高速鐵路扣件彈條裂縫檢測算法研究

北京信息科技大學 王嘉寧 湯景然 蔣祝鵬 李博洋

扣件彈條是高速鐵路的重要組成部分，一旦扣件彈條產生裂縫，將嚴重影響高速列車行駛的穩定性。本文分別對基于相位一致性的高速鐵路扣件彈條裂縫檢測算法和基于卷積神經網絡的高度鐵路扣件彈條裂縫檢測算法，進行了詳細的分析和探究，進而為提升高速鐵路扣件彈條的檢測效率和質量提供參考建議。

隨著我國經濟的高速發展，交通行業進步的速度也變得越來越快，高速鐵路作為當前人們出行的主要方式，確保其穩定性和安全性是交通行業發展過程中的核心要素。高速列車在行駛的過程中需要與扣件彈條進行相互作用，因此，對扣件彈條的裂縫進行有效的檢測工作，是確保高速列車穩定、安全運行的保障。

1 相位一致性的高速鐵路扣件彈條裂縫檢測算法

1.1 對扣件彈條裂縫進行定位

在相位一致的基礎上對高速鐵路扣件彈條的裂縫進行檢測，首先要做的就是對扣件彈條的裂縫進行定位，通常情況下，技術人員在進行定位時都是采用相機來對裂縫進行圖像采集，雖然可以使檢測范圍更小，檢測結果更加準確，但由于相機的分辨率較低，因此對于扣件彈條裂縫的定位工作存在著一定的難度。

首先，在對扣件彈條裂縫進行圖像采集之后，技術人員需要對圖像進行一定的處理，使其分辨率更高，呈現更加清晰的圖像。此時，技術人員要先對圖像進行灰度化處理，以便于人眼對圖像內容進行觀察；接著，技術人員還需要對圖像進行去噪處理，由于在對扣件彈條進行圖像采集時，周圍的環境和設備會對其產生干擾，使得最終的圖像中含有噪聲，雖然不會對裂縫的檢測工作造成過多的影響，但為了使圖像更加細節，依然要對其進行去噪處理；然后，技術人員要對圖像的效果進行增強主要是對細節、目標、色度等方面的處理，防止圖片不清晰、對比不明顯，進而影響后續檢測環節的識別。

其次，在對扣件彈條的圖像進行處理之后，需要對其進行進一步的定位；同時，通過對圖像的觀察，可以發現扣件彈條產生裂縫的位置通常較為集中，因此可以將檢測范圍再次進行縮小，不僅降低了檢測難度，還提升了檢測將的準確性；此時，技術人員可以根據圓形螺母與扣件彈條裂縫范圍之間的相對位置，來對扣件彈條的裂縫進行定位，進而為后續的檢測工作奠定基礎。

1.2 對扣件彈條裂縫進行提取

對扣件彈條裂縫的提取環節是對高速鐵路扣件彈條裂縫檢測工作中最為十分重要的部分，并且會對最終的檢測結果造成直接影響，因此，在進行扣件彈條裂縫提取環節時，必須要確保整個流程規范、嚴謹。

首先，技術人員需要在相位一致性的基礎上來對高速鐵路扣件彈條的裂縫進行檢測。相位一致的算法主要是根據人眼對信號的感知程度的基礎上衍生而來的，通常被用于對低對比度的扣件彈條的邊緣性檢測工作中。基于此，在對扣件彈條進行相位一致性的檢測時，需要對扣件彈條性能較高的頻率域進行邊緣性檢測，并對其信號進行處理，分解成為一系列不同的正弦信號。在對扣件彈條進行相位一致性檢測時，主要涉及到方波信號以及三角波信號兩種，在檢測的過程中為了更好地信號變化進行探究，可以根據信號的變化繪制傅里葉分解圖，進而觀察到扣件彈條的方波信號在進行跳變時，其相位度為0°；三角波信號在進行跳變時，其相位度為90°和270°。

其次，在對高速鐵路扣件彈條裂縫進行相位一致性檢測環節之后，還需要進行閾值分割環節，來進一步確保檢測結果的準確性。這是由于對扣件彈條裂縫進行相位一致性分析時，主要是對其進行邊緣性檢測的方式，因此會受到一些來自扣件彈條表面和噪聲的影響。基于此，在對扣件彈條進行相位一致性的檢測之后，技術人員要先采取非極大值抑制的手段，來對其檢測結果進行規范和完善，通過查找和保留檢測結果中的局部極大值，來使最終檢測結果更加準確；接著，技術人員要選擇合適的閾值，來對扣件彈條的圖像進行二值化分割，閾值是進行分割工作中的核心要素，因此，技術人員必須要要對多個圖像進行檢測，然后選擇一個初步的閾值來進行分割，接著利用感受性曲線來進一步確定最終的閾值；在進行閾值分割環節之后技術人員還需要對扣件彈條二值化的圖像進行去噪處理，以便于對扣件彈條的裂縫進行修復。

最后，如果在閾值分割環節產生分割失敗或是圖像中噪聲干擾過大等問題，技術人員還需要進行一些后處理工作。例如：在對扣件彈條進行閾值分割時，最容易在圖像中形成噪聲，此時技術人員在進行后處理工作時，可以采用初步剔除噪音的手段，來將與扣件彈條裂縫相違和的噪音進行消除。值得注意的是，由于扣件彈條的形態有所不同，因此在對噪聲進行后處理工作時，應根據扣件彈條的實際形態來選擇合適的方式。

1.3 對扣件彈條裂縫進行識別

在對高速鐵路扣件彈條進行處理之后的二值化圖像，已經可以將扣件彈條裂縫的細節進行較為明顯的體現，但為了檢測結果更加準確，還需要技術人員對扣件彈條的裂縫進行進一步的識別。

首先，要對扣件彈條裂縫的二值化圖像提取特征。通常情況下，扣件彈條的裂縫會呈現垂直或是傾斜的分布狀態，因此，對扣件彈條的圖像進行特征提取時，可以采用投影點方式來進行，并根據處理過后的二值化圖像繪制投影效果圖，可以發現扣件彈條的裂縫在進行投影之后，會使其處于投影值的峰值，進而增加扣件彈條裂縫的辨識度。其次，技術人員需要根據扣件彈條的二值化圖像，來對其裂縫圖像進行分類，通常是采用SVM的方法來進行，將有裂縫的圖像記為+1，無裂縫的圖像記為-1，進而通過函數算法實現對二值化扣件彈條裂縫圖像的分類。

2 卷積神經網絡的高度鐵路扣件彈條裂縫檢測算法

2.1 第一級裂縫檢測

（1）卷積神經網絡結構

卷積神經網絡在對高速鐵路扣件彈條裂縫進行檢測后所得到的圖像塊，可以作為候選裂縫的圖像塊，進而對扣件彈條的第一級裂縫進行檢測。通常情況下，適應于高速鐵路扣件彈條裂縫檢測工作的卷積神經網絡結構包括7個層次以輸入層——卷積層——池化層——卷積層——池化層——全連接層——輸出層的結構進行組建。在利用卷積神經網絡來對扣件彈條裂縫進行檢測時，輸入圖像一般為28像素規格的裂縫塊圖像，技術人員需要在更大的裂縫像素區域圖像內進行采集。同時，對于卷積神經網絡結構來說，在對扣件彈條裂縫進行檢測時，可以將扣件的彈條分為有裂縫和無裂縫兩種形態，進而在卷積神經網絡結構中設置兩個不同的節點。除此之外，為了更好地保證卷積神經網絡結構的規范性，技術人員需要對卷積神經網絡結構的學習率、迭代次數、激活函數等數據進行規范、合理的設置。

（2）卷積神經網絡數據構建

卷積神經網絡主要是對高速鐵路扣件彈條裂縫的圖像來進行深度處理的一種模型，能夠有效避免人工檢測所造成的片面性誤差，根據扣件彈條裂縫圖像的數據，來進行自主的學習并且從中提取出有效特征。基于此，只有在卷積神經網絡中構建穩定、有效的數據集，才能更好地對高速鐵路扣件彈條的裂縫進行更加準確的檢測；同時，數據集的數量是影響卷積神經網絡運行效率的重要因素，因此技術人員要充分保證卷積神經網絡模型中數據集的合理性。例如：在卷積神經網絡的基礎上反對扣件彈條的裂縫進行檢測，可以通過滑動窗口的形式來查找裂縫塊，裂縫塊的數據集規格越大，越能夠激發卷積神經運行的能動性，進而提升對扣件彈條裂縫的檢測效率；同時，在實際的檢測過程中，要確保卷積神經網絡依據有裂縫的扣件彈條和無裂縫的扣件彈條的兩個不同節點，來進行準確的檢測工作。

2.2 第二級裂縫檢測

（1）提取特征

通過在卷積神經網絡的基礎上，來對高速鐵路扣件彈條的裂縫進行檢測，為了更好地白點噪聲對于檢測結果的影響，所以需要技術人員自身卷積神經網絡的基礎上進行第二級裂縫檢測環節。通常情況下，對扣件彈條裂縫進行第二級檢測，會采用SVM的方法來對裂縫進行識別；同時，技術人員在進行第二級裂縫檢測工作時，還需要參考第一級裂縫檢測的結果，來使第二級裂縫的檢測環節更加科學、合理。在利用SVM進行扣件彈條裂縫識別時，技術人員要選取含有白點噪聲的扣件彈條裂縫圖片，并從中提取28像素的裂縫塊數據集來檢測工作的基礎。這樣一來，就可以通過對扣件彈條裂縫圖片進行進一步的白點去噪工作，來不斷提升高速鐵路扣件彈條裂縫檢測結果的準確性。

（2）分類識別

在進行第二級裂縫分類識別之前，還需要根據檢測結果來進行特征提取。由于第一級裂縫檢測環節很容易受到白點噪聲的干擾，因此技術人員要根據白點噪聲與扣件彈條裂縫之間的差異，在圖像中提取特征，進而對第二級裂縫進行分類識別。在進行分類識別的過程中，技術人員要將每一張扣件彈條的圖像中，所有的候選裂縫塊通過SVM的手段進行分類識別，來使技術人員清楚、準確地掌握白點噪聲和裂縫塊的構成，以便于更好地進行后續的檢測工作。這樣一來，基于卷積神經網絡來對高速鐵路扣件彈條裂縫進行檢測的結果就更加具有準確性和完整性了；同時，通過進行第一級裂縫檢測和第二級裂縫檢測環節，還能夠降低圖像中的干擾因素，進而提升裂縫檢測工作效率。

結論：綜上所述，扣件彈條作為高速鐵路運行中的重要組成部分，必須要利用先進的檢測設備，來對扣件彈條的裂縫進行及時、有效的檢測工作。基于相位一致性的高速鐵路扣件彈條裂縫檢測算法和基于卷積神經網絡的高度鐵路扣件彈條裂縫檢測算法是目前較為有效的檢測方式，可以更好地提升對扣件彈條檢測的準確性。