基于CCD圖像分析的空軌軌道梁表面缺陷檢測

(1.中鐵二院工程集團有限責任公司，成都 610031；2.電子科技大學 自動化工程學院，成都 611731)

空軌(或稱懸掛式單軌、空鐵)是一種歷史悠久的城市軌道交通系統，且具有地形適應性強、運營安全可靠、環境適應性好、景觀效果好、造價低、建設周期短等優點[1]，具有廣闊的應用前景。

空軌車輛不同于傳統的輪軌車輛，其走行部位位于軌道梁內，而車體懸吊于其下方，車體底部距離地面一般不小于5 m。軌道梁是由鋼板焊接而成的開口薄壁箱型截面梁，起到引導列車運行、承載列車質量的作用，是空軌系統中最重要的結構之一，其斷面示意如圖1所示。由于長期受到較大的作用力，加上大氣的腐蝕，所以軌道梁表面極易出現裂紋、銹斑、磨損等缺陷，若不及時處理，會危及行車安全。因此，檢測軌道梁表面缺陷的技術成為一種非常重要的控制手段。針對金屬板材的表面缺陷，一般采用人工檢測[2]和高精度傳感器進行檢測，如：渦流檢測[3]、紅外檢測[4]、圖像檢測、漏磁檢測[5]等方法。

圖1 空軌軌道梁斷面示意

圖像檢測方法屬于非接觸檢測技術，在先進的自動化檢測中發揮著重要的作用。圖像檢測方法的原理為：首先采用電荷耦合器件(CCD)攝像機攝取目標圖像，再由圖像處理系統對采集到的圖像進行各種運算以抽取目標的特征，最后根據預設的容許度和其他條件輸出結果，實現對物質表面的自動檢測。目前，結合圖像處理技術和模式識別理論、智能優化算法等,產生了多種缺陷檢測的方法。

筆者采用基于圖像分析技術[6]的表面異常檢測方法，對空軌軌道梁表面進行缺陷檢測。首先，利用CCD圖像的均值和方差盡可能多地回收正常樣本，此過程所需時間短，且缺陷樣本包含正常樣本和缺陷樣本兩部分，故稱此過程為粗檢過程；再利用基于積分圖的Bayes算法將粗檢過程中錯檢為缺陷樣本的正常樣本剔除掉，此過程主要利用壓縮感知算法，該算法準確率較高，但計算速度較慢，故稱為細檢過程。

1 表面缺陷檢測方案

提出了一種高效的金屬板材表面異常實時檢測方法，該方法基于圖像分析技術，可以在不需要大量樣本的前提下，對金屬板材表面異常進行快速檢測，其不僅能提高檢測的準確率，同時也能滿足實時性的要求，檢測流程如圖2所示。

(1)輸入圖像為I，求取該圖像的積分圖I′。

(2)對圖像I中圖像塊(patch)粗分類，得到一個疑似異常patch的集合；除疑似異常patch集合外，其余的patch都歸類到正常的patch集合中。

圖2 表面缺陷檢測流程

(3)利用壓縮感知[7]特征對疑似異常patch進行細檢測，即采用壓縮矩陣對正常patch集合和疑似異常patch集合進行特征壓縮。計算每個維度的均值和方差，獲取正常patch集合w個維度高斯分布的特征；在此基礎上設定一個閾值，并根據閾值進行分類。

2 基于均值和方差的表面缺陷粗檢過程

粗檢過程就是從圖像快速而簡單的幾何特征出發，即通過求取圖像的均值和方差[8]確定合適的閾值，從而將圖像分成正常樣本和疑似缺陷樣本，并進一步檢測出疑似缺陷樣本的缺陷。

2.1 均值和方差檢測的基本算法

采用尺寸為40像素×40像素，步長為20像素的滑動窗口對圖像進行檢測。均值的計算公式為

(1)

式中：m和n分別為圖像的長和寬；I(i,j)為每一點的像素值。

進一步確定圖像的方差計算公式為

(2)

根據方差的定義可知，缺陷區域方差較大，圖像平滑區域，即無缺陷區域方差較小。可見，基于均值和方差的檢測法能夠突出背景灰度差異不大的缺陷部分，進而用于檢測圖像缺陷。

2.2 粗檢試驗結果及分析

金屬板材的表面缺陷主要是裂紋和銹蝕(銹斑)，但同時也包含劃痕和孔洞等缺陷。裂紋粗檢試驗結果如圖3所示，粗檢的試驗過程如下所述。

首先根據式(1)和(2)，求取圖3(a)原圖像的均值和方差，得到圖3(b)和圖3(c)，然后對均值和方差進行排序,并求導得到圖3(d)。由圖3(a)可見，一幅圖像中缺陷部分所占面積遠小于正常部分所占面積；同時，圖3(d)中方差在走勢曲線后端部分開始明顯變化，所以可以設定一個自適應的閾值來進行劃分，試驗所設定的閾值公式為

(3)

圖3 裂紋粗檢試驗結果

式中：thro為閾值；m為相應位置的方差；v為列數，即方差個數；floor函數可實現向下取整的功能；函數變量取v/2是為了盡可能地將缺陷從圖像中劃分出來；time為系數;end為排序后最后一個滑框的編號。

根據實際情況，從2/3區域處開始搜索缺陷，其判斷依據是如果相鄰兩方差的差值大于所設定的閾值，則判斷為缺陷區域，并將其用黃色框框出，如圖3(e)所示。此外，經過大量的試驗觀察，發現均值最大和最小處也是缺陷部分，所以在圖3(e)中增加兩個代表均值最大和最小區域的紅色框。

利用上述方法同樣可得到銹蝕(銹斑)、劃痕及孔洞的試驗結果，分別如圖46所示。結果表明，粗檢過程能夠粗略地檢測出缺陷所在區域。

圖4 銹蝕粗檢試驗結果

圖5 劃痕粗檢試驗結果

圖6 孔洞粗檢試驗結果

對采集到的500張樣本圖片進行試驗，結果顯示，缺陷檢出率為99.2%，準確率為72%，可見該方法存在一定數量的漏檢和錯檢，主要原因是圖像采集過程中背景變化多導致滑框的均值方差波動較大，動態閾值法得到的閾值未將缺陷分割出來。

試驗所用電腦的CPU配置為Intel i5-4590 3.30 GHz，內存為8 G，處理一張2 448像素×2 048像素的樣本圖像僅需18 ms。所以，可將此方法作為一種粗檢方法，即將正常樣本和疑似缺陷樣本區分開的一種快速方法。

3 基于積分圖的Bayes細檢過程

根據試驗結果可知，粗檢速度快但準確率較低，漏檢率可忽略不計。因此，下一步將在粗檢結果(已標注區域)的基礎上,引入基于積分圖的屬板材表面缺陷的Bayes金檢測算法，即細檢方法，將粗檢已標注區域中的正常部分剔除。

圖7 計算積分圖

3.1 基于積分圖的Bayes檢測算法

該算法最顯著的優點是只需對整幅圖像遍歷一次就可以求出所有區域的像素和，且計算速度很快。

設灰度圖像為I，積分圖為I′，計算積分圖如圖7所示。根據Iwidth=width，Iheight=height可知，積分圖計算公式為

(4)

在實際的計算中，通常采用如下所示的計算公式

I′(x,y)=I′(x-1,y)+I′(y-1,x)-

I′(x-1,y-1)+I′(i,j)

(5)

針對工程項目的試驗步驟如下所述。

(1)獲取計算圖像的積分圖。

圖8 圖片壓縮方法示意

(2)獲取被粗檢判定為正常patch(圖像塊)集合的區域，然后隨機選取3～4個部分，圖片壓縮方法示意如圖8所示，按照一定的權重將每個patch進行壓縮，其中壓縮之后的patch服從高斯分布。

針對在粗檢階段已判定為正常patch的每個vi，根據大數定理可得

(6)

式中：rij為圖像像素；xi為權值。

(7)

式中：n為patch的數目。

(8)

可推出

(9)

(3)采用相同的方式對疑似異常的patch進行壓縮，并計算patch為正常的概率，如果該概率大于一個閾值就判斷為正常。

按照上述方法獲取每個樣本的表達式為

(10)

然后再根據Bayes公式計算每個vfi的正態分布概率。具體試驗中將概率最小值作為相應樣本的得分，并將得分大于閾值的部分判定為正常部分。

3.2 細檢試驗結果及分析

采用上述細檢方法對粗檢圖像進行檢測，可得如圖910所示的試驗結果。

由圖9～10可知，細檢結果的精確度明顯高于粗檢結果的精確度，進一步證明了細檢法可將粗檢結果中的正常部分剔除。對采集到的500張樣本圖像進行試驗的正確率為98.2%，粗檢過程的正確率為72%，可見細檢過程很大程度上提高了正確率。一張圖像經歷粗檢和細檢過程需耗時70 ms左右，可見該檢測法基本能滿足一般檢測中實時性的要求。

4 結語

提出的檢測方法主要分為粗檢和細檢兩個階段,粗檢采用均值和方差相結合的方法來預先回收正常樣本，而其中疑似缺陷樣本也包含了較多的正常樣本，因此需要再通過細檢過程進行更細致的篩選。細檢即通過壓縮感知的特征提取與特征學習，及Bayes似然分類來提高檢測的正確率。試驗證明，該方法對于金屬板材表面各種異常缺陷(如裂紋、銹蝕、劃痕、污跡、異物等)的檢測都有較高的檢出率和正確率，以及較好的實時性。

圖9 待檢圖像一的粗檢和細檢結果

圖10 待檢圖像二的粗檢和細檢結果