基于图像处理的钢轨纵向位移检测系统的研究

巩一帆 董志学 蒋力顺 刘志强

摘 要：钢轨受行车载荷及自然因素的作用发生膨胀从而产生纵向位移，影响机车行车安全，因此研发高性能钢轨纵向位移检测装置意义重大。针对钢轨位移检测装置因人工检测方法导致耗时、耗力的问题，在MATLAB仿真研究基础上，设计了基于图像处理的钢轨纵向位移检测系统的实现算法，论述了对样本采集图像进行预处理、二值化、Canny边缘检测、Hough变换以及纵向位移计算等算法的实现过程。实验结果表明，所设计的系统具有较高精确性和可靠性，能够满足工程实际需要。

关键词：钢轨纵向位移;图像处理;边缘检测;Hough变换

Abstract：The rail expends under the action of running load and natural factors and thus produces longitudinal displacement， which affects the locomotive running safety. Therefore， it is of great significance to develop high-performance rail longitudinal displacement detection device. For rail displacement detection device time-consuming， caused by artificial detection method of problem， based on the MATLAB simulation， design a rail longitudinal displacement detection system based on image processing algorithm， this paper discusses the sampling image preprocessing， binarization， Canny edge detection， Hough transform and the longitudinal displacement calculation algorithm implementation process. The experimental results show that the designed system has high accuracy and can meet the practical needs of engineering.

Key words：rail longitudinal displacement;image processing;edge detection;Hough transformation

鋼轨受行车载荷及自然因素的作用发生膨胀从而产生纵向位移，影响机车行车安全，纵向位移一旦超过20 mm，就要及时整正。在目前的纵向位移检测方法中，手工拉线测量法的测量精度一般只能达到±5 mm范围内，需要两人以上进行测量，测量精度低且工作量大;光学经纬仪操作复杂，激光测量法和光电技术测量法测量所需设备昂贵，使用成本较高[1]。呼和浩特铁路局科研所研发的钢轨纵向位移检测装置[2]具有操作简单方便，检测精确，安全可靠等，已经在呼和浩特铁路局推广应用。但是，人工观测读取激光束位置的测量方式存在一些局限性，观测不方便、工作量大，且目测往往会带有一定主观性，且事后很难留存当时记录来进行查验校对，导致检测精度下降等问题。

目前将图像处理技术应用于水尺、电表、温度计等刻度标尺的自动检定上，受到了众多研究者的广泛重视，文献[3]采用Canny算法检测并计算刻度边缘距离，利用BP神经网络对水尺上的字符识别计算出尺度值，可快速获得水位且提高了航道测量效率，减小了人工误差。文献[4]运用图像检测算法，根据玻璃管温度计的结构，介绍了玻璃管温度计系统检测过程的算法，搭建了一个玻璃管温度计的示值视觉检测系统。文献[5]介绍了一种水尺测量算法，将采集到的水尺图像使用形态学处理定位并分割水尺，通过最小外接矩形矫正水尺图像，采用连通性分析得到了水尺的刻度。

文献[6]提出了在Hough空间值离散化的基础上，通过Hough空间中基于局部极大值的峰值投票点提取来确定检测到的直线，实现公路车道检测硬件体系结构。提出了采用数字图像处理技术进行钢轨纵向位移量检测的方法，运用图像处理技术，将激光束直接打射到标尺上的图像作为研究对象，研究基于图像处理的钢轨纵向位移检测系统的设计和实现。

1 钢轨纵向位移检测系统的组成和算法

钢轨纵向位移检测系统包括系统装置部分、图像获取部分和图像处理部分。系统装置部分包括钢轨纵向位移检测装置及标尺标签，控制钢轨纵向位移检测装置，使其激光光束直接照射在标尺标签上;图像获取部分：通过移动终端手机的摄像头进行图像的直接获取，成功获取位移样本图像，并将记录保存，方便进行后续图像算法处理;图像处理部分：使用MATLAB软件对获取位移样本图像进行处理，包括标尺区域的分割、标尺和激光束的边缘检测、Hough检测倾斜矫正以及激光束位移数值的计算。系统组成如图1所示。

2 钢轨纵向位移检测系统的图像处理算法实现

2.1 图像采集

采集装置选择华为HUAWEIRIO-AL00移动终端进行图像采集，处理器为高通骁龙615（MSM8939），分辨率为1080×1920，后置摄像头是1600万像素。以图2作为标准样本，采取样本时尽量选择刻度区域倾斜角度小、刻度线明显的位移图像作为样本进行算法的研究，删除掉激光束模糊、或刻度线不明显的图片，保留300张位移图像作为样本用于实验。

2.2 图像处理

整个钢轨纵向位移检测系统的图像处理算法共分四个部分，主要包括图像的采集部分、预处理以及标尺刻度区域分割的处理、实现激光束标尺的检测和计算激光位移刻度值。

2.2.1 样本图像预处理

样本进行图像预处理主要通过灰度化和二值化。选择常用的加权平均法进行灰度化，将R、G、B这3个分量以0.299、0.587和0.114的加权值进行加权平均运算。二值化通过OTSU算法[9]实现。在激光标尺样本图像灰度图的基础上用OTSU算法选取合适的阈值，把图像分成大于阈值和小于阈值的两个部分。

2.2.2 标尺区域提取

在对钢轨位移图像灰度化处理之后，利用图像形态学开运算处理，去除面积较小的连通区域，腐蚀掉图像中的小数点和毫米单位，避免对卡尺识别造成影响，得到更好的区域结果。对于去除面积较小的连通区域用形态学操作腐蚀掉背景区的干扰连通区域。

越亮的图像对应均值越大，两个标尺区域的大小、面积、角度等均没有区别，唯一不同在于亮度，即均值不同，含有激光束的标尺区域均值比不含激光束的区域要大，分别计算两个区域的均值进行判断，均值大的区域即为所求的目标区域，通过得到比较明显的标尺区域，如果其中一个的矩阵均值大于另外一个，则确定均值大的值为含有激光束的标尺区域。

2.2.3 边缘检测

将灰度化后的读数区域分别使用Canny算子、Sobel算子、Roberts算子、LOG算子、Prewitt算子进行边缘检测。

2.2.4 纵向位移值的计算

钢轨纵向位移量的实质是激光束在标尺上的坐标，实质是激光束到标尺中线的距离，通过Canny边缘检测算法得到了刻度线的边缘，Hough变换可以实现直线检测，通过调节Hough算法的参数值得到了效果较好的直线段，识别出标尺的最长线段，得到最左端的像素值与最右端的像素值，通过取中线的像素值即是零刻度线所在位置的横坐标像素值，经过计算得到标尺零刻度线的坐标，也就得到了激光束的坐标。計算流程如图3所示。

在Hough变换的过程中，进行量化参数空间，对边缘检测的图像边缘点进行Hough变换和遍历，通过公式ρ=xcosθ+ysinθ得到直线;在这些直线中寻找最长的线进行倾斜角度的计算，根据对应的倾斜角度，对标尺图像进行倾斜校正，通过旋转角度得到矫正后的标尺图像[10];如图4所示。倾斜矫正后，通过Hough变换后还存在边框的直线干扰到实验结果，试验Hough算法的参数值识别出标尺的最长线段，通过取中线的像素值即是零刻度线所在位置的横坐标像素值，经过计算得到标尺零刻度线的坐标，即可得激光束的坐标。如图5所示。

3 实验测试结果及分析

3.1 实验结果分析

通过MATLAB软件对各种边缘检测算法进行仿真，检测到的激光束和标尺的结果。几种算子实验结果的优缺点如表1所示。

结论如下：Roberts、Sobel、Prewitt三种算子的计算速度快，但是检测的标尺图像轮廓边缘连续性较差，缺少大部分边缘信息;LOG算子比Roberts算子、Sobel算子和Prewitt算子的检测标尺的效果结果好，边缘较为连续，但边缘信息有一定程度的流失;Canny算子是五个算子中效果最好的，能够检测到完整的标尺边缘，而且最左端和最右端的刻度线比较清晰，不会影响后续的识别计算。

3.2 实验数据分析

采用实验人员直接目测结果作为标准，与图像识别计算的结果进行对比，对该系统的性能进行测试，检测该系统是否具有可行性和实用性。从三百张样本库中随机挑选10张样本，对某一个样本的测试，经过系统的运算，可以测得激光束的位移为-1.709 mm，检测结果图为6所示。

从三百张样本库中随机挑选10张样本，对于同一张样本进行人工判读和系统识别，对比人工判读的读数和系统测得其位移值的结果，计算两者的识别误差，得出结果如表2所示。

拒识率是指系统拒绝识别样本占总样本的比例，即因为角度过偏、激光斑点模糊等问题系统拒绝识别的样本;误识率是指系统识别读数误差范围≥2 mm的样本数占正常检测样本的比例。

经过测试得到实验结论：位移检测系统正常检测283张，检测成功率94.3%，拒识率为5.7%，如表3所示。将283张正常识别出的样本筛选出来，由实验人员读出并记录出人眼识别的结果，计算系统与人眼读数之间的误差，将误差范围在2 mm之内的系统识别结果即为测试成功，通过实验得出结论：准确率95.1%，误识率为4.9%。系统的误识率如表4所示。

4 结 论

在研究已有图像识别算法基础上，设计实现了基于图像处理的钢轨纵向位移检测系统。通过使用移动终端摄像头采集获取带有激光束的样本图像，进行图像灰度化和二值化、标尺区域分割、标尺和激光束的边缘提取，再利用Hough变换进行直线检测，检测到标尺长度，识别出激光束所在刻度值，然后使用像素标定法求出实际位移量。通过系统性能测试表明，能够满足预期的检测要求，在后续的研究中可以通过神经网络技术进行网络训练，或通过字符识别技术对分割出的标尺图像刻度数字进行识别和模板匹配，改进算法提升识别效率。

参考文献

[1] 王超.基于ZigBee技术的无缝钢轨爬行监测系统研究与设计[D].长沙：中南大学，2014.

[2] 樊晓丽.基于高速铁路无缝钢轨纵向位移检测技术的研究[J].铁路采购与物流，2018，13（3）：60-62.

[3] 徐为，万辰炜，万一峰，等.基于机器视觉的水位快速测量方法的设计[J].中国水运（下半月），2013，13（12）：172-174.

[4] 邓阳.玻璃管温度计示值视觉检测系统研制[D].沈阳：沈阳工业大学，2016.

[5] 黄林，陶青川，沈建军.基于机器视觉的快速水尺刻度提取技术[J].现代计算机（专业版）， 2018（6）：15-19.

[6] GUAN Jun-gang，AN Feng-wei，ZHANG Xiang-yu，et al.Energy-efficient hardware implementation of road-lane detection based on Hough transform with parallelized voting procedure and local maximum algorithm[J]. The Institute of Electronics， Information and Communication Engineers，2019，E102.D（6）：1171-1182.

[7] 李宝芸，范玉刚，高阳.基于OTSU和Canny算子的红外图像特征提取[J].陕西理工大学学报（自然科学版），2019，35（6）：33-40.

[8] 吴桐.基于改进霍夫变换线段检测算法的实现和应用[D].济南：山东大学，2018.

[9] 曹爽.基于OTSU算法的图像阈值分割技术[D].太原：太原理工大学，2018.

[10]郭亮.车道线识别及车辆偏移距离计算新方法[D].北京：北京交通大学，2018.