胡璐萍 王琪璇 吳哲 王小龍

收稿日期：2023-04-14

基金項目：陜西省教育廳科研計劃項目（23JK0531）

DOI：10.19850/j.cnki.2096-4706.2024.07.025

摘? 要：以鋼軌為研究對象，結(jié)合圖像處理技術(shù)，對鋼軌表面質(zhì)量進(jìn)行檢測。首先，對鋼軌圖像進(jìn)行預(yù)處理，通過線性灰度變換對圖像進(jìn)行增強，并采用自適應(yīng)濾波進(jìn)行圖像去噪；其次，采用Ostu閾值分割算法對預(yù)處理后的鋼軌圖像進(jìn)行缺陷分割；最后，以離心率、矩形度和致密度作為分類依據(jù)，通過決策樹分類法對鋼軌表面缺陷進(jìn)行分類。實驗結(jié)果表明：基于圖像處理的鋼軌表面質(zhì)量檢測方法能夠有效對鋼軌缺陷進(jìn)行檢測，分割準(zhǔn)確率為96.7%，分類準(zhǔn)確率為90%，為鋼軌表面質(zhì)量檢測提供了一種有效的檢測方法。

關(guān)鍵詞：鋼軌缺陷；圖像處理；邊緣檢測；閾值分割；缺陷分類

中圖分類號：TP391.4；U216.3 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-4706（2024）07-0118-06

Research on Orbital Surface Disease Detection Based on Image Processing

HU Luping， WANG Qixuan， WU Zhe， WANG Xiaolong

（School of Mechanical and Electrical Engineering， Xi'an Traffic Engineering Institute， Xi'an? 710300， China）

Abstract： Taking steel rails as the research object， combined with image processing technology， the surface quality of steel rails is detected. Firstly， it preprocesses the steel rail image， enhance the image through linear grayscale transformation， and use adaptive filtering for image denoising. Secondly， the Ostu threshold segmentation algorithm is used to segment defects in the preprocessed steel rail images. Finally， using eccentricity， rectangularity， and density as classification criteria， the surface defects of steel rails are classified using decision tree classification method. The experimental results show that the image processing-based steel rail surface quality detection method can effectively detect steel rail defects， with a segmentation accuracy of 96.7% and a classification accuracy of 90%， providing an effective detection method for steel rail surface quality detection.

Keywords： steel rail defect; image processing; edge detection; threshold segmentation; defect classification

0? 引? 言

鋼軌的表面質(zhì)量是導(dǎo)致列車安全事故的重要原因之一，如何正確地檢測與控制鋼軌的表面質(zhì)量是保證鐵路安全問題的重要內(nèi)容。目前鋼軌表面病害檢測主要依賴于人工巡檢，而人工巡檢對工人素質(zhì)要求高，檢測結(jié)果容易受到工人自身因素干擾，而且成本高。同時，工人在列車軌道工作，危險性極高，而且效率低下[1-4]。因此，本文將圖像處理應(yīng)用到鋼軌表面質(zhì)量檢測中，實現(xiàn)軌道表面病害自動檢測。經(jīng)過各國科學(xué)技術(shù)研究人員不懈努力，已經(jīng)研究出許多鋼軌表面缺陷的方法，如超聲波檢測[5]、漏磁檢測[6]、渦流檢測[7]，該類方法對檢測環(huán)境要求較高，容易收到外部環(huán)境的干擾。

為了提高軌道交通的安全性和穩(wěn)定性，實現(xiàn)自動檢測鐵路軌道線，縮短檢測時間，降低維護成本，近幾年又出現(xiàn)了基于圖像處理的檢測方法，它是通過使用圖像處理的方法對軌道缺陷進(jìn)行歸類。該方法的精度和實時性都具有一定的提升，相比于其他的檢測方法更具有可行性和穩(wěn)定性[8-12]。因此本文將圖像處理運用到軌道表面病害檢測。

1? 軌道表面病害檢測理論

我國鐵道運輸部門把鋼軌出現(xiàn)裂紋、掉塊、斷裂等導(dǎo)致對鋼軌不能正常使用的情況都列為鋼軌損傷。軌面?zhèn)麚p即鋼軌表面病害，主要包括疤痕缺陷、踏面剝離、裂紋、波浪磨耗、斷裂、剝離掉塊等[13]，如圖1所示。我國鐵路分布密集，火車路線經(jīng)過的地區(qū)經(jīng)緯度跨越較大，海拔高度不盡相同，氣溫差異大，這些缺陷會給火車的行駛安全帶來不同程度的安全隱患，因此進(jìn)行鋼軌表面病害檢測是保障鐵路安全的關(guān)鍵環(huán)節(jié)[14，15]。

2? 檢測方案設(shè)計

為了解決傳統(tǒng)檢測過程中存在的識別率不高、檢測效率低、成本高等各種問題，本文采用圖像處理對鋼軌表面病害進(jìn)行檢測，該方法可自動檢出鋼軌表面病害，實現(xiàn)結(jié)疤、裂紋等缺陷的識別和分類。該方案先對鋼軌圖像進(jìn)行圖形增強和圖像去噪等預(yù)處理操作，然后采用邊緣檢測和閾值分割，檢測出缺陷，進(jìn)行缺陷分割，以便對缺陷進(jìn)行準(zhǔn)確識別，最后對缺陷圖像進(jìn)行識別和分類。

2.1? 圖像預(yù)處理

由于鋼軌圖像的采集工作都是在戶外完成的，難免受到戶外自然環(huán)境中光線、灰塵等因素的影響，使鋼軌表面出現(xiàn)細(xì)節(jié)模糊、有些區(qū)域清晰度不高等問題。同時，圖像在傳輸過程中也會產(chǎn)生一些噪聲，增加圖像處理與分析環(huán)節(jié)的運算量，所以必須進(jìn)行圖像增強和圖像去噪等預(yù)處理使其成像清晰，對比度明顯，方便后續(xù)缺陷檢測與分割。

2.1.1? 軌道圖像增強

圖像增強是指用算法突出有用信息，增強視覺效果，使圖像更容易被識別的手段。圖像增強的方法主要有兩大類：空間域方法和頻域方法[16]?？臻g域方法主要利用增強圖像像素實現(xiàn)圖像增強，而頻域方法利用空域與頻域互相轉(zhuǎn)換，并進(jìn)行濾波處理實現(xiàn)圖像增強。由于空域處理不需要二次轉(zhuǎn)換，從而減少計算量，所以本文對軌道圖像采用空間域增強方法進(jìn)行圖像增強。常用的空間域方法為灰度變換法，灰度變換是通過點運算改變圖像的灰度范圍，以增強圖像清晰度、使其易于識別，線性灰度變換的變換函數(shù)為線性函數(shù)，適用于曝光不好、灰度范圍小、圖像模糊、對比度差的圖像。本文對鋼軌缺陷圖像進(jìn)行線性灰度變換，MATLAB仿真結(jié)果如圖2所示。

從圖2可以看出，線性灰度變換后鋼軌表面病害的對比度明顯，鋼軌圖像亮度提高，當(dāng)斜率取0.1，截距取0.5時，成像效果最清晰，從而為后續(xù)軌面區(qū)域提取和缺陷分割提供便利。

2.1.2? 軌道圖像降噪

圖像在傳輸過程中產(chǎn)生的一些噪聲，以及增加的圖像處理與分析環(huán)節(jié)的運算量，最終影響缺陷檢測的精度。因此，對鋼軌圖像進(jìn)行去噪，即圖像濾波處理是圖像處理的一個不可缺失的重要環(huán)節(jié)，是保證檢測結(jié)果精準(zhǔn)的一個重要前提[17]。本文采用常用的自適應(yīng)濾波進(jìn)行降噪處理。自適應(yīng)濾波器的參數(shù)能夠使基于窗口Sxy定義的區(qū)域內(nèi)圖像的統(tǒng)計特征發(fā)生變化，即根據(jù)鋼軌圖像的局部變化自動調(diào)整濾波參數(shù)以適應(yīng)鋼軌圖像的各個部分。當(dāng)鋼軌圖像局部出現(xiàn)明顯變化時，自適應(yīng)濾波器可以進(jìn)行較小參數(shù)變化的濾波處理；當(dāng)鋼軌圖像局部變化不明顯時，進(jìn)行較大參數(shù)變化的濾波處理[18]。因此，能夠很好地保留鋼軌圖像的邊緣信息，有利于后續(xù)軌面區(qū)域提取和缺陷識別。

希望自適應(yīng)濾波器具有的能力：

1）當(dāng)? = 0時，輸出g （x，y） = f （x，y）， = 0為噪聲方差，g （x，y）為噪聲圖像上點（x，y）處的值，f （x，y）為原圖圖像上點（x，y）處的值。

2）當(dāng) （局部方差）與? 高相關(guān)時，這個像素點可能與邊緣密切相關(guān)，邊緣是要被保留下來的，因此，需要輸出一個g （x，y）的近似值。

3）當(dāng)? =? 時，輸出區(qū)域Sxy上像素的算術(shù)平均值；此時說明局部圖像與全部圖像特征性相同。

由上述期望性能，自適應(yīng)濾波可以數(shù)學(xué)描述為：

（1）

其中，mL為區(qū)域Sxy內(nèi)像素點的局部均值； 為區(qū)域Sxy內(nèi)像素點的局部方差。

對鋼軌圖像進(jìn)行自適應(yīng)濾波，仿真結(jié)果如圖3所示，從圖像可以看出，自適應(yīng)濾波可以在去除噪音的同時保留邊緣，減少圖像模糊度，保存圖像連續(xù)性。當(dāng)窗口為3×3時，對圖像清晰度基本沒有影響，有較多噪聲殘留；5×5時，仍有許多噪聲殘留；因此選擇窗口大小為9×9，能夠基本完全除去噪聲的同時，完美保存圖像邊緣信息。

（a）加噪圖像? （b）3×3? ? （c）5×5? ? ?（d）9×9

圖3? 自適應(yīng)濾波

從圖3可以看出，鋼軌表面病害經(jīng)過自適應(yīng)濾波處理，能夠有效地保留更多的邊緣信息，為后續(xù)缺陷分割提供便利。

2.2? 軌道缺陷分割

缺陷分割就是突出缺陷區(qū)域。采集到的圖像經(jīng)過預(yù)處理后，增加了圖像對比度，降低了軌面缺陷分割計算量，便于缺陷分類。缺陷分割是表面病害檢測中關(guān)鍵的步驟，通過分割可以將缺陷目標(biāo)從背景中分離出來[19，20]。本文利用Otsu閾值分割法進(jìn)行缺陷分割，利用最佳閾值把鋼軌圖像的灰度值分割成不同區(qū)域之間類間方差最大的子區(qū)域；使得不同子區(qū)域之間具有最大的分離性。

Otsu算法計算簡單，錯分概率最小。它的基本思想是：設(shè)圖像灰度級的集合為s = （0，1，2，3，…，i，…，L-1），ni為灰度級為i的像素數(shù)，圖像全部像素數(shù)為N，則灰度級i出現(xiàn)的概率為：

（2）

滿足要求 。

將鋼軌圖像中的像素用閾值T分割為兩部分，其中灰度值在區(qū)間[0，T]的稱為區(qū)域A，灰度值在區(qū)間[T + 1，l - 1]稱為區(qū)域B，則：

區(qū)域A占整幅圖像的面積比為：

（3）

區(qū)域B占整幅圖像的面積比為：

（4）

整幅圖像的灰度均值為：

（5）

區(qū)域A的灰度均值為：

（6）

區(qū)域B的灰度均值為：

（7）

由以上算式，可以得到整幅圖像的灰度均值與區(qū)域A、區(qū)域B之間的關(guān)系為：

（8）

區(qū)域間的方差就是描述兩個區(qū)域的灰度均值與整幅圖像的灰度均值之差打下的參數(shù)，其表達(dá)式為：

（9）

其中， 為被分割后的兩個閾值之間的方差，方差最大時分離狀態(tài)最佳。

從圖4可以發(fā)現(xiàn)Otsu閾值分割法對于鋼軌缺陷分割效果較好，其中對裂紋缺陷的識別效果最好。

3? 特征提取及分類

3.1? 特征提取

提取有效的特征能夠大大減少計算量，提高檢測精度，缺陷特征主要采用特征描述法提取特征，常提取的特征主要有邊界特征、區(qū)域特征、紋理特征、顏色特征等?；诒疚牡那捌谔幚矶?，本文適合利用邊界特征、形狀特征對其進(jìn)行描述[9，21，22]，本文主要要選擇具有代表性的特征作為分類依據(jù)，以減少選擇的特征數(shù)量，減小計算量。

通過對Otsu閾值分割后的缺陷進(jìn)行特征計算，計算出塊狀缺陷的特征參數(shù)如表1所示。

計算出的裂紋缺陷的特征參數(shù)如表2所示。

計算出的波紋擦傷缺陷的特征參數(shù)如表3所示。

本文總共選取了缺陷的7種特征從不同的方向?qū)︿撥壉砻娌『M(jìn)行描述，以實現(xiàn)對缺陷的詳盡分析。對表1到表3中的各項數(shù)據(jù)分析法進(jìn)行對比，不難發(fā)現(xiàn)，選擇的7種特征雖然都能對缺陷進(jìn)行描述，但有些特征在三種缺陷差別不大，不能用于準(zhǔn)確識別和分類三種缺陷。

塊狀缺陷的長軸大概在15～30，裂紋缺陷長軸在180～230，波紋擦傷長軸在40～100，長軸特征可以區(qū)分出裂紋缺陷，不能區(qū)分塊狀與波紋擦傷。三種缺陷的短軸都在10～30，不能區(qū)分出任意一種缺陷。塊狀缺陷離心率在0.73～0.82，裂紋缺陷離心率在0.11～0.14，波紋擦傷離心率在0.17～0.24，由離心率可以區(qū)分出塊狀缺陷。塊狀缺陷周長50～70，裂紋周長在250～400，波紋擦傷周長在50～110，周長特征不能區(qū)分出缺陷。塊狀缺陷面積在160～770，裂紋面積980～1 800，波紋擦傷面積在230～470可區(qū)分出裂紋缺陷。塊狀缺陷矩形度0.68～0.77，裂紋在0.19～0.26，波紋擦傷在0.16～0.25，可以根據(jù)此特征區(qū)分出塊狀缺陷。塊狀缺陷致密度在4.88～9.93，裂紋在83.3～105.3，波紋擦傷在13.9～23.3，可以根據(jù)此特征區(qū)分出裂紋缺陷。

對比7種特征，發(fā)現(xiàn)長軸、面積、矩形度、致密度、離心率這5個缺陷特征參數(shù)差異較大，考慮到取樣的局限性和各種缺陷有大有小，為避免缺陷本身大小帶來的誤差，所以選取軌道表面病害的離心率、矩形度和致密度這3個特征作為缺陷分類的指標(biāo)。

3.2? 缺陷分類

目前用于圖像處理缺陷分類的方法主要有決策樹法、貝葉斯分類、K鄰近和神經(jīng)網(wǎng)絡(luò)。由于在前文將鋼軌缺陷分為3種，分類標(biāo)準(zhǔn)也選取了3種，相對簡單，因此本文選擇決策樹法來對鋼軌缺陷進(jìn)行分類識別。具體分類步驟總共有3步：首先根據(jù)離心率分離出塊狀缺陷，然后根據(jù)致密度分離出裂紋缺陷，根據(jù)離心率和矩形度分離波紋磨損。分類流程如圖5所示。

4? 實驗對比結(jié)果

本實驗平臺由西安市現(xiàn)代智能紡織設(shè)備重點實驗室提供，實驗硬件環(huán)境為CPU Lenovo i7-9700K，內(nèi)存16 GB，操作系統(tǒng)為Windows 10，軟件環(huán)境為MATLAB 2020a。實驗種共采集了100張圖片，抽取其中60張作為標(biāo)準(zhǔn)，其中每種缺陷各取20張，對其進(jìn)行缺陷特征提取，計算它們的離心率、矩形度和致密度，取其數(shù)值所在范圍作為分類的評判標(biāo)準(zhǔn)。然后對剩余40圖片作為測試樣本，對其進(jìn)行分類識別。

4.1? 實驗過程

4.1.1? 缺陷分割實驗

本文采用Canny算子和Otsu法閾值分割算法進(jìn)行缺陷分割，對選取的作為標(biāo)準(zhǔn)的60張圖片進(jìn)行圖像分割，對比其分割效果。部分實驗結(jié)果如圖6所示。

如表4所示，缺陷分割實驗綜合平均準(zhǔn)確率約為96.7%，意味著對絕大多數(shù)圖像能夠準(zhǔn)確進(jìn)行缺陷分割。

4.1.2? 特征提取與分類實驗

首先對已知缺陷的60張標(biāo)準(zhǔn)組圖像進(jìn)行缺陷提取，分別對它們的離心率、矩形度和致密度進(jìn)行統(tǒng)計，找到它們的分類區(qū)間。缺陷特征參數(shù)范圍示例如圖7所示。

對已經(jīng)提取缺陷特征的60張標(biāo)準(zhǔn)組圖像的缺陷特征進(jìn)行分析，可以得到塊狀缺陷離心率在0.70～0.85，矩形度在0.60～0.80，致密度大約在4.0～15.0；裂紋缺陷離心率大約在0.10～0.20，矩形度大約在0.15～0.30，致密度在80～110；波紋擦傷離心率大約在0.15～0.25，矩形度大約在0.15～0.25，矩形度在10.0～25.0。根據(jù)決策樹分類法，首先根據(jù)離心率在0.70～0.85分離出塊狀缺陷，然會根據(jù)致密度在80～110分離出裂紋缺陷，根據(jù)矩形度在0.15～0.25分離出波紋擦傷，剩下的則為無法分類缺陷。利用以上標(biāo)準(zhǔn)組得到的界限，對實驗組進(jìn)行分類。表5為實驗組識別分類結(jié)果及準(zhǔn)確率。

如表5所示，本文的缺陷分類平均準(zhǔn)確率為90%，在分類檢測方面屬于較高水平，平均檢測速度可達(dá)58毫秒/張，可以滿足工業(yè)檢測標(biāo)準(zhǔn)。經(jīng)過實驗表明用決策樹分類法對鋼軌缺陷進(jìn)行簡單分類是可行的。

4.2? 實驗結(jié)果分析

通過實驗驗證，本文所用鋼軌表面病害檢測分類方法的缺陷分割準(zhǔn)確率為96.7%，分類準(zhǔn)確率為90%，檢測準(zhǔn)確率可以達(dá)到要求，檢測速度可達(dá)58毫秒，同樣滿足要求，具有一定實用性。實驗中影響準(zhǔn)確率的主要原因是拍到的原始圖像灰度對比度不明顯，圖像模糊，有些圖像缺陷部分和非缺陷部分灰度一樣，嚴(yán)重影響圖像分割，影響最終檢測準(zhǔn)確率。

5? 結(jié)? 論

本文對鋼軌表面病害檢測進(jìn)行研究，從圖像采集、缺陷檢測和缺陷識別分類三個方面出發(fā)，研究一種基于圖像處理的鋼軌表面質(zhì)量檢測方法，并利用MATLAB軟件進(jìn)行仿真，對塊狀缺陷、裂紋缺陷和波紋擦傷三種缺陷進(jìn)行分類，通過仿真實驗得出本文方法的有效性，缺陷分割準(zhǔn)確率為96.7%，分類準(zhǔn)確率為90%，檢測準(zhǔn)確率可以達(dá)到要求，檢測速度可達(dá)58毫秒/張。

參考文獻(xiàn)：

[1] 劉大為.鐵路網(wǎng)絡(luò)安全面臨的嚴(yán)峻形勢和主要對策研究 [J].鐵道通信信號，2023，59（1）：1-5.

[2] LIMIN C，YIN L，KAIMIN W. Inspection of Rail Surface Defect Based on Machine Vision System [C]//The 2nd International Conference on Information Science and Engineering.Hangzhou：IEEE，2010：3793-3796.

[3] FENG J，ZHANG J F，LU S X，et al. Three-Axis Magnetic Flux Leakage in-Line Inspection Simulation Based on Finite-Element Analysis [J]. Chinese Physics B，2013，22（1）：103-108.

[4] LIU H Y，WANG C M，YU Y S.et al. An experimental study on particle evolution in the exhaust gas of a direct injection SI engine [J].Applied Energy，2020，260.

[5] 張德豐.數(shù)字圖像處理（Matlab版）：第2版 [M].北京：人民郵電出版社，2015：276-370.

[6] 賀振東，王耀南，劉潔，等.基于背景差分的高鐵鋼軌表面缺陷圖像分割 [J].儀器儀表學(xué)報，2016，37（3）：640-649.

[7] 劉澤，王嵬，王平.鋼軌表面缺陷檢測機器視覺系統(tǒng)的設(shè)計[J].電子測量與儀器學(xué)報，2010，24（11）：1012-1017.

[8] 閔永智，岳彪，馬宏鋒，等.基于圖像灰度梯度特征的鋼軌表面缺陷檢測[J].儀器儀表學(xué)報，2018，39（4）：220-229.

[9] 李永基.基于圖像的軌道表面缺陷識別研究[D].蘭州：蘭州交通大學(xué)，2017.

[10] 羅暉，徐廣隆.基于圖像增強與深度學(xué)習(xí)的鋼軌表面缺陷檢測[J].鐵道科學(xué)與工程學(xué)報，2021，18（3）：623-629.

[11] 王成峰，卞榮俊.城市軌道交通工程車安全控制及運行監(jiān)測系統(tǒng)運用研究[J].鐵道通信信號，2021，57（11）：82-85.

[12] 趙慶安，戴克平，唐龍.城市軌道交通整體網(wǎng)絡(luò)安全風(fēng)險分析及應(yīng)對策略[J].鐵道通信信號，2021，57（3）：84-89.

[13] 劉豐收，李闖，田常海.我國高速鐵路鋼軌早期傷損研究[J].鐵道建筑，2018，58（1）：138-140.

[14] WANG K Y，LIU P F，ZHAI W M，et al. Wheel/Rail Dynamic Interaction Due to Excitation of Rail Corrugation In High-Speed Railway [J].Science China（Technological Sciences），2015，58（2）：226-235.

[15] 劉俊博，黃雅平，王勝春，等.基于機器視覺的多線路鋼軌扣件缺損檢測方法[J].中國鐵道科學(xué)，2019，40（4）：27-35.

[16] 王文成.基于Halcon的齒輪缺陷檢測系統(tǒng)設(shè)計[J].機械傳動，2014，38（9）：60-63+98.

[17] 袁勇，張固瀾.一種改進(jìn)的中值濾波方法 [J].成都理工大學(xué)學(xué)報：自然科學(xué)版，2013，40（2）：125-129.

[18] 王前選，梁習(xí)鋒，劉應(yīng)龍，等.鐵路鋼軌視覺識別檢測方法 [J].中南大學(xué)學(xué)報：自然科學(xué)版，2014，45（7）：2496-2502.

[19] 張博.基于邊緣檢測的細(xì)胞圖像分割方法研究與實現(xiàn)[D].武漢：武漢理工大學(xué)，2006.

[20] 袁小翠，黃志開，馬永力，等.Otsu閾值分割法特點及其應(yīng)用分析[J].南昌工程學(xué)院學(xué)報，2019，38（1）：85-90+97.

[21] 楊杰.數(shù)字圖像處理及MATLAB實現(xiàn)：第3版 [M].北京：電子工業(yè)出版社，2019.

[22] 李龍龍，何東健，王美麗.基于圖像分析的葉片特征識別相關(guān)度[J].計算機工程與設(shè)計，2016，37（8）：2259-2263.

作者簡介：胡璐萍（1992—），女，漢族，陜西安康人，助教，碩士研究生，研究方向：機器視覺、缺陷檢測；王琪璇（1997—），女，漢族，陜西西安人，助教，碩士研究生，研究方向：機器人視覺；吳哲（1989—），女，漢族，陜西咸陽人，講師，碩士研究生，研究方向：機械設(shè)計、結(jié)構(gòu)設(shè)計；王小龍（1989—），男，漢族，陜西商洛人，工程師，碩士研究生，研究方向：電氣控制、計算機控制、機電一體化方向。