基于机器视觉的钢轨表面损伤检测研究

来源：核心期刊咨询网时间：12

摘要：摘要：目的：为探寻钢轨表面伤损机器视觉检测有效方法，验证经典的5种边缘检测算法在钢轨表面损伤检测;方法：利用采集的带扎伤钢轨图片，在MATLAB2016版本进行检测实验;结果：log检测法、Canny检测法存在错检，roberts检测法、prewitt检测法、sobe检测法错在漏檢;结论

　　摘要：目的：为探寻钢轨表面伤损机器视觉检测有效方法，验证经典的5种边缘检测算法在钢轨表面损伤检测;方法：利用采集的带扎伤钢轨图片，在MATLAB2016版本进行检测实验;结果：log检测法、Canny检测法存在错检，roberts检测法、prewitt检测法、sobe检测法错在漏檢;结论：经典的5种边缘检测算法在钢轨表面损伤检测无法达到工业级效果。

　　关键词：机器视觉;边缘检测算法;钢轨表面损伤

　　钢轨是轨道交通之基石，健康钢轨是轨道交通安全之基石，然而，铁路运输高频、重载现象造成钢轨病害进程加速，及时发现钢轨表、里伤损成为轨道交通运输企业的安全重负：机器检存在表面伤损检测盲区，高度依赖人工检的现状造成漏检、错检频发，故高效自动探伤技术一直是铁路探伤工的追求。

　　目前钢轨探伤技术层出不穷，就技术流派来看有超声波探伤、涡流探伤、射线探伤、激光探伤、磁粉探伤等。超声波探伤是目前应用最广的一种钢轨探伤技术，它利用探头发射超声波，声束在介质传输过程中遇到缺陷界面，将产生反射或使穿透波声能下降，探伤仪接收端接收到回波和穿透波，根据回波信号和穿透波信号强弱变化判断缺陷。但在近表面，超声波存在准确度很低、形成近表面探测盲区的情况，故一般不用于钢轨表面探伤情况。涡流探伤是利用通电线圈产生交变磁场，磁场将以钢轨为导磁体，在钢轨内部形成涡流，当存在缺陷时会引起涡流变化，进而导致检测线圈电压和阻抗的改变，从而判断缺陷的存在及其他信息，涡流探伤在单缺陷情况下检测精度较高，但在邻近存在多缺陷情况下容易出现误判和漏判。磁粉探伤技术是将钢轨磁化，利用钢轨缺陷处磁导率与正常处磁导率存在差异，吸引磁粉堆积也存在差异，再目测堆积磁粉的差异判断是否存在伤损，其最终还是依赖人工目测，故只作为钢轨检测的辅助技术。

　　1机器视觉边缘检测技术

　　相对上述技术，机器视觉出现更晚，但随着各种人工智能快速发展，各种算法不断出现，精度得到大幅提高。在伤损检测中，准确识别缺陷边缘是最核心之处，常用的边缘检测技术有Roberts算子、Prewitt算子、Sobel算子、Canny和其他一些边缘自适应算法。Roberts算子是利用交叉微分算法，通过计算2X2模版上正负45°的一阶导数得到偏导数，再通过局部差分数值确定检测边缘。该方法计算简单，但对边缘定位准确度不高，且边缘线条较粗。Prewitt算子是在3×3模版上，利用区域内上下、左右邻点的像素灰度差实现边缘检测。由于Prewitt算子采用上下、左右邻点的像素灰度差而非45O交叉计算偏导数，再取一定阈值定位边缘，故在垂直方向和水平方向效果优于Robert算子，并有一定平滑噪声效果。Sobel算子与Prewitt算子一样，采用的是3×3模版，利用区域内上下、左右邻点的像素灰度差实现边缘检测。但与Prewitt算子不同的是，Sobel算子区分了距离不同的像素点对当前像素点的影响因子，引入不同权重，简单来说，距离越近，权重越大，距离越远，权重越小，从而实现图像锐化，边缘检测效果好。log边缘检测算法，Laplacian算子是n维欧几里德空间中的一个二阶微分算子，中心像素往邻近的上下左右四个方向或八方向求微分，再将微分值求和，Laplacian算子用于边缘识别时优点在于准确度高，几乎无假边缘，但抗噪能力差。Canny边缘检测与log边缘检测算法一样的步骤：先平滑，后求导数。先是对图像进行预处理，采用高斯平滑滤波，接着计算梯度幅值和方向，对梯度幅值进行非极大抑制，剔除假边缘;最后采用高低两阈值寻求边缘连接点，闭合图像边缘。

　　2钢轨表面损伤边缘检测比较实验

　　为验证上述5种边缘检测技术在钢轨表面伤损的检测效果，本文做了对比实验，实验原始图片来自自拍的一段钢轨，钢轨表面带砸伤，图1(a)是灰度化后的原始图片，分别编写canny算子边缘检测程序、log边缘检测程序、sobel边缘检测程序、roberts边缘检测程序、prewitt边缘检测程序，在MATLAB2016环境下检测钢轨边缘，分别得到图1(b-f)。

　　图中可见，对于(a)图所示的钢轨表面伤损，检测效果最好的是log算子检测方法，但还是有很多背景被检测成边缘，且整块扎伤被检成蜂窝状伤损。Canny算子检测法出现大类假边缘，其他三种roberts、prewitt、sobel只检测出伤损最突出处，其他都被漏检，大幅改变伤损形状，降低伤损损坏程度。

　　3结束语

　　本文在介绍了钢轨探伤技术现状的基础上，针对钢轨表面伤损机器检这一技术难题，采用机器视觉的五种传统边缘检测技术检测表面伤损，得到如下结论：钢轨表面伤损形态多样，图片采集时背景复杂，利用传统的边缘检测方法检测伤损总体上都存在错检漏检，难以达到工业级需求，需进一步改进算法。

　　参考文献：

　　[1]田贵云，高斌，高运来，等.铁路钢轨缺陷伤损巡检与监测技术综述[J].仪器仪表学报，2016，37(8)：1763-1780.

　　[2]管宏蕊，丁辉.图像边缘检测经典算法研究综述[J].首都师范大学学报(自然科学版)，2009，30(S1)：66-69.

　　[3]刘泽，王嵬，王平.钢轨表面缺陷检测机器视觉系统的设计[J].电子测量与仪器学报，2010，24(11)：1012-1017.

　　[4]付圣雯.基于图像的钢轨轨面缺陷检测识别技术研究[D].兰州：兰州交通大学，2020.

　　[5]龙珍，唐曼玲，李静静.基于机器视觉的钢轨缺陷检测方法综述[J].电子技术与软件工程，2015(12)：133.

　　[6]王平，刘泽，王嵬，等.基于数字图像处理和特征提取的钢轨表面缺陷识别方法[J].现代科学仪器，2012(2)：24-28.

转载请注明来自：http://www.qikan2017.com/lunwen/lig/22446.html