CN114332113A

CN114332113A - 一种钢轨擦伤检测方法、装置、计算机设备和存储介质

Info

Publication number: CN114332113A
Application number: CN202111573086.3A
Authority: CN
Inventors: 张博; 赵钢; 刘秀波; 张彦博; 陈茁; 强伟乐; 马帅; 张志川
Original assignee: China Academy of Railway Sciences Corp Ltd CARS; China State Railway Group Co Ltd; Infrastructure Inspection Institute of CARS; Beijing IMAP Technology Co Ltd
Current assignee: China Academy of Railway Sciences Corp Ltd CARS; China State Railway Group Co Ltd; Infrastructure Inspection Institute of CARS; Beijing IMAP Technology Co Ltd
Priority date: 2021-12-21
Filing date: 2021-12-21
Publication date: 2022-04-12

Abstract

本文提供了一种钢轨擦伤检测方法、装置、计算机设备和存储介质，其中方法包括：获取待检测钢轨的涡流信号；根据所述涡流信号和相对应的自适应判断阈值，确定所述钢轨是否存在擦伤并确定所述擦伤所在的位置区间；获取所述钢轨在所述位置区间处的顶面图像并进行图像分析，根据分析结果判定所述擦伤的类型。本文通过将涡流信号和自适应判断阈值进行比较，排除了钢轨所处环境、自身电导率磁导率差异等因素的影响，实现钢轨擦伤快速准确检测；进而通过对擦伤所在位置区间的顶面图像的分析，实现了对擦伤类型的检测；为全面掌握钢轨擦伤状态提供可靠依据，有利于对不同类型的擦伤选择有效的整治措施，有利于提高轨道运行的安全性和舒适性。

Description

一种钢轨擦伤检测方法、装置、计算机设备和存储介质

技术领域

本发明涉及钢轨探伤技术领域，尤其是一种钢轨擦伤检测方法、装置、计算机设备和存储介质。

背景技术

铁路作为一种安全、快捷、舒适、全天候的运输方式，已经成为了运输体系中重要的组成部分。铁路在快速发展的同时，也对钢轨提出了重型化、强韧化的要求。铁路在运行的过程中，轮轨之间的不良接触容易造成钢轨伤损，钢轨擦伤是其中一种主要的伤损形式。钢轨擦伤会严重影响轨道的平顺性、列车运行的稳定性及旅客乘车的舒适性，长时间的轮轨相互作用会引起钢轨的剥离掉块或横向疲劳裂纹，严重时可能会导致钢轨折断，威胁行车安全。因此对钢轨擦伤进行高效准确的检测十分重要。

现有的钢轨擦伤无损检测主要利用无损检测技术和人工巡检复核的方式，无损检测技术主要有机器视觉、超声等，但这些无损检测技术都存在着各自的局限性：例如，超声波探伤技术只能发现擦伤，不能对擦伤的面积和严重程度进行评估；机器视觉检测方法只能对擦伤发展后期已经出现剥离掉块的钢轨擦伤进行检测，无法检测出早期的尚未出现剥离掉块的钢轨擦伤等。因此，对于探测到的疑似擦伤还需要再结合人工进行巡检复核，而人工巡检又存在检测速度慢、检测效率低的缺陷。

有鉴于此，本文旨在提供一种钢轨擦伤检测方法、装置、计算机设备和存储介质，能够提高对擦伤检测的效率和且能对擦伤的类型进行检测。

发明内容

针对现有技术的上述问题，本文的目的在于，提供一种钢轨擦伤检测方法、装置、计算机设备和存储介质，以解决现有技术中对钢轨擦伤检测效率低和检测不全面的问题。

为了解决上述技术问题，本文的具体技术方案如下：

一方面，本文提供一种钢轨擦伤检测方法，包括：

获取待检测钢轨的涡流信号；

根据所述涡流信号和相对应的自适应判断阈值，确定所述钢轨是否存在擦伤并确定所述擦伤所在的位置区间；

获取所述钢轨在所述位置区间处的顶面图像并进行图像分析，根据分析结果判定所述擦伤的类型。

具体地，所述根据所述涡流信号和相对应的自适应判断阈值，确定所述钢轨是否存在擦伤并确定所述擦伤所在的位置区间，包括：

计算所述涡流信号在每个位置区间内的幅值绝对值；

判断所述幅值绝对值是否小于所述自适应判断阈值；

当所述幅值小于所述自适应判断阈值时，判定所述钢轨在对应的所述位置区间内不存在擦伤；

当所述幅值大于或等于所述自适应判断阈值时，判定所述钢轨在对应的所述位置区间内存在擦伤。

优选地，所述自适应判断阈值通过如下步骤得到：

计算所述涡流信号在所述位置区间内幅值的均方根：

其中，RMS_j为第j个位置区间内所述涡流信号幅值的均方根，s_k为位置区间内第k个检测点的涡流信号幅值，N为位置区间内涡流检测的检测点数量；

根据所述均方根，计算得到所述自适应判断阈值，公式为：

th_j＝M×RMS_j；

其中，th_j为第j个位置区间的所述自适应判断阈值，M为放大系数。

具体地，所述获取所述钢轨在所述位置区间处的顶面图像并进行图像分析，根据分析结果判定所述擦伤的类型，包括：

将所述顶面图像分割为多个图像子区；

计算每个所述图像子区灰度的均值和标准差；

将每个所述图像子区灰度的均值分别与预设的第一自适应灰度阈值进行比较，以及将每个图像子区灰度的标准差分别与预设的第二自适应灰度阈值进行比较；

当所述图像子区灰度的均值小于或等于所述第一自适应灰度阈值，且所述图像子区灰度的标准差大于或等于所述第二自适应灰度阈值时，判定由所述图像子区围合形成的区域其对应的擦伤的类型为掉块。

进一步地，将所述顶面图像分割为多个图像子区之前，所述方法还包括：

计算所述顶面图像灰度的均值和标准差；

对所述顶面图像灰度的均值和标准差分别进行系数放大，得到所述第一自适应灰度阈值和第二自适应灰度阈值。

进一步地，判定所述顶面图像除围合形成的区域以外的位置，对应的擦伤的类型为白层组织。

计算所述顶面图像的显著图；

将所述显著图中各像素点的灰度与预设的灰度阈值进行比较；

获取由灰度大于或等于所述灰度阈值的所述像素点构成的显著性区域，并确定所述显著性区域对应位置处钢轨擦伤的类型为掉块；

当所述像素点的灰度均小于所述灰度阈值时，判定所述显著图不存在显著性区域，且所述顶面图像对应的钢轨擦伤的类型为白层组织。

进一步地，所述计算所述顶面图像的显著图，包括：

对所述顶面图像进行傅里叶变换，得到所述顶面图像的相位谱和对数幅度谱：

其中，P(f)为所述顶面图像的相位谱，I(x)为所述顶面图像在x处的灰度，F为傅里叶变换，

表示求取相位；L(f)为所述顶面图像的对数幅度谱，A(f)为所述顶面图像的幅度谱，A(f)＝|F[I(x)]|，丨·丨为取幅值；

对所述顶面图像对数幅度谱进行滤波处理，得到所述顶面图像对数幅度谱的残差：

其中，R(f)为所述残差，

为均值滤波器，n₂为正整数，*代表卷积运算；

根据所述残差和所述相位谱进行逆傅里叶变换和高斯滤波，得到所述显著图：

S(x)＝ɡ(x)*|F^-1{exp[R(f)+iP(f)]}|²；

其中，S(x)为所述显著图，F^-1为逆傅里叶变换计算，ɡ(x)为空间域中的高斯低通滤波器，exp(·)为以常数e为底的指数计算。

优选地，所述灰度阈值通过如下步骤获的：

计算所述显著图中所有像素点的灰度的均值；

对所述显著图所有像素点的灰度的均值进行系数放大，得到所述灰度阈值。

优选的，所述方法还包括：

当图像子区灰度的均值小于等于第一自适应灰度阈值、图像子区灰度的标准差大于等于第二自适应灰度阈值，且由所述图像子区围合形成的区域是所述顶面图像对应的显著性区域时，判定所述擦伤的类型为掉块；

否则，判定所述擦伤的类型为白层组织。

第二方面，本文还提供一种钢轨擦伤检测装置，包括：

获取模块，用于获取待检测钢轨的涡流信号；

擦伤及擦伤位置确定模块，用于根据所述涡流信号和相对应的自适应判断阈值，确定所述钢轨是否存在擦伤并确定所述擦伤所在的位置区间；

擦伤类型确定模块，用于获取所述钢轨在所述位置区间处的顶面图像并进行图像分析，根据分析结果判定所述擦伤的类型。

第三方面，本文还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述技术方案所述的方法。

第四方面，本文还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述技术方案所述的方法。

采用上述技术方案，本文所述的一种钢轨擦伤检测方法、装置、计算机设备和存储介质，通过将获得的涡流信号和与之一一对应的自适应判断阈值进行比较，排除了不同钢轨所处环境、自身电导率磁导率差异等因素的影响，实现了对钢轨擦伤快速且准确的检测；进而通过擦伤所在位置区间的顶面图像进行分析，实现了对擦伤类型的检测；为全面掌握在役钢轨擦伤状态提供了可靠依据，有利于对擦伤的形成原因进行分析，以及有利于后续针对不同类型的擦伤选择有效的修理整治措施，有利于提高轨道运行的安全性和舒适性。

为让本文的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。

附图说明

为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术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文的一些实施例，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示出了本文实施例提供的一种钢轨擦伤检测方法的步骤流程图；

图2示出了本文实施例中确定是否存在擦伤并确定擦伤所在位置区间的方法的步骤流程图；

图3示出了本文实施例提供的一种对顶面图像进行分析并根据分析结果判定擦伤类型的方法的步骤流程图；

图4示出了一种图像子区的结构示意图；

图5示出了本文实施例提供的另一种对顶面图像进行分析并根据分析结果判定擦伤类型的方法的步骤流程图；

图6示出了本文实施例提供的一种钢轨擦伤检测装置的结构示意图；

图7示出了本文实施例提供的一种计算机设备的结构示意图。

附图符号说明：

61、获取模块；

62、擦伤及擦伤位置确定模块；

63、擦伤类型确定模块；

702、计算机设备；

704、处理器；

706、存储器；

708、驱动机构；

710、输入/输出模块；

712、输入设备；

714、输出设备；

716、呈现设备；

718、图形用户接口；

720、网络接口；

722、通信链路；

724、通信总线。

具体实施方式

下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。

需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

现有的对钢轨擦伤的检测方法主要是无损检测技术和人工巡检复核的方式，无损检测技术主要有机器视觉、超声等，这些无损检测技术为钢轨检测提供了快速高效的检测方案，但这些技术都存在着各自的局限性：例如，超声波探伤技术只能发现擦伤，不能对擦伤的面积和严重程度进行评估；机器视觉检测方法只能对擦伤发展后期已经出现剥离掉块的钢轨擦伤进行检测，无法检测出早期的尚未出现剥离掉块的钢轨擦伤等。因此，对于探测到的疑似擦伤还需要再结合人工进行巡检复核，而人工巡检又存在检测速度慢、检测效率低的缺陷。也就是说，现有的擦伤检测方法存在着检测效率低和检测不准确的问题。

为了解决上述问题，本文实施例提供了一种钢轨擦伤检测方法、装置、计算机设备和存储介质，能够克服现有技术中对钢轨擦检测效率低和检测不全面的问题。图1是本文实施例提供的一种钢轨擦伤检测方法的步骤示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体的如图1所示，所述方法可以包括：

S110：获取待检测钢轨的涡流信号；

本说明书实施例中，所述涡流信号可通过设置在轨检小车上的探头探测得到。探头的探测方向朝向钢轨，当轨检小车沿轨道移动时，设置在其上的探头对钢轨顶面进行涡流探测从而获得钢轨在每个探测点处的涡流信号。还可对探头的探测频率进行设置，即调节探头在单位距离内(例如，1米)对钢轨进行涡流探测的探测点的数量，探测频率越高，单位距离内探测点数量越多。具体地，探测频率可根据实际应用需要进行设置，探测频率越高，越有利于提高擦伤检测的准确性，但也会使得数据量大幅度增大从而数据计算处理工作量大幅增加。

本说明书实施例中，涡流探测原理为：探头产生交流磁场，使得钢轨处于该交流磁场中并随之产生旋涡状的感应交变电流(即涡流信号)，涡流信号的分布和大小会受钢轨自身电导率、磁导率、存在的缺陷及缺陷尺寸形状等因素的影响。通过分析涡流信号中分布、大小和相位等信息，即可获得被探测钢轨的缺陷特征。

S120：根据所述涡流信号和相对应的自适应判断阈值，确定所述钢轨是否存在擦伤并确定所述擦伤所在的位置区间；

即本说明书实施例中，每个涡流信号分别具有与之对应的自适应判断阈值，将各涡流信号分别与各自的自适应判断阈值进行比较，能够排除不同钢轨所处环境、自身电导率磁导率等因素对钢轨擦伤判别的影响，提高擦伤识别的准确性。

S130：获取所述钢轨在所述位置区间处的顶面图像并进行图像分析，根据分析结果判定所述擦伤的类型。

本说明书实施例提供的一种钢轨擦伤检测方法，对钢轨进行涡流检测，将获得的涡流信号和与之一一对应的自适应判断阈值进行比较，实现了对钢轨是否存在擦伤的自动识别；进而获取擦伤所在位置区间处的顶面图像，通过对顶面图像进行图像分析判定擦伤的类型，不仅实现了对钢轨擦伤快速、准确的检测，而且实现了对擦伤类型的检测；为全面掌握在役钢轨擦伤状态提供了可靠依据，有利于对擦伤的形成原因进行分析，以及有利于后续针对不同类型的擦伤选择有效的修理整治措施。

具体地，如图2所示，本说明书实施例中，步骤S120：根据所述涡流信号和相对应的自适应判断阈值，确定所述钢轨是否存在擦伤并确定所述擦伤所在的位置区间，可进一步包括：

S210：计算所述涡流信号在每个位置区间内的幅值绝对值。

示例性的，所述位置区间的大小可设置为1米，当然，也可以设置为其他尺寸，则以位置区间为单位排查钢轨是否存在擦伤。

需要说明的是，所述位置区间的设置可以是首尾相连的，即在待检测钢轨的0-1米段为第一个位置区间，1-2米段为第二个位置区间，并以此类推；所述位置区间的设置还可以是相交错叠加的，即在待检测钢轨的0-1米段为第一个位置区间，在0.5-1.5米段为第二个位置区间，在1-2米段为第三个位置区间，并以此类推，则这种位置区间相互交错叠加的设置方式，可实现对钢轨擦伤粒度更细的检测。

S220：判断所述幅值绝对值是否小于所述自适应判断阈值。

本说明书实施例中，所述自适应判断阈值通过如下步骤得到：

计算所述涡流信号在所述位置区间内幅值的均方根：

其中，RMS_j为第j个位置区间内所述涡流信号幅值的均方根，s_k为该第j个位置区间内第k个检测点的涡流信号幅值，N为该第j个位置区间内涡流检测的检测点数量；

根据所述均方根，计算得到所述自适应判断阈值，公式为：

th_j＝M×RMS_j；

其中，th_j为第j个位置区间的所述自适应能量阈值，M为放大系数，×为四则运算中的乘法运算。

即将该第j个位置区间内所有检测点对应的涡流信号的幅值绝对值，与该第j各位置区间的自适应判断阈值进行比较。

S230：当所述幅值小于所述自适应判断阈值时，判定所述钢轨在对应的所述位置区间内不存在擦伤；

即当某检测点的涡流信号的幅值绝对值小于该第j个位置区间的自适应判断阈值时，则判断该检测点对应的钢轨未发生擦伤；当该第j个位置区间内的所有检测点的涡流信号的幅值绝对值均小于该第j个位置区间的自适应判断阈值时，则判断该位置区间所对应的钢轨未发生擦伤。

S240：当所述幅值大于或等于所述自适应判断阈值时，判定所述钢轨在对应的所述位置区间内存在擦伤。

也就是说，即当某检测点的涡流信号的幅值绝对值大于或等于该第j个位置区间的自适应判断阈值时，则判断该检测点对应的钢轨发生擦伤；记录该检测点的位置，即为所述擦伤的位置；该检测点所在位置区间，即为所述擦伤所在的位置区间。

本说明书实施例中，利用擦伤处涡流检测信号的幅值绝对值，相较于未发生擦伤处的涡流信号的幅值绝对值有明显增大的特性，实现擦伤的检测和擦伤的定位，简单便捷且准确性高。

需要说明的是，当擦伤范围较大时，可能会存在所述擦伤横跨多个位置区间的情况，则对应获取钢轨在这多个位置区间处的顶面图像。

由于钢轨通常延伸有较长距离，本文提供的一种钢轨擦伤检测方法，将钢轨进行位置区间划分进而将每个位置区间内的钢轨涡流信号和该位置区间内的自适应判断阈值进行比较，实现钢轨在该位置区间内是否存在擦伤的检测，可排除同一条钢轨在其不同位置轨面状态差异的影响，有利于提高擦伤检测的准确性。且通过位置区间划分进行擦伤检测的方法可对长距离的钢轨进行分段后对每个部段实行并行检测，有利于提高对钢轨擦伤的检测效率。

在一些优选的实施例中，在步骤S120：根据所述涡流信号和相对应的自适应判断阈值，确定所述钢轨是否存在擦伤并确定所述擦伤所在的位置区间之前，所述方法还可以包括：

对所述涡流信号依次进行滤波处理和去噪处理。

对涡流信号进行滤波和去噪处理，能够排除轨面所处的不同环境，不同钢轨自身所具有的不同电导率、磁导率等因素对涡流信号的干扰，有利于提高基于涡流信号对钢轨擦伤检测的准确性。

在一些优选的实施例中，所述自适应判断阈值可根据经滤波和去噪处理后的涡流信号得到，具体地，包括如下步骤：

计算依次经滤波处理和去噪处理后的所述涡流信号在所述位置区间内幅值的均方根；

对所述均方根进行系数放大和偏置，得到所述自适应判断阈值，即

th_j＝M×RMS_j+N；

其中，N为偏置系数。

需要说明的是，放大系数M和偏置系数N可根据神经网络对历史数据中的擦伤数据和杂质信号数据训练得到，所述放大系数M和所述偏置系数N的选择可使得排除诸如锈蚀、波磨等干扰信号的影响，从而在将所述涡流信号与所述自适应判断阈值进行比较时，能够准确的检测出擦伤信号。

如图3所示，在一些可行的实施例中，步骤S130：获取所述钢轨在所述位置区间处的顶面图像并进行图像分析，根据分析结果判定所述擦伤的类型，可进一步包括：

S310：将所述顶面图像分割为多个图像子区。

优选的，多个所述图像子区具有相同的尺寸，且多个所述图像子区可相互交错重叠。本说明书实施例中，所述图像子区的尺寸可以均设置为(2n₁+1)像素×(2n₁+1)像素；示例性的，图4示出了一种尺寸为3像素×3像素的图像子区的结构示意图，所述图像子区中各像素点灰度值如图4所示。图像子区的尺寸选择应使得兼顾计算精度和计算效率。

S320：计算每个所述图像子区灰度的均值和标准差。

即对于如图4所示的图像子区，其灰度的均值为：

其中，mean为均值；z_i,j为该图像子区中第i行第j列个像素的灰度值，n₁为正整数。

对于如图4所示的图像子区，其灰度的标准差为：

其中，std表示标准差。

S330：将每个所述图像子区灰度的均值分别与预设的第一自适应灰度阈值进行比较，以及将每个图像子区灰度的标准差分别与预设的第二自适应灰度阈值进行比较。

本说明书实施例中，所述第一自适应灰度阈值为：

th₁＝R₁×mean_all；

其中，th₁为第一自适应灰度阈值，R₁为放大系数，R₁为常数；mean_all为所述顶面图像灰度的均值，

P为该顶面图像中每列所包含的像素数，Q为该顶面图像每行所包含的像素数，即该顶面图像的尺寸为P像素×Q像素。也就是说，本说明书实施例中，所述第一自适应灰度阈值为通过对所述顶面图像灰度的均值进行系数放大得到。

进一步地，所述第二自适应灰度阈值为：

th₂＝R₂×std_all；

其中，th₂为第二自适应灰度阈值，R₂为放大系数，R₂为常数；std_all为所述顶面图像灰度的标准差，

即所述第二自适应灰度阈值可通过对所述顶面图像灰度的标准差进行系数放大得到。

需要说明的是，放大系数R₁和放大系数R₂的取值可以相同，也可以不同，即本说明书实施例中，对放大系数R₁和放大系数R₂间的相对大小关系不做具体限定。

S340：当所述图像子区灰度的均值小于或等于第一自适应灰度阈值，且所述图像子区灰度的标准差大于或等于第二自适应灰度阈值时，判定由所述图像子区围合形成的区域其对应的擦伤的类型为掉块。

在掉块的边缘，即掉块区域与未掉块区域的分界线上，其图像的灰度与正常的轨面图像的灰度有明显的差异；而在掉块区域内部，轨面剥离裸露出内层，其灰度也有别于正常的轨面图像的灰度，但其差异性较小，不易被准确识别；因此，本说明书实施例中，通过先识别掉块的边缘、再识别出掉块的方式实现对擦伤类型的检测。

均值反映的是图像子区中所有像素点灰度值的平均水平，当均值与所述第一自适应灰度阈值相比差异较大时，可以表示该图像子区是值得关注的疑似掉块区域；但当均值与所述第一自适应灰度阈值差异较小时，则也可能出现该图像子区是疑似掉块区域的情况，因此，仅用均值来衡量存在检测不准确的问题。而标准差反映的是图像子区中各像素点灰度与灰度均值间的差异，标准差越大则该图像子区的灰度差异越大，则其表现的掉块的可能性就越大。因此，本说明书实施例中，将图像子区灰度的均值和标准差分别于第一自适应灰度阈值和第二灰度自适应阈值进行比较，能够提高对掉块类型的擦伤识别的准确性。

对于未被识别出掉块边缘的情况，即该顶面图像中的所有图像子区的灰度的均值和标准差均不符合步骤S340中判断条件时(而该顶面图像的涡流信号被检测出存在擦伤)，则判断该顶面图像对应的钢轨其擦伤类型为白层组织。

S350：判定所述顶面图像除所述图像子区围合形成的区域以外的位置，对应的擦伤的类型为白层组织。

白层组织是由于列车车轮与钢轨顶面摩擦产生高温，同时高的接触应力降低了材料的相变温度，导致轨头顶面金属组织产生相变，进而由珠光体组织转变而成的，白层组织硬度高、脆性大、韧性差。在外力连续加载下白层组织破碎和断裂，从而形成掉块。由此可见，白层组织是擦伤的一种早期表现；而掉块则是晚期擦伤的主要表现形式，当钢轨轨面发生掉块时，可认为此时擦伤程度已较为严重。

实际上，对于发生掉块的钢轨顶面图像，其掉块以外的区域有极大的可能性是潜在的掉块区(也有较小的可能性是正常的轨面)，即已形成白层组织但还未发展至掉块，但随着轮轨的进一步接触，掉块区域的面积会越来越大。因此，本说明书实施例中，将顶面图像中除掉块区域以外的区域其擦伤类型确定为白层组织，以使得检测人员加强对其的监管和整治。

需要说明的是，本说明书实施例给出了计算各列所包含的像素数量和各行所包含的像素数量均为奇数的图像子区灰度的均值和标准差的公式，在实际应用场景中，图像子区的各列所包含的像素数量或各行所包含的像素数量还可以是偶数，对于这些情况下的图像子区灰度的均值和标准差的计算，本领域技术人员可以参照上述计算公式得到，此处不再赘述。

本说明书实施例提供的一种钢轨擦伤检测方法，利用出现掉块的钢轨其顶面图像与正常钢轨顶面图像存在明显灰度差异的这一特性，检测出现表现为掉块的钢轨擦伤；而其余被涡流检测法检测出而灰度未见明显差异的擦伤为白层组织类型的擦伤；从而实现了对擦伤类型的检测，有利于发现早期的擦伤，以及便于对早期擦伤进行有效的防治和维护。并且，通过上述图像分析方法，检测出存在明显灰度差异的图像子区，并通过定位该图像子区在所述顶面图像上的位置可实现对掉块类型的擦伤的精准定位。

如图5所示，在另一些可行的实施例中，步骤S130：获取所述钢轨在所述位置区间处的顶面图像并进行图像分析，根据分析结果判定所述擦伤的类型，可以进一步包括：

S510：计算所述顶面图像的显著图；

记所述显著图S(x)，x为所述顶面图像中的像素点。所述显著图与所述顶面图像相对应，但其中各像素点间的灰度差异相较于顶面图像中各像素点间的灰度差异更大，从而，有利于对发生掉块类的擦伤的筛选。

S520：将所述显著图中各像素点的灰度与预设的灰度阈值进行比较；

S530：获取由灰度大于或等于所述灰度阈值的所述像素点构成的显著性区域，并确定所述显著性区域对应位置处钢轨擦伤的类型为掉块；

其中，T为所述灰度阈值，其中Z(x)＝1对应的区域为显著性区域，即在显著图的基础上，将各像素点的灰度二值化，从而显著性区域与其他区域的差异更加明显，便于不同类型的擦伤以及擦伤位置的标定。

即将所述显著图中的每个像素点的灰度与所述灰度阈值进行比较，记录满足灰度大于或等于所述灰度阈值的像素点并构成集合，则该集合所代表的区域为所述显著性区域。

S540：当所述像素点的灰度均小于所述灰度阈值时，判定所述显著图不存在显著性区域，且所述顶面图像对应的钢轨擦伤的类型为白层组织。

由于早期的白层组织类型的擦伤难以被人眼识别出，而本说明书实施例中提供的基于显著图对钢轨顶面图像进行分析从而检测擦伤类型的方法，能够检测出早期的白层组织类擦伤和晚期的掉块类擦伤，极大地减轻人工巡检的工作压力和工作负担，并且极大地提高了擦伤检测的准确性和检测效率。

在一些具体的实施例中，所述灰度阈值T可以通过计算所述显著图的所有像素点的灰度的均值；并进行系数放大得到。

具体地，步骤S510：计算所述顶面图像的显著图包括以下步骤：

其中，P(f)为所述顶面图像的相位谱，I(x)为所述顶面图像在x处的灰度，x为所述顶面图像中的像素点，F为傅里叶变换，

表示求取相位；L(f)为所述顶面图像的对数幅度谱，A(f)为所述顶面图像的幅度谱，A(f)＝|F[I(x)]|，丨·丨为取幅值。

其中，R(f)为所述残差，

为均值滤波器，*代表卷积运算；优选地，

是一个n₂×n₂的均值滤波器(n₂为正整数，例如n₂取值为3)，表达式如下：

对L(f)进行平滑，得到平滑后的对数幅度谱。L(f)与平滑后的对数幅度谱相减得到的R(f)(称为残差)，即是频域中被平滑的区域，也就是显著性区域。

S(x)＝ɡ(x)*|F^-1{exp[R(f)+iP(f)]}|²；

其中，S(x)为所述显著图，F^-1为逆傅里叶变换计算，ɡ(x)为空间域中的高斯滤波器，i表示虚部，exp(·)为以常数e为底的指数计算。

即通过逆傅里叶变换将频域的信息转变为空间域的图像信息，得到所述顶面图像的显著图，并经高斯滤波实现更好的显示效果。

根据前述内容，可知出现掉块的钢轨其顶面图像与正常钢轨顶面图像存在明显灰度差异，而顶面图像的灰度信息也存在于其经过傅里叶变换得到的频率谱中。大多数图像(未见掉块的图像)的对数幅度谱具有近似相同的形状，当图像的对数幅度谱中有别于相同形状的部分(即对数幅度谱的残留部分)蕴含着新的信息时，即为本说明书实施例中重点关注的部分(即表征为掉块类型擦伤的显著性区域)。本说明书实施例中利用这一理论，对由涡流检测出擦伤的钢轨其顶面图像进行显著性分析，检测出掉块和白层组织，实现擦伤类型的识别。

在另一些可行的实施例中，可结合图像子区灰度分析方法和显著性区域分析方法的分析结构，实现对擦伤类型的检测。具体地，可以为：

当所述图像子区灰度的均值大于等于所述第一自适应灰度阈值、所述图像子区灰度的标准差大于等于所述第二自适应灰度阈值，且该所述图像子区为所述顶面图像对应的显著性区域时，判定所述擦伤的类型为掉块；

否则，判定所述擦伤的类型为白层组织。

通过结合上述两种图像分析方法，能够提高对擦伤类型的检测准确性。

优选地，本说明书实施例中，在步骤S130中的根据分析结果判定所述擦伤的类型之后，所述方法还可以包括：

根据所述擦伤的类型，选择适应的整治措施。

例如，对于确定其类型为掉块的擦伤，可选择对钢轨进行打磨的措施进行维护整治；对于确定其类型为白层组织的擦伤，可采取长期跟踪检测的措施。

综上，本说明书实施例提供的一种钢轨擦伤检测方法，能够排除钢轨所处环境、钢轨自身电导率磁导率差异等因素对擦伤判别的影响，实现对钢轨擦伤自动检测，提高擦伤检测效率和准确性；并且，准确的检测出擦伤和擦伤所在位置；并利用出现掉块的钢轨其顶面图像与其他位置处钢轨顶面图像存在明显灰度差异的这一特性，对不同类型的擦伤进行检测，可用于分析擦伤的严重程度，并可针对性的选择后续钢轨的维修和整治的措施，提高轨道运行的安全性和舒适性。

如图6所示，本说明书实施例中还提供一种钢轨擦伤检测装置，包括：

获取模块61，获取待检测钢轨的涡流信号；

擦伤及擦伤位置确定模块62，根据所述涡流信号和相对应的自适应判断阈值，确定所述钢轨是否存在擦伤并确定所述擦伤所在的位置区间；

擦伤类型确定模块63，获取所述钢轨在所述位置区间处的顶面图像并进行图像分析，根据分析结果判定所述擦伤的类型。

通过本说明书实施例提供的装置所取得的有益效果和上述方法所取得的有益效果相一致，此处不再赘述。

如图7所示，为本文实施例提供的一种计算机设备，所述计算机设备702可以包括一个或多个处理器704，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备702还可以包括任何存储器706，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器706可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备702的固定或可移除部件。在一种情况下，当处理器704执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备702可以执行相关联指令的任一操作。计算机设备702还包括用于与任何存储器交互的一个或多个驱动机构708，诸如硬盘驱动机构、光盘驱动机构等。

计算机设备702还可以包括输入/输出模块710(I/O)，其用于接收各种输入(经由输入设备712)和用于提供各种输出(经由输出设备714)。一个具体输出机构可以包括呈现设备716和相关联的图形用户接口(GUI)718。在其他实施例中，还可以不包括输入/输出模块710(I/O)、输入设备712以及输出设备714，仅作为网络中的一台计算机设备。计算机设备702还可以包括一个或多个网络接口720，其用于经由一个或多个通信链路722与其他设备交换数据。一个或多个通信总线724将上文所描述的部件耦合在一起。

通信链路722可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路722可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。

对应于图1至图3和图5中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。

本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图3和图5所示的方法。

应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。

还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

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单元来实现本文实施例方案的目的。

另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。

Claims

1.一种钢轨擦伤检测方法，其特征在于，包括：

获取待检测钢轨的涡流信号；

2.根据权利要求1所述的方法，其特征在于，所述根据所述涡流信号和相对应的自适应判断阈值，确定所述钢轨是否存在擦伤并确定所述擦伤所在的位置区间，包括：

计算所述涡流信号在每个位置区间内的幅值绝对值；

判断所述幅值绝对值是否小于所述自适应判断阈值；

3.根据权利要求2所述的方法，其特征在于，所述自适应判断阈值通过如下步骤得到：

计算所述涡流信号在所述位置区间内幅值的均方根：

根据所述均方根，计算得到所述自适应判断阈值，公式为：

th_j＝M×RMS_j；

4.根据权利要求2所述的方法，其特征在于，所述获取所述钢轨在所述位置区间处的顶面图像并进行图像分析，根据分析结果判定所述擦伤的类型，进一步包括：

将所述顶面图像分割为多个图像子区；

计算每个所述图像子区灰度的均值和标准差；

5.根据权利要求4所述的方法，其特征在于，将所述顶面图像分割为多个图像子区之前，所述方法还包括：

计算所述顶面图像灰度的均值和标准差；

6.根据权利要求4所述的方法，其特征在于，所述方法还包括：

判定所述顶面图像除围合形成的区域以外的位置，对应的擦伤的类型为白层组织。

7.根据权利要求2所述的方法，其特征在于，所述获取所述钢轨在所述位置区间处的顶面图像并进行图像分析，根据分析结果判定所述擦伤的类型，进一步包括：

计算所述顶面图像的显著图；

8.根据权利要求7所述的方法，其特征在于，所述计算所述顶面图像的显著图，进一步包括：

表示求取相位；L(f)为所述顶面图像的对数幅度谱，A(f)为所述顶面图像的幅度谱，A(f)＝|F[I(x)]|，|F[I(x)]|为取F[I(x)]的幅值；

R(f)＝L(f)-h_n2(f)*L(f)；

其中，R(f)为所述残差，h_n2(f)为均值滤波器，n₂为正整数，*代表卷积运算；

S(x)＝ɡ(x)*|F^-1{exp[R(f)+iP(f)]}|²；

其中，S(x)为所述显著图，F^-1为逆傅里叶变换计算，ɡ(x)为高斯滤波器，exp(·)为以常数e为底的指数计算。

9.根据权利要求7所述的方法，其特征在于，所述灰度阈值通过如下步骤获的：

计算所述显著图中所有像素点的灰度的均值；

10.根据权利要求5或权利要求7所述的方法，其特征在于，所述方法还包括：

否则，判定所述擦伤的类型为白层组织。

11.一种钢轨擦伤检测装置，其特征在于，包括：

获取模块，用于获取待检测钢轨的涡流信号；

12.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至10任意一项所述的方法。

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至10任意一项所述的方法。