基于機(jī)器視覺的鋼軌光帶檢測方法

張博 劉秀波

中國鐵道科學(xué)研究院集團(tuán)有限公司基礎(chǔ)設(shè)施檢測研究所，北京 100081

列車行駛在軌道上，由于車輪輪緣在鋼軌軌面上的碾壓以及輪緣與鋼軌的相互摩擦作用，會(huì)在鋼軌表面形成沿著列車運(yùn)行方向延伸的亮痕，稱為鋼軌光帶［1］。正常的輪軌作用會(huì)在鋼軌表面產(chǎn)生寬度均勻的光帶，而當(dāng)輪軌間作用力或作用位置異常時(shí)，光帶的寬度和位置發(fā)生改變。因此，光帶的狀態(tài)可以反映輪軌相互作用關(guān)系，而輪軌關(guān)系對列車運(yùn)行的安全性和舒適性有著重要影響。

傳統(tǒng)的光帶檢測采用人工巡檢的方式，利用刻度尺在鋼軌上進(jìn)行測量。該方法人工成本高，檢測速度慢，數(shù)據(jù)保存缺乏系統(tǒng)性。文獻(xiàn)［2］提出使用激光位移傳感器，在鋼軌光帶異常波動(dòng)區(qū)段布置測點(diǎn)測量輪對動(dòng)態(tài)橫向位移，進(jìn)而分析光帶異常原因。但是該方法只能針對特定區(qū)段安裝設(shè)備進(jìn)行布點(diǎn)測量，不能實(shí)現(xiàn)自動(dòng)、快速的光帶檢測。

隨著圖像處理和計(jì)算機(jī)技術(shù)的快速發(fā)展，基于機(jī)器視覺的檢測技術(shù)已經(jīng)運(yùn)用到了軌道狀態(tài)檢測中，利用采集的圖像對扣件缺失、鋼軌表面?zhèn)麚p等進(jìn)行識別［3-6］，但對鋼軌光帶檢測的關(guān)注較少。文獻(xiàn)［7］中的軌道狀態(tài)巡檢系統(tǒng)通過安裝在車輛底部的相機(jī)成像系統(tǒng)在車輛行進(jìn)時(shí)采集軌道圖像，然后采用圖像識別技術(shù)分析扣件缺失、鋼軌表面擦傷等缺陷。但是目前該系統(tǒng)檢測對象主要是包括軌枕、扣件和鋼軌在內(nèi)的整個(gè)軌道表面，并沒有針對鋼軌光帶的檢測。文獻(xiàn)［8］設(shè)計(jì)了算法，根據(jù)灰度特征識別光帶在鋼軌表面的位置。但是該算法在定位光帶時(shí)需要先確定光帶存在的大致區(qū)域，再在該區(qū)域內(nèi)尋找光帶的準(zhǔn)確位置，計(jì)算較為復(fù)雜；此外，該算法為了識別光帶需要設(shè)定低灰度閾值，再利用閾值比較的方法確定所述鋼軌圖像中的光帶圖像，在受到光照等客觀環(huán)境的影響導(dǎo)致獲取的鋼軌圖像中光帶區(qū)域和非光帶區(qū)域?qū)Ρ榷冉档偷那闆r下，光帶圖像識別的準(zhǔn)確性很難保證。

現(xiàn)場采集的圖片還包含非鋼軌區(qū)域。非鋼軌區(qū)域的圖像信息對后續(xù)的缺陷檢測會(huì)產(chǎn)生干擾，需要將鋼軌和非鋼軌區(qū)域區(qū)分開，提取出鋼軌的軌面區(qū)域［9］。水平投影法［10-12］是軌面區(qū)域定位的常用方法，其主要思想是繪制圖像列方向上的水平投影曲線，利用軌面區(qū)域和非鋼軌區(qū)域的亮度差異將軌面區(qū)域分割出來。但是文獻(xiàn)［13］指出，當(dāng)有強(qiáng)烈外界光源影響時(shí)采用水平投影法進(jìn)行軌面區(qū)域定位就會(huì)出現(xiàn)錯(cuò)誤，并提出了改進(jìn)的鋼軌定位算法。該算法首先計(jì)算軌道圖像每一列的灰度均值與灰度方差的比值并乘以1個(gè)位置權(quán)重，得到該列的特征值，然后搜索特征值之和最大的定長區(qū)間即為軌面區(qū)域。然而，該方法為了準(zhǔn)確提取軌面區(qū)域，需要預(yù)知軌道圖像中鋼軌所在縱向區(qū)域的位置并為該縱向區(qū)域的灰度設(shè)置較大的權(quán)重。當(dāng)采集的軌道圖像中鋼軌所在的位置發(fā)生變化時(shí)，需要重新計(jì)算軌道圖像中每一列的位置權(quán)重。

針對上述方法存在的不足，本文提出基于機(jī)器視覺的鋼軌光帶檢測方法。首先，設(shè)計(jì)基于軌道圖像頻域特征的軌面區(qū)域提取方法，對軌道圖像每一列做傅里葉變換，根據(jù)定義的占優(yōu)的頻率域采樣值來定位軌面區(qū)域。然后，在提取的軌面區(qū)域圖像上利用灰度變換突出光帶的邊緣，通過計(jì)算梯度識別出鋼軌光帶。

1 光帶檢測算法

1.1 算法流程

讀取采集到的單幅鋼軌圖像后，光帶檢測的算法流程如下。

1）軌面區(qū)域提?。焊鶕?jù)軌道圖像的頻域特征提取軌面區(qū)域。

2）圖像灰度變換：在軌面區(qū)域利用伽馬變換突出光帶的邊緣。

3）光帶檢測：基于梯度從軌面區(qū)域中逐行識別出光帶的邊界。

1.2 軌面區(qū)域提取

本文設(shè)計(jì)了基于軌道圖像頻域特征提取軌面區(qū)域的方法，包括2個(gè)步驟：首先對采集的軌道圖像每一列做傅里葉變換，然后根據(jù)定義的占優(yōu)的頻率域采樣值定位軌面區(qū)域。

1.2.1 軌道圖像的傅里葉變換

將單幅軌道圖像記作I，其寬度為W，高度為H。對圖像I的第x列做傅里葉變換，其傅里葉變換系數(shù)F x(m)為

式中：m為頻率域采樣值。

而后計(jì)算歸一化能量值EN()m，表達(dá)式［13］為

式中：E(m)為F x(m)的模；EN(m)∈[0，1]。

因?yàn)閷?shí)數(shù)序列的傅里葉變換的系數(shù)是對稱的，所以為了便于計(jì)算只考慮F x(m)的前半部分；同時(shí)支流分量E(0)等于平均灰度，受光照影響較大，因此在歸一化時(shí)并未考慮該分量。

將軌道圖像沿縱向劃分為不同區(qū)域，如圖1所示。其中，區(qū)域a為背景區(qū)域，區(qū)域b為擋肩所在區(qū)域，區(qū)域c為扣件所在區(qū)域，區(qū)域d為軌面區(qū)域。

圖1 軌道圖像

圖2、圖3展示了軌道圖像不同縱向區(qū)域中典型的列灰度曲線及對應(yīng)的能量譜曲線?？梢钥闯觯簠^(qū)域b和區(qū)域c的列灰度曲線存在周期性，其能量譜曲線在中低頻區(qū)間存在多處明顯峰值；區(qū)域a和區(qū)域d的列灰度曲線無明顯周期性，其能量譜曲線無明顯波峰。因此，用能量譜的波峰信息可以判定軌道圖像中不同縱向區(qū)域的位置。

圖2 軌道圖像不同縱向區(qū)域中典型的列灰度曲線

圖3 軌道圖像不同縱向區(qū)域中典型的能量譜曲線

1.2.2 軌面區(qū)域提取

為了提取軌面區(qū)域，定義軌道圖像第x列能量譜占優(yōu)的頻率域采樣值f x為

式中：Et為能量譜閾值。

觀察到能量譜曲線的大部分峰值都在0.03以上，因而取Et=0.03。

對手工標(biāo)注的880條區(qū)域a—區(qū)域d中的列灰度曲線計(jì)算能量譜的f x并進(jìn)行統(tǒng)計(jì)，結(jié)果見圖4?？芍涸趨^(qū)域a和區(qū)域d中，f x主要集中于低頻區(qū)間，絕大部分小于6；區(qū)域b中，f x絕大部分在17～28；區(qū)域c中，f x集中在6～33。

圖4 不同縱向區(qū)域中占優(yōu)的頻率域采樣值統(tǒng)計(jì)結(jié)果

進(jìn)而提出基于占優(yōu)的頻率域采樣值的軌面區(qū)域提取方法。對于軌道圖像I，首先計(jì)算每一列的f x。接著引入判定函數(shù)p(x)來判定鋼軌圖像的第x列是否在區(qū)域b或區(qū)域c中。p(x)表達(dá)式為

式中：f為頻率域采樣值限值。

由f x的分布可知，在區(qū)域a和區(qū)域d中f x絕大多數(shù)小于6，而在區(qū)域b和區(qū)域c中f x大于6，因而取f=6。組合所有使得判定函數(shù)p(x)=1的列參考位置，得到向量P，表達(dá)式為

式中：n為使p(x)=1的總列數(shù)。

搜索向量P中最長的兩個(gè)連續(xù)區(qū)間，即為軌面左側(cè)的區(qū)域b和區(qū)域c組成的縱向區(qū)域及軌面右側(cè)的區(qū)域b和區(qū)域c組成的縱向區(qū)域，這兩個(gè)縱向區(qū)域之間即為鋼軌軌面。

1.3 鋼軌光帶檢測

定位軌面區(qū)域后，將軌道圖像中的軌面區(qū)域提取出來，然后在提取的軌面區(qū)域圖像上進(jìn)行鋼軌光帶的檢測。軌面區(qū)域圖像中光帶部分較其他部分的灰度值高，通過搜索光帶區(qū)域和非光帶區(qū)域的邊界，就能定位出光帶的位置。

為了突出光帶區(qū)域的邊緣，首先對軌面區(qū)域進(jìn)行圖像灰度變換。采用伽馬變換將高光部分動(dòng)態(tài)范圍壓縮，使圖像整體變暗。針對一幅輸入圖像，伽馬變換的表達(dá)式為

式中：s為輸出圖像的像素；r為輸入圖像的像素，其取值范圍歸一化為[0，1]；γ為變換系數(shù)，取2。

灰度變換后，軌面區(qū)域圖像的光帶和非光帶區(qū)域的灰度值差異進(jìn)一步加大，形成更為銳利的光帶邊緣，從而能夠更加準(zhǔn)確地定位光帶位置。

在灰度變換后的軌面圖像上，計(jì)算圖像中每一點(diǎn)水平方向上的梯度差異。根據(jù)圖形邊緣處存在較大梯度這一特點(diǎn)，逐行尋找光帶邊緣，即可確定光帶位置。為此，引入兩個(gè)卷積核（圖5）。其中，卷積核1用來檢測由暗到亮的邊緣，卷積核2用來檢測由亮到暗的邊緣。將圖像中每一點(diǎn)分別與兩個(gè)卷積核卷積，得到對應(yīng)的水平方向梯度。圖像每一點(diǎn)與卷積核1卷積得到了該點(diǎn)由暗到亮方向的梯度，而光帶的左側(cè)邊緣為由暗到亮的邊緣，因此圖像每一行的卷積結(jié)果的最大值所在的點(diǎn)即為該行光帶左側(cè)邊緣位置。同理，光帶的右側(cè)邊緣為由亮到暗的邊緣，通過尋找每一行中圖像與卷積核2卷積結(jié)果的最大值，就可以確定光帶右側(cè)邊緣位置。

圖5 卷積核示意

2 測試試驗(yàn)

為了驗(yàn)證該光帶檢測方法的有效性，進(jìn)行了測試試驗(yàn)。選取200張軌道狀態(tài)巡檢系統(tǒng)［7］采集的某高速鐵路線路的軌道圖像，并且人工標(biāo)注了圖像中的軌面區(qū)域和光帶區(qū)域。

2.1 軌面區(qū)域提取

對于一幅軌道圖像，提取軌面區(qū)域的準(zhǔn)確性通過交并比［14］來評價(jià)，交并比記作Jt，其表達(dá)式為

式中：At為人工標(biāo)注的軌面區(qū)域；Bt為用本文方法從軌道圖像中提取的軌面區(qū)域。

交并比計(jì)算的是人工標(biāo)注軌面區(qū)域和算法提取軌面區(qū)域的交疊率，即兩個(gè)區(qū)域的交集和并集的比值，衡量人工標(biāo)注軌面區(qū)域和算法提取軌面區(qū)域的重合度。然后對于所有測試樣本計(jì)算交并比的平均值mt，表達(dá)式為

式中：Nt為測試的軌道圖像數(shù)量；Jt，i為第i張圖像的交并比。

計(jì)算結(jié)果顯示測試樣本的mt=97.57%，這表明本文方法可以有效地從采集的軌道圖像中提取出軌面區(qū)域。

本文提出的軌面區(qū)域提取方法利用了軌道圖像的頻域特征，與文獻(xiàn)［12］中基于圖像列方向灰度分析的水平投影法相比，對由光照等客觀環(huán)境因素造成的軌道圖像亮度變化具有更強(qiáng)的魯棒性。采用兩種方法對高亮度軌道圖像的軌面區(qū)域進(jìn)行提取，效果對比見圖6（紅框區(qū)域即提取的軌面區(qū)域）。可知：由于軌道圖像的整體亮度高，水平投影法錯(cuò)誤地定位在軌面以外的區(qū)域，而本文方法準(zhǔn)確地提取了軌面區(qū)域。

圖6 軌面區(qū)域提取效果對比

2.2 光帶檢測

對于軌面區(qū)域圖像，光帶檢測的準(zhǔn)確性通過交并比Jr來評價(jià)，其表達(dá)式為

式中：Ar為圖像中人工標(biāo)注的光帶區(qū)域；Br為利用本文算法檢測出的光帶區(qū)域。

然后對所有測試樣本計(jì)算交并比的平均值mr，表達(dá)式為

式中：Nt為測試圖像樣本的數(shù)量；Jr，i為對第i張圖像計(jì)算得到的交并比。

測試顯示本文方法得到的mr=88.81%，而采用文獻(xiàn)［8］中的方法得到的mr=77.23%。這表明本文方法可以有效地檢測鋼軌光帶，其交并比平均值比文獻(xiàn)［8］中的方法提高了11.58%。本文方法得益于利用圖像灰度變換加大了光帶和非光帶區(qū)域的灰度差異，突出了光帶邊緣，從而能夠降低光照、圖像噪聲等因素的影響，更加準(zhǔn)確地定位光帶位置。

3 結(jié)語

為了從軌道圖像中準(zhǔn)確地提取軌面區(qū)域并檢測光帶位置，為鋼軌光帶分析提供可靠依據(jù)，本文提出了一種基于機(jī)器視覺的鋼軌光帶檢測方法。首先根據(jù)軌道圖像的頻域特征提取軌面區(qū)域，然后利用灰度變換突出光帶的邊緣，逐行計(jì)算梯度識別光帶位置。通過采集的某高鐵線路的軌道圖像對該方法的檢測效果進(jìn)行驗(yàn)證，結(jié)果顯示該方法能有效地檢測鋼軌光帶，光帶檢測的交并比平均值達(dá)到了88.81%，比現(xiàn)有方法提升了11.58%。下一步工作將會(huì)把該算法部署到軌道巡檢系統(tǒng)上，大規(guī)模測試和驗(yàn)證算法性能。