CN115272334A - 用于复杂背景下的钢轨表面微小缺陷检测方法 - Google Patents

用于复杂背景下的钢轨表面微小缺陷检测方法 Download PDF

Info

Publication number
CN115272334A
CN115272334A CN202211194771.XA CN202211194771A CN115272334A CN 115272334 A CN115272334 A CN 115272334A CN 202211194771 A CN202211194771 A CN 202211194771A CN 115272334 A CN115272334 A CN 115272334A
Authority
CN
China
Prior art keywords
gray
image
pixel point
pixel points
steel rail
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211194771.XA
Other languages
English (en)
Other versions
CN115272334B (zh
Inventor
许海芬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yansuo Instrument Technology Shanghai Co ltd
Original Assignee
Jiangsu Meikemeisi Automation Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Meikemeisi Automation Technology Co ltd filed Critical Jiangsu Meikemeisi Automation Technology Co ltd
Priority to CN202211194771.XA priority Critical patent/CN115272334B/zh
Publication of CN115272334A publication Critical patent/CN115272334A/zh
Application granted granted Critical
Publication of CN115272334B publication Critical patent/CN115272334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种用于复杂背景下的钢轨表面微小缺陷检测方法，该方法获取钢轨图像的灰度图像，根据灰度图像中每行像素点的灰度均值获取每行的自适应权值，利用自适应权值对每个像素点进行去噪增强，得到去噪增强后的钢轨图像；获取去噪增强后的钢轨图像的第一灰度图像，根据第一灰度图像中每行像素点的第三灰度均值，得到多个疑似缺陷图像块；将每个疑似缺陷图像块中的像素点划分为正常像素点和异常像素点，根据每个疑似缺陷图像块中的异常像素点确认缺陷区域，完成钢轨图像的缺陷检测。通过对钢轨图像进行自适应权值去噪增强，对缺陷像素点进行自适应识别，以精准获取钢轨图像中的缺陷区域。

Description

用于复杂背景下的钢轨表面微小缺陷检测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于复杂背景下的钢轨表面微小缺陷检测方法。
背景技术
随着我国高速和重载铁路的发展，对铁路基础设施的可靠性提出了严格的要求。钢轨作为铁路轨道的重要组成部分，受行车载荷及自然因素的作用，在其表面不可避免地会产生各种接触疲劳缺陷。车轮在有缺陷的钢轨上高速运行时产生的冲击作用会引起车轨系统耦合振动，不但会影响乘车的舒适性，影响火车的安全运行，而且表面缺陷会加速钢轨恶化，严重时甚至会使钢轨发生断裂、脱轨。因此，如何实时检测钢轨表面缺陷并向铁路部门提供维护数据是铁路高速运营必须解决的一个关键问题。
目前，国内外常用的钢轨无损检测方法主要包括超声检测、涡流检测、漏磁检测等。相比于这些方法，机器视觉检测法具有非接触、速度快、精度高的优点。但是，由于铁路线路较长，沿线自然环境复杂，使得采集的钢轨表面图像具有光照变化、反射不均、特征少等特点。而现有的图像缺陷检测算法对阴影的抗干扰性较弱，且缺陷区域较小，无法将其与缺陷较好的分开，会造成检测不准确，且分割缺陷速度慢。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种用于复杂背景下的钢轨表面微小缺陷检测方法，所采用的技术方案具体如下：
采集铁路轨道上的钢轨表面图像，对所述钢轨表面图像进行语义分割得到钢轨图像；
获取钢轨图像的灰度图像，以灰度图像的左下角为原点建立平面坐标系，且灰度图像在平面坐标系的第一象限；在平面坐标系下，分别计算灰度图像中每行像素点的第一灰度均值；对每行中灰度值大于对应行的第一灰度均值的像素点进行标记，计算每行标记的像素点的第二灰度均值，作为标准灰度均值，构建标准灰度均值集合；根据标准灰度均值集合获取灰度图像中每行像素点的自适应权值，利用自适应权值对相对应行的每个像素点进行去噪增强，得到对应像素点的更新灰度值，进而得到去噪增强后的钢轨图像；
获取去噪增强后的钢轨图像的第一灰度图像，分别计算第一灰度图像中每行像素点的第三灰度均值，得到第三灰度均值的平均值，将第一灰度图像中灰度值小于平均值的像素点作为缺陷像素点，基于缺陷像素点得到多个疑似缺陷图像块；
根据相邻像素点的灰度差值将当前疑似缺陷图像块中的像素点划分为正常像素点和异常像素点，根据异常像素点的邻域像素点对该异常像素点进行优化判断，当当前疑似缺陷图像块存在异常像素点时，确认当前疑似缺陷图像块为缺陷区域；确认每个疑似缺陷图像块，以完成钢轨图像的缺陷检测。
进一步的，所述根据标准灰度均值集合获取灰度图像中每行像素点的自适应权值的方法，包括：
由相邻三行像素点的标准灰度均值，计算标准灰度均值的和，将每行像素点的标准灰度均值与标准灰度均值的和的比值作为对应行的自适应权值。
进一步的，所述利用自适应权值对相对应行的每个像素点进行去噪增强，得到对应像素点的更新灰度值的方法，包括：
获取当前像素点的八邻域内的其他像素点，分别将相行的其他像素点的灰度值相加得到灰度值总和，利用每行的灰度值总和与对应的自适应权值进行加权求和，将行数与加权求和的比值作为当前像素点的更新灰度值。
进一步的，所述根据相邻像素点的灰度差值将当前疑似缺陷图像块中的像素点划分为正常像素点和异常像素点的方法，包括：
以当前疑似缺陷区域中灰度值最小的像素点为起始点，且将起始点作为异常像素点，对于起始点所在行的左相邻像素点和右相邻像素点，计算相邻像素点与起始点之间的第一灰度差值绝对值，将第一灰度差值绝对值与该行的标准灰度均值的比值作为起始点与相邻像素点的第一相似概率；当第一相似概率小于第一相似概率阈值时，确认左相邻像素点和右相邻像素点都是异常像素点，否则为正常像素点；
对于起始点的上相邻像素点和下相邻像素点，分别计算相邻像素点与起始点的灰度差值、以及相邻像素点与起始点所在行的标准灰度均值的第一差值和标准灰度均值的平均值；计算第一差值与灰度差值之间的差值绝对值，将差值绝对值与标准灰度均值的平均值的比值作为起始点与相邻像素点的第二相似概率；当第二相似概率小于第二相似概率阈值时，确认上相邻像素点和下相邻像素点都是异常像素点，否则为正常像素点。
进一步的，所述根据异常像素点的邻域像素点对该异常像素点进行优化判断的方法，包括：
以异常像素点为窗口的中心像素点，统计窗口内的其他异常像素点的数量，当数量超过数量阈值时，确认该异常像素点为异常像素点，否则，确认该异常像素点为正常像素点。
本发明实施例至少具有如下有益效果：采集铁路轨道上的钢轨表面图像，语义分割识别钢轨图像，然后对钢轨图像进行自适应均值去噪增强，去噪增强后的钢轨图像，达到了对图像增强的效果；再根据缺陷特征对去噪增强后的钢轨图像进行分块处理，得到疑似缺陷图像块，最后根据较小邻域内同一目标的像素相似的特点和钢轨图像沿钢轨方向像素点的灰度值基本不变的特征进行缺陷像素点的自适应识别，以精准获取钢轨图像中的缺陷区域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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它附图。
图1为本发明一个实施例提供的一种用于复杂背景下的钢轨表面微小缺陷检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于复杂背景下的钢轨表面微小缺陷检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明所针对的情景为：
钢轨表面图像具有光照变化、反射不均、特征少以及缺陷微小等特点，使得图像检测精准度低、速度慢。本发明通过对采集的钢轨表面图像进行处理，然后对图像进行自适应均值去噪增强，再根据缺陷特征对图像进行分块处理。最后根据较小邻域内同一目标的像素相似的特点和钢轨表面图像沿钢轨方向像素点的灰度值基本不变的特征进行缺陷区域像素点的自适应识别。
下面结合附图具体的说明本发明所提供的一种用于复杂背景下的钢轨表面微小缺陷检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于复杂背景下的钢轨表面微小缺陷检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集铁路轨道上的钢轨表面图像，对钢轨表面图像进行语义分割得到钢轨图像。
具体的，利用相机运动拍摄铁路轨道上的钢轨表面图像，以识别出图像中钢轨表面的特征信息。工业相机沿钢轨方向匀速运动，根据yund1速度调整相机曝光时间和拍摄时间的间隔，使采集到的钢轨表面图像为相邻的不同段钢轨。本发明采用DNN语义分割的方式来识别分割钢轨表面图像中的钢轨，得到钢轨图像，以排除背景干扰。
其中，DNN网络的相关内容为：使用的数据集为俯视采集的铁路轨道上的钢轨表面图像数据集；需要分割的像素，共分为2类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于钢轨的标注为1；网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
步骤S002，获取钢轨图像的灰度图像，以灰度图像的左下角为原点建立平面坐标系，且灰度图像在平面坐标系的第一象限；在平面坐标系下，分别计算灰度图像中每行像素点的第一灰度均值；对每行中灰度值大于对应行的第一灰度均值的像素点进行标记，计算每行标记的像素点的第二灰度均值，作为标准灰度均值，构建标准灰度均值集合；根据标准灰度均值集合获取灰度图像中每行像素点的自适应权值，利用自适应权值对相对应行的每个像素点进行去噪增强，得到对应像素点的更新灰度值，进而得到去噪增强后的钢轨图像。
具体的，根据钢轨的实际形状可知，无缺陷的钢轨表面图像中沿钢轨方向上的像素点的灰度值相似。因此对钢轨图像进行灰度化得到对应的灰度图像，以灰度图像的左下角为原点，灰度图像处于第一象限，建立平面坐标系，从下到上逐行计算灰度图像中每行像素点的第一灰度均值。已知缺陷区域相较于正常区域像素灰度值小，为减小缺陷区域对每行像素灰度均值的影响，标记各行中灰度值大于对应行的第一灰度均值的像素点，计算各行中标记的像素点的第二灰度均值，将第二灰度均值作为标准灰度值，获得标准灰度均值集合
Figure DEST_PATH_IMAGE001
，N为灰度图像的纵向长度，且标准灰度均值集合可表示无缺陷情况下各行像素点的灰度值。
然后选取
Figure 447185DEST_PATH_IMAGE002
的窗口，逐行对像素点进行自适应加权均值去噪增强，令
Figure DEST_PATH_IMAGE003
为遍历像素点的坐标，则自适应加权均值去噪增强后的像素点的更新灰度值为：
Figure DEST_PATH_IMAGE005
Figure DEST_PATH_IMAGE007
Figure DEST_PATH_IMAGE009
Figure DEST_PATH_IMAGE011
其中，
Figure 170159DEST_PATH_IMAGE012
为灰度图像中坐标为
Figure DEST_PATH_IMAGE013
处的灰度值，其它
Figure 873673DEST_PATH_IMAGE014
为其8邻域像素点的灰度值；对
Figure 622186DEST_PATH_IMAGE002
窗口内的像素点进行逐行加权，再取均值，获得更新后的更新灰度值
Figure DEST_PATH_IMAGE015
；
Figure 891494DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
和
Figure 64330DEST_PATH_IMAGE018
表示对应行的自适应权值，
Figure DEST_PATH_IMAGE019
、
Figure 51878DEST_PATH_IMAGE020
和
Figure DEST_PATH_IMAGE021
分别表示第
Figure 338503DEST_PATH_IMAGE022
行、第
Figure DEST_PATH_IMAGE023
行和第
Figure 462317DEST_PATH_IMAGE024
行的标准灰度均值。
取
Figure 340143DEST_PATH_IMAGE002
窗口内的灰度均值，可以除去噪声点的影响，而逐行加权的权值是由对应行的标准灰度均值获取的，使更新后的灰度值更接近标准灰度值，以达到对图像增强的效果，至此获得了去噪增强后的钢轨图像。
步骤S003，获取去噪增强后的钢轨图像的第一灰度图像，分别计算第一灰度图像中每行像素点的第三灰度均值，得到第三灰度均值的平均值，将第一灰度图像中灰度值小于平均值的像素点作为缺陷像素点，基于缺陷像素点得到多个疑似缺陷图像块。
具体的，钢轨表面缺陷区域微小，不易识别，因此需要对图像进行分块处理，时目标区域和背景区域的面积差异变小，且每个小图像块可以全部为背景，也可以是背景和缺陷的组合，但不能全部为缺陷，否则影响后续的缺陷识别。
首先获取去噪增强后的钢轨图像的第一灰度图像，分别计算第一灰度图像中每行像素点的第三灰度均值，得到第三灰度均值的平均值
Figure DEST_PATH_IMAGE025
，其表示钢轨图像的像素灰度均值；然后以第一灰度图像的平均值
Figure 142883DEST_PATH_IMAGE025
为阈值，取灰度值小于
Figure 639723DEST_PATH_IMAGE025
的像素点，其为钢轨表面图像中粗略分割出来的缺陷像素点，将其标记为1，其它像素点标记为0。
由于第一灰度图像中行像素灰度值相似，而列像素灰度值逐渐变化，故从左至右逐列统计每个连续像素点标记为1的长度，取其最大长度为n，为防止分割块中全部为缺陷，令分割块的大小为
Figure 414781DEST_PATH_IMAGE026
，由此将去噪增强后的钢轨图像分割为m个
Figure 73295DEST_PATH_IMAGE026
大小的图像块。统计含有粗略分割的标记为1的缺陷像素点的图像块，将其作为疑似缺陷图像块。
步骤S004，根据相邻像素点的灰度差值将当前疑似缺陷图像块中的像素点划分为正常像素点和异常像素点，根据异常像素点的邻域像素点对该异常像素点进行优化判断，当当前疑似缺陷图像块存在异常像素点时，确认当前疑似缺陷图像块为缺陷区域；确认每个疑似缺陷图像块，以完成钢轨图像的缺陷检测。
具体的，图像中较小邻域内同一目标的像素灰度值相似，而钢轨表面图像沿钢轨方向像素点的灰度值基本不变。
首先取步骤S003中的一个疑似缺陷图像块为例，然后以疑似缺陷图像块中灰度值最小的像素点为起始点，标记该像素点为
Figure DEST_PATH_IMAGE027
类，也即是异常像素点，再向左右方向逐像素遍历，对该起始点所处行内的其他像素点进行分类，计算该起始点左右相邻像素点的第一相似概率
Figure 38365DEST_PATH_IMAGE028
和
Figure DEST_PATH_IMAGE029
为：
Figure DEST_PATH_IMAGE031
Figure DEST_PATH_IMAGE033
其中，
Figure 463530DEST_PATH_IMAGE034
表示起始点，且b为定值，
Figure DEST_PATH_IMAGE035
为起始点的灰度值，
Figure 827515DEST_PATH_IMAGE036
和
Figure DEST_PATH_IMAGE037
为起始点左右相邻像素点的灰度值，
Figure 109461DEST_PATH_IMAGE038
表示第
Figure DEST_PATH_IMAGE039
行的标准灰度均值，当相邻像素点的灰度差的绝对值越小，两像素点属于同一类的可能性越大。
故当第一相似概率
Figure 558897DEST_PATH_IMAGE040
时，判断起始点的右相邻像素点属于
Figure 131961DEST_PATH_IMAGE027
类，否则属于
Figure DEST_PATH_IMAGE041
类；同理，第一相似概率
Figure 84873DEST_PATH_IMAGE042
时，判断起始点的左相邻像素点属于
Figure 495911DEST_PATH_IMAGE027
类，否则属于
Figure 432643DEST_PATH_IMAGE041
。进而依次向左右方向逐个像素点进行分类，获取疑似缺陷图像块中第b行上各像素的分类结果。
然后以疑似缺陷图像块中第b行上各像素为起始点，分别向上下方向逐像素点遍历，计算疑似缺陷图像块中第b行上各像素点上下相邻像素点的第二相似概率
Figure DEST_PATH_IMAGE043
和
Figure 668452DEST_PATH_IMAGE044
为：
Figure 147975DEST_PATH_IMAGE046
Figure 847422DEST_PATH_IMAGE048
其中，
Figure 864926DEST_PATH_IMAGE034
表示起始点，且a值遍历疑似缺陷图像块中此行的所有像素点的横坐标，
Figure 45371DEST_PATH_IMAGE035
为起始点
Figure 238455DEST_PATH_IMAGE034
的灰度值，
Figure DEST_PATH_IMAGE049
和
Figure 98351DEST_PATH_IMAGE050
表示其上下相邻像素点的灰度值，
Figure DEST_PATH_IMAGE051
、
Figure 744096DEST_PATH_IMAGE038
和
Figure 476753DEST_PATH_IMAGE052
表示第
Figure DEST_PATH_IMAGE053
行、第
Figure 567419DEST_PATH_IMAGE039
行和第
Figure 470653DEST_PATH_IMAGE054
行的标准灰度均值。
公式中分子表示上下相邻的像素点的灰度差值减去对应行的标准像素灰度均值的差值的绝对值，即求得去除不同行的影响后的相邻像素点的灰度差异，其值越小，两像素点属于同一类的可能性越大。
由此获得第b行上疑似缺陷图像块中各像素点与其上方相邻像素点的第二相似概率
Figure 744639DEST_PATH_IMAGE043
，当
Figure DEST_PATH_IMAGE055
时，判断对应像素点与其上方相邻像素点属于同一类，否则其上方相邻像素点属于另一类。同理，当
Figure 860363DEST_PATH_IMAGE056
时，判断对应像素点与其下方相邻像素点属于同一类，否则其上方相邻像素点属于另一类。进而依次向上下方向逐行、逐像素点进行分类，获取疑似缺陷图像块中所有像素的分类结果。
已知缺陷类像素灰度值小，若该图像块中所有像素的分类结果为都属于像素灰度值小的
Figure 293618DEST_PATH_IMAGE027
类，也即
Figure 354371DEST_PATH_IMAGE027
类属于异常像素点，但图像分块处理时，使各图像块内不全为缺陷，故判断此图像块为正常区域。若被分为两类，则进行下一步分析。
已知缺陷类对应的异常像素点以一定大小的连通域存在，故需要进一步判断
Figure 115654DEST_PATH_IMAGE027
类内的异常像素点是否为真正的缺陷区域：设计一个
Figure 566227DEST_PATH_IMAGE002
的窗口，以
Figure 729355DEST_PATH_IMAGE027
类内的异常像素点为核心，若窗口内为
Figure 974392DEST_PATH_IMAGE027
类的异常像素点的数量不小于5，则判断核心对应的异常像素点仍为
Figure 488550DEST_PATH_IMAGE027
类，否则将核心对应的异常像素点归为
Figure 946076DEST_PATH_IMAGE041
类。
此时若疑似缺陷图像块内的所有像素点的分类结果为都属于
Figure 88344DEST_PATH_IMAGE041
类，则此疑似缺陷图像块为正常区域，若存在属于
Figure 707544DEST_PATH_IMAGE027
类的异常像素点，则疑似缺陷图像块为真正的缺陷区域。
同理，对每个疑似图像块进行相同的判断，以获取钢轨图像中精准的微小缺陷区域。完成缺陷检测。
综上所述，本发明提供了一种用于复杂背景下的钢轨表面微小缺陷检测方法，该方法获取钢轨图像的灰度图像，根据灰度图像中每行像素点的灰度均值获取每行的自适应权值，利用自适应权值对相对应行的每个像素点进行去噪增强，得到去噪增强后的钢轨图像；获取去噪增强后的钢轨图像的第一灰度图像，根据第一灰度图像中每行像素点的第三灰度均值，得到多个疑似缺陷图像块；根据相邻像素点的灰度差值将每个疑似缺陷图像块中的像素点划分为正常像素点和异常像素点，根据每个疑似缺陷图像块中的异常像素点确认缺陷区域，完成钢轨图像的缺陷检测。通过对钢轨图像进行自适应均值去噪增强，对缺陷像素点进行自适应识别，以精准获取钢轨图像中的缺陷区域。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
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。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.用于复杂背景下的钢轨表面微小缺陷检测方法，其特征在于，该方法包括以下步骤：
采集铁路轨道上的钢轨表面图像，对所述钢轨表面图像进行语义分割得到钢轨图像；
获取钢轨图像的灰度图像，以灰度图像的左下角为原点建立平面坐标系，且灰度图像在平面坐标系的第一象限；在平面坐标系下，分别计算灰度图像中每行像素点的第一灰度均值；对每行中灰度值大于对应行的第一灰度均值的像素点进行标记，计算每行标记的像素点的第二灰度均值，作为标准灰度均值，构建标准灰度均值集合；根据标准灰度均值集合获取灰度图像中每行像素点的自适应权值，利用自适应权值对相对应行的每个像素点进行去噪增强，得到对应像素点的更新灰度值，进而得到去噪增强后的钢轨图像；
获取去噪增强后的钢轨图像的第一灰度图像，分别计算第一灰度图像中每行像素点的第三灰度均值，得到第三灰度均值的平均值，将第一灰度图像中灰度值小于平均值的像素点作为缺陷像素点，基于缺陷像素点得到多个疑似缺陷图像块；
根据相邻像素点的灰度差值将当前疑似缺陷图像块中的像素点划分为正常像素点和异常像素点，根据异常像素点的邻域像素点对该异常像素点进行优化判断，当当前疑似缺陷图像块存在异常像素点时，确认当前疑似缺陷图像块为缺陷区域；确认每个疑似缺陷图像块，以完成钢轨图像的缺陷检测。
2.如权利要求1所述的用于复杂背景下的钢轨表面微小缺陷检测方法，其特征在于，所述根据标准灰度均值集合获取灰度图像中每行像素点的自适应权值的方法，包括：
由相邻三行像素点的标准灰度均值，计算标准灰度均值的和，将每行像素点的标准灰度均值与标准灰度均值的和的比值作为对应行的自适应权值。
3.如权利要求1所述的用于复杂背景下的钢轨表面微小缺陷检测方法，其特征在于，所述利用自适应权值对相对应行的每个像素点进行去噪增强，得到对应像素点的更新灰度值的方法，包括：
获取当前像素点的八邻域内的其他像素点，分别将相行的其他像素点的灰度值相加得到灰度值总和，利用每行的灰度值总和与对应的自适应权值进行加权求和，将行数与加权求和的比值作为当前像素点的更新灰度值。
4.如权利要求1所述的用于复杂背景下的钢轨表面微小缺陷检测方法，其特征在于，所述根据相邻像素点的灰度差值将当前疑似缺陷图像块中的像素点划分为正常像素点和异常像素点的方法，包括：
以当前疑似缺陷区域中灰度值最小的像素点为起始点，且将起始点作为异常像素点，对于起始点所在行的左相邻像素点和右相邻像素点，计算相邻像素点与起始点之间的第一灰度差值绝对值，将第一灰度差值绝对值与该行的标准灰度均值的比值作为起始点与相邻像素点的第一相似概率；当第一相似概率小于第一相似概率阈值时，确认左相邻像素点和右相邻像素点都是异常像素点，否则为正常像素点；
对于起始点的上相邻像素点和下相邻像素点，分别计算相邻像素点与起始点的灰度差值、以及相邻像素点与起始点所在行的标准灰度均值的第一差值和标准灰度均值的平均值；计算第一差值与灰度差值之间的差值绝对值，将差值绝对值与标准灰度均值的平均值的比值作为起始点与相邻像素点的第二相似概率；当第二相似概率小于第二相似概率阈值时，确认上相邻像素点和下相邻像素点都是异常像素点，否则为正常像素点。
5.如权利要求1所述的用于复杂背景下的钢轨表面微小缺陷检测方法，其特征在于，所述根据异常像素点的邻域像素点对该异常像素点进行优化判断的方法，包括：
以异常像素点为窗口的中心像素点，统计窗口内的其他异常像素点的数量，当数量超过数量阈值时，确认该异常像素点为异常像素点，否则，确认该异常像素点为正常像素点。
CN202211194771.XA 2022-09-29 2022-09-29 用于复杂背景下的钢轨表面微小缺陷检测方法 Active CN115272334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211194771.XA CN115272334B (zh) 2022-09-29 2022-09-29 用于复杂背景下的钢轨表面微小缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211194771.XA CN115272334B (zh) 2022-09-29 2022-09-29 用于复杂背景下的钢轨表面微小缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115272334A true CN115272334A (zh) 2022-11-01
CN115272334B CN115272334B (zh) 2023-08-25

Family

ID=83757848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211194771.XA Active CN115272334B (zh) 2022-09-29 2022-09-29 用于复杂背景下的钢轨表面微小缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115272334B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439481A (zh) * 2022-11-09 2022-12-06 青岛平电锅炉辅机有限公司 基于图像处理的除氧器焊接质量检测方法
CN115457035A (zh) * 2022-11-10 2022-12-09 山东鲁旺机械设备有限公司 基于机器视觉的建筑吊篮焊接质量检测方法
CN115588010A (zh) * 2022-12-09 2023-01-10 滨州华然化纤绳网有限公司 一种用于无纺布的表面缺陷检测方法
CN115690693A (zh) * 2022-12-13 2023-02-03 山东鲁旺机械设备有限公司 一种建筑吊篮的智能监控系统及监控方法
CN115858832A (zh) * 2023-03-01 2023-03-28 天津市邱姆预应力钢绞线有限公司 一种用于钢绞线生产数据存储方法及系统
CN116223515A (zh) * 2023-05-05 2023-06-06 成都中航华测科技有限公司 一种用于电路板测试过程的导电图形缺陷检测方法
CN116309608A (zh) * 2023-05-25 2023-06-23 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种应用超声图像的涂层缺陷检测方法
CN116309565A (zh) * 2023-05-17 2023-06-23 山东晨光胶带有限公司 基于计算机视觉的高强传送带跑偏检测方法
CN116542982A (zh) * 2023-07-07 2023-08-04 山东中泳电子股份有限公司 一种基于机器视觉的出发判断器缺陷检测方法及装置
CN116703888A (zh) * 2023-07-28 2023-09-05 菏泽城建新型工程材料有限公司 一种钻孔灌注桩施工辅助异常检测方法及其系统
CN116721105A (zh) * 2023-08-11 2023-09-08 山东淼珠生物科技有限公司 基于人工智能的爆珠生产异常在线检测方法
CN116740065B (zh) * 2023-08-14 2023-11-21 山东伟国板业科技有限公司 基于大数据的人造板瑕疵品快速溯源方法及系统
CN117173188A (zh) * 2023-11-03 2023-12-05 泸州通鑫显示科技有限公司 一种玻璃瘢痕识别方法
CN117291919A (zh) * 2023-11-27 2023-12-26 山东华盛中天工程机械有限责任公司 一种钢轨螺栓表面润滑脂视觉检测方法
CN117764952A (zh) * 2023-12-25 2024-03-26 卡尔德线缆(东莞)有限公司 一种视觉机器人用高速线缆质量检测方法
CN118429338A (zh) * 2024-07-03 2024-08-02 苏州诺达佳自动化技术有限公司 一种自动化显示面板生产方法及系统
CN118628483A (zh) * 2024-08-12 2024-09-10 南通久鼎特种钢管有限公司 一种钢结构表面缺陷识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961217A (zh) * 2018-06-08 2018-12-07 南京大学 一种基于正例训练的表面缺陷检测方法
CN109064462A (zh) * 2018-08-06 2018-12-21 长沙理工大学 一种基于深度学习的钢轨表面缺陷检测方法
US20210370993A1 (en) * 2020-05-27 2021-12-02 University Of South Carolina Computer vision based real-time pixel-level railroad track components detection system
CN114067296A (zh) * 2021-11-11 2022-02-18 中国铁道科学研究院集团有限公司 钢轨表面缺陷识别方法及装置
CN115082482A (zh) * 2022-08-23 2022-09-20 山东优奭趸泵业科技有限公司 一种金属表面缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961217A (zh) * 2018-06-08 2018-12-07 南京大学 一种基于正例训练的表面缺陷检测方法
CN109064462A (zh) * 2018-08-06 2018-12-21 长沙理工大学 一种基于深度学习的钢轨表面缺陷检测方法
US20210370993A1 (en) * 2020-05-27 2021-12-02 University Of South Carolina Computer vision based real-time pixel-level railroad track components detection system
CN114067296A (zh) * 2021-11-11 2022-02-18 中国铁道科学研究院集团有限公司 钢轨表面缺陷识别方法及装置
CN115082482A (zh) * 2022-08-23 2022-09-20 山东优奭趸泵业科技有限公司 一种金属表面缺陷检测方法

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115439481B (zh) * 2022-11-09 2023-02-21 青岛平电锅炉辅机有限公司 基于图像处理的除氧器焊接质量检测方法
CN115439481A (zh) * 2022-11-09 2022-12-06 青岛平电锅炉辅机有限公司 基于图像处理的除氧器焊接质量检测方法
CN115457035A (zh) * 2022-11-10 2022-12-09 山东鲁旺机械设备有限公司 基于机器视觉的建筑吊篮焊接质量检测方法
CN115457035B (zh) * 2022-11-10 2023-03-24 山东鲁旺机械设备有限公司 基于机器视觉的建筑吊篮焊接质量检测方法
CN115588010A (zh) * 2022-12-09 2023-01-10 滨州华然化纤绳网有限公司 一种用于无纺布的表面缺陷检测方法
CN115588010B (zh) * 2022-12-09 2023-06-02 滨州华然化纤绳网有限公司 一种用于无纺布的表面缺陷检测方法
CN115690693A (zh) * 2022-12-13 2023-02-03 山东鲁旺机械设备有限公司 一种建筑吊篮的智能监控系统及监控方法
CN115858832A (zh) * 2023-03-01 2023-03-28 天津市邱姆预应力钢绞线有限公司 一种用于钢绞线生产数据存储方法及系统
CN115858832B (zh) * 2023-03-01 2023-05-02 天津市邱姆预应力钢绞线有限公司 一种用于钢绞线生产数据存储方法及系统
CN116223515B (zh) * 2023-05-05 2023-07-11 成都中航华测科技有限公司 一种用于电路板测试过程的导电图形缺陷检测方法
CN116223515A (zh) * 2023-05-05 2023-06-06 成都中航华测科技有限公司 一种用于电路板测试过程的导电图形缺陷检测方法
CN116309565B (zh) * 2023-05-17 2023-08-04 山东晨光胶带有限公司 基于计算机视觉的高强传送带跑偏检测方法
CN116309565A (zh) * 2023-05-17 2023-06-23 山东晨光胶带有限公司 基于计算机视觉的高强传送带跑偏检测方法
CN116309608A (zh) * 2023-05-25 2023-06-23 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种应用超声图像的涂层缺陷检测方法
CN116309608B (zh) * 2023-05-25 2023-08-04 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 一种应用超声图像的涂层缺陷检测方法
CN116542982B (zh) * 2023-07-07 2023-09-29 山东中泳电子股份有限公司 一种基于机器视觉的出发判断器缺陷检测方法及装置
CN116542982A (zh) * 2023-07-07 2023-08-04 山东中泳电子股份有限公司 一种基于机器视觉的出发判断器缺陷检测方法及装置
CN116703888B (zh) * 2023-07-28 2023-10-20 菏泽城建新型工程材料有限公司 一种钻孔灌注桩施工辅助异常检测方法及其系统
CN116703888A (zh) * 2023-07-28 2023-09-05 菏泽城建新型工程材料有限公司 一种钻孔灌注桩施工辅助异常检测方法及其系统
CN116721105A (zh) * 2023-08-11 2023-09-08 山东淼珠生物科技有限公司 基于人工智能的爆珠生产异常在线检测方法
CN116721105B (zh) * 2023-08-11 2023-10-20 山东淼珠生物科技有限公司 基于人工智能的爆珠生产异常在线检测方法
CN116740065B (zh) * 2023-08-14 2023-11-21 山东伟国板业科技有限公司 基于大数据的人造板瑕疵品快速溯源方法及系统
CN117173188A (zh) * 2023-11-03 2023-12-05 泸州通鑫显示科技有限公司 一种玻璃瘢痕识别方法
CN117173188B (zh) * 2023-11-03 2024-01-26 泸州通鑫显示科技有限公司 一种玻璃瘢痕识别方法
CN117291919A (zh) * 2023-11-27 2023-12-26 山东华盛中天工程机械有限责任公司 一种钢轨螺栓表面润滑脂视觉检测方法
CN117291919B (zh) * 2023-11-27 2024-03-01 山东华盛中天工程机械有限责任公司 一种钢轨螺栓表面润滑脂视觉检测方法
CN117764952A (zh) * 2023-12-25 2024-03-26 卡尔德线缆(东莞)有限公司 一种视觉机器人用高速线缆质量检测方法
CN117764952B (zh) * 2023-12-25 2024-05-14 卡尔德线缆(东莞)有限公司 一种视觉机器人用高速线缆质量检测方法
CN118429338A (zh) * 2024-07-03 2024-08-02 苏州诺达佳自动化技术有限公司 一种自动化显示面板生产方法及系统
CN118628483A (zh) * 2024-08-12 2024-09-10 南通久鼎特种钢管有限公司 一种钢结构表面缺陷识别方法

Also Published As

Publication number Publication date
CN115272334B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN115272334A (zh) 用于复杂背景下的钢轨表面微小缺陷检测方法
CN106251361B (zh) 一种钢轨表面缺陷图像自适应分割方法
CN114359270B (zh) 基于计算机视觉的汽车发动机油路铜套缺陷检测方法
CN111652227B (zh) 铁路货车底部地板破损故障检测方法
CN114842017A (zh) 一种hdmi线缆表面质量检测方法及系统
Liang et al. Defect detection of rail surface with deep convolutional neural networks
CN110047070B (zh) 一种轨道磨损程度的识别方法及系统
CN108596872B (zh) 基于Gabor小波和SVM的钢轨病害的检测方法
CN116757990A (zh) 基于机器视觉的铁路扣件缺陷在线检测与识别方法
CN110782443B (zh) 一种铁路轨道缺陷检测方法和系统
CN111079734A (zh) 铁路货车三角孔异物检测方法
CN111080601A (zh) 铁路货车脱轨制动装置拉环磨轴故障图像识别方法
CN110009633B (zh) 一种基于反向高斯差分的钢轨表面缺陷检测方法
CN111080602B (zh) 铁路货车漏水孔异物检测方法
CN111626976A (zh) 一种基于脉冲耦合神经网络的钢轨表面伤损检测方法
CN113487561B (zh) 基于灰度梯度异常投票的受电弓异物检测方法及装置
CN113689392A (zh) 一种铁路扣件缺陷检测方法和装置
CN111079629A (zh) 铁路货车心盘脱出故障图像识别方法
CN115631146A (zh) 一种基于图像的受电弓碳滑条缺损缺陷检测方法
Zheng et al. Rail detection based on LSD and the least square curve fitting
CN111723793B (zh) 一种实时刚性接触网定位点识别方法
CN111652228B (zh) 铁路货车枕梁孔异物检测方法
CN116630257A (zh) 钢轨擦伤检测方法及装置
CN115797914A (zh) 冶金起重机小车轨道表面缺陷检测系统
CN114743166A (zh) 一种铁路货车的制动机检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230802

Address after: 201700 room 333, zone u, floor 3, building 1, No. 9138, Beiqing highway, Chonggu Town, Qingpu District, Shanghai

Applicant after: Yansuo Instrument Technology (Shanghai) Co.,Ltd.

Address before: Room 16011, Building 21(22), No. 1692, Xinghu Avenue, Development Zone, Nantong City, Jiangsu Province, 226000

Applicant before: Jiangsu Meikemeisi Automation Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant