基于機器視覺的軌道道岔密貼檢測方法

郭淑敏，馮俊逸，沈 拓，2，張軒雄

（1.上海理工大學光電信息與計算機工程學院，上海 200093；2.同濟大學上海市軌道交通結構耐久與系統安全重點實驗室，上海 201804）

0 引言

軌道道岔是車輛從一條線路向另一條線路轉入時所利用的設備，道岔的穩定在列車安全行駛中至關重要［1］。軌道道岔基本軌與尖軌之間的不密貼，將引發行駛中的列車在進入道岔時，輪對夾在基本軌和尖軌之間，對運行中的行車安全構成嚴重威脅。因此，對這種威脅到行車安全問題的預防治理備受關注。從《鐵路技術管理規程》可清晰了解到：軌道道岔的基本軌與尖軌在沒有運行時，如果第一連接桿處有4mm 或者以上的間距，即道岔處于不密貼的情況下，此時不能開放或鎖閉。對于地鐵的道岔密貼安全，同樣應該控制在安全的密貼間隙距離之內，但是道岔的維修防護和按期缺陷檢查在人工處理情況下，存在一定安全隱患。

軌道缺陷一直備受重視，許多學者通過研究軌道組件診斷軌道缺陷。曹義親等［2］提出一種針對軌道缺陷圖像分類的基于蟻群的改進算法，通過對軌道缺陷圖像作預處理并對缺陷圖像進行分割提取，在蟻群算法基礎上進行改進以提高分類速度及準確度，此方法適用于大量軌道缺陷分類，但不適用于一張軌道道岔圖像的單獨處理；Resendiz等［3］提出通過圖像到信號的方法，該方法利用道岔的檢查視頻，輸入信號是橫向視圖觀察到的鋼軌中間部分，通過鋼軌的塊向Gabor 變換以閾值檢測器的形式輸出，從而判斷鐵路運行狀況，此方法為實現道岔密貼的實時檢測提供了基礎；周宇等［4］通過研究道岔的廓形數據，提出曲尖軌磨損的原因，未提及道岔之間的不密貼；Corsino 等［5］提出一個檢測系統，通過在RANSAC［6］算法中分別添加一些點檢測兩條航跡并利用模板圖像匹配和梯度方向直方圖（HOG）［7］以捕捉道岔線路，但是仍然不能將此方法運用到道岔上；Zhang 等［8］提出一種基于概率神經網絡（PNN）的道岔缺陷檢測算法。通過參數要求較少的PNN 的自學習能力提取一些典型故障特征，使得計算過程更快，但該方法只關注了典型缺陷；Faghih 等［9］提出一種深度卷積神經網絡（DCNN）方法用于軌跡面故障的自動檢測。他們利用大量的原始圖像數據通過DCNN 進行特征識別，自動完成軌跡故障檢測；Vijaykumar 等［10］描述了一種新的解決方案，通過分析軌道紋理檢測表面斷層，使用增強方法增強對象和背景之間的差異；Shen 等［11］在時頻域分析和小波包缺陷道岔特征的基礎上，提出利用攝像機拍攝鐵路圖像的非接觸式監測技術，對鐵路線路及連接件進行檢測和診斷，提取形態學特征并應用于鐵路構件和鐵路線路檢測，從而加強鐵路安全。以上研究大多是關于軌道線路的航跡預測或者表面缺陷，針對單獨的道岔密貼問題關注極少，為了及時避免在列車行駛時由于道岔不密貼出現安全隱患，本文提出關于道岔密貼的實時檢測方法。

1 預處理

由于攝像機在外界拍攝容易受到天氣、光照、角度等不可避免的自然因素影響，圖像預處理技術能夠通過數字圖像處理方法和技術增強所需圖像的質量［12］，并能在一定情況下改善感興趣區域的圖像信息效果呈現［13］。灰度變換可以令圖像特征更加突出，灰度直方圖顯示了圖像的灰度變化等信息，而且直方圖均衡化可以使細節更加清晰以有利于接下來的圖像處理，便于道岔的特征提取。r是歸一化后的圖像灰度，s是校正之后的灰度［14］。

區間［0，1］中的任何r都可以被T(r)變換成s，且：

變換函數離散形式可表示為：

表示在灰度值rk時像素的個數，灰度級的總數為L。

Fig.1 Image preprocessing圖1 圖像預處理

圖1（a）-（d）是預處理過程，經圖像預處理后的圖像是一幅連續圖像［15］，直方圖均衡化的本質就是降低圖像的灰度級并增強灰度之間的對比度。圖像預處理技術能夠有效減少圖像背景對下一步處理的不利因素，令圖像的灰度變化分布得更加均勻并著重突出了圖像中的細節。如圖1（d）所示，通過圖像平滑處理能夠克服噪聲影響并在一定程度上抑制噪聲。

2 道岔密貼檢測

2.1 邊緣檢測

從圖1 軌道道岔的圖像中能夠清楚地看到，道岔圖像中兩條直線之間的距離實際上就是對軌道道岔密貼的檢測。Canny 邊緣檢測算子效果表現極好［16］，邊緣檢測步驟如圖2 所示。

Fig.2 Steps of Canny edge detection圖2 Canny 邊緣檢測步驟

Canny 利用高低閾值的方法，在高低閾值中，首先依據其中的高閾值能夠獲得一幅邊緣圖像，然后依據另一個選取的低閾值閉合這幅圖像中的邊緣。通過設置全局范圍高低兩個閾值對圖像像素點進行篩選，根據某種閾值規則只選取滿足條件的邊緣像素點。高閾值計算過程如圖3所示。

Fig.3 Steps of high threshold calculation圖3 高閾值計算步驟

通過選取全局范圍內的高閾值和低閾值，篩選出邊界點。在運用高低閾值對邊界點進行篩選的過程中，非邊緣點根據低閾值點篩選去除，邊緣點根據高閾值點留下。實際上閾值大小設置不同，得到的結果也會有很大不同，比如在設置的低閾值相同條件下，設置的高閾值越大則得到的邊緣檢測結果會隨之變得突出。軌道道岔的邊緣檢測結果如圖4 所示。

Fig.4 Edge detection result圖4 邊緣檢測結果

2.2 特征提取

由上述的邊緣檢測過程，可以檢測到軌道圖像中符合設置閾值的所有邊界點，這些邊界點包含于軌道道岔中兩條直線邊緣以及背景中的一些噪聲邊界。利用Hough 變換的思想［17］對軌道道岔邊緣進行提取，該方法在檢測直線方面上具備了克服噪聲的優點。假設所有噪點都通過了Hough 變換，將會生成一些實驗中不需要的偽邊緣直線。降低噪聲點在Hough 變換中產生的影響需要在檢測前采用區域匹配的思想，具體過程如圖5 所示。

Fig.5 Region matching process圖5 區域匹配過程

區域匹配過程中窗口搜索步長的值應該小于軌道道岔在圖像中的最短搜查長度，能夠防止軌道道岔的兩條直線邊緣信息一起出現在識別的窗口中。接下來對識別窗口包含的區域進行掃描，找到上下邊緣，結束搜索后的窗口所含邊緣像素區域是由所有邊緣點順時針連接確定，假設像素點之間的距離固定為單位1，在封閉的一定區域中，依次計算相鄰兩對邊界點上方的面積，進而求出邊緣像素點的大小。飽和度計算是通過估算窗口內檢測出的像素點所構成的面積大小，與設定好的滑動窗口面積進行比較，將兩者的比值定為區域飽和度，如果該值比設定的閾值高，則將此點像素值清零并去除，判定為偽邊緣像素點，退出后續計算過程。

關于覆蓋了直線特征的邊緣，要提高該提取邊緣直線的精確度，可以采用隨機抽樣一致算法的思路，在建立直線參數模型的前提下，通過隨機取點進行判斷，不符合判斷條件的點將被舍棄，不參與后續累加過程。此方法能夠有效減少RHT 隨機性問題［18］，Hough 變換結果如圖6 所示。

Fig.6 Hough transform result圖6 Hough 變換結果

2.3 邊緣擬合

從上述軌道道岔直線邊緣檢測中可以看到，兩條直線邊緣之間的距離是檢測道岔密貼問題的關鍵所在。如果只利用Canny 算子或者Hough 變換所得到的直線損失了精度，并且分別得到的結果在與人工檢測結果的比較中造成較大誤差，因而可以在兩者結果的基礎上，應用最小二乘法對兩者圖像處理結果進行擬合。

最小二乘法公式如式（4）所示。

其中，數據點用(xi,yi)表示，擬合函數用?(xi)表示。

利用邊緣檢測和特征提取到的兩條最長直線相與，得到最終的軌道邊緣。結果如圖7 所示，可以看出經過最小二乘法擬合的邊緣不僅更加清晰準確，而且與原圖像邊緣基本吻合。

Fig.7 Fitting result圖7 擬合結果

2.4 參數空間轉換

擬合結果中兩條直線之間的像素數決定了道岔的基本軌和尖軌之間的實際距離。從最小二乘法擬合的直線可以得出邊緣之間的像素數目，要確定軌道道岔的密貼距離，首先要知道真實距離與像素數的比值，因基本軌的寬度固定，可以將基本軌作為參照標定物，利用世界坐標系、相機坐標系、圖像坐標系和像素坐標系去計算真實距離與像素數的比值［19-20］，進而求出軌道圖像中兩條直線邊緣之間的實際距離。

3 實驗

本文對80 幅道岔圖像進行了擬合檢測，實驗結果比較如表1 所示。

Table 1 Comparison of experimental results表1 實驗結果比較

從結果可以看出，利用道岔之間的距離衡量機器視覺方法和人工方法的標準使兩者結果在合理的誤差范圍內，但在特征提取實驗或拍攝過程中都會產生一定干擾，如惡劣天氣或光線影響、相機振動、軌道振動造成標定距離值變化、直線提取時算法失誤及嚴重的軌道磨損等。若機器視覺方法和手動方法測量的距離差不超過0.1 mm，則判定機器視覺方法下的結果合格，測量結果精度如表2所示。

Table 2 Detection precision result表2 檢測精度結果

綜上所述，利用機器視覺的方法可靠且高效，比人工測量方法更加省時省力。同時，能夠實時計算道岔距離，及時判斷列車在行駛過程中道岔的轉換過程是否存在安全隱患以及時避免。

4 結語

本文受智能交通的啟發，將創新的機器視覺相關方法運用于道岔密貼檢測，不僅節省了人工成本，也提高了列車運行的安全性。通過圖像預處理、Canny 檢測算子、改進的Hough 變換等方法完成邊緣特征提取，使用最小二乘法進行邊緣直線擬合，消除虛假邊緣點，計算基本軌到尖軌的真實距離，從而檢測道岔轉換安全。由于不排除天氣光照等自然因素對圖像的干擾，這些不可控因素都會對道岔密貼結果產生一定影響，因此后續將重點研究并提高算法魯棒性。