基于計算機視覺的鋼軌扣件檢測算法研究

劉 馨，穆 穎，張 斌

（蘭州工業學院電子信息工程學院，甘肅 蘭州 730050）

基于計算機視覺的鋼軌扣件檢測算法研究

劉 馨，穆 穎，張 斌

（蘭州工業學院電子信息工程學院，甘肅 蘭州 730050）

針對傳統鋼軌檢測方法不能滿足線路檢修的需要，提出了一種基于計算機視覺的鋼軌扣件檢測算法，運用投影法和特定區域像素點掃描統計相結合的方法定位扣件位置，使用灰度特征和HOG特征描述扣件特征向量，并利用Chi開方距離分類器進行特征提取。實驗結果表明，該算法具有一定的有效性和可行性。

計算機視覺；鋼軌扣件；HOG特征；最近鄰分類器

目前我國鐵路運輸系統正在高速發展，鋼軌部件檢測是基礎設施檢測中的一部分，它對保證鐵路安全運行起著重要的作用。鋼軌扣件缺失是引起鐵路交通事故的重要原因之一，扣件缺失會加快車輪的磨耗，形成鋼軌表面各種缺陷，同時也增加了脫軌的可能性。傳統的人工檢測法費時費力，對測試人員的要求也較高，而基于計算機視覺技術的無損檢測法具有非接觸、速度快等特點，可以降低測試人員的勞動強度，提高測量效率和測量精度[1]。在鋼軌維護方面，全面普及自動化軌檢設備是未來發展的方向。

我國軌檢車視覺檢測系統以引進美國ImageMap公司的LaserailTM系統為主[2]，該系統的相關算法尚未對外公布。目前視覺鋼軌扣件檢測系統的核心圖像處理算法是準確提取扣件特征，在其特征提取算法的研究中，文獻[3]提出運用小波變換的方法定位扣件所在區域，然后利用扣件特征結構進行扣件識別；文獻[4]根據顏色信息對新舊扣件進行檢測；文獻[5]提出“十字交叉”法來定位扣件區域，Haar-like矩形特征提取扣件特征，利用AdaBoost算法的分類器實現扣件識別。以上算法都在噪聲環境下對灰度圖像進行處理，但隨著噪聲加劇，各算法在視覺扣件檢測系統中處理的精度和速度難以達到要求。

本文針對已有研究成果的不足，結合Halcon機器視覺軟件提出一種可自動檢測鋼軌扣件的算法，該算法基于投影法和長直線法確定鋼軌和軌枕的交叉位置，在該區域內進行像素點掃描統計判定扣件位置，采用灰度特征和HOG特征相結合的方法來提取扣件特征，然后通過基于Chi開方距離的最近鄰分類器來實現扣件檢測。實驗結果表明該算法能自動識別扣件，可為軌道檢查提供一種快捷、有效的途徑。

1 檢測系統的組成

圖1為視覺鋼軌扣件檢測系統示意圖，該系統由線陣相機、鏡頭、光源、激光傳感器等構成[6]。該系統可安裝在軌檢車底部，隨著軌檢車運動的過程中，線陣相機連續獲取現場軌道及相關圖像，并由通信接口傳輸到上位機保存和分析使用。

本系統圖像分析過程主要采用Halcon編程開發。該軟件是德國MVtec公司開發的一套機器視覺集成開發軟件，已廣泛應用于工業生產的各個方面。整個圖像處理算法主要分為3部分：首先采集圖像并進行預處理，包括灰度化、去噪和分割，降低后續處理的復雜度；其次采用投影法和長直線法相結合進行扣件位置粗定位；通過分析鋼軌扣件的灰度特征和HOG特征，結合基于Chi開方距離的最近鄰分類器找到最優扣件；最后對鋼軌圖片中的扣件進行特征匹配，完成扣件檢測過程。整個處理流程如圖2所示。

圖1 鋼軌扣件檢測系統結構圖Fig.1 The structure diagram of rail fastener detection system

圖2 鋼軌扣件檢測系統流程圖Fig.2 The flow chart of rail fastener detection system

2 圖像預處理

2.1 圖像采集

圖像采集主要是把真實圖像轉化為可以被計算機處理和儲存的數字圖像。該過程可用2種方式實現[7]：① 在Halcon軟件中，通過read_image算子可從計算機文件中讀取鋼軌扣件圖片；② 通過計算機連接工業相機，采用open_framegrabber和grab_image算子實時獲取鋼軌扣件圖片。用工業相機獲取圖像時，相機的成像平面應盡量平行于被測對象平面，否則會產生較大的畸變，相機必須進行標定。采集到的鋼軌扣件圖像如圖3所示。

圖3 鋼軌扣件源圖Fig.3 Image of rail fastener

2.2 預處理過程

由于使用的線性相機分辨率為4 096×1，每2 000行輸出一幅圖像，故相機采集到的圖像寬度大于扣件所在部分，其中非扣件區域會影響處理機的處理速度。同時，考慮到圖像中還有一定噪聲，故預處理部分包括圖像灰度化、去噪、圖像分割。

2.2.1 圖像灰度化

圖像采集得到的圖片是RGB彩色圖像，為了后續圖像處理，要將這些彩色圖像轉化為灰度圖像。圖像灰度化原理遵循

其中：Pgray表示灰度圖像中像素的灰度值；Pred表示彩色圖像中紅色分量；Pgreen表示彩色圖像中綠色分量；Pblue表示彩色圖像中藍色分量。

2.2.2 去噪

在圖像獲取過程中，采集到的圖像都含有噪聲。在自然界中很多噪聲都滿足高斯分布，為了消除噪聲，采用高斯濾波去噪算法來實現。這里采用了3×3的零均值高斯濾波算子[8]，如

其中：L3表示一個的卷積模板 （矩陣中的數值代表濾波權值），濾波的過程即為該模板與灰度圖像進行卷積后輸出平滑圖像的過程。對灰度化后的圖像進行高斯濾波，濾波后的結果如圖4所示。

圖4 灰度化和去噪后圖像Fig.4 Gray processing and denoising image

2.2.3 圖像分割

從濾波后的圖像中可以看出，目標扣件和背景圖像在灰度特性上差異很大，因此可采用二值化處理來實現，即通過設定一閾值，當圖像中一個像素的灰度值小于設定的閾值，就認為該像素是所需目標；反之屬于背景區域。常用的閾值分割方法有基于點的全局閾值法、基于區域的全局閾值法、局部閾值法等，這里主要采用局部動態閾值法，即在每個局部鄰閾內取出滿足公式（3）的像素點[9]

其中：fi為原始灰度圖的像素值；fo為濾波后灰度圖的像素點；g為自定義的像素點偏移量。最優的像素點偏移量范圍是5≤g≤30，偏移量過大容易提取不到區域，反之又會讓很多含有噪聲的小區域被提取出來，因此這里選擇g=12。

3 鋼軌扣件檢測

3.1 扣件位置粗定位

由于采集到的圖像中包含鋼軌、扣件、軌枕等區域，除目標扣件外干擾因素太多，因此檢測前需要先對扣件區域進行定位。在采集到的圖像中軌道是亮度較高而且筆直的兩條直線，軌枕垂直于鋼軌，灰度變化在垂直方向上，而扣件對稱分布在鋼軌和軌枕交叉位置，因此在進行扣件檢測之前，先找到鋼軌和軌枕的邊緣，確定好扣件的大致范圍，之后在該范圍內進行扣件檢測。具體步驟如下：

1）對圖像分別進行水平方向和垂直方向上的投影，由于軌道的區域就是高亮區域，它會在灰度投影分布圖中出現波峰效果，從而可檢測出軌道的大致位置；

2）投影之后，根據長直線檢測法[10]找到該區域內最長的兩條長線段，即為軌道的左右邊界；

3）以軌枕寬度為區域寬度，在垂直投影上從左到右進行統計掃描，由于軌枕和扣件的區分度很大，把灰度化的圖像進行閾值化處理（這里選取固定閾值為80），閾值化后圖像只有0和1兩個像素值，統計檢測區域內像素值1的個數，當像素值1的個數大于9 000的區域，判定為軌枕區域；

4）根據先驗知識提取扣件區域。

經上述實驗分析可知，由于鋼軌扣件總是排列在軌道的兩側，扣件之間的距離大致在250～350個像素之間，故可定位在區域內檢測扣件。效果如圖5所示。

3.2 扣件的HOG特征描述

僅根據灰度特性分割目標扣件存在一定的偏差，因此在灰度特性分析的基礎上，還可通過分析梯度特性進一步確定扣件位置，HOG特征可通過扣件區域的梯度和邊緣特征得到扣件的形狀信息，為下一步進行特征匹配提供依據。

計算HOG特征的過程如下：

1）計算梯度值。鋼軌扣件的大小基本為100×100，因此輸入圖像的大小為100×100，在將圖像劃分細胞單元時，每個細胞單元的大小設置為100×100。這里利用一維離散微分模板計算每個細胞單元的梯度，計算過程[11]為

式中：Gx（x，y），Gy（x，y）分別表示像素點（x，y）在水平方向和垂直方向上的梯度；H（x，y）表示像素點（x，y）的灰度值，其梯度幅值方向的計算公式如下

其中：G（x，y）表示像素點（x，y）的梯度大小；a（x，y）表示像素點（x，y）的梯度方向。

2）統計每個像素點的梯度方向并對其進行加權投票，建立9維（將0～π分為9個方向）的梯度方向直方圖。

3）對區塊進行歸一化處理，將相鄰的四個細胞單元合并成一個區塊，具體方法是將每個維度的值除以向量的L2范數，即

其中V是未歸一化的向量；ξ是一個很小的常數。

4）將圖像中所有細胞單元的HOG特征向量一起組合成一個大的HOG特征向量，就可以得到整個圖像的HOG特征。

經HOG特征描述后獲得一個扣件模板如圖6所示。

圖5 扣件位置粗定位效果圖Fig.5 The result of fastener coarse positions

圖6 扣件模板Fig.6 The fastener template

3.3 扣件的特征提取

經過對鋼軌扣件的HOG特征描述后，得到了扣件的特征向量，接下來要在鋼軌圖像中找到一個與扣件模板特征最接近的區域，完成特征提取，本文主要采用Chi開方距離的最近鄰算法作為扣件檢測的分類器。

在扣件檢測中最近鄰算法的主要思想[12]是：令樣本集Dn＝{x1，x2，…，xn}，其中每一個樣本x1所屬的類別已知。設測試樣本點為x，設定一個最小距離的閾值，若樣本與測試樣本比較后的最小距離小于這個閾值，就判定它是一個扣件。

用Chi開方距離計算直方圖距離Y

其中：ωa為訓練樣本的特征向量；ωb為測試樣本的特征向量。

4 實驗結果

本系統開發是基于Halcon軟件的實驗系統，該系統在蘭州西動車所進行了現場鋼軌視頻采集，鋼軌扣件為彈條型扣件。隨機抽取了100張圖片運用本算法進行扣件檢測，部分檢測效果如圖7所示。

圖7 鋼軌上扣件檢測效果圖Fig.7 The result of rail fastener detection

通過實驗計算了本算法的扣件檢測準確率，如表1所示。

表1 扣件檢測數據表Tab.1 The data of fastener detection

通過上述實驗結果可以看出，先經過鋼軌和軌枕位置定位后再采用Chi開方距離的最近鄰算法進行扣件檢測，檢測的準確度大幅提高，檢測時間也縮短不少。

5 結論

本文提出了扣件位置粗定位和基于Chi開方距離的最近鄰算法相結合的鋼軌扣件檢測算法，通過采集現場視頻進行算法驗證。實驗結果表明，文中采用的算法能較好地提高扣件的檢測效率。

文中目前只對慢速采集的鋼軌視頻進行了實驗，對軌檢車采集的高速視頻來說，本算法的檢測誤差會增加；同時由于扣件位置粗定位中采用長直線檢測法，對直線鋼軌檢測效果明顯，而對有彎曲的鋼軌檢測結果存在一定誤差，導致扣件位置定位出現偏差，將影響扣件檢測結果。

參考文獻:

[1]嚴健.線路養護維修存在的問題及其解決辦法[J].計中國鐵路，2004（11）：15-19.

[2]黃建新.圖像處理在軌道檢測中的應用研究[D].北京：北京交通大學，2007.

[3]HSIEH HY，CHEN NM，LIAO CL.Visual recognition system of elastic rail clips for mass rapid transit system[C]//Joint Rail Conference and Internal Combustion Engine Division Spring Technical Conference(JRC/ICE 2007)，Pueblo，CO，USA，2007：319-325.

[4]MANEESHA S，SAMEER S，JAY J.Autonomous rail track inspection using vision based system[C]//CIHSPS 2006-IEEE International Conference on Computational Intelligence for Homeland Security and Personal Safety Alexandria，VA，USA，2006：56-59.

[5]范宏.基于圖像的鐵路扣件缺陷檢測算法研究[D].重慶：西南交通大學，2012.

[6]吳芳.全視覺高速鐵路扣件缺失系統軟件設計及算法研究[D].上海：上海交通大學，2013.

[7]朱先鋒，潘洪軍.基于Halcon的硒鼓缺陷檢測與一維尺寸測量[J].吉林大學學報：信息科學版，2014，32（3）：308-315.

[8]王文成.基于Halcon的齒輪缺陷檢測系統設計[J].機械傳動，2014：60-63.

[9]錢廣春，劉暉，陶衛等.基于相關直線法的高速運動目標快速探測方法[J].大連交通大學學報，2011，4（2）：79-82.

[10]MATAS J，GALAMBOS C，KITTLER J.Robust detection of lines using the progressive probabilistic hough transform[J].Computer Vision and Image Understanding（CVIU），2000，78（1）：119－137.

[11]馬姍.鐵路扣件識別的研究[D].北京：北京交通大學，2012.

[12]王凌，張冰，陳錫愛.基于計算機視覺的鋼軌扣件螺母缺失檢測系統[J].計算機工程與設計，2011，32（12）：4147-4150.

Research of Detection Algorithm for Rail Fastening Based on Computer Vision

Liu Xin，Mu Ying，Zhang Bin
（School of Electronic and Information Engineering，Lanzhou Institute of Technology，Lanzhou 730050，China）

As the traditional rail detection method can no longer meet the railway maintenance requirements,an detection algorithm of rail fastening based on computer vision is proposed in this paper.The position of the fastener can be located by using the projection method and the method of scanning pixels and statistics of specific areas.The characteristics of fasteners are described by way of gray level features and HOG features,and the Chi square distance classifier is adopted to extract features.Results indicate that the algorithm shows certain validity and feasibility.

computer vision；rail fastening；HOG features；K-nearest neighbor classifier

U213.5

A

1005-0523（2017）02-0072-06

（責任編輯 姜紅貴）

2016－10－24

國家自然基金項目（61461023）；甘肅省教育廳高等學校第二批科研項目（2013B-096）；蘭州工業學院青年科技創新項目（15K-009）

劉馨（1983—），女，講師，碩士，研究方向為機器視覺，圖像處理技術。