基于機器視覺的軌道表面缺陷檢測系統的研究

基于機器視覺的軌道表面缺陷檢測系統的研究

1軌道部件自動化檢測系統的研發(fā)在中國，隨著加快鐵路的里程，客運線路和高速鐵路的建設已經開始，列車進入了高速時代。為了確保鐵路運輸的安全暢通，提高運營效率，必須實時監(jiān)控重要設備（軌道）的狀態(tài)，盡量及時發(fā)現軌道表面的缺陷，并為維修部門提供可靠的數據。對此,采用具有高效、高檢測率和安全性特點的自動化檢測系統來替代以往的巡道工作是鐵路高速化發(fā)展的必然趨勢。軌道部件自動化圖像檢測系統綜合利用了計算機視覺、圖像處理、模式識別等技術,歐美國家對此展開了大量研究,有些已投入實際應用。但國外的設備不僅價格昂貴,而且無法獲取其核心技術,有必要在消化吸收國外成熟經驗的基礎上進行自主研發(fā)。檢測速度和精度是制約自動化檢測系統的重要因素,也是其主要性能指標。一方面,為了提高檢測精度,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,龐大的檢測數據也對圖像存貯和處理速度提出了更高的要求。因此,在保證檢測精度的前提下,如何在盡可能短的時間內處理大量數據是本文要解決的核心問題。2軌道圖像的在線數據處理該系統基于機器視覺檢測原理,采用圖像處理技術實現對鋼軌表面缺陷的自動檢測。整個缺陷檢測系統由圖像采集和圖像處理系統兩大部分組成。圖像采集系統主要包括光學成像、光電轉換和信號處理三個部分,其主要構成如圖1所示,利用光照強度分布均勻且穩(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相機采集光照處的軌道圖像,經圖像采集卡發(fā)送給圖像處理系統,同時運用多線程技術,將采集來的圖像進行存儲,以便離線后還可對其進行缺陷校驗。考慮到該系統需進行在線實時處理,因此整個系統采用嵌入式技術,以提高系統的檢測速率。圖像處理程序載入嵌入式系統中,其將接收到的軌道圖像進行在線處理和數據分析,處理流程如圖2所示。(1)圖像數據預處理。主要實現圖像的濾波去噪,旨在降低后續(xù)圖像處理的復雜度;(2)軌道圖片區(qū)域劃分。將通過對軌道特征的分析,設計相應算法分割鋼軌區(qū)域、非鋼軌區(qū)域;(3)缺陷檢測。采用邊界識別技術識別缺陷區(qū)域,針對缺陷區(qū)域,判斷缺陷的嚴重程度。3軌道缺陷自動檢測算法的設計3.1自適應加權中值濾波在圖像動態(tài)采集過程中,由于受到光源和CCD相機抖動的影響,圖像中不可避免地存在大量噪聲,這為后續(xù)缺陷檢測工作帶來較大困難,因此,首先需要對采集的原始圖像進行濾波去噪處理。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,又能保護圖像邊緣,能夠有效滿足軌道缺陷復原的要求。設f(x,y)表示數字圖像像素點的灰度值,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的灰度值設置為該點某鄰域窗口內的所有像素點的統計排序中值,從而消除孤立的噪聲點。為了進一步在圖像中突出軌面缺陷部分,濾波時采用加權的中值濾波可加強滑動濾波窗口中間點或距中間點最近的幾個點的作用,傳統的加權中值濾波在中心像素的權值選擇上難以確定,本文采用了自適應加權中值濾波方法。首先通過噪聲檢測確定圖像中的噪聲點,然后依據窗口內噪聲點的個數自適應地調整濾波窗口的尺寸,再根據相似度大小,巧妙地將濾波窗口內各個像素點按一定的規(guī)律自適應地分組并賦予每組像素點相應的權重,最后采用加權中值濾波算法對檢測出的噪聲點進行濾波處理。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)域構成,若直接提取整幅圖像缺陷目標,非鋼軌區(qū)域的無關信息必然會加大系統對圖像數據的處理工作。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大量處理時間,那么就需要采用相應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)檢測的自適應二值圖像投影法快速定位鋼軌區(qū)域,并對非鋼軌區(qū)域進行剪輯。3.2.1最大類間方差法改進考慮到系統對圖像處理算法實時性的要求,本文采用處理過程簡單的自適應閾值分割算法產生二值圖像。該算法的關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。直方圖雙峰法計算簡單,速度較快,其原理是選擇兩峰之間最低點的灰度值作為分割閾值,因此僅適用于圖像直方圖呈現明顯雙峰的情況。但由于軌道圖像的復雜性,其直方圖往往只呈現明顯的單峰現象或者連成一片,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節(jié),但對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,選取使類間方差最大的灰度值作為最佳閾值。在算法的實際運用中,往往使用如下計算公式求取最佳閾值:化簡得:其中,σ2為兩類間最大方差;t為分割兩個區(qū)域的閾值;μA,μB為目標物A和背景B的平均灰度值;PA,PB為A和B區(qū)域內各像素的灰度和;使函數σ2(t)取得最大值時的t值便是最佳區(qū)域分割閾值。經過對大量圖片的實驗發(fā)現,采用最大類間法對圖像進行分割時,當目標與背景灰度差不明顯時,將會出現大片黑色區(qū)域,如圖4(a)所示,同時對噪聲和目標大小十分敏感,僅對類間方差是單峰的圖像效果較好。針對以上問題,本文對最大類間方差法做了相應改進。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軌道圖像進行分割。然后根據軌道圖像的特點,設圖像中灰度值大于初始分割閾值T0的部分為目標區(qū)域D,目標區(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灰度,只采用初始閾值分割圖像,將會使部分亮背景被誤判為目標,由于整幅圖像由大量的暗背景和少量的較亮目標組成,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,經過精確定位的目標區(qū)域灰度值定高于TD,由此便確定了一個最佳閾值范圍(T0,TD)。最后在最佳閾值范圍內運用最大類間方差的思想,將最佳區(qū)域分割閾值計算出來。圖4(b)所示即為采用改進的自適應閾值分割算法所獲得的圖像。該方法不僅能減少運算量,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,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)域檢測根據對分割出的二值圖像的研究發(fā)現,鋼軌區(qū)域內存在大面積而且連通的黑色區(qū)域,而非鋼軌區(qū)域黑白亮點分布比較雜亂,同時鋼軌區(qū)域與非鋼軌區(qū)域的分界處出現了兩條垂直的白色亮點帶,白色亮點帶內的id的邊緣。于是對圖4(b)進行垂直方向的投影,統計每列黑色像素點的個數。對所獲得的二值圖像從左側進行逐列掃描,如果某一列黑色像素點個數小于設定閾值T1(T1=每行像素數目×10%),且掃描前進方向上相鄰的若干連續(xù)列的黑色像素點個數依然小于T1,則認定其為白色亮點帶,在繼續(xù)掃描的過程中,若突然黑色像素點的個數由小于T1的值躍變?yōu)榇笥谠O定的閾值(T2=每行像素數目×90%),此時將其認定為鋼軌左側邊緣,并記錄所掃描的列數(記為:x1)及該列黑色點像素數目(記為:y1),則(x1,y1)即為鋼軌左側邊緣峰值點的坐標。同時列掃描繼續(xù)往右側進行,當檢測出黑色像素點的個數由大于T2的值躍變?yōu)樾∮赥1的值時,記錄前一刻的掃描列數(記為:x2)及該列黑色點像素數目(記為:y2),掃描繼續(xù)進行,若相鄰若干連續(xù)列的黑色像素點的個數依然小于T1,則記錄的(x2,y2)即為鋼軌右側邊緣峰值點的坐標。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,以避免檢測缺陷時對整幅圖像進行運算,即可節(jié)省大量運算時間,同時也排除了非鋼軌區(qū)域的道渣等噪聲干擾,提高缺陷檢測速度及精度。對鋼軌區(qū)域進行裁剪時,從坐標點(x1,y1)開始,鋼軌寬度為x=x2-x1,鋼軌長度為每行像素數目最大值。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,還有噪聲影響所產生的區(qū)域,主要表現為一些面積較小的分散區(qū)域。這些分散區(qū)域可通過數學形態(tài)學操作將其去除。數學形態(tài)學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果是除去或減少亮和暗的因素或噪聲。基于上述運算特征,同時考慮到缺陷檢測系統應檢測出原始的缺陷大小,首先需要對二值圖像進行開操作,開操作設置尺寸最小的矩形結構元參數,可去除噪聲的同時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構元參數進行閉操作,完成噪聲點的濾除,除噪后的二值圖像如圖6所示。鋼軌區(qū)域的二值圖像經噪聲點濾除后,需進行輪廓提取以獲得缺陷目標的二維輪廓。內部點掏空方法是對二值圖像進行輪廓提取的實用方法,其原理為:假定背景顏色為黑色,目標顏色為白色,如果原圖像中有一像素點為白色,且它的8個相鄰點都是白色時,則確定該點為內部點,即可將該點刪除。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。根據上述方法,即可得到圖像中缺陷目標的輪廓。所提取出的目標輪廓只表示了缺陷區(qū)域的邊界,沒有指明缺陷區(qū)域與邊界的關系,因此必須采用輪廓跟蹤技術對其進行跟蹤,并將所獲得的輪廓信息以某種形式存儲起來,便于后續(xù)缺陷的處理與測量。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指向它的八個相鄰點的方向,所指方向按逆時針旋轉45°,則鏈碼值加1。對缺陷輪廓來說,輪廓跟蹤可根據鏈碼方向進行,下一跟蹤點的信息取決于上一輪廓點,從而避免對所有像素點的掃描,提高輪廓跟蹤的效率。鏈碼跟蹤過程如下:(1)采用行掃描技術獲得第一個缺陷輪廓點,并記錄該點坐標(x,y),且以該起始點為當前點,繼續(xù)下一步操作;若掃描后得不到輪廓點,則表明此次輪廓跟蹤結束;(2)根據鏈碼跟蹤方向,按順序逆時針掃描與該當前點相鄰的8個鄰域,若掃描到缺陷輪廓點,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,則結束此次輪廓跟蹤;(3)對掃描到的缺陷輪廓點進行標注,將當前點置為跟蹤到的輪廓點處繼續(xù)第二步操作,如此反復標注整幅圖像輪廓。根據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)處理和測量奠定了基礎。采用該方法提取的缺陷目標如圖8所示。4軌道缺陷區(qū)域檢測在Windows操作系統上,結合OpenCV圖像處理模塊,采用VisualC++6.0編寫系統軟件,運用本文提出的缺陷檢測算法實現了軌道缺陷的自動檢測。為了驗證該算法對各類鋼軌表面缺陷區(qū)域的適應性,再選取鋼軌表面的裂縫缺陷作為測試圖像,進行缺陷區(qū)域提取,其結果如圖9所示。通過對擦傷和裂紋等軌道缺陷的反復實驗,結果表明:本文所采用的方法可快速定