基于SFFCM 图像分割的转辙机缺口自动检测

刘云婷，陈光武

（1.兰州交通大学a.光电技术与智能控制教育部重点实验室，b.自动化与电气工程学院，兰州 730070；2.甘肃省高原交通信息工程及控制重点实验室，兰州 730070）

中国铁路系统的快速发展，使得客运量与货运量大幅提升，将导致更多的设备故障和服务中断.在这些设备故障中，铁路道岔相关故障占据了铁路基础设施故障的绝大多数.如何监测铁路道岔的健康状况，降低其故障率，已成为亟待解决的重要问题.其中，道岔尖轨与基本轨密贴关系到行车安全，轨道发生位移时导致转辙机表示缺口产生偏移，偏移过大，使得检查柱无法落入缺口，道岔不能给出表示，严重影响行车安全.因此，对转辙机缺口进行监测具有十分重要的意义.

转辙机缺口大小能间接反映出道岔尖轨与基本轨的密贴程度.据此，一些研究人员在这一领域投入了大量努力.文献［1］采用碰珠式缺口监测，缺点是易受磨损及机械振动的影响.文献［2］通过安装在转辙机表示杆上的导电触头完成对转辙机缺口大小的超限报警.文献［3］使用了一个带有两个线圈的变压器来检测转辙机缺口.文献［4］提出了一种将中值滤波方法和边缘图像二值化相结合的转辙机缺口测量方法，提取缺口边缘，进而计算出转辙机缺口间隙.文献［5］利用Canny 边缘检测及Hough 变换处理岔尖图像，对道岔尖轨是否密贴进行判断.文献［6］采用基于CMOS 面阵的图像边界分割算法识别缺口标记，算法计算复杂度低，更适合单片机执行.文献［7］提出了一种融合自适应小波图像去噪、局部自适应图像二值化和数学形态学技术的边缘检测算法，用于从CCD 面阵获取的图像中测量和计算转辙机缺口.文献［8］提出了一种基于YOLO 的目标检测结构与图像处理相结合的方法，能够对复杂环境下S700K 转辙机缺口实现高性能检测.但是深度学习图像识别为了实现很好的精度，需要大数据支撑，计算量大，导致时间复杂度提升.文献［9］提出利用Canny 算子检测转辙机缺口的边缘图像，通过帧间差法获得缺口的偏移大小，最后获取缺口边缘坐标并完成转辙机缺口位置的标定.其中，文献［4-8］通过图像处理的方式实现了对转辙机缺口的测量，缺点是需要对每个转辙机表示杆提前添加标示，标示物容易受环境振动，明暗，油污等影响.

本文作者提出一种转辙机缺口自动检测方法，通过基于超像素的快速模糊聚类算法（Superpixelbased Fast Fuzzy C-Means clustering，SFFCM）对缺口图像进行分割，利用Canny 算子对分割图像进行边缘提取，通过遍历缺口边缘图像获得缺口的边缘坐标并在原始图像中利用算法标记出缺口两端的位置，从而实现缺口大小的自动检测.本方法有效避免了需要在表示杆额外增加标示的问题，能够防止标识物粘贴效果不良等引入新的误差.

1 转辙机缺口结构及缺口监测系统

1.1 转辙机缺口结构

转辙机作为道岔转换设备，在其内部的前后表示杆的腹部空腔内分别设有一个检查块.每个检查块上有一个缺口，道岔转换到位，与基本轨密贴后自动开闭器所带检查柱落下该缺口，使自动开闭器动作，防止外力转换道岔.表示杆缺口与检查柱边缘之间的间隙构成了具有观测与测量意义的转辙机缺口.该缺口能够间接检查道岔尖轨与基本轨的密贴程度.转辙机待测缺口示意图如图1 所示.

图1 转辙机缺口示意图Fig.1 Schematic diagram of switch machine gap

1.2 转辙机缺口监测系统

转辙机缺口监测系统由室内和室外两部分组成，机械室内布置有通信主机和缺口监测站机.室外部分包括图像采集传感器、缺口检测模块、网络分机，安装在室外的转辙机内.该系统利用图像采集传感器采集缺口图像，缺口检测模块利用其自动检测算法对采集的缺口图像进行处理，实现缺口位置的检测与测量，网络分机将缺口数据实时传送到数据集中器，采用ADSL 数据传输方式，将信号传输到通信主机，通信主机通过以太网与CAN 总线将信息发送到缺口监测站机，在室内上位机实现各个缺口状态的实时监测显示.转辙机缺口监测系统如图2 所示.

图2 转辙机缺口监测系统Fig.2 Monitoring system for switch machine gap

2 转辙机缺口自动检测算法

2.1 基于SFFCM 的图像分割

由于模糊c 均值聚类算法（Fuzzy C-Means，FCM）只考虑了图像像素的灰度信息，丢失图像像素的空间信息，且对噪声敏感，导致图像分割效果不佳［10］.大量改进的算法通过将局部空间信息结合到目标函数中来解决这个问题，但是这又增加了算法的计算复杂度.超像素作为一种图像预处理工具能够解决这个问题.超像素可以把一幅像素级的图，划分成区域级的图.本文基于超像素的快速模糊聚类算法SFFCM 是利用MMGR-WT 获取的超像素图像改善FCM 算法生成的分割结果［11］.

2.1.1 MMGR-WT 生成超像素图像

分水岭变换（Watershed Transform，WT）是一种快速的图像预分割算法［12］，由于WT 对图像进行分割时需要梯度信息，信号中噪声的影响会在梯度图中产生许多虚假的局部极小值，因此导致过分割.形态学梯度重建（Morphological Gradient Reconstruction，MGR）［13］是一种简单有效的克服过分割的算法，因为它能够在去除噪声和无用梯度细节的同时保留物体的轮廓细节.由RO表示的形态学开重建和由RC表示的闭重建被定义为

式中：g为标识图像；RO和RC都能够去除梯度图像中的区域最小值，以减少过度分割.Rε和Rδ分别表示形态腐蚀和膨胀重建，定义结构元素（Structural Element，SE）为圆盘型，其中r是SE 的半径.通过增加r值，分割区域的数量将迅速减少.然而，小的结构元素容易导致过分割，大的结构元素容易导致分割不足.

使用MGR 很难获得既有较少区域又有精确轮廓的超像素图像.为了平衡超像素图像中的区域数量和轮廓精度，需要选择合适的SE，但是很难为不同的图像选择合适的SE.因此，这里利用由RMC表示的多尺度形态学梯度重建（Multiscale Morphological Gradient Reconstruction，MMGR）的方法，使用不同的SE 重建梯度图像，然后融合这些重建的梯度图像，以消除分割结果对SE 的依赖性.其定义表示如下

式中：f为原始图像；∨代表逐点最大值；B代表结构元素SE，r1与r2分别代表SE 的半径r的最小值与最大值，r1≤r≤r2，r1，r2∈N+，g≤f.

r1控制最小区域的大小，如果r1太小，分割结果中会有很多小区域，如果r1太大，边界精度会很低.这里选择1≤r1≤3，r2控制最大区域的大小，r2值较大时，超像素图像会更好，然而，当r2的值大于阈值时，超像素图像保持不变.显然，超像素图像通过增加r2的值而收敛.此外，收敛结果是完美的，因为它包括更少的区域，且提供了准确的轮廓.在实际应用中r2是自适应的，只需要设置一个η表示最小误差阈值来代替r2，即

当η≤10-4时，r2将保持不变.因此，在本文中设置η = 10-4［11］.

使用多尺度结构元素来重建梯度图像，可以获得多个重建图像.设置SE 为3，通过计算这些重建的梯度图像的逐点最大值，得到一个良好的梯度图像，该图像去除了大部分无用的局部极小值，同时保留了重要的边缘细节.MMGR 抑制了WT 的过分割问题，MMGR-WT 生成的超像素图像能够对原图像实现理想的预分割.

2.1.2 基于超像素的快速模糊聚类SFFCM 算法

FCM 是通过最小化目标函数来进行聚类的算法，由于MMGR-WT 依赖于图像的局部特征，而FCM 依赖于图像的全局特征，SFFCM 算法通过MMGR-WT 和FCM 算法的结合能够提高图像分割的效果，将自适应局部空间信息融入到了FCM的目标函数中，其目标函数如下

根据式（4）～式（9），基于SFFCM 的图像分割算法的流程如图3 所示，具体步骤如下：

步骤1：设置聚类数c，加权指数m，r1，η，η1的值，其中η1是用于SFFCM 图像分割算法的收敛条件.

步骤2：利用式（2）和式（3）计算超像素图像，然后计算其直方图.

1）使用Sobel 算子计算梯度图像.

2）使用式（2）和式（3）以及η实现多尺度形态学梯度重建.

3）实现分水岭分割，获得超像素图像.

步骤3：根据超像素图像随机初始化隶属度划分矩阵U(O).

步骤4：设置循环计数器b=0.

步骤5：使用式（8）更新聚类中心.

步骤6：使用式（9）更新隶属度矩阵.

步骤7：如果max {Ub-Ub+1} ＜η1时停止，否则，设置b=b+1 并回到步骤5.

图3 基于SFFCM 的图像分割算法流程图Fig.3 Flow chart of image segmentation algorithm based on SFFCM

2.2 Canny 边缘检测

经典的微分算子检测到的图像大都具有一定的宽度，Canny 算子能够保证所检测边缘的完整性，且其检测到的边缘具有单像素边缘并经过了边缘连接，可直接用于测量，同时Canny 算子在图像处理过程中能够有效抑制图像噪声［14］.对于通过SFFCM图像分割后的转辙机缺口图像，利用Canny 边缘检测算子对缺口图像进行边缘提取.其基本思想是：

1）对预处理的图像选择高斯滤波器进行去噪.

2）对滤波后的图像进行局部梯度大小及方向的计算.

3）非极大值抑制.

4）采用双阈值算法检测和连接边缘.

2.3 转辙机缺口测量

由于图像中缺口的大小无法从缺口处实际测量，因此此处的缺口大小以像素为单位.转辙机内摄像机的安装位置是固定的，这意味着图像中每个像素点所表示的距离大小是固定的，因此可以使用像素点个数和缺口实际大小之间的转换关系来获得与图像对应的实际转辙机缺口大小.

Canny 边缘检测得到的二值图像显示了缺口部分的边缘信息，转辙机缺口测量需要提取缺口左右两端的位置，通过像素捕捉获取缺口两侧边缘坐标，并在原图像上表示.设xmin，xmax分别表示为x坐标在焦点区域内的最小值及最大值，ymin，ymax分别表示为y坐标在焦点区域内的最小值及最大值，该过程算法具体步骤如下：

1）像素捕捉过程由xmin向xmax方向遍历，得到所有白色像素点对应坐标.

2）找出白色像素点最多的一列对应位置P1.

3）找出白色像素点次多的一列对应位置P2：由于缺口两侧边缘处白色像素点相对比较密集，为了减小P1，P2被检测为缺口实际位置的同一侧边缘的概率，排除P1及其左右两侧各两列像素点的位置的条件下找出白色像素点最多的列P2.

4）如果步骤3）报错，无法找到符合条件的列P2，即P2处于P1及其左右两侧的范围，表示缺口值太小，算法检测失效，需要人工确认.否则继续下一步骤.

5）测量缺口距离.

为便于铁路电务人员对检测结果进行查看，选择用两条白色竖线在原始图像缺口两端边缘做出标记，缺口的标记算法实现如下

3 实验结果与算法评价

对某铁路公司转辙机缺口监测系统所采集的ZYJ7 型及ZD6 型转辙机缺口图像进行实验，ZYJ7 型及ZD6 型转辙机缺口原图像如图4 所示.

本文所提的转辙机缺口自动检测算法实验流程及各步骤结果如图5 所示.

图4 转辙机缺口的采集图Fig.4 Collected image of switch machine gap

图5 算法总体流程及各步骤结果Fig.5 Overall flow of the algorithm and the results of each step

3.1 基于SFFCM 的缺口图像分割结果分析

基于SFFCM 的缺口图像分割过程如图5（b）～图5（f），分割结果如图5（f）所示.对转辙机缺口图像截取的焦点区域分别利用FCM 算法、一种快速鲁棒的模糊C 均值聚类算法（Fast and Robust Fuzzy CMeans，FRFCM）［15］以及SFFCM 算法进行图像分割，选择聚类数c=2，由图6 显示的定性的比较结果可以看出与FRFCM 算法以及传统聚类算法FCM 相比，SFFCM 算法呈现出更好的分割效果，其分割结果能够清晰地将转辙机缺口与背景分离，为后续的转辙机缺口边缘检测及缺口测量做好准备.图6 所示的6例缺口图像中第1行至第4行为ZYJ7型转辙机缺口焦点区域图像及其分割结果，第5 行及第6 行为ZD6型转辙机缺口焦点区域图像及其分割结果.图6 第1 列至第4 列依次为4 张转辙机缺口图像的焦点区域图、FCM 分割图、FRFCM 分割图、SFFCM 分割图.

图6 3 种分割算法分割图效果比较Fig.6 Comparison of three segmentation algorithms in segmentation of images

为了定量地验证SFFCM 算法对缺口图像分割的有效性，利用缺口图像的人工分割标准结果图（Ground Truth，GT）可以对不同算法的分割结果进行比较.对3 种算法分割结果二值化处理后的图像与GT 图像做对比，如图7 所示.

评价算法分割结果及精度的好坏可以通过精确率P、查全率R和F来进行衡量，P表示前景的像素被正确标记的比例；R表示正确标记的前景像素占标准结果前景像素总数的比例；F则反映了整个分割结果的优劣程度.

图7 3 种分割算法效果与GT 图比较Fig.7 Comparison of three segmentation algorithms and GT images

式中：TP表示被正确判定为前景像素的数目，实际也是前景像素；FP表示被错误判定为前景像素的数目，实际为背景像素；FN表示被错误判定为背景像素的数目，实际是前景像素.表1显示了文中3种图像分割结果的P、R、F值的汇总表（Pic1为图7第1列第1张图片，依次，Pic6为图7第1列第6张图片），查全率R值与精确率P值是一对矛盾的度量指标，且相互制约.一般来说，P值高时R值往往偏低，而R值高时P值往往偏低.图8为对100幅转辙机缺口图像（其中ZYJ7型52 幅，ZD6型48 幅）分别利用3 种图像分割算法测试的平均P、R、F值进行比较，可以看出FCM 与FRFCM 算法的查全率较高，精确率较低.SFFCM 算法查全率略低于其他两种算法，但其精确率及F值明显优于FCM 及FRFCM算法，体现了本文图像分割算法的整体分割效果更优.

图8 100 幅实验图像间的P、R、F 值比较Fig.8 Comparison of P, R and F values between 100 experimental images

表1 文中图像分割算法P、R、F 值汇总表Tab.1 Summary of P, R and F values of image segmentation algorithms

3.2 Canny 边缘检测结果分析

Canny 边缘检测结果如图5（g）所示，与其他微分算子［16］比较结果如图9 所示，可以看出，Canny 算子能够更好地保证边缘连续性与完整性.

图9 Canny 算子与其他微分算子边缘检测对比Fig.9 Comparison of Canny operator and other differential operators for edge detection

3.3 转辙机缺口测量与标定结果分析

转辙机缺口测量与标定结果如图5（h）所示，算法识别该转辙机缺口大小为39 像素，人工判定为40 像素.考虑目前多数转辙机缺口监测采用百万级高清摄像头，因此算法误差微小，该缺口位置检测算法具有一定的参考性.

4 结论

1）SFFCM 图像分割算法通过MMGR-WT 获得具有精确轮廓的转辙机缺口超像素图像，有效地简化了原始图像，然后对超像素图像进行FCM 分析，实现了缺口图像的精准分割. 与FCM 及FRFCM 算法相比，前者分割效果明显优于后者.

2）利用Canny 算子实现了对SFFCM 图像分割后的缺口图像连续的单像素边缘检测.

3）对转辙机缺口边缘图像进行遍历实现缺口的测量与标定，达到转辙机自动检测的目的.同时，本文方法可以推广至不同的转辙机型号的缺口监测.