基于改進(jìn)二維卷積濾波技術(shù)的軌道傷損檢測(cè)方法*

賈 強(qiáng) 韓 峰

(蘭州交通大學(xué)土木工程學(xué)院，730070，蘭州∥第一作者，碩士研究生)

鋼軌頂面或軌端剝離掉塊、鋼軌頭部磨耗等軌道傷損將直接影響列車行駛的安全性。如何快速、準(zhǔn)確地識(shí)別軌道結(jié)構(gòu)傷損及具體位置，對(duì)相關(guān)部門日常檢查維修非常重要[1]。軌道結(jié)構(gòu)傷損檢測(cè)常需對(duì)圖像邊緣灰度進(jìn)行量化，其在微積分里相當(dāng)于連續(xù)函數(shù)中離散數(shù)列或方向?qū)?shù)的差分。文獻(xiàn)[2]首次提出了多級(jí)邊緣檢測(cè)算法；文獻(xiàn)[3]引進(jìn)了引導(dǎo)濾波對(duì)圖像進(jìn)行平滑及大律法求閾值；文獻(xiàn)[4]將各種尺度的Retinex算法與表面檢測(cè)系統(tǒng)相結(jié)合，提出了圖像增強(qiáng)預(yù)處理方法。但目前仍未有涉及根據(jù)邊緣檢測(cè)線形變化來識(shí)別軌道結(jié)構(gòu)傷損的算法。

本文對(duì)采集的軌道圖像進(jìn)行預(yù)處理，使用改進(jìn)卷積進(jìn)行圖像濾波，將處理結(jié)果與高斯卷積進(jìn)行對(duì)比，并結(jié)合邊緣檢測(cè)，進(jìn)而判斷軌道傷損情況。

1 軌道圖像的采集與預(yù)處理

本研究以某即將運(yùn)營(yíng)線路及既有貨運(yùn)專用線為研究對(duì)象，在輔助光源條件下采集曲線段軌道結(jié)構(gòu)部分圖像。圖像采集采用高清線陣攝像機(jī)，其有效像素可以達(dá)到1.2億像素。

采集圖像后，將曲線段單張照片的邊緣近似等效為直線線形。每幅照片均存在一定的噪聲，故需獲取圖像直方圖，并采用濾波技術(shù)進(jìn)行圖像預(yù)處理，以實(shí)現(xiàn)噪聲抑制或去除。

1.1 圖像灰度直方圖及均衡化處理

直方圖在統(tǒng)計(jì)學(xué)中是一種二維統(tǒng)計(jì)圖表，是對(duì)數(shù)據(jù)分布情況的圖形表示。直方圖的2個(gè)坐標(biāo)分別為灰度級(jí)和該灰度級(jí)對(duì)應(yīng)出現(xiàn)的次數(shù)。對(duì)選定既有貨運(yùn)專用線部分曲線段獲取照片，使用OpenCV3軟件對(duì)采集圖像進(jìn)行預(yù)處理，計(jì)算RGB(紅、綠、蘭)色彩模式直方圖，如圖1所示。

a)原圖

由于圖像的像素灰度變化是隨機(jī)的，故得到對(duì)應(yīng)的一維直方圖圖形高低不齊。因此需要直方圖均衡化。在OpenCV3軟件中可采用均衡化處理使直方圖大致平和。均衡化前后的圖像如圖2所示。

對(duì)比圖2中的原圖與灰度圖可知，均衡化的過程使得灰度調(diào)和，對(duì)比度有一定程度的降低。由直方圖的細(xì)部圖比較可以看出，均衡化后的直方圖縱向高低得到部分調(diào)整，有效地利用了灰度值區(qū)間，使得圖像的表現(xiàn)力更加出色。

a)原圖

1.2 圖像的平滑處理

平滑處理主要通過濾波技術(shù)來降低圖像上存在的失真及一系列噪點(diǎn)。常規(guī)卷積濾波以鄰域?yàn)V波(卷積)作為鄰域算子，用不同的權(quán)重結(jié)合1個(gè)小鄰域內(nèi)的像素，對(duì)輸入像素進(jìn)行加權(quán)求和處理，從而得到對(duì)應(yīng)圖像的像素輸出值。如圖3所示，將卷積核中的元素按照先行后列的順序與原圖像矩陣進(jìn)行相乘后求和，即得到卷積結(jié)果。具體表現(xiàn)為左側(cè)圖像與中間圖像卷積產(chǎn)生右側(cè)圖像。但與原圖尺寸相比，卷積計(jì)算得到的矩陣尺寸要么偏大，要么偏小。

圖3 常規(guī)鄰域?yàn)V波(卷積)

1.2.1 改進(jìn)卷積濾波技術(shù)

本文提出一種改進(jìn)卷積濾波技術(shù)，通過矩陣行列式變化，對(duì)原圖像矩陣邊緣未處理元素進(jìn)行卷積處理。

1)在矩陣FM1×M2、HM1×M2的上側(cè)與左側(cè)填充0元素，將其尺寸增加至M×N，新矩陣命名為F1與H1，簡(jiǎn)略表達(dá)為：

F1(m,n)=

H1(m,n)=

(1)

其中，0≤m≤M1+M2-1，0≤n

2)對(duì)F1按行堆疊，重新構(gòu)造出1個(gè)1×(M*N)的行向量F1，s。具體指：將F1的第2行堆疊在第1行后，依次將其他行排列在后面。

3)對(duì)H1的每一行進(jìn)行構(gòu)造，得到1個(gè)N×N的循環(huán)矩陣。循環(huán)矩陣作為“單位塊矩陣”來構(gòu)造循環(huán)塊矩陣，其簡(jiǎn)要表達(dá)為：

Dm=

(2)

(3)

4)對(duì)循環(huán)塊矩陣D((M*N)×(M*N))與行向量F1，s進(jìn)行二維卷積，矩陣形式為G=F1，s·D；得到的結(jié)果為1×(M*N)的行向量，將其重新排列成M×N的矩陣Gr。

5)對(duì)Gr采用行列式變換處理，處理原則為“左行右列”得到最終改進(jìn)卷積圖像處理矩陣g：

(4)

選取矩陣F、H位置數(shù)據(jù)為例，構(gòu)造計(jì)算矩陣，可得到圖4所示的改進(jìn)卷積。

圖4 改進(jìn)卷積示例

1.2.2 圖像處理效果

為分析改進(jìn)卷積濾波技術(shù)的圖像處理效果，本文選取不同濾波方式進(jìn)行試驗(yàn)。本文高斯濾波試驗(yàn)采用二維高斯濾波函數(shù)，處理過程為：首先，選取權(quán)值；然后，對(duì)圖像中每個(gè)像素點(diǎn)和其鄰域內(nèi)其他像素點(diǎn)的值進(jìn)行加權(quán)平均計(jì)算，從而得到該像素點(diǎn)的像素值。

當(dāng)對(duì)鋼軌圖像進(jìn)行改進(jìn)卷積濾波與高斯濾波處理時(shí)，均可在由OpenCV3軟件編程所得的線性濾波過程中對(duì)內(nèi)核值大小進(jìn)行調(diào)整，從而得到去噪結(jié)果。試驗(yàn)結(jié)果如表1所示。

表1 不同濾波方式的試驗(yàn)結(jié)果

由表1可見，對(duì)于均值濾波與高斯濾波來說，當(dāng)內(nèi)核值固定(可以隨內(nèi)核值進(jìn)度條進(jìn)行調(diào)整)時(shí)，在去除軌道外側(cè)碎部噪聲的同時(shí)，也對(duì)圖像細(xì)節(jié)部分有較大的影響；文獻(xiàn)[4]的平滑方法有較好的細(xì)部處理結(jié)果，但圖像邊緣位置信息丟失較為嚴(yán)重；本文提出的改進(jìn)卷積濾波處理方法不僅能較好地保留圖像邊緣信息，還能較好地完成圖像濾波處理。由表1的處理時(shí)間與清晰度對(duì)比可見，改進(jìn)卷積濾波處理方法減少了矩陣轉(zhuǎn)置過程，提高了處理速率，保留了圖像邊緣信息，提高了圖像清晰度。

2 改進(jìn)邊緣檢測(cè)方法

2.1 閾值分割

閾值分割的目的是從1幅圖像中分割出試驗(yàn)所需要的圖像?；趫D像與背景之間的灰度差異，通過像素級(jí)分割來確定像素間的大小關(guān)系，并根據(jù)每個(gè)元素的值與閾值的比較結(jié)果來進(jìn)行圖像處理，進(jìn)而分割所需圖像。

自適應(yīng)閾值操作的閾值分割效果較好。當(dāng)其閾值采用二值化操作時(shí)，元素值如大于閾值則取元素值的最大值，如小于閾值則取0；當(dāng)其閾值采用二值化翻轉(zhuǎn)操作時(shí)，元素值如大于閾值則取0，如小于閾值則取元素值的最大值。

2.2 改進(jìn)邊緣檢測(cè)方法

邊緣檢測(cè)過程包括對(duì)圖像的濾波、增強(qiáng)及檢測(cè)。本文采用的改進(jìn)邊緣檢測(cè)算法將線形變化與邊緣檢測(cè)相結(jié)合。具體檢測(cè)方法的主要過程如下：

1)獲取原始圖像，并調(diào)入算法運(yùn)行下的文件。

2)對(duì)調(diào)入的處理圖像進(jìn)行直方圖均衡化處理，并輸出處理后的效果圖，用于下一步邊緣檢測(cè)。

3)采用改進(jìn)二維卷積濾波進(jìn)行圖像平滑，得到圖像增強(qiáng)效果；同時(shí)，利用自適應(yīng)閾值分割來確定閾值范圍。

4)獲取圖像邊緣線，利用鋼軌外側(cè)邊緣直線形特點(diǎn)，以及扣件彈條特有“ω”線形進(jìn)行判別分析，在分離出扣件結(jié)構(gòu)的同時(shí)識(shí)別鋼軌，并對(duì)鋼軌表面進(jìn)行線形判別：若存在直線線形突變，則判定鋼軌表面存在部分傷損情況；若否，則輸出邊緣檢測(cè)圖像。

3 圖像分離及試驗(yàn)驗(yàn)證

本文選取某線路，采集鋼軌接頭與曲線段部分照片進(jìn)行圖像處理，并對(duì)鋼軌接頭(將接頭軌縫視為大裂縫狀態(tài))進(jìn)行圖像邊緣檢測(cè)處理，進(jìn)而識(shí)別彈條扣件并分離其結(jié)構(gòu)。

選取接頭相關(guān)照片進(jìn)行邊界識(shí)別，同時(shí)根據(jù)彈條扣件特有的“ω”線形分離出扣件結(jié)構(gòu)，如圖5所示。

由圖5可見，對(duì)于道岔區(qū)域軌道，采用改進(jìn)邊緣檢測(cè)方法可得出線形變化，并將接頭處線形簡(jiǎn)化為大裂縫檢測(cè)處理，進(jìn)而可明顯地識(shí)別出接頭的具體位置。同理，此改進(jìn)邊緣檢測(cè)方法還可對(duì)鋼軌軌縫進(jìn)行識(shí)別處理。

a)原圖

對(duì)比圖5 c)與圖5 d)可知，與sobel邊緣檢測(cè)結(jié)果相比，改進(jìn)邊緣檢測(cè)識(shí)別得到的彈條扣件線形結(jié)果更好，可明顯地分離并確定扣件位置。

選取鋼軌接頭、扣件及曲線段鋼軌的照片進(jìn)行邊緣檢測(cè)，識(shí)別其傷損類別及位置。檢測(cè)結(jié)果如表2所示。由表2可知：與Canny邊緣檢測(cè)法[6]相比，改進(jìn)邊緣檢測(cè)法得到的細(xì)部結(jié)構(gòu)篩選效果更好、清晰度更高，線形更加明顯；在改進(jìn)邊緣檢測(cè)結(jié)果中，曲線段鋼軌外側(cè)邊緣直線型相對(duì)突出，內(nèi)側(cè)有明顯的線型急劇突變，可明確判定鋼軌表面有掉塊現(xiàn)象；改進(jìn)邊緣檢測(cè)法根據(jù)大裂縫特征及“ω”線形特征，可有效識(shí)別鋼軌接頭及扣件。

表2 不同檢測(cè)方法的傷損邊緣檢測(cè)結(jié)果

此外，在測(cè)試試驗(yàn)中，采用Sobel算子邊緣檢測(cè)法時(shí)的檢測(cè)時(shí)間需要842 ms，采用Canny邊緣檢測(cè)法時(shí)的檢測(cè)時(shí)間需要804 ms，采用改進(jìn)邊緣檢測(cè)法則僅需要768 ms?？梢?，改進(jìn)邊緣檢測(cè)法能縮短檢測(cè)時(shí)間，提高檢測(cè)速率。

4 結(jié)語(yǔ)

相對(duì)傳統(tǒng)濾波處理方法，本文提出了改進(jìn)二維卷積圖像濾波方法其檢測(cè)速度更高，清晰度更好，結(jié)合邊緣檢測(cè)及線形變化，可識(shí)別具體鋼軌接頭，分離出扣件結(jié)構(gòu)并識(shí)別鋼軌傷損，因此可應(yīng)用于軌道日常養(yǎng)護(hù)維修。但該方法對(duì)于相片采集像素要求較高，內(nèi)業(yè)處理需高配置設(shè)備。