轨道板图片的智能切割和拼接算法研究

朱浩森 中国铁路上海局集团有限公司科研所

1 引言

随着高速铁路电气化、信息化进程的推进，里程数的不断增加，线路安全状态成为一个十分重要的关注点，轨道板作为无砟轨道的重要组成之一，是整体支撑钢轨的基础，在长期承受列车通过钢轨传递的载荷、经历风吹日晒后，难免会遇到轨道板破损、扣件缺失等一系列的问题。以往的人工巡检需要花费大量的人力和时间，周边环境条件也会对作业造成一定程度的影响，夜间作业还要考虑到的上道安全问题，严重影响了巡检效率。在车载轨道巡检系统的帮助下，可以通过安装在车底的线阵列相机高效采集轨道板图片。由于图像采集软件受车轮编码器控制，采集到的图像为固定尺寸，无法按照轨道板的长度对每一块轨道板进行拍摄。因此，将原始图片按照板缝位置进行智能分割后再重新拼接成完整的轨道板，通过专业检测人员对轨道板图片进行检测分析，可以减少上道作业的风险，减轻巡检工人的负担。

2 图片的预处理

图像预处理在数字图像中起着重要的作用。图像质量直接影响分析，如分类、识别、分割等。在该系统中，图像的预处理分为两个步骤：二值化和提取特征区域。其主要目的是将图像中对特征影响相对较小的信息过滤处理掉，提高相关信息的可检测性，最大限度地简化数据，从而改进特征选取、图像分割、匹配和识别的可靠性。

2.1 图像二值化

图像二值化就是将图像上的像素点的灰度值设置为0或255 的一个过程，即整个图像呈现出明显的黑白效果。在二值化处理前，首先要将图像转化为灰度图，通过加权法或者平均值法求出灰度值Gray，将原来RGB(r,g,b）三通道中的r,g,b 统一使用Gray 替换，得到新的颜色RGB(Gray,Gray,Gray)，也就是说，通过选择合适的阈值，256 个亮度等级的灰度图像仍然能够反映图像整体和局部特征。在数字图像处理中，二值图像起着非常重要的作用，尤其是在实际的图像处理中，许多系统通过二值图像处理来实现。

Otsu 算法（大津算法）是由日本学者大津于1979 年提出，是一种可以快速确定图像二值化分割阈值的算法，其原理和计算简单，不受图像亮度和对比度的影响。该算法假设图像中的像素能够根据阈值，被划分为前景和背景两个部分，然后计算出使得前景与背景图像类间方差最大的阈值。

将t记为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。

则图像的总平均厚度为：

u=w0×u0+w1×u1

前景和背景图像的方差：

g=w0×(u0-u)×(u0-u)+w1×(u1-u)×(u1-u)

等价公式：

g=w0×w1×(u0-u1)×(u0-u1)

当方差g最大时，可以认为此时前景和背景差异最大，此时的灰度t是最佳阈值sb=w0×w1×(u1-u0)×(u0-u1)。二值化前后图片如图1 所示。

图1 二值化前后图片对比

2.2 提取特征区域

轨道板的结构如图2a 所示。两块轨道板之间由凸型挡台间隔，即凸型挡台所在的位置为板缝处。受采集相机光源照射影响，板缝越靠近凸型挡台，阴影越明显，因此选取凸型挡台向左100 像素宽度的图片进行研究。在此区域内的图像不受到扣件及电务轨旁设备影响，可以过滤掉绝大多数干扰。以样本图片为例，取1 500 到1 600 像素的区域作为特征区域处理。对于不同批次采集到的原始图片，特征区域的选取也会进行调整。提取的特征区域如图2b 所示。

图2a 轨道板结构

图2b 特征区域图片

3 具体操作流程

图3 流程图

系统流程图如图3 所示。第一步，将原始图片进行灰度化处理及二值化处理，获得黑白的二值化图片。第二步，提取特征区域，将其保存至新的文件夹内完成预处理。第三步，读取预处理过的图片，图片分为两类：有板缝图片和无板缝图片。对于有板缝的图片，可以判定板缝以上部分为一块轨道板的底端，将其向前一张图片拼接完成一张轨道板的图片并输出；板缝以下部分为新的一块轨道板的首端将其作为一张新的图片保存。如果是无板缝的图片，则拼接到上一张图片。重复操作，直至读取完文件夹内所有图片。

通过预处理，原始图像由2048×2087 像素转化为100×2087 的矩阵，其中黑色点的像素值为0，白色点的像素值为255。经过测量得知，板缝的宽度在图像中约占80 像素，板缝处的像素点大多为黑色点。如果把一块区域内的像素点值求和，那么总和越大，说明白色像素点越多，相反黑色像素点越多。设置检索区域为100×40 的矩阵，以确保板缝一定会完整落在一个矩阵内。假定一个100×40 矩阵内全是白色像素点，则总和为100×40×255=1 020 000，记为sum，然后自上至下逐行对图像的矩阵进行像素点求和，像素点之和记为n。n 与sum 的比值p 代表了一个矩阵内黑色像素点的出现率，p 的值越小，说明黑色像素点越多。为了过滤掉一些受到光照影响和表面破损出现的阴影干扰，设置当p 值小于0.15，则判断为板缝处。图4 为一张原始图片的p 值图，可以明显看出在600 像素到640 像素区间段p 值的变化趋势很大，即此区间段为板缝处。将p 值返回原图处理，即可对原图板缝处进行切割。

图4 p 值图

图5 拼接后的轨道板图片

在用于测试的8 000 张轨道板图片中，实际板缝为3316处，检测到板缝为3 342 处。其中漏检23 处，漏检率为0.69%；误检49 处，主要出现道岔位置。由于道岔处轨道状态复杂，容易将部分铁轨识别为板缝。拼接的轨道板图片如图5所示。

4 优化方案

由于受到道岔影响的图片较多，针对该问题的解决方案是对轨道板图片的长度h 增加判断条件。通过拼接获得的轨道板图片的长度分为2 种型号，一种长度范围在3 900 像素到4 000 像素之间，另一种长度在5 200 像素到5 300 像素之间。当一张图片拼接完成，获取该图片的尺寸，如果长度在任一范围区间之内，则说明正确拼接；否则继续向前一张图片拼接。

5 结论

使用该系统可以快速高效地将轨道板原始图片进行分割和拼接，获得清晰完整的轨道板图片。检测人员只需要使用电脑对轨道板图片进行，如果发现轨道板、光带或扣件等异常故障，可以将问题报告给工务部门，再根据轨道板位置进行上道检修，可以避免大量的重复劳动，减少天窗作业的次数，为后续基础设备设施的智能检测和定位提供便利，更为信息化铁路的推进做出贡献。