基于机器视觉的轨道道岔密贴检测方法

郭淑敏，冯俊逸，沈 拓，2，张轩雄

（1.上海理工大学光电信息与计算机工程学院，上海 200093；2.同济大学上海市轨道交通结构耐久与系统安全重点实验室，上海 201804）

0 引言

轨道道岔是车辆从一条线路向另一条线路转入时所利用的设备，道岔的稳定在列车安全行驶中至关重要［1］。轨道道岔基本轨与尖轨之间的不密贴，将引发行驶中的列车在进入道岔时，轮对夹在基本轨和尖轨之间，对运行中的行车安全构成严重威胁。因此，对这种威胁到行车安全问题的预防治理备受关注。从《铁路技术管理规程》可清晰了解到：轨道道岔的基本轨与尖轨在没有运行时，如果第一连接杆处有4mm 或者以上的间距，即道岔处于不密贴的情况下，此时不能开放或锁闭。对于地铁的道岔密贴安全，同样应该控制在安全的密贴间隙距离之内，但是道岔的维修防护和按期缺陷检查在人工处理情况下，存在一定安全隐患。

轨道缺陷一直备受重视，许多学者通过研究轨道组件诊断轨道缺陷。曹义亲等［2］提出一种针对轨道缺陷图像分类的基于蚁群的改进算法，通过对轨道缺陷图像作预处理并对缺陷图像进行分割提取，在蚁群算法基础上进行改进以提高分类速度及准确度，此方法适用于大量轨道缺陷分类，但不适用于一张轨道道岔图像的单独处理；Resendiz等［3］提出通过图像到信号的方法，该方法利用道岔的检查视频，输入信号是横向视图观察到的钢轨中间部分，通过钢轨的块向Gabor 变换以阈值检测器的形式输出，从而判断铁路运行状况，此方法为实现道岔密贴的实时检测提供了基础；周宇等［4］通过研究道岔的廓形数据，提出曲尖轨磨损的原因，未提及道岔之间的不密贴；Corsino 等［5］提出一个检测系统，通过在RANSAC［6］算法中分别添加一些点检测两条航迹并利用模板图像匹配和梯度方向直方图（HOG）［7］以捕捉道岔线路，但是仍然不能将此方法运用到道岔上；Zhang 等［8］提出一种基于概率神经网络（PNN）的道岔缺陷检测算法。通过参数要求较少的PNN 的自学习能力提取一些典型故障特征，使得计算过程更快，但该方法只关注了典型缺陷；Faghih 等［9］提出一种深度卷积神经网络（DCNN）方法用于轨迹面故障的自动检测。他们利用大量的原始图像数据通过DCNN 进行特征识别，自动完成轨迹故障检测；Vijaykumar 等［10］描述了一种新的解决方案，通过分析轨道纹理检测表面断层，使用增强方法增强对象和背景之间的差异；Shen 等［11］在时频域分析和小波包缺陷道岔特征的基础上，提出利用摄像机拍摄铁路图像的非接触式监测技术，对铁路线路及连接件进行检测和诊断，提取形态学特征并应用于铁路构件和铁路线路检测，从而加强铁路安全。以上研究大多是关于轨道线路的航迹预测或者表面缺陷，针对单独的道岔密贴问题关注极少，为了及时避免在列车行驶时由于道岔不密贴出现安全隐患，本文提出关于道岔密贴的实时检测方法。

1 预处理

由于摄像机在外界拍摄容易受到天气、光照、角度等不可避免的自然因素影响，图像预处理技术能够通过数字图像处理方法和技术增强所需图像的质量［12］，并能在一定情况下改善感兴趣区域的图像信息效果呈现［13］。灰度变换可以令图像特征更加突出，灰度直方图显示了图像的灰度变化等信息，而且直方图均衡化可以使细节更加清晰以有利于接下来的图像处理，便于道岔的特征提取。r是归一化后的图像灰度，s是校正之后的灰度［14］。

区间［0，1］中的任何r都可以被T(r)变换成s，且：

变换函数离散形式可表示为：

表示在灰度值rk时像素的个数，灰度级的总数为L。

Fig.1 Image preprocessing图1 图像预处理

图1（a）-（d）是预处理过程，经图像预处理后的图像是一幅连续图像［15］，直方图均衡化的本质就是降低图像的灰度级并增强灰度之间的对比度。图像预处理技术能够有效减少图像背景对下一步处理的不利因素，令图像的灰度变化分布得更加均匀并着重突出了图像中的细节。如图1（d）所示，通过图像平滑处理能够克服噪声影响并在一定程度上抑制噪声。

2 道岔密贴检测

2.1 边缘检测

从图1 轨道道岔的图像中能够清楚地看到，道岔图像中两条直线之间的距离实际上就是对轨道道岔密贴的检测。Canny 边缘检测算子效果表现极好［16］，边缘检测步骤如图2 所示。

Fig.2 Steps of Canny edge detection图2 Canny 边缘检测步骤

Canny 利用高低阈值的方法，在高低阈值中，首先依据其中的高阈值能够获得一幅边缘图像，然后依据另一个选取的低阈值闭合这幅图像中的边缘。通过设置全局范围高低两个阈值对图像像素点进行筛选，根据某种阈值规则只选取满足条件的边缘像素点。高阈值计算过程如图3所示。

Fig.3 Steps of high threshold calculation图3 高阈值计算步骤

通过选取全局范围内的高阈值和低阈值，筛选出边界点。在运用高低阈值对边界点进行筛选的过程中，非边缘点根据低阈值点筛选去除，边缘点根据高阈值点留下。实际上阈值大小设置不同，得到的结果也会有很大不同，比如在设置的低阈值相同条件下，设置的高阈值越大则得到的边缘检测结果会随之变得突出。轨道道岔的边缘检测结果如图4 所示。

Fig.4 Edge detection result图4 边缘检测结果

2.2 特征提取

由上述的边缘检测过程，可以检测到轨道图像中符合设置阈值的所有边界点，这些边界点包含于轨道道岔中两条直线边缘以及背景中的一些噪声边界。利用Hough 变换的思想［17］对轨道道岔边缘进行提取，该方法在检测直线方面上具备了克服噪声的优点。假设所有噪点都通过了Hough 变换，将会生成一些实验中不需要的伪边缘直线。降低噪声点在Hough 变换中产生的影响需要在检测前采用区域匹配的思想，具体过程如图5 所示。

Fig.5 Region matching process图5 区域匹配过程

区域匹配过程中窗口搜索步长的值应该小于轨道道岔在图像中的最短搜查长度，能够防止轨道道岔的两条直线边缘信息一起出现在识别的窗口中。接下来对识别窗口包含的区域进行扫描，找到上下边缘，结束搜索后的窗口所含边缘像素区域是由所有边缘点顺时针连接确定，假设像素点之间的距离固定为单位1，在封闭的一定区域中，依次计算相邻两对边界点上方的面积，进而求出边缘像素点的大小。饱和度计算是通过估算窗口内检测出的像素点所构成的面积大小，与设定好的滑动窗口面积进行比较，将两者的比值定为区域饱和度，如果该值比设定的阈值高，则将此点像素值清零并去除，判定为伪边缘像素点，退出后续计算过程。

关于覆盖了直线特征的边缘，要提高该提取边缘直线的精确度，可以采用随机抽样一致算法的思路，在建立直线参数模型的前提下，通过随机取点进行判断，不符合判断条件的点将被舍弃，不参与后续累加过程。此方法能够有效减少RHT 随机性问题［18］，Hough 变换结果如图6 所示。

Fig.6 Hough transform result图6 Hough 变换结果

2.3 边缘拟合

从上述轨道道岔直线边缘检测中可以看到，两条直线边缘之间的距离是检测道岔密贴问题的关键所在。如果只利用Canny 算子或者Hough 变换所得到的直线损失了精度，并且分别得到的结果在与人工检测结果的比较中造成较大误差，因而可以在两者结果的基础上，应用最小二乘法对两者图像处理结果进行拟合。

最小二乘法公式如式（4）所示。

其中，数据点用(xi,yi)表示，拟合函数用ϕ(xi)表示。

利用边缘检测和特征提取到的两条最长直线相与，得到最终的轨道边缘。结果如图7 所示，可以看出经过最小二乘法拟合的边缘不仅更加清晰准确，而且与原图像边缘基本吻合。

Fig.7 Fitting result图7 拟合结果

2.4 参数空间转换

拟合结果中两条直线之间的像素数决定了道岔的基本轨和尖轨之间的实际距离。从最小二乘法拟合的直线可以得出边缘之间的像素数目，要确定轨道道岔的密贴距离，首先要知道真实距离与像素数的比值，因基本轨的宽度固定，可以将基本轨作为参照标定物，利用世界坐标系、相机坐标系、图像坐标系和像素坐标系去计算真实距离与像素数的比值［19-20］，进而求出轨道图像中两条直线边缘之间的实际距离。

3 实验

本文对80 幅道岔图像进行了拟合检测，实验结果比较如表1 所示。

Table 1 Comparison of experimental results表1 实验结果比较

从结果可以看出，利用道岔之间的距离衡量机器视觉方法和人工方法的标准使两者结果在合理的误差范围内，但在特征提取实验或拍摄过程中都会产生一定干扰，如恶劣天气或光线影响、相机振动、轨道振动造成标定距离值变化、直线提取时算法失误及严重的轨道磨损等。若机器视觉方法和手动方法测量的距离差不超过0.1 mm，则判定机器视觉方法下的结果合格，测量结果精度如表2所示。

Table 2 Detection precision result表2 检测精度结果

综上所述，利用机器视觉的方法可靠且高效，比人工测量方法更加省时省力。同时，能够实时计算道岔距离，及时判断列车在行驶过程中道岔的转换过程是否存在安全隐患以及时避免。

4 结语

本文受智能交通的启发，将创新的机器视觉相关方法运用于道岔密贴检测，不仅节省了人工成本，也提高了列车运行的安全性。通过图像预处理、Canny 检测算子、改进的Hough 变换等方法完成边缘特征提取，使用最小二乘法进行边缘直线拟合，消除虚假边缘点，计算基本轨到尖轨的真实距离，从而检测道岔转换安全。由于不排除天气光照等自然因素对图像的干扰，这些不可控因素都会对道岔密贴结果产生一定影响，因此后续将重点研究并提高算法鲁棒性。