CN118037726B - 一种铁路配件缺陷检测方法及系统 - Google Patents

Abstract

本发明涉及图像处理领域，更具体地，本发明涉及一种铁路配件缺陷检测方法及系统。所述方法包括：获取滚动轴承灰度图；构建影响区域，并计算目标像素点的噪声表现程度；利于预设边缘检测算法对影响区域提取边缘连通域获得疑似缺陷区域，并计算噪声表现程度修正值；通过SG滤波获得去噪后的目标像素点，以获得去噪后的滚动轴承灰度图；将去噪后的滚动轴承灰度图输入预设神经网络模型中，输出缺陷检测结果，完成对铁路配件缺陷检测。通过本发明的技术方案，能够提高滤波效果，增加铁路配件缺陷检测的准确性。

Description

一种铁路配件缺陷检测方法及系统

技术领域

本发明一般地涉及图像处理领域。更具体地，本发明涉及一种铁路配件缺陷检测方法及系统。

背景技术

对于铁路方面的设备配件，尤其是滚动轴承这类关键部分的零部件，一旦出现任何微小的缺陷或问题，都会引发列车故障，影响列车运行。因此，找寻一种方法对这些关键配件进行缺陷检测与监控便成为了重要课题。传统的缺陷检测方法基本上都依赖于人工目视检验及定期的维护护理，这种方式不仅耗费大量时间、精力，并且检出率较低，容易受到工作人员技术熟练程度及其主观判断能力的影响。随着计算机视觉以及图像处理相关技术的飞速发展，基于图像处理原理的缺陷检测手法已经为铁路配件的维护保养及检测工作开拓了一条全新的路径。在运用图像处理进行缺陷检测的过程中，常常会涉及到采集到的滚轮轴承图像的降噪处理环节，以期提升后续缺陷检测工作的效率。

SG（Savitzky-Golay）滤波算法本是一种进行数据去噪的算法，其核心思想是在每个数据点的邻域内，用最小二乘法拟合一个多项式，然后用这个多项式在该点的值来代替原始数据点的值。类比到对图像的滤波中则是在每个像素点的邻域内，用最小二乘法拟合一个多项式，然后用这个多项式在该点的值来代替原始像素点的值，从而完成的滤波。

现有SG滤波算法对图像去噪的问题在于，在对铁路滚动轴承配件图像的采集过程中的传感器缺陷、电子干扰等因素导致图像中存在噪点，而SG滤波器的核心思想是在每个像素点的邻域内用最小二乘法拟合一个多项式，最小二乘法往往会给每一个观测值（即像素点）赋予一个权重，以提高算法拟合的精度，而上述噪点会影响周围像素点的拟合过程，从而导致拟合曲面的质量下降，进而使最终的滤波结果不理想。

发明内容

为解决上述一个或多个技术问题，本发明提出一种铁路配件缺陷检测方法及系统。

第一方面，本发明公开一种铁路配件缺陷检测方法，包括以下步骤：获取滚动轴承灰度图；获取目标像素点，所述目标像素点为所述滚动轴承灰度图中任意一个像素点；将所述目标像素点作为中心点，按照预设尺寸构建影响区域，根据所述影响区域内的像素点的灰度值，计算所述目标像素点的噪声表现程度；利于预设边缘检测算法对所述影响区域提取边缘连通域，将面积最大的所述边缘连通域作为疑似缺陷区域，根据所述疑似缺陷区域计算噪声表现程度修正值；获得预设参数的SG滤波，将所述噪声表现程度修正值和最小二乘法的初始权重的乘积作为所述目标像素点调整后的权重，通过SG滤波获得去噪后的所述目标像素点；遍历所有像素点，获得去噪后的滚动轴承灰度图；将去噪后的滚动轴承灰度图输入预设神经网络模型中，输出有缺陷概率，响应于所述有缺陷概率大于预设缺陷阈值，生成并发送报警信号及检修信号。

在一个实施例中，所述目标像素点的噪声表现程度满足关系式：

，其中，/>表示第/>行第/>列像素点的噪声表现程度，/>表示第/>行第/>列像素点的灰度值，/>表示以第/>行第/>列像素点为中心的影响区域内所有像素点的灰度值均值，/>表示以第/>行第/>列像素点为中心的影响区域内所有像素点的灰度值方差，/>表示超参数，在噪声表现程度关系式中，第/>行第/>列像素点即为目标像素点。

在一个实施例中，所述噪声表现程度修正值满足关系式：

，其中，/>表示第/>行第/>列像素点的噪声表现程度修正值，/>表示第/>行第/>列像素点的噪声表现程度，/>表示疑似缺陷区域的面积，/>表示疑似缺陷区域的最小外接矩形的面积，/>表示疑似缺陷区域的长度，/>表示疑似缺陷区域中任意两个像素点之间的最远距离，在噪声表现程度修正值关系式中，第/>行第/>列像素点即为目标像素点。

在一个实施例中，获得去噪后的所述目标像素点包括步骤：通过所述噪声表现程度修正值对最小二乘法中的初始权重进行调整，获得调整后的权重，调整后的权重满足关系式：

，其中，/>表示第/>行第/>列像素点调整后的权重，/>表示最小二乘法中的初始权重，/>表示第/>行第/>列像素点的噪声表现程度修正值。

预设SG滤波的滤波窗口大小和多项式阶数，基于所述目标像素点调整后的权重通过预设SG滤波对所述目标像素点进行滤波，获得去噪后的所述目标像素点。

在一个实施例中，所述预设神经网络模型为训练好的卷积网络模型，对卷积网络模型进行模型训练，模型训练过程包含正向传播与反向传播，在正向传播过程中根据输出的所述有缺陷概率和标签之间的误差计算损失函数，在反向传播过程中使用梯度下降法更新网络权重；当所述卷积网络模型达到设定的最大训练次数或网络损失值小于设定损失值时，停止更新，得到训练好的卷积网络模型作为所述预设神经网络模型。

第二方面，本发明公开一种铁路配件缺陷检测系统，包括：处理器；以及存储器，所述存储器存储有计算机指令，当所述计算机指令由处理器运行时，使得设备执行上述的一种铁路配件缺陷检测方法。

本发明具有以下技术效果：

1.本发明能够提高对铁路配件缺陷检测的及时性和准确性。

2.首先通过像素点灰度值即影响区域的像素点灰度值的差异获得每个像素点的噪声表现程度，并通过边缘检测获得疑似缺陷区域，根据疑似缺陷区域的特征获得像素点的噪声表现程度修正值，利用噪声表现程度修正值自适应更新最小二乘法的权重，提高拟合结果的准确性排除噪声对拟合过程中的干扰，进而增加SG滤波的准确性。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是本发明实施例一种铁路配件缺陷检测方法的流程图。

图2是本发明实施例一种铁路配件缺陷检测方法的滚动轴承灰度图示意图。

图3是本发明实施例一种铁路配件缺陷检测系统的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。

应当理解，当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

本发明提供了一种铁路配件缺陷检测方法。如图1所示，一种铁路配件缺陷检测方法包括步骤S1-步骤S5，以下具体说明。

S1，获取滚动轴承灰度图。

在一个实施例中，利用工业相机采集滚动轴承表面RGB（Red Green Blue红绿蓝）图像，对滚动轴承表面RGB图像灰度化获得滚动轴承灰度图，如图2所示，为滚动轴承灰度图示意图。

S2，构建影响区域，并计算目标像素点的噪声表现程度。

需要说明的是，滚动轴承灰度图中的噪点往往表现为灰度值的突变，即像素点与周围像素点的灰度值具有明显差异，因此可利用像素点的突变性表征像素点的噪声表现程度。像素点的突变性可用当前像素点的灰度值与影响区域内所有像素点灰度值均值的差值表示，其中差值越大说明当前像素点越和周围像素点的差异越大，像素点的噪声表现程度越大；进一步的，对于一些像素点的影响区域内，若是相邻像素点的变化较大，那么用差值作为像素点的噪声表现程度的度量方法的可信度不高，并不能代表影响区域内的真实像素水平，因此可利用影响区域内的方差的倒数增加像素点的噪声表现程度度量的可信度。

在一个实施例中，获取目标像素点，目标像素点为滚动轴承灰度图中任意一个像素点，将目标像素点作为中心点，按照预设尺寸构建影响区域，示例性的，影响区域的尺寸可由本领域技术人员设置，本发明将影响区域的尺寸设置为。根据影响区域内的像素点的灰度值，计算目标像素点的噪声表现程度，目标像素点的噪声表现程度满足关系式：

，其中，/>表示第/>行第/>列像素点的噪声表现程度，/>表示第/>行第/>列像素点的灰度值，/>表示以第/>行第/>列像素点为中心的影响区域内所有像素点的灰度值均值，/>表示以第/>行第/>列像素点为中心的影响区域内所有像素点的灰度值方差，/>表示超参数，防止分母为0，示例性的，超参数设置为0.1。在噪声表现程度关系式中，第/>行第/>列像素点即为目标像素点。/>表示的是第/>行第/>列像素点的灰度值与影响区域内所有像素点灰度值均值的差值，用来表征第/>行第/>列像素点的突变性，/>表示的是以第/>行第/>列像素点为中心的影响区域内所有像素点的灰度值方差的倒数，用来表征噪声表现程度的可信度。

S3，利于预设边缘检测算法对影响区域提取边缘连通域获得疑似缺陷区域，并计算噪声表现程度修正值。

需要说明的是，由于滚动轴承零件表面在高接触应力的循环作用下会产生金属片状脱落现象，进而会导致金属片脱落位置出现凹凸不平的边缘，而这种边缘像素点会与该边缘像素点影响区域内的其他像素点存在显著差异。而计算的噪声表现程度正是通过像素点与其影响区域内其他像素点灰度值之间的关系计算得到，若是用同样的方法计算边缘像素点的噪声表现程度会导致获得的噪声表现程度出现偏差，因此，需要通过疑似缺陷区域中边缘像素点的特征修正噪声表现程度。缺陷区域的边缘像素点的特征体现为影响区域内存在细长的线条，即使缺陷区域边缘在整体上呈现为弧线状，也能在一个较小的影响区域里可近似看做直线，且该直线上会由于缺陷区域边缘的不规则性呈现出锯齿状，因此对像素点影响范围内的边缘进行计算，从而对噪声表现程度做出修正。

在一个实施例中，利于预设边缘检测算法对影响区域提取边缘连通域，示例性的，预设边缘检测算法包括Roberts算子（罗伯特斯算子）、Prewitt算子、Sobel算子（索贝尔算子）、Laplacian算子（拉普拉斯算子）和Canny算子，本发明采用Canny算子进行边缘检测。将面积最大的边缘连通域作为疑似缺陷区域，计算噪声表现程度修正值，噪声表现程度修正值满足关系式：

，其中，/>表示第/>行第/>列像素点的噪声表现程度修正值，/>表示第/>行第/>列像素点的噪声表现程度，/>表示疑似缺陷区域的面积，/>表示疑似缺陷区域的最小外接矩形的面积，/>表示疑似缺陷区域的长度，/>表示疑似缺陷区域中任意两个像素点之间的最远距离，在噪声表现程度修正值关系式中，第/>行第/>列像素点即为目标像素点。/>表示疑似缺陷区域占疑似缺陷区域最小外接矩形的比例，用来表征疑似缺陷区域的直线性，所占比例越大，疑似缺陷区域越接近矩形，即越接近直线。需要说明的是，若疑似缺陷区域的面积为0，即目标像素点的影响范围中不存在边缘像素点，不需要对计算的噪声表现程度进行修正。

S4，通过SG滤波获得去噪后的目标像素点，以获得去噪后的滚动轴承灰度图。

需要说明的是，SG滤波的核心思想是在每个像素点的邻域内用最小二乘法拟合一个多项式，最小二乘法往往会给每一个观测值（即像素点）赋予一个权重，以提高算法拟合的精度。最小二乘法的基本原理是将观测值的权重赋予每个观测值使得不同的观测值进行拟合时权重不同，从而调整拟合的精度，但是传统最小二乘法中往往使用每个观测值方差的倒数作为对应观测值的权重，即传统算法中认为越偏离窗口内灰度值的点则其对拟合结果的影响越小，但是在滚动轴承灰度图中，若出现缺陷，会导致在一个较小的窗口内灰度值方差较大，那么如果利用传统算法中的权重赋值方式会使得图像细节丢失。本发明通过分析像素点的噪声表现程度，从而对传统最小二乘法进行拟合时的权重做出修正，对于噪声表现程度大的像素点的权重降低，反之对噪声表现程度小的点的权重升高，从而使得拟合结果靠近真实的灰度值，进而提高SG滤波算法的准确性。

在一个实施例中，通过噪声表现程度修正值对最小二乘法中的初始权重进行调整，获得调整后的权重，调整后的权重满足关系式：

，其中，/>表示第/>行第/>列像素点调整后的权重，/>表示最小二乘法中的初始权重，/>表示第/>行第/>列像素点的噪声表现程度修正值。

预设SG滤波的滤波窗口大小和多项式阶数，示例性的，滤波窗口大小设置为7，多项式阶数设置为3，具体可由本领域技术人员进行调整。基于目标像素点调整后的权重通过预设SG滤波对目标像素点进行滤波，获得去噪后的目标像素点，遍历所有像素点，获得去噪后的滚动轴承灰度图。

S5，将去噪后的滚动轴承灰度图输入预设神经网络模型中，输出缺陷检测结果，完成对铁路配件缺陷检测。

在一个实施例中，将去噪后的滚动轴承灰度图输入预设神经网络模型中，输出有缺陷概率，其中，预设神经网络模型为训练好的卷积网络模型，对卷积网络模型进行模型训练，模型训练过程包含正向传播与反向传播，在正向传播过程中根据输出的有缺陷概率和标签之间的误差计算损失函数，在反向传播过程中使用梯度下降法更新网络权重；当卷积网络模型达到设定的最大训练次数或网络损失值小于设定损失值时，停止更新，得到训练好的卷积网络模型作为预设神经网络模型。示例性的，网络损失值小于0.0001或者训练次数达到200次停止更新，得到训练好的卷积网络模型。多次训练模型，每次训练结束均会获得一个精确率，根据卷积网络模型评价指标中的精确率选择最优模型，即精确率最大的为最后的卷积网络模型。

示例性的，卷积网络模型可以为FCN（Fully Convolutional Network全卷积）网络、U-net网络、GCN（Graph Convolutional Network图卷积）网络、GAN（GenerativeAdversarial Network生成对抗）网络等。

当有缺陷概率大于预设缺陷阈值，生成并发送报警信号及检修信号，示例性的，预设缺陷阈值设置为0.6。

本发明实施例还公开一种铁路配件缺陷检测系统，参照图3，包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本发明的一种铁路配件缺陷检测方法。

上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。

在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory)、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。

虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用本文所描述的本发明实施例的各种替代方案。

以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (4)

1.一种铁路配件缺陷检测方法，其特征在于，包括以下步骤：

获取滚动轴承灰度图；

获取目标像素点，所述目标像素点为所述滚动轴承灰度图中任意一个像素点；

将所述目标像素点作为中心点，按照预设尺寸构建影响区域，根据所述影响区域内的像素点的灰度值，计算所述目标像素点的噪声表现程度；

利于预设边缘检测算法对所述影响区域提取边缘连通域，将面积最大的所述边缘连通域作为疑似缺陷区域，根据所述疑似缺陷区域计算噪声表现程度修正值；

获得预设参数的SG滤波，将所述噪声表现程度修正值和最小二乘法的初始权重的乘积作为所述目标像素点调整后的权重，通过SG滤波获得去噪后的所述目标像素点；

遍历所有像素点，获得去噪后的滚动轴承灰度图；

将去噪后的滚动轴承灰度图输入预设神经网络模型中，输出有缺陷概率，响应于所述有缺陷概率大于预设缺陷阈值，生成并发送报警信号及检修信号；

所述目标像素点的噪声表现程度满足关系式：

，其中，/>表示第/>行第/>列像素点的噪声表现程度，/>表示第/>行第/>列像素点的灰度值，/>表示以第/>行第/>列像素点为中心的影响区域内所有像素点的灰度值均值，/>表示以第/>行第/>列像素点为中心的影响区域内所有像素点的灰度值方差，/>表示超参数，在噪声表现程度关系式中，第/>行第/>列像素点即为目标像素点；

所述噪声表现程度修正值满足关系式：

，其中，/>表示第/>行第/>列像素点的噪声表现程度修正值，表示第/>行第/>列像素点的噪声表现程度，/>表示疑似缺陷区域的面积，/>表示疑似缺陷区域的最小外接矩形的面积，/>表示疑似缺陷区域的长度，/>表示疑似缺陷区域中任意两个像素点之间的最远距离，在噪声表现程度修正值关系式中，第/>行第/>列像素点即为目标像素点。

2.根据权利要求1所述的一种铁路配件缺陷检测方法，其特征在于，获得去噪后的所述目标像素点包括步骤：

通过所述噪声表现程度修正值对最小二乘法中的初始权重进行调整，获得调整后的权重，调整后的权重满足关系式：

，其中，/>表示第/>行第/>列像素点调整后的权重，/>表示最小二乘法中的初始权重，/>表示第/>行第/>列像素点的噪声表现程度修正值；

预设SG滤波的滤波窗口大小和多项式阶数，基于所述目标像素点调整后的权重通过预设SG滤波对所述目标像素点进行滤波，获得去噪后的所述目标像素点。

3.根据权利要求1所述的一种铁路配件缺陷检测方法，其特征在于，所述预设神经网络模型为训练好的卷积网络模型，对卷积网络模型进行模型训练，模型训练过程包含正向传播与反向传播，在正向传播过程中根据输出的所述有缺陷概率和标签之间的误差计算损失函数，在反向传播过程中使用梯度下降法更新网络权重；

当所述卷积网络模型达到设定的最大训练次数或网络损失值小于设定损失值时，停止更新，得到训练好的卷积网络模型作为所述预设神经网络模型。

4.一种铁路配件缺陷检测系统，其特征在于，包括：

处理器；以及存储器，所述存储器存储有计算机指令，当所述计算机指令由处理器运行时，使得设备执行根据权利要求1-3的任意一项所述的一种铁路配件缺陷检测方法。