基于圖像特征的軌道表面缺陷識別研究

中國電建市政建設集團有限公司 郝永旺

蘭州交通大學 魏文軍

中國電建集團鐵路建設公司 曹玉新 姜永濤

對鐵路工務來說，鋼軌表面的及時缺陷檢測對維護列車安全運行具有重要的意義[1]。利用圖像方面的技術對軌道表面缺陷進行檢測的方法具有高速度、高精度和高自動化等特性[2]。文獻[3]提出的鋼軌表面缺陷檢測快速算法，在檢測單一缺陷的軌面時效果較好，但難以應對復雜的軌面缺陷。劉蘊輝等利用圖像灰度信息提出的快速、實時檢測算法，只能找尋軌道表面缺陷的位置及其大小，但難以識別軌道表面缺陷的類型[4]。唐湘娜基于BP神經網絡的缺陷分類，提出的利用水平投影和灰度閾值的檢測方法，僅僅針對疤痕和波紋擦傷兩種缺陷[5]。

針對以往方法缺陷識別種類較少的情況，本文首先對采集到的軌面圖像進行圖像處理，圖像增強去噪后提取出軌道表面圖像中的軌面缺陷部分，然后實現缺陷的特征選擇與提取，最后根據提取到的缺陷特征通過神經網絡實現缺陷識別，仿真結果顯示本文方法能夠實現疤痕、裂縫和波紋擦傷等多種缺陷識別。

1 軌道表面圖像預處理

采集到的軌道圖像中不可避免的會出現碎石，枕木等非鋼軌表面的區域，同時軌道圖像會受到噪音、光線或者其他外界因素的影響，使其出現清晰度不高，細節不清或者圖像模糊的問題。因此，采集到的原始圖像不能被直接使用，先要對其進行圖像預處理。

1.1 軌道圖像的圖像增強

采集到的軌道圖像采用直方圖均衡化對軌道圖像進行增強。

在實際應用中，可以根據灰度直方圖的分布情況看出該灰度直方圖對應圖像的明暗狀態以及圖像對比度[6]，對比圖1和圖2，可以看出圖1中原軌道圖像的灰度直方圖的組成成分分布比較集中，圖2中原始圖像經過直方圖均衡化以后軌道的灰度直方圖大體實現了均勻分布，因此就表明經過處理后的軌道圖像有較高的對比度，即軌道表面部分和非軌道表面部分可以實現很好的區分。

圖1 軌道灰度圖像的直方圖

圖2 圖像增強后的直方圖

1.2 軌道圖像的去噪

常用的去噪方法有均值濾波、中值濾波和自適應維納濾波等[7]。本文用這三種算法對軌道圖像進行了去噪處理，用峰值信噪比描述三者的去噪效果，其值如表1所示。

對比表1中的去噪結果，發現自適應維納濾波處理后的峰值信噪比的值始終大于均值濾波和中值濾波后峰值信噪比的值。因此，自適應維納濾波的去噪結果比均值濾波和中值濾波的去噪結果明顯。

表1 去噪結果對比

1.3 軌道表面信息定位

在對軌面缺陷識別的過程中，首先要將圖像中的鋼軌提取出來。文獻[8]利用灰度變化率來提取缺陷，計算量較大，本文首先對圖像進行二值化處理，然后統計每行白色像素點個數，最后確定裁剪坐標得到軌道表面，由于是二值缺陷提取，大大減小了計算量。其步驟如下：

(1)圖像二值化

式(1)中，g(x,y)代表對軌道二值圖像在像素點(x,y)處的灰度值，f(x,y)為軌道灰度圖像在像素點(x,y)處的灰度值，T值的計算是先求灰度均值，在加上一個修正值△T，△T經過試驗多次試探后確定為-30，T是二值化處理時的閾值。

(2)統計每行白色像素點個數

軌道圖像的二值圖像中鋼軌軌面區域中的像素主要為白色，只有缺陷區域和鋼軌軌面區域兩側的像素為黑色，而在非鋼軌軌面區域所有的像素都是黑色。可以根據這個特點，以二值圖像中的行為單位，統計每行的白色像素點的個數，統計后每行白色像素點個數的的投影圖如圖3所示。

圖3 二值圖像白色像素點統計投影圖

從二值圖像白色像素點統計投影圖中可以看出，進過二值化處理后，白色像素點主要集中在軌道的軌面部分，軌道的非軌面部分基本都是黑色像素點。

(3)確定裁剪坐標

根據軌道圖像白色像素點個數統計投影圖，確定軌道裁剪坐標，經過MATLAB仿真，裁剪出來的鋼軌表面圖像結果如圖4所示。

圖4 鋼軌表面提取結果圖

2 軌道表面缺陷的提取與特征選擇

軌道表面缺陷的定位和提取是缺陷識別的前提，只有把軌面圖像中的缺陷準確提取出來，才能對其進行特征計算，進行缺陷分類。

2.1 軌道表面缺陷分割

軌道表面缺陷分割采用圖像分水嶺分割算法，它是一種基于拓撲理論的數學形態學的圖像分割方法[9,10]，把軌道表面圖像當作一個拓撲地形圖，其中軌道表面圖像中像素點的灰度值對應拓撲地形圖中的地形高度值。本文分水嶺分割算法從軌道表面圖像灰度的極小值開始計算處理，利用區域增長對其進行缺陷分割。應用分水嶺算法缺陷標記后軌面缺陷分割二值圖像仿真結果如圖5所示。

圖5 缺陷標記后軌面缺陷分割二值圖像

圖6 缺陷膨脹腐蝕處理結果圖

2.2 圖像形態處理

經過基于標記控制的分水嶺分割算法后，缺陷邊緣存在毛刺等虛假邊緣，會使缺陷識別分類出現不必要的錯誤。采用形態學圖像處理中的膨脹與腐蝕算法，兩者綜合使用可以消除這些虛假邊緣，對圖5基于標記控制的分水嶺算法缺陷標記后的二值圖像進行膨脹和腐蝕后，其結果如圖6所示。

2.3 軌道表面缺陷的提取

缺陷單獨提取出來以后再進行缺陷識別分類，本文采用8鄰域對鋼軌表面缺陷進行標記，對存在缺陷的軌面進行缺陷提取的MATLAB仿真如圖7所示。

圖7 軌道表面缺陷提取結果

3 軌道表面缺陷的分類和神經網絡缺陷識別

3.1 軌道表面缺陷的特征選擇與計算

缺陷特征的表示與描述是缺陷識別等應用的前提，主要有顏色特征，紋理特征和邊界特征等表示與描述方法。文中根據提取出來的缺陷的二值圖像和灰度圖像，計算了疤痕缺陷、裂縫缺陷和波紋擦傷缺陷的灰度均值、長軸、短軸、離心率、面積、周長、重心、矩形度以及致密度共9個特征。

計算出的疤痕缺陷的特征參數如表2所示：

表2 疤痕缺陷的特征參數

計算出的裂紋缺陷的特征參數如表3所示。

表3 裂縫缺陷的特征參數

計算出的波紋擦傷缺陷的參數如表4所示。

表4 波紋擦傷缺陷的特征參數

軌道表面缺陷的形態的復雜性要求應從多方面對其進行描述，如表2到表4所示，選取了缺陷的9個特征。雖然選取的缺陷特征越多，會盡可能的對缺陷進行描述，但也會增大特征空間維數，同時增大缺陷識別程序的復雜性和分類器運行的時間。特征的選取要綜合考慮特征對缺陷的描述是否詳細、特征空間的維數是否合適以及程序的響應的速度是否迅速這三個因素，盡可能的選取合適的特征和特征空間維數，達到高質量和高效率的缺陷識別目的。分析表2到表4可發現，缺陷區域的矩形度、致密度、離心率和灰度均值這四個特征參數差異較大，因此選取軌道表面缺陷的這四個特征作為后續分類器設計的輸入項。

3.2 徑向基神經網絡的訓練與預測

RBF神經網絡和BP神經網絡在實現同一個功能時，搭建神經網絡所需的神經元個數方面RBF神經網絡要比BP神經網絡多，但是在對搭建的神經網絡進行訓練時，RBF神經網絡所需的訓練時間卻比BP神經網絡少[11,12]。本文利用徑向基函數神經網絡(Radial Basis Function,RBF)來設計軌道表面缺陷分類器，它在分類能力、逼近能力和學習速度等方面都優于BP神經網絡。

前文表達和描述了軌道表面缺陷的9個特征，根據不同缺陷同一特征之間的差異，鋼軌表面缺陷選取矩形度、致密度、離心率和灰度均值作為缺陷的特征，基于圖像的軌道表面缺陷識別研究將軌道表面缺陷識別和分類為三類軌道表面缺陷，分別為軌道表面疤痕缺陷、軌道表面裂紋缺陷和軌道表面波紋擦傷缺陷。根據缺陷分類的類別，將軌道表面缺陷分類器輸出個數設計為1個，即y=yi。其中y=1表示缺陷類型為軌面疤痕，y=2表示缺陷類型為軌面裂紋，y=3表示缺陷類型為軌面波紋擦傷。分類器的設計其實就是在特征空間（輸入向量）和解釋空間（輸出向量）找到一種映射關系。

本文利用MATLAB中的神經網絡工具箱搭建了RBF神經網絡系統，利用RBF神經網絡系統對軌道表面缺陷進行識別分類，訓練并測試RBF神經網絡搭建的軌面缺陷分類器。訓練誤差曲線如圖8所示，當經過12次迭代運算后訓練誤差達到了設定要求以下。在載入的樣本中隨機的選取14組樣本作為測試樣本集，將測試樣本作為軌面缺陷分類器的輸入，仿真結果如圖9所示。

基于圖像的軌面缺陷識別分類中將軌面缺陷分為三類，即疤痕、裂縫和波紋擦傷，從仿真圖中可以看出，測試樣本集中共有14個樣本數據，其中藍色加號代表缺陷的實際類別，紅色星號代表用RBF神經網絡分類器預測的缺陷類別。經過測試后，設計的缺陷分類器能將軌道表面的三類缺陷成功識別。

圖8 RBF訓練誤差曲線

圖9 軌面缺陷分類結果

4 結論

基于圖像的軌道表面缺陷識別研究從圖像處理和模式識別兩方面開展，圖像處理部分應用圖像技術精確的將軌道表面中的缺陷部分標記與提取出來，模式識別部分在確定和提取缺陷特征的基礎上應用徑向基神經網絡設計了缺陷分類器，完成軌道缺陷的識別，經過MATLAB仿真該算法能夠精確的將軌道表面的疤痕、裂縫和波紋擦傷缺陷進行識別。