鋼軌扣件橫向偏移特征檢測算法研究

王恩鴻 柴曉冬 鐘倩文 李立明 張喬木

(上海工程技術大學城市軌道交通學院， 201620， 上海∥第一作者， 碩士研究生)

軌道檢測是保障列車安全運行的重要手段，其中鋼軌扣件檢測是軌道檢測的關鍵問題之一。目前較多使用人工檢測的方式，存在效率低、不安全的缺點，雖然已經(jīng)利用軌檢車上線檢測，但誤檢率仍然較高，存在一定的安全隱患。近年來，國內(nèi)外專家對鋼軌扣件檢測問題進行了積極的探索，尤其對鋼軌扣件檢測算法進行了深入的研究。

文獻[1]運用特定區(qū)域像素定位扣件區(qū)域，使用灰度特征和HOG(方向梯度直方圖)特征描述特征向量，通過Chi開方距離分類器實現(xiàn)對ω型扣件的斷裂檢測，具有一定的有效性和可行性。文獻[2]利用枕肩定位，提取PHOG(分層梯度方向直方圖)特征和MSLBP(多尺度局部二值模型)特征加權融合，提取扣件宏觀紋理特征，采用SVM(支持向量機)分類，對ω型扣件進行缺陷檢測，定位特征不夠顯著，但魯棒性強能夠滿足自動化檢測。文獻[3]利用SIFT(尺度不變特征變換)提取扣件圖片特征，進行歸一化為Fisher向量，使用Linlinear分類，能夠?qū)崿F(xiàn)對ω型扣件圖像檢測，具有較高的識別率及魯棒性。

以上算法在扣件檢測中定位方面受扣件的復雜背景環(huán)境影響較大，對于扣件的特征提取，文獻[5]改進了LBP(局部二值模式)算法提取扣件的顯著特征，利用模板匹配算法精確定位，以相鄰兩個扣件的差值判斷實現(xiàn)自適應檢測，LBP特征顯著，有著很高的魯棒性和適應性。文獻[6]針對扣件存在形狀變化、光照差異和異物遮擋的問題提出GMPM(高斯混合部件模型)算法，將歸一化的HOG作為GMPM的底層特征，誤檢率低。

目前，通常運用深度學習算法對ω型彈條扣件的斷裂、缺失等損壞狀態(tài)進行識別，主要針對WJ-7、WJ-8類型扣件進行檢測。本文針對無砟軌道中帶絕緣帽的、分開式扣件Pandrol SFC型彈條扣件的偏移松動進行檢測，目前Pandrol SFC彈條扣件主要應用于無砟軌道。因為Pandrol SFC的扣件具有安裝成本低、使用壽命長的優(yōu)勢，所以在未來的鐵路應用上有著很大的空間。本文算法不但對Pandrol DFC、Pandrol EF型彈條扣件的松動檢測有很大的參考價值，而且對ω型的彈條扣件特征提取也具有一定的參考價值。

本文提出了針對無砟軌道Pandrol SFC型彈條扣件的松動算法。首先，進行圖像濾波預處理，獲得噪聲影響相對較小的扣件圖像；其次，對預處理圖像進行背景分離，濾除圖像中無效信息，獲取并定位圖像中的扣件區(qū)域，進行類二值強化，濾除圖像中的雜波，獲得突出的扣件背景分離后的圖像；再次，為了精確計算扣件偏移量，采用連通性對扣件的圖像進行輪廓特征提取；最后，通過輪廓特征精確定位扣件、兩個螺母和兩個緊扣墊的關鍵位置，連接形成四邊形，對所取得的扣件4點的位置特征與安全狀態(tài)下的扣件特征進行偏移量的計算，可得出扣件橫向松動偏移量，從而判斷扣件狀態(tài)。

1 扣件橫向偏移算法原理

圖1給出了鋼軌扣件橫向偏移算法的流程圖。通過降噪標準化處理，獲得了噪聲小、運算量少的標準圖像；再通過聚類二值強化對扣件圖像前景、背景進行分離，利用聚類算法進行扣件前景、背景分割二值強化，采用矩不變原理濾掉不相關特征，進行關鍵特征定位；最后通過關鍵四邊形的位置關系計算扣件的橫向偏移量。

1.1 圖像標準化降噪

用線陣相機拍采集到的圖像分辨率為4 096像素×2 048像素，與實際的扣件圖像等比例。為了減少噪聲干擾，對原始扣件圖像進行灰度化和高斯濾波處理，效果如圖2所示。

1.2 扣件圖像背景分割原理

背景分割是對扣件圖像特征提取和識別的基礎。傳統(tǒng)的圖像分割方法有OTSU[7]法、分水嶺法[8]、k-means[9]算法。傳統(tǒng)的分割算法在突出扣件圖像的特點與均勻分布圖像的像素兩個方面有較大劣勢。OTSU算法易產(chǎn)生大量噪點，分水嶺算法易產(chǎn)生過度分割的缺陷。為了分離扣件與背景，采用k-means聚類分析來衡量像素點之間的親疏程度，實現(xiàn)像素的分割。

圖1 鋼軌扣件橫向偏移算法流程框圖

a) 線陣相機采集原圖

b) 灰度化和高斯濾波處理效果圖

k-means聚類算法是將像素按照一定的數(shù)據(jù)隸屬度大小完成數(shù)據(jù)的歸類劃分，相似性高的像素劃分一類，未被劃分的相似度較低，對于k-means聚類算法具體描述如下。

圖像的像素集合M聚合到k類中，產(chǎn)生以V={Vi}(i=1,2，…,k)為聚類中心的k類結果。通過迭代使得目標函數(shù)收斂，最終完成聚類和圖像的分割，通過k-means算法將原始圖像進行扣件前景和背景的分離，突出扣件和背景之間的明顯差別，效果顯著。三種背景分割算法的效果圖如圖3所示。

a) 標準降噪圖 b) OTSU算法

c) 分水嶺算法 d) k-means算法

針對扣件圖像的特殊性，為了最大化保留扣件的特征，對扣件采用簇的數(shù)目大小為4的聚類方法，即將扣件圖像分為4簇，以最少的簇產(chǎn)生最大的特征，并對聚類后的圖像進行二值強化處理。將原來的4類像素通過閾值轉(zhuǎn)化成為2類像素，由原來的三通道變?yōu)閱瓮ǖ赖亩迪袼亍?/p>

2 扣件橫向偏移特征變換

2.1 扣件輪廓特征提取

2.1.1 輪廓提取

為了保證目標輪廓提取的完整性，采用最短路徑的閉環(huán)搜尋方案，針對基于虛擬連接的顯著圖中的非閉合輪廓線獲取最短路徑。假設輪廓圖像中存在Me個非閉合端點，任意的2個非閉合端點ep、eq之間的路徑長度L(ep,eq)，同兩點間的歐式距離呈正相關關系，同連接ep呈負相關關系。因此，對兩者進行歸一化處理，取得L(ep,eq)的路徑長度為：

(1)

通過反復迭代連接短路徑的端點，可形成多個封閉環(huán)形輪廓線，能夠有效地保證輪廓目標的完整性。圖4為扣件輪廓提取效果圖。

圖4 扣件全局輪廓效果圖

2.1.2 關鍵輪廓矩特征分離

根據(jù)Hu矩不變理論，通過提取矩特征可準確識別定位。用對曲線的積分代替區(qū)域的積分，則：

(2)

(3)

式中:

mp,q——Hu矩;

x——圖像橫坐標;

y——圖像縱坐標;

C——圖像中所有點。

(4)

φ1=μ2,0+μ0,2

φ2=(μ3,0+3μ1,2)2+(3μ1,2-μ0,3)2

φ3=(μ3,0-3μ1,2)2+(3μ1,2-μ0,3)2

φ4=(μ3,0-μ1,2)2+(μ2,1+μ0,3)2

(5)

獲取安全狀態(tài)下扣件的φ1、φ2、φ3、φ4、φ5、φ6、φ7，進行特征提取，并且獲得4個關鍵輪廓的4個中心點坐標及標準安裝的矩形度和扁形度：

s=a/b

(9)

e=ri/rc

(10)

式中：

s——提取輪廓的矩形度,越接近1則輪廓越接近方形，則輪廓越接近緊扣墊的輪廓；

a——輪廓的長；

b——輪廓的寬；

e——輪廓的扁形度；

ri——輪廓內(nèi)切圓半徑;

rc——輪廓外接圓的半徑，越接近圓該輪廓越接近螺母輪廓。

第一層篩選：先對所有輪廓的中心坐標進行閾值篩選，以縮小非相關輪廓，減少計算量。

第三層定位與識別：矩特征如不變，將剩余輪廓特征值與標準安裝不發(fā)生偏移的扣件進行對比，進行分類篩選。

利用層篩公式：

(11)

ω1+ω2+ω3+ω4+ω5+ω6+ω7=1

(12)

式中：

ω1—ω7——不同的權重參數(shù)。

圖5為三層分離方法的效果圖。

圖5 扣件三層分離關鍵特征提取

通過以上方式獲取關鍵特征輪廓，基于輪廓的中心坐標定位出扣件的4個關鍵輪廓、扣件的2個螺母輪廓和扣件的2個緊扣墊輪廓。

通過以上步驟，可獲得扣件關鍵部分的輪廓特征屬性,最終輸出結果，如圖6所示。圖中：a2、b2、c2為經(jīng)過4簇k-means聚類二值化效果；a3、b3、c3為扣件輪廓特征提取算法效果；a4、b4、c4為經(jīng)過扣件特征提取后對扣件關鍵輪廓特征提取效果；a2、a3、a4為扣件發(fā)生向左的偏移結果；b2、b3、b4為安全狀態(tài)下的扣件的效果圖；c2、c3、c4為扣件發(fā)生向右偏移的效果。

由此，為有效識別高質(zhì)量發(fā)展背景下政府引導基金的發(fā)展路徑，本文首先在案例討論的基礎上對新興產(chǎn)業(yè)的融資需求特征進行討論，進一步對現(xiàn)有政府引導基金的主要運作模式進行討論，分別探討每種模式在新興產(chǎn)業(yè)融資過程中的適用性，最后對政府引導基金推動新興產(chǎn)業(yè)發(fā)展的具體方式進行展望，并提出政策性建議。

圖6 扣件關鍵特征提取效果圖

2.2 扣件偏移量提取

根據(jù)扣件的安裝標準，得到在安全狀態(tài)下扣件上部的螺母關鍵輪廓和扣件緊扣墊輪廓，以及扣件下部的關鍵螺母與緊扣墊輪廓的中心坐標首尾連接起來的平行四邊形，如圖7所示。

圖7 扣件關鍵輪廓特征示意圖

在實際扣件圖像中，當檢測的目標扣件發(fā)生帶旋轉(zhuǎn)的橫向偏移時，如圖8所示，將A(上部螺母輪廓中心)、B(上部緊扣墊輪廓中心)、C(下部螺母輪廓中心)、D(下部緊扣墊輪廓中心)首尾相連得到扣件關鍵四邊形ABCD。當扣件發(fā)生橫向偏移、帶旋轉(zhuǎn)的橫向偏移時，通過關鍵特征提取能提取到扣件輪廓的關鍵特征，從而形成關鍵四邊形。當扣件不發(fā)生橫向偏移時，扣件關鍵四邊形為平行四邊形；當發(fā)生偏移時關鍵點產(chǎn)生位移時，使四邊形發(fā)生形變。通過對比采集圖像提取關鍵四邊形與扣件在安全狀態(tài)下的圖像提取的平行四邊形比值，可計算扣件的橫向偏移量。

圖8 扣件帶旋轉(zhuǎn)的橫向偏移示意圖

計算扣件四邊形ABCD的面積如下：

SABCD=SABD+SBCD

(13)

通過以上計算可獲得SABCD面積，計算偏移量為：

(16)

式中：

SA1B1C1D1——采集扣件的圖像面積；

SABCD——安全狀態(tài)下扣件輪廓特征面積。

在圖像中，可通過測得上部偏移量AB為α、CD為β，來驗證偏移量的準確性，并且可對扣件的偏移量進行精準校驗。圖9為偏移面積的效果圖。圖9中，a5為扣件發(fā)生向左偏移的4個關鍵位置形成的平行四邊形效果圖，b5為安全狀態(tài)4個關鍵位置形成平行四邊形效果圖，c5為扣件發(fā)生向右的橫向偏移效果圖。

扣件橫向偏移效果圖

(b5)

(c5)

3 結果驗證與分析

3.1 扣件橫向偏移算法試驗

為了對算法進行驗證，采用線陣相機試驗臺采集到1 000張扣件圖像。試驗環(huán)境是在Windows下運用OpenCV計算機視覺庫，采用C++語言在Visual Studio 2015環(huán)境下實現(xiàn)的。

本次試驗體現(xiàn)了扣件橫向偏移算法對扣件是否發(fā)生橫向偏移的準確性與快速性。將1 000張試驗圖片進行處理。其中:150張扣件左邊發(fā)生偏移(30張為帶旋轉(zhuǎn)的橫向偏移)；另外150張扣件向右發(fā)生偏移(其中30張是帶旋轉(zhuǎn)的橫向偏移)；剩余700張?zhí)幱诎踩珷顟B(tài)。將此1 000張圖片用本文算法計算的結果如表1所示。

表1 扣件圖像偏移量表

表1中:λ為橫向偏移算法計算得到的偏移量;α與β是計算出的上部偏移量和下部偏移量，并且可以驗證扣件的橫向偏移的準確性。

3.2 試驗結果分析

根據(jù)Pandrol SFC型彈條扣件的安裝技術標準，可得到Pandrol SFC型彈條扣件安全狀態(tài)下的參數(shù)，如表2所示。

表2 Pandrol SFC彈條扣件安全參數(shù)標準表

由表2彈條扣件安全狀態(tài)下的參數(shù)，與采集到的1 000張圖片試驗結果進行對比，檢測出發(fā)生偏移的扣件結果如表3所示。

表3 扣件橫向偏移算法檢測結果表

經(jīng)過試驗可驗證算法的可靠性，通過對比設置試驗的表格可以看出，算法的可靠性達到98%。在試驗的結果中，2個扣件向左橫向偏移未檢出，3個向右橫向偏移未檢出，原因為量值較小。在試驗的同時，記錄算法特征提取部分所消耗的時間，并與OTSU特征提取算法和分水嶺特征提取算法進行對比，經(jīng)過試驗證明，采用本文算法比OTSU特征提取處理算法速度提升了16%。

4 結論

本文提出了一種針對Pandrol SFC型彈條扣件脫離安全位置問題的橫向偏移計算方法。首先，利用圖像降噪標準化得到圖像，進行聚類二值強化和邊界分割提取；其次，對處理后的圖像進行圖像輪廓提取，運用矩不變原理和安全扣件屬性對輪廓進行篩選，獲得關鍵輪廓并且定位出2個螺母和緊扣墊；最后，對比計算扣件關鍵四邊形的面積計算偏移量。本文提出了一種新型的檢測扣件是否發(fā)生橫向偏移的方法，識別精度能達到98%，特征提取的速度相對于傳統(tǒng)特征提取算法提高了16%，對于目前扣件橫向松動的檢測具有一定的應用價值。