基于图像传感器的铁轨表面缺陷视觉检测算法*

茅正冲，邬 锋

(江南大学物联网工程学院，江苏无锡214122)

0 引言

传统的铁轨缺陷检测主要依靠铁路工作人员巡检，但人工检测效率低且具有一定的危险性。人工检测的限制促进了许多先进无损检测技术的发展，无损检测技术主要通过传感器来获取铁轨状态，然后使用软件系统进行缺陷检测。无损检测技术中基于图像传感器的视觉检测效率高，成本低，抗干扰性强，在铁轨表面缺陷检测中得到了很好的发展［1～3］。

铁轨缺陷中无规律表面缺陷［4，5］是视觉检测的难点，因为:1)无规律缺陷是随机出现在铁轨表面上，没有共同的周期形状特性，只能依据图像像素灰度来区分缺陷与背景;2)铁轨表面图像是从室外环境获取的，天气和自然光的影响会使缺陷表面受到的光照不均匀;3)铁轨表面对光的反射率不同使图像灰度分布变化较大。对铁轨缺陷图像进行有效的图像增强和自动阈值分割可以提高缺陷检测效率。

铁轨图像增强主要是灰度对比度增强，图像对比度增强可以简单分为直接增强和间接增强两种类型［6］。直接增强算法是通过对比度测量法增强图像对比度，间接增强算法是通过调整图像直方图增强图像对比度。典型间接增强算法有全局直方图均衡化、自适应直方图均衡化［7］和对比度受限自适应直方图均衡化［8］。但这些方法不能很好消除铁轨表面光照不均和反射率不同的影响，因此，不适用于铁轨图像增强。

自动阈值分割法是按照一定准则自动选取一个灰度值来把缺陷目标从图像背景中提取出来［9］。比较常见的自动阈值法有迭代阈值法［10］、最大熵法［11］和最大类间方差法［12］等自动阈值法，但这些方法对直方图为单峰分布的图像处理并不理想，而增强后的铁轨缺陷图像直方图是接近单峰分布的，因此，这些方法不适用于铁轨缺陷图像分割。

针对无规律铁轨表面缺陷检测的难点，本文主要研究了局部对比度测量法和改进的最大类间方差法来对铁轨图像进行增强和分割，实现了铁轨表面缺陷检测率的提高。

1 铁轨图像对比度增强

图像对比度反映了图像目标与背景之间的亮度差异，广泛应用的对比度主要有两种:Weber对比度和Michelson对比度［13］。Weber对比度主要反映小目标与均衡背景之间的差异，计算公式为

其中，f为目标的亮度均值，b为背景的亮度均值。Michelson对比度主要测量周期图案的对比度，例如:正弦光栅图像，计算公式为

其中，Lmax和Lmin分别表示光栅图像中最大亮度值和最小亮度值。Weber对比度和Michelson对比度都不适用于复杂图像。

铁轨表面缺陷图像通常具有以下特性:1)图像全局背景灰度分布会因为不同的光照和表面反射率而变化较大，但这种变化主要表现在横轴方向(垂直于列车行驶方向);2)在一个局部窗口中，例如:一个纵轴线窗口，光照和表面反射率是比较稳定的，因此，在局部窗口中图像灰度变化较小;3)缺陷的灰度一般都比背景的灰度低。根据这些特性并在Weber对比度的基础上，本文提出了一种适合铁轨表面图像增强的局部对比度测量法。

5.开展优化粉葛中提取葛根素的工艺。加热，放冷，再称，定重量，用30%乙醇补足减失的重量，摇匀，滤过，取续滤液，进样测定得到试验结果。每组处理匀采用了3次重复，求3次平均值。

设图像I和以像素点(x，y)为中心的一个m×n邻域窗口W，图像局部对比度L(x，y)定义为

其中，I(x，y)为像素点(x，y)的灰度值，μW为窗口 W 中灰度的均值。图像L(x，y)能够通过裁剪处理进行进一步增强，图像 L(x，y)的灰度值可以分为两部分:LO={L(x，y)＜ 0}和 LB={L(x，y)≥0}。当图像 L(x，y)位于 LO时表示像素点(x，y)的灰度比它的局部背景更低，这像素表示缺陷像素或噪声;当图像L(x，y)位于LB时表示像素的灰度比它的局部窗口均值更高，这些像素可认为是背景的一部分。因此，图像L(x，y)可以按照以下方法进行裁剪处理

然后，将图像L(x，y)的灰度重新调整到0～255灰度区间。铁轨图像增强效果如图1所示，由图1(c)可以看出:缺陷区域比背景区域明显突出，并且很好地消除了光照不均和不同表面反射率的影响，并使背景比较均衡化。

图1 铁轨图像对比度增强效果Fig 1 Rail image contrast enhancement effect

2 铁轨图像自动阈值分割

假设一副256灰度级的图像M，fi为灰度值i的像素频数，N为图像M总的像素数，则灰度值i的概率表示为

图像M的全局灰度均值表示为

假设t为分割阈值，则图像可以分割成C1={0，1，…，t-1}和 C2={t，t+1，…，255}两类，C1和 C2分别对应于图像目标部分和图像背景部分。C1和C2的概率分别为

C1和C2的灰度均值分别为

日本学者大津首次提出最大类间方差法(Otsu)来确定最佳阈值，最大类间方差法是通过最大化图像目标类和图像背景类之间的类间方差来选取最佳阈值的。C1和C2之间的类间方差计算公式为

最大类间方差法确定的最佳阈值计算公式为

最大类间方差法对灰度直方图为明显双峰或多峰分布的图像分割效果较好，而对灰度直方图为单峰分布或接近单峰分布的图像分割效果较差。经增强处理后的铁轨缺陷图像灰度直方图如图2所示，从图2中可知，增强后的缺陷图像直方图为接近单峰分布，所以，原始最大类间方差法对铁轨图像分割效果不理想，需要进行一定的改进。

图2 增强图像灰度直方图Fig 2 Enhanced image gray histogram

一般经过图像增强的铁轨图像绝大多数背景像素的灰度值都接近255，而缺陷像素和噪声在整幅图像中所占比例非常低，所以，一个理想的分割阈值t应该使缺陷比例w1(t)的值小，相反1-w1(t)的值应该大，因此，改进的最大类间方差法所得阈值可以由类间方差σ2B(t)和1-w1(t)共同确定。最佳阈值t*的计算公式为

其中，常量参数 k用来控制1-w1(t)作用程度。图3(b)和图3(c)分别为最大类间方差法和改进最大类间方差法的图像分割结果，从图3中可知，改进最大类间方差法所得阈值比普通最大类间方差法所得阈值更小，因此，对图像进行分割时可以消除更多的噪声，且保护了缺陷信息不丢失，分割效果更好。

图3 铁轨缺陷图像分割结果Fig 3 Rail defect image segmentation result

3 铁轨缺陷识别

铁轨增强图像经过阈值分割后得到铁轨二值图像，其中"1"像素表示背景，"0"像素表示缺陷目标或噪声。缺陷目标和噪声被分割成相互分离的连通区域，使用区域增长标记法［14］对每个符合8邻域邻接准则的"0"像素连通区域进行标记，计算每个标记区域的面积(像素个数)。当标记区域的像素个数大于700，则检测为缺陷，当像素个数小于700，则检测为噪声并进行消除，缺陷识别如图4所示。

图4 铁轨缺陷识别Fig 4 Rail defect recognition

4 实验结果分析

实验采用了在不同天气情况下拍摄的800副大小为900×300铁轨图像进行处理分析，其中，600副为无缺陷图像，200副为有缺陷图像。实际铁轨缺陷检测中所拍摄的图绝大多数为无缺陷图像，所以，实验中采用了较多的无缺陷图像。缺陷实际总数为284个，检测出正确缺陷个数为261个，检测出假缺陷42个。实验中使用了准确率和检全率两个准则，准确率α和检全率β定义为

其中，Nt为检测出来的正确缺陷个数，Nf为假缺陷但被检测为缺陷的个数，N为实际缺陷个数。

4.1 铁轨图像增强算法中窗口选择分析

局部对比度测量法对铁轨图像增强效果的好坏主要依赖于图像局部窗口中光照和表面反射率是否稳定，因此，窗口W尺寸的选择非常重要，这将直接影响缺陷检测率。本文采用了15×15的方形窗口、135×15的矩形窗口和135×1的线形窗口，检测率如表1所示。从表1中可知，在线形窗口下缺陷检测性能最好，因为铁轨图像在纵轴方向(列车行驶方向)上光照和表面反射率都变化较小，而在横轴方向上变化较大。

表1 不同窗口的检测结果Tab 1 Detection results of different windows

4.2 改进最大类间方差法中常量k的选取分析

改进最大类间方差法中参数k不同所得阈值也不同，为了选取最合适的 k 值，分别取 k=5，10，15，20，25，30，40，50，60测试检测性能，检测结果如图5所示。从图5可知，当k值从小到大时，检测率会先平稳再逐渐变小，而准确率由小变大且趋于平稳。铁轨表面缺陷检测中检全率比准确率更重要，要保证较高检全率的前提下再尽量提升准确率，因此，当k取15时检测性能最好。

图5 不同k值的检测结果Fig 5 Detection results of different k value

4.3 不同类间方差法对检测率的影响

本文对最大类间方差法和改进最大类间方差法对缺陷检测率的影响进行了分析比较，结果如表2所示。由表2可知，使用改进最大类间方差法比最大类间方差法检测效果更好。改进最大类间方差法分割图像时可以消除更多的噪声且又不丢失缺陷信息，因此，在相同检测率时，改进最大类间方差法可以较大地提高准确率。

表2 两种阈值法的检测结果Tab 2 Detection results of two threshold methods

5 结论

本文提出了分别适合于铁轨表面无规律缺陷图像增强与分割的算法:局部对比度测量法和改进最大类间方差法值法。实验结果表明:局部对比度测量法很好地消除了铁轨图像光照不均和不同表面反射率的影响使缺陷区域明显突出于背景区域且使背景均衡化。改进的最大类间方差法是通过使类间方差较大的同时又保持缺陷比例较低来选取最优阈值的，所得阈值比普通最大类间方差法所得阈值更小，因此，对图像进行分割时可以消除更多的噪声又不丢失缺陷信息。

［1］Li Qingyong，Ren Shengwei.A real-time visual inspection system for discrete surface defects of rail heads［J］.IEEE Transactions on Instrumentation and Measurement，2012，61(8):2189-2199.

［2］唐湘娜，王耀南.铁轨表面缺陷的视觉检测与识别算法［J］.计算机工程，2013，39(3):25-30.

［3］官 鑫，赵智雅，高晓蓉.图像处理技术在钢轨表面缺陷检测和分类中的应用［J］.铁路计算机应用，2009，18(6):27-30.

［4］Li Qingyong，Ren Shengwei.A visual detection system for rail surface defects［J］.IEEET ransactionson Systems，Man，and Cybernetics—Part C:Applications and Reviews，2012，42(6):1531-1542.

［5］王 平，刘 泽，张广伟.基于数字图像处理和特征提取的钢轨表面缺陷识别方法［J］.现代科学仪器，2012，4(2):24-28.

［6］Tang Jinshan，Peli Eli.Image enhancement using a contrast measure in the compressed domain［J］.IEEE Signal Processing Letters，2003，10(10):289-292.

［7］Zhu Youlian，Huang Cheng.An adaptive histogram equalization algorithm on the image gray level mapping［C］∥2012 International Conference on Solid State Devices and Materials Science，2012:601-608.

［8］刘 轩，刘佳宾.基于对比度受限自适应直方图均衡的乳腺图像增强［J］.计算机工程与应用，2008，44(10):173-175.

［9］Hui-Fuang Ng.Automatic thresholding for defect detection［J］.Pattern Recognition Letters，2006，27(14):1644-1649.

［10］李海燕，张榆锋.基于灰度迭代阈值脉冲耦合神经网络的图像分割［J］.计算机应用，2011，31(10):2753-2756.

［11］吴一全，殷 骏，毕硕本.最大倒数熵/倒数灰度熵多阈值选取［J］.信号处理，2013，29(2):143-150.

［12］李 敏，罗洪艳.一种改进的最大类间方差图像分割法［J］.南京理工大学学报，2012，36(2):332-337.

［13］Eli Peli.Contrast in complex images［J］.JOpt Soc Am A，1990，7(10):2032-2040.

［14］刘奇琦，龚晓峰.一种二值图像连通区域标记的新方法［J］.计算机工程与应用，2012，48(11):178-180.