基于圖像識別的鐵軌裂紋檢測系統

摘要：伴隨著軌道交通建設的高速發展，鐵軌的養護以及管理工作逐漸引起了有關部門的重視，尤其是我國最初修建的一批鐵路已經進入中修或大修期。為提高鐵軌裂紋檢測的效率與精準性，利用數字圖像處理技術及機器視覺技術，設計了一個基于圖像識別的鐵軌裂紋檢測系統。該系統通過51單片機方式對鐵軌裂紋定位系統開發，實時鐵軌裂紋圖像采集，對采集的圖像進行形態學的處理，消除圖像中存在的大多數孤立點和空洞，并且利用人工智能算法對系統進行自動分類和評價，在一定程度上提高了檢測的效率。

關鍵詞： 鐵軌檢測; 圖像識別; GPS; object detection; picture procession

中圖分類號：TP311 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2021）31-0107-02

1 前言

一個國家想要取得長遠的發展，軌道交通則顯得尤為重要。鐵路在我國大范圍的應用，不僅促進著社會經濟的發展，還使得我國與世界聯系得更加緊密。據有關部門統計數據，由鐵軌安全導致的事故占全部鐵道交通事故的35%[1]。因此，為了確保鐵路運營系統的安全運作，提升鐵路交通的安全系數，軌道交通管理部門需要調整應對策略：對鐵軌表面的狀態進行實時檢測，盡可能避免交通事故的發生。

2 系統工作原理及功能

鐵軌裂紋識別系統采用圖像處理技術以及機器視覺技術進行系統設計，該系統主要分為三大技術模塊：第一部分，GPS（Global Positioning System）定位模塊：該模塊主要對檢測到裂紋段的鐵軌進行精準定位，并將相關信息發送給計算機進行處理;第二部分，圖像采集處理模塊：包括圖像的讀入和預處理以及模式識別。第三部分，系統上報模塊：將識別出的裂紋信息發送至后臺管理部門。該檢測系統完整的工作流程如圖1所示。

2.1 GPS定位

該模塊采用51單片機對定位系統進行開發。它體積小巧、攜帶方便、并且使用USB接口的方式通訊以及供電，非常適用于戶外的圖像采集工作。基于GPS接受模塊GR-87（GPS Receiver Module），系統使用單片機對該模塊的報文信息進行提取和處理，并通過串口的方式傳輸到后臺，然后計算機對圖像和地理位置坐標等信息進行集成，實現裂紋段鐵軌的精準定位。GPS模塊的硬件設計如圖2所示，該模塊中有4個端口與單片機進行線路連接，其中VCC（Volt Current Condenser）、GND（GrouND）為供電部分，TXD（Transmit External Data）、RXD（Receive External Data）為串行數據通信部分，用于對定位信息的讀取。

2.2 圖像采集處理模塊

圖像采集模塊是系統的核心部分，系統要求能夠檢測出1mm的裂縫，所以采用千萬級像素鏡頭的高分辨率工業相機，使采集圖片的質量大大提高，便于后期圖像的處理工作。相機分辨率較高，且拍照幀數高，實現了檢測車在高速的行駛過程中能夠完成鐵路裂紋的高分辨率圖像采集工作;配以RAID（Redundant Array of Independent Disks）卡連接多塊硬盤，各個硬盤組同時工作，進而提高了圖像的存儲速度。圖像處理模塊主要通過工控機來完成，利用工控機的實時性、可靠性與智能性等特點，使得它能夠完成大數據量的圖像數據存儲和顯示輸出工作以及對采集圖像的處理、分析以及道路使用狀況的評價工作。

圖像處理算法的優劣在檢測效果和精度上對整個系統都有較大的影響。因此，本系統選用Object detection（對象檢測）算法和Picture procession（圖像處理算法）。圖像處理模塊的流程主要包括圖像的讀取、圖像預處理（圖像增強、圖像復原）、圖像邊緣檢測、路面裂縫類型識別如圖3所示。

Object detection[2]算法主要是用來在計算機和軟件系統在圖像或者場景中定位對象并識別對象，利用深度卷積神經網絡，通過對采集的裂紋圖像數據庫模型進行多次學習訓練，使其具有學習裂紋的特征。該系統采用Faster R-CNN[3-4]（Faster Region-based Convolutional Neural Network）網絡模型，該網絡模型利用RPN（Region Proposal Network）結構來篩選出圖像中可能存在裂紋的候選區域，并利用裂紋檢測訓練模型獲取目標邊框信息，最終標記該圖像并將其傳入計算機進行處理。

對于傳輸到計算機中的圖像，為降低由圖像噪聲等對后續的檢測操作帶來的影響，系統會進行一定的預處理，在這里采用二維加權中值濾波[5-6]，原始窗口大小采用3×3大小的滑動窗口。

此外，系統還對圖像做了尖銳化處理，主要是增強圖像的邊緣[7]以及灰度的跳變部分，通過梯度運算，將圖像中原先不變的白色區域的灰度值變為0，而黑色區域不發生改變，因此尖銳化處理的圖像只會保留處在灰度值急劇變化的點。系統在圖像的銳化上采用的是微分尖銳化中的梯度法。對于數量場u，u=u（x，y，z），如果用G[f（x，y）]來表示grad[f（x，y）]的幅度的話，那么有如下公式：

[Gfx，y=maxgradfx，y][=?f?x2+?f?y212]

其中G[f（x，y）]的數值與f（x，y）在grad[f（x，y）]的方向上每單位長度的最大增加率是相等的。在計算機的處理過程中，需要利用差分運算來近似替代上述的微分運算進而轉化成計算機能夠處理的離散形式，故有如下計算公式：

[Gfx，y≈fx，y-fx+1，y2+fx，y-fx，y+12]

對于含有M*N個像素點的待檢測圖像，處于該圖像邊緣的4組像素由于其外圍再沒有其他的圖像數據了，故這4組像素的梯度值不能通過上述公式來進行求解。該系統通過圖像擴展，將處在最外層的四組像素值分別重復一次再利用公式計算，解決了邊緣像素值的梯度計算問題，最后完成圖像的處理。如圖4所示。

2.3 系統上報模塊

系統上報模塊是基于一個Spring框架[8]搭建的web系統。該web系統負責對提交上來的裂紋圖像進行存儲與管理。同時在接收到新的裂紋信息時，日志系統將其記錄下來，為用戶提供軌道維護方面的統計報表功能以及系統的開發者的運營和維護工作提供了一定的保障。系統正常工作時，由相機捕捉到含有裂紋的鐵軌圖像，經過圖像采集處理模塊處理完圖像之后，系統上報模塊將該圖像通以及地理位置等信息通過無線通信的方式傳輸到后臺監測管理部門，由鐵路的有關部門派出技術人員進行搶修，避免重大交通事故的發生。

3 結論

基于圖像識別的鐵軌裂紋檢測系統是結合了機器視覺技術以及數字圖像處理技術的一個新的應用系統，綜合利用了Faster R-CNN、Picture procession、圖像濾波、圖像增強以及圖像邊緣檢測等技術，采用圖像識別的檢測方法不僅彌補了傳統人工檢修方式的不足，還降低了傳統模式下雇傭人力方面所付出的高額傭金，并且采集的數據將永久存儲在計算機中，能夠對檢測結果進行重復判讀，很大程度上提高了鐵軌裂紋檢測的精準度和效率。

參考文獻：

[1] 鄔鋒.鐵軌表面缺陷檢測算法的研究[D].無錫：江南大學，2015.

[2] 黃真亮，張繼順，朱志武，等.目標檢測算法在嵌入式平臺中的應用[J].電子技術，2021，50（8）：150-151.

[3] 肖創柏，柏鰻晏，禹晶.基于Faster R-CNN的縫隙檢測與提取算法[J].北京工業大學學報，2021，47（2）：135-146.

[4] 王銳.基于Faster R-CNN的鐵軌傷損檢測研究[D].淮南：安徽理工大學，2019.

[5] 岡薩雷斯.數字圖像處理[M]. 2版.北京：電子工業出版社，2000.

[6] 倪麟，龔劬，曹莉，等.基于自適應加權中值濾波的二維Otsu圖像分割算法[J].計算機應用研究，2013，30（2）：598-600.

[7] 官鑫，趙智雅，高曉蓉.圖像處理技術在鋼軌表面缺陷檢測和分類中的應用[J].鐵路計算機應用，2009，18（6）：27-30.

[8] 文緒源.基于Spring技術的政府機關文檔管理系統的設計與實現[D].成都：電子科技大學，2020.

【通聯編輯：代影】

收稿日期：2021-03-20

基金項目：成都理工大學2020年大學生創新創業訓練計劃項目（項目編號：S202010616119）

作者簡介：王迪亮（1999—），江西宜春人，成都理工大學本科在讀，主要從事大數據與人工智能、圖像識別以及深度學習方面的研究。