基于圖像識別的鐵軌裂紋檢測系統(tǒng)

摘要：伴隨著軌道交通建設(shè)的高速發(fā)展，鐵軌的養(yǎng)護(hù)以及管理工作逐漸引起了有關(guān)部門的重視，尤其是我國最初修建的一批鐵路已經(jīng)進(jìn)入中修或大修期。為提高鐵軌裂紋檢測的效率與精準(zhǔn)性，利用數(shù)字圖像處理技術(shù)及機(jī)器視覺技術(shù)，設(shè)計(jì)了一個基于圖像識別的鐵軌裂紋檢測系統(tǒng)。該系統(tǒng)通過51單片機(jī)方式對鐵軌裂紋定位系統(tǒng)開發(fā)，實(shí)時鐵軌裂紋圖像采集，對采集的圖像進(jìn)行形態(tài)學(xué)的處理，消除圖像中存在的大多數(shù)孤立點(diǎn)和空洞，并且利用人工智能算法對系統(tǒng)進(jìn)行自動分類和評價(jià)，在一定程度上提高了檢測的效率。

關(guān)鍵詞： 鐵軌檢測; 圖像識別; GPS; object detection; picture procession

中圖分類號：TP311 ? ? ? ?文獻(xiàn)標(biāo)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(yuǎn)的發(fā)展，軌道交通則顯得尤為重要。鐵路在我國大范圍的應(yīng)用，不僅促進(jìn)著社會經(jīng)濟(jì)的發(fā)展，還使得我國與世界聯(lián)系得更加緊密。據(jù)有關(guān)部門統(tǒng)計(jì)數(shù)據(jù)，由鐵軌安全導(dǎo)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(yùn)營系統(tǒng)的安全運(yùn)作，提升鐵路交通的安全系數(shù)，軌道交通管理部門需要調(diào)整應(yīng)對策略：對鐵軌表面的狀態(tài)進(jìn)行實(shí)時檢測，盡可能避免交通事故的發(fā)生。

2 系統(tǒng)工作原理及功能

鐵軌裂紋識別系統(tǒng)采用圖像處理技術(shù)以及機(jī)器視覺技術(shù)進(jìn)行系統(tǒng)設(shè)計(jì)，該系統(tǒng)主要分為三大技術(shù)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(jìn)行精準(zhǔn)定位，并將相關(guān)信息發(fā)送給計(jì)算機(jī)進(jìn)行處理;第二部分，圖像采集處理模塊：包括圖像的讀入和預(yù)處理以及模式識別。第三部分，系統(tǒng)上報(bào)模塊：將識別出的裂紋信息發(fā)送至后臺管理部門。該檢測系統(tǒng)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(jī)對定位系統(tǒng)進(jìn)行開發(fā)。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(tǒng)使用單片機(jī)對該模塊的報(bào)文信息進(jìn)行提取和處理，并通過串口的方式傳輸?shù)胶笈_，然后計(jì)算機(jī)對圖像和地理位置坐標(biāo)等信息進(jìn)行集成，實(shí)現(xiàn)裂紋段鐵軌的精準(zhǔn)定位。GPS模塊的硬件設(shè)計(jì)如圖2所示，該模塊中有4個端口與單片機(jī)進(jìn)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(shù)據(jù)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(tǒng)的核心部分，系統(tǒng)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(yè)相機(jī)，使采集圖片的質(zhì)量大大提高，便于后期圖像的處理工作。相機(jī)分辨率較高，且拍照幀數(shù)高，實(shí)現(xiàn)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(jìn)而提高了圖像的存儲速度。圖像處理模塊主要通過工控機(jī)來完成，利用工控機(jī)的實(shí)時性、可靠性與智能性等特點(diǎn)，使得它能夠完成大數(shù)據(jù)量的圖像數(shù)據(jù)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(jià)工作。

圖像處理算法的優(yōu)劣在檢測效果和精度上對整個系統(tǒng)都有較大的影響。因此，本系統(tǒng)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(yù)處理（圖像增強(qiáng)、圖像復(fù)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(jì)算機(jī)和軟件系統(tǒng)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(jīng)網(wǎng)絡(luò)，通過對采集的裂紋圖像數(shù)據(jù)庫模型進(jìn)行多次學(xué)習(xí)訓(xùn)練，使其具有學(xué)習(xí)裂紋的特征。該系統(tǒng)采用Faster R-CNN[3-4]（Faster Region-based Convolutional Neural Network）網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)模型利用RPN（Region Proposal Network）結(jié)構(gòu)來篩選出圖像中可能存在裂紋的候選區(qū)域，并利用裂紋檢測訓(xùn)練模型獲取目標(biāo)邊框信息，最終標(biāo)記該圖像并將其傳入計(jì)算機(jī)進(jìn)行處理。

對于傳輸?shù)接?jì)算機(jī)中的圖像，為降低由圖像噪聲等對后續(xù)的檢測操作帶來的影響，系統(tǒng)會進(jìn)行一定的預(yù)處理，在這里采用二維加權(quán)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(tǒng)還對圖像做了尖銳化處理，主要是增強(qiáng)圖像的邊緣[7]以及灰度的跳變部分，通過梯度運(yùn)算，將圖像中原先不變的白色區(qū)域的灰度值變?yōu)?，而黑色區(qū)域不發(fā)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(diǎn)。系統(tǒng)在圖像的銳化上采用的是微分尖銳化中的梯度法。對于數(shù)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(shù)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(jì)算機(jī)的處理過程中，需要利用差分運(yùn)算來近似替代上述的微分運(yùn)算進(jìn)而轉(zhuǎn)化成計(jì)算機(jī)能夠處理的離散形式，故有如下計(jì)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(diǎn)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(shù)據(jù)了，故這4組像素的梯度值不能通過上述公式來進(jìn)行求解。該系統(tǒng)通過圖像擴(kuò)展，將處在最外層的四組像素值分別重復(fù)一次再利用公式計(jì)算，解決了邊緣像素值的梯度計(jì)算問題，最后完成圖像的處理。如圖4所示。

2.3 系統(tǒng)上報(bào)模塊

系統(tǒng)上報(bào)模塊是基于一個Spring框架[8]搭建的web系統(tǒng)。該web系統(tǒng)負(fù)責(zé)對提交上來的裂紋圖像進(jìn)行存儲與管理。同時在接收到新的裂紋信息時，日志系統(tǒng)將其記錄下來，為用戶提供軌道維護(hù)方面的統(tǒng)計(jì)報(bào)表功能以及系統(tǒng)的開發(fā)者的運(yùn)營和維護(hù)工作提供了一定的保障。系統(tǒng)正常工作時，由相機(jī)捕捉到含有裂紋的鐵軌圖像，經(jīng)過圖像采集處理模塊處理完圖像之后，系統(tǒng)上報(bào)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?shù)胶笈_監(jiān)測管理部門，由鐵路的有關(guān)部門派出技術(shù)人員進(jìn)行搶修，避免重大交通事故的發(fā)生。

3 結(jié)論

基于圖像識別的鐵軌裂紋檢測系統(tǒng)是結(jié)合了機(jī)器視覺技術(shù)以及數(shù)字圖像處理技術(shù)的一個新的應(yīng)用系統(tǒng)，綜合利用了Faster R-CNN、Picture procession、圖像濾波、圖像增強(qiáng)以及圖像邊緣檢測等技術(shù)，采用圖像識別的檢測方法不僅彌補(bǔ)了傳統(tǒng)人工檢修方式的不足，還降低了傳統(tǒng)模式下雇傭人力方面所付出的高額傭金，并且采集的數(shù)據(jù)將永久存儲在計(jì)算機(jī)中，能夠?qū)z測結(jié)果進(jìn)行重復(fù)判讀，很大程度上提高了鐵軌裂紋檢測的精準(zhǔn)度和效率。

參考文獻(xiàn)：

[1] 鄔鋒.鐵軌表面缺陷檢測算法的研究[D].無錫：江南大學(xué)，2015.

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

[3] 肖創(chuàng)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(yè)大學(xué)學(xué)報(bào)，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(xué)，2019.

[5] 岡薩雷斯.數(shù)字圖像處理[M]. 2版.北京：電子工業(yè)出版社，2000.

[6] 倪麟，龔劬，曹莉，等.基于自適應(yīng)加權(quán)中值濾波的二維Otsu圖像分割算法[J].計(jì)算機(jī)應(yīng)用研究，2013，30（2）：598-600.

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

[8] 文緒源.基于Spring技術(shù)的政府機(jī)關(guān)文檔管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2020.

【通聯(lián)編輯：代影】

收稿日期：2021-03-20

基金項(xiàng)目：成都理工大學(xué)2020年大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（項(xiàng)目編號：S202010616119）

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