高速鐵路無砟軌道表面裂縫三維圖像自動識別算法

陽恩慧， 張傲南， 楊榮山, 王郴平

(西南交通大學(xué) 土木工程學(xué)院， 四川 成都 610031)

隨著我國高速鐵路在近些年大量投入運營，軌道結(jié)構(gòu)在服役期內(nèi)不斷出現(xiàn)開裂問題，對于軌道結(jié)構(gòu)狀態(tài)演變規(guī)律的準確掌握與高精度傷損狀態(tài)檢測是進行軌道科學(xué)維護的前提，而現(xiàn)有的檢測技術(shù)僅能較好地掌握軌道幾何形位，高效的軌道表面?zhèn)麚p檢測技術(shù)的缺乏，制約著高速鐵路軌道維修技術(shù)的發(fā)展。

目前針對鐵路軌道結(jié)構(gòu)表面特征的自動檢測，國內(nèi)外均已研發(fā)出一些巡檢系統(tǒng)。如德國BvSys公司的RAILCHECK系統(tǒng)[1]、美國Cybernetix公司的VIS系統(tǒng)[2]以及法國SNCF公司研制的MGV高速綜合檢測列車[3]，以上公司研發(fā)出的檢測系統(tǒng)均采用非接觸式的計算機視覺檢測技術(shù)，利用大功率的泛光燈提供光源，通過高頻線陣CCD相機對軌道表面進行掃描，從而得到拼接成的軌道圖像。該類通過普通光源和相機獲得的圖像分析主要依據(jù)各部件圖像的灰度信息進行分類識別，誤判率較高，其工作模式為實時采集圖像、離線識別分類及最后的人工對缺陷進行確認。我國于2006年陸續(xù)引進國外軌道表面特征巡檢系統(tǒng)，在高速鐵路快速發(fā)展且軌道養(yǎng)護需求急劇增加的環(huán)境下，國內(nèi)的科研單位和高校開始探索國產(chǎn)檢測系統(tǒng)的研制，并取得了一些成果。如高速車載式軌道圖像巡視系統(tǒng)[4]、車載智能軌道巡檢系統(tǒng)[5]、車載軌道巡檢系統(tǒng)[6]以及扣件檢測系統(tǒng)[7]等，該類系統(tǒng)受強日光影響或受軌道某部件的遮擋，會導(dǎo)致采集圖像存在陰影，不利于后續(xù)的圖像分析識別。

近年來，三維激光檢測技術(shù)發(fā)展較快，該技術(shù)利用激光作為光源，根據(jù)三角測量原理，用高頻相機采集整個檢測部位的三維圖像，該技術(shù)可避免普通光源檢測面臨的陰影問題。加拿大Pavemetrics公司研制了鐵路激光檢測系統(tǒng)[8]，西班牙阿爾卡拉大學(xué)研究了基于激光的三維圖像的鐵路扣件檢測系統(tǒng)[9]。三維激光檢測技術(shù)在其他領(lǐng)域，包括公路路面和機場道面的檢測已取得突破性進展，關(guān)于三維圖像識別算法的研究也取得了諸多成果，可為軌道結(jié)構(gòu)表面?zhèn)麚p三維檢測技術(shù)的發(fā)展提供借鑒。

目前，國內(nèi)外應(yīng)用圖像處理識別算法在無砟軌道表面特征識別領(lǐng)域的研究成果較少。文獻[10]以BP神經(jīng)網(wǎng)絡(luò)作為識別分類器，應(yīng)用不同的特征識別算法對軌道板、鋼軌裂紋等進行識別。文獻[11]利用室內(nèi)試驗條件完成軌道自動檢測系統(tǒng)的研制，相繼提出了利用小波變換單級分解法和小波變換多級法提取鋼軌表面缺陷的算法。王堯[12]提出了基于圖像代數(shù)的圖像處理算法和硬件實現(xiàn)技術(shù)，展示了硬件的仿真結(jié)果和圖像處理的結(jié)果。文獻[13]利用高速掃描相機采集到的鐵路數(shù)字圖像信息，針對不同的扣件圖像特征研究出檢測扣件缺失的算法。關(guān)于三維圖像識別算法概括起來有神經(jīng)網(wǎng)絡(luò)法[14]、紋理分析法[15]、模糊集法[14]以及形態(tài)學(xué)法[16]等。Kelvin等[17-18]基于三維圖像數(shù)據(jù)，針對采集到的路面裂縫病害圖像進行識別與分類算法研究取得了較好的裂縫識別效果，并提出了三維裂縫的重構(gòu)算法。

有效、快速的識別算法是實現(xiàn)智能識別系統(tǒng)功能的基礎(chǔ)與前提，然而當(dāng)前的識別算法識別率仍然未能達到理想的精度。對文獻[17-18]已有研究成果的進一步提升，本文采用三維光影模型，對高速鐵路軌道板表面裂縫的高精度自動識別進行研究，結(jié)合試驗測試數(shù)據(jù)，對算法進行了準確性驗證。

1 基于三維光影模型的自動識別算法

本文采用文獻[17-18]研究提出的三維光影模型分析方法，該算法基于投射光源為無窮遠、不考慮漫射、反射及折射等基本假定，裂縫區(qū)域內(nèi)的三維高度理論上低于周邊的高度等基本原理，通過光線投影形成陰影，從而對陰影區(qū)域進行形態(tài)分析，來達到表面裂縫識別的目的。在雙向投影下，坡面無法形成陰影區(qū)，僅凹槽能形成陰影區(qū)，見圖1。

采用縱橫向雙向投影，將原始的表面裂縫三維圖像轉(zhuǎn)換為二進制圖。經(jīng)過雙投影后，對兩個方向的投影圖進行疊加，從而可以得到整合的陰影圖。

( 1 )

2 裂縫提取與噪聲處理法

本文采用文獻中所述的方法來進行連通域分析[19]。首先對該陰影群采用線性形態(tài)分析，從而實現(xiàn)判斷某是否屬于裂縫區(qū)域。認為裂縫是以長線性的形態(tài)出現(xiàn)，裂縫的寬度較為均勻，認為裂縫的走向較為統(tǒng)一。針對裂縫的固有三大特征，可設(shè)三個指標，分別反映各個陰影群在線形、寬度分布及走向上的得分[20]。

首先，基于基本假定認為陰影群是長線性的形態(tài)，通過設(shè)定長寬比實現(xiàn)判別。本文中設(shè)定的長寬比認為，如果不滿足式( 2 )要求的陰影區(qū)，都將被認為是噪聲進行刪除[20]。

( 2 )

基于裂縫的寬度較為均勻，對相鄰剖面的寬度進行對比分析，如平均剖面寬度差異較大，且不滿足式( 3 )要求的將被視為噪聲進行刪除[20]。

( 3 )

式中：Ρi為平均剖面寬度的差異率；Ni為剖面的總數(shù)；Wi,j為剖面寬度；Rp為閾值，取Rp=1.0。

在陰影群的某一剖面，以下式計算該陰影群的平均走向差異值，即[20]

Vi,j=Pti,j-Pti,j-1

( 4 )

( 5 )

( 6 )

同理，如陰影群不滿足下式要求，則將其刪除[20]。

Τi≤Ri

( 7 )

在本文中，線形得分按下式進行計算為[20]

( 8 )

在陰影群的某一剖面，若兩走向夾角超過某一值時，則該剖面會被記錄為走向異樣剖面，陰影群的加權(quán)綜合得分為[20]

Fi=α1Si,1+α2Si,2+α3Si,3

( 9 )

式中：Fi為陰影群的加權(quán)綜合得分；α1、α2、α3為加權(quán)系數(shù)，α1=α2=α3=1/3；Si,2、Si,3為不同方向陰影群的線形得分。

在本文中，若陰影群的加權(quán)綜合得分小于最低綜合得分Fmin=80，則該陰影群會被認為是噪聲，進而被刪除。最后，當(dāng)某陰影群同時滿足：長度小于25 mm、周邊無其他大的陰影群，就會被刪除[20]，見圖2。

3 高速鐵路軌道結(jié)構(gòu)傷損檢測平臺

基于激光三維成像的原理，采用高性能CMOS相機與高穩(wěn)定性激光發(fā)射器組成的激光-相機組件，作為高速鐵路無砟軌道表面病害檢測系統(tǒng)的硬件組成。針對無砟軌道表面信息復(fù)雜、多樣等特性，集成了7套激光-相機組件協(xié)同收集軌道表面3D數(shù)據(jù)。研究了GPS定位系統(tǒng)、距離測量儀、IMU、行車記錄攝像機等元器件的工作機理與集成機制的研究，使各個元器件能夠在系統(tǒng)控制電腦和控制機箱的操作下完成數(shù)據(jù)的發(fā)生、傳輸、交換與存儲，最終實現(xiàn)了高速鐵路無砟軌道表面?zhèn)麚p檢測系統(tǒng)的硬件集成與實時數(shù)據(jù)采集處理。

基于多線程計算機GPU并行數(shù)據(jù)處理技術(shù)，研究了高性能計算機并行處理算法與人機交互式識別算法，并將其應(yīng)用于無砟軌道表面三維云點大數(shù)據(jù)的收集與病害識別分析過程中，實現(xiàn)了計算速度的優(yōu)化，極大地提高了系統(tǒng)運行效率及數(shù)據(jù)處理的可靠性與穩(wěn)定性。

采用課題組研發(fā)的三維激光檢測平臺，在室內(nèi)低速下采集軌道結(jié)構(gòu)表面的傷損特征。系統(tǒng)采用綠色線激光技術(shù)，基于研發(fā)的控制與集成采集系統(tǒng)，在系統(tǒng)精確定位及檢測精度標定的基礎(chǔ)上，啟動檢測平臺對下部軌道結(jié)構(gòu)進行全斷面覆蓋的軌道板結(jié)構(gòu)表面?zhèn)麚p檢測。檢測覆蓋寬度大于2.5 m，儀器高度1.7 m，激光發(fā)射角度75°。采用課題組自主編制研發(fā)的三維數(shù)據(jù)收集軟件進行實時三維數(shù)據(jù)的收集，由于室內(nèi)條件的限制且考慮到人員安全，在室內(nèi)25 m長的1∶1實尺高速鐵路軌道結(jié)構(gòu)模型線上，檢測設(shè)備采集速度控制在5～10 km/h。此處數(shù)據(jù)采集重點針對軌道板中間部位(兩側(cè)承軌臺之間)，進行數(shù)據(jù)的收集和裂縫檢測分析。集成的高速鐵路軌道結(jié)構(gòu)表面?zhèn)麚p檢測數(shù)據(jù)采集平臺見圖3。

4 典型軌道板裂縫識別案例分析

基于三維光影理論模型基本原理與方法，本文采用課題組自主研發(fā)的智能分析程序開展研究?；诒疚牡娜S光影模型三維圖像裂縫識別算法，采用Visual Studio平臺研發(fā)成功，加入人機交互優(yōu)化算法，可實現(xiàn)對軌道板表面裂縫的快速智能識別。軌道結(jié)構(gòu)三維數(shù)據(jù)重構(gòu)圖見圖4。

根據(jù)以上采集數(shù)據(jù)庫，對軌道板全線開展裂縫的自動識別與裂縫參數(shù)的自動提取，通過軟件的系統(tǒng)查找，可快速實現(xiàn)對室內(nèi)構(gòu)建裂縫的快速識別，在高速鐵路軌道結(jié)構(gòu)室內(nèi)模型試驗中，所獲軌道板裂縫(橫向裂縫1#、斜向裂縫2#)分析結(jié)果見圖5，軟件中可自動將裂縫查找結(jié)果用紅線標示出來，通過三維數(shù)據(jù)的采集和分析，本系統(tǒng)能成功實現(xiàn)對所造兩條典型軌道板裂縫的全部收集，可實現(xiàn)100%快速的智能裂縫識別。再進一步對所測裂縫數(shù)據(jù)的分析，測試獲得的裂縫數(shù)據(jù)見表1。由表1可知，在成功實現(xiàn)對裂縫的快速識別基礎(chǔ)上，裂縫參數(shù)的試驗測試結(jié)果與人工采用游標卡尺和直尺精確測試結(jié)果的比值具有較好的相關(guān)性，對于兩條裂縫最大寬度的識別結(jié)果分別為3.0、3.4 mm，相比人工精確測試結(jié)果的相對誤差為6.25%、9.68%，裂縫長度的測試識別相對誤差為1.39%、2.92%，平均深度的測試識別相對誤差為15.69%、13.04%。

表1 測試結(jié)果對比分析

裂縫參數(shù)裂縫編號人工測試/mm試驗/mm相對誤差/%最大寬度1#3.23.06.252#3.13.49.68長度1#7908011.392#8558302.92平均深度1#5.14.315.692#4.64.013.04

5 結(jié)論

本文針對高速鐵路軌道結(jié)構(gòu)的表面裂縫，基于三維光影模型算法，通過開發(fā)智能程序開展對裂縫的自動識別研究。通過本文的研究，得出以下研究結(jié)論：

(1) 基于三維圖像技術(shù)，采用雙向投影后，將原始三維圖像轉(zhuǎn)換的二進制圖，分別對陰影與非陰影區(qū)進行標記計算，建立了基于三維光影模型的軌道結(jié)構(gòu)表面裂縫的三維圖像識別算法。

(2) 針對軌道結(jié)構(gòu)的表面裂縫，采用連通域法、線性形態(tài)法，對圖像噪聲進行消除，從而提高軌道結(jié)構(gòu)表面裂縫的識別準確率。

(3) 室內(nèi)模型試驗結(jié)果表明，采用本文所提出的裂縫識別算法可實現(xiàn)高準確率的自動裂縫識別。與人工測量的對比結(jié)果表明，軌道板裂縫最大寬度的識別結(jié)果相對誤差為6.25%、9.68%，裂縫長度的測試識別相對誤差為1.39%、2.92%，平均深度的測試識別相對誤差為15.69%、13.04%。