專利名稱：基于數(shù)字圖像的鋼軌表面缺陷檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及交通運(yùn)輸、工業(yè)監(jiān)控、數(shù)字圖像處理和模式識(shí)別領(lǐng)域，尤其涉及一種基 于數(shù)字圖像的鋼軌表面缺陷檢測(cè)方法。
背景技術(shù)：
鐵路運(yùn)輸安全性一直是關(guān)系到經(jīng)濟(jì)發(fā)展和人身安全的重大問(wèn)題。隨著既有線提 速、客運(yùn)專線的陸續(xù)建設(shè)，動(dòng)車組高速運(yùn)行對(duì)鐵路各項(xiàng)基礎(chǔ)設(shè)施養(yǎng)護(hù)維修提出了更高的要 求。鋼軌作為重要的鐵路基礎(chǔ)設(shè)施，其運(yùn)用狀態(tài)對(duì)行車安全具有直接和至關(guān)重要的影響，因 此必須加強(qiáng)對(duì)鋼軌的動(dòng)態(tài)檢測(cè)和狀態(tài)監(jiān)控，及時(shí)指導(dǎo)養(yǎng)護(hù)維修。在過(guò)去很長(zhǎng)一段時(shí)間，鐵軌缺陷檢測(cè)一直依賴人工巡檢，效率低下，檢測(cè)結(jié)果也不 能得到保證。為了節(jié)省人力，提高檢測(cè)效率，人們提出了各種自動(dòng)化(或者半自動(dòng)化)的 鋼軌缺陷檢測(cè)方法，比如超聲波檢測(cè)，脈沖渦流檢測(cè)等(ClarkR. .Rail Flaw Detection Overview and Needs for Future Developments. IndependentNondestructive Testing and Evaluation, 2004, 37,111-118. ) 0但是，這一類方法都很難區(qū)分鋼軌內(nèi)部傷損和表 面缺陷，目前的做法是傷損檢出后，由地面用小型探傷儀進(jìn)行復(fù)檢，在復(fù)檢過(guò)程中判斷出 該處鋼軌傷損的類型。為了有效檢測(cè)鋼軌表面缺陷，最近，人們提出了基于計(jì)算機(jī)視覺(jué)的 檢測(cè)方法。在此方法中，攝像機(jī)首先采集鋼軌表面的圖像，然后，計(jì)算機(jī)自動(dòng)分析圖像的 內(nèi)容并且識(shí)別鋼軌圖像是否存在缺陷(Marino F.，Stella E. . ViSyR :a Vision System for Real-TimeInfrastructure Inspection. Vision Systems Applications, Edited by: G. Obinata and A. Dutta, pp. 608，I-Tech，Vienna, Austria, 2007.)。在基于數(shù)字圖像的檢 測(cè)方法中，鋼軌表面圖像的分析和缺陷識(shí)別是關(guān)鍵，其分析和識(shí)別方法大致可以分為以下 三類1)統(tǒng)計(jì)方法通過(guò)分析紋理特征，分割圖像中統(tǒng)計(jì)信息不同的區(qū)域，并把這樣的 區(qū)域識(shí)別為缺陷區(qū)域。這種方法有一個(gè)假設(shè)前提，即非缺陷區(qū)域是圖像中的主要成份，并且 統(tǒng)計(jì)上穩(wěn)定。紋理特征的統(tǒng)計(jì)方法主要有邊緣檢測(cè)(ConciA.，ProenyaC.B. .A Computer Vision Approach for Textile Inspection. TextileResearch Journal,2000, Vol.70, No. 4 347-350.) 、形態(tài)學(xué)操作 (Unser M. , Ade F. . Feature Extraction and Decision Procedure for Automated Inspection of TexturedMaterials. Pattern Recognition Letters, 1984, Vol. 2, No. 3 :185—191.)、特征濾波(Monadj emi A. ， Mirmehdi M. ， Thomas B. . Restructured Eigen Filter Matching forNovelty Detection in Random Textures. Proceedings of the 15th British MachineVision Conference, Kingstom,2004 : 637-646.)等等。統(tǒng)計(jì)方法對(duì)于圖像的質(zhì)量要求比較高，對(duì)于噪聲比較敏感。2)譜方法統(tǒng)計(jì)方法主要是對(duì)空間域的灰度信息進(jìn)行分析和處理，其性能和魯棒 性難以滿足用戶的要求。為了克服這些困難，研究者提出了頻域的方法，稱之為譜方法。譜 方法首先通過(guò)傅立葉變換，Gabor濾波，小波變換等方法對(duì)圖像進(jìn)行變換，然后在變換域分 析禾口檢測(cè)(Kumar A.，Pang G. . Defect Detection inTextured Materials Using GaborFilters. IEEE Transactions on Industry Applications, 2002, Vol. 38 :425_440.)。譜方 法對(duì)于周期性的、全局性的缺陷檢測(cè)能有較好的效果，但是它對(duì)局部缺陷檢測(cè)則不盡人意， 另外，其檢測(cè)速度比較慢。3)模型方法這類方法根據(jù)包含缺陷的圖像的特點(diǎn)，建立模型，并描述缺陷的紋 理特征。主要的模型方法有泊松模型和基于模型的聚類(Campbell J. G. , Fraley C.， Murtagh F. ,Rafery A. E. . Linear Flaw Detection in Woven Textiles UsingModel-based Clustering. Pattern Recognition Letters, 1997,18 :1539_1548.)，基于直方圖模型的分 析(劉蘊(yùn)輝、劉鐵、王權(quán)良、羅四維.基于圖像處理的鐵軌表面缺陷檢測(cè)算法.計(jì)算機(jī)工程， 2007,33(11) 236-238.)等等。上述方法雖然在一定程度上能檢測(cè)鋼軌表面缺陷，但是也有明顯的不足。首先，這 些方法檢測(cè)速度比較慢，當(dāng)檢測(cè)列車運(yùn)行速度超過(guò)60km/h時(shí)，它們不能滿足實(shí)時(shí)檢測(cè)的要 求。其次，魯棒性不強(qiáng)，對(duì)于采集系統(tǒng)的成像質(zhì)量要求特別苛刻，其檢測(cè)的性能受光照等外 部環(huán)境的影響比較大。

發(fā)明內(nèi)容
針對(duì)上述方法存在的技術(shù)問(wèn)題，本發(fā)明提供了一種基于數(shù)字圖像的鋼軌表面缺陷 檢測(cè)方法。本發(fā)明的技術(shù)方案是通過(guò)以下步驟實(shí)現(xiàn)的鋼軌區(qū)域提取、對(duì)比度圖生成、可疑缺 陷區(qū)域定位、可疑缺陷判定。下面對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)描述(1)鋼軌區(qū)域提取本方法首先從輸入圖像中提取鋼軌區(qū)域，并生成鋼軌灰度圖。攝像機(jī)采集的圖像 除了包含鋼軌外，還可能包含其它的背景區(qū)域，因此，根據(jù)輸入圖像在垂直方向的投影曲線 特征提取鋼軌區(qū)域，得到鋼軌灰度圖。(2)對(duì)比度圖生成像素對(duì)比度值刻畫(huà)了該像素和它鄰域像素的明暗差別。將鋼軌圖像的灰度值轉(zhuǎn)換 為對(duì)比度值，生成鋼軌對(duì)比度圖，并且執(zhí)行預(yù)處理操作，盡可能減少非缺陷像素對(duì)于后續(xù)檢 測(cè)過(guò)程的影響。(3)可疑缺陷區(qū)域定位分析鋼軌對(duì)比度圖在水平方向和垂直方向的投影曲線，定位可疑缺陷區(qū)域?？梢?缺陷區(qū)域定位可以分為三個(gè)子過(guò)程首先，計(jì)算鋼軌對(duì)比度圖每行像素的平均對(duì)比度值，形成水平方向投影曲線；分析 其曲線的形狀，并確定垂直方向上鋼軌缺陷的可疑區(qū)間。然后，計(jì)算上述每一個(gè)可疑區(qū)間子圖每列像素的平均對(duì)比度值，形成該子圖在垂 直方向投影曲線；分析其曲線的形狀，確定水平方向上鋼軌缺陷的可疑區(qū)間。最后，結(jié)合垂直方向和水平方向的可疑區(qū)間，得到鋼軌缺陷的可疑矩形區(qū)域。(4)可疑缺陷判定得到上述可疑缺陷矩形區(qū)域后，抽取其幾何特征，并且根據(jù)該特征判斷是否是鋼 軌缺陷。本發(fā)明的有益效果如下
4
1.檢測(cè)速度快。理論上本發(fā)明方法只需要兩次掃描鋼軌圖像，時(shí)間復(fù)雜度遠(yuǎn)低于 其它現(xiàn)有方法。2.本發(fā)明方法檢測(cè)準(zhǔn)確率高，準(zhǔn)確率彡95%，漏檢率< 2%。3.本發(fā)明方法對(duì)鋼軌圖像采集環(huán)境具有自適應(yīng)能力，能有效消除噪聲、光照等不 利因素的影響。


下面結(jié)合附圖對(duì)本發(fā)明作詳細(xì)說(shuō)明圖1為基于數(shù)字圖像的鋼軌表面缺陷檢測(cè)方法流程框圖；圖2為輸入圖像及其鋼軌區(qū)域提取示意圖，其中圖2-a表示輸入圖像，圖2_b表示 垂直方向投影曲線圖，圖2-c表示提取的鋼軌區(qū)域圖R ；圖3為對(duì)比度圖生成和預(yù)處理示意圖，其中圖3-a表示鋼軌對(duì)比度圖C，圖3_b表 示過(guò)濾后的對(duì)比度圖C;圖4為鋼軌表面缺陷可疑區(qū)域定位和判定示意圖，其中圖4-a表示Y軸可疑區(qū)間 定位，圖4-b表示X軸可疑區(qū)間定位后得到可疑缺陷矩形，圖4-c表示判定為缺陷的區(qū)域；圖5為對(duì)比度圖水平投影曲線分析示意圖，其中圖5-a表示對(duì)比度圖C在水平方 向的投影曲線，圖5-b表示高通濾波后的投影曲線，圖5-c表示平滑操作后的投影曲線，圖 5-d表示合并操作后的投影曲線。
具體實(shí)施例方式實(shí)施例一軌道檢測(cè)車中的應(yīng)用軌道檢測(cè)車，是專門用于檢測(cè)高速鐵路軌道和路基安全技術(shù)參數(shù)、確保高速列車 行車安全的重要裝備。其中鋼軌表面缺陷是軌道檢測(cè)車的一個(gè)非常重要的檢測(cè)目標(biāo)。本發(fā) 明尤其適用于軌道檢測(cè)車，檢測(cè)車上的高速攝像機(jī)實(shí)時(shí)采集軌道表面的圖像，并且作為本 發(fā)明提供方法的輸入，該方法將自動(dòng)地分析輸入采集圖像，識(shí)別并且定位鋼軌缺陷，步驟包 括鋼軌區(qū)域提取、對(duì)比度圖生成、可疑缺陷區(qū)域定位、缺陷判定，其流程框圖見(jiàn)圖1。步驟S1 鋼軌區(qū)域提取輸入圖像中鋼軌所在區(qū)域的灰度值一般比較高，而背景部分區(qū)域的灰度值比較 低。按照公式(1)計(jì)算輸入圖像I，如圖2-a所示，在第x列的平均灰度值g(x) 其中H。表示輸入圖像的高度，而I(x，y)表示輸入圖像I在位置(x，y)處的灰度 值。G= [g⑴，g⑵，…，g(W。)]則構(gòu)成了輸入圖像I在垂直方向的投影曲線，W。表示輸 入圖像的寬度，如圖2-b所示。顯然，在輸入圖像I的垂直投影曲線中，鋼軌區(qū)域的值比較大，而其它背景區(qū)域的 值比較小。另外，鋼軌的寬度是固定的，可由用戶指定，假定為WR。按照公式(2)計(jì)算投影 曲線中每一個(gè)長(zhǎng)度為WR的區(qū)間的積分Sg(b)，1彡b彡W-WR
WR 將使得Sg (b)取最大值的X軸坐標(biāo)b作為鋼軌在X軸上的開(kāi)始位置，而b+WR則是 結(jié)束位置。最后，從輸入圖像I中截取X軸上區(qū)間[b，b+WR]之間的子圖像，得到鋼軌區(qū)域 圖R，也可以稱為鋼軌灰度圖R，如圖2. c所示。步驟S2:對(duì)比度圖生成一般情況下，鋼軌缺陷部位亮度比背景區(qū)域亮度低。但是，因?yàn)楣庹詹痪鶆?、攝像 機(jī)抖動(dòng)、鋼軌不同區(qū)域表面屬性差異的影響，鋼軌灰度圖R中部分非缺陷區(qū)域的亮度也比 較低，甚至比缺陷部件更低。因此，直接根據(jù)鋼軌灰度圖R計(jì)算機(jī)難以準(zhǔn)確快速地檢測(cè)真實(shí) 鋼軌缺陷。神經(jīng)生理學(xué)和神經(jīng)心理學(xué)的研究成果表明，人類視覺(jué)系統(tǒng)對(duì)于灰度絕對(duì)值的大小 不敏感，但是，人們對(duì)于對(duì)比度(灰度的變換值)的感知卻非常敏銳。因此，本發(fā)明模擬人 類視覺(jué)機(jī)制，按照公式(3)把鋼軌灰度圖R轉(zhuǎn)換為鋼軌對(duì)比度圖C，如圖3-a所示C(x,y) = (R(x, y) -g (x) )/(R(x, y)+g(x)) (3)其中，C(x，y)，R(x，y)分別表示鋼軌對(duì)比度圖C和灰度圖R中位置(x，y)處的值， 而g(x)表示鋼軌灰度圖R中第x列的平均灰度，按公式(1)計(jì)算。然后，根據(jù)公式(4)對(duì)鋼軌對(duì)比度圖C進(jìn)行濾波操作 其中，參數(shù)T1是初步判定閾值，如果一個(gè)像素的對(duì)比度值大于T1，則此像素肯定 不會(huì)是缺陷像素，因此判定為背景像素。在本實(shí)施例中T1 = -0. 2。過(guò)濾后的對(duì)比度圖C如 圖3.b所示。步驟S3 可疑缺陷區(qū)域定位可疑缺陷區(qū)域定位包含三個(gè)子過(guò)程Y軸可疑區(qū)間定位、X軸可疑區(qū)間定位、獲取 可疑缺陷矩形。步驟S3-1 ￥軸可疑區(qū)間定位首先，按照公式(5)計(jì)算對(duì)比度圖C中第y行的平均對(duì)比度值c(y) 其中WR表示對(duì)比度圖C的寬度，而C(x，y)表示對(duì)比度圖C中位置(x，y)處的對(duì) 比度值。ConY= [c(l), c(2),…，c(H。)]則構(gòu)成了對(duì)比度圖C在水平方向的投影曲線，如 圖5. a所示。然后，分析水平方向投影曲線ConY，確定在Y軸方向鋼軌缺陷的可疑位置，如圖 4.a所示。這個(gè)過(guò)程可以分為以下三個(gè)子步驟步驟S3-1-1 高通濾波操作。高通濾波函數(shù)如公式(6)所示 其中，參數(shù)T2是判定閾值，如果某行的平均對(duì)比度不大于它，則判定該行不含有
缺陷。在本實(shí)施例中，T2是投影曲線ConY的平均值，即12 = (|>(力)///。。高通濾波后的投
少=i
影曲線如圖5-b所示。
步驟S3-1-2 平滑操作。消除投影曲線ConY中過(guò)窄的可疑區(qū)間。平滑操作后的投 影曲線如圖5-c。步驟S3-1-3 合并操作。合并投影曲線ConY中距離比較小的兩個(gè)相鄰可疑區(qū)間。 合并操作后的投影曲線如圖5. d。步驟S3-2 :X軸可疑區(qū)間定位確定Y軸上可疑缺陷區(qū)間(假定為區(qū)間[yb，yj)后，抽取可疑區(qū)域子圖(寬度與 對(duì)比度圖C相同，而高度取對(duì)比度圖C中的區(qū)間[yb，yj)，分析該子圖在垂直方向的投影曲 線，確定X軸上的可疑缺陷區(qū)間。這個(gè)過(guò)程分為以下三個(gè)步驟步驟S3-2-1 抽取可疑區(qū)域子圖。提取對(duì)比圖C中的矩形區(qū)域Csusp_Y，Csusp_Y = C(yb ye,l WR)，作為可疑區(qū)域子圖。步驟S3-2-2 按照公式(1)計(jì)算可疑區(qū)域子圖Csusp_Y在第x列的平均對(duì)比度值 c(x),Conx= [c⑴，c⑵，…，c(WR)]則構(gòu)成了 CSUSP_Y在垂直方向的投影曲線。步驟S3-2-3 分析投影曲線Conx，確定在X軸方向鋼軌缺陷的可疑位置(假定為 區(qū)間[xb，xj)。其分析過(guò)程與ConY相似，見(jiàn)步驟S3-l-l、S3-l-2、S3-l-3。步驟S3-3 獲取可疑缺陷區(qū)域通過(guò)上述兩個(gè)步驟結(jié)果，矩形區(qū)域Csusp = C(yb ye, xb xe)則確定了一個(gè)可疑 缺陷區(qū)域，如圖4-b所示。步驟S4 缺陷判定受噪聲、鋼軌表面性質(zhì)等的影響，步驟S3得到的可疑矩形區(qū)域Csusp不一定都是真 正缺陷。因此，定位可疑缺陷區(qū)域Csusp后，通過(guò)以下兩個(gè)步驟判定其是否是真正的缺陷。步驟S4-1 面積判定。計(jì)算可疑缺陷區(qū)域Csusp中可疑缺陷面積，并判斷其是否大 于缺陷標(biāo)準(zhǔn)面積T3 (T3是用戶指定的符合行業(yè)標(biāo)準(zhǔn)的缺陷標(biāo)準(zhǔn)面積)。如果大于則調(diào)用步 驟S4-2，否則，判定Csusp是正常背景區(qū)域。步驟S4-2 局部對(duì)比度分析?？梢蓞^(qū)域Csusp往上往下移動(dòng)| ye_yb | /2，得到一個(gè)范 圍擴(kuò)大的子圖Cext = C((3yb-ye)/2 (3ye-yb)/2, xb xe)，計(jì)算子圖Cext在水平方向的投 影曲線。按照步驟S3-1重新定位子圖(#在￥軸的缺陷區(qū)間，記為[y' b，y' J，如果子 圖Crat的缺陷區(qū)間和原可疑區(qū)間[yb，ye]滿足| (y' e-y' b)-(ye-yb) /(ye-yb)彡T4，則判 定它為真正缺陷區(qū)域，其中T4為閾值，本實(shí)施例中取值為0. 1.圖4-c顯示了輸入缺陷標(biāo)準(zhǔn)面積T3 = 400，T4 = 0. 1時(shí)，最終判定為缺陷的區(qū)域。在實(shí)際運(yùn)行中，本發(fā)明提供的方法在CPU主頻為2. 0G的普通電腦上每秒能檢測(cè)圖 像(分辨率為512X 1260) 100副，可以應(yīng)用于時(shí)速達(dá)300km/h的高速檢測(cè)列車上。實(shí)施例二 便攜式鋼軌表面缺陷檢測(cè)設(shè)備中的應(yīng)用便攜式鋼軌表面缺陷檢測(cè)設(shè)備是一種手持的裝置，它配置有攝像機(jī)和嵌入式計(jì)算 平臺(tái)。本發(fā)明也可以運(yùn)行在嵌入式平臺(tái)中，該設(shè)備首先掃描鋼軌，并采集鋼軌圖像，然后通 過(guò)本發(fā)明提供的方法智能分析采集圖像，識(shí)別鋼軌表面缺陷，其實(shí)現(xiàn)步驟與實(shí)施例一中的 描述相似。實(shí)施例三帶鋼生產(chǎn)線質(zhì)量監(jiān)控中的應(yīng)用帶鋼是為了適應(yīng)不同工業(yè)部門需要而生產(chǎn)的一種窄而長(zhǎng)的鋼板。帶鋼表面的缺陷 是影響其產(chǎn)品質(zhì)量的重要因素。因此，本發(fā)明也可以應(yīng)用于帶鋼生產(chǎn)線的質(zhì)量監(jiān)控中。在
7帶鋼生產(chǎn)線末端，帶鋼經(jīng)過(guò)圖像采集系統(tǒng)。然后，本發(fā)明提供的方法自動(dòng)分析采集圖像，智 能識(shí)別帶鋼表面的缺陷，其實(shí)現(xiàn)步驟與實(shí)施例一中的描述相似。
權(quán)利要求
一種基于數(shù)字圖像的鋼軌表面缺陷檢測(cè)方法，其特征在于，包括以下步驟步驟S1從輸入圖像中提取鋼軌區(qū)域，生成鋼軌灰度圖；步驟S2將所述鋼軌灰度圖轉(zhuǎn)換為鋼軌灰度對(duì)比度圖；步驟S3分析所述鋼軌灰度對(duì)比度圖中在沿鋼軌長(zhǎng)度和寬度方向上的投影曲線，定位可疑缺陷矩形區(qū)域；步驟S4得到所述可疑缺陷矩形區(qū)域后，抽取其幾何特征，并且根據(jù)該特征判斷是否是鋼軌缺陷。
2.如權(quán)利要求1所述的方法，其特征在于，步驟S1中根據(jù)所述輸入圖像在沿鋼軌長(zhǎng)度 方向上每一列的平均灰度值得到投影曲線，提取該曲線在鋼軌寬度范圍內(nèi)積分最大的一段 所對(duì)應(yīng)的輸入圖像的部分作為鋼軌灰度圖。
3.如權(quán)利要求1所述的方法，其特征在于，對(duì)步驟S2得到的鋼軌灰度對(duì)比度圖進(jìn)行預(yù) 處理，即通過(guò)設(shè)置判定閾值區(qū)分缺陷像素和背景像素。
4.如權(quán)利要求1所述的方法，其特征在于，對(duì)所述步驟S3得到的投影曲線進(jìn)行高通濾 波、消除投影曲線中過(guò)窄的可疑區(qū)間、合并投影曲線中距離較小的兩個(gè)相鄰可疑區(qū)間的處 理。
5.如權(quán)利要求1所述的方法，其特征在于，所述步驟S4中對(duì)幾何特征的判斷包括對(duì)可 疑缺陷矩形區(qū)域面積判定。
6.如權(quán)利要求1所述的方法，其特征在于，所述步驟S4中對(duì)幾何特征的判斷還包括局 部對(duì)比度分析，即在鋼軌長(zhǎng)度方向上將所述可疑缺陷矩形區(qū)域向兩端擴(kuò)展，計(jì)算擴(kuò)展后的 區(qū)域在鋼軌寬度方向上的投影曲線，再次確定新的缺陷區(qū)間，比較該區(qū)間與原有可疑缺陷 矩形區(qū)域從而判斷是否存在真正的鋼軌缺陷。全文摘要
本發(fā)明提出了一種基于數(shù)字圖像的鋼軌表面缺陷檢測(cè)方法。該方法從對(duì)鋼軌拍攝的圖像中提取鋼軌區(qū)域，并模擬人類視覺(jué)機(jī)制，將灰度圖轉(zhuǎn)換為對(duì)比度圖，從而對(duì)可疑缺陷區(qū)域進(jìn)行定位及判定。本發(fā)明所提供的檢測(cè)方法具有檢測(cè)速度快、準(zhǔn)確率高的優(yōu)點(diǎn)，對(duì)鋼軌圖像采集環(huán)境具有自適應(yīng)能力，能有效消除噪聲、光照等不利因素的影響。
文檔編號(hào)B61K9/08GK101893580SQ20101020310
公開(kāi)日2010年11月24日 申請(qǐng)日期2010年6月10日 優(yōu)先權(quán)日2010年6月10日
發(fā)明者呂國(guó)豪, 李清勇, 林杰, 王永亮, 羅四維 申請(qǐng)人:北京交通大學(xué)