CN109785301B - 一种基于图像处理的钢轨波磨周期评估方法 - Google Patents

Abstract

本发明提供了一种基于图像处理的钢轨波磨周期评估方法，用以解决现有技术中无法实时、自动、准确识别钢轨波磨的问题。所述识别方法首先读取轨道图像，对轨道图像进行预处理后获取钢轨表面图像，构建钢轨表面图像的特征描述后，进行钢轨波磨的自动识别，并进行周期评估和严重程度评估。本发明能够实现对钢轨表面的定位以及钢轨波浪形磨耗的自动识别，进行准确有效地识别，显著提高了检测效率；同时提供直观可靠的钢轨波磨评估结果，得到直观可靠的波磨周期估计和波磨严重程度评估可视化结果，为钢轨波磨自动化检测设备的设计和维保决策智能化的发展提供了新的思路和方案，为满足城市轨道交通线路高效可靠地在线监测奠定了坚实的基础。

Description

一种基于图像处理的钢轨波磨周期评估方法

技术领域

本发明属于城市轨道交通领域，具体涉及一种基于图像处理的钢轨波磨周期评估方法。

背景技术

随着城市的快速发展，城市轨道交通作为一种现代化的交通运输方式，在各大城市得到了快速发展，这对城市轨道交通的运输安全提出了更加严格的要求。轨道状态的好坏直接影响着高速行驶列车的平稳性和安全性，钢轨表面波形磨耗(以下简称波磨)是一种在钢轨轨头沿纵向方向的具有规律性的起伏不平的磨耗现象，是评价轨道状态的一个重要指标。一方面，波磨引起的轮轨力的突然变化将缩短轨道关键部件的使用寿命，增加城市轨道交通线路的维护成本；另一方面，波磨引起的车轮和钢轨之间的剧烈振动将产生很大的噪音，降低乘客的舒适度和列车行驶的安全性。因此，及时检测、识别和评估波磨，对有效制定维修策略和缓解波磨发展具有重要意义，这不仅可以降低线路维护成本和噪声污染，也能保障城市轨道交通列车的运营安全，改善乘客的乘车体验。

现有技术中，波磨的检测方法主要是基于波磨尺或波磨检测车进行的人工检测。人工检测依赖于线路检测工人的经验，难以确保检测结果的客观准确性；固定的检测周期不能及时的了解钢轨状态，同时还占用了轨道，增加了线路工作人员的工作量，不仅检测效率低下，而且结果往往受主观的影响，难以满足日益增长的运营需求；而且现存的自动化检测方案检测效率受到运营时间和空间的限制，难以满足发展对检测实时性、检测准确率和检测精确度的需求。

发明内容

为了提高城市轨道交通的稳定性和安全性，克服现有技术中钢轨波形磨耗(以下简称波磨)检测效率低下、不能实时识别、及评估不够准确和精确的问题，本发明实施例提出了一种基于图像处理的钢轨波磨自动识别方法和评估方法，可以对钢轨波磨进行自动识别，提供直观可靠的钢轨波磨评估结果，为钢轨波磨自动化检测设备的设计和维保决策智能化的发展提供新的解决思路和方案。

为了实现上述目的，本发明采取了如下技术方案。

一种基于图像处理的钢轨波磨自动识别方法，所述钢轨波磨自动识别方法包括如下步骤：

步骤S1，读取轨道图像；

步骤S2，对轨道图像进行预处理；

步骤S3，钢轨区域定位，获取钢轨表面图像；

步骤S4，根据改进的空间金字塔匹配模型构建所述钢轨表面图像的特征描述；

步骤S5，根据所述钢轨表面图像的特征描述进行钢轨波磨的自动识别。

进一步地，所述步骤S2中对轨道图像的预处理，进一步包括如下步骤：

步骤S21，采用双边滤波滤除图像中的噪声；

步骤S22，对轨道图像进行光照不均进行校正。

进一步地，所述步骤S22进一步包括：

步骤S221，使用动态引导滤波，在去噪后的轨道图像中提取光照分量；

步骤S222，根据光照分量提取结果的统计分布特性，利用基于二维参数自适应伽马函数的光照不均校正函数，处理轨道图像的不均匀光照问题，得到校正后的轨道图像。

进一步地，所述步骤S3进一步包括如下步骤：

步骤S31，增强轨道图像垂直边缘；

步骤S32，图像水平梯度计算；

步骤S33，加权梯度投影分析，获得钢轨表面图像集。

进一步地，所述步骤S33中加权梯度投影分析，进一步为：根据轨道图像中每列的水平位置，将所述水平方向梯度和值乘以与所述水平位置想适应的自适应权重，并对轨道图像进行加权梯度垂直投影，得到投影结果轮廓曲线；结合轨道表面的经验宽度值，确定轨道表面区域在轨道图像中的左右边界。

进一步地，所述步骤S4进一步包括如下步骤：

步骤S41，提取钢轨表面图像的多种特征向量，将每幅钢轨表面图像的同一种特征向量集合成一种特征向量集，从而获得多种特征向量集；

步骤S42,根据所述特征向量集，对每种特征向量集生成一种视觉码本；

步骤S43，基于所述视觉码本，进行局部约束线性编码，得到钢轨表面图像的特征描述。

进一步地，所述步骤S43得到钢轨表面图像的特征描述，进一步包括：

利用局部约束线性编码LLC模型对钢轨表面图像集中的图像进行特征编码，并经过空间金字塔匹配SPM模型池化，得到表征每幅钢轨表面图像的多种特征向量；对于每幅钢轨表面图像，将得到的多种特征向量进行线性组合，组合后的特征向量作为该幅钢轨表面图像的特征描述。

本发明还提供了一种基于图像的钢轨波磨周期评估方法，所述钢轨波磨的周期评估方法，包括如上所述的钢轨波磨自动识别方法，还包括：

步骤S51，读取钢轨波磨图像；

步骤S52，钢轨波磨区间的定位；

步骤S53，按列提取钢轨波磨区间图像；

步骤S54，对区间中每列图像进行一维快速傅立叶变换，得到各列图像的频率-幅值曲线图；

步骤S55，在所述频率-幅值曲线图上，针对每条频率-幅值曲线，同时提取对应于前两个最大峰值的频率，根据频率和周期之间的数学关系式计算得到波磨区间中每列图像的候选周期d1和d2；

步骤S56，分别计算波磨区间中每列图像候选周期的SNDMF值；

步骤S57，确定波磨区间中每列图像的最终周期；

步骤S58，计算波磨区间中所有列图像周期值的众数作为钢轨波磨区间的周期。

进一步地，所述步骤S52进一步包括：

步骤S521，计算钢轨波磨图像中每个像素点处的水平方向梯度值，并按列依次求每列图像的水平方向梯度均值；

步骤S522，根据钢轨波磨图像的特点，计算曲线右半部分中所有极大值的最大值，所对应的列坐标作为裁剪后剩余钢轨表面区域的终止坐标；计算曲线左半部分中所有极小值的最小值，所对应的列坐标作为裁剪后剩余钢轨表面区域的起始坐标；根据计算得到的起始和终止坐标，得到裁剪后剩余钢轨表面区域；

步骤S523，利用大津阈值分割算法和数学形态学算法对图像进行二值化，并去除二值化后存在的噪声点；

步骤S524，统计分析二值图像每列前景点的个数，并通过与设定的阈值比较得到钢轨波磨区间的起始和终止点坐标，确定的波磨区间的左右边界。

本发明还提供了一种基于图像的钢轨波磨严重程度评估方法，所述方法，包括如上所述的钢轨波磨自动识别方法，还包括：

步骤S61，读取钢轨波磨图像；

步骤S62，对钢轨波磨图像中钢轨表面边缘锈迹进行裁剪；

步骤S63，对裁剪后的钢轨波磨图像，利用归一化频率调谐模型提取钢轨波磨图像的视觉显著性特征并生成钢轨波磨全分辨率显著图；

步骤S64，计算自适应阈值，并使用该阈值对钢轨波磨全分辨率显著图进行二值化；

步骤S65，利用数学形态学闭操作和标记矩阵方法，确定各钢轨波磨子区域在图像中的位置；

步骤S66，计算每个钢轨波磨子区域的磨耗显著度；

步骤S67，设计每个等级对应的隶属度函数；

步骤S68，将计算得到的磨耗显著度值输入到等级隶属度函数，并根据最大隶属原则确定每个钢轨波磨子区域的磨耗严重程度。

本发明属于城市轨道交通线路钢轨表面病害自动识别和评估技术，能够实现对钢轨表面的定位以及钢轨波浪形磨耗的自动识别，解决了传统的人工检测方法难以避免的漏检和检测结果缺乏客观准确性问题，同时可以在钢轨波磨识别的基础上，提供直观可靠的钢轨波磨评估结果，为钢轨波磨自动化检测设备的设计和维保决策智能化的发展提供了新的思路和方案。本发明可以准确有效地识别出线路中钢轨表面存在的波浪形磨耗，显著提高了检测效率，与此同时可以得到直观可靠的波磨周期估计和波磨严重程度评估可视化结果，为满足城市轨道交通线路高效可靠地在线监测奠定了坚实的基础。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1所示为本发明实施例钢轨波磨自动识别方法的流程示意图；

图2所示为本发明实施例在获取钢轨表面图像基础上的钢轨波磨自动识别方法流程示意图；

图3所示为本发明实施例所述钢轨波磨周期评估方法在自动识别完成后的流程示意图；

图4所示为本发明实施例所获得的起始点和终止点坐标示意图；

图5所示为本发明实施例所述频率-幅值曲线图；

图6所示为本发明实施例所述钢轨波磨周期评估方法在自动识别完成后的流程示意图；

图7所示为本发明实施例所述隶属度函数示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

针对现有技术中对城市轨道的钢轨波磨检测中存在的检测效率低下、人工成本高的问题，本发明提出了一种基于图像处理的钢轨波磨检测方法。随着计算机视觉技术的兴起，基于图像处理技术的轨道检测设备逐渐成熟并取得了很大的成就，具有非接触、连续、低成本和快速的优点。而且，利用图像处理技术的轨道检测设备还可以同时实现多个目标的检测，非常适合在复杂的环境条件下执行长期、高精度和重复性的任务。本发明提出的基于图像处理的钢轨波磨检测方法，不仅可以提供非常直观的视觉评估结果，而且随着计算机各方面技术的不断发展，评估结果也将变得越来越精确可靠，为城市轨道交通线路检测自动化和维保决策智能化的发展提供了新的解决思路和方案。

下面结合附图和实施案例对本发明技术方案做进一步详细的说明。

第一实施例

本实施例提供了一种基于图像处理的钢轨波磨自动识别方法，图1所示为本实施例所述钢轨波磨自动识别方法的流程示意图。如图1所示，所述钢轨波磨自动识别方法包括如下步骤：

步骤S1，读取轨道图像。

本步骤中，轨道图像中包含钢轨表面图像。钢轨表面形貌的采集，基于现有技术中的可视化技术即可实现，是对轨道图像的原始采集。

步骤S2，对轨道图像进行预处理。

本步骤中，为了获得更加准确的数据，需要对图像数据进行预处理，去除原始轨道图像中的噪声，并对图像中的光照不均进行校正。这里的轨道图像，即钢轨表面图像。本步骤中的预处理，包括如下过程：

步骤S21，采用双边滤波滤除图像中的噪声。

本步骤中，所述滤除噪声，即轨道图像去噪，是在不破坏钢轨表面纹理特征的基础上进行的。

进一步地，本步骤中滤波算子的定义为：

其中，I_outs是滤波之后的结果，I是原图像，x是被处理像素点的坐标，Ω是x的邻域窗口，W_p是归一化因子，f_r是关于像素的值域核函数来计算像素值域的权重，g_s同高斯滤波的定义。

步骤S22，对轨道图像进行光照不均校正。

进一步地，本步骤包括以下步骤：

步骤S221，使用动态引导滤波，在去噪后的轨道图像中提取光照分量。

步骤S222，根据光照分量提取结果的统计分布特性，利用基于二维参数自适应伽马函数的光照不均校正函数，处理轨道图像的不均匀光照，得到校正后的轨道图像。轨道图像进行了噪声去除和光照不均校正后，降低了光照过强区域图像的亮度值，提高了光照过暗区域图像的亮度值，图像质量得到有效提升。

步骤S3，钢轨区域定位，获取钢轨表面图像。

本步骤具体包括如下步骤：

步骤S31，增强轨道图像垂直边缘。

从现场采集的轨道图像通常包含不相关的部件，例如轨道两侧的扣件、枕木和路基，这些是后续的处理过程不必要的干扰信息，因此需要先将这些干扰信息去除。

本步骤中的所述增强轨道图像垂直边缘通过水平梯度算子进行，其中，所述水平梯度算子定义为：

使用式(3)中的水平梯度算子，与预处理后的轨道图像进行卷积运算，增强轨道图像的垂直边缘，突出沿水平方向的灰度级变化的同时锐化了轨头表面的边界。

步骤S32，图像水平梯度计算。

本步骤中，计算轨道图像中每个像素点处的水平方向梯度值，并按列依次求每列图像的水平方向梯度值。

进一步地，通过公式(4)计算每列图像的水平方向梯度和值：

式(4)中，w和h分别代表轨道图像的宽度和高度。grad(x,y)是坐标(x,y)处像素点的梯度值。

步骤S33，加权梯度投影分析，获得钢轨表面图像集。

本步骤中，根据轨道图像中每列的水平位置，将所述水平方向梯度和值乘以与所述水平位置相适应的自适应权重，并对轨道图像进行加权梯度垂直投影，对轨道图像进行加权梯度投影分析，得到投影结果轮廓曲线；结合轨道表面的经验宽度值，确定轨道表面区域在轨道图像中的起始位置，即确定依据轨道表面的经验宽度值，确定轨道表面区域在轨道图像中的左右边界，从而完成钢轨区域的分割，获得钢轨表面图像，并进一步获得钢轨表面图像集。

进一步地，在位置y处的权重值定义为：

式(5)中，w代表轨道图像的宽度。

进一步地，本步骤中所述确定轨道表面区域在轨道图像中的起始位置，通过公式(6)和(7)进行：

p_r＝arg_xmaxSWG(y),y＝1,2,...,w-w_r (6)

式(6)和(7)中，WG(i)代表在位置i处的加权梯度和值。

步骤S4，根据改进的空间金字塔匹配模型构建所述钢轨表面图像的特征描述。

本步骤中所述构建钢轨表面图像的特征描述，通过改进的空间金字塔匹配模型(Improve Spacial Pyramid Matching Model)进行构建。本步骤中的所述改进空间金字塔匹配模型，是针对波磨图像的特点提出的一种新的图像特征描述的方法。

本步骤进一步包括如下步骤：

步骤S41，提取钢轨表面图像的多种特征向量，将每幅钢轨表面图像的同一种特征向量集合成一种特征向量集，从而获得多种特征向量集。

优选的，所述多种特征向量为两种特征向量，包括Uniform LBP特征向量和DenseSIFT特征向量。

步骤S42,根据所述特征向量集，对每种特征向量集生成一种视觉码本。

进一步地，所述生成视觉码本，通过经典的K-means算法生成。

优选的，对应于两种特征向量集，生成两种视觉码本，即对Uniform LBP特征向量集和Dense SIFT特征向量集进行聚类得到两个视觉码本。

步骤S43，基于所述视觉码本，进行局部约束线性编码，得到钢轨表面图像的特征描述。

进一步地，本步骤利用局部约束线性编码(LLC)模型对钢轨表面图像集中的图像进行特征编码，并经过空间金字塔匹配SPM模型池化，得到表征每幅钢轨表面图像的多种图像表示,即得到表征每幅钢轨表面图像的多种特征向量，这里特征向量的种类数，与所提取的特征向量的种类数相同；最后，对于每幅钢轨表面图像，将得到的多种特征向量进行线性组合，组合后的特征向量作为该幅钢轨表面图像的特征描述，用于表征该图像。

优选的，基于两个视觉码本，利用LLC模型对钢轨表面图像集中的图像进行特征编码，并经过空间金字塔匹配SPM模型池化，对每幅钢轨表面图像得到两种特征向量，并对得到的两种特征向量进行线性组合，得到该幅钢轨表面图像的特征描述。

步骤S5，根据所述钢轨表面图像的特征描述进行钢轨波磨的自动识别。

进一步地，本步骤根据每幅图像的特征描述和人工标签训练线性分类器，得到最终的分类器；将所述分类器在测试数据集上实现钢轨波磨的自动识别。

下面通过一个具体的应用场景，进一步说明本实施例钢轨波磨自动识别方法。这里的应用场景在得到了钢轨表面图像的基础上，即在本实施例所述自动识别方法的步骤S3之后，对钢轨波磨识别的过程进行详细描述。图2所示为本应用实施的在获取钢轨表面图像基础上的钢轨波磨自动识别方法流程示意图，如图2所示，所述钢轨波磨自动识别方法包括如下步骤：

步骤S201，对钢轨表面图像进行人工标注，并将钢轨表面图像集随机地划分为训练数据集和测试数据集；

优选的，这里的人工标注，可以分为两类，例如，以1作为正常轨面图像的人工标签，以0作为波磨轨面图像的人工标签。

步骤S202，对钢轨表面图像集中的钢轨表面图像分别提取Uniform LBP和DenseSIFT特征。

步骤S203，通过使用经典的K-means算法，分别对训练数据集图像的Uniform LBP和Dense SIFT特征集进行聚类得到两个视觉码本。

步骤S204，基于所述两个视觉码本，利用LLC模型对钢轨表面图像集中的图像进行特征编码，并经过SPM池化，得到表征每幅钢轨表面图像的两种图像表示,即得到表征每幅钢轨表面图像的两种特征向量；最后，对于每幅钢轨表面图像，将得到的两种特征向量进行线性组合，组合后的特征向量作为该幅钢轨表面图像的特征描述，用于表征该图像。

步骤S205，结合训练数据集中每幅图像的特征描述和人工标签训练线性SVM分类器，得到最终的分类器；将所述分类器在测试数据集上实现钢轨波磨的识别检测。

本步骤中，在测试数据集上的识别检测过程，达到了99％的识别准确率，说明本实施例的基于图像的钢轨波磨自动识别方法可有效的识别出钢轨表面的波磨病害。

第二实施例

本实施例提供了一种基于图像的钢轨波磨周期评估方法。本实施例的所钢轨波磨周期评估方法，是在第一实施例所述基于图像的钢轨波磨自动识别方法的基础上进行的，首先通过第一实施例的所述钢轨波磨自动识别方法，对钢轨波磨进行自动识别，识别完成后，对所述钢轨波磨进行周期评估。图3所示为本实施例所述钢轨波磨周期评估方法在自动识别完成后的流程示意图。如图3所示，所述周期评估方法，在包括第一实施例所述的钢轨波磨自动识别过程的基础上，还包括如下步骤：

步骤S51，读取钢轨波磨图像。

步骤S52，钢轨波磨区间的定位。

由于车辆复杂的运营环境和不断地轮轨作用，从现场采集的钢轨表面波磨图像不仅包含波磨区域，还存在边缘锈迹和正常的表面区域。针对这一问题，为准确有效地定位出钢轨波磨区间，首先通过使用水平灰度梯度统计分析法，裁剪原始钢轨表面波磨图像中的锈迹边缘。

进一步地，本步骤包括如下步骤：

步骤S521，计算钢轨波磨图像中每个像素点处的水平方向梯度值，并按列依次求每列图像的水平方向梯度均值。

进一步地，本步骤中的水平方向梯度均值，根据下式进行计算：

式中，mgrad(x_i,y)代表第i列图像水平梯度的平均值。I(x_i,y)指的是第i列图像的灰度值。w和h分别是钢轨表面图像的宽度和高度。

步骤S522，根据钢轨波磨图像的特点，计算曲线右半部分中所有极大值的最大值，所对应的列坐标作为裁剪后剩余钢轨表面区域的终止坐标；计算曲线左半部分中所有极小值的最小值，所对应的列坐标作为裁剪后剩余钢轨表面区域的起始坐标；根据计算得到的起始和终止坐标，得到裁剪后剩余钢轨表面区域。

进一步地，本步骤中的计算采用下式进行：

其中，peaks代表求mgrad的极值。

图4所示为本步骤所获得的起始点和终止点坐标示意图。如图4所示，R_l为计算得到的剩余钢轨表面区域起始坐标，R_r为计算得到的剩余钢轨表面区域终止坐标。

步骤S523，利用大津阈值分割算法和数学形态学算法对图像进行二值化，并去除二值化后存在的噪声点。

步骤S524，统计分析二值图像每列前景点的个数，并通过与设定的阈值比较得到钢轨波磨区间的起始和终止点坐标，确定的波磨区间的左右边界。

进一步地，本步骤中根据下式计算终止点坐标：

其中，SB_i指的是第i列二值化图像的和值。δ代表和值的阈值。m是裁剪后剩余钢轨表面区域的宽度。

步骤S53，按列提取钢轨波磨区间图像。

步骤S54，对区间中每列图像进行一维快速傅立叶变换，得到各列图像的频率-幅值曲线图。

图5所示为所述频率-幅值曲线图。如图5所示，坐标横轴代表列图像的频率，坐标纵轴为相应的幅值。

步骤S55，在所述频率-幅值曲线图上，针对每条频率-幅值曲线，同时提取对应于前两个最大峰值的频率，根据频率和周期之间的数学关系式计算得到波磨区间中每列图像的候选周期d1和d2。

步骤S56，分别计算波磨区间中每列图像候选周期的SNDMF值。

进一步地，所述计算波磨区间中每列图像候选周期的SNDMF值，根据式(13)和(14)：

其中，H代表波磨区间图像的高度。l_ij指的是波磨区间中图像列l_i在位置j处的灰度值。d_i1和d_i2是第i列波磨区间图像的两个候选周期值。

步骤S57，确定波磨区间中每列图像的最终周期。

进一步地，所述波磨区间中每列图像的最终周期，根据式(15)进行计算：

P_i＝min(SNDMF_i1,SNDMF_i2) (15)

步骤S58，计算波磨区间中所有列图像周期值的众数作为钢轨波磨区间的周期。

进一步地，所述周期的计算可通过式(16)进行计算：

P_C＝mod(P),P＝[P₁,P₂,...,P_N] (16)

式中，N是波磨区间图像的宽度。

根据本步骤所得到的可视化结果，与人工目测结果相符合。

第三实施例

本实施例提供了一种基于图像的钢轨波磨严重程度评估方法。本实施例的所钢轨波磨严重程度评估方法，是在第一实施例所述基于图像的钢轨波磨自动识别方法的基础上进行的，首先通过第一实施例的所述钢轨波磨自动识别方法，对钢轨波磨进行自动识别，识别完成后，对所述钢轨波磨进行严重程度评估。图6所示为本实施例所述钢轨波磨周期评估方法在自动识别完成后的流程示意图。如图6所示，在包括第一实施例所述的钢轨波磨自动识别过程的基础上，还包括如下步骤：

步骤S61，读取钢轨波磨图像。

步骤S62，对钢轨波磨图像中钢轨表面边缘锈迹进行裁剪。

本步骤中，所述对钢轨表面边缘锈迹进行裁剪，具体为，计算钢轨波磨图像中每个像素点处的水平方向梯度值，并按列依次求每列图像的水平方向梯度均值；并根据钢轨波磨图像的特点，计算曲线右半部分中所有极大值的最大值，所对应的列坐标作为裁剪后剩余钢轨表面区域的终止坐标；计算曲线左半部分中所有极小值的最小值，所对应的列坐标作为裁剪后剩余钢轨表面区域的起始坐标；根据计算得到的起始和终止坐标，得到裁剪后剩余钢轨表面区域。

进一步地，本步骤中的水平方向梯度均值，根据下式进行计算：

式中，mgrad(x_i,y)代表第i列图像水平梯度的平均值。I(x_i,y)指的是第i列图像的灰度值。w和h分别是钢轨表面图像的宽度和高度。

进一步地，本步骤中的计算采用下式进行：

其中，peaks代表求mgrad的极值。

图4所示为本步骤所获得的起始点和终止点坐标示意图。如图4所示，R_l为计算得到的剩余钢轨表面区域起始坐标，R_r为计算得到的剩余钢轨表面区域终止坐标。

步骤S63，对裁剪后的钢轨波磨图像，利用归一化频率调谐模型提取钢轨波磨图像的显著性特征并生成钢轨波磨全分辨率显著图。

一般而言，钢轨波磨的严重程度与其深度有关，而波磨深度的变化在图像中体现为图像灰度上的差异。针对这一问题，依据对钢轨波磨图像的视觉显著性分析，钢轨波磨区间具有显著的颜色特征。因此，首先利用归一化频率调谐模型，提取钢轨波磨图像的视觉显著性特征，并在此基础上生成全分辨率显著图。

进一步地，本步骤中的归一化过程，通过式(17)进行：

S(x,y)＝N(||L_G(x,y)-L_m||) (20)

其中，L_m代表CIELab色彩空间图像特征向量的均值，L_G(x,y)是原始图像的高斯模糊，||·||指的是L₂范数运算，N(·)代表的是归一化操作。

步骤S64，计算自适应阈值，并使用该阈值对钢轨波磨全分辨率显著图进行二值化。

为简化每个钢轨波磨子区域的定位过程和减少计算量，利用自适应阈值分割算法，对得到的钢轨波磨显著图进行二值化。

进一步地，本步骤中的自适应阈值，通过式(18)进行计算：

式中，w和h分别是钢轨波磨图像的宽度和高度。T_a是计算得到自适应阈值。接着利用数学形态学闭操作和标记矩阵方法，确定每个钢轨波磨子区域的位置坐标。

步骤S65，利用数学形态学闭操作和标记矩阵方法，确定各钢轨波磨子区域在图像中的位置。

步骤S66，计算磨耗显著度。

本步骤中，对每个钢轨波磨子区域在图像中的位置，计算每个钢轨波磨子区域的磨耗显著度。进一步地，所述计算每个钢轨波磨子区域的磨耗显著度，通过式(19)计算：

步骤S67，设计每个等级对应的隶属度函数。

图7所示为本步骤所述隶属度函数示意图。如图7所示，横坐标轴代表磨耗显著度值，纵坐标轴为对应的隶属度值。

步骤S68，将计算得到的磨耗显著度值输入到等级隶属度函数，并根据最大隶属原则确定每个钢轨波磨子区域的磨耗严重程度。

进一步地，所述判定每个钢轨波磨子区域的磨耗严重程度，通过式(20)进行判定：

本步骤中，将波磨的严重程度划分为三个等级，分别为level 1(轻微磨耗)、level2(中等磨耗)和level 3(严重磨耗)。

由以上技术方案可以看出，本实施例所提供的基于图像处理的钢轨波磨识别方法与评估方法，能够实现对钢轨表面的定位以及钢轨波浪形磨耗的自动识别，进行准确有效地识别，显著提高了检测效率；同时提供直观可靠的钢轨波磨评估结果，得到直观可靠的波磨周期估计和波磨严重程度评估可视化结果，为钢轨波磨自动化检测设备的设计和维保决策智能化的发展提供了新的思路和方案，为满足城市轨道交通线路高效可靠地在线监测奠定了坚实的基础。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本领域普通技术人员可以理解：实施例中的装置中的部件可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的部件可以合并为一个部件，也可以进一步拆分成多个子部件。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于图像处理的钢轨波磨周期评估方法，其特征在于，包括：

步骤S51，读取钢轨波磨图像，通过基于图像处理的钢轨波磨自动识别方法识别出钢轨波磨图像中的钢轨波磨；

步骤S52，对钢轨波磨区间进行定位；

步骤S53，按列提取钢轨波磨区间图像；

步骤S54，对区间中每列图像进行一维快速傅立叶变换，得到各列图像的频率-幅值曲线图；

步骤S55，在所述频率-幅值曲线图上，针对每条频率-幅值曲线，同时提取对应于前两个最大峰值的频率，根据频率和周期之间的数学关系式计算得到波磨区间中每列图像的候选周期d1和d2；

步骤S56，分别计算波磨区间中每列图像候选周期的SNDMF值；

步骤S57，确定波磨区间中每列图像的最终周期；

步骤S58，计算波磨区间中所有列图像周期值的众数作为钢轨波磨区间的周期；

所述基于图像处理的钢轨波磨自动识别方法包括如下步骤：

步骤S1，读取轨道图像；

步骤S2，对轨道图像进行预处理；

步骤S3，钢轨区域定位，获取钢轨表面图像；

步骤S4，根据改进的空间金字塔匹配模型构建所述钢轨表面图像的特征描述；

步骤S5，根据所述钢轨表面图像的特征描述进行钢轨波磨的自动识别；

所述步骤S52进一步包括：

步骤S521，计算钢轨波磨图像中每个像素点处的水平方向梯度值，并按列依次求每列图像的水平方向梯度均值；

步骤S522，根据钢轨波磨图像的特点，计算曲线右半部分中所有极大值的最大值，所对应的列坐标作为裁剪后剩余钢轨表面区域的终止坐标；计算曲线左半部分中所有极小值的最小值，所对应的列坐标作为裁剪后剩余钢轨表面区域的起始坐标；根据计算得到的起始和终止坐标，得到裁剪后剩余钢轨表面区域；

步骤S523，利用大津阈值分割算法和数学形态学算法对图像进行二值化，并去除二值化后存在的噪声点；

步骤S524，统计分析二值图像每列前景点的个数，并通过与设定的阈值比较得到钢轨波磨区间的起始和终止点坐标，确定波磨区间的左右边界。

2.根据权利要求1所述的方法，其特征在于，所述步骤S2中对轨道图像的预处理，进一步包括如下步骤：

步骤S21，采用双边滤波滤除图像中的噪声；

步骤S22，对轨道图像进行光照不均校正。

3.根据权利要求2所述的方法，其特征在于，所述步骤S22进一步包括：

步骤S221，使用动态引导滤波，在去噪后的轨道图像中提取光照分量；

步骤S222，根据光照分量提取结果的统计分布特性，利用基于二维参数自适应伽马函数的光照不均校正函数，处理轨道图像的不均匀光照问题，得到校正后的轨道图像。

4.根据权利要求1所述的方法，其特征在于，所述步骤S3进一步包括如下步骤：

步骤S31，增强轨道图像垂直边缘；

步骤S32，图像水平梯度计算；

步骤S33，加权梯度投影分析，获得钢轨表面图像集。

5.根据权利要求4所述的方法，其特征在于，所述步骤S33中加权梯度投影分析，进一步为：根据轨道图像中每列的水平位置，将水平方向梯度和值乘以与所述水平位置相适应的自适应权重，并对轨道图像进行加权梯度垂直投影，对轨道图像进行加权梯度投影分析，得到投影结果轮廓曲线；最后结合轨道表面的经验宽度值，确定轨道表面区域在轨道图像中的左右边界。

6.根据权利要求1所述的方法，其特征在于，所述步骤S4进一步包括如下步骤：

步骤S41，提取钢轨表面图像的多种特征向量，将每幅钢轨表面图像的同一种特征向量集合成一种特征向量集，从而获得多种特征向量集；

步骤S42，根据所述特征向量集，对每种特征向量集进行聚类生成各自独立的视觉码本；

步骤S43，基于所述视觉码本，进行局部约束线性编码，得到钢轨表面图像的特征描述。

7.根据权利要求6所述的方法，其特征在于，所述步骤S43得到钢轨表面图像的特征描述，进一步包括：

利用局部约束线性编码LLC模型对钢轨表面图像集中的图像进行特征编码，并经过空间金字塔匹配SPM模型池化，得到表征每幅钢轨表面图像的两种不同图像表示即特征向量；对于每幅钢轨表面图像，将得到的两种特征向量进行线性组合，组合后的特征向量作为该幅钢轨表面图像最终的特征描述。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

步骤S61，读取钢轨波磨图像；

步骤S62，对钢轨波磨图像中钢轨表面边缘锈迹进行裁剪；

步骤S63，对裁剪后的钢轨波磨图像，利用归一化频率调谐模型提取钢轨波磨图像的视觉显著性特征并生成钢轨波磨全分辨率显著图；

步骤S64，计算自适应阈值，并使用该阈值对钢轨波磨全分辨率显著图进行二值化；

步骤S65，利用数学形态学闭操作和标记矩阵方法，确定各钢轨波磨子区域在图像中的位置；

步骤S66，计算每个钢轨波磨子区域的磨耗显著度；

步骤S67，设计每个等级对应的隶属度函数；

步骤S68，将计算得到的磨耗显著度值输入到等级隶属度函数，并根据最大隶属原则确定每个钢轨波磨子区域的磨耗严重程度。

Images