基于機器視覺的鋼軌表面損傷檢測研究

曾樹華 黃銀秀

摘要：目的：為探尋鋼軌表面?zhèn)麚p機器視覺檢測有效方法，驗證經典的5種邊緣檢測算法在鋼軌表面損傷檢測;方法：利用采集的帶扎傷鋼軌圖片，在MATLAB2016版本進行檢測實驗;結果：log檢測法、Canny檢測法存在錯檢，roberts檢測法、prewitt檢測法、sobe檢測法錯在漏檢;結論：經典的5種邊緣檢測算法在鋼軌表面損傷檢測無法達到工業(yè)級效果。

關鍵詞：機器視覺;邊緣檢測算法;鋼軌表面損傷

*基金支持：湖南省教育廳資助科研項目（19C1214）

鋼軌是軌道交通之基石，健康鋼軌是軌道交通安全之基石，然而，鐵路運輸高頻、重載現象造成鋼軌病害進程加速，及時發(fā)現鋼軌表、里傷損成為軌道交通運輸企業(yè)的安全重負：機器檢存在表面?zhèn)麚p檢測盲區(qū)，高度依賴人工檢的現狀造成漏檢、錯檢頻發(fā)，故高效自動探傷技術一直是鐵路探傷工的追求。

目前鋼軌探傷技術層出不窮，就技術流派來看有超聲波探傷、渦流探傷、射線探傷、激光探傷、磁粉探傷等。超聲波探傷是目前應用最廣的一種鋼軌探傷技術，它利用探頭發(fā)射超聲波，聲束在介質傳輸過程中遇到缺陷界面，將產生反射或使穿透波聲能下降，探傷儀接收端接收到回波和穿透波，根據回波信號和穿透波信號強弱變化判斷缺陷。但在近表面，超聲波存在準確度很低、形成近表面探測盲區(qū)的情況，故一般不用于鋼軌表面探傷情況。渦流探傷是利用通電線圈產生交變磁場，磁場將以鋼軌為導磁體，在鋼軌內部形成渦流，當存在缺陷時會引起渦流變化，進而導致檢測線圈電壓和阻抗的改變，從而判斷缺陷的存在及其他信息，渦流探傷在單缺陷情況下檢測精度較高，但在鄰近存在多缺陷情況下容易出現誤判和漏判。磁粉探傷技術是將鋼軌磁化，利用鋼軌缺陷處磁導率與正常處磁導率存在差異，吸引磁粉堆積也存在差異，再目測堆積磁粉的差異判斷是否存在傷損，其最終還是依賴人工目測，故只作為鋼軌檢測的輔助技術。

1機器視覺邊緣檢測技術

相對上述技術，機器視覺出現更晚，但隨著各種人工智能快速發(fā)展，各種算法不斷出現，精度得到大幅提高。在傷損檢測中，準確識別缺陷邊緣是最核心之處，常用的邊緣檢測技術有Roberts算子、Prewitt算子、Sobel算子、Canny和其他一些邊緣自適應算法。Roberts算子是利用交叉微分算法，通過計算2X2模版上正負45°的一階導數得到偏導數，再通過局部差分數值確定檢測邊緣。該方法計算簡單，但對邊緣定位準確度不高，且邊緣線條較粗。Prewitt算子是在3×3模版上，利用區(qū)域內上下、左右鄰點的像素灰度差實現邊緣檢測。由于Prewitt算子采用上下、左右鄰點的像素灰度差而非45O交叉計算偏導數，再取一定閾值定位邊緣，故在垂直方向和水平方向效果優(yōu)于Robert算子，并有一定平滑噪聲效果。Sobel算子與Prewitt算子一樣，采用的是3×3模版，利用區(qū)域內上下、左右鄰點的像素灰度差實現邊緣檢測。但與Prewitt算子不同的是，Sobel算子區(qū)分了距離不同的像素點對當前像素點的影響因子，引入不同權重，簡單來說，距離越近，權重越大，距離越遠，權重越小，從而實現圖像銳化，邊緣檢測效果好。log邊緣檢測算法，Laplacian算子是n維歐幾里德空間中的一個二階微分算子，中心像素往鄰近的上下左右四個方向或八方向求微分，再將微分值求和，Laplacian算子用于邊緣識別時優(yōu)點在于準確度高，幾乎無假邊緣，但抗噪能力差。Canny邊緣檢測與log邊緣檢測算法一樣的步驟：先平滑，后求導數。先是對圖像進行預處理，采用高斯平滑濾波，接著計算梯度幅值和方向，對梯度幅值進行非極大抑制，剔除假邊緣;最后采用高低兩閾值尋求邊緣連接點，閉合圖像邊緣。

2鋼軌表面損傷邊緣檢測比較實驗

為驗證上述5種邊緣檢測技術在鋼軌表面?zhèn)麚p的檢測效果，本文做了對比實驗，實驗原始圖片來自自拍的一段鋼軌，鋼軌表面帶砸傷，圖1（a）是灰度化后的原始圖片，分別編寫canny算子邊緣檢測程序、log邊緣檢測程序、sobel邊緣檢測程序、roberts邊緣檢測程序、prewitt邊緣檢測程序，在MATLAB2016環(huán)境下檢測鋼軌邊緣，分別得到圖1（b-f）。

圖中可見，對于（a）圖所示的鋼軌表面?zhèn)麚p，檢測效果最好的是log算子檢測方法，但還是有很多背景被檢測成邊緣，且整塊扎傷被檢成蜂窩狀傷損。Canny算子檢測法出現大類假邊緣，其他三種roberts、prewitt、sobel只檢測出傷損最突出處，其他都被漏檢，大幅改變傷損形狀，降低傷損損壞程度。

3結束語

本文在介紹了鋼軌探傷技術現狀的基礎上，針對鋼軌表面?zhèn)麚p機器檢這一技術難題，采用機器視覺的五種傳統(tǒng)邊緣檢測技術檢測表面?zhèn)麚p，得到如下結論：鋼軌表面?zhèn)麚p形態(tài)多樣，圖片采集時背景復雜，利用傳統(tǒng)的邊緣檢測方法檢測傷損總體上都存在錯檢漏檢，難以達到工業(yè)級需求，需進一步改進算法。

參考文獻：

[1]田貴云，高斌，高運來，等.鐵路鋼軌缺陷傷損巡檢與監(jiān)測技術綜述[J].儀器儀表學報，2016，37（8）：1763-1780.

[2]管宏蕊，丁輝.圖像邊緣檢測經典算法研究綜述[J].首都師范大學學報（自然科學版），2009，30（S1）：66-69.

[3]劉澤，王嵬，王平.鋼軌表面缺陷檢測機器視覺系統(tǒng)的設計[J].電子測量與儀器學報，2010，24（11）：1012-1017.

[4]付圣雯.基于圖像的鋼軌軌面缺陷檢測識別技術研究[D].蘭州：蘭州交通大學，2020.

[5]龍珍，唐曼玲，李靜靜.基于機器視覺的鋼軌缺陷檢測方法綜述[J].電子技術與軟件工程，2015（12）：133.

[6]王平，劉澤，王嵬，等.基于數字圖像處理和特征提取的鋼軌表面缺陷識別方法[J].現代科學儀器，2012（2）：24-28.

作者簡介：通信作者：曾樹華（1980—），男，湖南衡陽人，副教授，碩士，主要領域鋼軌探傷、圖像識別。

黃銀秀（1980—），女，湖南株洲人，副教授，碩士，職業(yè)教育研究。