基于CCD图像分析的空轨轨道梁表面缺陷检测

(1.中铁二院工程集团有限责任公司，成都 610031；2.电子科技大学 自动化工程学院，成都 611731)

空轨(或称悬挂式单轨、空铁)是一种历史悠久的城市轨道交通系统，且具有地形适应性强、运营安全可靠、环境适应性好、景观效果好、造价低、建设周期短等优点[1]，具有广阔的应用前景。

空轨车辆不同于传统的轮轨车辆，其走行部位位于轨道梁内，而车体悬吊于其下方，车体底部距离地面一般不小于5 m。轨道梁是由钢板焊接而成的开口薄壁箱型截面梁，起到引导列车运行、承载列车质量的作用，是空轨系统中最重要的结构之一，其断面示意如图1所示。由于长期受到较大的作用力，加上大气的腐蚀，所以轨道梁表面极易出现裂纹、锈斑、磨损等缺陷，若不及时处理，会危及行车安全。因此，检测轨道梁表面缺陷的技术成为一种非常重要的控制手段。针对金属板材的表面缺陷，一般采用人工检测[2]和高精度传感器进行检测，如：涡流检测[3]、红外检测[4]、图像检测、漏磁检测[5]等方法。

图1 空轨轨道梁断面示意

图像检测方法属于非接触检测技术，在先进的自动化检测中发挥着重要的作用。图像检测方法的原理为：首先采用电荷耦合器件(CCD)摄像机摄取目标图像，再由图像处理系统对采集到的图像进行各种运算以抽取目标的特征，最后根据预设的容许度和其他条件输出结果，实现对物质表面的自动检测。目前，结合图像处理技术和模式识别理论、智能优化算法等,产生了多种缺陷检测的方法。

笔者采用基于图像分析技术[6]的表面异常检测方法，对空轨轨道梁表面进行缺陷检测。首先，利用CCD图像的均值和方差尽可能多地回收正常样本，此过程所需时间短，且缺陷样本包含正常样本和缺陷样本两部分，故称此过程为粗检过程；再利用基于积分图的Bayes算法将粗检过程中错检为缺陷样本的正常样本剔除掉，此过程主要利用压缩感知算法，该算法准确率较高，但计算速度较慢，故称为细检过程。

1 表面缺陷检测方案

提出了一种高效的金属板材表面异常实时检测方法，该方法基于图像分析技术，可以在不需要大量样本的前提下，对金属板材表面异常进行快速检测，其不仅能提高检测的准确率，同时也能满足实时性的要求，检测流程如图2所示。

(1)输入图像为I，求取该图像的积分图I′。

(2)对图像I中图像块(patch)粗分类，得到一个疑似异常patch的集合；除疑似异常patch集合外，其余的patch都归类到正常的patch集合中。

图2 表面缺陷检测流程

(3)利用压缩感知[7]特征对疑似异常patch进行细检测，即采用压缩矩阵对正常patch集合和疑似异常patch集合进行特征压缩。计算每个维度的均值和方差，获取正常patch集合w个维度高斯分布的特征；在此基础上设定一个阈值，并根据阈值进行分类。

2 基于均值和方差的表面缺陷粗检过程

粗检过程就是从图像快速而简单的几何特征出发，即通过求取图像的均值和方差[8]确定合适的阈值，从而将图像分成正常样本和疑似缺陷样本，并进一步检测出疑似缺陷样本的缺陷。

2.1 均值和方差检测的基本算法

采用尺寸为40像素×40像素，步长为20像素的滑动窗口对图像进行检测。均值的计算公式为

(1)

式中：m和n分别为图像的长和宽；I(i,j)为每一点的像素值。

进一步确定图像的方差计算公式为

(2)

根据方差的定义可知，缺陷区域方差较大，图像平滑区域，即无缺陷区域方差较小。可见，基于均值和方差的检测法能够突出背景灰度差异不大的缺陷部分，进而用于检测图像缺陷。

2.2 粗检试验结果及分析

金属板材的表面缺陷主要是裂纹和锈蚀(锈斑)，但同时也包含划痕和孔洞等缺陷。裂纹粗检试验结果如图3所示，粗检的试验过程如下所述。

首先根据式(1)和(2)，求取图3(a)原图像的均值和方差，得到图3(b)和图3(c)，然后对均值和方差进行排序,并求导得到图3(d)。由图3(a)可见，一幅图像中缺陷部分所占面积远小于正常部分所占面积；同时，图3(d)中方差在走势曲线后端部分开始明显变化，所以可以设定一个自适应的阈值来进行划分，试验所设定的阈值公式为

(3)

图3 裂纹粗检试验结果

式中：thro为阈值；m为相应位置的方差；v为列数，即方差个数；floor函数可实现向下取整的功能；函数变量取v/2是为了尽可能地将缺陷从图像中划分出来；time为系数;end为排序后最后一个滑框的编号。

根据实际情况，从2/3区域处开始搜索缺陷，其判断依据是如果相邻两方差的差值大于所设定的阈值，则判断为缺陷区域，并将其用黄色框框出，如图3(e)所示。此外，经过大量的试验观察，发现均值最大和最小处也是缺陷部分，所以在图3(e)中增加两个代表均值最大和最小区域的红色框。

利用上述方法同样可得到锈蚀(锈斑)、划痕及孔洞的试验结果，分别如图46所示。结果表明，粗检过程能够粗略地检测出缺陷所在区域。

图4 锈蚀粗检试验结果

图5 划痕粗检试验结果

图6 孔洞粗检试验结果

对采集到的500张样本图片进行试验，结果显示，缺陷检出率为99.2%，准确率为72%，可见该方法存在一定数量的漏检和错检，主要原因是图像采集过程中背景变化多导致滑框的均值方差波动较大，动态阈值法得到的阈值未将缺陷分割出来。

试验所用电脑的CPU配置为Intel i5-4590 3.30 GHz，内存为8 G，处理一张2 448像素×2 048像素的样本图像仅需18 ms。所以，可将此方法作为一种粗检方法，即将正常样本和疑似缺陷样本区分开的一种快速方法。

3 基于积分图的Bayes细检过程

根据试验结果可知，粗检速度快但准确率较低，漏检率可忽略不计。因此，下一步将在粗检结果(已标注区域)的基础上,引入基于积分图的属板材表面缺陷的Bayes金检测算法，即细检方法，将粗检已标注区域中的正常部分剔除。

图7 计算积分图

3.1 基于积分图的Bayes检测算法

该算法最显著的优点是只需对整幅图像遍历一次就可以求出所有区域的像素和，且计算速度很快。

设灰度图像为I，积分图为I′，计算积分图如图7所示。根据Iwidth=width，Iheight=height可知，积分图计算公式为

(4)

在实际的计算中，通常采用如下所示的计算公式

I′(x,y)=I′(x-1,y)+I′(y-1,x)-

I′(x-1,y-1)+I′(i,j)

(5)

针对工程项目的试验步骤如下所述。

(1)获取计算图像的积分图。

图8 图片压缩方法示意

(2)获取被粗检判定为正常patch(图像块)集合的区域，然后随机选取3～4个部分，图片压缩方法示意如图8所示，按照一定的权重将每个patch进行压缩，其中压缩之后的patch服从高斯分布。

针对在粗检阶段已判定为正常patch的每个vi，根据大数定理可得

(6)

式中：rij为图像像素；xi为权值。

(7)

式中：n为patch的数目。

(8)

可推出

(9)

(3)采用相同的方式对疑似异常的patch进行压缩，并计算patch为正常的概率，如果该概率大于一个阈值就判断为正常。

按照上述方法获取每个样本的表达式为

(10)

然后再根据Bayes公式计算每个vfi的正态分布概率。具体试验中将概率最小值作为相应样本的得分，并将得分大于阈值的部分判定为正常部分。

3.2 细检试验结果及分析

采用上述细检方法对粗检图像进行检测，可得如图910所示的试验结果。

由图9～10可知，细检结果的精确度明显高于粗检结果的精确度，进一步证明了细检法可将粗检结果中的正常部分剔除。对采集到的500张样本图像进行试验的正确率为98.2%，粗检过程的正确率为72%，可见细检过程很大程度上提高了正确率。一张图像经历粗检和细检过程需耗时70 ms左右，可见该检测法基本能满足一般检测中实时性的要求。

4 结语

提出的检测方法主要分为粗检和细检两个阶段,粗检采用均值和方差相结合的方法来预先回收正常样本，而其中疑似缺陷样本也包含了较多的正常样本，因此需要再通过细检过程进行更细致的筛选。细检即通过压缩感知的特征提取与特征学习，及Bayes似然分类来提高检测的正确率。试验证明，该方法对于金属板材表面各种异常缺陷(如裂纹、锈蚀、划痕、污迹、异物等)的检测都有较高的检出率和正确率，以及较好的实时性。

图9 待检图像一的粗检和细检结果

图10 待检图像二的粗检和细检结果