾染了金屬液滴，導致閾值分割后的圖像在軌身區(qū)域存在許多干擾點，對焊縫輪廓提取造成干擾.本文采用連通域的方法實現輪廓提取，將軌頭區(qū)域輪廓和軌腰焊縫區(qū)域輪廓標為不同顏色以示區(qū)分，提取后的鋼軌邊緣圖像如圖3所示.

圖3 圖像邊緣檢測Figure3 Image edge detection

2 焊縫區(qū)域定位

區(qū)域定位主要包括軌頭上邊緣直線定位、軌頭下邊緣直線定位以及軌腰焊縫直線定位，區(qū)域定位采用的方法主要包括距離排序去奇異點法和最小二乘直線擬合法[14]，利用最小二乘直線擬合法計算邊緣直線，擬合直線方程的定義與參數計算如下：

式中，xi為鋼軌邊緣點在圖像坐標系x方向上的坐標，yi為鋼軌邊緣點在y方向上的坐標，x為鋼軌邊緣點xi的均值，為鋼軌邊緣點yi的均值，n為邊緣點的數目，為邊緣擬合直線的斜率，為邊緣擬合直線的截距.

2.1 鋼軌上邊緣直線定位

針對鋼軌上邊緣的直線定位，具體步驟如下：

步驟1對邊緣檢測后的輪廓圖像，采用掃描法自上而下地掃描像素點，獲取鋼軌上邊緣的輪廓信息；

步驟2計算邊緣點的縱坐標，并按照從小到大的順序排序，保留前3/4 高度的邊緣點；

步驟3采用最小二乘直線擬合法，對鋼軌上邊緣點集進行擬合，獲得其直線方程；

步驟4計算邊緣點集到擬合直線之間的距離，并按照從小到大的順序排序，保留前1/4距離的邊緣點；

步驟5重復步驟3 和4 兩次，去除邊緣點集中的奇異點，計算出鋼軌上邊緣的平均像素高度，記作yu.

2.2 鋼軌下邊緣直線定位

針對鋼軌下邊緣的直線定位，需先將圖像進行上下翻轉，然后同鋼軌上邊緣直線定位一樣進行像素掃描，采用多次直線擬合去除奇異點，計算出鋼軌下邊緣的平均像素高度，記作yd.

2.3 軌腰左側焊縫直線定位

針對軌腰左側焊縫的直線定位，需先對上下翻轉后的圖像，在橫坐標從0到圖像寬度xw，縱坐標從0 到y(tǒng)d的區(qū)域內，采用掃描法自左向右掃描獲取左側焊縫的輪廓信息，然后同鋼軌上邊緣直線定位一樣計算邊緣點橫坐標，經多次直線擬合和去除奇異點，獲得最終的邊緣擬合直線l1.

2.4 軌腰右側焊縫直線定位

針對軌腰右側焊縫的直線定位，需先將上下翻轉后的圖像再進行左右翻轉，然后同軌腰左側焊縫直線定位一樣進行像素掃描，采用多次擬合直線去除奇異點，獲得最終的邊緣擬合直線l2.

直線擬合方程為

根據式(3)，可以求得焊縫左側邊界xL和焊縫右側邊界xR，其表達式為

式中，xw為圖像的寬度，yh為圖像的高度.

3 實驗結果與分析

為驗證本文方法的有效性，使用CMOS 攝像機JAI GO-5000、工業(yè)計算機、條形與環(huán)形的LED 冷光源構建視覺測量系統(tǒng)，實時采集150 幅焊縫圖像作為實驗數據，計算焊縫定位的像素坐標并與標定的焊縫像素坐標比較，驗證本文精度.

在測量前，需在焊縫位置處拍攝標定板圖像完成自動標定，得到圖像像素與實際尺寸的比值關系為0.046 8(mm/pixel)，圖像分辨率為2 560 像素×2 048 像素.

為驗證本文方法的實時性，對150 幅焊縫圖像進行算法耗時統(tǒng)計，各步驟平均耗時數據如表1所示.從表1中可以看出，每幅圖像的焊縫定位平均時間為800 ms 左右，完全可以滿足生產線上的實時性要求.

表1 焊縫定位算法耗時量Table1 Consuming time of weld positioning algorithm ms

為驗證本文方法的準確性和穩(wěn)定性，通過對150 幅焊縫圖像進行測量，分別計算焊縫左界線和焊縫右界線的最小左偏移量、最大左偏移量、最小右偏移量、最大右偏移量、平均偏移量和標準差，焊縫定位圖像如圖4所示，統(tǒng)計數據如表2所示.

從圖4和表2中可以看出，焊縫定位偏移量的標準差小于0.05，說明本文方法穩(wěn)定性好；焊縫區(qū)域實際距離為45 mm，定位最大偏差為4.35 mm，在此偏差之內，不會影響焊縫錯邊量的測量，說明本文方法準確性高，可以將本文方法用于工業(yè)環(huán)境下的焊縫自動定位.

圖4 焊縫定位圖像Figure4 Image of weld positioning

表2 焊縫定位偏移量Table2 Migration of weld positioning mm

4 結 語

本文提出了基于計算機視覺的鋼軌焊縫自動定位方法，該方法通過增強焊縫圖像提高焊縫定位精度；利用圖像分割技術提取焊縫輪廓；采用最小二乘直線擬合法，實現鋼軌焊縫的自動定位.實驗結果表明，本文方法具有精度高、穩(wěn)定性好的優(yōu)點，與現有的檢測方法相比較，提高了檢測效率，降低了檢測成本，可用于焊軌基地的焊縫錯邊量實時在線自動檢測.