基于軌道圖像位置距離特征的扣件狀態識別

馮婷立， 鄭樹彬， 李立明

(上海工程技術大學 城市軌道交通學院， 上海 201620)

0 引 言

鐵路固定完好的鋼軌是保障列車安全運行和高效的重要手段，扣件檢測則是鋼軌固定的一個重要問題。目前大部分檢測常使用傳統手段即人工檢測，效率低、安全低，雖利用軌道檢修車上線檢測，但仍然有較大誤差，在特定情況下，安全隱患劇增。專家學者對扣件檢測問題和算法深入的探索，也有大量的學者轉向機器視覺算法，此算法大多借助相機采集的圖像、圖像分析、能提高效率，減少人工，將更多的時間集中到優化機器視覺算法中。

Yang采用方向場算法和模板匹配相結合檢測扣件狀態[1]，但對扣件定位精確度和采集的圖像質量有較高的要求。然而現場鋼軌采集的圖像受到各種環境因素影響，使得圖像質量差異性顯著，匹配精度大幅度下降；劉甲甲的思路是去除冗余繁雜的背景信息，通過枕肩、扣件的空間位置關系，通過提取PHOG特征和MSLBP特征加權融合，提取扣件宏觀紋理特征[2]，但是在扣件背景復雜的情況下，特征點有待加強；李永波采用梯度方向直方圖和主成分分析方法，提取扣件特征，以實現扣件識別[3]，但需提高檢測速率；范宏改進的LBP算法達到自適應噪聲抑制，可提取扣件的顯著特征，利用模板匹配算法精確扣件區域定位[4]，但匹配速度有待加強。

本文探索潘得路扣件扣緊和非扣緊狀態的識別，主要思想是利用軌道圖像位置距離特征進行判別，利用同步控制線陣相機對鋼軌及潘得路扣件進行多次圖像采集；對采集到的圖像進行分類和歸一化處理，將十字交叉法與霍夫變換相結合，實現鋼軌扣件區域的定位并提取；利用算子進行輪廓提取，再對扣件區域的主要形狀特征進行模板匹配定位，得到固定螺栓和絕緣帽的中心坐標參數，通過比較距離位置特征，實現扣件狀態識別。

1 圖像預處理

設定線陣相機參數，采集到一系列的灰度扣件圖像，其圖像分辨率為4096×2048，與實際的扣件圖像比例一致。圖像增強不會增加原始圖像中的信息量[5]，而只是對待處理的感興趣區域的數據信息擴展其數值范圍，更有利于顯示目標區域并且方便分割、提取等操作的進行。為了減少噪聲干擾，對原始扣件圖像歸一化處理，采用對灰度的對數變換。對數變換就是將暗像素值進行擴展，高灰度值進行壓縮，從而實現圖像歸一化能。結果如圖1所示。

(a) 采集的扣件圖像原圖

(b) 變換后扣件圖

2 扣件定位

霍夫變換是一種基礎的識別形狀的圖像檢測方法，用于從圖像中提取出具有某種相同顯著特征的形狀，如邊緣直線等[6]。本文利用霍夫變換檢測鋼軌邊緣，霍夫算法會在參數空間中執行投票來決定物體的形狀，特征檢測的結果是把圖像上的點分為不同的子集，從而進行形狀判別和檢測直線。對采集的圖像進行霍夫變換，結果如圖2所示。圖2顯示檢測到多條特征線，可找出部分確認鋼軌和扣件區域邊緣所在像素。由于采集的多幅圖像中部分區域的鋼軌亮度逼近255(亮度為255，圖中顯示為白色)，此部分鋼軌灰度與周圍灰度形成鮮明的對比，最易識別。為簡化識別流程，可用部分鋼軌的兩側邊緣代替整個鋼軌的邊緣。

對其進行垂直灰度和水平灰度投影，結果如圖3所示。垂直灰度投影通過兩個低谷所對應的像素確定，可得到較為準確的部分鋼軌兩側邊緣的像素，水平灰度投影通過兩個高谷所對應的像素確定，可得到較為準確的扣件區域邊緣所在像素，從而獲得扣件的粗略定位。因主要對扣件狀態識別，粗略扣件定位可以提高整個流程的效率。

圖2 霍夫變換的檢測結果圖

圖3 垂直和水平投影結果圖

采用“十字交叉法”對扣件區域定位，其基本原理就是在原始采集圖像中搜尋到特征顯著的水平的橫線以及垂直的豎線，利用此橫線和豎線十字交叉的中心坐標來定位出粗略的鋼軌扣件區域[7]。同時結合霍夫變換和垂直水平投影的結果，以及軌道扣件的先驗位置數據，提取出鋼軌兩側的扣件區域，如圖4所示。

圖4 扣件區域

3 扣件狀態識別

3.1 輪廓識別

邊緣檢測算子的種類多樣，而其基本原理都具有共同點，即通過對待處理圖像中的各個像素點之間的灰度值變化速率來反映其邊界信息，通常采用的卷積模版是基于灰度梯度值的，當模板與待處理圖像中的某一個子圖像重合時，對重合的像素點運用卷積計算，可以獲取該區域中各個像素點的響應值，用來作為各個像素點的鄰域灰度值的變化率，也成為灰度梯度值[4]。通過不斷移動模板在整幅圖像中進行卷積計算就得到了該圖像的梯度圖。常用算子為Sobel、Roberts、Prewitt算子，對圖4結果圖進行輪廓提取，結果如圖5所示，其中Roberts算子提取效果較佳。

3.2 基于貪心算法的模板匹配

本文利用貪心算法來減少在原始圖像中匹配到固定螺栓和扣件絕緣帽的時間，做出一系列選擇使原始問題得到最快解決，即在模板匹配時，可選擇哪一區域進行匹配，從而減少匹配時間。若將匹配模板中特征點與圖像中的物體特征點的點積全部計算，需要龐大的計算量和時間，然而部分點積可以不計算。算法實行時，當匹配的數高于最小的匹配數mmin時，才可獲取一個可能的匹配實例，以此再進行判斷。用mj來表示前j個點的點積的計算之和，公式(1)：

(1)

余下的點n-j的點積的和的計算公式(2)：

mj

(2)

若公式(2)成立，則在計算完mj后便終止計算。在實際應用中，如果讓所有的部分和mj滿足此條件mj

(3)

對處理后扣件區域進行分析，圖像中的扣件絕緣帽(類方形)和固定螺栓(類圓形)具有較為穩定且均勻的灰度特征，因此將扣件絕緣帽區域及固定螺栓區域分別制作成子模板，采用基于貪心算法的模板匹配，對扣件區域圖像進行多次模板匹配定位，取平均值，以獲取扣件絕緣帽及固定螺栓的中心坐標參數。

3.3 基于位置距離特征的扣件狀態識別

基于位置距離特征的扣件狀態識別算法，此為位置距離指的是一幅圖像中左右兩側的扣件絕緣帽的中心位置距離鋼軌中心線之間的絕對值距離。基于貪心算法模板匹配算法定位到的扣件區域多個特征位置，對扣件絕緣帽的特征區域的中心位置坐標進行計算，并與選定相對穩定的參考位置進行對比判斷，統計所有特征距離，對其以一定標準分類，獲取扣件狀態信息，達成扣件狀態識別的目標。此算法的優點之一是可以定量分析，獲得當前待檢測扣件狀態的相對像素距離參數，可直觀的在圖中顯示待進一步維修的扣件數目。

但此識別算法，需要選取一個相對穩定的參考位置。由于采集到的圖像中整體的鋼軌的邊緣線并不具有顯著區別于背景的灰度值，實驗臺搭載相機會隨檢測小車橫向擺動，使得采集圖像的鋼軌中心線不穩定，獲取不一定精確，因此鋼軌區域的中心線不能作為相對穩定的參考位置。

而潘得路快速扣件本身具有的固定螺栓位置，相對固定的特點，鋼軌左右兩側各一個，可以提取兩側固定螺栓的中心，具有良好的穩定性。因此，選取左右兩個固定螺栓中點O1和O2連線的中點O(X0,Y0)作為特征距離參考點，參考坐標如圖6示。

其中，O(X0,Y0)點坐標由算法定位得到的O1(X3,Y3)、O2(X4,Y4)坐標求得，如式(4)：

(4)

計算左右扣件絕緣帽中心點P1(X1,Y1)、P2(X2,Y2)和特征距離參考點O的水平相對距離ΔX1、ΔX2，如式(5)：

ΔX1=|X1-X0|，ΔX2=|X2-X0|

(5)

圖6 計算特征距離參考坐標

當ΔX1、ΔX2的值小于一定的像素閾值(該閾值通過先驗實驗求平均值所得)，設該閾值為C1(pixel)，若水平相對特征距離ΔX1、ΔX1小于該閾值C1，則扣件處于扣緊狀態；相反，扣件處于非扣緊狀態。

4 實驗與結論

為了對算法進行驗證，采用線陣相機實驗臺采集到1 000張扣件圖像，由于扣件圖像數量龐大，分為10組數據A1-A10，每組為100張，進行圖像分析，圖7即為扣件采集實驗臺。

圖7 實驗臺裝備

實驗環境是在windows下運用OpenCV計算機視覺庫，采用C++語言在Visualstudio2016境實現的。首先運用基于貪心算法的模板匹配，獲取A1組扣件區域圖像的固定螺栓及扣件絕緣帽的中心坐標參數OA1-1(X3,Y3)、OA1-2(X4,Y4)、PA1-1(X1,Y1)、PA1-2(X2,Y2)， 基于位置距離計算，求取兩個扣件絕緣帽的中心到兩固定螺栓的中心線的相對特征距離ΔXA1-1、ΔXA1-2，選定判斷閾值C(pixel)，取先驗實驗的平均值分別為255(pixel)。重復上述步驟，對A2-A10組的扣件圖像計算對應的相對特征距離ΔXAi1、ΔXAi2。其中，i=2,3…10。再利用Matlab2016a軟件得到相對特征距離統計圖，A1組和A2組的相對特征距離統計圖如圖8和圖9所示。由統計結果及閾值C(pixel)，可對這組圖像的扣件狀態進行分類，扣件狀態識別結果見表1和表2。

圖8 A1組的扣件狀態識別特征距離統計圖

圖9 A2組的扣件狀態識別特征距離統計圖

表1 A1組扣件狀態識別結果

表2 A2組扣件狀態識別結果

將表1和表2檢測的扣件狀態與原始扣件圖像的扣件狀態加以比較，兩者較為吻合，識別率達到99%。

5 結束語

本文探索潘得路扣件扣緊和非扣緊狀態的識別，經過了圖像采集、圖像預處理、位置距離模板匹配，兩固定螺栓的中心參數位置，扣件絕緣帽中心參數位置，計算相對位置特征距離參數。通過實驗驗證，發現選定的圖像特征有利于扣件狀態的識別，識別率接近99%，說明研究相對位置特征距離參數對扣件識別狀態有效。