基于图像处理的轨道表面病害检测研究

胡璐萍 王琪璇 吴哲 王小龙

收稿日期：2023-04-14

基金项目：陕西省教育厅科研计划项目（23JK0531）

DOI：10.19850/j.cnki.2096-4706.2024.07.025

摘  要：以钢轨为研究对象，结合图像处理技术，对钢轨表面质量进行检测。首先，对钢轨图像进行预处理，通过线性灰度变换对图像进行增强，并采用自适应滤波进行图像去噪；其次，采用Ostu阈值分割算法对预处理后的钢轨图像进行缺陷分割；最后，以离心率、矩形度和致密度作为分类依据，通过决策树分类法对钢轨表面缺陷进行分类。实验结果表明：基于图像处理的钢轨表面质量检测方法能够有效对钢轨缺陷进行检测，分割准确率为96.7%，分类准确率为90%，为钢轨表面质量检测提供了一种有效的检测方法。

关键词：钢轨缺陷；图像处理；边缘检测；阈值分割；缺陷分类

中图分类号：TP391.4；U216.3 文献标识码：A 文章编号：2096-4706（2024）07-0118-06

Research on Orbital Surface Disease Detection Based on Image Processing

HU Luping， WANG Qixuan， WU Zhe， WANG Xiaolong

（School of Mechanical and Electrical Engineering， Xi'an Traffic Engineering Institute， Xi'an  710300， China）

Abstract： Taking steel rails as the research object， combined with image processing technology， the surface quality of steel rails is detected. Firstly， it preprocesses the steel rail image， enhance the image through linear grayscale transformation， and use adaptive filtering for image denoising. Secondly， the Ostu threshold segmentation algorithm is used to segment defects in the preprocessed steel rail images. Finally， using eccentricity， rectangularity， and density as classification criteria， the surface defects of steel rails are classified using decision tree classification method. The experimental results show that the image processing-based steel rail surface quality detection method can effectively detect steel rail defects， with a segmentation accuracy of 96.7% and a classification accuracy of 90%， providing an effective detection method for steel rail surface quality detection.

Keywords： steel rail defect; image processing; edge detection; threshold segmentation; defect classification

0  引  言

钢轨的表面质量是导致列车安全事故的重要原因之一，如何正确地检测与控制钢轨的表面质量是保证铁路安全问题的重要内容。目前钢轨表面病害检测主要依赖于人工巡检，而人工巡检对工人素质要求高，检测结果容易受到工人自身因素干扰，而且成本高。同时，工人在列车轨道工作，危险性极高，而且效率低下[1-4]。因此，本文将图像处理应用到钢轨表面质量检测中，实现轨道表面病害自动检测。经过各国科学技术研究人员不懈努力，已经研究出许多钢轨表面缺陷的方法，如超声波检测[5]、漏磁检测[6]、涡流检测[7]，该类方法对检测环境要求较高，容易收到外部环境的干扰。

为了提高轨道交通的安全性和稳定性，实现自动检测铁路轨道线，缩短检测时间，降低维护成本，近几年又出现了基于图像处理的检测方法，它是通过使用图像处理的方法对轨道缺陷进行归类。该方法的精度和实时性都具有一定的提升，相比于其他的检测方法更具有可行性和稳定性[8-12]。因此本文将图像处理运用到轨道表面病害检测。

1  轨道表面病害检测理论

我国铁道运输部门把钢轨出现裂纹、掉块、断裂等导致对钢轨不能正常使用的情况都列为钢轨损伤。轨面伤损即钢轨表面病害，主要包括疤痕缺陷、踏面剥离、裂纹、波浪磨耗、断裂、剥离掉块等[13]，如图1所示。我国铁路分布密集，火车路线经过的地区经纬度跨越较大，海拔高度不尽相同，气温差异大，这些缺陷会给火车的行驶安全带来不同程度的安全隐患，因此进行钢轨表面病害检测是保障铁路安全的关键环节[14，15]。

2  检测方案设计

为了解决传统检测过程中存在的识别率不高、检测效率低、成本高等各种问题，本文采用图像处理对钢轨表面病害进行检测，该方法可自动检出钢轨表面病害，实现结疤、裂纹等缺陷的识别和分类。该方案先对钢轨图像进行图形增强和图像去噪等预处理操作，然后采用边缘检测和阈值分割，检测出缺陷，进行缺陷分割，以便对缺陷进行准确识别，最后对缺陷图像进行识别和分类。

2.1  图像预处理

由于钢轨图像的采集工作都是在户外完成的，难免受到户外自然环境中光线、灰尘等因素的影响，使钢轨表面出现细节模糊、有些区域清晰度不高等问题。同时，图像在传输过程中也会产生一些噪声，增加图像处理与分析环节的运算量，所以必须进行图像增强和图像去噪等预处理使其成像清晰，对比度明显，方便后续缺陷检测与分割。

2.1.1  轨道图像增强

图像增强是指用算法突出有用信息，增强视觉效果，使图像更容易被识别的手段。图像增强的方法主要有两大类：空间域方法和频域方法[16]。空间域方法主要利用增强图像像素实现图像增强，而频域方法利用空域与频域互相转换，并进行滤波处理实现图像增强。由于空域处理不需要二次转换，从而减少计算量，所以本文对轨道图像采用空间域增强方法进行图像增强。常用的空间域方法为灰度变换法，灰度变换是通过点运算改变图像的灰度范围，以增强图像清晰度、使其易于识别，线性灰度变换的变换函数为线性函数，适用于曝光不好、灰度范围小、图像模糊、对比度差的图像。本文对钢轨缺陷图像进行线性灰度变换，MATLAB仿真结果如图2所示。

从图2可以看出，线性灰度变换后钢轨表面病害的对比度明显，钢轨图像亮度提高，当斜率取0.1，截距取0.5时，成像效果最清晰，从而为后续轨面区域提取和缺陷分割提供便利。

2.1.2  轨道图像降噪

图像在传输过程中产生的一些噪声，以及增加的图像处理与分析环节的运算量，最终影响缺陷检测的精度。因此，对钢轨图像进行去噪，即图像滤波处理是图像处理的一个不可缺失的重要环节，是保证检测结果精准的一个重要前提[17]。本文采用常用的自适应滤波进行降噪处理。自适应滤波器的参数能够使基于窗口Sxy定义的区域内图像的统计特征发生变化，即根据钢轨图像的局部变化自动调整滤波参数以适应钢轨图像的各个部分。当钢轨图像局部出现明显变化时，自适应滤波器可以进行较小参数变化的滤波处理；当钢轨图像局部变化不明显时，进行较大参数变化的滤波处理[18]。因此，能够很好地保留钢轨图像的边缘信息，有利于后续轨面区域提取和缺陷识别。

希望自适应滤波器具有的能力：

1）当  = 0时，输出g （x，y） = f （x，y）， = 0为噪声方差，g （x，y）为噪声图像上点（x，y）处的值，f （x，y）为原图图像上点（x，y）处的值。

2）当 （局部方差）与  高相关时，这个像素点可能与边缘密切相关，边缘是要被保留下来的，因此，需要输出一个g （x，y）的近似值。

3）当  =  时，输出区域Sxy上像素的算术平均值；此时说明局部图像与全部图像特征性相同。

由上述期望性能，自适应滤波可以数学描述为：

（1）

其中，mL为区域Sxy内像素点的局部均值； 为区域Sxy内像素点的局部方差。

对钢轨图像进行自适应滤波，仿真结果如图3所示，从图像可以看出，自适应滤波可以在去除噪音的同时保留边缘，减少图像模糊度，保存图像连续性。当窗口为3×3时，对图像清晰度基本没有影响，有较多噪声残留；5×5时，仍有许多噪声残留；因此选择窗口大小为9×9，能够基本完全除去噪声的同时，完美保存图像边缘信息。

（a）加噪图像  （b）3×3    （c）5×5     （d）9×9

图3  自适应滤波

从图3可以看出，钢轨表面病害经过自适应滤波处理，能够有效地保留更多的边缘信息，为后续缺陷分割提供便利。

2.2  轨道缺陷分割

缺陷分割就是突出缺陷区域。采集到的图像经过预处理后，增加了图像对比度，降低了轨面缺陷分割计算量，便于缺陷分类。缺陷分割是表面病害检测中关键的步骤，通过分割可以将缺陷目标从背景中分离出来[19，20]。本文利用Otsu阈值分割法进行缺陷分割，利用最佳阈值把钢轨图像的灰度值分割成不同区域之间类间方差最大的子区域；使得不同子区域之间具有最大的分离性。

Otsu算法计算简单，错分概率最小。它的基本思想是：设图像灰度级的集合为s = （0，1，2，3，…，i，…，L-1），ni为灰度级为i的像素数，图像全部像素数为N，则灰度级i出现的概率为：

（2）

满足要求 。

将钢轨图像中的像素用阈值T分割为两部分，其中灰度值在区间[0，T]的称为区域A，灰度值在区间[T + 1，l - 1]称为区域B，则：

区域A占整幅图像的面积比为：

（3）

区域B占整幅图像的面积比为：

（4）

整幅图像的灰度均值为：

（5）

区域A的灰度均值为：

（6）

区域B的灰度均值为：

（7）

由以上算式，可以得到整幅图像的灰度均值与区域A、区域B之间的关系为：

（8）

区域间的方差就是描述两个区域的灰度均值与整幅图像的灰度均值之差打下的参数，其表达式为：

（9）

其中， 为被分割后的两个阈值之间的方差，方差最大时分离状态最佳。

从图4可以发现Otsu阈值分割法对于钢轨缺陷分割效果较好，其中对裂纹缺陷的识别效果最好。

3  特征提取及分类

3.1  特征提取

提取有效的特征能够大大减少计算量，提高检测精度，缺陷特征主要采用特征描述法提取特征，常提取的特征主要有边界特征、区域特征、纹理特征、颜色特征等。基于本文的前期处理而言，本文适合利用边界特征、形状特征对其进行描述[9，21，22]，本文主要要选择具有代表性的特征作为分类依据，以减少选择的特征数量，减小计算量。

通过对Otsu阈值分割后的缺陷进行特征计算，计算出块状缺陷的特征参数如表1所示。

计算出的裂纹缺陷的特征参数如表2所示。

计算出的波纹擦伤缺陷的特征参数如表3所示。

本文总共选取了缺陷的7种特征从不同的方向对钢轨表面病害进行描述，以实现对缺陷的详尽分析。对表1到表3中的各项数据分析法进行对比，不难发现，选择的7种特征虽然都能对缺陷进行描述，但有些特征在三种缺陷差别不大，不能用于准确识别和分类三种缺陷。

块状缺陷的长轴大概在15～30，裂纹缺陷长轴在180～230，波纹擦伤长轴在40～100，长轴特征可以区分出裂纹缺陷，不能区分块状与波纹擦伤。三种缺陷的短轴都在10～30，不能区分出任意一种缺陷。块状缺陷离心率在0.73～0.82，裂纹缺陷离心率在0.11～0.14，波纹擦伤离心率在0.17～0.24，由离心率可以区分出块状缺陷。块状缺陷周长50～70，裂纹周长在250～400，波纹擦伤周长在50～110，周长特征不能区分出缺陷。块状缺陷面积在160～770，裂纹面积980～1 800，波纹擦伤面积在230～470可区分出裂纹缺陷。块状缺陷矩形度0.68～0.77，裂纹在0.19～0.26，波纹擦伤在0.16～0.25，可以根据此特征区分出块状缺陷。块状缺陷致密度在4.88～9.93，裂纹在83.3～105.3，波纹擦伤在13.9～23.3，可以根据此特征区分出裂纹缺陷。

对比7种特征，发现长轴、面积、矩形度、致密度、离心率这5个缺陷特征参数差异较大，考虑到取样的局限性和各种缺陷有大有小，为避免缺陷本身大小带来的误差，所以选取轨道表面病害的离心率、矩形度和致密度这3个特征作为缺陷分类的指标。

3.2  缺陷分类

目前用于图像处理缺陷分类的方法主要有决策树法、贝叶斯分类、K邻近和神经网络。由于在前文将钢轨缺陷分为3种，分类标准也选取了3种，相对简单，因此本文选择决策树法来对钢轨缺陷进行分类识别。具体分类步骤总共有3步：首先根据离心率分离出块状缺陷，然后根据致密度分离出裂纹缺陷，根据离心率和矩形度分离波纹磨损。分类流程如图5所示。

4  实验对比结果

本实验平台由西安市现代智能纺织设备重点实验室提供，实验硬件环境为CPU Lenovo i7-9700K，内存16 GB，操作系统为Windows 10，软件环境为MATLAB 2020a。实验种共采集了100张图片，抽取其中60张作为标准，其中每种缺陷各取20张，对其进行缺陷特征提取，计算它们的离心率、矩形度和致密度，取其数值所在范围作为分类的评判标准。然后对剩余40图片作为测试样本，对其进行分类识别。

4.1  实验过程

4.1.1  缺陷分割实验

本文采用Canny算子和Otsu法阈值分割算法进行缺陷分割，对选取的作为标准的60张图片进行图像分割，对比其分割效果。部分实验结果如图6所示。

如表4所示，缺陷分割实验综合平均准确率约为96.7%，意味着对绝大多数图像能够准确进行缺陷分割。

4.1.2  特征提取与分类实验

首先对已知缺陷的60张标准组图像进行缺陷提取，分别对它们的离心率、矩形度和致密度进行统计，找到它们的分类区间。缺陷特征参数范围示例如图7所示。

对已经提取缺陷特征的60张标准组图像的缺陷特征进行分析，可以得到块状缺陷离心率在0.70～0.85，矩形度在0.60～0.80，致密度大约在4.0～15.0；裂纹缺陷离心率大约在0.10～0.20，矩形度大约在0.15～0.30，致密度在80～110；波纹擦伤离心率大约在0.15～0.25，矩形度大约在0.15～0.25，矩形度在10.0～25.0。根据决策树分类法，首先根据离心率在0.70～0.85分离出块状缺陷，然会根据致密度在80～110分离出裂纹缺陷，根据矩形度在0.15～0.25分离出波纹擦伤，剩下的则为无法分类缺陷。利用以上标准组得到的界限，对实验组进行分类。表5为实验组识别分类结果及准确率。

如表5所示，本文的缺陷分类平均准确率为90%，在分类检测方面属于较高水平，平均检测速度可达58毫秒/张，可以满足工业检测标准。经过实验表明用决策树分类法对钢轨缺陷进行简单分类是可行的。

4.2  实验结果分析

通过实验验证，本文所用钢轨表面病害检测分类方法的缺陷分割准确率为96.7%，分类准确率为90%，检测准确率可以达到要求，检测速度可达58毫秒，同样满足要求，具有一定实用性。实验中影响准确率的主要原因是拍到的原始图像灰度对比度不明显，图像模糊，有些图像缺陷部分和非缺陷部分灰度一样，严重影响图像分割，影响最终检测准确率。

5  结  论

本文对钢轨表面病害检测进行研究，从图像采集、缺陷检测和缺陷识别分类三个方面出发，研究一种基于图像处理的钢轨表面质量检测方法，并利用MATLAB软件进行仿真，对块状缺陷、裂纹缺陷和波纹擦伤三种缺陷进行分类，通过仿真实验得出本文方法的有效性，缺陷分割准确率为96.7%，分类准确率为90%，检测准确率可以达到要求，检测速度可达58毫秒/张。

参考文献：

[1] 刘大为.铁路网络安全面临的严峻形势和主要对策研究 [J].铁道通信信号，2023，59（1）：1-5.

[2] LIMIN C，YIN L，KAIMIN W. Inspection of Rail Surface Defect Based on Machine Vision System [C]//The 2nd International Conference on Information Science and Engineering.Hangzhou：IEEE，2010：3793-3796.

[3] FENG J，ZHANG J F，LU S X，et al. Three-Axis Magnetic Flux Leakage in-Line Inspection Simulation Based on Finite-Element Analysis [J]. Chinese Physics B，2013，22（1）：103-108.

[4] LIU H Y，WANG C M，YU Y S.et al. An experimental study on particle evolution in the exhaust gas of a direct injection SI engine [J].Applied Energy，2020，260.

[5] 张德丰.数字图像处理（Matlab版）：第2版 [M].北京：人民邮电出版社，2015：276-370.

[6] 贺振东，王耀南，刘洁，等.基于背景差分的高铁钢轨表面缺陷图像分割 [J].仪器仪表学报，2016，37（3）：640-649.

[7] 刘泽，王嵬，王平.钢轨表面缺陷检测机器视觉系统的设计[J].电子测量与仪器学报，2010，24（11）：1012-1017.

[8] 闵永智，岳彪，马宏锋，等.基于图像灰度梯度特征的钢轨表面缺陷检测[J].仪器仪表学报，2018，39（4）：220-229.

[9] 李永基.基于图像的轨道表面缺陷识别研究[D].兰州：兰州交通大学，2017.

[10] 罗晖，徐广隆.基于图像增强与深度学习的钢轨表面缺陷检测[J].铁道科学与工程学报，2021，18（3）：623-629.

[11] 王成峰，卞荣俊.城市轨道交通工程车安全控制及运行监测系统运用研究[J].铁道通信信号，2021，57（11）：82-85.

[12] 赵庆安，戴克平，唐龙.城市轨道交通整体网络安全风险分析及应对策略[J].铁道通信信号，2021，57（3）：84-89.

[13] 刘丰收，李闯，田常海.我国高速铁路钢轨早期伤损研究[J].铁道建筑，2018，58（1）：138-140.

[14] WANG K Y，LIU P F，ZHAI W M，et al. Wheel/Rail Dynamic Interaction Due to Excitation of Rail Corrugation In High-Speed Railway [J].Science China（Technological Sciences），2015，58（2）：226-235.

[15] 刘俊博，黄雅平，王胜春，等.基于机器视觉的多线路钢轨扣件缺损检测方法[J].中国铁道科学，2019，40（4）：27-35.

[16] 王文成.基于Halcon的齿轮缺陷检测系统设计[J].机械传动，2014，38（9）：60-63+98.

[17] 袁勇，张固澜.一种改进的中值滤波方法 [J].成都理工大学学报：自然科学版，2013，40（2）：125-129.

[18] 王前选，梁习锋，刘应龙，等.铁路钢轨视觉识别检测方法 [J].中南大学学报：自然科学版，2014，45（7）：2496-2502.

[19] 张博.基于边缘检测的细胞图像分割方法研究与实现[D].武汉：武汉理工大学，2006.

[20] 袁小翠，黄志开，马永力，等.Otsu阈值分割法特点及其应用分析[J].南昌工程学院学报，2019，38（1）：85-90+97.

[21] 杨杰.数字图像处理及MATLAB实现：第3版 [M].北京：电子工业出版社，2019.

[22] 李龙龙，何东健，王美丽.基于图像分析的叶片特征识别相关度[J].计算机工程与设计，2016，37（8）：2259-2263.

作者简介：胡璐萍（1992—），女，汉族，陕西安康人，助教，硕士研究生，研究方向：机器视觉、缺陷检测；王琪璇（1997—），女，汉族，陕西西安人，助教，硕士研究生，研究方向：机器人视觉；吴哲（1989—），女，汉族，陕西咸阳人，讲师，硕士研究生，研究方向：机械设计、结构设计；王小龙（1989—），男，汉族，陕西商洛人，工程师，硕士研究生，研究方向：电气控制、计算机控制、机电一体化方向。