軌道板圖片的智能切割和拼接算法研究

朱浩森 中國鐵路上海局集團有限公司科研所

1 引言

隨著高速鐵路電氣化、信息化進程的推進，里程數的不斷增加，線路安全狀態成為一個十分重要的關注點，軌道板作為無砟軌道的重要組成之一，是整體支撐鋼軌的基礎，在長期承受列車通過鋼軌傳遞的載荷、經歷風吹日曬后，難免會遇到軌道板破損、扣件缺失等一系列的問題。以往的人工巡檢需要花費大量的人力和時間，周邊環境條件也會對作業造成一定程度的影響，夜間作業還要考慮到的上道安全問題，嚴重影響了巡檢效率。在車載軌道巡檢系統的幫助下，可以通過安裝在車底的線陣列相機高效采集軌道板圖片。由于圖像采集軟件受車輪編碼器控制，采集到的圖像為固定尺寸，無法按照軌道板的長度對每一塊軌道板進行拍攝。因此，將原始圖片按照板縫位置進行智能分割后再重新拼接成完整的軌道板，通過專業檢測人員對軌道板圖片進行檢測分析，可以減少上道作業的風險，減輕巡檢工人的負擔。

2 圖片的預處理

圖像預處理在數字圖像中起著重要的作用。圖像質量直接影響分析，如分類、識別、分割等。在該系統中，圖像的預處理分為兩個步驟：二值化和提取特征區域。其主要目的是將圖像中對特征影響相對較小的信息過濾處理掉，提高相關信息的可檢測性，最大限度地簡化數據，從而改進特征選取、圖像分割、匹配和識別的可靠性。

2.1 圖像二值化

圖像二值化就是將圖像上的像素點的灰度值設置為0或255 的一個過程，即整個圖像呈現出明顯的黑白效果。在二值化處理前，首先要將圖像轉化為灰度圖，通過加權法或者平均值法求出灰度值Gray，將原來RGB(r,g,b）三通道中的r,g,b 統一使用Gray 替換，得到新的顏色RGB(Gray,Gray,Gray)，也就是說，通過選擇合適的閾值，256 個亮度等級的灰度圖像仍然能夠反映圖像整體和局部特征。在數字圖像處理中，二值圖像起著非常重要的作用，尤其是在實際的圖像處理中，許多系統通過二值圖像處理來實現。

Otsu 算法（大津算法）是由日本學者大津于1979 年提出，是一種可以快速確定圖像二值化分割閾值的算法，其原理和計算簡單，不受圖像亮度和對比度的影響。該算法假設圖像中的像素能夠根據閾值，被劃分為前景和背景兩個部分，然后計算出使得前景與背景圖像類間方差最大的閾值。

將t記為前景與背景的分割閾值，前景點數占圖像比例為w0，平均灰度為u0；背景點數占圖像比例為w1，平均灰度為u1。

則圖像的總平均厚度為：

u=w0×u0+w1×u1

前景和背景圖像的方差：

g=w0×(u0-u)×(u0-u)+w1×(u1-u)×(u1-u)

等價公式：

g=w0×w1×(u0-u1)×(u0-u1)

當方差g最大時，可以認為此時前景和背景差異最大，此時的灰度t是最佳閾值sb=w0×w1×(u1-u0)×(u0-u1)。二值化前后圖片如圖1 所示。

圖1 二值化前后圖片對比

2.2 提取特征區域

軌道板的結構如圖2a 所示。兩塊軌道板之間由凸型擋臺間隔，即凸型擋臺所在的位置為板縫處。受采集相機光源照射影響，板縫越靠近凸型擋臺，陰影越明顯，因此選取凸型擋臺向左100 像素寬度的圖片進行研究。在此區域內的圖像不受到扣件及電務軌旁設備影響，可以過濾掉絕大多數干擾。以樣本圖片為例，取1 500 到1 600 像素的區域作為特征區域處理。對于不同批次采集到的原始圖片，特征區域的選取也會進行調整。提取的特征區域如圖2b 所示。

圖2a 軌道板結構

圖2b 特征區域圖片

3 具體操作流程

圖3 流程圖

系統流程圖如圖3 所示。第一步，將原始圖片進行灰度化處理及二值化處理，獲得黑白的二值化圖片。第二步，提取特征區域，將其保存至新的文件夾內完成預處理。第三步，讀取預處理過的圖片，圖片分為兩類：有板縫圖片和無板縫圖片。對于有板縫的圖片，可以判定板縫以上部分為一塊軌道板的底端，將其向前一張圖片拼接完成一張軌道板的圖片并輸出；板縫以下部分為新的一塊軌道板的首端將其作為一張新的圖片保存。如果是無板縫的圖片，則拼接到上一張圖片。重復操作，直至讀取完文件夾內所有圖片。

通過預處理，原始圖像由2048×2087 像素轉化為100×2087 的矩陣，其中黑色點的像素值為0，白色點的像素值為255。經過測量得知，板縫的寬度在圖像中約占80 像素，板縫處的像素點大多為黑色點。如果把一塊區域內的像素點值求和，那么總和越大，說明白色像素點越多，相反黑色像素點越多。設置檢索區域為100×40 的矩陣，以確保板縫一定會完整落在一個矩陣內。假定一個100×40 矩陣內全是白色像素點，則總和為100×40×255=1 020 000，記為sum，然后自上至下逐行對圖像的矩陣進行像素點求和，像素點之和記為n。n 與sum 的比值p 代表了一個矩陣內黑色像素點的出現率，p 的值越小，說明黑色像素點越多。為了過濾掉一些受到光照影響和表面破損出現的陰影干擾，設置當p 值小于0.15，則判斷為板縫處。圖4 為一張原始圖片的p 值圖，可以明顯看出在600 像素到640 像素區間段p 值的變化趨勢很大，即此區間段為板縫處。將p 值返回原圖處理，即可對原圖板縫處進行切割。

圖4 p 值圖

圖5 拼接后的軌道板圖片

在用于測試的8 000 張軌道板圖片中，實際板縫為3316處，檢測到板縫為3 342 處。其中漏檢23 處，漏檢率為0.69%；誤檢49 處，主要出現道岔位置。由于道岔處軌道狀態復雜，容易將部分鐵軌識別為板縫。拼接的軌道板圖片如圖5所示。

4 優化方案

由于受到道岔影響的圖片較多，針對該問題的解決方案是對軌道板圖片的長度h 增加判斷條件。通過拼接獲得的軌道板圖片的長度分為2 種型號，一種長度范圍在3 900 像素到4 000 像素之間，另一種長度在5 200 像素到5 300 像素之間。當一張圖片拼接完成，獲取該圖片的尺寸，如果長度在任一范圍區間之內，則說明正確拼接；否則繼續向前一張圖片拼接。

5 結論

使用該系統可以快速高效地將軌道板原始圖片進行分割和拼接，獲得清晰完整的軌道板圖片。檢測人員只需要使用電腦對軌道板圖片進行，如果發現軌道板、光帶或扣件等異常故障，可以將問題報告給工務部門，再根據軌道板位置進行上道檢修，可以避免大量的重復勞動，減少天窗作業的次數，為后續基礎設備設施的智能檢測和定位提供便利，更為信息化鐵路的推進做出貢獻。