基于圖像傳感器的鐵軌表面缺陷視覺檢測算法*

茅正沖，鄔 鋒

(江南大學物聯網工程學院，江蘇無錫214122)

0 引言

傳統的鐵軌缺陷檢測主要依靠鐵路工作人員巡檢，但人工檢測效率低且具有一定的危險性。人工檢測的限制促進了許多先進無損檢測技術的發展，無損檢測技術主要通過傳感器來獲取鐵軌狀態，然后使用軟件系統進行缺陷檢測。無損檢測技術中基于圖像傳感器的視覺檢測效率高，成本低，抗干擾性強，在鐵軌表面缺陷檢測中得到了很好的發展［1～3］。

鐵軌缺陷中無規律表面缺陷［4，5］是視覺檢測的難點，因為:1)無規律缺陷是隨機出現在鐵軌表面上，沒有共同的周期形狀特性，只能依據圖像像素灰度來區分缺陷與背景;2)鐵軌表面圖像是從室外環境獲取的，天氣和自然光的影響會使缺陷表面受到的光照不均勻;3)鐵軌表面對光的反射率不同使圖像灰度分布變化較大。對鐵軌缺陷圖像進行有效的圖像增強和自動閾值分割可以提高缺陷檢測效率。

鐵軌圖像增強主要是灰度對比度增強，圖像對比度增強可以簡單分為直接增強和間接增強兩種類型［6］。直接增強算法是通過對比度測量法增強圖像對比度，間接增強算法是通過調整圖像直方圖增強圖像對比度。典型間接增強算法有全局直方圖均衡化、自適應直方圖均衡化［7］和對比度受限自適應直方圖均衡化［8］。但這些方法不能很好消除鐵軌表面光照不均和反射率不同的影響，因此，不適用于鐵軌圖像增強。

自動閾值分割法是按照一定準則自動選取一個灰度值來把缺陷目標從圖像背景中提取出來［9］。比較常見的自動閾值法有迭代閾值法［10］、最大熵法［11］和最大類間方差法［12］等自動閾值法，但這些方法對直方圖為單峰分布的圖像處理并不理想，而增強后的鐵軌缺陷圖像直方圖是接近單峰分布的，因此，這些方法不適用于鐵軌缺陷圖像分割。

針對無規律鐵軌表面缺陷檢測的難點，本文主要研究了局部對比度測量法和改進的最大類間方差法來對鐵軌圖像進行增強和分割，實現了鐵軌表面缺陷檢測率的提高。

1 鐵軌圖像對比度增強

圖像對比度反映了圖像目標與背景之間的亮度差異，廣泛應用的對比度主要有兩種:Weber對比度和Michelson對比度［13］。Weber對比度主要反映小目標與均衡背景之間的差異，計算公式為

其中，f為目標的亮度均值，b為背景的亮度均值。Michelson對比度主要測量周期圖案的對比度，例如:正弦光柵圖像，計算公式為

其中，Lmax和Lmin分別表示光柵圖像中最大亮度值和最小亮度值。Weber對比度和Michelson對比度都不適用于復雜圖像。

鐵軌表面缺陷圖像通常具有以下特性:1)圖像全局背景灰度分布會因為不同的光照和表面反射率而變化較大，但這種變化主要表現在橫軸方向(垂直于列車行駛方向);2)在一個局部窗口中，例如:一個縱軸線窗口，光照和表面反射率是比較穩定的，因此，在局部窗口中圖像灰度變化較小;3)缺陷的灰度一般都比背景的灰度低。根據這些特性并在Weber對比度的基礎上，本文提出了一種適合鐵軌表面圖像增強的局部對比度測量法。

5.開展優化粉葛中提取葛根素的工藝。加熱，放冷，再稱，定重量，用30%乙醇補足減失的重量，搖勻，濾過，取續濾液，進樣測定得到試驗結果。每組處理勻采用了3次重復，求3次平均值。

設圖像I和以像素點(x，y)為中心的一個m×n鄰域窗口W，圖像局部對比度L(x，y)定義為

其中，I(x，y)為像素點(x，y)的灰度值，μW為窗口 W 中灰度的均值。圖像L(x，y)能夠通過裁剪處理進行進一步增強，圖像 L(x，y)的灰度值可以分為兩部分:LO={L(x，y)＜ 0}和 LB={L(x，y)≥0}。當圖像 L(x，y)位于 LO時表示像素點(x，y)的灰度比它的局部背景更低，這像素表示缺陷像素或噪聲;當圖像L(x，y)位于LB時表示像素的灰度比它的局部窗口均值更高，這些像素可認為是背景的一部分。因此，圖像L(x，y)可以按照以下方法進行裁剪處理

然后，將圖像L(x，y)的灰度重新調整到0～255灰度區間。鐵軌圖像增強效果如圖1所示，由圖1(c)可以看出:缺陷區域比背景區域明顯突出，并且很好地消除了光照不均和不同表面反射率的影響，并使背景比較均衡化。

圖1 鐵軌圖像對比度增強效果Fig 1 Rail image contrast enhancement effect

2 鐵軌圖像自動閾值分割

假設一副256灰度級的圖像M，fi為灰度值i的像素頻數，N為圖像M總的像素數，則灰度值i的概率表示為

圖像M的全局灰度均值表示為

假設t為分割閾值，則圖像可以分割成C1={0，1，…，t-1}和 C2={t，t+1，…，255}兩類，C1和 C2分別對應于圖像目標部分和圖像背景部分。C1和C2的概率分別為

C1和C2的灰度均值分別為

日本學者大津首次提出最大類間方差法(Otsu)來確定最佳閾值，最大類間方差法是通過最大化圖像目標類和圖像背景類之間的類間方差來選取最佳閾值的。C1和C2之間的類間方差計算公式為

最大類間方差法確定的最佳閾值計算公式為

最大類間方差法對灰度直方圖為明顯雙峰或多峰分布的圖像分割效果較好，而對灰度直方圖為單峰分布或接近單峰分布的圖像分割效果較差。經增強處理后的鐵軌缺陷圖像灰度直方圖如圖2所示，從圖2中可知，增強后的缺陷圖像直方圖為接近單峰分布，所以，原始最大類間方差法對鐵軌圖像分割效果不理想，需要進行一定的改進。

圖2 增強圖像灰度直方圖Fig 2 Enhanced image gray histogram

一般經過圖像增強的鐵軌圖像絕大多數背景像素的灰度值都接近255，而缺陷像素和噪聲在整幅圖像中所占比例非常低，所以，一個理想的分割閾值t應該使缺陷比例w1(t)的值小，相反1-w1(t)的值應該大，因此，改進的最大類間方差法所得閾值可以由類間方差σ2B(t)和1-w1(t)共同確定。最佳閾值t*的計算公式為

其中，常量參數 k用來控制1-w1(t)作用程度。圖3(b)和圖3(c)分別為最大類間方差法和改進最大類間方差法的圖像分割結果，從圖3中可知，改進最大類間方差法所得閾值比普通最大類間方差法所得閾值更小，因此，對圖像進行分割時可以消除更多的噪聲，且保護了缺陷信息不丟失，分割效果更好。

圖3 鐵軌缺陷圖像分割結果Fig 3 Rail defect image segmentation result

3 鐵軌缺陷識別

鐵軌增強圖像經過閾值分割后得到鐵軌二值圖像，其中"1"像素表示背景，"0"像素表示缺陷目標或噪聲。缺陷目標和噪聲被分割成相互分離的連通區域，使用區域增長標記法［14］對每個符合8鄰域鄰接準則的"0"像素連通區域進行標記，計算每個標記區域的面積(像素個數)。當標記區域的像素個數大于700，則檢測為缺陷，當像素個數小于700，則檢測為噪聲并進行消除，缺陷識別如圖4所示。

圖4 鐵軌缺陷識別Fig 4 Rail defect recognition

4 實驗結果分析

實驗采用了在不同天氣情況下拍攝的800副大小為900×300鐵軌圖像進行處理分析，其中，600副為無缺陷圖像，200副為有缺陷圖像。實際鐵軌缺陷檢測中所拍攝的圖絕大多數為無缺陷圖像，所以，實驗中采用了較多的無缺陷圖像。缺陷實際總數為284個，檢測出正確缺陷個數為261個，檢測出假缺陷42個。實驗中使用了準確率和檢全率兩個準則，準確率α和檢全率β定義為

其中，Nt為檢測出來的正確缺陷個數，Nf為假缺陷但被檢測為缺陷的個數，N為實際缺陷個數。

4.1 鐵軌圖像增強算法中窗口選擇分析

局部對比度測量法對鐵軌圖像增強效果的好壞主要依賴于圖像局部窗口中光照和表面反射率是否穩定，因此，窗口W尺寸的選擇非常重要，這將直接影響缺陷檢測率。本文采用了15×15的方形窗口、135×15的矩形窗口和135×1的線形窗口，檢測率如表1所示。從表1中可知，在線形窗口下缺陷檢測性能最好，因為鐵軌圖像在縱軸方向(列車行駛方向)上光照和表面反射率都變化較小，而在橫軸方向上變化較大。

表1 不同窗口的檢測結果Tab 1 Detection results of different windows

4.2 改進最大類間方差法中常量k的選取分析

改進最大類間方差法中參數k不同所得閾值也不同，為了選取最合適的 k 值，分別取 k=5，10，15，20，25，30，40，50，60測試檢測性能，檢測結果如圖5所示。從圖5可知，當k值從小到大時，檢測率會先平穩再逐漸變小，而準確率由小變大且趨于平穩。鐵軌表面缺陷檢測中檢全率比準確率更重要，要保證較高檢全率的前提下再盡量提升準確率，因此，當k取15時檢測性能最好。

圖5 不同k值的檢測結果Fig 5 Detection results of different k value

4.3 不同類間方差法對檢測率的影響

本文對最大類間方差法和改進最大類間方差法對缺陷檢測率的影響進行了分析比較，結果如表2所示。由表2可知，使用改進最大類間方差法比最大類間方差法檢測效果更好。改進最大類間方差法分割圖像時可以消除更多的噪聲且又不丟失缺陷信息，因此，在相同檢測率時，改進最大類間方差法可以較大地提高準確率。

表2 兩種閾值法的檢測結果Tab 2 Detection results of two threshold methods

5 結論

本文提出了分別適合于鐵軌表面無規律缺陷圖像增強與分割的算法:局部對比度測量法和改進最大類間方差法值法。實驗結果表明:局部對比度測量法很好地消除了鐵軌圖像光照不均和不同表面反射率的影響使缺陷區域明顯突出于背景區域且使背景均衡化。改進的最大類間方差法是通過使類間方差較大的同時又保持缺陷比例較低來選取最優閾值的，所得閾值比普通最大類間方差法所得閾值更小，因此，對圖像進行分割時可以消除更多的噪聲又不丟失缺陷信息。

［1］Li Qingyong，Ren Shengwei.A real-time visual inspection system for discrete surface defects of rail heads［J］.IEEE Transactions on Instrumentation and Measurement，2012，61(8):2189-2199.

［2］唐湘娜，王耀南.鐵軌表面缺陷的視覺檢測與識別算法［J］.計算機工程，2013，39(3):25-30.

［3］官 鑫，趙智雅，高曉蓉.圖像處理技術在鋼軌表面缺陷檢測和分類中的應用［J］.鐵路計算機應用，2009，18(6):27-30.

［4］Li Qingyong，Ren Shengwei.A visual detection system for rail surface defects［J］.IEEET ransactionson Systems，Man，and Cybernetics—Part C:Applications and Reviews，2012，42(6):1531-1542.

［5］王 平，劉 澤，張廣偉.基于數字圖像處理和特征提取的鋼軌表面缺陷識別方法［J］.現代科學儀器，2012，4(2):24-28.

［6］Tang Jinshan，Peli Eli.Image enhancement using a contrast measure in the compressed domain［J］.IEEE Signal Processing Letters，2003，10(10):289-292.

［7］Zhu Youlian，Huang Cheng.An adaptive histogram equalization algorithm on the image gray level mapping［C］∥2012 International Conference on Solid State Devices and Materials Science，2012:601-608.

［8］劉 軒，劉佳賓.基于對比度受限自適應直方圖均衡的乳腺圖像增強［J］.計算機工程與應用，2008，44(10):173-175.

［9］Hui-Fuang Ng.Automatic thresholding for defect detection［J］.Pattern Recognition Letters，2006，27(14):1644-1649.

［10］李海燕，張榆鋒.基于灰度迭代閾值脈沖耦合神經網絡的圖像分割［J］.計算機應用，2011，31(10):2753-2756.

［11］吳一全，殷 駿，畢碩本.最大倒數熵/倒數灰度熵多閾值選取［J］.信號處理，2013，29(2):143-150.

［12］李 敏，羅洪艷.一種改進的最大類間方差圖像分割法［J］.南京理工大學學報，2012，36(2):332-337.

［13］Eli Peli.Contrast in complex images［J］.JOpt Soc Am A，1990，7(10):2032-2040.

［14］劉奇琦，龔曉峰.一種二值圖像連通區域標記的新方法［J］.計算機工程與應用，2012，48(11):178-180.