基于图像特征的轨道表面缺陷识别研究

中国电建市政建设集团有限公司 郝永旺

兰州交通大学 魏文军

中国电建集团铁路建设公司 曹玉新 姜永涛

对铁路工务来说，钢轨表面的及时缺陷检测对维护列车安全运行具有重要的意义[1]。利用图像方面的技术对轨道表面缺陷进行检测的方法具有高速度、高精度和高自动化等特性[2]。文献[3]提出的钢轨表面缺陷检测快速算法，在检测单一缺陷的轨面时效果较好，但难以应对复杂的轨面缺陷。刘蕴辉等利用图像灰度信息提出的快速、实时检测算法，只能找寻轨道表面缺陷的位置及其大小，但难以识别轨道表面缺陷的类型[4]。唐湘娜基于BP神经网络的缺陷分类，提出的利用水平投影和灰度阈值的检测方法，仅仅针对疤痕和波纹擦伤两种缺陷[5]。

针对以往方法缺陷识别种类较少的情况，本文首先对采集到的轨面图像进行图像处理，图像增强去噪后提取出轨道表面图像中的轨面缺陷部分，然后实现缺陷的特征选择与提取，最后根据提取到的缺陷特征通过神经网络实现缺陷识别，仿真结果显示本文方法能够实现疤痕、裂缝和波纹擦伤等多种缺陷识别。

1 轨道表面图像预处理

采集到的轨道图像中不可避免的会出现碎石，枕木等非钢轨表面的区域，同时轨道图像会受到噪音、光线或者其他外界因素的影响，使其出现清晰度不高，细节不清或者图像模糊的问题。因此，采集到的原始图像不能被直接使用，先要对其进行图像预处理。

1.1 轨道图像的图像增强

采集到的轨道图像采用直方图均衡化对轨道图像进行增强。

在实际应用中，可以根据灰度直方图的分布情况看出该灰度直方图对应图像的明暗状态以及图像对比度[6]，对比图1和图2，可以看出图1中原轨道图像的灰度直方图的组成成分分布比较集中，图2中原始图像经过直方图均衡化以后轨道的灰度直方图大体实现了均匀分布，因此就表明经过处理后的轨道图像有较高的对比度，即轨道表面部分和非轨道表面部分可以实现很好的区分。

图1 轨道灰度图像的直方图

图2 图像增强后的直方图

1.2 轨道图像的去噪

常用的去噪方法有均值滤波、中值滤波和自适应维纳滤波等[7]。本文用这三种算法对轨道图像进行了去噪处理，用峰值信噪比描述三者的去噪效果，其值如表1所示。

对比表1中的去噪结果，发现自适应维纳滤波处理后的峰值信噪比的值始终大于均值滤波和中值滤波后峰值信噪比的值。因此，自适应维纳滤波的去噪结果比均值滤波和中值滤波的去噪结果明显。

表1 去噪结果对比

1.3 轨道表面信息定位

在对轨面缺陷识别的过程中，首先要将图像中的钢轨提取出来。文献[8]利用灰度变化率来提取缺陷，计算量较大，本文首先对图像进行二值化处理，然后统计每行白色像素点个数，最后确定裁剪坐标得到轨道表面，由于是二值缺陷提取，大大减小了计算量。其步骤如下：

(1)图像二值化

式(1)中，g(x,y)代表对轨道二值图像在像素点(x,y)处的灰度值，f(x,y)为轨道灰度图像在像素点(x,y)处的灰度值，T值的计算是先求灰度均值，在加上一个修正值△T，△T经过试验多次试探后确定为-30，T是二值化处理时的阈值。

(2)统计每行白色像素点个数

轨道图像的二值图像中钢轨轨面区域中的像素主要为白色，只有缺陷区域和钢轨轨面区域两侧的像素为黑色，而在非钢轨轨面区域所有的像素都是黑色。可以根据这个特点，以二值图像中的行为单位，统计每行的白色像素点的个数，统计后每行白色像素点个数的的投影图如图3所示。

图3 二值图像白色像素点统计投影图

从二值图像白色像素点统计投影图中可以看出，进过二值化处理后，白色像素点主要集中在轨道的轨面部分，轨道的非轨面部分基本都是黑色像素点。

(3)确定裁剪坐标

根据轨道图像白色像素点个数统计投影图，确定轨道裁剪坐标，经过MATLAB仿真，裁剪出来的钢轨表面图像结果如图4所示。

图4 钢轨表面提取结果图

2 轨道表面缺陷的提取与特征选择

轨道表面缺陷的定位和提取是缺陷识别的前提，只有把轨面图像中的缺陷准确提取出来，才能对其进行特征计算，进行缺陷分类。

2.1 轨道表面缺陷分割

轨道表面缺陷分割采用图像分水岭分割算法，它是一种基于拓扑理论的数学形态学的图像分割方法[9,10]，把轨道表面图像当作一个拓扑地形图，其中轨道表面图像中像素点的灰度值对应拓扑地形图中的地形高度值。本文分水岭分割算法从轨道表面图像灰度的极小值开始计算处理，利用区域增长对其进行缺陷分割。应用分水岭算法缺陷标记后轨面缺陷分割二值图像仿真结果如图5所示。

图5 缺陷标记后轨面缺陷分割二值图像

图6 缺陷膨胀腐蚀处理结果图

2.2 图像形态处理

经过基于标记控制的分水岭分割算法后，缺陷边缘存在毛刺等虚假边缘，会使缺陷识别分类出现不必要的错误。采用形态学图像处理中的膨胀与腐蚀算法，两者综合使用可以消除这些虚假边缘，对图5基于标记控制的分水岭算法缺陷标记后的二值图像进行膨胀和腐蚀后，其结果如图6所示。

2.3 轨道表面缺陷的提取

缺陷单独提取出来以后再进行缺陷识别分类，本文采用8邻域对钢轨表面缺陷进行标记，对存在缺陷的轨面进行缺陷提取的MATLAB仿真如图7所示。

图7 轨道表面缺陷提取结果

3 轨道表面缺陷的分类和神经网络缺陷识别

3.1 轨道表面缺陷的特征选择与计算

缺陷特征的表示与描述是缺陷识别等应用的前提，主要有颜色特征，纹理特征和边界特征等表示与描述方法。文中根据提取出来的缺陷的二值图像和灰度图像，计算了疤痕缺陷、裂缝缺陷和波纹擦伤缺陷的灰度均值、长轴、短轴、离心率、面积、周长、重心、矩形度以及致密度共9个特征。

计算出的疤痕缺陷的特征参数如表2所示：

表2 疤痕缺陷的特征参数

计算出的裂纹缺陷的特征参数如表3所示。

表3 裂缝缺陷的特征参数

计算出的波纹擦伤缺陷的参数如表4所示。

表4 波纹擦伤缺陷的特征参数

轨道表面缺陷的形态的复杂性要求应从多方面对其进行描述，如表2到表4所示，选取了缺陷的9个特征。虽然选取的缺陷特征越多，会尽可能的对缺陷进行描述，但也会增大特征空间维数，同时增大缺陷识别程序的复杂性和分类器运行的时间。特征的选取要综合考虑特征对缺陷的描述是否详细、特征空间的维数是否合适以及程序的响应的速度是否迅速这三个因素，尽可能的选取合适的特征和特征空间维数，达到高质量和高效率的缺陷识别目的。分析表2到表4可发现，缺陷区域的矩形度、致密度、离心率和灰度均值这四个特征参数差异较大，因此选取轨道表面缺陷的这四个特征作为后续分类器设计的输入项。

3.2 径向基神经网络的训练与预测

RBF神经网络和BP神经网络在实现同一个功能时，搭建神经网络所需的神经元个数方面RBF神经网络要比BP神经网络多，但是在对搭建的神经网络进行训练时，RBF神经网络所需的训练时间却比BP神经网络少[11,12]。本文利用径向基函数神经网络(Radial Basis Function,RBF)来设计轨道表面缺陷分类器，它在分类能力、逼近能力和学习速度等方面都优于BP神经网络。

前文表达和描述了轨道表面缺陷的9个特征，根据不同缺陷同一特征之间的差异，钢轨表面缺陷选取矩形度、致密度、离心率和灰度均值作为缺陷的特征，基于图像的轨道表面缺陷识别研究将轨道表面缺陷识别和分类为三类轨道表面缺陷，分别为轨道表面疤痕缺陷、轨道表面裂纹缺陷和轨道表面波纹擦伤缺陷。根据缺陷分类的类别，将轨道表面缺陷分类器输出个数设计为1个，即y=yi。其中y=1表示缺陷类型为轨面疤痕，y=2表示缺陷类型为轨面裂纹，y=3表示缺陷类型为轨面波纹擦伤。分类器的设计其实就是在特征空间（输入向量）和解释空间（输出向量）找到一种映射关系。

本文利用MATLAB中的神经网络工具箱搭建了RBF神经网络系统，利用RBF神经网络系统对轨道表面缺陷进行识别分类，训练并测试RBF神经网络搭建的轨面缺陷分类器。训练误差曲线如图8所示，当经过12次迭代运算后训练误差达到了设定要求以下。在载入的样本中随机的选取14组样本作为测试样本集，将测试样本作为轨面缺陷分类器的输入，仿真结果如图9所示。

基于图像的轨面缺陷识别分类中将轨面缺陷分为三类，即疤痕、裂缝和波纹擦伤，从仿真图中可以看出，测试样本集中共有14个样本数据，其中蓝色加号代表缺陷的实际类别，红色星号代表用RBF神经网络分类器预测的缺陷类别。经过测试后，设计的缺陷分类器能将轨道表面的三类缺陷成功识别。

图8 RBF训练误差曲线

图9 轨面缺陷分类结果

4 结论

基于图像的轨道表面缺陷识别研究从图像处理和模式识别两方面开展，图像处理部分应用图像技术精确的将轨道表面中的缺陷部分标记与提取出来，模式识别部分在确定和提取缺陷特征的基础上应用径向基神经网络设计了缺陷分类器，完成轨道缺陷的识别，经过MATLAB仿真该算法能够精确的将轨道表面的疤痕、裂缝和波纹擦伤缺陷进行识别。