高速鐵路無砟軌道表面裂縫三維圖像自動(dòng)識(shí)別算法

陽恩慧， 張傲南， 楊榮山, 王郴平

(西南交通大學(xué) 土木工程學(xué)院， 四川 成都 610031)

隨著我國高速鐵路在近些年大量投入運(yùn)營，軌道結(jié)構(gòu)在服役期內(nèi)不斷出現(xiàn)開裂問題，對(duì)于軌道結(jié)構(gòu)狀態(tài)演變規(guī)律的準(zhǔn)確掌握與高精度傷損狀態(tài)檢測(cè)是進(jìn)行軌道科學(xué)維護(hù)的前提，而現(xiàn)有的檢測(cè)技術(shù)僅能較好地掌握軌道幾何形位，高效的軌道表面?zhèn)麚p檢測(cè)技術(shù)的缺乏，制約著高速鐵路軌道維修技術(shù)的發(fā)展。

目前針對(duì)鐵路軌道結(jié)構(gòu)表面特征的自動(dòng)檢測(cè)，國內(nèi)外均已研發(fā)出一些巡檢系統(tǒng)。如德國BvSys公司的RAILCHECK系統(tǒng)[1]、美國Cybernetix公司的VIS系統(tǒng)[2]以及法國SNCF公司研制的MGV高速綜合檢測(cè)列車[3]，以上公司研發(fā)出的檢測(cè)系統(tǒng)均采用非接觸式的計(jì)算機(jī)視覺檢測(cè)技術(shù)，利用大功率的泛光燈提供光源，通過高頻線陣CCD相機(jī)對(duì)軌道表面進(jìn)行掃描，從而得到拼接成的軌道圖像。該類通過普通光源和相機(jī)獲得的圖像分析主要依據(jù)各部件圖像的灰度信息進(jìn)行分類識(shí)別，誤判率較高，其工作模式為實(shí)時(shí)采集圖像、離線識(shí)別分類及最后的人工對(duì)缺陷進(jìn)行確認(rèn)。我國于2006年陸續(xù)引進(jìn)國外軌道表面特征巡檢系統(tǒng)，在高速鐵路快速發(fā)展且軌道養(yǎng)護(hù)需求急劇增加的環(huán)境下，國內(nèi)的科研單位和高校開始探索國產(chǎn)檢測(cè)系統(tǒng)的研制，并取得了一些成果。如高速車載式軌道圖像巡視系統(tǒng)[4]、車載智能軌道巡檢系統(tǒng)[5]、車載軌道巡檢系統(tǒng)[6]以及扣件檢測(cè)系統(tǒng)[7]等，該類系統(tǒng)受強(qiáng)日光影響或受軌道某部件的遮擋，會(huì)導(dǎo)致采集圖像存在陰影，不利于后續(xù)的圖像分析識(shí)別。

近年來，三維激光檢測(cè)技術(shù)發(fā)展較快，該技術(shù)利用激光作為光源，根據(jù)三角測(cè)量原理，用高頻相機(jī)采集整個(gè)檢測(cè)部位的三維圖像，該技術(shù)可避免普通光源檢測(cè)面臨的陰影問題。加拿大Pavemetrics公司研制了鐵路激光檢測(cè)系統(tǒng)[8]，西班牙阿爾卡拉大學(xué)研究了基于激光的三維圖像的鐵路扣件檢測(cè)系統(tǒng)[9]。三維激光檢測(cè)技術(shù)在其他領(lǐng)域，包括公路路面和機(jī)場(chǎng)道面的檢測(cè)已取得突破性進(jìn)展，關(guān)于三維圖像識(shí)別算法的研究也取得了諸多成果，可為軌道結(jié)構(gòu)表面?zhèn)麚p三維檢測(cè)技術(shù)的發(fā)展提供借鑒。

目前，國內(nèi)外應(yīng)用圖像處理識(shí)別算法在無砟軌道表面特征識(shí)別領(lǐng)域的研究成果較少。文獻(xiàn)[10]以BP神經(jīng)網(wǎng)絡(luò)作為識(shí)別分類器，應(yīng)用不同的特征識(shí)別算法對(duì)軌道板、鋼軌裂紋等進(jìn)行識(shí)別。文獻(xiàn)[11]利用室內(nèi)試驗(yàn)條件完成軌道自動(dòng)檢測(cè)系統(tǒng)的研制，相繼提出了利用小波變換單級(jí)分解法和小波變換多級(jí)法提取鋼軌表面缺陷的算法。王堯[12]提出了基于圖像代數(shù)的圖像處理算法和硬件實(shí)現(xiàn)技術(shù)，展示了硬件的仿真結(jié)果和圖像處理的結(jié)果。文獻(xiàn)[13]利用高速掃描相機(jī)采集到的鐵路數(shù)字圖像信息，針對(duì)不同的扣件圖像特征研究出檢測(cè)扣件缺失的算法。關(guān)于三維圖像識(shí)別算法概括起來有神經(jīng)網(wǎng)絡(luò)法[14]、紋理分析法[15]、模糊集法[14]以及形態(tài)學(xué)法[16]等。Kelvin等[17-18]基于三維圖像數(shù)據(jù)，針對(duì)采集到的路面裂縫病害圖像進(jìn)行識(shí)別與分類算法研究取得了較好的裂縫識(shí)別效果，并提出了三維裂縫的重構(gòu)算法。

有效、快速的識(shí)別算法是實(shí)現(xiàn)智能識(shí)別系統(tǒng)功能的基礎(chǔ)與前提，然而當(dāng)前的識(shí)別算法識(shí)別率仍然未能達(dá)到理想的精度。對(duì)文獻(xiàn)[17-18]已有研究成果的進(jìn)一步提升，本文采用三維光影模型，對(duì)高速鐵路軌道板表面裂縫的高精度自動(dòng)識(shí)別進(jìn)行研究，結(jié)合試驗(yàn)測(cè)試數(shù)據(jù)，對(duì)算法進(jìn)行了準(zhǔn)確性驗(yàn)證。

1 基于三維光影模型的自動(dòng)識(shí)別算法

本文采用文獻(xiàn)[17-18]研究提出的三維光影模型分析方法，該算法基于投射光源為無窮遠(yuǎn)、不考慮漫射、反射及折射等基本假定，裂縫區(qū)域內(nèi)的三維高度理論上低于周邊的高度等基本原理，通過光線投影形成陰影，從而對(duì)陰影區(qū)域進(jìn)行形態(tài)分析，來達(dá)到表面裂縫識(shí)別的目的。在雙向投影下，坡面無法形成陰影區(qū)，僅凹槽能形成陰影區(qū)，見圖1。

采用縱橫向雙向投影，將原始的表面裂縫三維圖像轉(zhuǎn)換為二進(jìn)制圖。經(jīng)過雙投影后，對(duì)兩個(gè)方向的投影圖進(jìn)行疊加，從而可以得到整合的陰影圖。

( 1 )

2 裂縫提取與噪聲處理法

本文采用文獻(xiàn)中所述的方法來進(jìn)行連通域分析[19]。首先對(duì)該陰影群采用線性形態(tài)分析，從而實(shí)現(xiàn)判斷某是否屬于裂縫區(qū)域。認(rèn)為裂縫是以長線性的形態(tài)出現(xiàn)，裂縫的寬度較為均勻，認(rèn)為裂縫的走向較為統(tǒng)一。針對(duì)裂縫的固有三大特征，可設(shè)三個(gè)指標(biāo)，分別反映各個(gè)陰影群在線形、寬度分布及走向上的得分[20]。

首先，基于基本假定認(rèn)為陰影群是長線性的形態(tài)，通過設(shè)定長寬比實(shí)現(xiàn)判別。本文中設(shè)定的長寬比認(rèn)為，如果不滿足式( 2 )要求的陰影區(qū)，都將被認(rèn)為是噪聲進(jìn)行刪除[20]。

( 2 )

基于裂縫的寬度較為均勻，對(duì)相鄰剖面的寬度進(jìn)行對(duì)比分析，如平均剖面寬度差異較大，且不滿足式( 3 )要求的將被視為噪聲進(jìn)行刪除[20]。

( 3 )

式中：Ρi為平均剖面寬度的差異率；Ni為剖面的總數(shù)；Wi,j為剖面寬度；Rp為閾值，取Rp=1.0。

在陰影群的某一剖面，以下式計(jì)算該陰影群的平均走向差異值，即[20]

Vi,j=Pti,j-Pti,j-1

( 4 )

( 5 )

( 6 )

同理，如陰影群不滿足下式要求，則將其刪除[20]。

Τi≤Ri

( 7 )

在本文中，線形得分按下式進(jìn)行計(jì)算為[20]

( 8 )

在陰影群的某一剖面，若兩走向夾角超過某一值時(shí)，則該剖面會(huì)被記錄為走向異樣剖面，陰影群的加權(quán)綜合得分為[20]

Fi=α1Si,1+α2Si,2+α3Si,3

( 9 )

式中：Fi為陰影群的加權(quán)綜合得分；α1、α2、α3為加權(quán)系數(shù)，α1=α2=α3=1/3；Si,2、Si,3為不同方向陰影群的線形得分。

在本文中，若陰影群的加權(quán)綜合得分小于最低綜合得分Fmin=80，則該陰影群會(huì)被認(rèn)為是噪聲，進(jìn)而被刪除。最后，當(dāng)某陰影群同時(shí)滿足：長度小于25 mm、周邊無其他大的陰影群，就會(huì)被刪除[20]，見圖2。

3 高速鐵路軌道結(jié)構(gòu)傷損檢測(cè)平臺(tái)

基于激光三維成像的原理，采用高性能CMOS相機(jī)與高穩(wěn)定性激光發(fā)射器組成的激光-相機(jī)組件，作為高速鐵路無砟軌道表面病害檢測(cè)系統(tǒng)的硬件組成。針對(duì)無砟軌道表面信息復(fù)雜、多樣等特性，集成了7套激光-相機(jī)組件協(xié)同收集軌道表面3D數(shù)據(jù)。研究了GPS定位系統(tǒng)、距離測(cè)量儀、IMU、行車記錄攝像機(jī)等元器件的工作機(jī)理與集成機(jī)制的研究，使各個(gè)元器件能夠在系統(tǒng)控制電腦和控制機(jī)箱的操作下完成數(shù)據(jù)的發(fā)生、傳輸、交換與存儲(chǔ)，最終實(shí)現(xiàn)了高速鐵路無砟軌道表面?zhèn)麚p檢測(cè)系統(tǒng)的硬件集成與實(shí)時(shí)數(shù)據(jù)采集處理。

基于多線程計(jì)算機(jī)GPU并行數(shù)據(jù)處理技術(shù)，研究了高性能計(jì)算機(jī)并行處理算法與人機(jī)交互式識(shí)別算法，并將其應(yīng)用于無砟軌道表面三維云點(diǎn)大數(shù)據(jù)的收集與病害識(shí)別分析過程中，實(shí)現(xiàn)了計(jì)算速度的優(yōu)化，極大地提高了系統(tǒng)運(yùn)行效率及數(shù)據(jù)處理的可靠性與穩(wěn)定性。

采用課題組研發(fā)的三維激光檢測(cè)平臺(tái)，在室內(nèi)低速下采集軌道結(jié)構(gòu)表面的傷損特征。系統(tǒng)采用綠色線激光技術(shù)，基于研發(fā)的控制與集成采集系統(tǒng)，在系統(tǒng)精確定位及檢測(cè)精度標(biāo)定的基礎(chǔ)上，啟動(dòng)檢測(cè)平臺(tái)對(duì)下部軌道結(jié)構(gòu)進(jìn)行全斷面覆蓋的軌道板結(jié)構(gòu)表面?zhèn)麚p檢測(cè)。檢測(cè)覆蓋寬度大于2.5 m，儀器高度1.7 m，激光發(fā)射角度75°。采用課題組自主編制研發(fā)的三維數(shù)據(jù)收集軟件進(jìn)行實(shí)時(shí)三維數(shù)據(jù)的收集，由于室內(nèi)條件的限制且考慮到人員安全，在室內(nèi)25 m長的1∶1實(shí)尺高速鐵路軌道結(jié)構(gòu)模型線上，檢測(cè)設(shè)備采集速度控制在5～10 km/h。此處數(shù)據(jù)采集重點(diǎn)針對(duì)軌道板中間部位(兩側(cè)承軌臺(tái)之間)，進(jìn)行數(shù)據(jù)的收集和裂縫檢測(cè)分析。集成的高速鐵路軌道結(jié)構(gòu)表面?zhèn)麚p檢測(cè)數(shù)據(jù)采集平臺(tái)見圖3。

4 典型軌道板裂縫識(shí)別案例分析

基于三維光影理論模型基本原理與方法，本文采用課題組自主研發(fā)的智能分析程序開展研究。基于本文的三維光影模型三維圖像裂縫識(shí)別算法，采用Visual Studio平臺(tái)研發(fā)成功，加入人機(jī)交互優(yōu)化算法，可實(shí)現(xiàn)對(duì)軌道板表面裂縫的快速智能識(shí)別。軌道結(jié)構(gòu)三維數(shù)據(jù)重構(gòu)圖見圖4。

根據(jù)以上采集數(shù)據(jù)庫，對(duì)軌道板全線開展裂縫的自動(dòng)識(shí)別與裂縫參數(shù)的自動(dòng)提取，通過軟件的系統(tǒng)查找，可快速實(shí)現(xiàn)對(duì)室內(nèi)構(gòu)建裂縫的快速識(shí)別，在高速鐵路軌道結(jié)構(gòu)室內(nèi)模型試驗(yàn)中，所獲軌道板裂縫(橫向裂縫1#、斜向裂縫2#)分析結(jié)果見圖5，軟件中可自動(dòng)將裂縫查找結(jié)果用紅線標(biāo)示出來，通過三維數(shù)據(jù)的采集和分析，本系統(tǒng)能成功實(shí)現(xiàn)對(duì)所造兩條典型軌道板裂縫的全部收集，可實(shí)現(xiàn)100%快速的智能裂縫識(shí)別。再進(jìn)一步對(duì)所測(cè)裂縫數(shù)據(jù)的分析，測(cè)試獲得的裂縫數(shù)據(jù)見表1。由表1可知，在成功實(shí)現(xiàn)對(duì)裂縫的快速識(shí)別基礎(chǔ)上，裂縫參數(shù)的試驗(yàn)測(cè)試結(jié)果與人工采用游標(biāo)卡尺和直尺精確測(cè)試結(jié)果的比值具有較好的相關(guān)性，對(duì)于兩條裂縫最大寬度的識(shí)別結(jié)果分別為3.0、3.4 mm，相比人工精確測(cè)試結(jié)果的相對(duì)誤差為6.25%、9.68%，裂縫長度的測(cè)試識(shí)別相對(duì)誤差為1.39%、2.92%，平均深度的測(cè)試識(shí)別相對(duì)誤差為15.69%、13.04%。

表1 測(cè)試結(jié)果對(duì)比分析

裂縫參數(shù)裂縫編號(hào)人工測(cè)試/mm試驗(yàn)/mm相對(duì)誤差/%最大寬度1#3.23.06.252#3.13.49.68長度1#7908011.392#8558302.92平均深度1#5.14.315.692#4.64.013.04

5 結(jié)論

本文針對(duì)高速鐵路軌道結(jié)構(gòu)的表面裂縫，基于三維光影模型算法，通過開發(fā)智能程序開展對(duì)裂縫的自動(dòng)識(shí)別研究。通過本文的研究，得出以下研究結(jié)論：

(1) 基于三維圖像技術(shù)，采用雙向投影后，將原始三維圖像轉(zhuǎn)換的二進(jìn)制圖，分別對(duì)陰影與非陰影區(qū)進(jìn)行標(biāo)記計(jì)算，建立了基于三維光影模型的軌道結(jié)構(gòu)表面裂縫的三維圖像識(shí)別算法。

(2) 針對(duì)軌道結(jié)構(gòu)的表面裂縫，采用連通域法、線性形態(tài)法，對(duì)圖像噪聲進(jìn)行消除，從而提高軌道結(jié)構(gòu)表面裂縫的識(shí)別準(zhǔn)確率。

(3) 室內(nèi)模型試驗(yàn)結(jié)果表明，采用本文所提出的裂縫識(shí)別算法可實(shí)現(xiàn)高準(zhǔn)確率的自動(dòng)裂縫識(shí)別。與人工測(cè)量的對(duì)比結(jié)果表明，軌道板裂縫最大寬度的識(shí)別結(jié)果相對(duì)誤差為6.25%、9.68%，裂縫長度的測(cè)試識(shí)別相對(duì)誤差為1.39%、2.92%，平均深度的測(cè)試識(shí)別相對(duì)誤差為15.69%、13.04%。