CN101893580A - 基于数字图像的钢轨表面缺陷检测方法 - Google Patents

Abstract

本发明提出了一种基于数字图像的钢轨表面缺陷检测方法。该方法从对钢轨拍摄的图像中提取钢轨区域，并模拟人类视觉机制，将灰度图转换为对比度图，从而对可疑缺陷区域进行定位及判定。本发明所提供的检测方法具有检测速度快、准确率高的优点，对钢轨图像采集环境具有自适应能力，能有效消除噪声、光照等不利因素的影响。

Description

基于数字图像的钢轨表面缺陷检测方法

技术领域

本发明涉及交通运输、工业监控、数字图像处理和模式识别领域，尤其涉及一种基于数字图像的钢轨表面缺陷检测方法。

背景技术

铁路运输安全性一直是关系到经济发展和人身安全的重大问题。随着既有线提速、客运专线的陆续建设，动车组高速运行对铁路各项基础设施养护维修提出了更高的要求。钢轨作为重要的铁路基础设施，其运用状态对行车安全具有直接和至关重要的影响，因此必须加强对钢轨的动态检测和状态监控，及时指导养护维修。

在过去很长一段时间，铁轨缺陷检测一直依赖人工巡检，效率低下，检测结果也不能得到保证。为了节省人力，提高检测效率，人们提出了各种自动化(或者半自动化)的钢轨缺陷检测方法，比如超声波检测，脉冲涡流检测等(ClarkR..Rail Flaw Detection：Overview and Needs for Future Developments.IndependentNondestructive Testing and Evaluation，2004，37，111-118.)。但是，这一类方法都很难区分钢轨内部伤损和表面缺陷，目前的做法是伤损检出后，由地面用小型探伤仪进行复检，在复检过程中判断出该处钢轨伤损的类型。为了有效检测钢轨表面缺陷，最近，人们提出了基于计算机视觉的检测方法。在此方法中，摄像机首先采集钢轨表面的图像，然后，计算机自动分析图像的内容并且识别钢轨图像是否存在缺陷(Marino F.，Stella E..ViSyR：a Vision System for Real-TimeInfrastructure Inspection.Vision Systems：Applications，Edited by：G.Obinata and A.Dutta，pp.608，I-Tech，Vienna，Austria，2007.)。在基于数字图像的检测方法中，钢轨表面图像的分析和缺陷识别是关键，其分析和识别方法大致可以分为以下三类：

1)统计方法：通过分析纹理特征，分割图像中统计信息不同的区域，并把这样的区域识别为缺陷区域。这种方法有一个假设前提，即非缺陷区域是图像中的主要成份，并且统计上稳定。纹理特征的统计方法主要有：边缘检测(ConciA.，

C.B..A Computer Vision Approach for Textile Inspection.TextileResearch Journal，2000，Vol.70，No.4：347-350.)、形态学操作(Unser M.，Ade F..Feature Extraction and Decision Procedure for Automated Inspection of TexturedMaterials.Pattern Recognition Letters，1984，Vol.2，No.3：185-191.)、特征滤波(Monadj emi A.，Mirmehdi M.，Thomas B..Restructured Eigen Filter Matching forNovelty Detection in Random Textures.Proceedings of the 15th British MachineVision Conference，Kingstom，2004：637-646.)等等。统计方法对于图像的质量要求比较高，对于噪声比较敏感。

2)谱方法：统计方法主要是对空间域的灰度信息进行分析和处理，其性能和鲁棒性难以满足用户的要求。为了克服这些困难，研究者提出了频域的方法，称之为谱方法。谱方法首先通过傅立叶变换，Gabor滤波，小波变换等方法对图像进行变换，然后在变换域分析和检测(Kumar A.，Pang G..Defect Detection inTextured Materials Using Gabor Filters.IEEE Transactions on Industry Applications，2002，Vol.38：425-440.)。谱方法对于周期性的、全局性的缺陷检测能有较好的效果，但是它对局部缺陷检测则不尽人意，另外，其检测速度比较慢。

3)模型方法：这类方法根据包含缺陷的图像的特点，建立模型，并描述缺陷的纹理特征。主要的模型方法有泊松模型和基于模型的聚类(Campbell J.G.，Fraley C.，Murtagh F.，Rafery A.E..Linear Flaw Detection in Woven Textiles UsingModel-based Clustering.Pattern Recognition Letters，1997，18：1539-1548.)，基于直方图模型的分析(刘蕴辉、刘铁、王权良、罗四维.基于图像处理的铁轨表面缺陷检测算法.计算机工程，2007，33(11)：236-238.)等等。

上述方法虽然在一定程度上能检测钢轨表面缺陷，但是也有明显的不足。首先，这些方法检测速度比较慢，当检测列车运行速度超过60km/h时，它们不能满足实时检测的要求。其次，鲁棒性不强，对于采集系统的成像质量要求特别苛刻，其检测的性能受光照等外部环境的影响比较大。

发明内容

针对上述方法存在的技术问题，本发明提供了一种基于数字图像的钢轨表面缺陷检测方法。

本发明的技术方案是通过以下步骤实现的：钢轨区域提取、对比度图生成、可疑缺陷区域定位、可疑缺陷判定。下面对本发明的技术方案进行详细描述：

(1)钢轨区域提取

本方法首先从输入图像中提取钢轨区域，并生成钢轨灰度图。摄像机采集的图像除了包含钢轨外，还可能包含其它的背景区域，因此，根据输入图像在垂直方向的投影曲线特征提取钢轨区域，得到钢轨灰度图。

(2)对比度图生成

像素对比度值刻画了该像素和它邻域像素的明暗差别。将钢轨图像的灰度值转换为对比度值，生成钢轨对比度图，并且执行预处理操作，尽可能减少非缺陷像素对于后续检测过程的影响。

(3)可疑缺陷区域定位

分析钢轨对比度图在水平方向和垂直方向的投影曲线，定位可疑缺陷区域。可疑缺陷区域定位可以分为三个子过程：

首先，计算钢轨对比度图每行像素的平均对比度值，形成水平方向投影曲线；分析其曲线的形状，并确定垂直方向上钢轨缺陷的可疑区间。

然后，计算上述每一个可疑区间子图每列像素的平均对比度值，形成该子图在垂直方向投影曲线；分析其曲线的形状，确定水平方向上钢轨缺陷的可疑区间。

最后，结合垂直方向和水平方向的可疑区间，得到钢轨缺陷的可疑矩形区域。

(4)可疑缺陷判定

得到上述可疑缺陷矩形区域后，抽取其几何特征，并且根据该特征判断是否是钢轨缺陷。

本发明的有益效果如下：

1.检测速度快。理论上本发明方法只需要两次扫描钢轨图像，时间复杂度远低于其它现有方法。

2.本发明方法检测准确率高，准确率≥95％，漏检率≤2％。

3.本发明方法对钢轨图像采集环境具有自适应能力，能有效消除噪声、光照等不利因素的影响。

附图说明

下面结合附图对本发明作详细说明：

图1为基于数字图像的钢轨表面缺陷检测方法流程框图；

图2为输入图像及其钢轨区域提取示意图，其中图2-a表示输入图像，图2-b表示垂直方向投影曲线图，图2-c表示提取的钢轨区域图R；

图3为对比度图生成和预处理示意图，其中图3-a表示钢轨对比度图C，图3-b表示过滤后的对比度图C；

图4为钢轨表面缺陷可疑区域定位和判定示意图，其中图4-a表示Y轴可疑区间定位，图4-b表示X轴可疑区间定位后得到可疑缺陷矩形，图4-c表示判定为缺陷的区域；

图5为对比度图水平投影曲线分析示意图，其中图5-a表示对比度图C在水平方向的投影曲线，图5-b表示高通滤波后的投影曲线，图5-c表示平滑操作后的投影曲线，图5-d表示合并操作后的投影曲线。

具体实施方式

实施例一：轨道检测车中的应用

轨道检测车，是专门用于检测高速铁路轨道和路基安全技术参数、确保高速列车行车安全的重要装备。其中钢轨表面缺陷是轨道检测车的一个非常重要的检测目标。本发明尤其适用于轨道检测车，检测车上的高速摄像机实时采集轨道表面的图像，并且作为本发明提供方法的输入，该方法将自动地分析输入采集图像，识别并且定位钢轨缺陷，步骤包括：钢轨区域提取、对比度图生成、可疑缺陷区域定位、缺陷判定，其流程框图见图1。

步骤S1：钢轨区域提取

输入图像中钢轨所在区域的灰度值一般比较高，而背景部分区域的灰度值比较低。按照公式(1)计算输入图像I，如图2-a所示，在第x列的平均灰度值g(x)：

$g\left(x\right)=\underset{y=1}{\overset{H_o}{\mathrm{\Σ}}}I(x,y)/H_o---\left(1\right)$

其中H_o表示输入图像的高度，而I(x，y)表示输入图像I在位置(x，y)处的灰度值。G＝[g(1)，g(2)，…，g(W_o)]则构成了输入图像I在垂直方向的投影曲线，W_o表示输入图像的宽度，如图2-b所示。

显然，在输入图像I的垂直投影曲线中，钢轨区域的值比较大，而其它背景区域的值比较小。另外，钢轨的宽度是固定的，可由用户指定，假定为WR。按照公式(2)计算投影曲线中每一个长度为WR的区间的积分Sg(b)，1≤b≤W_o-WR：

$\mathrm{Sg}\left(b\right)=\underset{k=1}{\overset{\mathrm{WR}}{\mathrm{\Σ}}}g(b+k)---\left(2\right)$

将使得Sg(b)取最大值的X轴坐标b作为钢轨在X轴上的开始位置，而b+WR则是结束位置。最后，从输入图像I中截取X轴上区间[b，b+WR]之间的子图像，得到钢轨区域图R，也可以称为钢轨灰度图R，如图2.c所示。

步骤S2：对比度图生成

一般情况下，钢轨缺陷部位亮度比背景区域亮度低。但是，因为光照不均匀、摄像机抖动、钢轨不同区域表面属性差异的影响，钢轨灰度图R中部分非缺陷区域的亮度也比较低，甚至比缺陷部件更低。因此，直接根据钢轨灰度图R计算机难以准确快速地检测真实钢轨缺陷。

神经生理学和神经心理学的研究成果表明，人类视觉系统对于灰度绝对值的大小不敏感，但是，人们对于对比度(灰度的变换值)的感知却非常敏锐。因此，本发明模拟人类视觉机制，按照公式(3)把钢轨灰度图R转换为钢轨对比度图C，如图3-a所示：

C(x，y)＝(R(x，y)-g(x))/(R(x，y)+g(x))(3)

其中，C(x，y)，R(x，y)分别表示钢轨对比度图C和灰度图R中位置(x，y)处的值，而g(x)表示钢轨灰度图R中第x列的平均灰度，按公式(1)计算。

然后，根据公式(4)对钢轨对比度图C进行滤波操作：

$C(x,y)=\left\{\begin{array}{cc}0,& \mathrm{ifC}(x,y)>T1\\ C(x,y),& \mathrm{otherwise}\end{array}---\left(4\right)\right.$

其中，参数T1是初步判定阈值，如果一个像素的对比度值大于T1，则此像素肯定不会是缺陷像素，因此判定为背景像素。在本实施例中T1＝-0.2。过滤后的对比度图C如图3.b所示。

步骤S3：可疑缺陷区域定位

可疑缺陷区域定位包含三个子过程：Y轴可疑区间定位、X轴可疑区间定位、获取可疑缺陷矩形。

步骤S3-1：Y轴可疑区间定位

首先，按照公式(5)计算对比度图C中第y行的平均对比度值c(y)：

$c\left(y\right)=0-\underset{x=1}{\overset{\mathrm{WR}}{\mathrm{\Σ}}}C(x,y)/\mathrm{WR}---\left(5\right)$

其中WR表示对比度图C的宽度，而C(x，y)表示对比度图C中位置(x，y)处的对比度值。Con_Y＝[c(1)，c(2)，…，c(H_o)]则构成了对比度图C在水平方向的投影曲线，如图5.a所示。

然后，分析水平方向投影曲线Con_Y，确定在Y轴方向钢轨缺陷的可疑位置，如图4.a所示。这个过程可以分为以下三个子步骤：

步骤S3-1-1：高通滤波操作。高通滤波函数如公式(6)所示：

${\mathrm{Con}}_Y\left(y\right)=\left\{\begin{array}{cc}c\left(y\right),& \mathrm{ifc}\left(y\right)>T2\\ 0,& \mathrm{otherwise}\end{array}---\left(6\right)\right.$

其中，参数T2是判定阈值，如果某行的平均对比度不大于它，则判定该行不含有缺陷。在本实施例中，T2是投影曲线Con_Y的平均值，即

高通滤波后的投影曲线如图5-b所示。

步骤S3-1-2：平滑操作。消除投影曲线Con_Y中过窄的可疑区间。平滑操作后的投影曲线如图5-c。

步骤S3-1-3：合并操作。合并投影曲线Con_Y中距离比较小的两个相邻可疑区间。合并操作后的投影曲线如图5.d。

步骤S3-2：X轴可疑区间定位

确定Y轴上可疑缺陷区间(假定为区间[y_b，y_e])后，抽取可疑区域子图(宽度与对比度图C相同，而高度取对比度图C中的区间[y_b，y_e])，分析该子图在垂直方向的投影曲线，确定X轴上的可疑缺陷区间。这个过程分为以下三个步骤：

步骤S3-2-1：抽取可疑区域子图。提取对比图C中的矩形区域C_susp-Y，C_susp-Y＝C(y_b∶y_e，1∶WR)，作为可疑区域子图。

步骤S3-2-2：按照公式(1)计算可疑区域子图C_susp-Y在第x列的平均对比度值c(x)，Con_X＝[c(1)，c(2)，…，c(WR)]则构成了C_susp-Y在垂直方向的投影曲线。

步骤S3-2-3：分析投影曲线Con_X，确定在X轴方向钢轨缺陷的可疑位置(假定为区间[x_b，x_e])。其分析过程与Con_Y相似，见步骤S3-1-1、S3-1-2、S3-1-3。

步骤S3-3：获取可疑缺陷区域

通过上述两个步骤结果，矩形区域C_susp＝C(y_b∶y_e，x_b∶x_e)则确定了一个可疑缺陷区域，如图4-b所示。

步骤S4：缺陷判定

受噪声、钢轨表面性质等的影响，步骤S3得到的可疑矩形区域C_susp不一定都是真正缺陷。因此，定位可疑缺陷区域C_susp后，通过以下两个步骤判定其是否是真正的缺陷。

步骤S4-1：面积判定。计算可疑缺陷区域C_susp中可疑缺陷面积，并判断其是否大于缺陷标准面积T3(T3是用户指定的符合行业标准的缺陷标准面积)。如果大于则调用步骤S4-2，否则，判定C_susp是正常背景区域。

步骤S4-2：局部对比度分析。可疑区域C_susp往上往下移动|y_e-y_b|/2，得到一个范围扩大的子图C_ext＝C((3y_b-y_e)/2∶(3y_e-y_b)/2，x_b∶x_e)，计算子图C_ext在水平方向的投影曲线。按照步骤S3-1重新定位子图C_ext在Y轴的缺陷区间，记为[y′_b，y′_e]，如果子图C_ext的缺陷区间和原可疑区间[y_b，y_e]满足|(y′_e-y′_b)-(y_e-y_b)|/(y_e-y_b)≤T4，则判定它为真正缺陷区域，其中T4为阈值，本实施例中取值为0.1.

图4-c显示了输入缺陷标准面积T3＝400，T4＝0.1时，最终判定为缺陷的区域。

在实际运行中，本发明提供的方法在CPU主频为2.0G的普通电脑上每秒能检测图像(分辨率为512×1260)100副，可以应用于时速达300km/h的高速检测列车上。

实施例二：便携式钢轨表面缺陷检测设备中的应用

便携式钢轨表面缺陷检测设备是一种手持的装置，它配置有摄像机和嵌入式计算平台。本发明也可以运行在嵌入式平台中，该设备首先扫描钢轨，并采集钢轨图像，然后通过本发明提供的方法智能分析采集图像，识别钢轨表面缺陷，其实现步骤与实施例一中的描述相似。

实施例三：带钢生产线质量监控中的应用

带钢是为了适应不同工业部门需要而生产的一种窄而长的钢板。带钢表面的缺陷是影响其产品质量的重要因素。因此，本发明也可以应用于带钢生产线的质量监控中。在带钢生产线末端，带钢经过图像采集系统。然后，本发明提供的方法自动分析采集图像，智能识别带钢表面的缺陷，其实现步骤与实施例一中的描述相似。

Claims (6)

1.一种基于数字图像的钢轨表面缺陷检测方法，其特征在于，包括以下步骤：

步骤S1：从输入图像中提取钢轨区域，生成钢轨灰度图；

步骤S2：将所述钢轨灰度图转换为钢轨灰度对比度图；

步骤S3：分析所述钢轨灰度对比度图中在沿钢轨长度和宽度方向上的投影曲线，定位可疑缺陷矩形区域；

步骤S4：得到所述可疑缺陷矩形区域后，抽取其几何特征，并且根据该特征判断是否是钢轨缺陷。

2.如权利要求1所述的方法，其特征在于，步骤S1中根据所述输入图像在沿钢轨长度方向上每一列的平均灰度值得到投影曲线，提取该曲线在钢轨宽度范围内积分最大的一段所对应的输入图像的部分作为钢轨灰度图。

3.如权利要求1所述的方法，其特征在于，对步骤S2得到的钢轨灰度对比度图进行预处理，即通过设置判定阈值区分缺陷像素和背景像素。

4.如权利要求1所述的方法，其特征在于，对所述步骤S3得到的投影曲线进行高通滤波、消除投影曲线中过窄的可疑区间、合并投影曲线中距离较小的两个相邻可疑区间的处理。

5.如权利要求1所述的方法，其特征在于，所述步骤S4中对几何特征的判断包括对可疑缺陷矩形区域面积判定。

6.如权利要求1所述的方法，其特征在于，所述步骤S4中对几何特征的判断还包括局部对比度分析，即在钢轨长度方向上将所述可疑缺陷矩形区域向两端扩展，计算扩展后的区域在钢轨宽度方向上的投影曲线，再次确定新的缺陷区间，比较该区间与原有可疑缺陷矩形区域从而判断是否存在真正的钢轨缺陷。

Images