基于機器視覺的鋼軌表面損傷檢測研究*

作者簡介：通信作者：曾樹華（1980—），男，湖南衡陽人，副教授，碩士，主要領(lǐng)域鋼軌探傷、圖像識別。

黃銀秀（1980—），女，湖南株洲人，副教授，碩士，職業(yè)教育研究。

鋼軌是軌道交通之基石，健康鋼軌是軌道交通安全之基石，然而，鐵路運輸高頻、重載現(xiàn)象造成鋼軌病害進(jìn)程加速，及時發(fā)現(xiàn)鋼軌表、里傷損成為軌道交通運輸企業(yè)的安全重負(fù)：機器檢存在表面?zhèn)麚p檢測盲區(qū)，高度依賴人工檢的現(xiàn)狀造成漏檢、錯檢頻發(fā)，故高效自動探傷技術(shù)一直是鐵路探傷工的追求。

目前鋼軌探傷技術(shù)層出不窮，就技術(shù)流派來看有超聲波探傷、渦流探傷、射線探傷、激光探傷、磁粉探傷等。超聲波探傷是目前應(yīng)用最廣的一種鋼軌探傷技術(shù)，它利用探頭發(fā)射超聲波，聲束在介質(zhì)傳輸過程中遇到缺陷界面，將產(chǎn)生反射或使穿透波聲能下降，探傷儀接收端接收到回波和穿透波，根據(jù)回波信號和穿透波信號強弱變化判斷缺陷。但在近表面，超聲波存在準(zhǔn)確度很低、形成近表面探測盲區(qū)的情況，故一般不用于鋼軌表面探傷情況。渦流探傷是利用通電線圈產(chǎn)生交變磁場，磁場將以鋼軌為導(dǎo)磁體，在鋼軌內(nèi)部形成渦流，當(dāng)存在缺陷時會引起渦流變化，進(jìn)而導(dǎo)致檢測線圈電壓和阻抗的改變，從而判斷缺陷的存在及其他信息，渦流探傷在單缺陷情況下檢測精度較高，但在鄰近存在多缺陷情況下容易出現(xiàn)誤判和漏判。磁粉探傷技術(shù)是將鋼軌磁化，利用鋼軌缺陷處磁導(dǎo)率與正常處磁導(dǎo)率存在差異，吸引磁粉堆積也存在差異，再目測堆積磁粉的差異判斷是否存在傷損，其最終還是依賴人工目測，故只作為鋼軌檢測的輔助技術(shù)。

1   機器視覺邊緣檢測技術(shù)

相對上述技術(shù)，機器視覺出現(xiàn)更晚，但隨著各種人工智能快速發(fā)展，各種算法不斷出現(xiàn)，精度得到大幅提高。在傷損檢測中，準(zhǔn)確識別缺陷邊緣是最核心之處，常用的邊緣檢測技術(shù)有Roberts 算子、Prewitt 算子、Sobel 算子、Canny 和其他一些邊緣自適應(yīng)算法。Roberts 算子是利用交叉微分算法，通過計算2X2 模版上正負(fù)45° 的一階導(dǎo)數(shù)得到偏導(dǎo)數(shù)，再通過局部差分?jǐn)?shù)值確定檢測邊緣。該方法計算簡單，但對邊緣定位準(zhǔn)確度不高，且邊緣線條較粗。Prewitt 算子是在3×3 模版上，利用區(qū)域內(nèi)上下、左右鄰點的像素灰度差實現(xiàn)邊緣檢測。由于Prewitt 算子采用上下、左右鄰點的像素灰度差而非45O 交叉計算偏導(dǎo)數(shù)，再取一定閾值定位邊緣，故在垂直方向和水平方向效果優(yōu)于Robert 算子，并有一定平滑噪聲效果。Sobel 算子與Prewitt 算子一樣，采用的是3×3 模版，利用區(qū)域內(nèi)上下、左右鄰點的像素灰度差實現(xiàn)邊緣檢測。但與Prewitt 算子不同的是，Sobel 算子區(qū)分了距離不同的像素點對當(dāng)前像素點的影響因子，引入不同權(quán)重，簡單來說，距離越近，權(quán)重越大，距離越遠(yuǎn)，權(quán)重越小，從而實現(xiàn)圖像銳化，邊緣檢測效果好。log 邊緣檢測算法，Laplacian 算子是n 維歐幾里德空間中的一個二階微分算子，中心像素往鄰近的上下左右四個方向或八方向求微分，再將微分值求和，Laplacian 算子用于邊緣識別時優(yōu)點在于準(zhǔn)確度高，幾乎無假邊緣，但抗噪能力差。Canny 邊緣檢測與log 邊緣檢測算法一樣的步驟：先平滑，后求導(dǎo)數(shù)。先是對圖像進(jìn)行預(yù)處理，采用高斯平滑濾波，接著計算梯度幅值和方向，對梯度幅值進(jìn)行非極大抑制，剔除假邊緣；最后采用高低兩閾值尋求邊緣連接點，閉合圖像邊緣。

2   鋼軌表面損傷邊緣檢測比較實驗

為驗證上述5 種邊緣檢測技術(shù)在鋼軌表面?zhèn)麚p的檢測效果，本文做了對比實驗，實驗原始圖片來自自拍的一段鋼軌，鋼軌表面帶砸傷，圖1（a）是灰度化后的原始圖片，分別編寫canny 算子邊緣檢測程序、log 邊緣檢測程序、sobel 邊緣檢測程序、roberts 邊緣檢測程序、prewitt 邊緣檢測程序，在MATLAB2016 環(huán)境下檢測鋼軌邊緣，分別得到圖1（b-f）。

圖1 邊緣檢測效果圖

圖中可見，對于（a）圖所示的鋼軌表面?zhèn)麚p，檢測效果最好的是log 算子檢測方法，但還是有很多背景被檢測成邊緣，且整塊扎傷被檢成蜂窩狀傷損。Canny 算子檢測法出現(xiàn)大類假邊緣，其他三種roberts、prewitt、sobel 只檢測出傷損最突出處，其他都被漏檢，大幅改變傷損形狀，降低傷損損壞程度。

3   結(jié)束語

本文在介紹了鋼軌探傷技術(shù)現(xiàn)狀的基礎(chǔ)上，針對鋼軌表面?zhèn)麚p機器檢這一技術(shù)難題，采用機器視覺的五種傳統(tǒng)邊緣檢測技術(shù)檢測表面?zhèn)麚p，得到如下結(jié)論：鋼軌表面?zhèn)麚p形態(tài)多樣，圖片采集時背景復(fù)雜，利用傳統(tǒng)的邊緣檢測方法檢測傷損總體上都存在錯檢漏檢，難以達(dá)到工業(yè)級需求，需進(jìn)一步改進(jìn)算法。

參考文獻(xiàn)：

[1] 田貴云,高斌,高運來,等.鐵路鋼軌缺陷傷損巡檢與監(jiān)測技術(shù)綜述[J].儀器儀表學(xué)報,2016,37(8):1763-1780.

[2] 管宏蕊,丁輝.圖像邊緣檢測經(jīng)典算法研究綜述[J].首都師范大學(xué)學(xué)報(自然科學(xué)版),2009,30(S1):66-69.

[3] 劉澤,王嵬,王平.鋼軌表面缺陷檢測機器視覺系統(tǒng)的設(shè)計[J].電子測量與儀器學(xué)報,2010,24(11):1012-1017.

[4] 付圣雯. 基于圖像的鋼軌軌面缺陷檢測識別技術(shù)研究[D].蘭州:蘭州交通大學(xué),2020.

[5] 龍珍,唐曼玲,李靜靜.基于機器視覺的鋼軌缺陷檢測方法綜述[J].電子技術(shù)與軟件工程,2015(12):133.

[6] 王平,劉澤,王嵬,等.基于數(shù)字圖像處理和特征提取的鋼軌表面缺陷識別方法[J].現(xiàn)代科學(xué)儀器,2012(2):24-28.

（本文來源于《電子產(chǎn)品世界》雜志2021年12月期）