專利名稱：基于數(shù)字圖像的鋼軌表面缺陷檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及交通運輸、工業(yè)監(jiān)控、數(shù)字圖像處理和模式識別領(lǐng)域，尤其涉及一種基 于數(shù)字圖像的鋼軌表面缺陷檢測方法。
背景技術(shù)：
鐵路運輸安全性一直是關(guān)系到經(jīng)濟發(fā)展和人身安全的重大問題。隨著既有線提 速、客運專線的陸續(xù)建設(shè)，動車組高速運行對鐵路各項基礎(chǔ)設(shè)施養(yǎng)護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，其運用狀態(tài)對行車安全具有直接和至關(guān)重要的影響，因 此必須加強對鋼軌的動態(tài)檢測和狀態(tài)監(jiān)控，及時指導(dǎo)養(yǎng)護維修。在過去很長一段時間，鐵軌缺陷檢測一直依賴人工巡檢，效率低下，檢測結(jié)果也不 能得到保證。為了節(jié)省人力，提高檢測效率，人們提出了各種自動化(或者半自動化)的 鋼軌缺陷檢測方法，比如超聲波檢測，脈沖渦流檢測等(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行復(fù)檢，在復(fù)檢過程中判斷出 該處鋼軌傷損的類型。為了有效檢測鋼軌表面缺陷，最近，人們提出了基于計算機視覺的 檢測方法。在此方法中，攝像機首先采集鋼軌表面的圖像，然后，計算機自動分析圖像的 內(nèi)容并且識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 測方法中，鋼軌表面圖像的分析和缺陷識別是關(guān)鍵，其分析和識別方法大致可以分為以下 三類1)統(tǒng)計方法通過分析紋理特征，分割圖像中統(tǒng)計信息不同的區(qū)域，并把這樣的 區(qū)域識別為缺陷區(qū)域。這種方法有一個假設(shè)前提，即非缺陷區(qū)域是圖像中的主要成份，并且 統(tǒng)計上穩(wěn)定。紋理特征的統(tǒng)計方法主要有邊緣檢測(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)計方法對于圖像的質(zhì)量要求比較高，對于噪聲比較敏感。2)譜方法統(tǒng)計方法主要是對空間域的灰度信息進行分析和處理，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 方法首先通過傅立葉變換，Gabor濾波，小波變換等方法對圖像進行變換，然后在變換域分 析禾口檢測(Kumar A.，Pang G. . Defect Detection inTextured Materials Using GaborFilters. IEEE Transactions on Industry Applications, 2002, Vol. 38 :425_440.)。譜方 法對于周期性的、全局性的缺陷檢測能有較好的效果，但是它對局部缺陷檢測則不盡人意， 另外，其檢測速度比較慢。3)模型方法這類方法根據(jù)包含缺陷的圖像的特點，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算法.計算機工程， 2007,33(11) 236-238.)等等。上述方法雖然在一定程度上能檢測鋼軌表面缺陷，但是也有明顯的不足。首先，這 些方法檢測速度比較慢，當檢測列車運行速度超過60km/h時，它們不能滿足實時檢測的要 求。其次，魯棒性不強，對于采集系統(tǒng)的成像質(zhì)量要求特別苛刻，其檢測的性能受光照等外 部環(huán)境的影響比較大。

發(fā)明內(nèi)容
針對上述方法存在的技術(shù)問題，本發(fā)明提供了一種基于數(shù)字圖像的鋼軌表面缺陷 檢測方法。本發(fā)明的技術(shù)方案是通過以下步驟實現(xiàn)的鋼軌區(qū)域提取、對比度圖生成、可疑缺 陷區(qū)域定位、可疑缺陷判定。下面對本發(fā)明的技術(shù)方案進行詳細描述(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)對比度圖生成像素對比度值刻畫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 為對比度值，生成鋼軌對比度圖，并且執(zhí)行預(yù)處理操作，盡可能減少非缺陷像素對于后續(xù)檢 測過程的影響。(3)可疑缺陷區(qū)域定位分析鋼軌對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子過程首先，計算鋼軌對比度圖每行像素的平均對比度值，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，計算上述每一個可疑區(qū)間子圖每列像素的平均對比度值，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.檢測速度快。理論上本發(fā)明方法只需要兩次掃描鋼軌圖像，時間復(fù)雜度遠低于 其它現(xiàn)有方法。2.本發(fā)明方法檢測準確率高，準確率彡95%，漏檢率< 2%。3.本發(fā)明方法對鋼軌圖像采集環(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)合附圖對本發(fā)明作詳細說明圖1為基于數(shù)字圖像的鋼軌表面缺陷檢測方法流程框圖；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為對比度圖生成和預(yù)處理示意圖，其中圖3-a表示鋼軌對比度圖C，圖3_b表 示過濾后的對比度圖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為對比度圖水平投影曲線分析示意圖，其中圖5-a表示對比度圖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。
具體實施例方式實施例一軌道檢測車中的應(yīng)用軌道檢測車，是專門用于檢測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車的一個非常重要的檢測目標。本發(fā) 明尤其適用于軌道檢測車，檢測車上的高速攝像機實時采集軌道表面的圖像，并且作為本 發(fā)明提供方法的輸入，該方法將自動地分析輸入采集圖像，識別并且定位鋼軌缺陷，步驟包 括鋼軌區(qū)域提取、對比度圖生成、可疑缺陷區(qū)域定位、缺陷判定，其流程框圖見圖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)計算投影 曲線中每一個長度為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b作為鋼軌在X軸上的開始位置，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，因為光照不均勻、攝像 機抖動、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計算機難以準確快速地檢測真實 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，人類視覺系統(tǒng)對于灰度絕對值的大小 不敏感，但是，人們對于對比度(灰度的變換值)的感知卻非常敏銳。因此，本發(fā)明模擬人 類視覺機制，按照公式(3)把鋼軌灰度圖R轉(zhuǎn)換為鋼軌對比度圖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)計算。然后，根據(jù)公式(4)對鋼軌對比度圖C進行濾波操作 其中，參數(shù)T1是初步判定閾值，如果一個像素的對比度值大于T1，則此像素肯定 不會是缺陷像素，因此判定為背景像素。在本實施例中T1 = -0. 2。過濾后的對比度圖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)域定位包含三個子過程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)計算對比度圖C中第y行的平均對比度值c(y) 其中WR表示對比度圖C的寬度，而C(x，y)表示對比度圖C中位置(x，y)處的對 比度值。ConY= [c(l), c(2),…，c(H。)]則構(gòu)成了對比度圖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。這個過程可以分為以下三個子步驟步驟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，如果某行的平均對比度不大于它，則判定該行不含有
缺陷。在本實施例中，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 對比度圖C相同，而高度取對比度圖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。這個過程分為以下三個步驟步驟S3-2-1 抽取可疑區(qū)域子圖。提取對比圖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)計算可疑區(qū)域子圖Csusp_Y在第x列的平均對比度值 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)。其分析過程與ConY相似，見步驟S3-l-l、S3-l-2、S3-l-3。步驟S3-3 獲取可疑缺陷區(qū)域通過上述兩個步驟結(jié)果，矩形區(qū)域Csusp = C(yb ye, xb xe)則確定了一個可疑 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，通過以下兩個步驟判定其是否是真正的缺陷。步驟S4-1 面積判定。計算可疑缺陷區(qū)域Csusp中可疑缺陷面積，并判斷其是否大 于缺陷標準面積T3 (T3是用戶指定的符合行業(yè)標準的缺陷標準面積)。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 局部對比度分析。可疑區(qū)域Csusp往上往下移動| ye_yb | /2，得到一個范 圍擴大的子圖Cext = C((3yb-ye)/2 (3ye-yb)/2, xb xe)，計算子圖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，本實施例中取值為0. 1.圖4-c顯示了輸入缺陷標準面積T3 = 400，T4 = 0. 1時，最終判定為缺陷的區(qū)域。在實際運行中，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圖 像(分辨率為512X 1260) 100副，可以應(yīng)用于時速達300km/h的高速檢測列車上。實施例二 便攜式鋼軌表面缺陷檢測設(shè)備中的應(yīng)用便攜式鋼軌表面缺陷檢測設(shè)備是一種手持的裝置，它配置有攝像機和嵌入式計算 平臺。本發(fā)明也可以運行在嵌入式平臺中，該設(shè)備首先掃描鋼軌，并采集鋼軌圖像，然后通 過本發(fā)明提供的方法智能分析采集圖像，識別鋼軌表面缺陷，其實現(xiàn)步驟與實施例一中的 描述相似。實施例三帶鋼生產(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)過圖像采集系統(tǒng)。然后，本發(fā)明提供的方法自動分析采集圖像，智 能識別帶鋼表面的缺陷，其實現(xiàn)步驟與實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)換為鋼軌灰度對比度圖；步驟S3分析所述鋼軌灰度對比度圖中在沿鋼軌長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，對步驟S2得到的鋼軌灰度對比度圖進行預(yù) 處理，即通過設(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，對所述步驟S3得到的投影曲線進行高通濾 波、消除投影曲線中過窄的可疑區(qū)間、合并投影曲線中距離較小的兩個相鄰可疑區(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中對幾何特征的判斷包括對可 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中對幾何特征的判斷還包括局 部對比度分析，即在鋼軌長度方向上將所述可疑缺陷矩形區(qū)域向兩端擴展，計算擴展后的 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方法。該方法從對鋼軌拍攝的圖像中提取鋼軌區(qū)域，并模擬人類視覺機制，將灰度圖轉(zhuǎn)換為對比度圖，從而對可疑缺陷區(qū)域進行定位及判定。本發(fā)明所提供的檢測方法具有檢測速度快、準確率高的優(yōu)點，對鋼軌圖像采集環(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B61K9/08GK101893580SQ20101020310
公開日2010年11月24日 申請日期2010年6月10日 優(yōu)先權(quán)日2010年6月10日
發(fā)明者呂國豪, 李清勇, 林杰, 王永亮, 羅四維 申請人:北京交通大學(xué)