基于视觉机制的钢轨波磨损伤检测方法研究

肖洁 卢凯霞 黄丽

关键词：波磨损伤检测，纹理滤波，钢轨缺陷，高速铁路。

1.概述

在车载图像采集系统采集到的高分辨率轨道图像中，钢轨波磨损伤是一种周期性的、波浪形的变形现象，出现在钢轨纵向表面上，并在轨道上出现轨头表面缺陷[1]。钢轨波磨损伤通常按波长分为短波波磨损伤和长波波磨损伤。短波波磨损伤通常发生在轻运铁路上，其典型波长为30～80mm，振幅为0.1～0.5mm。经过一定时期的发展，波峰亮谷暗。长波波磨损伤通常发生在重载铁路，其典型波长为100～1500mm，振幅一般小于2mm，具有明显的变形。因此，钢轨波磨损伤区具有良好的纹理信息。

波磨损伤的检查传统上是用一种特殊的卡尺手工取样测量。显然，这种方法是主观的和低效的。目前，机器视觉系统在铁路公司的缺陷检测和状态监测中发挥着重要作用[2-4]。研究学者提出并采用了各种波磨损伤检测的自动化方法。有学者从钢轨图像中提取Gabor纹理特征，并应用K-最近邻（KNN）方法识别波磨损伤。有的学者利用不同频率和方向的Gabor滤波器组对钢轨纹理进行分析，根据缺陷的大小识别出缺陷。本文提出了一种结合先验信息和视觉特征的波磨损伤检测新方法。

2.模型

钢轨波磨损伤的检测方法分为三个步骤。首先，在摄像机拍摄的图像中对轨道进行定位。其次，利用Log-Gabor滤波器对分割后的钢轨图像进行缺陷特征检测。最后，利用该模型判断图像中是否存在钢轨波磨损伤缺陷。

经过对大量轨道图像的分析，我们发现轨道图像呈现出以下明显的结构和统计特征，轨道方向上轨道区域的灰度均值较大;钢轨两侧背景区域为扣件或轨枕，灰度方差相对较大，但钢轨区域灰度方差相对较小;图像采集设备安装在车辆轨道上，采集钢轨图像后，大致确定钢轨断面位置，一般位于圖像轨道的中间区域。

Log-Gabor滤波器可以用任意带宽构造，并且可以优化带宽以产生具有最小空间范围的滤波器。Gabor函数在线性频率尺度上具有高斯传递函数。而对数Gabor函数在对数频率尺度上具有高斯传递函数。

两个优选方向上 使用log-Gabor算法检测分割图像中的波形波磨损伤特征（如波磨损伤边缘）。滤波器中的中心频率参数是根据分割图像的空间分辨率获取的。由于波磨损伤沿轨头纵向表面呈周期性和波浪形不规则，短波波磨损伤的典型波长 为30～80mm，振幅为0.1～0.5mm。给定空间分辨率 （米/像素），图像中一个规则的波磨损伤波长度是大约 像素的， 所以波磨损伤纹理的频率 可以定义波长的倒数，然后利用  在log-Gabor滤波器中设置中心频率参数。

在实际应用中，图像滤波是在频域进行的，与空间域卷积相比，处理速度更快。在2D FFT变换到频域后，将图像乘以log-Gabor传递函数，每幅图像产生4个谱表示。然后通过二维逆FFT将频谱转换回空间域。

2.1波磨损伤识别

经过log-Gabor滤波后，得到响应图像 。两个log-Gabor响应图像具有相互垂直的滤波方向。为了抑制噪声，对两幅图像采用线性可分高斯滤波器进行卷积平滑，并采用二倍抽取的方法对图像进行二次采样 ，得到尺度水平 （经验值）。由于波磨损伤在局部区域的波边会诱发0°方向的线特征，经过平滑和子采样后的图像中波磨损伤会以平行线出现，反映了各点的局部能量。显然，0°方向滤波后的图像比90°方向滤波后的图像有更大的能量响应。之后，模型选取更大能量相应方向的结果作为识别结果

3.实验

本文在matlab2014开发环境下实现了该方法，并在2.80GHz Pentium CPU和4 GB内存的计算机上进行了测试。数据集包括380幅空间分辨率为2毫米/像素的钢轨图像，包括180幅典型波磨损伤钢轨和200幅正常钢轨。应用该方法对153幅波磨损伤图像进行了正确的识别，识别率为85.3%。

利用相同的测试图像，将该方法与传统的K-最近邻分类方法进行了比较。在传统的K-最近邻分类方法中，对130幅波磨损伤图像进行了正确的识别，识别率为72.4%。

4.结论

本文提出了一种基于视觉机制的钢轨波磨损伤快速检测方法。与文献中的大多数研究不同，我们的方法不需要任何训练数据进行钢轨缺陷检测，利用不同物体的空间几何关系从背景中提取轨道。然后，利用log-Gabor滤波器对钢轨图像中的缺陷进行识别。最后对钢轨波磨损伤区域进行了识别。由于纹理检测在频域采用log-Gabor滤波，该方法能够快速检测出钢轨波磨损伤区域。为了给我们的方法提供实验依据，我们在车载图像采集系统采集的不同图像上进行了测试，得到了令人鼓舞的结果。通过与传统钢轨波磨损伤检测算法的比较，证明了该方法的优越性。

参考文献：

[1]1.Sato Y，Matsumoto A，Knothe K.，“钢轨波纹研究综述”.城市快速轨道交通，253（1），130-139（2010）.

[2]Mandriota，C.，Nitti，M.，Ancona，N.，Stella，E.，Distante，A.，“钢轨缺陷检测的基于滤波器的特征选择”.机器视觉与应用，15（4），179-185（2004）.

[3]Grassie S.L.，“钢轨波纹：测量、理解和处理的进展”，磨损，第2581224-1234号（2005年）

[4]Vijaykumar V.R.和Sangamithirai S.，“使用纹理分析的Gabor滤波器检测钢轨缺陷”，信号处理、通信和网络国际会议，IEEE，1-6（2015）.

本研究得到了武汉铁道职业技术学院招标课题（编号： QZB202003）、武汉铁道职业技术学院科研创新团队（编号：CXTD201901）的资助。