基于CCD圖像分析的空軌軌道梁表面缺陷檢測

(1.中鐵二院工程集團(tuán)有限責(zé)任公司，成都 610031；2.電子科技大學(xué) 自動化工程學(xué)院，成都 611731)

空軌(或稱懸掛式單軌、空鐵)是一種歷史悠久的城市軌道交通系統(tǒng)，且具有地形適應(yīng)性強(qiáng)、運(yùn)營安全可靠、環(huán)境適應(yīng)性好、景觀效果好、造價低、建設(shè)周期短等優(yōu)點(diǎn)[1]，具有廣闊的應(yīng)用前景。

空軌車輛不同于傳統(tǒng)的輪軌車輛，其走行部位位于軌道梁內(nèi)，而車體懸吊于其下方，車體底部距離地面一般不小于5 m。軌道梁是由鋼板焊接而成的開口薄壁箱型截面梁，起到引導(dǎo)列車運(yùn)行、承載列車質(zhì)量的作用，是空軌系統(tǒng)中最重要的結(jié)構(gòu)之一，其斷面示意如圖1所示。由于長期受到較大的作用力，加上大氣的腐蝕，所以軌道梁表面極易出現(xiàn)裂紋、銹斑、磨損等缺陷，若不及時處理，會危及行車安全。因此，檢測軌道梁表面缺陷的技術(shù)成為一種非常重要的控制手段。針對金屬板材的表面缺陷，一般采用人工檢測[2]和高精度傳感器進(jìn)行檢測，如：渦流檢測[3]、紅外檢測[4]、圖像檢測、漏磁檢測[5]等方法。

圖1 空軌軌道梁斷面示意

圖像檢測方法屬于非接觸檢測技術(shù)，在先進(jìn)的自動化檢測中發(fā)揮著重要的作用。圖像檢測方法的原理為：首先采用電荷耦合器件(CCD)攝像機(jī)攝取目標(biāo)圖像，再由圖像處理系統(tǒng)對采集到的圖像進(jìn)行各種運(yùn)算以抽取目標(biāo)的特征，最后根據(jù)預(yù)設(shè)的容許度和其他條件輸出結(jié)果，實(shí)現(xiàn)對物質(zhì)表面的自動檢測。目前，結(jié)合圖像處理技術(shù)和模式識別理論、智能優(yōu)化算法等,產(chǎn)生了多種缺陷檢測的方法。

筆者采用基于圖像分析技術(shù)[6]的表面異常檢測方法，對空軌軌道梁表面進(jìn)行缺陷檢測。首先，利用CCD圖像的均值和方差盡可能多地回收正常樣本，此過程所需時間短，且缺陷樣本包含正常樣本和缺陷樣本兩部分，故稱此過程為粗檢過程；再利用基于積分圖的Bayes算法將粗檢過程中錯檢為缺陷樣本的正常樣本剔除掉，此過程主要利用壓縮感知算法，該算法準(zhǔn)確率較高，但計算速度較慢，故稱為細(xì)檢過程。

1 表面缺陷檢測方案

提出了一種高效的金屬板材表面異常實(shí)時檢測方法，該方法基于圖像分析技術(shù)，可以在不需要大量樣本的前提下，對金屬板材表面異常進(jìn)行快速檢測，其不僅能提高檢測的準(zhǔn)確率，同時也能滿足實(shí)時性的要求，檢測流程如圖2所示。

(1)輸入圖像為I，求取該圖像的積分圖I′。

(2)對圖像I中圖像塊(patch)粗分類，得到一個疑似異常patch的集合；除疑似異常patch集合外，其余的patch都?xì)w類到正常的patch集合中。

圖2 表面缺陷檢測流程

(3)利用壓縮感知[7]特征對疑似異常patch進(jìn)行細(xì)檢測，即采用壓縮矩陣對正常patch集合和疑似異常patch集合進(jìn)行特征壓縮。計算每個維度的均值和方差，獲取正常patch集合w個維度高斯分布的特征；在此基礎(chǔ)上設(shè)定一個閾值，并根據(jù)閾值進(jìn)行分類。

2 基于均值和方差的表面缺陷粗檢過程

粗檢過程就是從圖像快速而簡單的幾何特征出發(fā)，即通過求取圖像的均值和方差[8]確定合適的閾值，從而將圖像分成正常樣本和疑似缺陷樣本，并進(jìn)一步檢測出疑似缺陷樣本的缺陷。

2.1 均值和方差檢測的基本算法

采用尺寸為40像素×40像素，步長為20像素的滑動窗口對圖像進(jìn)行檢測。均值的計算公式為

(1)

式中：m和n分別為圖像的長和寬；I(i,j)為每一點(diǎn)的像素值。

進(jìn)一步確定圖像的方差計算公式為

(2)

根據(jù)方差的定義可知，缺陷區(qū)域方差較大，圖像平滑區(qū)域，即無缺陷區(qū)域方差較小。可見，基于均值和方差的檢測法能夠突出背景灰度差異不大的缺陷部分，進(jìn)而用于檢測圖像缺陷。

2.2 粗檢試驗(yàn)結(jié)果及分析

金屬板材的表面缺陷主要是裂紋和銹蝕(銹斑)，但同時也包含劃痕和孔洞等缺陷。裂紋粗檢試驗(yàn)結(jié)果如圖3所示，粗檢的試驗(yàn)過程如下所述。

首先根據(jù)式(1)和(2)，求取圖3(a)原圖像的均值和方差，得到圖3(b)和圖3(c)，然后對均值和方差進(jìn)行排序,并求導(dǎo)得到圖3(d)。由圖3(a)可見，一幅圖像中缺陷部分所占面積遠(yuǎn)小于正常部分所占面積；同時，圖3(d)中方差在走勢曲線后端部分開始明顯變化，所以可以設(shè)定一個自適應(yīng)的閾值來進(jìn)行劃分，試驗(yàn)所設(shè)定的閾值公式為

(3)

圖3 裂紋粗檢試驗(yàn)結(jié)果

式中：thro為閾值；m為相應(yīng)位置的方差；v為列數(shù)，即方差個數(shù)；floor函數(shù)可實(shí)現(xiàn)向下取整的功能；函數(shù)變量取v/2是為了盡可能地將缺陷從圖像中劃分出來；time為系數(shù);end為排序后最后一個滑框的編號。

根據(jù)實(shí)際情況，從2/3區(qū)域處開始搜索缺陷，其判斷依據(jù)是如果相鄰兩方差的差值大于所設(shè)定的閾值，則判斷為缺陷區(qū)域，并將其用黃色框框出，如圖3(e)所示。此外，經(jīng)過大量的試驗(yàn)觀察，發(fā)現(xiàn)均值最大和最小處也是缺陷部分，所以在圖3(e)中增加兩個代表均值最大和最小區(qū)域的紅色框。

利用上述方法同樣可得到銹蝕(銹斑)、劃痕及孔洞的試驗(yàn)結(jié)果，分別如圖46所示。結(jié)果表明，粗檢過程能夠粗略地檢測出缺陷所在區(qū)域。

圖4 銹蝕粗檢試驗(yàn)結(jié)果

圖5 劃痕粗檢試驗(yàn)結(jié)果

圖6 孔洞粗檢試驗(yàn)結(jié)果

對采集到的500張樣本圖片進(jìn)行試驗(yàn)，結(jié)果顯示，缺陷檢出率為99.2%，準(zhǔn)確率為72%，可見該方法存在一定數(shù)量的漏檢和錯檢，主要原因是圖像采集過程中背景變化多導(dǎo)致滑框的均值方差波動較大，動態(tài)閾值法得到的閾值未將缺陷分割出來。

試驗(yàn)所用電腦的CPU配置為Intel i5-4590 3.30 GHz，內(nèi)存為8 G，處理一張2 448像素×2 048像素的樣本圖像僅需18 ms。所以，可將此方法作為一種粗檢方法，即將正常樣本和疑似缺陷樣本區(qū)分開的一種快速方法。

3 基于積分圖的Bayes細(xì)檢過程

根據(jù)試驗(yàn)結(jié)果可知，粗檢速度快但準(zhǔn)確率較低，漏檢率可忽略不計。因此，下一步將在粗檢結(jié)果(已標(biāo)注區(qū)域)的基礎(chǔ)上,引入基于積分圖的屬板材表面缺陷的Bayes金檢測算法，即細(xì)檢方法，將粗檢已標(biāo)注區(qū)域中的正常部分剔除。

圖7 計算積分圖

3.1 基于積分圖的Bayes檢測算法

該算法最顯著的優(yōu)點(diǎn)是只需對整幅圖像遍歷一次就可以求出所有區(qū)域的像素和，且計算速度很快。

設(shè)灰度圖像為I，積分圖為I′，計算積分圖如圖7所示。根據(jù)Iwidth=width，Iheight=height可知，積分圖計算公式為

(4)

在實(shí)際的計算中，通常采用如下所示的計算公式

I′(x,y)=I′(x-1,y)+I′(y-1,x)-

I′(x-1,y-1)+I′(i,j)

(5)

針對工程項(xiàng)目的試驗(yàn)步驟如下所述。

(1)獲取計算圖像的積分圖。

圖8 圖片壓縮方法示意

(2)獲取被粗檢判定為正常patch(圖像塊)集合的區(qū)域，然后隨機(jī)選取3～4個部分，圖片壓縮方法示意如圖8所示，按照一定的權(quán)重將每個patch進(jìn)行壓縮，其中壓縮之后的patch服從高斯分布。

針對在粗檢階段已判定為正常patch的每個vi，根據(jù)大數(shù)定理可得

(6)

式中：rij為圖像像素；xi為權(quán)值。

(7)

式中：n為patch的數(shù)目。

(8)

可推出

(9)

(3)采用相同的方式對疑似異常的patch進(jìn)行壓縮，并計算patch為正常的概率，如果該概率大于一個閾值就判斷為正常。

按照上述方法獲取每個樣本的表達(dá)式為

(10)

然后再根據(jù)Bayes公式計算每個vfi的正態(tài)分布概率。具體試驗(yàn)中將概率最小值作為相應(yīng)樣本的得分，并將得分大于閾值的部分判定為正常部分。

3.2 細(xì)檢試驗(yàn)結(jié)果及分析

采用上述細(xì)檢方法對粗檢圖像進(jìn)行檢測，可得如圖910所示的試驗(yàn)結(jié)果。

由圖9～10可知，細(xì)檢結(jié)果的精確度明顯高于粗檢結(jié)果的精確度，進(jìn)一步證明了細(xì)檢法可將粗檢結(jié)果中的正常部分剔除。對采集到的500張樣本圖像進(jìn)行試驗(yàn)的正確率為98.2%，粗檢過程的正確率為72%，可見細(xì)檢過程很大程度上提高了正確率。一張圖像經(jīng)歷粗檢和細(xì)檢過程需耗時70 ms左右，可見該檢測法基本能滿足一般檢測中實(shí)時性的要求。

4 結(jié)語

提出的檢測方法主要分為粗檢和細(xì)檢兩個階段,粗檢采用均值和方差相結(jié)合的方法來預(yù)先回收正常樣本，而其中疑似缺陷樣本也包含了較多的正常樣本，因此需要再通過細(xì)檢過程進(jìn)行更細(xì)致的篩選。細(xì)檢即通過壓縮感知的特征提取與特征學(xué)習(xí)，及Bayes似然分類來提高檢測的正確率。試驗(yàn)證明，該方法對于金屬板材表面各種異常缺陷(如裂紋、銹蝕、劃痕、污跡、異物等)的檢測都有較高的檢出率和正確率，以及較好的實(shí)時性。

圖9 待檢圖像一的粗檢和細(xì)檢結(jié)果

圖10 待檢圖像二的粗檢和細(xì)檢結(jié)果