【《基于机器视觉识别的轨道缺陷检测算法分析案例》4500字】

第第页共20页基于机器视觉识别的轨道缺陷检测算法分析案例目录TOC\o"1-2"\h\u21099基于机器视觉识别的轨道缺陷检测算法分析案例 1291.1轨道表面缺陷检测算法流程 156671.2轨道图像分割 3109261.3轨道图像平滑处理与增强 534351.4轨道表面缺陷阈值分割 8224091.5轨道表面缺陷标记 101.1轨道表面缺陷检测算法流程本文运用面向Python的OpenCV库实现对轨道图像的处理，从而检测出轨道表面的缺陷并标记缺陷的位置。在检测过程中，轨道检测小车搭载的检测模块会通过CCD相机采集大量的轨道图像信息，如下图所示。分析轨道图像发现其具有以下特征：（1）轨道图像处于相机视场的中央附近，只占据图像的一部分。轨道两侧是扣件、枕木、碎石等物体。因此首先要对轨道表面的图像所在区域进行提取，这样可以减少大量的计算，也可以降低图像处理和缺陷识别的难度。观察发现轨道两侧与轨道表面的灰度值具有明显的差异，这为提取轨道表面图像提供了有效的方法。（2）轨道表面缺陷区域的灰度值与其他部位相差较大，这样我们可以通过二值化处理，将缺陷区域检测出来。图像处理的具体流程如下图所示，主要包括轨道表面图像分割、图像预处理、缺陷检测、缺陷标记四个部分。第一部分，图像分割。轨道图像在相机视场中央附近，只占图像的一部分区域。轨道两侧是扣件、枕木、碎石等物体。将采集到的图像灰度化后可通过轨道两侧物体与轨道表面之间灰度值的差异将轨道图像区域提取出来。这样就减少了计算量并且降低了后续图像处理的难度。第二部分，图像预处理。在图像采集过程中由于受到传感器材料、工作环境、电路和电子元器件的影响会产生噪声，影响图片质量。本文采用高斯滤波对图像进行平滑处理，消除图片在采集和传输过程中产生的噪声。而后，使用图像增强算法放大轨道表面的细节，方便后期对轨道表面缺陷的检测。第三部分，轨道表面缺陷检测。观察发现轨道表面存在缺陷的区域其灰度值和轨道背景有很明显的差异，这为进行轨道表面缺陷区域的检测和识别提供了可行的办法。本文使用二值化阈值处理，将轨道背景和缺陷区域分别转化为黑色和白色。第四部分，缺陷区域标记。使用最小外接矩形算法，对检测出来的轨道表面缺陷进行标记。1.2轨道图像分割在数字图像处理技术中，常用来提取图像某一特定区域的方法有阈值分割法、边缘分割法、基于区域生长的分割法等。（1）阈值分割法的原理如下：dst其中，thresh是我们设定的阈值，dst(x,y)是修正后的灰度值，src（x,y）是各个像素点的灰度值。当像素点的灰度值大于给定阈值时该像素点灰度值修正为最大值，在二值化处理中最大值为255。当该像素点的灰度值小于或等于给定阈值时将该像素点灰度值修正为0。阈值分割法具有计算简单、速度快、运算效率高等优点，但是轨道图像灰度值分布较为复杂，很难确定一个阈值将轨道区域完美的提取出来。（2）边缘分割法是图像分割常用的方法之一。图像的不同区域灰度值有着较大的差异，当灰度值发生突变时表明一个区域的终结和另一个区域的开始。数字图像处理中通过对灰度值进行求导，得到其变化率，从而确定图像边缘的位置。边缘检测中常用到的微分算子有Sobel算子、Scharr算子、Laplacian算子、Canny算子。其中Canny算子本身就具有滤波功能，可以将图像中的噪声去掉，具有较好的边缘检测功能。再使用其他算子之前要先对图像进行平滑处理，去掉噪声对边缘检测效果的干扰。Sobel算子和Scharr算子分别如下图所示：分析可知，在结构核大小相同的条件下Scharr算子精度更高，能够检测到更多的细节，但是收到图像噪声的影响也就更大。使用基于图像梯度的边缘检测进行图像分割对图像的质量要求较高，然而轨道检测小车在进行轨道信息的采集时工作环境复杂，图像噪声的产生是避免不了的，经过图像平滑处理后也很难达到理想的效果。（3）列中值法首先计算出图像每列灰度中值Mi(i=1,2,3,…,450)，发现有两处灰度中值突变的地方，即为轨道的两个边缘。然后对每列灰度中值进行累加得到Sumi: 轨道图像的像素宽度R是固定的，观察Sumi的分布可得Sumi是稳定增长的，在轨道两侧增长速度较为缓慢，在轨道表面区域增长较快。令： 当取得最大值时所对应的列即为轨道图像所在区域的起始位置，将区间上的图像提取出来即为轨道图像。这种方法需要先通过实验得到轨道在图像中的像素宽度R，在图像采集过程中需要保持采集图像质量的一致性，如果因为光线或者轨道自身原因导致轨道边缘灰度变暗，则提取的轨道图像会存在不完整性。这种方法计算量大且不具备灵活性。1.3轨道图像平滑处理与增强1.3.1轨道图像平滑处理在图像采集过程中由于受到传感器材料、工作环境、电路和电子元器件的影响会产生噪声，对之后的轨道表面缺陷检测造成很大的影响。我们通过滤波算法对图像进行平滑处理，去掉图像中的噪声。常用的滤波方式有均值滤波、中值滤波、高斯滤波。均值滤波是指以当前像素点为中心，周围N·N个像素点为模板，计算模板中像素的均值并将像素均值赋值给当前像素点。具体公式如下： 其中是当前像素点，是模板中的像素点，m是模板中像素点的个数。使用这种方法遍历所有像素点就能完成整幅图像的均值滤波。也可将其看成模板中的像素值与一个内部值都是1/m的矩阵相乘，得到均值并赋值给当前像素点，以大小为5×5的核为例，其运算示意图如下图所示：高斯滤波加上了不同位置像素值的权重，权重大小和像素点距离中心点的相对位置有关，将中心点的权重值加大，远离中心点的权重值减小。在高斯滤波中，卷积和中的值不在都是1。例如，一个3×3的卷积核及其卷积运算原理如下图所示：中值滤波与均值滤波和高斯滤波不同，不再采用加权求均值的方式计算滤波结果。它对邻域内所有像素值进行从小到大或从大到小的排序得到一个数组，然后选取出数组中处于中间位置的像素值，用该数值对中心像素点进行修正。均值滤波能够克服偶然因素下产生的噪声，计算量较小，能够很快地对图像进行平滑处理。均值滤波适合处理颗粒噪声尤其是椒盐噪声。使用均值滤波处理周期性噪声时会使图像大面积模糊。并且在使用均值滤波之前要区分噪声是亮噪声还是暗噪声，针对不同的噪声类型使用有针对性的降噪方法。高斯滤波对高斯噪声有很好的处理效果。同时高斯滤波能够很好地保护图像边缘的信息，不会造成图像的大面积模糊问题，对图像的边缘处理效果很好。中值滤波具有操作简单方便，能够很大程度保护图像信息等优点，但是遇见面积较大的噪声区域，中值滤波一般会原封不动的保留，对较大的造成处理效果不好。观察提取出来的轨道图像发现具有以下特点：一是轨道边缘也可能存在缺陷，图像边缘的细节信息需要得到保护。二是提取出来的轨道图像存在较大面积的噪声区域。综上所述，本文采用高斯滤波对轨道图像进行降噪处理。由于车轮与轨道的摩擦力在不同区域有所差异，这造成轨道表面的磨损程度不同，在LED光源下对光线的反射程度有较为明显的差距。平滑的轨道背景对光线的反射能力较强，采集到的图像较为明亮，灰度值较大。但是磨损较为严重的轨道背景对光线的反射能力较弱，灰度值较小，与缺陷之间的对比度较小，不利于后期对缺陷进行检测识别。所以要对轨道图像进行加强，突出我们感兴趣的缺特征同时抑制由于轨道背景粗糙造成的灰度值变小的现象。图像增强的算法有很多，常用的有限制对比度自适应直方图均衡（ContrastLimitedAdaptivehistgramequalization/CLAHE)、Retinex算法、梯度域图像增强方法等。观察经过预处理的轨道表面图像可知其具有以下几个特征：第一，由于在铁轨的竖直方向上轨道受到的车轮摩擦力情况是一致的，所以在竖直方向上图像的明暗程度基本不变。第二，由于车轮与轨道不同区域的摩擦程度不同，所以轨道背景的磨损程度存在差异。较为光滑的地方反射光线的能力较强，得到的图像明亮，灰度值较大。较为粗糙的地方反射光线的能力较弱，得到的图像较暗，灰度值较小。第三，缺陷区域的灰度值较小。但是轨道背景的灰度值变化较大。一部分区域可能在采集时光线不足，图像较暗，存在灰度值小于缺陷区域的情况。根据以上特征，我们使用局部零均值法对轨道图像进行增强处理。具体步骤如下：第一步：计算轨道图像每列像素点的灰度值均值，具体公式如下： 其中Height为图像高度，即为图像纵向像素点的个数。第二步，用每个像素点的灰度值与该列灰度均值进行比较，并基于每列的灰度值均值对相应像素点的灰度值进行修正，可能出现的情况有以下三种：情况一：像素灰度值大于每列灰度值均值，说明该点为轨道图像的光亮背景，将该像素点的灰度值修正为0。情况二：像素灰度值等于每列灰度值均值，说明该点为轨道图像的绝对背景，将该像素点的灰度值修正为0。情况三：像素灰度值小于每列灰度值均值，说明该点可能为轨道表面缺陷也可能是轨道表面暗背景，将该像素点的灰度值修正为灰度值与均值的差。具体原理如下公式所示： 1.4轨道表面缺陷阈值分割1.1.1基于阈值的图像分割经过增强后的轨道图像主要包含缺陷，轨道背景和噪声三种因素。其中轨道背景的灰度值较高，噪声和缺陷区域的灰度值较低。因此我们使用基于阈值的图像分割方法将图像进行二值化，从而实现对轨道表面缺陷的检测。基于阈值的图像分割方法采用阈值选取技术，将图像中的灰度值分为两类，从而将图像二值化。常用的有局部阈值化和全局阈值化两种。为了快速实现轨道表面缺陷的检测，本文使用全局阈值分割。1.1.2常用阈值选取方法直方图双峰法：首先要绘制出图像的直方图，选用双峰之间的最低谷作为阈值所在，然后对图像进行二值化。具体选取方式如下图所示：自适应阈值处理：自适应阈值处理技术是一种改进的阈值处理技术。传统的阈值处理技术知选用一个阈值，对整个图像上的像素点进行分类。而自适应阈值处理技术采用变化的阈值，对中心点周围的像素值求加权平均值，作为阈值对图像进行处理。在图像色彩不均衡或者存在较大面积的明暗差异是，用自适应阈值处理能达到很好的效果。最大类间方差法:最大类间方差法又称大进法（OTSU）,是一种常用的阈值分割方法。能够快速地将图像背景和图像特征区域通过阈值分割的方法进行分离和提取。最大类间方差法算法原理：假设图像中共有X个灰度级，ni表示灰度级为i的像素点个数，Pi表示灰度级概率，n为图像中像素点的总个数，则： 用wm和μm分别表示m级以下灰度级概率均值和概率累计值，则： ，m=0,1,2,…,X-1基于灰度阈值L，将图像分为背景和缺陷两类。灰度级为0-L的为第一类，记为K0区域，灰度级为L+1-X的为第二类，记为K1区域。则K0、K1区域的概率分别是： 两类区域的均值分别是： 整个图像的灰度均值为： 根据以下公式计算出方差： L在[0，X-1]上逐次取值，使最大，取对应的T值作为阈值对图像进行二值化处理。双峰法的适用性受到图像灰度分布的限制，采集到的轨道图像不一定全部适用双峰法，其缺乏灵活性。自适应阈值处理计算量较大，不能满足实时性检测的要求。且当存在较大面积暗背景时自适应阈值处理会将