線掃描鐵軌表面缺陷成像與檢測

摘要：基于線掃描的機(jī)器視覺成像系統(tǒng)，用于采集鐵軌表面圖像，提出一種以圖像增強(qiáng)和自動閾值分割為核心的缺陷檢測算法，該算法能夠準(zhǔn)確檢測出鐵軌表面缺陷.圖像增強(qiáng)采用局部零均值法，克服了鐵軌表面光線反射不均的缺點(diǎn)，提高了缺陷和背景的區(qū)分度.自動閾值分割采用強(qiáng)調(diào)概率的最大背景類方差法，取到的閾值使背景類方差最大的同時保持缺陷出現(xiàn)概率較小.將本文的核心方法與傳統(tǒng)方法進(jìn)行對比實驗，驗證了該算法的有效性和快速性，具有一定的實用價值.

關(guān)鍵詞：機(jī)器視覺；鐵軌；表面缺陷；圖像增強(qiáng)；自動閾值分割

中圖分類號：U213.4文獻(xiàn)標(biāo)識碼：A

軌道交通已成為人們?nèi)粘３鲂械闹匾x擇.近年來，隨著高速和重載列車的開通，城市地鐵輕軌的運(yùn)營，對鐵路基礎(chǔ)設(shè)施的可靠性提出十分嚴(yán)格的要求[1].為了保證鐵路運(yùn)營安全，需要對鐵軌的狀態(tài)進(jìn)行實時監(jiān)測，及時發(fā)現(xiàn)安全隱患.

鐵軌缺陷檢測是鐵軌檢測中的重要一環(huán).在過去，鐵軌缺陷檢測主要依靠有經(jīng)驗的鐵道工人，在鐵路沿線巡查，這種檢測方法不僅效率低、危險性大，而且受到天氣、工人責(zé)任心等因素的影響[2].隨著科學(xué)技術(shù)的不斷進(jìn)步，近年來，人們利用超聲、磁感應(yīng)（或漏磁場）、電渦流感應(yīng)、機(jī)器視覺等無損檢測技術(shù)對鐵軌缺陷進(jìn)行檢測[3].

本文基于機(jī)器視覺原理，通過設(shè)計成像系統(tǒng)采集鐵軌圖像，然后利用圖像處理算法將鐵軌缺陷在圖像中標(biāo)記出來.

1成像系統(tǒng)

成像系統(tǒng)由相機(jī)與鏡頭、照明設(shè)備、控制設(shè)備3部分組成.相機(jī)選用DALSA Spyder3 GigE Vision線掃描相機(jī)，其分辨率為1 024像素，線掃描頻率可達(dá)到68 000 Hz，它支持CameraLink規(guī)范，通過千兆以太網(wǎng)接口以80 MHz的速度將采集到的圖像數(shù)據(jù)傳送至工控機(jī).鏡頭選用光圈可調(diào)，固定焦距為25 mm的C口鏡頭.

為了提高成像質(zhì)量，減少外界光線對鐵軌表面的影響，照明設(shè)備選用超高亮度的LED條形光源，對稱放置在相機(jī)兩側(cè)，裝置模擬圖如圖1（a）所示.

控制設(shè)備主要控制相機(jī)的采集速率與軌檢車（圖1（b））運(yùn)行速率相一致.在軌檢車上安裝旋轉(zhuǎn)編碼器，將速度信息以脈沖的形式傳送給相機(jī)，相機(jī)通過外部觸發(fā)工作模式完成圖像采集.

在實驗階段，通過成像系統(tǒng)采集到的圖像大小為1 024×1 024，大多數(shù)成像質(zhì)量較好，但在經(jīng)過軌道間隔處時，由于振動作用，對成像質(zhì)量有一定影響.

2缺陷檢測算法

缺陷檢測算法是將成像系統(tǒng)采集到的鐵軌圖像通過圖像處理技術(shù)，標(biāo)記出鐵軌表面缺陷的位置.檢測算法包括4個步驟（圖2）：首先裁剪成像系統(tǒng)采集的圖像，提取鐵軌區(qū)域；其次提高缺陷與背景的對比度，增強(qiáng)鐵軌圖像；然后將背景區(qū)域去除，閾值化分割缺陷；最后運(yùn)用形態(tài)學(xué)方法，標(biāo)記缺陷位置.

2.2增強(qiáng)鐵軌圖像

增強(qiáng)鐵軌圖像是實現(xiàn)缺陷檢測算法的重要一步.所謂增強(qiáng)鐵軌圖像就是克服鐵軌表面光線反射不均的影響，提高鐵軌中缺陷與背景的對比度.通過觀察圖2（b）所示的鐵軌表面狀況，得到以下結(jié)論：

1）背景圖像整體存在較大的明暗變化.由于鐵軌表面受到室外氣候的腐蝕作用以及車輪摩擦受力程度的不同，導(dǎo)致光源照射在鐵軌光滑的地方，反射的光線強(qiáng)度強(qiáng)，得到明亮的圖像；照射在鐵軌粗糙的地方，反射的光線強(qiáng)度弱，得到灰暗的圖像.

2）背景圖像局部存在較小的明暗變化.在鐵軌豎直方向的局部區(qū)域，由于鐵軌和車輪摩擦受力情況、腐蝕情況基本一致，得到的鐵軌圖像明暗程度基本不變.

3）缺陷比其周圍背景的灰度值小.由于背景圖像整體存在較大的明暗變化，在暗處的灰度值有的等于或者小于缺陷處，在光亮處，也有類似于缺陷的斑點(diǎn)，所以定義缺陷存在于比其周圍背景灰度值小的位置[5].

3實驗結(jié)果

首先將缺陷檢測算法中的重要步驟（增強(qiáng)鐵軌圖像和閾值化分割缺陷）與傳統(tǒng)方法進(jìn)行對比，然后給出缺陷圖像的檢測結(jié)果.

3.1增強(qiáng)鐵軌圖像方法比較

傳統(tǒng)的增強(qiáng)對比度的方法有：全局直方圖均衡化（GHE），對比度受限自適應(yīng)直方圖均衡化（CLAHE）[11].本實驗將LZM增強(qiáng)鐵軌圖像的方法與GHE和CLAHE進(jìn)行對比，觀察增強(qiáng)效果和運(yùn)算時間.

為使實驗在相同條件下進(jìn)行，實驗中選取的圖像均是提取鐵軌區(qū)域后的圖像，并且在進(jìn)行CLAHE實驗時，選取和LZM方法一樣的1×1 024線性窗口區(qū)域，限制選取0.02，預(yù)期得到均勻的直方圖.在配置為Intel（R） Core（TM） i3 CPU （2.53 GHz），2 G內(nèi)存的電腦中使用Visual C++和OpenCV，選取20幅缺陷圖像求出各算法的平均運(yùn)算時間.

圖5和表1顯示了實驗對比結(jié)果.運(yùn)用GHE方法，對圖像的灰度值進(jìn)行了整體的拉伸，雖然運(yùn)算速度最快，但背景和缺陷之間并沒有很大的區(qū)分度，特別是邊界處的背景與缺陷幾乎有相同的灰度值，如圖5（b）所示.運(yùn)用CLAHE方法，對局部區(qū)域進(jìn)行有限制的直方圖均衡化，雖然背景的平滑效果比GHE好，但運(yùn)算速度最慢，并且與缺陷灰度值接近的背景區(qū)域仍然存在，如圖5（c）所示.運(yùn)用LZM方法，雖然運(yùn)算速度不及GHE，但是背景與缺陷的對比度得到增強(qiáng)，而且與缺陷灰度值接近的背景區(qū)域也大幅度減小，為后期閾值化分割缺陷做好了鋪墊，如圖5（d）所示.

3.2閾值化分割方法比較

傳統(tǒng)的閾值化分割方法有：最大類間方差法（OSTU）、最大熵法（ME）[12].本文將PEMCV閾值化分割缺陷的方法分別與OSTU，ME進(jìn)行對比，比較閾值化分割效果和運(yùn)算時間.

在實驗中，為了更加準(zhǔn)確地比較不同閾值化方法的分割效果，對原始圖像都采用LZM方法進(jìn)行增強(qiáng)，然后再分別進(jìn)行閾值化分割.3種閾值化分割效果分別如圖5（e）～（g）所示，對應(yīng)所求的閾值t在圖上方標(biāo)出.通過實驗可得以下結(jié)論：1）PEMCV分割出了主要的缺陷，并且取得的閾值最小，使圖像中夾雜的噪聲少.2）PEMCV比其他方法消耗最少的計算時間（如表1所示），因為它只需要計算背景類的方差所耗時間，而其他方法需要計算目標(biāo)和背景兩個部分所耗時間.

3.3檢測缺陷圖像

用缺陷圖像對算法進(jìn)行驗證，檢驗算法的可靠性.實驗中對成像系統(tǒng)采集到的缺陷圖像進(jìn)行缺陷檢測，檢測結(jié)果如圖5（h）所示，圖像中的缺陷都用方框標(biāo)記出來.

4結(jié)論

本文給出了鐵軌表面缺陷檢測的成像系統(tǒng)，并提出了一種有效的缺陷檢測算法.利用成像系統(tǒng)采集到的圖像，經(jīng)過CM提取鐵軌區(qū)域、LZM增強(qiáng)鐵軌圖像、PEMCV閾值化分割缺陷、形態(tài)學(xué)標(biāo)記缺陷位置等圖像處理算法，對鋼軌表面缺陷進(jìn)行檢測.通過實驗，驗證了該算法的有效性和快速性.由于該系統(tǒng)具有投入成本低，檢測效率高，實時性好等優(yōu)點(diǎn)，具有一定的應(yīng)用前景.

參考文獻(xiàn)

[1]周清躍，周鎮(zhèn)國.客運(yùn)專線鋼軌技術(shù)條件的研究及起草[C]//中國鐵道學(xué)會.鐵路客運(yùn)專線建設(shè)技術(shù)交流會論文集.北京：長江出版社，2005：91-95.

[2]唐湘娜，王耀南.鐵軌表面缺陷的視覺檢測與識別算法[J].計算機(jī)工程，2013，39（3）：25-30.

[3]PAPAELIAS M， ROBERTS C.DAVIS C. A review on nondestructive evaluation of rails： stateoftheart and future development [J]. Rail and Rapid Transit， 2008， 222（4）： 367-384.

[4]李文輝，王瑩，趙瑞霖.使用日夜兩用型紅外攝像機(jī)進(jìn)行火焰檢測[J].湖南大學(xué)學(xué)報：自然科學(xué)版，2012，39（8）：73-80.

[5]LI Qingyong， REN Shengwei. A realtime visual inspection system for discrete surface defects of rail heads [J]. IEEE Transactions on Instrumentation and Measurement， 2012， 61（8）： 2189-2199.

[6]ABOUELELA A， ABBAS H， ELDEEB H，et al.Automated vision system for localizing structural defects in textile fabrics [J]. Pattern Recognition Letters， 2005，26：1435-1443.

[7]SEZGIN M， SANKUR B. Survey over image thresholding techniques and quantitative performance evaluation [J]. Electronic Imaging， 2004， 13（1）：146-156.

[8]LIAO Pingsung，CHEN Tsesheng，CHUNG Pauchoo.A fast algorithm for multilevel thresholding [J]. Journal of Information Science and Engineering， 2001， 17：713-727.

[9]NG H.Automatic thresholding for defect detection [J]. Pattern Recognition Letters， 2006， 27：1644-1649.

[10]鐵道部公務(wù)局.鐵路工務(wù)技術(shù)手冊：軌道[S].北京：中國鐵道出版社，2000.

[11]GONZALEZ R，WOODS R. Digital image processing [M].3rd ed. NJ： Prentice Hall， 2007：72-88.

[12]CHANG C， DU Y， WANG J，et al. Survey and comparative analysis of entropy and relative entropy thresholding techniques [J]. IEEE Proceedings， Vision， Image and Signal Processing， 2006， 153（6）：837-850.