基于機器視覺的鋼軌接觸疲勞裂紋檢測方法

張博 劉秀波

中國鐵道科學研究院集團有限公司基礎設施檢測研究所，北京 100081

隨著鐵路運輸系統的快速發展，列車速度、運量、軸重不斷增加，鋼軌承受的荷載幅值和頻率也隨之提高，鋼軌表面滾動接觸疲勞裂紋越來越嚴重。滾動接觸疲勞裂紋會進一步發展為剝落掉塊，甚至向鋼軌內部擴展最終導致鋼軌斷裂［1］。因此，快速有效地檢測鋼軌接觸疲勞裂紋對保障鐵路的運營安全至關重要。

目前鋼軌傷損的主要檢測方法有目視、超聲、渦流、漏磁、機器視覺等［2-3］。目視法依靠人工目視檢查，檢查速度慢，效率低，且檢測結果易受人工主觀因素影響。超聲法通過觀察超聲波在鋼軌中的波形、回波、衰減等傳播變化來判定鋼軌內部是否存在傷損，對鋼軌內部裂紋有較好的檢測效果，但難以識別鋼軌表面和近表面的裂紋［4］。渦流法利用交變磁場在鋼軌中產生感應交變電流，當鋼軌表面或近表面有缺陷時就會引起渦流畸變，導致檢測線圈的阻抗或電壓發生變化，但渦流檢測效果易受提離變化的影響，要求檢測探頭與被測鋼軌表面的距離保持固定，實現難度大，檢測效率較低［5］。漏磁法利用磁感應傳感器獲取缺陷漏磁場信號，通過該信號來檢測鋼軌是否存在傷損，但需要對鋼軌進行磁化，要求探頭和檢測面的間隙保持恒定，實現難度大，檢測效率較低，且隨著檢測速度提升漏磁場強度會顯著降低，影響檢測效果［6-7］。

基于機器視覺的檢測方法具有非接觸、快速高效等優點［8］，相關學者對鋼軌表面傷損的機器視覺檢測方法開展了研究并提出相應的傷損識別方法。劉澤等［9］設計了動態閾值分割法，通過閾值分割提取鋼軌表面傷損區域。賀振東等［10］采用背景建模差分的方法分割出傷損區域。Shang 等［11］采用基于Inception?v3結構的卷積神經網絡區分正常和有缺陷的鋼軌圖像。但是這些檢測方法大多未對傷損類型進行分別處理，不能判斷鋼軌傷損類型。因此，本文依據接觸疲勞裂紋傷損的視覺表現，提出有針對性的檢測方法。

1 鋼軌接觸疲勞裂紋檢測算法

1.1 算法流程

讀取采集到的單幅軌道圖像后，鋼軌接觸疲勞裂紋檢測的算法流程如下。①提取軌面區域：從讀取的軌道圖像中提取鋼軌頂面區域；②統計梯度方向直方圖：將軌面區域劃分為若干個單元區域，統計每個單元區域的梯度方向直方圖；③檢測接觸疲勞裂紋：根據梯度方向直方圖判斷鋼軌是否存在接觸疲勞裂紋。

1.2 軌面區域的提取

現場采集的圖片中除了鋼軌，還包含了非鋼軌區域。非鋼軌區域的圖像信息對后續的傷損檢測會產生干擾，要將鋼軌和非鋼軌區域區分開，提取出鋼軌的軌面區域［12］。

車輪與鋼軌頂面長期摩擦使鋼軌頂面亮度高，可以利用鋼軌頂面和非鋼軌區域的亮度差異將鋼軌頂面區域分割出來［13-14］。此外，采集圖像的相機固定后，鋼軌頂面區域的寬度R是固定的［15］。利用上述特征設計軌面區域提取方法。

針對獲取的一張軌道圖像，首先計算圖像每一列的灰度均值m(x)，并對其進行加權，得到圖像的列加權均值，記作mq(x)。

式中：W(x)為加權函數；WI為圖像寬度。

W(x)的表達式為

針對圖像的列加權均值，依次計算每個寬度為R的區間的灰度值積分P(x)。

使P(x)取得最大值的x即為鋼軌的左側起始位置GB，與之對應的鋼軌右側位置為GB+R。圖1展示了軌面區域提取的效果。輸入采集的軌道圖像［圖1（a）］后計算得到列灰度均值曲線［圖1（b）］，進而提取出鋼軌頂面區域圖像［圖1（c）］。可以看出，本文提出的算法能夠從軌道圖像中有效定位鋼軌頂面區域。

圖1 軌面區域提取

1.3 梯度方向直方圖統計

將提取的鋼軌頂面區域圖像劃分為若干個單元區域，每個單元區域包含m×n個像素，其中m和n均為整數。統計每個單元區域的梯度方向直方圖，具體步驟如下。

1）計算該單元區域的每個像素點的梯度方向

將兩個卷積核（圖2）分別與該單元區域的每一個像素點進行卷積，計算該點的梯度值和梯度方向。其中卷積核1 用來計算水平梯度gx，卷積核2 用來計算垂直梯度gy。每個像素點的梯度值梯度方向θ= arctan(gy∕gx)，θ∈(-90°，90°]。

圖2 計算梯度的卷積核

2）統計該單元區域的梯度方向直方圖

將梯度方向范圍分成18份，每10°為一組，單元區域的每一個像素點根據梯度方向歸入其中一組，例如像素點的梯度方向θ= 45°，則該像素點歸為40°~50°這一組。然后將每一組中所有像素點對應的梯度值進行累加，得到18個數值。梯度方向直方圖就是由這18個數值組成的數組[h1，h2，…，h18]，對應梯度方向的角度依次為-90°~-80°，-80°~-70°，…，80°~90°。這種直方圖的表示方法對單個像素灰度值的變化不敏感，減少了光照等對圖像的影響。

1.4 接觸疲勞裂紋檢測

未受傷損的鋼軌表面光潔平整，而有接觸疲勞裂紋的鋼軌表面有明顯特征。接觸疲勞裂紋有明顯的方向性，裂紋擴展方向與鋼軌縱向呈一定角度，一般與列車前進方向一致［16］。表現在鋼軌圖像上，接觸疲勞裂紋所在位置的像素點的梯度方向與鋼軌縱向呈一定角度。利用上述特征可以判斷每個單元區域是否存在接觸疲勞裂紋，具體步驟如下。

1）歸一化每個單元區域的梯度方向直方圖。對于第i個單元區域，計算該單元區域的梯度方向直方圖[h1，h2，…，h18]的和sh，即利用nk=hk∕sh對該單元區域的梯度方向直方圖進行梯度方向直方圖歸一化，得到的[n1，n2，…，n18]即為該單元區域的歸一化梯度方向直方圖，對應于梯度方向的角度依次為-90°~-80°，-80°~-70°，…，80°~90°。

2）計算每個單元區域的歸一化梯度方向直方圖在-80°~-10°和10°~80°梯度方向范圍內的歸一化梯度之和。對于第i個單元區域，該單元區域的歸一化梯度方向直方圖在-80°~-10°梯度方向范圍內的歸一化梯度之和，在10°~80°梯度方向范圍內的歸一化梯度之和

3）將單元區域的兩個歸一化梯度之和與顯著性比例進行比較，判斷每個單元區域是否存在接觸疲勞裂紋。

提取的鋼軌圖像［參見圖1（c）］中，單元區域A 存在接觸疲勞裂紋，單元區域B 不存在接觸疲勞裂紋。其歸一化梯度方向直方圖見圖3。可以看出：對于單元區域A，梯度方向在10°~80°內占比較大，計算得到梯度方向在10°~80°內歸一化梯度之和為0.606 7；對于單元區域B，梯度方向在每組中的占比大致相同，均在0.05~0.06，計算得到梯度方向在10°~80°內歸一化梯度之和為0.385 7。

圖3 單元區域的歸一化梯度方向直方圖

利用上述特征，將每個單元區域的歸一化梯度方向直方圖在-80°~-10°和10°~80°梯度方向范圍內的歸一化梯度之和與顯著性比例進行比較（顯著性比例取0.55）。如果單元區域的歸一化梯度方向直方圖在-80°~-10°內的歸一化梯度之和或在10°~80°內的歸一化梯度之和大于顯著性比例，則判定該單元區域存在接觸疲勞裂紋。

2 試驗結果及分析

測試試驗使用了150幅鋼軌接觸疲勞裂紋傷損圖片，涵蓋了若干不同傷損程度。試驗環境為：Intel i7?3 520 M CPU@2.90 GHz，4 GB 內存，Win10，64 位系統。檢測算法性能采用準確率（Acc）指標進行評測，計算公式為

式中：Tp為正確檢出的裂紋圖像數目；Np為測試數據集給出的裂紋圖像數目。

部分檢測結果如圖4 所示，接觸疲勞裂紋處用黑色矩形框出。測試結果顯示，檢測算法的準確率為97.33%。這表明本文提出的檢測算法能夠有效檢測出鋼軌接觸疲勞裂紋傷損。

圖4 接觸疲勞裂紋檢測結果（部分）

由于采用梯度方向直方圖并且利用了鋼軌接觸疲勞裂紋的方向性特征，對光照不均等情況具有比較強的魯棒性。如圖4（b）所示的樣例2 中，局部光照不均的影響被有效排除。測試樣本中有4幅圖像未能檢出接觸疲勞裂紋所在區域。通過對檢測樣本進行分析，其原因是裂紋比較細微且圖像質量較差導致接觸疲勞裂紋的梯度方向特性未能凸顯出來。

3 結語

在分析軌道圖像和鋼軌接觸疲勞裂紋視覺特征的基礎上，本文提出了基于機器視覺的鋼軌接觸疲勞裂紋檢測方法。該方法首先利用縱向灰度值積分的方法從軌道圖像中提取軌面區域，然后利用接觸疲勞裂紋的梯度方向特性，通過計算鋼軌圖像中單元區域的歸一化梯度方向直方圖實現接觸疲勞裂紋檢測。試驗結果表明，該方法能夠有效檢測出鋼軌接觸疲勞裂紋，并能排除光照不均等因素的干擾，對測試樣本檢測的準確率達到97.33%。與其他檢測方法相比，本文方法沒有復雜耗時的運算，其實現簡單且有針對性，在定位傷損的同時實現了對傷損類型的判斷。