一種基于計(jì)算機(jī)視覺的鐵軌扣件缺失檢測方法

楊樊　陳建政　吳夢(mèng)

摘要：針對(duì)傳統(tǒng)扣件檢測方法式效率低、可靠性差，不能滿足現(xiàn)代鐵路檢修的需要，提出了一種基于計(jì)算機(jī)視覺的扣件缺失自動(dòng)檢測方法。在對(duì)灰度圖像進(jìn)行Canny邊緣檢測處理后采用十字交叉定位法對(duì)扣件位置進(jìn)行定位，得到120×200像素的扣件區(qū)域，并提取扣件圖像的20個(gè)邊緣特征值；最后，利用模糊C均值聚類算法對(duì)這兩類的特征量進(jìn)行聚類分析，通過計(jì)算待診斷對(duì)象與標(biāo)準(zhǔn)模式的隸屬度實(shí)現(xiàn)對(duì)扣件狀態(tài)的分類。應(yīng)用驗(yàn)證表明：采用的圖像處理方法和識(shí)別分類算法能夠有效檢出軌道扣件缺失，檢測速度快，魯棒性好，檢出率達(dá)96%。

關(guān)鍵詞： 扣件缺失檢測；圖像處理；Canny算子；模糊C均值聚類

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）10-2367-04

Abstract： The traditional fastener detection methods are inefficient and unreliable， can not meet the needs of the modern railway maintenance. This paper proposes a vision-based technique for detecting rail fastening automatically. First， a criss-crossing localization method was proposed to position the fastener for the canny edge processing gray images， and the edge characteristic information of fastener was extracted. Finally， fuzzy C-means clustering algorithm was used to cluster the extracted features， fastener missing detection can be realized by calculating the membership between the unknown samples and the standard modes of fastener. The experiment showed that this image processing and classifying algorithm can realize the automatic detection of missing fastener effectively； the detection rate is above 96%.

Key words： fastening missing detecting； image processing； canny algorithm； fuzzy C-means clustering

鐵路線路維修保養(yǎng)對(duì)于軌道交通系統(tǒng)的安全運(yùn)行具有重要作用，其重要工作之一是檢查扣件是否缺失。實(shí)際中，由于安裝保養(yǎng)不到位、列車行駛的振動(dòng)和人為盜取等原因，線路上扣件可能會(huì)缺失，這給會(huì)對(duì)鐵路行車安全形成巨大威脅，甚至釀成重大交通事故。目前，對(duì)鐵路扣件的檢查主要依靠人工巡查的方法，效率低、勞動(dòng)強(qiáng)度大、可靠性差、漏檢率高。近些年，隨著計(jì)算機(jī)技術(shù)、模式識(shí)別和圖象處理技術(shù)的發(fā)展，研制基于計(jì)算機(jī)視覺的自動(dòng)化扣件缺失檢測系統(tǒng)來代替巡道工的視覺檢查工作成為可能，該檢測方法具有效率高、成本低和可靠性好等優(yōu)點(diǎn)，是鐵道和地鐵線路維修的新趨勢(shì)。

日本于20世紀(jì)90年代中期開發(fā)了一些采用圖像處理技術(shù)實(shí)現(xiàn)軌道裂紋、腐蝕及扣件狀態(tài)自動(dòng)識(shí)別的設(shè)備。美國ENSC0公司在20世紀(jì)90年代末研發(fā)了軌道視覺檢查系統(tǒng)自動(dòng)檢查軌道狀態(tài)[1，2]。德國SBG公司研制的GeoRail系統(tǒng)采用數(shù)字掃描相機(jī)和先進(jìn)的圖象處理技術(shù)，實(shí)時(shí)檢測軌道表面和軌枕的缺陷，及扣件缺失、道床斷面的異常等；德國BENNTEC公司開發(fā)了RailCheck系統(tǒng)也能實(shí)現(xiàn)類似功能[3，4]。法國研制開發(fā)了巡查線路設(shè)備狀態(tài)的自動(dòng)檢查系統(tǒng)，并在TGV高速線路和普通線路上投入了實(shí)際運(yùn)行[5，6]。國內(nèi)有北京福斯達(dá)公司高速車載式軌道圖像識(shí)別系統(tǒng)，另有一些基于計(jì)算機(jī)視覺針對(duì)扣件螺母缺失進(jìn)行檢測的專項(xiàng)研究[7]。

上述檢測系統(tǒng)都是采取用高速攝像機(jī)采集扣件完整圖片，然后進(jìn)行圖像處理，判斷扣件是否存在。但是現(xiàn)有系統(tǒng)在圖像處理上耗時(shí)較多，很難適應(yīng)速度要求極高的高速軌檢車。此外，列車行進(jìn)過程中狀態(tài)復(fù)雜，所采集的圖片參數(shù)不一，具有較大的模糊性，目前的扣件缺失檢測方法并不能有效的處理扣件狀態(tài)特征間的模糊性。

本文針對(duì)已有研究成果的不足，運(yùn)用Canny算子及模糊聚類等主要技術(shù)，設(shè)計(jì)了一種基于計(jì)算機(jī)視覺的扣件缺失檢測系統(tǒng)，解決現(xiàn)有技術(shù)識(shí)別速度慢、通用性差的缺陷，可應(yīng)用于鐵路鋼軌扣件缺失的在線快速探測。

1 扣件缺失檢測系統(tǒng)設(shè)計(jì)

基于計(jì)算機(jī)視覺的扣件缺失檢測系統(tǒng)基本原理是首先采用高速CCD相機(jī)拍攝軌道扣件圖像作為系統(tǒng)輸入，通過一系列分析由系統(tǒng)自動(dòng)判定扣件的缺失狀態(tài)。該系統(tǒng)包括硬件和軟件模塊，硬件主要由圖像獲取系統(tǒng)和圖像識(shí)別系統(tǒng)組成。圖像獲取系統(tǒng)包括高速CCD相機(jī)、照明設(shè)備、圖像存儲(chǔ)模塊和GPS定位模塊；圖像識(shí)別系統(tǒng)可以是DSP或工控機(jī)，包括：圖像預(yù)處理、扣件圖像定位、特征提取、分類識(shí)別模塊，主要功能有：

1）圖像預(yù)處理：對(duì)圖像進(jìn)行灰度化、降噪、濾波處理，突出圖像中的扣件區(qū)域，抑制或消除不必要的信息，提高圖像質(zhì)量，便于扣件識(shí)別。

2）定位與特征提取：從采集的整幅圖像中定位出扣件位置；然后從扣件圖像中提取出能夠反映扣件狀態(tài)的特征信息，用于扣件缺失判定。

3）扣件識(shí)別：采用提取所得的扣件特征信息，建立識(shí)別模型，檢測扣件是否缺失。

系統(tǒng)安裝示意圖如圖1所示：

2 扣件的定位與特征提取

2.1 扣件定位基本原理

由于采集的圖像除了包含鋼軌和扣件，還包括道床、軌枕區(qū)域，如果直接在原圖上提取扣件狀態(tài)，受到的干擾多，運(yùn)算量很大。因此需要對(duì)扣件進(jìn)行定位，從原始圖像中裁剪出扣件。

在鋼軌表面區(qū)域，灰度只在水平方向上有明顯跳變，在垂直方向是連續(xù)的；而鋼軌以外的區(qū)域，道砟的紋理比較復(fù)雜，在各個(gè)方向都存在跳變，可以根據(jù)這個(gè)特征找到鋼軌邊緣。同理，可以找到軌枕的邊緣。根據(jù)鋼軌邊緣和軌枕邊緣的交叉點(diǎn)就可以根據(jù)先驗(yàn)信息提取出扣件。該方法稱作十字交叉法，具體步驟為：

1）采用Canny算子對(duì)圖像進(jìn)行邊緣處理；

2）采用區(qū)域掃描統(tǒng)計(jì)法，以鋼軌寬度為區(qū)域?qū)挾?，在二值圖像上從左向右移動(dòng)，統(tǒng)計(jì)區(qū)域內(nèi)的亮點(diǎn)數(shù)目，投影在水平方向，投影在水平方向，其最大值即為鋼軌的左邊界；

3）以同上的方法，做橫向（從右到左）區(qū)域掃描統(tǒng)計(jì)，獲得鋼軌的右邊界；

4）從上向下移動(dòng)，進(jìn)行區(qū)域掃描，確定鋼軌上邊界，從下向上移動(dòng)，進(jìn)行區(qū)域掃描，確定軌枕下邊界；

5）根據(jù)先驗(yàn)知識(shí)（扣件長寬）提取扣件區(qū)域。

2.2 基于Canny算子的邊緣檢測

1986年，Canny提出了邊緣檢測的三個(gè)判斷準(zhǔn)則：信噪比準(zhǔn)則、定位精度準(zhǔn)則和單邊緣準(zhǔn)則，并在此基礎(chǔ)上提出了Canny邊緣檢測算子，其詳細(xì)檢測算法可參考文獻(xiàn)[8]。

按照Canny算子計(jì)算方法對(duì)檢測圖像進(jìn)行邊緣檢測，其結(jié)果如圖2所示。

2.3 扣件區(qū)域提取

根據(jù)2.1節(jié)所述的十字交叉扣件定位方法，在圖像的Canny邊緣檢測基礎(chǔ)上，采用區(qū)域掃描法，提取扣件所在區(qū)域。首先對(duì)檢測圖像進(jìn)行從左至右的區(qū)域掃描，區(qū)域?qū)挾冉其撥墝挾?；然后，以軌枕為區(qū)域?yàn)閷挾冗M(jìn)行從上到下垂直區(qū)域掃描，對(duì)圖2的掃描曲線如圖3所示。

水平方向和垂直方向的區(qū)域掃描結(jié)果的最小值，即為鐵軌的左邊界和軌枕上邊界，分別為：278和141。

同理，對(duì)圖像進(jìn)行從右到左和從下到上區(qū)域掃描，確定鐵軌的右邊界和軌枕下邊界為：380和320。

最后，根據(jù)先驗(yàn)知識(shí)（扣件的長和寬），提取出扣件。為了方便圖像的模式識(shí)別，將扣件區(qū)域位置大小統(tǒng)一設(shè)為120×200像素。對(duì)Canny邊緣檢測結(jié)果進(jìn)行扣件區(qū)域截取，其結(jié)果如圖4所示。

2.4 扣件特征提取

提出一種基于扣件邊緣幾何結(jié)構(gòu)分析的特征提取方法，利用Canny算子實(shí)現(xiàn)對(duì)扣件輪廓邊緣的提取，根據(jù)輪廓特征可實(shí)現(xiàn)扣件缺失檢測。

本文2.3節(jié)中，檢測到扣件的邊緣圖像后，將圖像平均分割為20份，每份包含30×40個(gè)像素，每個(gè)像素的值為0或1，將所有像素相加并除以總像素點(diǎn)，即可得到反映扣件狀態(tài)的特征向量。

篇幅有限，文中列出4個(gè)樣本下的特征向量，如圖5所示，可見無扣件狀態(tài)下的特征向量與有扣件下的特征向量有明顯區(qū)別，但兩類間也有明顯的模糊性。

4 基于模糊C均值聚類的扣件識(shí)別

模糊聚類分析作為一種無導(dǎo)師的學(xué)習(xí)方法，利用分類模式之間的模糊關(guān)聯(lián)度進(jìn)行分類，更相似的劃為一類，更不相似的劃作另外一類。在分類過程中不斷計(jì)算所劃分各類的中心，以待分類模式與已判定為某類的模式中心的隸屬度作為其分類的準(zhǔn)則，與已知聚類中心具有最大隸屬度的類別即為未知狀態(tài)的類別。該文將有無扣件分別作為聚類分析的兩個(gè)類別，可實(shí)現(xiàn)扣件缺失檢測。

模糊C均值聚類算法是Bezdek提出的作為早期硬C均值聚類（HCM）方法的一種改進(jìn)算法[9]。FCM把n個(gè)向量xi（i=1，2， ··· ，n）分為C個(gè)模糊組，并求每組的聚類中心，使得非相似性指標(biāo)的價(jià)值函數(shù)達(dá)到最小。FCM的價(jià)值函數(shù)（或目標(biāo)函數(shù)）表示如下[10]：

由上述兩個(gè)必要條件，模糊C均值聚類算法是一個(gè)簡單的迭代過程。

下文以有無扣件下的20個(gè)樣本為例進(jìn)行聚類分析，所得各樣本的隸屬度如圖6所示。在圖6中，“隸屬度1”表示各個(gè)樣本與有扣件聚類中心的隸屬度；“隸屬度2”表示各樣本與無扣件聚類中心的隸屬度；前20個(gè)樣本為有扣件狀態(tài)，后20個(gè)樣本為無扣件狀態(tài)。從圖6可知：前20個(gè)樣本與有扣件的聚類中心有最大隸屬度，即屬于有扣件狀態(tài)；后20個(gè)樣本與無扣件的聚類中心有最大隸屬度，即屬于無扣件狀態(tài)。這與實(shí)際結(jié)果吻合。

當(dāng)出現(xiàn)如圖7所示的干擾物時(shí)，該狀態(tài)下的特征與上述聚類中心的隸屬度如下表1所示。

從表1可知，圖7的四個(gè)狀態(tài)與有扣件狀態(tài)下的聚類中心有最大隸屬度，即實(shí)現(xiàn)干擾物狀態(tài)下扣件狀態(tài)的正確判別。經(jīng)過大量實(shí)驗(yàn)驗(yàn)證表明，該方法的識(shí)別準(zhǔn)確度的可達(dá)96%，且隨著先驗(yàn)知識(shí)庫的增加，準(zhǔn)確度也會(huì)逐步提升。

5 結(jié)論

采用CCD相機(jī)采集軌道扣件圖像，首先對(duì)原始圖像進(jìn)行小波閾值濾波，其次在對(duì)圖像進(jìn)行Canny算子邊緣處理后采用十字交叉法對(duì)扣件位置進(jìn)行定位，定位扣件位置，提取扣件的邊緣特征信息，最后利用模糊C均值聚類算法實(shí)現(xiàn)扣件缺失識(shí)別。通過鐵路現(xiàn)場實(shí)驗(yàn)結(jié)果表明本文的圖像處理方法和識(shí)別分類算法能有效實(shí)現(xiàn)扣件系統(tǒng)缺失的自動(dòng)檢測，準(zhǔn)確率高，并得到如下結(jié)論：

1）將降噪后圖像進(jìn)行Canny算子邊緣處理能凸顯圖像中的鋼軌和軌枕，然后采用十字交叉法能準(zhǔn)確提取扣件區(qū)域。Canny算子扣件圖像邊緣輪廓信息中，能夠提取較為準(zhǔn)確扣件狀態(tài)特征向量。

2）模糊C均值聚類算法對(duì)扣件特征向量進(jìn)行分類，產(chǎn)生有無扣件的標(biāo)準(zhǔn)聚類中心，然后按照最大隸屬度進(jìn)行扣件缺失檢測，效果好、精度高，且其擴(kuò)展性好，在使用過程中逐步完善先驗(yàn)知識(shí)庫，提高可靠性及精度。

參考文獻(xiàn)：

[1] Singh M， Singh S， Jaiswal J， et al. Autonomous rail track inspection using vision based system[C]//Computational Intelligence for Homeland Security and Personal Safety， Proceedings of the 2006 IEEE International Conference on. IEEE， 2006： 56-59.

[2] Sholl H， Ammar R， Greenshields I， et al. Application of Computing Analysis to Real-Time Railroad Track Inspection[C]//Automation Congress， 2006. WAC'06. World. IEEE， 2006： 1-6.

[3] Killing J， Surgenor B W， Mechefske C K. A machine vision system for the detection of missing fasteners on steel stampings[J]. The International Journal Of Advanced Manufacturing Technology， 2009， 41（7-8）： 808-819.

[4] De Ruvo P， Distante A， Stella E， et al. A GPU-based vision system for real time detection of fastening elements in railway inspection[C]//Image Processing （ICIP）， 2009 16th IEEE International Conference on. IEEE， 2009： 2333-2336.

[5] Deutschl E， Gasser C， Niel A， et al. Defect detection on rail surfaces by a vision based system[C]//Intelligent Vehicles Symposium， 2004 IEEE. IEEE， 2004： 507-511.

[6] Marino F， Distante A， Mazzeo P L， et al. A real-time visual inspection system for railway maintenance： automatic hexagonal-headed bolts detection[J]. Systems， Man， and Cybernetics， Part C： Applications and Reviews， IEEE Transactions on， 2007， 37（3）： 418-428.

[7] 王凌， 張冰， 陳錫愛. 基于計(jì)算機(jī)視覺的鋼軌扣件螺母缺失檢測系統(tǒng)[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2011， 32（12）： 4147-4150.

[8] Canny J. A computational approach to edge detection[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 1986 （6）： 679-698.

[9] Pal N R， Bezdek J C. On cluster validity for the fuzzy c-means model[J]. Fuzzy Systems， IEEE Transactions on， 1995， 3（3）： 370-379.

[10] Miyamoto S， Ichihashi H， Honda K. Algorithms for fuzzy clustering： methods in c-means clustering with applications[M]. Springer， 2008.