一种基于计算机视觉的铁轨扣件缺失检测方法

杨樊　陈建政　吴梦

摘要：针对传统扣件检测方法式效率低、可靠性差，不能满足现代铁路检修的需要，提出了一种基于计算机视觉的扣件缺失自动检测方法。在对灰度图像进行Canny边缘检测处理后采用十字交叉定位法对扣件位置进行定位，得到120×200像素的扣件区域，并提取扣件图像的20个边缘特征值；最后，利用模糊C均值聚类算法对这两类的特征量进行聚类分析，通过计算待诊断对象与标准模式的隶属度实现对扣件状态的分类。应用验证表明：采用的图像处理方法和识别分类算法能够有效检出轨道扣件缺失，检测速度快，鲁棒性好，检出率达96%。

关键词： 扣件缺失检测；图像处理；Canny算子；模糊C均值聚类

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2014）10-2367-04

Abstract： The traditional fastener detection methods are inefficient and unreliable， can not meet the needs of the modern railway maintenance. This paper proposes a vision-based technique for detecting rail fastening automatically. First， a criss-crossing localization method was proposed to position the fastener for the canny edge processing gray images， and the edge characteristic information of fastener was extracted. Finally， fuzzy C-means clustering algorithm was used to cluster the extracted features， fastener missing detection can be realized by calculating the membership between the unknown samples and the standard modes of fastener. The experiment showed that this image processing and classifying algorithm can realize the automatic detection of missing fastener effectively； the detection rate is above 96%.

Key words： fastening missing detecting； image processing； canny algorithm； fuzzy C-means clustering

铁路线路维修保养对于轨道交通系统的安全运行具有重要作用，其重要工作之一是检查扣件是否缺失。实际中，由于安装保养不到位、列车行驶的振动和人为盗取等原因，线路上扣件可能会缺失，这给会对铁路行车安全形成巨大威胁，甚至酿成重大交通事故。目前，对铁路扣件的检查主要依靠人工巡查的方法，效率低、劳动强度大、可靠性差、漏检率高。近些年，随着计算机技术、模式识别和图象处理技术的发展，研制基于计算机视觉的自动化扣件缺失检测系统来代替巡道工的视觉检查工作成为可能，该检测方法具有效率高、成本低和可靠性好等优点，是铁道和地铁线路维修的新趋势。

日本于20世纪90年代中期开发了一些采用图像处理技术实现轨道裂纹、腐蚀及扣件状态自动识别的设备。美国ENSC0公司在20世纪90年代末研发了轨道视觉检查系统自动检查轨道状态[1，2]。德国SBG公司研制的GeoRail系统采用数字扫描相机和先进的图象处理技术，实时检测轨道表面和轨枕的缺陷，及扣件缺失、道床断面的异常等；德国BENNTEC公司开发了RailCheck系统也能实现类似功能[3，4]。法国研制开发了巡查线路设备状态的自动检查系统，并在TGV高速线路和普通线路上投入了实际运行[5，6]。国内有北京福斯达公司高速车载式轨道图像识别系统，另有一些基于计算机视觉针对扣件螺母缺失进行检测的专项研究[7]。

上述检测系统都是采取用高速摄像机采集扣件完整图片，然后进行图像处理，判断扣件是否存在。但是现有系统在图像处理上耗时较多，很难适应速度要求极高的高速轨检车。此外，列车行进过程中状态复杂，所采集的图片参数不一，具有较大的模糊性，目前的扣件缺失检测方法并不能有效的处理扣件状态特征间的模糊性。

本文针对已有研究成果的不足，运用Canny算子及模糊聚类等主要技术，设计了一种基于计算机视觉的扣件缺失检测系统，解决现有技术识别速度慢、通用性差的缺陷，可应用于铁路钢轨扣件缺失的在线快速探测。

1 扣件缺失检测系统设计

基于计算机视觉的扣件缺失检测系统基本原理是首先采用高速CCD相机拍摄轨道扣件图像作为系统输入，通过一系列分析由系统自动判定扣件的缺失状态。该系统包括硬件和软件模块，硬件主要由图像获取系统和图像识别系统组成。图像获取系统包括高速CCD相机、照明设备、图像存储模块和GPS定位模块；图像识别系统可以是DSP或工控机，包括：图像预处理、扣件图像定位、特征提取、分类识别模块，主要功能有：

1）图像预处理：对图像进行灰度化、降噪、滤波处理，突出图像中的扣件区域，抑制或消除不必要的信息，提高图像质量，便于扣件识别。

2）定位与特征提取：从采集的整幅图像中定位出扣件位置；然后从扣件图像中提取出能够反映扣件状态的特征信息，用于扣件缺失判定。

3）扣件识别：采用提取所得的扣件特征信息，建立识别模型，检测扣件是否缺失。

系统安装示意图如图1所示：

2 扣件的定位与特征提取

2.1 扣件定位基本原理

由于采集的图像除了包含钢轨和扣件，还包括道床、轨枕区域，如果直接在原图上提取扣件状态，受到的干扰多，运算量很大。因此需要对扣件进行定位，从原始图像中裁剪出扣件。

在钢轨表面区域，灰度只在水平方向上有明显跳变，在垂直方向是连续的；而钢轨以外的区域，道砟的纹理比较复杂，在各个方向都存在跳变，可以根据这个特征找到钢轨边缘。同理，可以找到轨枕的边缘。根据钢轨边缘和轨枕边缘的交叉点就可以根据先验信息提取出扣件。该方法称作十字交叉法，具体步骤为：

1）采用Canny算子对图像进行边缘处理；

2）采用区域扫描统计法，以钢轨宽度为区域宽度，在二值图像上从左向右移动，统计区域内的亮点数目，投影在水平方向，投影在水平方向，其最大值即为钢轨的左边界；

3）以同上的方法，做横向（从右到左）区域扫描统计，获得钢轨的右边界；

4）从上向下移动，进行区域扫描，确定钢轨上边界，从下向上移动，进行区域扫描，确定轨枕下边界；

5）根据先验知识（扣件长宽）提取扣件区域。

2.2 基于Canny算子的边缘检测

1986年，Canny提出了边缘检测的三个判断准则：信噪比准则、定位精度准则和单边缘准则，并在此基础上提出了Canny边缘检测算子，其详细检测算法可参考文献[8]。

按照Canny算子计算方法对检测图像进行边缘检测，其结果如图2所示。

2.3 扣件区域提取

根据2.1节所述的十字交叉扣件定位方法，在图像的Canny边缘检测基础上，采用区域扫描法，提取扣件所在区域。首先对检测图像进行从左至右的区域扫描，区域宽度近似钢轨宽度；然后，以轨枕为区域为宽度进行从上到下垂直区域扫描，对图2的扫描曲线如图3所示。

水平方向和垂直方向的区域扫描结果的最小值，即为铁轨的左边界和轨枕上边界，分别为：278和141。

同理，对图像进行从右到左和从下到上区域扫描，确定铁轨的右边界和轨枕下边界为：380和320。

最后，根据先验知识（扣件的长和宽），提取出扣件。为了方便图像的模式识别，将扣件区域位置大小统一设为120×200像素。对Canny边缘检测结果进行扣件区域截取，其结果如图4所示。

2.4 扣件特征提取

提出一种基于扣件边缘几何结构分析的特征提取方法，利用Canny算子实现对扣件轮廓边缘的提取，根据轮廓特征可实现扣件缺失检测。

本文2.3节中，检测到扣件的边缘图像后，将图像平均分割为20份，每份包含30×40个像素，每个像素的值为0或1，将所有像素相加并除以总像素点，即可得到反映扣件状态的特征向量。

篇幅有限，文中列出4个样本下的特征向量，如图5所示，可见无扣件状态下的特征向量与有扣件下的特征向量有明显区别，但两类间也有明显的模糊性。

4 基于模糊C均值聚类的扣件识别

模糊聚类分析作为一种无导师的学习方法，利用分类模式之间的模糊关联度进行分类，更相似的划为一类，更不相似的划作另外一类。在分类过程中不断计算所划分各类的中心，以待分类模式与已判定为某类的模式中心的隶属度作为其分类的准则，与已知聚类中心具有最大隶属度的类别即为未知状态的类别。该文将有无扣件分别作为聚类分析的两个类别，可实现扣件缺失检测。

模糊C均值聚类算法是Bezdek提出的作为早期硬C均值聚类（HCM）方法的一种改进算法[9]。FCM把n个向量xi（i=1，2， ··· ，n）分为C个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。FCM的价值函数（或目标函数）表示如下[10]：

由上述两个必要条件，模糊C均值聚类算法是一个简单的迭代过程。

下文以有无扣件下的20个样本为例进行聚类分析，所得各样本的隶属度如图6所示。在图6中，“隶属度1”表示各个样本与有扣件聚类中心的隶属度；“隶属度2”表示各样本与无扣件聚类中心的隶属度；前20个样本为有扣件状态，后20个样本为无扣件状态。从图6可知：前20个样本与有扣件的聚类中心有最大隶属度，即属于有扣件状态；后20个样本与无扣件的聚类中心有最大隶属度，即属于无扣件状态。这与实际结果吻合。

当出现如图7所示的干扰物时，该状态下的特征与上述聚类中心的隶属度如下表1所示。

从表1可知，图7的四个状态与有扣件状态下的聚类中心有最大隶属度，即实现干扰物状态下扣件状态的正确判别。经过大量实验验证表明，该方法的识别准确度的可达96%，且随着先验知识库的增加，准确度也会逐步提升。

5 结论

采用CCD相机采集轨道扣件图像，首先对原始图像进行小波阈值滤波，其次在对图像进行Canny算子边缘处理后采用十字交叉法对扣件位置进行定位，定位扣件位置，提取扣件的边缘特征信息，最后利用模糊C均值聚类算法实现扣件缺失识别。通过铁路现场实验结果表明本文的图像处理方法和识别分类算法能有效实现扣件系统缺失的自动检测，准确率高，并得到如下结论：

1）将降噪后图像进行Canny算子边缘处理能凸显图像中的钢轨和轨枕，然后采用十字交叉法能准确提取扣件区域。Canny算子扣件图像边缘轮廓信息中，能够提取较为准确扣件状态特征向量。

2）模糊C均值聚类算法对扣件特征向量进行分类，产生有无扣件的标准聚类中心，然后按照最大隶属度进行扣件缺失检测，效果好、精度高，且其扩展性好，在使用过程中逐步完善先验知识库，提高可靠性及精度。

参考文献：

[1] Singh M， Singh S， Jaiswal J， et al. Autonomous rail track inspection using vision based system[C]//Computational Intelligence for Homeland Security and Personal Safety， Proceedings of the 2006 IEEE International Conference on. IEEE， 2006： 56-59.

[2] Sholl H， Ammar R， Greenshields I， et al. Application of Computing Analysis to Real-Time Railroad Track Inspection[C]//Automation Congress， 2006. WAC'06. World. IEEE， 2006： 1-6.

[3] Killing J， Surgenor B W， Mechefske C K. A machine vision system for the detection of missing fasteners on steel stampings[J]. The International Journal Of Advanced Manufacturing Technology， 2009， 41（7-8）： 808-819.

[4] De Ruvo P， Distante A， Stella E， et al. A GPU-based vision system for real time detection of fastening elements in railway inspection[C]//Image Processing （ICIP）， 2009 16th IEEE International Conference on. IEEE， 2009： 2333-2336.

[5] Deutschl E， Gasser C， Niel A， et al. Defect detection on rail surfaces by a vision based system[C]//Intelligent Vehicles Symposium， 2004 IEEE. IEEE， 2004： 507-511.

[6] Marino F， Distante A， Mazzeo P L， et al. A real-time visual inspection system for railway maintenance： automatic hexagonal-headed bolts detection[J]. Systems， Man， and Cybernetics， Part C： Applications and Reviews， IEEE Transactions on， 2007， 37（3）： 418-428.

[7] 王凌， 张冰， 陈锡爱. 基于计算机视觉的钢轨扣件螺母缺失检测系统[J]. 计算机工程与设计， 2011， 32（12）： 4147-4150.

[8] Canny J. A computational approach to edge detection[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 1986 （6）： 679-698.

[9] Pal N R， Bezdek J C. On cluster validity for the fuzzy c-means model[J]. Fuzzy Systems， IEEE Transactions on， 1995， 3（3）： 370-379.

[10] Miyamoto S， Ichihashi H， Honda K. Algorithms for fuzzy clustering： methods in c-means clustering with applications[M]. Springer， 2008.