基于機(jī)器視覺的軌道表面缺陷檢測(cè)系統(tǒng)的研究

基于機(jī)器視覺的軌道表面缺陷檢測(cè)系統(tǒng)的研究

1軌道部件自動(dòng)化檢測(cè)系統(tǒng)的研發(fā)在中國(guó)，隨著加快鐵路的里程，客運(yùn)線路和高速鐵路的建設(shè)已經(jīng)開始，列車進(jìn)入了高速時(shí)代。為了確保鐵路運(yùn)輸?shù)陌踩珪惩ǎ岣哌\(yùn)營(yíng)效率，必須實(shí)時(shí)監(jiān)控重要設(shè)備（軌道）的狀態(tài)，盡量及時(shí)發(fā)現(xiàn)軌道表面的缺陷，并為維修部門提供可靠的數(shù)據(jù)。對(duì)此,采用具有高效、高檢測(cè)率和安全性特點(diǎn)的自動(dòng)化檢測(cè)系統(tǒng)來替代以往的巡道工作是鐵路高速化發(fā)展的必然趨勢(shì)。軌道部件自動(dòng)化圖像檢測(cè)系統(tǒng)綜合利用了計(jì)算機(jī)視覺、圖像處理、模式識(shí)別等技術(shù),歐美國(guó)家對(duì)此展開了大量研究,有些已投入實(shí)際應(yīng)用。但國(guó)外的設(shè)備不僅價(jià)格昂貴,而且無法獲取其核心技術(shù),有必要在消化吸收國(guó)外成熟經(jīng)驗(yàn)的基礎(chǔ)上進(jìn)行自主研發(fā)。檢測(cè)速度和精度是制約自動(dòng)化檢測(cè)系統(tǒng)的重要因素,也是其主要性能指標(biāo)。一方面,為了提高檢測(cè)精度,避免漏檢、誤檢,必須提高圖像分辨率和圖像采集頻率,并提高圖像處理的精度。另一方面,龐大的檢測(cè)數(shù)據(jù)也對(duì)圖像存貯和處理速度提出了更高的要求。因此,在保證檢測(cè)精度的前提下,如何在盡可能短的時(shí)間內(nèi)處理大量數(shù)據(jù)是本文要解決的核心問題。2軌道圖像的在線數(shù)據(jù)處理該系統(tǒng)基于機(jī)器視覺檢測(cè)原理,采用圖像處理技術(shù)實(shí)現(xiàn)對(duì)鋼軌表面缺陷的自動(dòng)檢測(cè)。整個(gè)缺陷檢測(cè)系統(tǒng)由圖像采集和圖像處理系統(tǒng)兩大部分組成。圖像采集系統(tǒng)主要包括光學(xué)成像、光電轉(zhuǎn)換和信號(hào)處理三個(gè)部分,其主要構(gòu)成如圖1所示,利用光照強(qiáng)度分布均勻且穩(wěn)定的白光光源以一定的角度投射到鋼軌表面,位于鋼軌正上方的線陣CCD相機(jī)采集光照處的軌道圖像,經(jīng)圖像采集卡發(fā)送給圖像處理系統(tǒng),同時(shí)運(yùn)用多線程技術(shù),將采集來的圖像進(jìn)行存儲(chǔ),以便離線后還可對(duì)其進(jìn)行缺陷校驗(yàn)。考慮到該系統(tǒng)需進(jìn)行在線實(shí)時(shí)處理,因此整個(gè)系統(tǒng)采用嵌入式技術(shù),以提高系統(tǒng)的檢測(cè)速率。圖像處理程序載入嵌入式系統(tǒng)中,其將接收到的軌道圖像進(jìn)行在線處理和數(shù)據(jù)分析,處理流程如圖2所示。(1)圖像數(shù)據(jù)預(yù)處理。主要實(shí)現(xiàn)圖像的濾波去噪,旨在降低后續(xù)圖像處理的復(fù)雜度;(2)軌道圖片區(qū)域劃分。將通過對(duì)軌道特征的分析,設(shè)計(jì)相應(yīng)算法分割鋼軌區(qū)域、非鋼軌區(qū)域;(3)缺陷檢測(cè)。采用邊界識(shí)別技術(shù)識(shí)別缺陷區(qū)域,針對(duì)缺陷區(qū)域,判斷缺陷的嚴(yán)重程度。3軌道缺陷自動(dòng)檢測(cè)算法的設(shè)計(jì)3.1自適應(yīng)加權(quán)中值濾波在圖像動(dòng)態(tài)采集過程中,由于受到光源和CCD相機(jī)抖動(dòng)的影響,圖像中不可避免地存在大量噪聲,這為后續(xù)缺陷檢測(cè)工作帶來較大困難,因此,首先需要對(duì)采集的原始圖像進(jìn)行濾波去噪處理。軌道缺陷圖像處理主要要求解算出缺陷范圍,中值濾波器既可以消除噪聲,又能保護(hù)圖像邊緣,能夠有效滿足軌道缺陷復(fù)原的要求。設(shè)f(x,y)表示數(shù)字圖像像素點(diǎn)的灰度值,濾波窗口為A的中值濾波器可以定義為:其主要功能是將每一像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)的統(tǒng)計(jì)排序中值,從而消除孤立的噪聲點(diǎn)。為了進(jìn)一步在圖像中突出軌面缺陷部分,濾波時(shí)采用加權(quán)的中值濾波可加強(qiáng)滑動(dòng)濾波窗口中間點(diǎn)或距中間點(diǎn)最近的幾個(gè)點(diǎn)的作用,傳統(tǒng)的加權(quán)中值濾波在中心像素的權(quán)值選擇上難以確定,本文采用了自適應(yīng)加權(quán)中值濾波方法。首先通過噪聲檢測(cè)確定圖像中的噪聲點(diǎn),然后依據(jù)窗口內(nèi)噪聲點(diǎn)的個(gè)數(shù)自適應(yīng)地調(diào)整濾波窗口的尺寸,再根據(jù)相似度大小,巧妙地將濾波窗口內(nèi)各個(gè)像素點(diǎn)按一定的規(guī)律自適應(yīng)地分組并賦予每組像素點(diǎn)相應(yīng)的權(quán)重,最后采用加權(quán)中值濾波算法對(duì)檢測(cè)出的噪聲點(diǎn)進(jìn)行濾波處理。3.2區(qū)域范圍所采集的軌道圖像由鋼軌區(qū)域和非鋼軌區(qū)域構(gòu)成,若直接提取整幅圖像缺陷目標(biāo),非鋼軌區(qū)域的無關(guān)信息必然會(huì)加大系統(tǒng)對(duì)圖像數(shù)據(jù)的處理工作。如果不排除這些背景干擾,很有可能造成軟件的誤判且浪費(fèi)大量處理時(shí)間,那么就需要采用相應(yīng)算法劃定缺陷所在軌道的區(qū)域范圍。本文提出一種基于軌道峰區(qū)檢測(cè)的自適應(yīng)二值圖像投影法快速定位鋼軌區(qū)域,并對(duì)非鋼軌區(qū)域進(jìn)行剪輯。3.2.1最大類間方差法改進(jìn)考慮到系統(tǒng)對(duì)圖像處理算法實(shí)時(shí)性的要求,本文采用處理過程簡(jiǎn)單的自適應(yīng)閾值分割算法產(chǎn)生二值圖像。該算法的關(guān)鍵是分割閾值的選取。較常用的圖像分割方法有直方圖雙峰法、迭代法和最大類間方差法。直方圖雙峰法計(jì)算簡(jiǎn)單,速度較快,其原理是選擇兩峰之間最低點(diǎn)的灰度值作為分割閾值,因此僅適用于圖像直方圖呈現(xiàn)明顯雙峰的情況。但由于軌道圖像的復(fù)雜性,其直方圖往往只呈現(xiàn)明顯的單峰現(xiàn)象或者連成一片,如圖3所示,所以該方法不利于軌道圖像的分割。迭代法能夠較好地保留邊緣細(xì)節(jié),但對(duì)噪聲的抑制效果不是很好,從而影響處理的效果。最大類間方差法是由Ostu于1978年提出,其基本思想是利用類別方差作為判據(jù),選取使類間方差最大的灰度值作為最佳閾值。在算法的實(shí)際運(yùn)用中,往往使用如下計(jì)算公式求取最佳閾值:化簡(jiǎn)得:其中,σ2為兩類間最大方差;t為分割兩個(gè)區(qū)域的閾值;μA,μB為目標(biāo)物A和背景B的平均灰度值;PA,PB為A和B區(qū)域內(nèi)各像素的灰度和;使函數(shù)σ2(t)取得最大值時(shí)的t值便是最佳區(qū)域分割閾值。經(jīng)過對(duì)大量圖片的實(shí)驗(yàn)發(fā)現(xiàn),采用最大類間法對(duì)圖像進(jìn)行分割時(shí),當(dāng)目標(biāo)與背景灰度差不明顯時(shí),將會(huì)出現(xiàn)大片黑色區(qū)域,如圖4(a)所示,同時(shí)對(duì)噪聲和目標(biāo)大小十分敏感,僅對(duì)類間方差是單峰的圖像效果較好。針對(duì)以上問題,本文對(duì)最大類間方差法做了相應(yīng)改進(jìn)。首先,確定初始分割閾值T0,該分割閾值采用整幅圖像的平均灰度值對(duì)軌道圖像進(jìn)行分割。然后根據(jù)軌道圖像的特點(diǎn),設(shè)圖像中灰度值大于初始分割閾值T0的部分為目標(biāo)區(qū)域D,目標(biāo)區(qū)域的灰度均值為TD。在軌道圖像中,背景的灰度還可能高于某些目標(biāo)灰度,只采用初始閾值分割圖像,將會(huì)使部分亮背景被誤判為目標(biāo),由于整幅圖像由大量的暗背景和少量的較亮目標(biāo)組成,所以TD>T0。因此,我們將灰度值小于T0的區(qū)域全部劃定為背景區(qū)域。利用初始閾值T0分割圖像后,目標(biāo)區(qū)域在分割后的背景區(qū)域所占的比例增大,分割區(qū)域的灰度均值TD將增大,經(jīng)過精確定位的目標(biāo)區(qū)域灰度值定高于TD,由此便確定了一個(gè)最佳閾值范圍(T0,TD)。最后在最佳閾值范圍內(nèi)運(yùn)用最大類間方差的思想,將最佳區(qū)域分割閾值計(jì)算出來。圖4(b)所示即為采用改進(jìn)的自適應(yīng)閾值分割算法所獲得的圖像。該方法不僅能減少運(yùn)算量,而且所選的最佳閾值范圍除去了大量暗背景及部分亮目標(biāo),能夠更精確地將鋼軌區(qū)域提取出來。3.2.2軌道圖像中的鋼軌區(qū)域檢測(cè)根據(jù)對(duì)分割出的二值圖像的研究發(fā)現(xiàn),鋼軌區(qū)域內(nèi)存在大面積而且連通的黑色區(qū)域,而非鋼軌區(qū)域黑白亮點(diǎn)分布比較雜亂,同時(shí)鋼軌區(qū)域與非鋼軌區(qū)域的分界處出現(xiàn)了兩條垂直的白色亮點(diǎn)帶,白色亮點(diǎn)帶內(nèi)的id的邊緣。于是對(duì)圖4(b)進(jìn)行垂直方向的投影,統(tǒng)計(jì)每列黑色像素點(diǎn)的個(gè)數(shù)。對(duì)所獲得的二值圖像從左側(cè)進(jìn)行逐列掃描,如果某一列黑色像素點(diǎn)個(gè)數(shù)小于設(shè)定閾值T1(T1=每行像素?cái)?shù)目×10%),且掃描前進(jìn)方向上相鄰的若干連續(xù)列的黑色像素點(diǎn)個(gè)數(shù)依然小于T1,則認(rèn)定其為白色亮點(diǎn)帶,在繼續(xù)掃描的過程中,若突然黑色像素點(diǎn)的個(gè)數(shù)由小于T1的值躍變?yōu)榇笥谠O(shè)定的閾值(T2=每行像素?cái)?shù)目×90%),此時(shí)將其認(rèn)定為鋼軌左側(cè)邊緣,并記錄所掃描的列數(shù)(記為:x1)及該列黑色點(diǎn)像素?cái)?shù)目(記為:y1),則(x1,y1)即為鋼軌左側(cè)邊緣峰值點(diǎn)的坐標(biāo)。同時(shí)列掃描繼續(xù)往右側(cè)進(jìn)行,當(dāng)檢測(cè)出黑色像素點(diǎn)的個(gè)數(shù)由大于T2的值躍變?yōu)樾∮赥1的值時(shí),記錄前一刻的掃描列數(shù)(記為:x2)及該列黑色點(diǎn)像素?cái)?shù)目(記為:y2),掃描繼續(xù)進(jìn)行,若相鄰若干連續(xù)列的黑色像素點(diǎn)的個(gè)數(shù)依然小于T1,則記錄的(x2,y2)即為鋼軌右側(cè)邊緣峰值點(diǎn)的坐標(biāo)。那么處于這兩峰值之間的區(qū)域便是鋼軌區(qū)域。垂直投影圖如圖5(a)所示。確定了鋼軌區(qū)域的范圍后,便要將其從軌道圖像中裁剪出來,以避免檢測(cè)缺陷時(shí)對(duì)整幅圖像進(jìn)行運(yùn)算,即可節(jié)省大量運(yùn)算時(shí)間,同時(shí)也排除了非鋼軌區(qū)域的道渣等噪聲干擾,提高缺陷檢測(cè)速度及精度。對(duì)鋼軌區(qū)域進(jìn)行裁剪時(shí),從坐標(biāo)點(diǎn)(x1,y1)開始,鋼軌寬度為x=x2-x1,鋼軌長(zhǎng)度為每行像素?cái)?shù)目最大值。裁剪后的鋼軌區(qū)域如圖5(b)所示。3.3缺陷輪廓提取從提取出的鋼軌區(qū)域的二值圖像中可知,鋼軌區(qū)域不僅包括缺陷部分,還有噪聲影響所產(chǎn)生的區(qū)域,主要表現(xiàn)為一些面積較小的分散區(qū)域。這些分散區(qū)域可通過數(shù)學(xué)形態(tài)學(xué)操作將其去除。數(shù)學(xué)形態(tài)學(xué)是一種非線性的濾波方法,它包括膨脹、腐蝕、開操作和閉操作四種基本運(yùn)算。其中膨脹和腐蝕具有很直觀的幾何背景,可使圖像在一定方向上增厚或變薄;開操作和閉操作的最終結(jié)果是除去或減少亮和暗的因素或噪聲?；谏鲜鲞\(yùn)算特征,同時(shí)考慮到缺陷檢測(cè)系統(tǒng)應(yīng)檢測(cè)出原始的缺陷大小,首先需要對(duì)二值圖像進(jìn)行開操作,開操作設(shè)置尺寸最小的矩形結(jié)構(gòu)元參數(shù),可去除噪聲的同時(shí)隔離開某些連接很小的區(qū)域,便于后續(xù)的缺陷區(qū)域的提取;然后再利用相同的結(jié)構(gòu)元參數(shù)進(jìn)行閉操作,完成噪聲點(diǎn)的濾除,除噪后的二值圖像如圖6所示。鋼軌區(qū)域的二值圖像經(jīng)噪聲點(diǎn)濾除后,需進(jìn)行輪廓提取以獲得缺陷目標(biāo)的二維輪廓。內(nèi)部點(diǎn)掏空方法是對(duì)二值圖像進(jìn)行輪廓提取的實(shí)用方法,其原理為:假定背景顏色為黑色,目標(biāo)顏色為白色,如果原圖像中有一像素點(diǎn)為白色,且它的8個(gè)相鄰點(diǎn)都是白色時(shí),則確定該點(diǎn)為內(nèi)部點(diǎn),即可將該點(diǎn)刪除。在二值圖像中,假定鋼軌像素灰度值為0,缺陷像素灰度值為1,若中心像素值為0,不管相鄰其余8個(gè)像素為何值,一律保留中心像素值0;若中心像素值為1,且相鄰的其余8個(gè)像素值全為1,則改變中心像素值為0;除這兩種情況外,全部將中心像素值改為1。根據(jù)上述方法,即可得到圖像中缺陷目標(biāo)的輪廓。所提取出的目標(biāo)輪廓只表示了缺陷區(qū)域的邊界,沒有指明缺陷區(qū)域與邊界的關(guān)系,因此必須采用輪廓跟蹤技術(shù)對(duì)其進(jìn)行跟蹤,并將所獲得的輪廓信息以某種形式存儲(chǔ)起來,便于后續(xù)缺陷的處理與測(cè)量。本文采用方向鏈碼跟蹤算法提取缺陷區(qū)域的輪廓信息。如圖7所示,中心像素P指向它的八個(gè)相鄰點(diǎn)的方向,所指方向按逆時(shí)針旋轉(zhuǎn)45°,則鏈碼值加1。對(duì)缺陷輪廓來說,輪廓跟蹤可根據(jù)鏈碼方向進(jìn)行,下一跟蹤點(diǎn)的信息取決于上一輪廓點(diǎn),從而避免對(duì)所有像素點(diǎn)的掃描,提高輪廓跟蹤的效率。鏈碼跟蹤過程如下:(1)采用行掃描技術(shù)獲得第一個(gè)缺陷輪廓點(diǎn),并記錄該點(diǎn)坐標(biāo)(x,y),且以該起始點(diǎn)為當(dāng)前點(diǎn),繼續(xù)下一步操作;若掃描后得不到輪廓點(diǎn),則表明此次輪廓跟蹤結(jié)束;(2)根據(jù)鏈碼跟蹤方向,按順序逆時(shí)針掃描與該當(dāng)前點(diǎn)相鄰的8個(gè)鄰域,若掃描到缺陷輪廓點(diǎn),則停止跟蹤并記錄跟蹤到的方向鏈碼值,繼續(xù)下一步操作;若沒有遇到輪廓點(diǎn),則結(jié)束此次輪廓跟蹤;(3)對(duì)掃描到的缺陷輪廓點(diǎn)進(jìn)行標(biāo)注,將當(dāng)前點(diǎn)置為跟蹤到的輪廓點(diǎn)處繼續(xù)第二步操作,如此反復(fù)標(biāo)注整幅圖像輪廓。根據(jù)上述步驟便獲得了輪廓信息的鏈碼序列,該序列中的值是根據(jù)輪廓線條的順序來記錄的,這為缺陷區(qū)域輪廓的后續(xù)處理和測(cè)量奠定了基礎(chǔ)。采用該方法提取的缺陷目標(biāo)如圖8所示。4軌道缺陷區(qū)域檢測(cè)在Windows操作系統(tǒng)上,結(jié)合OpenCV圖像處理模塊,采用VisualC++6.0編寫系統(tǒng)軟件,運(yùn)用本文提出的缺陷檢測(cè)算法實(shí)現(xiàn)了軌道缺陷的自動(dòng)檢測(cè)。為了驗(yàn)證該算法對(duì)各類鋼軌表面缺陷區(qū)域的適應(yīng)性,再選取鋼軌表面的裂縫缺陷作為測(cè)試圖像,進(jìn)行缺陷區(qū)域提取,其結(jié)果如圖9所示。通過對(duì)擦傷和裂紋等軌道缺陷的反復(fù)實(shí)驗(yàn),結(jié)果表明:本文所采用的方法可快速定