基于机器视觉的钢轨表面缺陷检测系统研究

1、基于机器视觉的钢轨外表缺陷检测系统研究#510摘要：为实现钢轨外表缺陷的在线高速高精度检测，本文设计了一套基于机器视觉的自动化检测系统。阐述了系统的总体结构和视觉成像系统的设计与实现，软件系统采用直方图阈值分割和多结构形态学边缘检测方法进行钢轨外表缺陷自动检测。实验结果说明设计的钢轨外表缺陷视觉检测系统能够对钢轨外表的裂纹、疤痕等缺陷进行准确的检测与提取，可以满足钢轨外表缺陷的在线检测要求。关键词：机器视觉；钢轨外表缺陷；检测系统；图像分割；边缘检测中图分类号：TP39115Research on machine vision detection system for rail surface

2、defectsMAO Jianpin1, HU Yu2, MAO Jianxu2(1. Fuzhou Vocational and Technical College, Fuzhou 344000, China;20253035402. College of Electrical and Information Engineering, Hunan University, Changsha 410082,China)Abstract: To realize the inspection of rail surface defects with high speed and high preci

3、sion, anautomatic detection system based on machine vision is presented. The system general structureand visual imaging system are introduced in detail. The software system using histogram thresholdsegmentation and multi-structural morphological edge detection methods to detect rail surfacedefects a

4、utomatically. The experimental results show that the rail surface cracks, scars and otherdefects can be accurately detected by the designed system and the system can satisfy the railsurface defect online detection requirements.Key words: machine vision; rail surface defects; detection system; image

5、segmentation; edgedetection0 引言近年来，列车运行速度的不断提高和重载列车的开行，加剧了轨道状态的恶化，随之带来的铁路平安问题引起了广泛重视。铁路运营质量直接关系着国家的经济开展和人民的生命平安，因此如何保证铁路高速稳定运营显得至关重要。随着铁轨工艺的不断提高，钢轨内部缺陷出现的几率越来越小，但是频繁疲劳磨损和环境恶劣引发的裂纹，疤痕等外表缺陷加速了钢轨恶化，甚至使钢轨断裂、脱轨的情况也越来越多。因此，如何实时检测钢轨外表缺陷是铁路高速运营必须解决的一个关键问题。在国外，大多数兴旺国家都拥有自己研制的高速轨检车，运用激光、数字滤涉及图象处理技术，以计算机为数据处理主

6、体，对轨检信号进行模拟与数字混合处理1。其中比拟成熟-1-的轨道检测车主要有日本 Easti 综合检测列车、美国 Ensco 和 ImageMap 公司轨检车、奥地利 Plasser 公司 EM250 型轨检车、德国 OMWE 和 RAILAB 轨检车等。与兴旺国家相比，我国还没有高速轨检车。我国使用的高速轨检车主要是通过引进国外技术制造，局部关键传感器未能国产化，对轨检车的检测数据也还不能充分利用。目前，国内常用的对钢轨外表检4550556065测的方法主要有人工目视法，磁场法和电涡流法。但是人工疲劳、环境恶劣等各方面因素致使检测受到局限，因此需要研发一个自动检测系统来协助铁路部门进行检测，

7、国内一些学者已经开始研究将视觉技术应用于钢轨外表缺陷检测当中2-3。本文设计了一个基于机器视觉的钢轨外表缺陷检测系统，系统利用机器视觉和图像处理技术实现钢轨外表缺陷的在线自动检测，为钢轨外表缺陷检测提供一种本钱低、检测精度高的快速有效新途径。1 系统总体设计钢轨外表主要有裂纹、疤痕、以及金属剥离或剥落等缺陷，这些外表缺陷数据不能及时更新会影响铁路部门的分析，从而引发严重的后果。钢轨外表缺陷视觉检测系统采用两个辅助光源在光源控制器的控制下以一定角度照射钢轨外表，利用高速线阵 CCD 采集钢轨外表图像，主机进行图像处理与缺陷提取分析，实时检测铁轨外表的裂缝、疤痕等主要缺陷，并存储到磁盘阵列中，同时

8、将获得的有损数据反应到铁路部门以供其分析处理。系统的总体结构如图 1 所示：图 1 系统总体结构图 The general structure of the system2 视觉成像系统设计在机器视觉系统中，光源对图像采集起着重要的作用，其效果会直接影响到获取图像的质量4-5。本文设计的视觉成像系统通过调节照射钢轨外表的角度，使钢轨外表处于光照重叠区，尽可能多的捕捉反射光线。系统利用 2 个大恒 DH-LS150 线性光源，保证光源足够均匀稳定，以获取清晰稳定的钢轨外表图像，减少后续图像处理的噪声。摄像机采用 DALSA的 P2-2X-01K40 工业线扫描相机扫描钢轨外表采集图像信息，通过千

9、兆网口将信息传输到主机进行图像处理。设计的视觉成像系统如图 2 所示：-2-70图 2 设计的视觉成像系统 Design of visual imaging system3 缺陷检测算法设计获取的图像在采集和传输的过程中，由于光照不均匀、轨道震动以及成像系统本身误差等都会引起噪声，严重影响图像的质量。为此，必须对采集的图像进行一系列的处理来检测识别缺陷6-10，系统设计的缺陷检测算法处理流程如图 3 所示：75图 3 缺陷检测算法流程图 Flow diagram of defect detection algorithm80图像预处理为了降低后续处理的复杂度，提高缺陷检测的精度和速度，必须对获

10、取的钢轨外表图像进行两步预处理工作：1首先对图像进行剪裁，去除非处理区域；2其次对剪裁后的图像进行极值中值滤波去噪。图像剪裁钢轨外表并非是一个平面，其两边边缘呈微小弧状。在图像采集处理过程中，边缘的灰85度值与缺陷比拟接近，很容易造成识别干扰，因此，在剪裁过程中将边缘去除，只对钢轨表面的平面进行处理，可以减少后续图像处理量，提高图像识别精度和处理速度，钢轨外表图像剪裁实验结果如图 4 所示：-3-a获取的原始图像b剪裁后的图像90(a) Original image图 4 图像剪裁实验结果(b) Image after clipping The experimental result of i

11、mage clipping极值中值滤波去噪采集的钢轨外表图像除了受椒盐噪声和高斯噪声的影响外，还受到钢轨自身的影响。由95100于钢轨一直暴露在室外，在灰尘、雨水、暴晒等外界环境影响下，采集到的图像还会出现类似坑洼斑点状的非缺陷小区域。这些非缺陷小区域的灰度值高于或低于缺陷区域，会对缺陷分析构成干扰。本文采用一种极值中值滤波算法来去除图像中的噪声，即构建一种动态 3x3结构元 BD(i,j)如图 5 所示。在动态结构元中，对应x,y邻域内极值的位置取值为 0，其余那么取值为 1，此处 1 代表正常点，0 那么代表着噪声，噪声点会被x,y邻域内的中值来代替，从而屏蔽掉邻域内的极值点。与标准中值滤

12、波相比，该方法在去除干扰噪声的同时，可以很好地防止造成图像的模糊，图 6 为极值中值滤波实验结果。105a点(x,y)结构元b动态结构元 BD(i,j)图 5 滤波算法示意图c滤波后的 B(i,j)(a) Point (x,y) structural element(b) Dynamic structural element BD(i,j) (c) B(i,j) after filtering110 Filtering algorithm diagrama滤波前的图像b滤波后的图像图 6 图像滤波实验结果115(a) Image before filtering(b) Image after

13、filtering The experimental result of image filtering-4-101111111655754565625754965钢轨外表缺陷检测与提取钢轨外表图像分割对于获取图像中的钢轨外表这个大背景来说，裂缝、疤痕等目标缺陷是一些灰度值较小120125的像素集合。通过分析钢轨外表图像的直方图，发现其具有明显的双峰模式，故本文采用直方图阈值分割算法。以灰度为属性选取适宜的阈值进行分割，把图像分为背景和目标两类。这种方法直观性强，程序简单易操作，处理速度快，为实时处理提供了保障。如图 7 所示，根据直方图选取的灰度阈值为 70。图 7 钢轨外表图像的直方图 H

14、istogram of rail surface image缺陷边缘检测通过比照 Sobel、Cany、Kirsch、形态学梯度法等几种边缘检测算法，发现形态学梯度法在钢轨缺陷检测上效果和处理速度都具有明显优势。本文自定义了 4 个线性的 3x3 结构元130素 Bt，不仅克服了单结构元素对不同方向边缘检测的不敏感性，而且边缘有较好的连续性与完整性，提高了边缘检测效果。设与 Q 分别表示形态学膨胀和腐蚀运算符，f(x,y)为灰度图像在x,y处的灰度值，B(i , j)为结构元素，那么(fB)(x,y)=maxf(x+i,y+j)+B(i,j)1135式1表示用结构元元素对灰度图像进行膨胀运算(

15、f Q B)(x,y)=minf(x+i,y+j)-B(i,j)式2表示用结构元元素对灰度图像进行腐蚀运算Bt 的定义为2B1 =é0 0 0ùê úêë0 0 0úûé0 0 1ùB2 = 0êë1 0 0úûé0 1 0ùB3 = 0 1 0êë0 1 0úûé1 0 0ùB4 = 0êë0 0 1úû3140式中 B1、B2、B3、

16、B4 为 4 个线性的 3x3 结构元素，对应的方向角分别为 0°、45°、90°、135°。定义形态学梯度算子为：gt (x,y)= |(fBt)(f Q Bt)|-5-4ê1 1 1ú1 0úúêêê úêú1 0úúêêG(x,y)=4t =14t =1t| (f Å B t ) - (fQB t ) |5145式中 wt 是不同结构元素 Bt 边缘检测的比重，0 £ wt £ 1

17、。缺陷信息提取设置一个面积阈值，提取出大于该阈值的缺陷。最后把获得的缺陷的特征参数，包括区域的位置、面积等信息在图像中标定并存储到磁盘阵列中。4 实验结果与分析150实验采用自主研制的钢轨外表缺陷视觉检测系统样机，系统主机配置为 Intel XeonE5606，主频为，内存 2G；成像系统采用 DALSA 的 P2-2X-01K40 工业线扫相机与 NIKON 的 45mm 工业镜头相组合，其最高行频可到达 65kHz；光源使用的是 2 个大恒DH-LS150 线性光源；图像处理软件系统基于 VC+编程语言编写，图 8 为系统对钢轨外表缺陷进行检测的实验结果。155a预处理后的图像b图像分割结

18、果图 8 钢轨外表缺陷检测实验结果c缺陷检测结果(a) Image after preprocessing(b) Image segmentation result(c) Defects detection result The experimental result of rail surface defects detection1601651705 结论本文设计了一个基于机器视觉的钢轨外表缺陷检测系统，详细介绍了系统总体设计、图像采集成像系统和缺陷检测与识别算法，基于 vc+语言编写了系统软件，并对现场采集的钢轨外表图像进行了缺陷检测实验。实验结果说明，该系统能够完成对裂纹、疤痕等钢轨表

19、面缺陷进行准确的检测与识别。但是，铁轨外表缺陷视觉检测系统目前还存在许多缺乏，在检测速度、精度上仍然有待提高，应进一步改良算法，同时提高系统设计的稳定性，满足检测系统高速实时处理的更高要求。参考文献 (References)1 Reinhold Huber-Mork, Michael Nolle, Andreas Oberhauser, Edgar Fischmeister. Statistical Rail SurfaceClassification Based on 2D and 21/2D Image AnalysisJ. Advanced Concepts For Intelligent Vision SystemsLecture note in computer, 2021, Part I, LNCS 6474:50-61-6-å wt g t (