朱有桃　上海鐵路局科研所

在電氣化的高速鐵路軌道鋪設(shè)中，通常采用CRTS即無砟軌道板，其主要分為CRTSⅠ型、CRTSⅡ型和CRTSⅢ型無砟軌道板。軌道板承載著鋼軌和扣件，在受到氣溫、震動、外力等因素的作用下會產(chǎn)生裂紋或缺損，這將直接影響鋼軌承載列車行駛的安全性，因此軌道板傷損在鐵路部門日常維護(hù)中作為重點檢查內(nèi)容之一。

傳統(tǒng)軌道板檢測是通過人工線路巡視，或者對軌道板高清成像，由人工對每幅圖片進(jìn)行篩選的方式，對軌道板的狀態(tài)進(jìn)行檢測。這些方式投入的人力成本大、效率低；主觀因素較大，容易發(fā)生漏檢、誤檢，不能滿足高鐵維修的需求。因此急需先進(jìn)的智能識別技術(shù)對軌道板缺陷進(jìn)行自動檢測，以提高檢測質(zhì)量和效率。

1　總體設(shè)計

由CCD高清線陣相機(jī)和定制高亮LED光源形成的“GDXJ-1型車載智能軌道巡檢系統(tǒng)”，安裝在鋼軌探傷車上，采集軌道面的高清圖像。軌道板傷損自動識別算法設(shè)計過程為，先對采集的高清圖像進(jìn)行預(yù)處理，然后利用投影法對各軌道板進(jìn)行分割，同時對扣件區(qū)域進(jìn)行分割去除，再運用Canny算子對軌道板傷損進(jìn)行邊緣檢測，并對內(nèi)邊緣線進(jìn)行判別，對疑似傷損進(jìn)行分類存儲。后續(xù)可依靠人工，對疑似缺陷進(jìn)行進(jìn)一步確認(rèn)。

2　圖像分割

圖像分割是分析圖像的重要步驟之一，它是將圖細(xì)分成為解決問題服務(wù)的多個子區(qū)域或?qū)ο?，各子區(qū)域或?qū)ο笠话阌糜诙ㄎ粓D中有用的點、邊界、線等。分析軌道板圖像時我們需將軌道板從整體圖中分割出來，而且要去除扣件區(qū)域，便于后續(xù)邊緣提取。現(xiàn)有的圖像分割方法主要分為：基于閾值、基于區(qū)域、基于邊緣和基于特定理論的分割方法。在此應(yīng)用基于灰度值的不連續(xù)性和相似性，相似性就是以灰度突變（極大值或極小值）為基礎(chǔ)分割，通常出現(xiàn)在邊緣；相似性就是將一幅圖分割為相似的區(qū)域。基于灰度值的分割方法是通過投影法實現(xiàn)的。

投影可以明顯而且有效地提取圖像的特征，這種方法本質(zhì)是一種統(tǒng)計方法，它根據(jù)圖像在某一方向的投影特性進(jìn)行分析。水平投影即對圖像數(shù)組進(jìn)行行求和，統(tǒng)計圖像水平方向像素的和；垂直投影即對圖像數(shù)組進(jìn)行列求和，統(tǒng)計圖像垂直方向像素的和。一幅二維圖像可以轉(zhuǎn)化成兩個正交的一維投影函數(shù)。投影法通過降低維數(shù)，減小計算量，以達(dá)到更有效、更便捷地分析圖像特征，因此是一種十分重要的方法。投影函數(shù)最常用的是積分投影函數(shù)，可分為垂直和水平積分投影。

垂直（水平）積分投影是將同一列（行）每個部分各點像素灰度值進(jìn)行累加，反映在坐標(biāo)系中個各個數(shù)值點，從而可以得到在垂直（水平）方向上的圖像灰度分布變化情況。令I(lǐng)(x，y)表示數(shù)字圖像在點(x,y)處的像素灰度值，區(qū)間[x1，x2]內(nèi)的水平積分投影函數(shù)Sh(y)為：

在區(qū)間[y1,y2]內(nèi)垂直積分投影函數(shù)Sv(x)和分別為：

在灰度較為均勻的圖像中，積分投影將數(shù)字圖像的二維信息轉(zhuǎn)化為橫、縱坐標(biāo)中的一維曲線。因此，可分析一維曲線中具有明顯區(qū)分特征處，找到所需信息。在此，對輸入軌道板圖像進(jìn)行垂直（水平）投影，因軌道板具有固定的位置，在連接處的像素灰度值會發(fā)生較大變化，在區(qū)域內(nèi)會有極小值，因此可根據(jù)灰度變化曲線對其進(jìn)行分割。扣件區(qū)域運用相同的方法，進(jìn)行分割，并去除該部分，為后續(xù)邊緣檢測減少干擾。

3　邊緣檢測

邊緣檢是將數(shù)字圖像中灰度變化較大的點標(biāo)記出，保留有用信息，并且去除無用或不相關(guān)信息。它可以大幅減少數(shù)據(jù)量，在描繪出目標(biāo)物體的同時，蘊含豐富的信息，對識別分析圖像特征具有重要作用。邊緣檢測方法為：查找一階導(dǎo)數(shù)極值的方法和二階導(dǎo)數(shù)過零點的方法?；诓檎业姆椒ㄊ撬阉鲌D像一階導(dǎo)數(shù)中的最大和最小值來確定檢測邊界，一般邊界出現(xiàn)在梯度最大的方向。基于過零點的方法是尋找圖像二階導(dǎo)數(shù)超過零點來確定邊界，通常是拉普拉斯算子模板過零點。

通過圖像亮度的一階導(dǎo)數(shù)可以在圖像的亮度梯度中搜索峰值，該一階導(dǎo)數(shù)可由帶有掩碼的原始數(shù)據(jù)卷積計算得到。如果I（x）表示x點的亮度，I'（x）表示x點的亮度梯度，則：

基于亮度的二階導(dǎo)數(shù)是亮度梯度（亮度一階導(dǎo)數(shù)）的變化率。二階導(dǎo)數(shù)中的過零點可得到梯度中的局部最大值，當(dāng)圖像操作使用一個合適的尺度表示，二階導(dǎo)數(shù)中的峰值檢測是邊線檢測。圖像經(jīng)處理后可以在邊線的一邊看到兩個相反的梯度，也就可以在亮度梯度上看到非常大的變化。因此，可以在圖像亮度梯度的二階導(dǎo)數(shù)中尋找過零點。

如果I（x）表示點x的亮度，I”（x）表示點x亮度的二階導(dǎo)數(shù)，則：

本算法使用canny算子進(jìn)行邊緣檢測。

Canny算子邊緣檢測是高斯函數(shù)的一階導(dǎo)數(shù)，是對信噪比與定位之乘積的最優(yōu)化逼近算子。對圖像進(jìn)行邊緣檢測需能在抑制噪聲的前提下精確確定邊緣。受到噪聲影響的階躍型邊緣在Canny邊緣檢測算子應(yīng)用最好，應(yīng)具有以下三個標(biāo)準(zhǔn)：

（1）無邊緣丟失和無虛假邊緣（檢測標(biāo)準(zhǔn)）；

（2）單個邊緣響應(yīng)代替多個響應(yīng)（單響應(yīng)標(biāo)準(zhǔn)）；

（3）檢測邊緣最接近實際邊緣中心（定位標(biāo)準(zhǔn)）。

Canny邊緣檢測算法：

首先，運用高斯濾波去除圖象噪聲。噪聲很容易被識別成偽邊緣，可選取下式高斯平滑函數(shù)，適當(dāng)選取高斯模糊半徑，過大或過小容易漏檢弱邊緣。

G(x，y)為平滑后的圖像。

然后，用一階差分卷積來計算梯度的幅值和方向。2×2的robert算子為 H1和 H2，f(m，n)為原始圖像，分別作卷積后，求出幅值φ和方向θφ

再次，利用梯度方向抑制梯度幅值的非極大值。

梯度邊緣通常很粗且亮，一般不是一個像素寬，這樣的圖還不算清晰，因此需用梯度方向?qū)μ荻确档姆菢O大值進(jìn)行抑制（NMS），保留局部最大梯度，也就是說保留梯度中變化最銳利的部分。這樣得到的邊緣清晰，易于區(qū)分。

圖1　像素點的鄰域

圖1中，將圖像像素點標(biāo)記為0到3的四個扇區(qū)，對應(yīng)3×3鄰域四種組合。在每一點鄰域的中心像素M與沿著梯度線的兩個像素相比。如果M的梯度值小于或等于沿梯度線的兩個相鄰像素梯度值，則可令M=0。

即：N[i，j]=NMS（M[i，j]，ξ[i，j]）

最后，用雙閾值算法檢測和連接邊緣。

一般的邊緣檢測算法用一個閥值來對小于其的梯度值進(jìn)行濾除，保留大的梯度值。第三步中已經(jīng)去掉了大量偽邊緣，在經(jīng)由強(qiáng)閾值確定了真邊緣后，再利用弱閾值對真邊緣進(jìn)行連接處理，以保證邊緣的順滑真實。Canny算法應(yīng)用一個高和一個低閥值來區(qū)分邊緣。小于低閥值的點則被抑制掉。如果邊緣梯度值小于高閥值，大于低閥值，則標(biāo)記為弱邊緣點。如果邊緣像素點梯度值大于高閥值，則被認(rèn)為是強(qiáng)邊緣點。

雙閾值算法具體為：對非極大值抑制圖像選高低兩個閾值 τ1和 τ2，（2τ1≈τ2）。由高閾值得到邊緣圖像 N2[i，j]，邊緣有斷點，且含有較少假邊緣。該算法通過搜索到N2[i，j]中輪廓，當(dāng)?shù)竭_(dá)輪廓的端點時，在由低閾值得到邊緣圖像N1[i，j]的8鄰點位置尋找可以連接到輪廓上的邊緣，如此不斷地在N1[i，j]中收集邊緣，直到將N2[i，j]連接起來為止。

4　實驗結(jié)果

圖像由軌道巡檢系統(tǒng)采集，均為2048×2048的灰度圖像，各圖中均對應(yīng)線路名稱和公里標(biāo)。算法具體運用過程如下：

（1）先建立用于存放疑似軌道板傷損圖片的文件夾。然后對輸入圖像進(jìn)行平滑預(yù)處理，消除圖像中無用信息，確保其灰度均衡。

（2）通過水平投影，分割出軌道圖片中的軌道板圖。由圖2可看出，道板圖相對固定，在曲線圖中反映的灰度和值會發(fā)生急劇變化，通常取得極小值，可通過搜索極小值點的位置對原始圖片進(jìn)行切分，即實現(xiàn)對軌道板進(jìn)行準(zhǔn)確分割。

圖2　軌道板水平投影分割圖

（3）對分割后的軌道板圖，再進(jìn)行橫向和縱向投影，剪切出扣件所在區(qū)域的軌道板子圖。因扣件區(qū)域反映的是扣件的具體情況，將扣件區(qū)域分割出并去除，有利于減少后續(xù)邊緣檢測的干擾?？奂^(qū)域的水平和垂直投影圖分別如圖3所示，在扣件區(qū)域邊緣處，像素和值同樣會出現(xiàn)極小值，因此，尋找區(qū)域極小值可準(zhǔn)確切分扣件區(qū)域。

圖3　扣件水平和垂直投影

（4）將每幅圖像中軌道板圖減去其扣件區(qū)域圖，這樣可對其除扣件區(qū)域的其他區(qū)域圖像進(jìn)行檢測。效果圖如圖4左部分所示。

（5）對剪切出的軌道板圖運用Canny算子進(jìn)行邊緣檢測，若發(fā)現(xiàn)此軌道板內(nèi)邊緣線明顯則存在問題。采用雙閾值算法檢測和連接邊緣，減少了假邊緣段數(shù)量，如圖4所示，黑色圖為處理后圖像，可見邊緣檢測后的白色線邊緣較少，中圖中間區(qū)域存在細(xì)紋邊緣線，即可判斷軌道板出現(xiàn)傷損，而右圖中出現(xiàn)較少則可判斷該軌道板正常。

圖4　軌道板邊緣檢測圖

（6）對這些邊緣進(jìn)行缺陷分類分析，確定其是否屬于軌道板裂紋、缺損或有異物。根據(jù)先前建立的文件夾，將軌道板傷損圖像分類放在不同文件夾中。

通過對10組，每組10000幅，不同線路的圖形進(jìn)行自動識別，平均每組圖像平均用時400s，每組平均篩選出2000幅疑似傷損圖，效率提高約80%，較大的減輕了圖像分析人員的工作量。同時通過人工對10組10000幅圖進(jìn)行每幅查看，人工結(jié)果和自動識別算法處理結(jié)果對比發(fā)現(xiàn)，自動處理結(jié)果中包含99%傷損，存在一定可接受范圍內(nèi)的多報。實驗表明該軌道板傷損自動識別方法，可提高數(shù)據(jù)分析人員的處理效率，滿足數(shù)據(jù)處理結(jié)果要求。

5　結(jié)束語

本文給出了軌道板傷損自動識別的軟件算法，并成功用于日常軌道巡檢系統(tǒng)采集數(shù)據(jù)的分析工作中。通過對采集的圖像進(jìn)行預(yù)處理，利用像素灰度的水平和垂直投影對軌道板和扣件區(qū)域進(jìn)行分割，并將扣件區(qū)域去除，運用Canny算子對圖像進(jìn)行邊緣檢測，根據(jù)內(nèi)線邊緣判別軌道板疑似傷損，將挑選出的圖像進(jìn)行分類存儲，最后由人工進(jìn)行確認(rèn)。在邊緣檢測中，利用梯度方向抑制梯度幅值的非極大值；用高、低雙閾值算法減少偽邊緣段數(shù)量并連接邊緣。該系統(tǒng)的應(yīng)用，改變了傳統(tǒng)人工低效的查看每一張軌道圖片的模式，較大的減少了軌道圖像數(shù)據(jù)分析人員的工作量，提高了軌道板檢測和維護(hù)的工作效率，對保障鐵路運輸安全具有十分積極和重要的作用。