CN115880304B - 基于复杂场景下的枕轨缺陷识别方法 - Google Patents

Abstract

本发明涉及图像数据处理技术领域，具体涉及基于复杂场景下的枕轨缺陷识别方法。该方法获得枕轨区，对枕轨区进行区域划分得到至少两个子区域；根据灰度值获取枕轨区内像素点的灰度暗值；获取枕轨区内像素点的预设窗口对应的灰度共生矩阵，根据灰度共生矩阵获取像素点的邻域纹理特征值；根据灰度暗值与邻域纹理特征值获取像素点的灰度偏暗特征值；获取子区域的长度和枕轨区内每个像素点位置的子区域的宽度；根据长度与宽度获取像素点的宏观裂纹形状特征值；根据灰度偏暗特征值和宏观裂纹形状特征值获取像素点的裂纹显著值，根据裂纹显著值确定疑似裂纹像素点，根据疑似裂纹像素点识别枕轨区的裂纹缺陷。提高裂纹缺陷识别的准确性。

Description

基于复杂场景下的枕轨缺陷识别方法

技术领域

本发明涉及图像数据处理技术领域，具体涉及基于复杂场景下的枕轨缺陷识别方法。

背景技术

枕轨是轨道结构的重要部件，承受着来自钢轨的各种作用力，并弹性地将作用力传递给道床，枕轨还承担着保持轨道的轨距、方向和位置的责任。在轨道的使用过程中，行车载荷以及自然环境会对轨道产生影响，可能导致轨道出现损伤，如枕轨破损、扣件丢失、道床开裂等，对铁路的安全运行造成巨大的威胁，可能引起严重的列车事故。为了保障铁路的运输安全和提高运行效率，需要对轨道关键部分进行定期巡检，以便尽早尽快的发现并处理枕轨缺陷。枕轨的制造材料主要为木材或钢筋混凝土，出现缺陷的原因较多，因此需要格外注意。

目前对枕轨缺陷识别的方法较多，有超声波检测法、声发射检测法和图像检测法等。超声波检测法和声发射检测法可以透过枕轨的表面直接检测枕轨的内部状态，但枕轨需要满足材质均匀的前提，因此，超声波检测法和声发射检测法对于材质不均匀的钢筋混凝土等复杂材料的枕轨缺陷识别效果不佳。图像检测法使用相机采集枕轨表面的信息，通过对枕轨表面的信息进行分析得到枕轨表面缺陷的判断结果，对枕轨表面裂纹缺陷识别效果较好。但枕轨表面可能存在道砟石子、油斑等干扰，从而导致枕轨裂纹缺陷识别精度不高。

发明内容

为了解决枕轨表面复杂场景的干扰，导致枕轨裂纹缺陷识别不准确的技术问题，本发明的目的在于提供基于复杂场景下的枕轨缺陷识别方法，所采用的技术方案具体如下：

本发明提出了基于复杂场景下的枕轨缺陷识别方法，方法包括：

获得枕轨灰度图像中的枕轨区，对所述枕轨灰度图像进行边缘检测获得边缘线，根据所述边缘线对所述枕轨区进行区域划分得到至少两个子区域；

根据灰度值分布分别获取所述枕轨区内每个像素点在水平方向和竖直方向上的灰度暗值；

获取所述枕轨区内每个像素点的预设窗口对应的灰度共生矩阵，根据所述灰度共生矩阵内元素数值及其对应的元素位置获取对应像素点的邻域纹理特征值；

根据所述灰度暗值与所述邻域纹理特征值获取每个像素点的灰度偏暗特征值；

获取所述子区域的长度和所述枕轨区内每个像素点位置的所述子区域的宽度；根据所述长度与每个像素点位置的所述宽度获取所述枕轨区内每个像素点的宏观裂纹形状特征值；

根据所述灰度偏暗特征值和所述宏观裂纹形状特征值获取所述枕轨区内每个像素点的裂纹显著值，根据所述裂纹显著值确定疑似裂纹像素点，根据所述疑似裂纹像素点数量与位置分布识别所述枕轨区的裂纹缺陷。

进一步地，所述灰度暗值的获取方法，包括：

在所述水平方向和竖直方向中任意选取一个方向作为目标方向；获取所述枕轨区内目标像素点在所述目标方向上的所有像素点的灰度值集合，将所述灰度值集合中的最大灰度值与最小灰度值的差值作为分母，将所述灰度值集合中的最大灰度值与目标像素点的灰度值的差值作为分子，计算所述分子与所述分母的比值作为目标像素点在所述目标方向下的所述灰度暗值。

进一步地，所述邻域纹理特征值的获取方法，包括：

获取所述灰度共生矩阵内所有数值的和作为第一值；获取所述灰度共生矩阵内每个数值与对应数值的横纵坐标值之和的比值作为第一比值；将每个所述灰度共生矩阵中的每个所述第一比值累加，获得第二值；将同一个所述灰度共生矩阵对应的所述第二值与所述第一值的比值作为对应像素点的邻域纹理特征值。

进一步地，所述灰度偏暗特征值的获取方法，包括：

获取水平方向和竖直方向中的最大灰度暗值作为对应像素点的参考灰度暗值；将每个像素点的所述参考灰度暗值与对应所述邻域纹理特征值的乘积作为对应像素点的灰度偏暗特征值。

进一步地，所述获得所述子区域的长度和枕轨区内每个像素点位置对应的所述子区域的宽度的方法，包括：

获取所述子区域的骨架，以所述骨架上的骨架像素点的数量作为所述子区域的长度；

将所述骨架的任意一端作为起始端，将所述骨架上任意相邻的两个骨架像素点相连获取线段，在所述线段上过靠近起始端的骨架像素点作所述线段的垂线，所述垂线与所述骨架对应的所述子区域的边缘有两个交点，计算两个交点之间的欧式距离，将所述欧式距离作为靠近起始端的骨架像素点位置的所述子区域的宽度；获得骨架上每个骨架像素点位置的所述子区域的宽度；

计算所述子区域内每个非骨架像素点与所有所述骨架像素点之间的距离，将最小距离对应的所述骨架像素点对应的所述子区域的宽度作为对应所述非骨架像素点位置下的所述子区域的宽度。

进一步地，所述宏观裂纹形状特征值的获取方法，包括：

将同一个所述子区域的长度与同一个所述子区域内的任意一个像素点位置下的所述子区域的宽度的比值作为对应像素点的宏观裂纹形状特征值。

进一步地，所述裂纹显著值的获取方法，包括：

将所述枕轨区内的每个像素点的所述灰度偏暗特征值与所述宏观裂纹形状特征值的乘积作为每个像素点的裂纹显著值。

进一步地，所述根据所述裂纹显著值确定疑似裂纹像素点的方法，包括：

设置第一阈值，当所述裂纹显著值大于等于第一阈值时，将所述裂纹显著值对应的像素点作为疑似裂纹像素点。

进一步地，所述根据所述疑似裂纹像素点数量与位置分布识别所述枕轨区的裂纹缺陷的方法，包括：

若所述疑似裂纹像素点数量大于等于预设第二阈值，则判断枕轨区出现疑似裂纹；

当枕轨区出现疑似裂纹时，对疑似裂纹像素点进行筛选，获得裂纹像素点；所述对疑似裂纹像素点进行筛选的过程包括：若所述疑似裂纹像素点预设邻域范围内包含其他疑似裂纹像素点，则将对应疑似裂纹像素点作为裂纹像素点；

若所述裂纹像素点的数量大于等于预设第三阈值，则判断枕轨区出现裂纹缺陷，根据裂纹像素点的位置识别出裂纹缺陷的位置。

本发明具有如下有益效果：获得枕轨灰度图像中的枕轨区，便于对每个枕轨区进行直接分析；对枕轨灰度图像进行边缘检测获得边缘线，通过边缘线确定枕轨区中灰度值相接近的部分，进而根据边缘线对枕轨区进行区域划分得到至少两个子区域，便于对各个子区域进行单独分析，避免各个子区域之间的干扰；根据灰度值分布分别获取枕轨区内每个像素点在水平方向和竖直方向上的灰度暗值，对枕轨区内每个像素点的灰度值进行分析，根据裂纹的灰度特征有利于观察到枕轨区内可能存在裂纹缺陷的疑似裂纹像素点；获取枕轨区内每个像素点的预设窗口对应的灰度共生矩阵，根据灰度共生矩阵内元素数值及其对应的元素位置获取对应像素点的邻域纹理特征值，从而进一步提高识别枕轨区内的像素点为疑似裂纹像素点的准确性；根据灰度暗值与邻域纹理特征值获取每个像素点的灰度偏暗特征值，便于确定枕轨区内可能为疑似裂纹像素点的像素点，提高识别枕轨区的裂纹缺陷的准确率；获取子区域的长度和枕轨区内每个像素点位置的子区域的宽度，初步判断子区域的大概形状，从而初步判断子区域的形状是否符合裂纹缺陷形状；根据长度与每个像素点位置的宽度获取枕轨区内每个像素点的宏观裂纹形状特征值，根据宏观裂纹形状特征值确定可能符合裂纹缺陷形状的疑似裂纹像素点，进一步提高枕轨区的裂纹缺陷识别的准确率；根据灰度偏暗特征值和宏观裂纹形状特征值获取枕轨区内每个像素点的裂纹显著值，根据裂纹显著值确定疑似裂纹像素点，根据疑似裂纹像素点数量与位置分布识别枕轨区的裂纹缺陷；从裂纹缺陷的灰度值分布和形状特征两方面确定枕轨区的裂纹缺陷，避免了道砟石子、油斑等其他因素造成的枕轨区的裂纹缺陷识别干扰，提高了枕轨区的裂纹缺陷识别的精度。

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所提供的基于复杂场景下的枕轨缺陷识别方法的流程示意图。

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基于复杂场景下的枕轨缺陷识别方法，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。

下面结合附图具体的说明本发明所提供的一种基于复杂场景下的枕轨缺陷识别方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于复杂场景下的枕轨缺陷识别方法的流程示意图，该方法包括以下步骤：

步骤S1：获得枕轨灰度图像中的枕轨区，对所述枕轨灰度图像进行边缘检测获得边缘线，根据所述边缘线对所述枕轨区进行区域划分得到至少两个子区域。

具体的，在轨检车上固定CCD相机，相机取景框面向地面，使用白炽灯进行补光以确保CCD相机拍摄光线的稳定充足。随着轨检车沿着轨道方向运动，逐个获取每个枕轨对应的图像，记为枕轨图像。其中，枕轨图像为RGB图像，将枕轨图像转换为灰度图像，记为枕轨灰度图像。由于CCD相机的工作环境复杂、路面状况多样，CCD相机在获取枕轨图像时会掺杂很多影响后续枕轨表面的裂纹缺陷识别的干扰因素，即获取的枕轨灰度图像中会出现噪声，本发明实施例使用高斯滤波对枕轨灰度图像进行卷积，去除枕轨灰度图像中的噪声点，提高枕轨灰度图像的精度和质量。同时对枕轨灰度图像进行gamma变换，增强枕轨灰度图像的对比度，方便后续对枕轨表面的裂纹缺陷的识别。

其中，高斯滤波去噪以及gamma变换为公知技术，具体过程不再进行赘述。

对枕轨灰度图像进行霍夫直线检测，枕轨一般为矩形，枕轨灰度图像中检测出的四条直线依次相接围成的矩形区域即为枕轨在枕轨灰度图像中对应的区域，记为枕轨区。对枕轨灰度图像使用canny边缘检测算法，获得每个枕轨区对应的边缘线，枕轨区由于裂纹、水迹、油迹、坑槽等会形成各种形状的闭合边缘线，闭合边缘线将每个枕轨区划分为至少两个子区域，子区域为二值图像。其中，每个枕轨区内不属于闭合边缘线内的像素点划分为同一个子区域，因此，枕轨区内的每个像素点均有对应的子区域。

其中，霍夫直线检测以及canny边缘检测算法均为公知技术，具体过程不再进行赘述。

步骤S2：根据灰度值分布分别获取所述枕轨区内每个像素点在水平方向和竖直方向上的灰度暗值。

具体的，枕轨区裂纹主要有三类，分别为枕轨区端部裂纹、枕轨区顶面纵向裂纹和枕轨区侧面纵向裂纹，不论枕轨区出现哪一类裂纹，裂纹占枕轨区的面积均较小，对枕轨区的整体特征影响较小。为了使枕轨区的裂纹识别更加精确，本发明实施例对枕轨区内的每个像素点进行分析。通过对有裂纹的枕轨区进行观察可得，裂纹在枕轨区内呈现较暗的颜色，因此，裂纹对应的像素点的灰度值较小。同时，枕轨区端部裂纹和枕轨区侧面纵向裂纹在枕轨区内呈水平于枕轨区方向分布，枕轨区顶面纵向裂纹在枕轨区内呈垂直于枕轨区方向分布，分布方向固定，因此，可以根据裂纹在枕轨区内出现的方向和灰度特征对枕轨区内的每个像素点进行分析获取枕轨区内的每个像素点的灰度暗值。

获取灰度暗值的过程为：在水平方向和竖直方向中任意选取一个方向作为目标方向；获取枕轨区内目标像素点在目标方向上的所有像素点的灰度值集合，将灰度值集合中的最大灰度值与最小灰度值的差值作为分母，将灰度值集合中的最大灰度值与目标像素点的灰度值的差值作为分子，计算分子与分母的比值作为目标像素点在目标方向下的灰度暗值。

作为一个示例，选取任意一个枕轨区内的任意一个像素点作为目标像素点，获取目标像素点在目标方向下的灰度暗值的具体过程如下：

（1）获取目标像素点在目标方向为水平方向下的灰度暗值。

枕轨区纵向分布的裂纹对应的像素点在枕轨区内相邻的几列集中分布，因此裂纹对应的像素点在所在列中即竖直方向上不能明显的呈现出裂纹像素点的灰度值较小的灰度特征，而对枕轨区纵向分布的裂纹对应的像素点按行即水平方向进行分析时，裂纹像素点的灰度值较小的灰度特征可以明显呈现出来，因此对枕轨区的目标像素点进行水平方向下的分析：

获得目标像素点的灰度值，以及目标像素点所在行的像素点对应的最大灰度值与最小灰度值，进而获取目标像素点在目标方向为水平方向下的灰度暗值，目标像素点在水平方向下的灰度暗值的公式为：

其中，为目标像素点在水平方向下的灰度暗值；为目标像素点在枕轨区内的坐标值；为目标像素点的灰度值；为目标像素点所在行的像素点对应的最大灰度值；为目标像素点所在行的像素点对应的最小灰度值。

需要说明的是，越大，说明目标像素点所在行的像素点的灰度值之间的差值越大，越可能存在裂纹像素点，越小；越大，说明目标像素点的灰度值越小，目标像素点越可能为裂纹像素点，越大；因此，越大，说明目标像素点相对于所在行上的像素点的灰度值越小，目标像素点越可能对应枕轨区纵向分布的裂纹位置。

（2）获取目标像素点在目标方向为竖直方向下的灰度暗值。

枕轨区横向分布的裂纹对应的像素点在枕轨区内相邻的几行集中分布，因此裂纹对应的像素点在所在行中即水平方向上不能明显的呈现出裂纹像素点的灰度值较小的灰度特征，而对枕轨区横向分布的裂纹对应的像素点按列即竖直方向进行分析时，裂纹像素点的灰度值较小的灰度特征可以明显呈现出来，因此对枕轨区的目标像素点进行竖直方向下的分析：

获得目标像素点的灰度值，以及目标像素点所在列的像素点对应的最大灰度值与最小灰度值，进而获取目标像素点在目标方向为竖直方向下的灰度暗值，目标像素点在竖直方向下的灰度暗值的公式为：

其中，为目标像素点在竖直方向下的灰度暗值；为目标像素点在枕轨区内的坐标值；为目标像素点的灰度值；为目标像素点所在列的像素点对应的最大灰度值；为目标像素点所在列的像素点对应的最小灰度值。

需要说明的是，越大，说明目标像素点所在列的像素点的灰度值之间的差值越大，越可能存在裂纹像素点，越小；越大，说明目标像素点的灰度值越小，目标像素点越可能为裂纹像素点，越大；因此，越大，说明目标像素点相对于所在列上的像素点的灰度值越小，目标像素点越可能对应枕轨区横向分布的裂纹位置。

根据获取目标像素点在水平方向下的灰度暗值和竖直方向下的灰度暗值的方法，获取枕轨区内每个像素点在水平方向下的灰度暗值和竖直方向下的灰度暗值。

步骤S3：获取所述枕轨区内每个像素点的预设窗口对应的灰度共生矩阵，根据所述灰度共生矩阵内元素数值及其对应的元素位置获取对应像素点的邻域纹理特征值。

具体的，枕轨区的裂纹对应的裂纹像素点分布较为集中，即裂纹像素点附近的像素点也是裂纹像素点，因此，枕轨区裂纹对应的子区域整体灰度值较小，即裂纹对应的子区域内的每个裂纹像素点均存在相同的灰度值较小的灰度特征。本发明实施例将枕轨区内的每个像素点作为中心，建立5*5窗口，实施者可根据实际情况设置预设窗口大小；根据窗口内的像素点的灰度值，获取每个窗口对应的灰度共生矩阵。

作为一个示例，以步骤S2中的目标像素点为例，当目标像素点为裂纹像素点时，目标像素点的窗口内的各像素点的灰度值均较小，因此，目标像素点的窗口对应的灰度共生矩阵内的值较为集中且数值较大，灰度共生矩阵对应的横纵坐标值较小。根据灰度共生矩阵分析枕轨区内每个像素点的邻域纹理特征值，根据邻域纹理特征值分析枕轨区内每个像素点为裂纹像素点的可能性。

根据灰度共生矩阵获取枕轨区内每个像素点的邻域纹理特征值的方法为：获取灰度共生矩阵内所有数值的和作为第一值；获取灰度共生矩阵内每个数值与对应数值的横纵坐标值之和的比值作为第一比值；将每个灰度共生矩阵中的每个第一比值累加，获得第二值；将同一个灰度共生矩阵对应的第二值与第一值的比值作为对应像素点的邻域纹理特征值。

根据邻域纹理特征值的公式获取目标像素点的邻域纹理特征值，目标像素点的邻域纹理特征值的公式为：

其中，为目标像素点的邻域纹理特征值；为目标像素点在枕轨区内的坐标值；为目标像素点的窗口对应的灰度共生矩阵内所有数值的和；为目标像素点的窗口对应的灰度共生矩阵的横纵坐标值；为目标像素点的窗口对应的灰度共生矩阵内坐标为的数值；为目标像素点的窗口对应的灰度共生矩阵内的数值对应的灰度共生矩阵的横纵坐标值之和。

需要说明的是，第一值越大，说明目标像素点的窗口内的灰度值越接近，越小；第一比值越大，说明越小，越大，灰度共生矩阵越可能为裂纹像素点的窗口对应的灰度共生矩阵，目标像素点越可能为裂纹像素点，第二值越大，越大；因此越大，说明目标像素点越可能为裂纹像素点。

根据获取目标像素点的邻域纹理特征值的方法，获取枕轨区内每个像素点的邻域纹理特征值。

步骤S4：根据所述灰度暗值与所述邻域纹理特征值获取每个像素点的灰度偏暗特征值。

获取枕轨区内像素点的灰度偏暗特征值的方法为：获取水平方向和竖直方向中的最大灰度暗值作为对应像素点的参考灰度暗值；将每个像素点的参考灰度暗值与对应邻域纹理特征值的乘积作为对应像素点的灰度偏暗特征值。

以步骤S2中的目标像素点为例，获取目标像素点的灰度偏暗特征值的公式为：

其中，为目标像素点的灰度偏暗特征值；为目标像素点在枕轨区内的坐标值；为目标像素点在水平方向下的灰度暗值；为目标像素点在竖直方向下的灰度暗值；为目标像素点的邻域纹理特征值；为取最大值函数。

需要说明的是，根据获取目标像素点的参考灰度暗值，可以突出目标像素点对应的最大的灰度暗值，若目标像素点为枕轨区内水平分布或竖直分布的裂纹对应的像素点，均可根据参考灰度暗值筛选出来；目标像素点的参考灰度暗值越大，目标像素点的灰度值与裂纹像素点的灰度值越相似，越大；目标像素点的邻域纹理特征值越大，说明目标像素点的位置与裂纹像素点的位置越相同，越大；灰度偏暗特征值反映了枕轨区内各像素点相对于其他像素点的灰度值偏暗的特征的显著程度，因此，越大，目标像素点越可能为裂纹像素点。

步骤S5：获取所述子区域的长度和所述枕轨区内每个像素点位置的所述子区域的宽度；根据所述长度与每个像素点位置的所述宽度获取所述枕轨区内每个像素点的宏观裂纹形状特征值。

具体的，由步骤S1可知，枕轨区内的每个像素点均有对应的子区域。枕轨区的裂纹宽度较窄而长度较长，根据裂纹的形状特征对枕轨区内的每个像素点对应的子区域进行分析，根据裂纹的形状特征可知枕轨区内的裂纹像素点对应的子区域呈条状分布且宽度较窄。

本发明实施例对枕轨区内的每个子区域使用Rosenfeld细化算法，使得子区域细化，获取子区域的骨架，以骨架上的骨架像素点的数量作为子区域的长度；将骨架的任意一端作为起始端，将骨架上任意相邻的两个骨架像素点相连获取线段，在线段上过靠近起始端的骨架像素点作线段的垂线，垂线与骨架对应的子区域的边缘有两个交点，计算两个交点之间的欧式距离，将欧式距离作为靠近起始端的骨架像素点位置的子区域的宽度；获得骨架上每个骨架像素点位置的子区域的宽度；计算子区域内每个非骨架像素点与所有骨架像素点之间的距离，将最小距离对应的骨架像素点对应的子区域的宽度作为对应非骨架像素点位置下的子区域的宽度。

其中，Rosenfeld细化算法是公知技术，这里不再进行过多赘述。

将同一个子区域的长度与同一个子区域内的任意一个像素点位置下的子区域的宽度的比值作为对应像素点的宏观裂纹形状特征值。

作为一个示例，以步骤S2中的目标像素点为例，确定目标像素点所在子区域，使用Rosenfeld细化算法，获取目标像素点所在子区域的骨架，获取骨架上骨架像素点的数量作为目标像素点所在子区域的长度。当目标像素点为骨架像素点时，连接目标像素点与目标像素点相邻且远离骨架起始端的骨架像素点，获取一条线段，过目标像素点作线段的垂线，垂线与目标像素点所在子区域的边缘线有两个交点，计算两个交点之间的欧式距离作为目标像素点位置的子区域的宽度；当目标像素点为非骨架像素点时，计算目标像素点与所有骨架像素点之间的距离，将最小距离对应的骨架像素点对应的子区域的宽度作为目标像素点位置下的子区域的宽度。若目标像素点为裂纹像素点，根据裂纹的形状特征可知，目标像素点所在子区域的长度与目标像素点对应的子区域的宽度相差较大。根据目标像素点所在子区域的长度与目标像素点对应的子区域的宽度获取目标像素点的宏观裂纹形状特征值，宏观裂纹形状特征值的公式为：

其中，为目标像素点的宏观裂纹形状特征值；为目标像素点在枕轨区内的坐标值；为目标像素点所在子区域的长度；为目标像素点对应的子区域的宽度。

需要说明的是，宏观裂纹形状特征值反映了目标像素点所处位置呈现出的裂纹的条状特征的显著程度，当目标像素点对应的子区域的宽度越小、对应子区域的长度越大时，目标像素点呈现出的裂纹的宏观条状特征越为明显，目标像素点对应的宏观裂纹形状特征值越大。越小，越大；越大，越大；因此，越大，目标像素点对应的子区域越符合裂纹的形状特征，目标像素点越可能为裂纹像素点。

根据获取目标像素点的宏观裂纹形状特征值的方法，获取枕轨区内每个像素点的宏观裂纹形状特征值。

步骤S6：根据所述灰度偏暗特征值和所述宏观裂纹形状特征值获取所述枕轨区内每个像素点的裂纹显著值，根据所述裂纹显著值确定疑似裂纹像素点，根据所述疑似裂纹像素点数量与位置分布识别所述枕轨区的裂纹缺陷。

获取裂纹显著值的方法为：将枕轨区内的每个像素点的灰度偏暗特征值与宏观裂纹形状特征值的乘积作为每个像素点的裂纹显著值。

以步骤S2中的目标像素点为例，获取目标像素点的裂纹显著值的公式为：

其中，为目标像素点的裂纹显著值；为目标像素点在枕轨区内的坐标值；为目标像素点的灰度偏暗特征值；为目标像素点的宏观裂纹形状特征值。

需要说明的是，裂纹显著值为衡量目标像素点呈现出的裂纹特征的综合指标，当目标像素点对应的灰度偏暗特征值和宏观裂纹形状特征值越大时，目标像素点的裂纹显著值越大，目标像素点越可能为裂纹像素点。

根据获取目标像素点的裂纹显著值的方法，获取枕轨区内每个像素点的裂纹显著值。

设置第一阈值，当裂纹显著值大于等于第一阈值时，将裂纹显著值对应的像素点作为疑似裂纹像素点。

本发明实施例中将枕轨区内每个像素点的裂纹显著值进行归一化处理，获得归一化后的裂纹显著值，设置第一阈值为0.8；当归一化后的裂纹显著值大于等于第一阈值时，将归一化后的裂纹显著值对应的枕轨区内的像素点作为疑似裂纹像素点。

若疑似裂纹像素点数量大于等于预设第二阈值，则判断枕轨区出现疑似裂纹；当枕轨区出现疑似裂纹时，对疑似裂纹像素点进行筛选，获得裂纹像素点；筛选过程包括：若疑似裂纹像素点预设邻域范围内包含其他疑似裂纹像素点，则将对应疑似裂纹像素点作为裂纹像素点；若裂纹像素点的数量大于等于预设第三阈值，则判断枕轨区出现裂纹缺陷，根据裂纹像素点的位置识别出裂纹缺陷的位置。

本发明实施例设置第二阈值为5，当疑似裂纹像素点数量大于等于第二阈值时，判断枕轨区出现疑似裂纹；由于裂纹为集中分布在枕轨区内，不是离散分布，所以对疑似裂纹像素点的位置进行分析：

若疑似裂纹像素点的八邻域范围内包含其他疑似裂纹像素点，则确定疑似裂纹像素点为裂纹像素点。

本发明实施例设置第三阈值为5，当裂纹像素点的数量大于等于第三阈值时，则判断枕轨区出现裂纹缺陷，根据裂纹像素点的位置识别出裂纹缺陷的位置，需要对枕轨区进行维修或替换；否则认为枕轨区没有裂纹缺陷。

至此，本发明完成。

综上所述，本发明实施例获得枕轨区，对枕轨区进行区域划分得到至少两个子区域；根据灰度值获取枕轨区内像素点的灰度暗值；获取枕轨区内像素点的预设窗口对应的灰度共生矩阵，根据灰度共生矩阵获取像素点的邻域纹理特征值；根据灰度暗值与邻域纹理特征值获取像素点的灰度偏暗特征值；获取子区域的长度和枕轨区内每个像素点位置的子区域的宽度；根据长度与宽度获取像素点的宏观裂纹形状特征值；根据灰度偏暗特征值和宏观裂纹形状特征值获取像素点的裂纹显著值，根据裂纹显著值确定疑似裂纹像素点，根据疑似裂纹像素点识别枕轨区的裂纹缺陷。提高裂纹缺陷识别的准确性。

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。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。

Claims (5)

1.基于复杂场景下的枕轨缺陷识别方法，其特征在于，该方法包括以下步骤：

获得枕轨灰度图像中的枕轨区，对所述枕轨灰度图像进行边缘检测获得边缘线，根据所述边缘线对所述枕轨区进行区域划分得到至少两个子区域；

根据灰度值分布分别获取所述枕轨区内每个像素点在水平方向和竖直方向上的灰度暗值；

获取所述枕轨区内每个像素点的预设窗口对应的灰度共生矩阵，根据所述灰度共生矩阵内元素数值及其对应的元素位置获取对应像素点的邻域纹理特征值；

根据所述灰度暗值与所述邻域纹理特征值获取每个像素点的灰度偏暗特征值；

获取所述子区域的长度和所述枕轨区内每个像素点位置的所述子区域的宽度；根据所述长度与每个像素点位置的所述宽度获取所述枕轨区内每个像素点的宏观裂纹形状特征值；

根据所述灰度偏暗特征值和所述宏观裂纹形状特征值获取所述枕轨区内每个像素点的裂纹显著值，根据所述裂纹显著值确定疑似裂纹像素点，根据所述疑似裂纹像素点数量与位置分布识别所述枕轨区的裂纹缺陷；

所述灰度暗值的获取方法，包括：

在所述水平方向和竖直方向中任意选取一个方向作为目标方向；获取所述枕轨区内目标像素点在所述目标方向上的所有像素点的灰度值集合，将所述灰度值集合中的最大灰度值与最小灰度值的差值作为分母，将所述灰度值集合中的最大灰度值与目标像素点的灰度值的差值作为分子，计算所述分子与所述分母的比值作为目标像素点在所述目标方向下的所述灰度暗值；

所述获得所述子区域的长度和枕轨区内每个像素点位置对应的所述子区域的宽度的方法，包括：

获取所述子区域的骨架，以所述骨架上的骨架像素点的数量作为所述子区域的长度；

将所述骨架的任意一端作为起始端，将所述骨架上任意相邻的两个骨架像素点相连获取线段，在所述线段上过靠近起始端的骨架像素点作所述线段的垂线，所述垂线与所述骨架对应的所述子区域的边缘有两个交点，计算两个交点之间的欧式距离，将所述欧式距离作为靠近起始端的骨架像素点位置的所述子区域的宽度；获得骨架上每个骨架像素点位置的所述子区域的宽度；

计算所述子区域内每个非骨架像素点与所有所述骨架像素点之间的距离，将最小距离对应的所述骨架像素点对应的所述子区域的宽度作为对应所述非骨架像素点位置下的所述子区域的宽度；

所述邻域纹理特征值的获取方法，包括：

获取所述灰度共生矩阵内所有数值的和作为第一值；获取所述灰度共生矩阵内每个数值与对应数值的横纵坐标值之和的比值作为第一比值；将每个所述灰度共生矩阵中的每个所述第一比值累加，获得第二值；将同一个所述灰度共生矩阵对应的所述第二值与所述第一值的比值作为对应像素点的邻域纹理特征值；

所述灰度偏暗特征值的获取方法，包括：

获取水平方向和竖直方向中的最大灰度暗值作为对应像素点的参考灰度暗值；将每个像素点的所述参考灰度暗值与对应所述邻域纹理特征值的乘积作为对应像素点的灰度偏暗特征值。

2.如权利要求1所述的基于复杂场景下的枕轨缺陷识别方法，其特征在于，所述宏观裂纹形状特征值的获取方法，包括：

将同一个所述子区域的长度与同一个所述子区域内的任意一个像素点位置下的所述子区域的宽度的比值作为对应像素点的宏观裂纹形状特征值。

3.如权利要求1所述的基于复杂场景下的枕轨缺陷识别方法，其特征在于，所述裂纹显著值的获取方法，包括：

将所述枕轨区内的每个像素点的所述灰度偏暗特征值与所述宏观裂纹形状特征值的乘积作为每个像素点的裂纹显著值。

4.如权利要求1所述的基于复杂场景下的枕轨缺陷识别方法，其特征在于，所述根据所述裂纹显著值确定疑似裂纹像素点的方法，包括：

设置第一阈值，当所述裂纹显著值大于等于第一阈值时，将所述裂纹显著值对应的像素点作为疑似裂纹像素点。

5.如权利要求1所述的基于复杂场景下的枕轨缺陷识别方法，其特征在于，所述根据所述疑似裂纹像素点数量与位置分布识别所述枕轨区的裂纹缺陷的方法，包括：

若所述疑似裂纹像素点数量大于等于预设第二阈值，则判断枕轨区出现疑似裂纹；

当枕轨区出现疑似裂纹时，对疑似裂纹像素点进行筛选，获得裂纹像素点；所述对疑似裂纹像素点进行筛选的过程包括：若所述疑似裂纹像素点预设邻域范围内包含其他疑似裂纹像素点，则将对应疑似裂纹像素点作为裂纹像素点；

若所述裂纹像素点的数量大于等于预设第三阈值，则判断枕轨区出现裂纹缺陷，根据裂纹像素点的位置识别出裂纹缺陷的位置。

Images