CN116152237A - 一种钢轨剥落掉块检测方法及系统 - Google Patents

Abstract

本发明属于轨道交通病害检测技术领域，公开了一种钢轨剥落掉块检测方法及系统。本发明针对钢轨剥离掉块问题，提出了基于线结构光3D视觉自动检测方法，采用线结构光3D相机，同步获取像素对齐的钢轨纹理图像和深度图像，通过深度图像对钢轨形状进行表征，相比单纯依赖纹理图像进行钢轨剥离掉块检测，可以有效实现剥离掉块定量测量，包括剥离掉块的长度、宽度、面积和深度等信息，其中，剥离掉块病害的深度具有重要价值。

Description

一种钢轨剥落掉块检测方法及系统

技术领域

本发明属于轨道交通病害检测技术领域，公开了一种钢轨剥落掉块检测方法及系统。

背景技术

钢轨是铁路重要部件，用于承载火车的重量，钢轨在长期使用过程中，受到车轮长期碾压的影响，容易发生应力疲劳，长期使用后，使钢轨表面产生鱼鳞纹等病害，并发展为剥离（也即剥落）掉块病害，剥离掉块病害为影响钢轨的廓形，产生线路不平顺性，影响行车稳定性、带来安全威胁。

为此，必须在工务巡检过程中，对钢轨剥离掉块病害进行检测。目前，工务常用方法是采用人工巡道，但是，人工巡道存在主观因素影响，无法做得客观准确。针对该问题，我们提出一种钢轨剥离掉块病害自动检测系统，用于实现钢轨剥离掉块病害高效、准确、自动检测。

发明内容

基于以上问题，本发明提出了一种钢轨剥落掉块检测方法及系统。

本发明采用的技术方案如下：

一种钢轨剥落掉块检测方法，该检测方法包括以下步骤：

S1：至少采集钢轨深度图像，设定钢轨候选区域R；

S2：在钢轨候选区域R内，判定是否存在钢轨接头区域，若存在钢轨接头区域，将其屏蔽；

S3：在钢轨候选区域R内，提取钢轨头部基准曲线S0，根据钢轨头部基准曲线S0生成钢轨头部基准图像，并对钢轨深度图像进行高度修正，得到高度修正图像；

S4:用S3中生成的钢轨头部基准图像与高度修正图像相减，提取低于钢轨头部基准图像的区域E1；

S5：对高度修正图像进行均值滤波，以均值滤波后图像为基准与高度修正图像相减，提取低于均值滤波后图像的区域E2；

S6:将区域E1和E2合并，根据合并后的区域形状、深度信息判断是否为钢轨剥落掉块病害，若是，则计算剥落掉块病害区域的长、宽、深和面积信息。

进一步地，S3中提取钢轨头部基准曲线S0的方法为：在钢轨候选区域R内，根据钢轨头部的高度范围，通过阈值分割找到钢轨头部区域R2；

在钢轨头部区域R2内，遍历每一列像素，取每列像素取值的众数，作为钢轨基准曲线S0在当前列位置上中的取值。

进一步地， S3中对钢轨深度图像进行高度修正的方法为：

在钢轨候选区域R内，遍历钢轨深度图像每行像素，根据每行像素计算该行像素对应的钢轨头部剖面参考高度hi，得到n个参考高度，构成参考高度序列H={h0,h1,...，hn-1}；

在钢轨候选区域R内，根据参考高度序列H，对钢轨深度图像进行高度对齐，使高度对齐后的钢轨深度图像中钢轨具有相同的基准高度，以修正检测过程中振动产生的高度偏差，得到高度修正图像。

进一步地，所述根据每行像素计算该行像素对应的钢轨头部剖面参考高度hi的方法为：将钢轨深度图像中每一行像素看作位于钢轨横截面二维平面内的点云数据，采用点云数据匹配方法，使钢轨头部基准曲线S0与每一行像素构成的曲线进行配准，基于配准结果，计算每一行像素到钢轨头部基准曲线S0的高度差作为hi。

进一步地，采集到钢轨头部深度图像时，进行配准的方法是以钢轨中轴线为界，在非磨耗一侧取钢轨基准曲线S0和钢轨深度图像每行像素进行匹配。

进一步地，同时采集到钢轨头部、腰部、底部深度图像时，以钢轨腰部、底部作为配准区域，经配准后，修正检测过程中振动产生的高度偏差，在修正后的深度图像上，再次提取钢轨基准曲线S0，再次根据基准曲线S0生成钢轨头部基准图像。

进一步地，S6中计算剥落掉块病害区域的长、宽、深和面积信息中对剥落掉块病害区域深信息计算的方法为：取剥落掉块病害区域内，钢轨头部深度图像与钢轨头部基准图像差值的最大值。

进一步地，S1中还能同时采集钢轨纹理图像和深度图像，对S6中判断出的钢轨剥落掉块区域，采用纹理图像和深度图像融合为双通道图像，再采用深度学习分类方法判定检出的钢轨剥离掉块区域是否为真实的剥落掉块病害。

进一步地，S1中还包括在钢轨区域R内，根据钢轨高度范围，设置检测阈值T，找出低于阈值T的像素，标记为空洞区域，并将这些空洞区域在钢轨区域R中进行屏蔽。

进一步地，S2中判定是否存在钢轨接头区域的方法为：

采用模式识别或AI方法直接判定；或利用轨道深度图像判定；

所述利用轨道深度图像判定的方法为：

S2-1：在钢轨候选区域R，统计钢轨的高度值h0;

S2-2:以钢轨候选区域R为参考，设置鱼尾板检测区域R1，设置高度阈值h1=h0-h2-t,h2为钢轨顶面到鱼尾板顶面的高度差,t为误差项，t取1-10mm；

S2-3:在钢轨候选区域R内，找出高于h1的区域；

S2-4:在找出高于h1的区域内，根据面积、形状、深度信息作为约束，选出鱼尾板区域，当存在鱼尾板区域时，判定为钢轨接头区域。

一种基于前述任一所述检测方法的钢轨剥落掉块检测系统，该系统至少包含：

图像采集单元，用于采集钢轨深度图像，或钢轨深度图像和纹理图像；

图像处理单元，用于执行钢轨剥落掉块检测的算法，完成钢轨剥落掉块检测；

运载单元，用于为该检测系统供电和安装支撑。

本发明的有益效果是：

1.针对钢轨剥离掉块问题，提出了基于线结构光3D视觉自动检测方法，相比人工检测，该系统具有检测速度快的突出优势，可挂载于电客车等高速运行平台上，提升检测速度和效率。

2.采用线结构光3D相机，获取钢轨深度图像，通过深度图像对钢轨形状进行表征，相比基于纹理图像进行钢轨剥离掉块检测，可以有效实现剥离掉块定量测量，包括剥离掉块的长度、宽度、面积和深度等信息，其中，剥离掉块病害的深度具有重要价值。

3.提出了一种消除运载平台振动干扰的方法，通过该方法可有效发现轻微的钢轨剥离掉块病害。在实际测试中，直接利用机器人运载平台获取的钢轨深度图像，无法检出剥离掉块，经振动修正后，即可对较浅的剥离掉块（小于0.5mm）进行有效检测。

4.采用线结构光3D相机，还可以同步获取像素对齐的钢轨纹理图像和深度图像，充分利用纹理图像和深度图像，采用AI方法对前面检出的剥离掉块病害进行二次判定，可进一步提升检测的准确性，提升系统鲁棒性。

附图说明

图1 钢轨剥离掉块检测系统组成；

图2 钢轨剥离掉块及接头区域示意图；

图3 钢轨深度图像与钢轨基准曲线配准示意图；

图4 钢轨横截面曲线与钢轨基准曲线配准示意图；

图5 实施例4线结构光3D相机安装示意图；

1-钢轨，2-视觉成像模块，3-成像控制模块，4-图像处理模块，5-运载平台，6-剥离掉块，7-钢轨接缝，8-鱼尾板，9-钢轨接头区域，10-钢轨头部，11-钢轨腰部，12-钢轨底部。

具体实施方式

以下结合附图及其实施例对本发明进行详细说明，但并不因此将本发明的保护范围限制在实施例描述的范围之中。

实施例1：在仅获取钢轨深度图像时的钢轨剥落掉块检测方法和系统

钢轨剥落掉块检测方法的处理步骤如下：

S1: 利用图像采集单元获取钢轨深度图像，在采集的钢轨深度图像中，设定钢轨候选区域R；

S2:在钢轨候选区域R内，采用模式识别或AI方法判定是否存在钢轨接头区域（如图2所示）；当存在钢轨接头区域时，在钢轨候选区域R将其屏蔽后再进行S3;

S3:在钢轨候选区域R内，提取钢轨头部基准曲线S0，沿运载平台行进方向，根据钢轨头部基准曲线S0，生成钢轨头部基准图像；

S4:在钢轨候选区域R内，遍历钢轨深度图像每行像素，根据每行像素计算该行像素对应的钢轨头部剖面参考高度hi，得到n个参考高度，构成参考高度序列H={h0,h1,...，hn-1}；

S5:在钢轨候选区域R内，根据参考高度序列H，对钢轨深度图像进行高度对齐操作，使处理后图像的钢轨具有相同的基准高度，以修正运载平台振动产生的高度偏差，得到高度修正图像；

S6:用钢轨基准图像与高度修正图像相减，采用阈值分割方法提取低于钢轨头部基准图像的区域E1；

S7：对高度修正图像进行均值滤波，以均值滤波后图像为基准与高度修正图像相减，采用阈值分割方法提取低于均值滤波后图像的区域E2；

S8:将E1和E2区域合并，根据合并后的区域形状、深度信息判断是否为钢轨剥落掉块病害，若是，则计算剥落掉块病害区域的长、宽、深和面积信息。

所述钢轨头部基准曲线S0的提取方法是：

S3-1:在钢轨候选区域R内，根据钢轨头部的高度范围，通过阈值分割找到钢轨头部区域R2；

S3-2:在区域R2内，遍历每一列像素，取每列像素取值的众数，作为钢轨基准曲线S0在当前列位置上中的取值。

需要说明的是，上述众数是指：每列像素取值中出现频次最高的像素取值。以{100、200、100、205、100、210、100}为例，出现批次最高的为100,该像素序列的众数为100。

所述钢轨头部剖面参考高度hi的计算方法是：如图3所示，将钢轨深度图像中每一行像素看着位于钢轨横截面二维平面内的点云数据，采用点云数据匹配方法（比如ICP或NDT），使钢轨基准曲线S0与每一行像素构成的钢轨横截面曲线进行配准，基于配准结果，计算每一行像素到钢轨基准曲线S0的高度差作为hi。

为了降低成像质量影响，特别是消除线结构光3D相机成像中的空洞问题，对采集的深度图像进行预处理。具体方法是：在钢轨候选区域R内，根据钢轨高度范围，设置检测阈值T，找出低于阈值T的像素，标记为空洞区域，并将这些空洞区域在钢轨候选区域R中进行屏蔽。

S8中计算剥落掉块病害区域的长、宽、深和面积信息中对剥落掉块病害区域深信息计算的方法为：取剥落掉块病害区域内，钢轨头部基准图像与高度修正图像差值的最大值。

本实施例的钢轨剥落掉块检测系统，如图1所示，图像采集单元由成像控制模块3和视觉成像模块2组成，图像处理单元为图像处理模块4，运载单元为运载平台5。

其中，成像控制模块3包含：运载平台速度测量单元和成像控制信号发生器，速度测量单元对运载平台的速度进行精准测量；所述速度测量单元为基于编码器的车轮速度测量或雷达测速或LDV测速模块；所述成像控制信号发生器根据运行平台运动速度和运动方向的成像分辨率需求，产生成像控制脉冲信号给视觉成像模块。

视觉成像模块2包括位于两侧钢轨上方的2台线结构光3D相机（也可以使用其他常用设备获取钢轨的深度图像），且3D相机的光轴垂直于地面，沿运载平台运动方向对钢轨进行扫描成像，获取钢轨深度图像，沿运载平台运动方向的成像分辨率不低于1mm/pixel,与运载平台运动方向垂直方向上的成像分辨率不低于1mm/pixel，高度方向分辨率不低于0.1mm。

图像处理模块与视觉成像模块连接，接受视觉成像模块采集的钢轨深度图像，并执行钢轨剥落掉块检测算法，完成钢轨剥离掉块检测。

运载平台为列车或电客车或检测车或巡检机器人或手推小车，为检测系统提供供电和安装支撑。

实施例2

与实施例1相比，可采用深度图像判定是否存在钢轨接头，具体方法如下：

S2-1:钢轨候选区域R，统计钢轨的高度值h0;

S2-2:以钢轨候选区域R为参考，设置鱼尾板检测区域R1，设置高度阈值h1=h0-h2-t,h2为钢轨顶面到鱼尾板顶面的高度差,t为误差项，t取1-10mm；

S2-3:在钢轨候选区域R内，通过阈值分割方法，找出高于h1的区域；

S2-4: 在找出的高于h1的区域内，根据面积、形状、深度信息作为约束，选出鱼尾板区域，当存在鱼尾板区域时，判定为钢轨接头。

实施例3

与实施例1不同之处在于，在进行钢轨头部剖面参考高度hi计算时，如图4所示，以钢轨中轴线为界，在非磨耗一侧进行计算，具体方法是：取左侧钢轨中轴线左侧区域内的钢轨基准曲线S0和钢轨深度图像每行像素进行匹配；取右侧钢轨中轴线右侧区域内的钢轨基准曲线S0和钢轨深度图像每行像素进行匹配。

此方法优点在于：如图4所示，在左侧钢轨横截面曲线上，右侧区域与车轮接触，存在磨耗，这些磨耗区域难以进行准确匹配，而左侧的非磨耗区域保留了钢轨原来的形状特征，使钢轨横截面曲线和钢轨基准曲线S0在该区域具有相同形状，有利于获得准确匹配结果，即可获取准确的高度差异hi。

实施例4

与实施例1不同之处在于，如图5所示，所述两侧钢轨上方的2台线结构光3D相机的光轴与轨道平面倾斜放置，3D相机可同时获得钢轨头部10、钢轨腰部11、钢轨底部12的深度图像。

对应的钢轨剥离掉块检测方法不同之处在于：以钢轨腰部、底部作为配准区域，经配准后，修正运载平台振动产生的钢轨头部高度误差，在修正后的深度图像上，再提取钢轨基准曲线S0，再根据基准曲线S0生成钢轨头部基准图像；利用钢轨头部基准图像与修正后的深度图像作差，采用阈值分割方法提取低于钢轨基准图像的区域E1;对修正后的深度图像进行均值滤波，以均值滤波后图像为基准与修正后的深度图像相减，采用阈值分割方法提取低于均值滤波后图像的区域E2；将E1和E2区域合并，根据区域形状、深度信息判断是否为钢轨剥落掉块病害，并计算剥落掉块病害区域的长、宽、深信息。

实施例5

与实施例1不同之处在于，线结构光3D相机同时获取钢轨表面纹理图像和深度图像，对检出的钢轨剥离掉块区域，采用纹理图像和深度图像融合为双通道图像，再采用深度学习分类方法判定S8中判断出的钢轨剥离掉块区域是否为真实的剥离掉块病害；所述深度学习分类方法包括但不限于VGG、ResNet、VIT、MobileNet分类模型。

以上对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (11)

1.一种钢轨剥落掉块检测方法，其特征在于，该检测方法包括以下步骤： S1：至少采集钢轨深度图像，在所述深度图像中设定钢轨候选区域R；

S2：在钢轨候选区域R内，判定是否存在钢轨接头区域，若存在钢轨接头区域，将其屏蔽；

S3：在钢轨候选区域R内，提取钢轨头部基准曲线S0，根据钢轨头部基准曲线S0生成钢轨头部基准图像，并对钢轨深度图像进行高度修正，得到高度修正图像；

S4:用S3中生成的钢轨头部基准图像与高度修正图像相减，提取低于钢轨头部基准图像的区域E1；

S5：对高度修正图像进行均值滤波，以均值滤波后图像为基准与高度修正图像相减，提取低于均值滤波后图像的区域E2；

S6:将区域E1和E2合并，根据合并后的区域形状、深度信息判断是否为钢轨剥落掉块病害，若是，则计算剥落掉块病害区域的长、宽、深和面积信息。

2.根据权利要求1所述的一种钢轨剥落掉块检测方法，其特征在于， S3中提取钢轨头部基准曲线S0的方法为：

在钢轨候选区域R内，根据钢轨头部的高度范围，通过阈值分割找到钢轨头部区域R2；

在钢轨头部区域R2内，遍历每一列像素，取每列像素取值的众数，作为钢轨基准曲线S0在当前列位置上中的取值。

3.根据权利要求1所述的一种钢轨剥落掉块检测方法，其特征在于， S3中对钢轨深度图像进行高度修正的方法为：

在钢轨候选区域R内，遍历钢轨深度图像每行像素，根据每行像素计算该行像素对应的钢轨头部剖面参考高度hi，得到n个参考高度，构成参考高度序列H={h0,h1,...，hn-1}；

在钢轨候选区域R内，根据参考高度序列H，对钢轨深度图像进行高度对齐，使高度对齐后的钢轨深度图像中钢轨具有相同的基准高度，以修正检测过程中振动产生的高度偏差，得到高度修正图像。

4.根据权利要求3所述的一种钢轨剥落掉块检测方法，其特征在于，所述根据每行像素计算该行像素对应的钢轨头部剖面参考高度hi的方法为：将钢轨深度图像中每一行像素看作位于钢轨横截面二维平面内的点云数据，采用点云数据匹配方法，使钢轨头部基准曲线S0与每一行像素构成的曲线进行配准，基于配准结果，计算每一行像素到钢轨头部基准曲线S0的高度差作为hi。

5.根据权利要求4所述的一种钢轨剥落掉块检测方法，其特征在于，采集到钢轨头部深度图像时，进行配准的方法是以钢轨中轴线为界，在非磨耗一侧取钢轨基准曲线S0和钢轨深度图像每行像素进行匹配。

6.根据权利要求4所述的一种钢轨剥落掉块检测方法，其特征在于，同时采集到钢轨头部、腰部、底部深度图像时，以钢轨腰部、底部作为配准区域，经配准后，修正检测过程中振动产生的高度偏差，在修正后的深度图像上，再次提取钢轨基准曲线S0，再次根据基准曲线S0生成钢轨头部基准图像。

7.根据权利要求6所述的一种钢轨剥落掉块检测方法，其特征在于，S6中计算剥落掉块病害区域的长、宽、深和面积信息中对剥落掉块病害区域深信息计算的方法为：取剥落掉块病害区域内，钢轨头部深度图像与钢轨头部基准图像差值的最大值。

8.根据权利要求1所述的一种钢轨剥落掉块检测方法，其特征在于，S1中还能同时采集钢轨纹理图像和深度图像，对S6中判断出的钢轨剥落掉块区域，采用纹理图像和深度图像融合为双通道图像，再采用深度学习分类方法判定检出的钢轨剥离掉块区域是否为真实的剥落掉块病害。

9.根据权利要求1所述的一种钢轨剥落掉块检测方法，其特征在于，S1中还包括在钢轨区域R内，根据钢轨高度范围，设置检测阈值T，找出低于阈值T的像素，标记为空洞区域，并将这些空洞区域在钢轨区域R中进行屏蔽。

10.根据权利要求1所述的一种钢轨剥落掉块检测方法，其特征在于，S2中判定是否存在钢轨接头区域的方法为： 采用模式识别或AI方法直接判定；或利用轨道深度图像判定；

所述利用轨道深度图像判定的方法为：

S2-1：在钢轨候选区域R，统计钢轨的高度值h0;

S2-2:以钢轨候选区域R为参考，设置鱼尾板检测区域R1，设置高度阈值h1=h0-h2-t,h2为钢轨顶面到鱼尾板顶面的高度差,t为误差项，t取1-10mm；

S2-3:在钢轨候选区域R内，找出高于h1的区域；

S2-4:在找出的高于h1的区域内，根据面积、形状、深度信息作为约束，选出鱼尾板区域，当存在鱼尾板区域时，判定为钢轨接头区域。

11.一种基于根据权利要求1-10任意一项所述检测方法的钢轨剥落掉块检测系统，其特征在于，该系统至少包含： 图像采集单元，用于采集钢轨深度图像，或深度图像和纹理图像；

图像处理单元，用于执行钢轨剥落掉块检测的算法，完成钢轨剥落掉块检测；

运载单元，用于为该检测系统供电和安装支撑。

Images