基于机器视觉的轨道表面缺陷检测系统的研究

基于机器视觉的轨道表面缺陷检测系统的研究

1轨道部件自动化检测系统的研发在中国，随着加快铁路的里程，客运线路和高速铁路的建设已经开始，列车进入了高速时代。为了确保铁路运输的安全畅通，提高运营效率，必须实时监控重要设备（轨道）的状态，尽量及时发现轨道表面的缺陷，并为维修部门提供可靠的数据。对此,采用具有高效、高检测率和安全性特点的自动化检测系统来替代以往的巡道工作是铁路高速化发展的必然趋势。轨道部件自动化图像检测系统综合利用了计算机视觉、图像处理、模式识别等技术,欧美国家对此展开了大量研究,有些已投入实际应用。但国外的设备不仅价格昂贵,而且无法获取其核心技术,有必要在消化吸收国外成熟经验的基础上进行自主研发。检测速度和精度是制约自动化检测系统的重要因素,也是其主要性能指标。一方面,为了提高检测精度,避免漏检、误检,必须提高图像分辨率和图像采集频率,并提高图像处理的精度。另一方面,庞大的检测数据也对图像存贮和处理速度提出了更高的要求。因此,在保证检测精度的前提下,如何在尽可能短的时间内处理大量数据是本文要解决的核心问题。2轨道图像的在线数据处理该系统基于机器视觉检测原理,采用图像处理技术实现对钢轨表面缺陷的自动检测。整个缺陷检测系统由图像采集和图像处理系统两大部分组成。图像采集系统主要包括光学成像、光电转换和信号处理三个部分,其主要构成如图1所示,利用光照强度分布均匀且稳定的白光光源以一定的角度投射到钢轨表面,位于钢轨正上方的线阵CCD相机采集光照处的轨道图像,经图像采集卡发送给图像处理系统,同时运用多线程技术,将采集来的图像进行存储,以便离线后还可对其进行缺陷校验。考虑到该系统需进行在线实时处理,因此整个系统采用嵌入式技术,以提高系统的检测速率。图像处理程序载入嵌入式系统中,其将接收到的轨道图像进行在线处理和数据分析,处理流程如图2所示。(1)图像数据预处理。主要实现图像的滤波去噪,旨在降低后续图像处理的复杂度;(2)轨道图片区域划分。将通过对轨道特征的分析,设计相应算法分割钢轨区域、非钢轨区域;(3)缺陷检测。采用边界识别技术识别缺陷区域,针对缺陷区域,判断缺陷的严重程度。3轨道缺陷自动检测算法的设计3.1自适应加权中值滤波在图像动态采集过程中,由于受到光源和CCD相机抖动的影响,图像中不可避免地存在大量噪声,这为后续缺陷检测工作带来较大困难,因此,首先需要对采集的原始图像进行滤波去噪处理。轨道缺陷图像处理主要要求解算出缺陷范围,中值滤波器既可以消除噪声,又能保护图像边缘,能够有效满足轨道缺陷复原的要求。设f(x,y)表示数字图像像素点的灰度值,滤波窗口为A的中值滤波器可以定义为:其主要功能是将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点的统计排序中值,从而消除孤立的噪声点。为了进一步在图像中突出轨面缺陷部分,滤波时采用加权的中值滤波可加强滑动滤波窗口中间点或距中间点最近的几个点的作用,传统的加权中值滤波在中心像素的权值选择上难以确定,本文采用了自适应加权中值滤波方法。首先通过噪声检测确定图像中的噪声点,然后依据窗口内噪声点的个数自适应地调整滤波窗口的尺寸,再根据相似度大小,巧妙地将滤波窗口内各个像素点按一定的规律自适应地分组并赋予每组像素点相应的权重,最后采用加权中值滤波算法对检测出的噪声点进行滤波处理。3.2区域范围所采集的轨道图像由钢轨区域和非钢轨区域构成,若直接提取整幅图像缺陷目标,非钢轨区域的无关信息必然会加大系统对图像数据的处理工作。如果不排除这些背景干扰,很有可能造成软件的误判且浪费大量处理时间,那么就需要采用相应算法划定缺陷所在轨道的区域范围。本文提出一种基于轨道峰区检测的自适应二值图像投影法快速定位钢轨区域,并对非钢轨区域进行剪辑。3.2.1最大类间方差法改进考虑到系统对图像处理算法实时性的要求,本文采用处理过程简单的自适应阈值分割算法产生二值图像。该算法的关键是分割阈值的选取。较常用的图像分割方法有直方图双峰法、迭代法和最大类间方差法。直方图双峰法计算简单,速度较快,其原理是选择两峰之间最低点的灰度值作为分割阈值,因此仅适用于图像直方图呈现明显双峰的情况。但由于轨道图像的复杂性,其直方图往往只呈现明显的单峰现象或者连成一片,如图3所示,所以该方法不利于轨道图像的分割。迭代法能够较好地保留边缘细节,但对噪声的抑制效果不是很好,从而影响处理的效果。最大类间方差法是由Ostu于1978年提出,其基本思想是利用类别方差作为判据,选取使类间方差最大的灰度值作为最佳阈值。在算法的实际运用中,往往使用如下计算公式求取最佳阈值:化简得:其中,σ2为两类间最大方差;t为分割两个区域的阈值;μA,μB为目标物A和背景B的平均灰度值;PA,PB为A和B区域内各像素的灰度和;使函数σ2(t)取得最大值时的t值便是最佳区域分割阈值。经过对大量图片的实验发现,采用最大类间法对图像进行分割时,当目标与背景灰度差不明显时,将会出现大片黑色区域,如图4(a)所示,同时对噪声和目标大小十分敏感,仅对类间方差是单峰的图像效果较好。针对以上问题,本文对最大类间方差法做了相应改进。首先,确定初始分割阈值T0,该分割阈值采用整幅图像的平均灰度值对轨道图像进行分割。然后根据轨道图像的特点,设图像中灰度值大于初始分割阈值T0的部分为目标区域D,目标区域的灰度均值为TD。在轨道图像中,背景的灰度还可能高于某些目标灰度,只采用初始阈值分割图像,将会使部分亮背景被误判为目标,由于整幅图像由大量的暗背景和少量的较亮目标组成,所以TD>T0。因此,我们将灰度值小于T0的区域全部划定为背景区域。利用初始阈值T0分割图像后,目标区域在分割后的背景区域所占的比例增大,分割区域的灰度均值TD将增大,经过精确定位的目标区域灰度值定高于TD,由此便确定了一个最佳阈值范围(T0,TD)。最后在最佳阈值范围内运用最大类间方差的思想,将最佳区域分割阈值计算出来。图4(b)所示即为采用改进的自适应阈值分割算法所获得的图像。该方法不仅能减少运算量,而且所选的最佳阈值范围除去了大量暗背景及部分亮目标,能够更精确地将钢轨区域提取出来。3.2.2轨道图像中的钢轨区域检测根据对分割出的二值图像的研究发现,钢轨区域内存在大面积而且连通的黑色区域,而非钢轨区域黑白亮点分布比较杂乱,同时钢轨区域与非钢轨区域的分界处出现了两条垂直的白色亮点带,白色亮点带内的id的边缘。于是对图4(b)进行垂直方向的投影,统计每列黑色像素点的个数。对所获得的二值图像从左侧进行逐列扫描,如果某一列黑色像素点个数小于设定阈值T1(T1=每行像素数目×10%),且扫描前进方向上相邻的若干连续列的黑色像素点个数依然小于T1,则认定其为白色亮点带,在继续扫描的过程中,若突然黑色像素点的个数由小于T1的值跃变为大于设定的阈值(T2=每行像素数目×90%),此时将其认定为钢轨左侧边缘,并记录所扫描的列数(记为:x1)及该列黑色点像素数目(记为:y1),则(x1,y1)即为钢轨左侧边缘峰值点的坐标。同时列扫描继续往右侧进行,当检测出黑色像素点的个数由大于T2的值跃变为小于T1的值时,记录前一刻的扫描列数(记为:x2)及该列黑色点像素数目(记为:y2),扫描继续进行,若相邻若干连续列的黑色像素点的个数依然小于T1,则记录的(x2,y2)即为钢轨右侧边缘峰值点的坐标。那么处于这两峰值之间的区域便是钢轨区域。垂直投影图如图5(a)所示。确定了钢轨区域的范围后,便要将其从轨道图像中裁剪出来,以避免检测缺陷时对整幅图像进行运算,即可节省大量运算时间,同时也排除了非钢轨区域的道渣等噪声干扰,提高缺陷检测速度及精度。对钢轨区域进行裁剪时,从坐标点(x1,y1)开始,钢轨宽度为x=x2-x1,钢轨长度为每行像素数目最大值。裁剪后的钢轨区域如图5(b)所示。3.3缺陷轮廓提取从提取出的钢轨区域的二值图像中可知,钢轨区域不仅包括缺陷部分,还有噪声影响所产生的区域,主要表现为一些面积较小的分散区域。这些分散区域可通过数学形态学操作将其去除。数学形态学是一种非线性的滤波方法,它包括膨胀、腐蚀、开操作和闭操作四种基本运算。其中膨胀和腐蚀具有很直观的几何背景,可使图像在一定方向上增厚或变薄;开操作和闭操作的最终结果是除去或减少亮和暗的因素或噪声。基于上述运算特征,同时考虑到缺陷检测系统应检测出原始的缺陷大小,首先需要对二值图像进行开操作,开操作设置尺寸最小的矩形结构元参数,可去除噪声的同时隔离开某些连接很小的区域,便于后续的缺陷区域的提取;然后再利用相同的结构元参数进行闭操作,完成噪声点的滤除,除噪后的二值图像如图6所示。钢轨区域的二值图像经噪声点滤除后,需进行轮廓提取以获得缺陷目标的二维轮廓。内部点掏空方法是对二值图像进行轮廓提取的实用方法,其原理为:假定背景颜色为黑色,目标颜色为白色,如果原图像中有一像素点为白色,且它的8个相邻点都是白色时,则确定该点为内部点,即可将该点删除。在二值图像中,假定钢轨像素灰度值为0,缺陷像素灰度值为1,若中心像素值为0,不管相邻其余8个像素为何值,一律保留中心像素值0;若中心像素值为1,且相邻的其余8个像素值全为1,则改变中心像素值为0;除这两种情况外,全部将中心像素值改为1。根据上述方法,即可得到图像中缺陷目标的轮廓。所提取出的目标轮廓只表示了缺陷区域的边界,没有指明缺陷区域与边界的关系,因此必须采用轮廓跟踪技术对其进行跟踪,并将所获得的轮廓信息以某种形式存储起来,便于后续缺陷的处理与测量。本文采用方向链码跟踪算法提取缺陷区域的轮廓信息。如图7所示,中心像素P指向它的八个相邻点的方向,所指方向按逆时针旋转45°,则链码值加1。对缺陷轮廓来说,轮廓跟踪可根据链码方向进行,下一跟踪点的信息取决于上一轮廓点,从而避免对所有像素点的扫描,提高轮廓跟踪的效率。链码跟踪过程如下:(1)采用行扫描技术获得第一个缺陷轮廓点,并记录该点坐标(x,y),且以该起始点为当前点,继续下一步操作;若扫描后得不到轮廓点,则表明此次轮廓跟踪结束;(2)根据链码跟踪方向,按顺序逆时针扫描与该当前点相邻的8个邻域,若扫描到缺陷轮廓点,则停止跟踪并记录跟踪到的方向链码值,继续下一步操作;若没有遇到轮廓点,则结束此次轮廓跟踪;(3)对扫描到的缺陷轮廓点进行标注,将当前点置为跟踪到的轮廓点处继续第二步操作,如此反复标注整幅图像轮廓。根据上述步骤便获得了轮廓信息的链码序列,该序列中的值是根据轮廓线条的顺序来记录的,这为缺陷区域轮廓的后续处理和测量奠定了基础。采用该方法提取的缺陷目标如图8所示。4轨道缺陷区域检测在Windows操作系统上,结合OpenCV图像处理模块,采用VisualC++6.0编写系统软件,运用本文提出的缺陷检测算法实现了轨道缺陷的自动检测。为了验证该算法对各类钢轨表面缺陷区域的适应性,再选取钢轨表面的裂缝缺陷作为测试图像,进行缺陷区域提取,其结果如图9所示。通过对擦伤和裂纹等轨道缺陷的反复实验,结果表明:本文所采用的方法可快速定