潘得羅扣件的彈條狀態識別算法*

朱澎程 蘇圣超 陳興杰 李立明

(上海工程技術大學城市軌道交通學院，201620，上海 ∥ 第一作者，碩士研究生)

鋼軌扣件是軌道上用于固定鋼軌的連接零件，鋼軌扣件的工作狀態對列車安全運行極其重要。近年來隨著機器視覺檢測技術的不斷發展，國內外研究人員針對鋼軌扣件狀態的識別展開了大量研究。文獻[1]將主元分析法應用于扣件螺母缺失檢測，并依據全局特征向量距離完成扣件狀態的識別。文獻[2]依據鋼軌扣件區域的HOG(方向梯度直方圖)特征，實現扣件狀態識別。文獻[3]采用方向場法，使用模板進行匹配，從而實現扣件狀態識別。文獻[4]利用Harr-like特征對鋼軌扣件進行狀態識別。文獻[5]使用LBP(局部二值模式)算法對鋼軌扣件圖像處理后，將LBP直方圖作為SVM(支持向量機)的輸入，利用訓練完成的SVM進行扣件狀態識別。上述算法都是通過檢測螺栓的缺失或者彈條的缺失、斷裂來完成扣件狀態識別。

潘得羅扣件是英國潘得羅公司生產的一種無螺栓式鋼軌扣件。工人在采用潘得羅扣件的線路上巡檢時，無需像有螺栓式扣件那樣反復檢查扭矩和擰松擰緊，因此，大大提高了線路維護效率和質量，同時降低了巡檢成本。由于潘得羅扣件的彈條采用開關式結構，其狀態需要根據彈條的彈出距離來進行判斷，故上述文獻中的扣件狀態識別方法并不能直接適用于潘得羅扣件的狀態識別。

本文提出了一種融合彈條紋理特征與形狀特征的潘得羅扣件狀態識別算法。該算法使用灰度-梯度共生矩陣與幾何參數算法，分別提取鋼軌扣件的彈條紋理特征與形狀特征，再將兩種特征組合成復特征向量后將其放入SVM分類器中訓練，最后利用訓練好的SVM分類器識別鋼軌扣件的狀態。該算法的具體流程如圖1所示。

圖1 融合彈條紋理特征與形狀特征的潘得羅扣件彈條狀態識別算法流程圖

1 鋼軌扣件檢測區域的劃分

潘得羅扣件是一種開關式扣件，彈條的彈出距離能夠反映其所處的工作狀態。圖2中，鋼軌扣件的工作狀態是由彈條的彈出距離決定的。因此，根據人工巡檢的經驗值，將鋼軌扣件進行區域劃分，則可將扣件的狀態離散化。若彈條在不同的區域出現，則鋼軌扣件處于相應的工作狀態。圖3為檢測區域劃分圖。

圖2 鋼軌扣件的狀態

圖3 鋼軌扣件檢測區域劃分圖

2 鋼軌扣件的彈條紋理特征提取

紋理反映的是像元亮度(DN)值的空間變化特征, 即圖像某個區域內具有規律性排列的灰度分布。圖像紋理信息是由圖像高頻信息的空間分布所影響的[6]。由圖2可見，圖像對比度低、紋理模糊，且扣件與背景的區分度小。因此，需要增強圖像的高頻信息，提升高頻分量在總體分布中的占比，即增強鋼軌扣件彈條紋理的清晰度，提升鋼軌扣件彈條與背景的對比度，突出鋼軌扣件彈條的紋理特征，為進一步對鋼軌扣件的彈條紋理進行分析奠定基礎。

2.1 自適應對比度增強算法

自適應對比度增強(ACE)算法的主要技術手段是反銳化掩模技術[7]。該算法的具體實現步驟如下：首先利用低通濾波器獲得扣件的彈條圖像反銳化掩模，接著將原圖與反銳化掩模相減獲得扣件彈條圖像的高頻部分，然后把被放大高頻部分與反銳化掩模相加，最終獲得增強了高頻信息與紋理細節的扣件的彈條圖像。

定義f(i,j)為增強后的圖像，x(i,j)為原始圖像，mx(i,j)為反銳化掩模，C為常數且C>1。則ACE算法可表示為：

(1)

f(i,j)=mx(i,j)+C[x(i,j)-mx(i,j)]

(2)

其中,n為圖像的行數或列數。

圖4為ACE算法處理前后鋼軌扣件的彈條對比圖。由圖4可見，鋼軌扣件的彈條經過ACE算法處理后，彈條區域的紋理獲得大幅增強，較好地抑制了背景的紋理。

圖4 ACE算法處理前后鋼軌扣件的彈條圖片對比

2.2 基于灰度-梯度共生矩陣的紋理特征提取

圖像本身的灰度信息與圖像灰度變化的梯度信息均可以描述圖像的紋理特征信息[8]?；叶?梯度共生矩陣是把圖像的梯度信息合并到灰度共生矩陣中，即將灰度信息與梯度信息結合，能夠有效地獲取圖像的灰度信息與梯度信息[9]。本文利用歸一化后的灰度-梯度共生矩陣計算，經由ACE算法增強紋理細節后扣件彈條圖像的紋理特征參數。本文使用的紋理特征統計量是相關性、灰度均值、灰度均方差、梯度均值和梯度均方差。

取圖像{f(m,n)|m=0,1,2,…,N-1,n=0,1,2,…,N-1}，將灰度級設為Gf。采用平方和的方法求取梯度圖像{g(m,n)|m=0,1,2,…,N-1,n=0,1,2,…,N-1}，即：

(3)

定義灰度-梯度共生矩陣為{H(i,j)|i=0,1,2，…,Gf-1,j=0,1,2，…,Gg-1}。其中，H(i,j)是{(m,n)|f(m,n)=i;G(m,n)=j;m=0,1,2,…,N-1,n=0,1,2，…,N-1}中元素的個數。對其進行歸一化處理，使各元素之和為1，變換公式為：

(4)

因此，本文在歸一化處理后從灰度-梯度共生矩陣中選取相關性、灰度均值、灰度均方差、梯度均值及梯度均方差作為圖像的紋理特征參數。

則灰度均值μ1為：

(5)

梯度均值μ2為：

(6)

灰度均方差 ?1為：

(7)

梯度均方差 ?2為：

(8)

相關性T為：

(9)

圖5～9是選取的28張鋼軌扣件彈條圖的紋理特征統計量柱狀圖。由圖5～9可知，兩種狀態下大部分鋼軌扣件的彈條在相關性、灰度均值、灰度均方差、梯度均值及梯度均方差等紋理特征統計量上存在較大區分度。但光照的影響使得部分扣緊狀態的彈條與彈出狀態的彈條紋理特征相似。因此，需要引入其他特征來輔助識別鋼軌扣件的彈條狀態。

圖5 彈條相關性紋理特征統計量柱狀圖

圖6 彈條灰度均值紋理特征統計量柱狀圖

圖7 彈條灰度方差紋理特征統計量柱狀圖

圖8 彈條梯度均值紋理特征統計量柱狀圖

圖9 彈條梯度方差紋理特征統計量柱狀圖

3 鋼軌扣件的彈條形狀特征提取

形狀特征可以非常直觀地刻畫物體，其不受物體周圍環境變化的影響，是物體的穩定信息。圖像中物體形狀的感知與區別極大地影響著人們對于圖像的理解[10-11]。物體輪廓提取在圖像處理中有著非常重要的地位，在目標識別、目標分類、圖像分割等領域有著極其廣泛的應用，為物體形狀識別打下了良好的基礎。

由于鋼軌扣件的彈條圖像中圓形邊緣是彈條獨有的形狀，能較好地區分彈條在檢測區域內是否存在。因此，選擇彈條圓形邊緣作為形狀特征統計量的來源。

3.1 基于Gabor濾波器的邊緣增強

二維Gabor濾波器是由正弦信號構成的高斯核函數，其奇函數部分能更好地增強圖像的邊緣[12]。θ方向上二維Gabor濾波器的奇函數由1個高斯函數和1個正弦函數相乘得到：

(10)

式中：

x，y——代表像素點坐標；

σ——高斯函數的標準差；

λ——Gabor濾波器的波長；

θ——Gabor濾波器的方向角。

若一種紋理的功率譜能量占絕對優勢，另一種紋理的功率譜能量處于相對弱勢，則利用Gabor濾波器圖像中兩種紋理的交界邊緣會獲得一定的增強[13]。若將不同時頻域特性Gabor小波函數應用到變換中，則可輸出圖像不同的局部邊緣特征。選取合適的σ，λ，θ，結合上述Gabor濾波器的帶通特性，則彈條紋理的功率譜能量將得到大幅增強，而背景紋理的功率譜能量會被抑制。因而圖像中彈條區域具有較大的幅值響應，而背景區域的幅值響應較小，從而增強了彈條的圓形邊緣。Gabor濾波前后鋼軌扣件的彈條對比如圖10 所示。

圖10 Gabor濾波前后彈條對比圖

3.2 基于距離變換的形狀特征提取

圖像在經過Gabor濾波后，雖然彈條圓形邊緣獲得增強，但其內部仍然存在一定的噪聲干擾，影響后續的形狀特征提取。為了更好地突出彈條圓形邊緣的輪廓，利用距離變換法對圖像進行處理，具體步驟如下：

1) 計算彈條圖像中所有的內部點和非內部點，點集分別為S1，S2；

2) 計算S1中的每一個內部點(x1,y1)到外部點S2(x2,y2)的最小距離，這些最小距離構成集合S3。

3) 距離變換后的灰度值G(x,y)為：

(11)

式中：

S3,max，S3,min——分別為集合S3中的最大值和最小值。

圖11為距離變換前后的彈條對比圖。由圖11 b) 可見，彈條的圓形邊緣較好地在圖像中得以呈現，這有利于下一步對其形狀特征統計量進行提取。從距離變換后的圖像中提取彈條圓形邊緣的形狀，并采用有關形狀定量測度的幾何參數算法可提取圓形邊緣的形狀特征。

圖11 距離變換前后彈條對比圖

本文選取面積S、圓度C、最小外接矩形長度L、最小外接矩形寬度W及最小外接圓半徑R等參數來描述圓形邊緣的形狀特征。

4 基于SVM的潘得羅扣件的彈條狀態識別

在工程應用中，通過人工設置復特征向量中參數的閾值并不適合，而分類器越來越被廣泛地應用于環境復雜、特征參數較多的扣件狀態識別中。

由于SVM在解決小樣本、非線性及高維模式識別問題上有著突出的表現[14]，因而 SVM成為目前最常用、效果最好的分類器之一。本文采用SVM分類器。

選擇μ1、?1、μ2、?2及T等5個統計量作為圖像的紋理特征統計量，組成紋理特征向量FGGCM。選取S、C、L、W和R等5個統計量作為鋼軌扣件的彈條形狀特征統計量，組成形狀特征向量FSHAPE。

為了更好地發揮紋理特征與形狀特征各自的優勢，并且根據潘得羅扣件的特點，將樣本空間上的FGGCM與FSHAPE以復向量的形式組合成為復特征向量空間。即復特征向量FGGCM+SHAPE為：

式中：

λ——5個復特征向量各自對應的權重系數。

式(12)中，為了達到最佳識別效果，λ可以被設置成不同的特征組合比例。

5 試驗結果與分析

為了驗證本文所提算法的準確性，本文以在地鐵線路現場用線陣相機拍攝的500張鋼軌扣件圖片作為試驗對象。

本試驗使用的計算機為64位Win10操作系統，4核處理器，主頻2.10 GHz，內存8.00 GB。

將500張鋼軌扣件圖片分為訓練集和測試集。訓練集中有200張鋼軌扣件圖片，測試集中有300張鋼軌扣件圖片。將訓練集中的鋼軌扣件圖片按上述方法提取彈條紋理特征與形狀特征，且組合成融合特征向量，并將其放入SVM分類器中訓練。訓練完成后，使用SVM分類器對測試集圖像進行狀態檢測。具體分類結果如圖12～16所示。

圖12 1號SVM分類器分類結果圖

圖13 2號SVM分類器分類結果圖

圖14 3號SVM分類器分類結果圖

圖15 4號SVM分類器分類結果圖

圖12～16采用不同形狀的圖例標識出了訓練樣本與測試結果。當僅有5個SVM分類器的識別結果均為1時，判定鋼軌扣件的彈條處于扣緊狀態。程序最終測試結果與單一特征程序測試結果如表1所示。

圖16 5號SVM分類器分類結果圖

表1 各種算法測試結果對比表

由表1可知， 本文算法取得了較低的誤檢率、相對較高的正確率以及相對較好的漏檢率；相較于單獨使用GGCM算法，本文算法的誤檢率減少了15%，正確率提高了9.2%，漏檢率減少了9.2%；相較于單獨使用幾何參數算法，本文算法的誤檢率減少了18.6%，正確率提高了7.6%，漏檢率增加了7.6%。綜上所述，本文算法有效地提高了鋼軌扣件彈條狀態識別的準確率。