王耀南　尹遜帥　賀振東　穆雪峰

摘要：為了解決高速鐵路軌道表面缺陷機(jī)器視覺檢測(cè)系統(tǒng)中采集圖像的冗余問題，本文提出一種鋼軌表面圖像冗余信息的模糊匹配算法。該種算法首先采用豎直投影法提取鋼軌表面區(qū)域；之后對(duì)鋼軌表面區(qū)域進(jìn)行預(yù)處理并二值化，得到缺陷的位置信息；然后通過感知哈希算法，得到鋼軌表面缺陷的形態(tài)信息；最后計(jì)算缺陷的位置誤差和形態(tài)相似度，基于模糊匹配算法，得到匹配結(jié)果。通過實(shí)驗(yàn)驗(yàn)證，該算法能有效識(shí)別系統(tǒng)圖像中的冗余部分，準(zhǔn)確率達(dá)到97.5%。

關(guān)鍵詞：機(jī)器視覺；鋼軌；表面缺陷；模糊匹配

中圖分類號(hào)：U213.4 文獻(xiàn)標(biāo)識(shí)碼：A

隨著鐵路列車的不斷提速，重載列車和城市地鐵輕軌運(yùn)營的增加，對(duì)鐵路安全性、可靠性的要求日漸提高。由于受到天氣狀況惡劣、負(fù)載過大、行車速度快等因素影響，鋼軌表面容易產(chǎn)生各種類型的缺陷，常見的有疤痕、裂紋、波紋擦傷、褶皺、剝落等。如果不及時(shí)對(duì)鋼軌進(jìn)行維護(hù)和更換，會(huì)發(fā)展成內(nèi)部缺陷，造成嚴(yán)重的列車事故。因此，鋼軌表面缺陷檢測(cè)對(duì)維護(hù)鐵路系統(tǒng)的安全運(yùn)行非常重要。

目前鋼軌表面缺陷檢測(cè)主要依靠有經(jīng)驗(yàn)的鐵道工人目測(cè)巡檢。這種檢測(cè)方法不僅效率低、危險(xiǎn)性大，還受人為和天氣因素影響。隨著技術(shù)的進(jìn)步，超聲、磁感應(yīng)、電渦流感應(yīng)、機(jī)器視覺等無損檢測(cè)技術(shù)不斷出現(xiàn)，尤其是機(jī)器視覺檢測(cè)技術(shù)，已有一些研究人員進(jìn)行了相應(yīng)的研究并取得了一定成果。湖南大學(xué)采用線掃描相機(jī)采集鋼軌圖像，應(yīng)用數(shù)字圖像技術(shù)對(duì)鋼軌表面缺陷進(jìn)行檢測(cè)，檢測(cè)效率高，實(shí)時(shí)性好。中國鐵道科學(xué)研究院研究了一種魯棒實(shí)時(shí)鋼軌表面擦傷檢測(cè)算法，檢測(cè)性能較高、速度快。

但是，上述算法僅對(duì)缺陷的識(shí)別做出了相應(yīng)研究，對(duì)檢測(cè)系統(tǒng)在采集過程中可能出現(xiàn)的冗余問題沒有關(guān)注。由于在鐵路維護(hù)過程中，一段鋼軌可能要多次檢測(cè)，因此會(huì)造成鋼軌圖像的重復(fù)采集。在鋼軌分段維護(hù)中，路段與路段連接處也可能存在冗余信息。

鋼軌表面缺陷的檢測(cè)系統(tǒng)均采用線掃描相機(jī)采集鋼軌圖像，線掃描相機(jī)分辨率高，圖像數(shù)據(jù)量大。以本文采集系統(tǒng)為例，若每次檢測(cè)1000km鐵路線路將采集至少25萬張圖像。所以，在使用大容量存儲(chǔ)設(shè)備的同時(shí)，為了減少鋼軌缺陷檢測(cè)和分析的運(yùn)算量，增加單次檢測(cè)的里程，需要減少冗余圖像。

在檢測(cè)系統(tǒng)中圖像采集的開始里程由人工輸入，而后續(xù)里程則通過圖像的采集量由系統(tǒng)自動(dòng)計(jì)算，因此圖像的冗余會(huì)影響采集系統(tǒng)中里程信息的準(zhǔn)確性。為了提高鋼軌缺陷定位的精度，冗余信息的去除也是非常有必要的。

鋼軌缺陷的檢測(cè)結(jié)果是鐵路部門制定鐵路維護(hù)計(jì)劃的主要參考數(shù)據(jù)以及鐵路損傷相關(guān)研究的資料，冗余信息的出現(xiàn)可能會(huì)造成缺陷識(shí)別結(jié)果的重復(fù)，影響檢測(cè)結(jié)果的準(zhǔn)確性，給后續(xù)的工作和研究帶來不必要的問題。

因此需要研究一種識(shí)別冗余信息的匹配算法，以達(dá)到去除冗余信息的目的。由于無缺陷的鋼軌圖像高度相似，因此鋼軌特征信息非常少，基于灰度和梯度信息都很難識(shí)別冗余信息。針對(duì)鋼軌圖像的高度相似性，本文通過鋼軌缺陷的位置和形態(tài)的特異性，提出了一種鋼軌表面圖像冗余信息的模糊匹配算法，實(shí)現(xiàn)了冗余圖像的識(shí)別功能。

1 成像設(shè)備

成像系統(tǒng)由線掃描相機(jī)和鏡頭、光源、控制設(shè)備3部分組成。相機(jī)選用DSLSA Spyder3GigE Vision線掃描相機(jī)，分辨率為1024像素，線掃描頻率最高為68kHz，通過千兆以太網(wǎng)接口將圖像數(shù)據(jù)傳輸?shù)焦た貦C(jī)。鏡頭接口為C口，焦距為25mm，光圈可調(diào)。采用超高亮度LED條形光源，對(duì)稱安裝于相機(jī)兩側(cè)對(duì)鋼軌進(jìn)行照明，以減少外界光線影響，提高成像質(zhì)量。在軌檢車車輪上安裝旋轉(zhuǎn)編碼器，利用編碼器信號(hào)控制相機(jī)的采集頻率。軌道檢測(cè)實(shí)驗(yàn)車如圖1（a）所示，成像系統(tǒng)如圖1（b）所示。

2 模糊匹配算法

匹配算法是將成像系統(tǒng)采集的鋼軌圖像運(yùn)用圖像處理技術(shù)，得到兩幅圖像中缺陷的位置誤差和相似度，通過模糊控制算法，得到匹配結(jié)果。由于普通鋼軌表面圖像的無差別性，只能根據(jù)鋼軌表面的缺陷識(shí)別圖像的冗余。體現(xiàn)鋼軌缺陷特異性的因素主要有兩個(gè)：位置和形態(tài)。

因?yàn)椴杉^程中圖像受光線、震動(dòng)、噪音等影響，在不同采集情況下采集的缺陷經(jīng)過圖像處理后提取的位置信息不盡相同，因此，僅采用缺陷的位置信息難以判斷兩缺陷是否相同。缺陷的形態(tài)學(xué)信息也存在這種問題。故本文采用模糊匹配算法，計(jì)算缺陷位置誤差及形態(tài)相似度并作為模糊匹配算法的兩個(gè)輸入，既可以充分利用缺陷的位置和形態(tài)這兩個(gè)特異性特征，又能彌補(bǔ)單個(gè)特征單獨(dú)使用準(zhǔn)確性不足的問題。

匹配算法流程圖如圖2所示。

匹配算法包括以下步驟：1）鋼軌表面區(qū)域提??；2）圖像預(yù)處理、二值化及形態(tài)學(xué)操作；3）缺陷形態(tài)信息和位置信息獲??；4）位置誤差和相似度計(jì)算；5）位置與相似度模糊匹配。

匹配算法步驟中鋼軌效果圖如圖3所示。圖中（a）為成像系統(tǒng)采集到的鋼軌圖像，圖像大小為1024×1024；（b）為采用豎直投影法提取到的鋼軌表面區(qū)域圖像；（c）為圖像預(yù)處理后的鋼軌表面區(qū)域圖像；（d）為二值化后鋼軌表面區(qū)域圖像；（e）為形態(tài)學(xué)操作后的鋼軌表面區(qū)域圖像。

2.1 鋼軌表面區(qū)域提取

成像系統(tǒng)采集到的圖像如圖3（a）所示，鋼軌表面區(qū)域只占據(jù)圖像中央一部分，鋼軌兩側(cè)有很多石子、道釘?shù)雀蓴_物體，這些物體的存在不利于后續(xù)處理。因此為了降低后續(xù)處理的難度，需要提取鋼軌表面區(qū)域如圖3（b）所示。通過觀察，鋼軌表面區(qū)域與兩側(cè)區(qū)域的灰度值有明顯的差別，因此本文提出了豎直投影法（Vertical Projection，VP）提取鋼軌表面區(qū)域，主要步驟如下：

1）逐列累加圖像f（x，y）中各像素的灰度值，并計(jì)算均值，得到圖像的各列灰度均值數(shù)組Avg（i），Avg（i）如圖4所示。

2）統(tǒng)計(jì)全部圖像的灰度均值A(chǔ)vg_mean。

3）Avg（i）數(shù)組二值化，將Avg（i）數(shù)組依次與灰度均值A(chǔ)vg_mean比較，大于Avg_mean設(shè)為1，小于Avg_mean設(shè)為0，得到數(shù)組Avg_Val（i）。

在Avg_Val（i）數(shù)組中找到第一個(gè)連續(xù)10個(gè)值都是1的點(diǎn)，該點(diǎn)便是鋼軌表面圖像開始的邊緣點(diǎn)Begin_Point；在Avg_Val（i）數(shù)組Begin_Point之后找到第一個(gè)連續(xù)10個(gè)值都是0的點(diǎn)，該點(diǎn)便是鋼軌表面圖像結(jié)束的邊緣點(diǎn)End_Point，截取鋼軌圖像Begin_Point列到End_Point列之間的圖像即可得到鋼軌表面區(qū)域圖像f₁（x，y）。得到的鋼軌表面區(qū)域圖像如圖3（b）所示。

2.2 圖像預(yù)處理、二值化及形態(tài)學(xué)操作

在鋼軌圖像的獲取過程中，容易受到現(xiàn)場(chǎng)環(huán)境、相機(jī)質(zhì)量等因素干擾而產(chǎn)生噪聲，影響匹配結(jié)果，因此，對(duì)鋼軌圖像f₁（x，y）進(jìn)行3×1中值濾波。為了克服鋼軌表面光線反射不均勻的缺點(diǎn)，采用局部零均值法圖像增強(qiáng)，得到鋼軌圖像f₂（x，y），如圖3（c）所示。采用文獻(xiàn)中提出的PEMCV法得到圖像的最佳分割閾值T，對(duì)濾波及增強(qiáng)后的鋼軌圖像f₂（x，y）進(jìn)行二值化，得到二值圖像f₂（x，y），如圖3（d）所示。

由于鋼軌缺陷周圍存在一些亮點(diǎn)噪聲，影響位置信息的準(zhǔn)確性，使用形態(tài)學(xué)操作可以去除這些噪聲點(diǎn)，而操作過度會(huì)導(dǎo)致缺陷的某些結(jié)構(gòu)信息被消除影響形態(tài)信息的準(zhǔn)確性。經(jīng)過實(shí)驗(yàn)驗(yàn)證，本文使用9×9的橢圓結(jié)構(gòu)元素對(duì)二值圖像。f₃（x，y）進(jìn)行形態(tài)學(xué)操作得到圖像f₄（x，y），如圖3（e）所示。

2.3 缺陷形態(tài)信息和位置信息獲取

由于圖像的冗余，在系統(tǒng)中記錄鋼軌圖像采集位置的里程信息將不再準(zhǔn)確，但缺陷相對(duì)于鋼軌兩側(cè)邊緣的位置不會(huì)改變，不同缺陷的位置具有特異性。因此獲取缺陷的外接矩形就能得到缺陷相對(duì)于鋼軌兩側(cè)邊緣的位置信息。

尋找二值圖像f₄（x，y）中缺陷的外接矩形，得到鋼軌表面第m個(gè)缺陷的位置信息P_m（LX，RX，XW，YH），其中，LX為缺陷外接矩形的左側(cè)行坐標(biāo)，RX為缺陷外接矩形的右側(cè)行坐標(biāo)，XW為缺陷的寬度即缺陷所跨列數(shù)，YH為缺陷的高度即缺陷所跨行數(shù)。

通過感知哈希算法，可以得到缺陷的形態(tài)數(shù)組。感知哈希算法以其高效、快速的優(yōu)點(diǎn)在圖像識(shí)別中應(yīng)用非常廣泛。在圖像采集過程中，當(dāng)采集方向不同時(shí)，缺陷的圖像會(huì)發(fā)生180°的翻轉(zhuǎn)，因此計(jì)算形態(tài)數(shù)組時(shí)需要將缺陷圖像翻轉(zhuǎn)180°計(jì)算兩次。

具體步驟如下：

1）截取缺陷外接矩形內(nèi)的圖像f₅（x，y），并將圖像歸一化到8×8尺寸。

2）計(jì)算圖像f₅（x，y）的哈希值作為缺陷的形態(tài)數(shù)組D_m1，形態(tài)數(shù)組是一組64位0或1數(shù)組。

3）將圖像f₅（x，y）翻轉(zhuǎn)180。得到圖像f₅（x，y）。

4）計(jì)算圖像f₅（x，y）的哈希值作為缺陷的形態(tài)數(shù)組D_m2。

在鋼軌圖像中，除缺陷外還有鋼軌的縫隙，在缺陷的匹配中鋼軌連接縫隙會(huì)對(duì)匹配結(jié)果產(chǎn)生影響，因此需要在匹配前將鋼軌縫隙剔除。因?yàn)殇撥壙p隙為橫向細(xì)縫，而鋼軌缺陷不存在橫向擦傷，所以形態(tài)數(shù)組數(shù)值全為1的必是鋼軌縫隙。得到缺陷形態(tài)數(shù)組后檢查是否數(shù)值全為1，若存在數(shù)值全為1的數(shù)組，則剔除該缺陷。

2.4 位置誤差和相似度計(jì)算

對(duì)比兩個(gè)缺陷的位置信息可以得到這兩個(gè)缺陷的位置誤差。對(duì)于位置差別較大的缺陷，在求取位置誤差之前通過計(jì)算缺陷的高度差和寬度差便可初步判斷兩缺陷是否為同一缺陷，對(duì)于高度差或?qū)挾炔钶^大的一組缺陷，匹配算法可以在此結(jié)束，以減少匹配步驟，提高效率。

取帶有缺陷的兩幅缺陷圖像Def1和Def2，分別計(jì)算得到形態(tài)數(shù)組D_t1，D_t2，D_o1，D_o2，及位置信息R（LX，RX，XW，YH），P0（LX，RX，XW，YH）。通過位置信息的對(duì)比初步判斷兩個(gè)缺陷是否為同一缺陷；對(duì)有可能為同一缺陷的數(shù)據(jù)進(jìn)行下一步計(jì)算，得到兩個(gè)缺陷的位置誤差和形態(tài)相似度。

若Ep>0.2，則Def1與Def2不是同一缺陷，否則計(jì)算Def1與Def2的形態(tài)相似度S。

3）計(jì)算Def1與Def2的形態(tài)相似度S。

步驟a：統(tǒng)計(jì)形態(tài)數(shù)組D_t1與D_o1中不同位的個(gè)數(shù)n₁。

步驟b：計(jì)算Def1與Def2的形態(tài)相似度S₁，相似度計(jì)算公式如下所示：

步驟c：統(tǒng)計(jì)形態(tài)數(shù)組D_t1與D_o2中不同位的個(gè)數(shù)n₂，根據(jù)公式（4）計(jì)算Def1與Def2的形態(tài)相似度S₂。

步驟d：取S₁和S₂的最大值為S，若S<0.8則說明Def1與Def2不可能為同一缺陷。

2.5 位置與相似度模糊匹配

模糊匹配算法的輸入量為鋼軌表面缺陷的位置誤差Ep及相似度s，語言模糊子集為{大（L），中（M），?。≒）}，位置誤差的論域?yàn)閇0，0.2]，相似度的論域?yàn)閇0.8，1]。隸屬度函數(shù)如公式（5）和（6）所示。模糊控制器的輸出量為匹配結(jié)果，用U表示，模糊子集為{是（Y），否（N）}，由于本算法的匹配結(jié)果為是和否兩個(gè)離散量，因此模糊輸出變量不需要反模糊化，N表示實(shí)時(shí)獲取缺陷與已存儲(chǔ)缺陷不是同一缺陷，Y表示實(shí)時(shí)獲取缺陷與已存儲(chǔ)缺陷是同一缺陷。

模糊邏輯推理規(guī)則的結(jié)構(gòu)為：If Sand Ep thenU。當(dāng)缺陷的位置誤差較大時(shí)，表明這組缺陷根據(jù)位置信息判斷為同一缺陷的概率較小，因此只有當(dāng)相似度也很大時(shí)，這組缺陷才可能是同一缺陷。當(dāng)缺陷位置誤差較小時(shí)，表明這組缺陷根據(jù)位置信息判斷為同一缺陷的概率較大，因此只要相似度不是很小，這組缺陷就很有可能是同一缺陷。得到模糊規(guī)則如表1所示。

3 實(shí)驗(yàn)結(jié)果與分析

本文選取了40組帶有疤痕缺陷的圖像，其中，相同缺陷和不同缺陷的圖像各占一半。實(shí)驗(yàn)數(shù)據(jù)如表2所示，表2中1～20組數(shù)據(jù)為相同缺陷的圖像得到的數(shù)據(jù)，21～40組數(shù)據(jù)為不同缺陷的圖像得到的數(shù)據(jù)。實(shí)驗(yàn)圖像舉例如圖5所示。

由表2中實(shí)驗(yàn)數(shù)據(jù)可知：大部分相同缺陷的位置誤差在0.05以下，相似度在0.95以上，如圖5（a）所示。大部分不同缺陷的位置誤差在0.2以上，相似度在0.8以下，如圖5（b）所示。不同缺陷圖像第39組位置誤差較小，而且相似度較高導(dǎo)致匹配出現(xiàn)錯(cuò)誤，這是因?yàn)楦兄Ｋ惴ㄖ槐Ａ袅藞D像的低頻信息，去除了高頻的細(xì)節(jié)信息，當(dāng)遇到形狀結(jié)構(gòu)相似的兩個(gè)缺陷時(shí)，容易得到一個(gè)較高的相似度。

實(shí)驗(yàn)結(jié)果如表3所示。

實(shí)驗(yàn)表明：在實(shí)驗(yàn)的圖像中，相同缺陷的圖像全部被檢出，而不同缺陷的圖像有一組被檢測(cè)，說明本文算法對(duì)于相同缺陷的冗余圖像有很高的檢出率，對(duì)不同缺陷的圖像有一定的誤檢率。本文算法準(zhǔn)確率為97.5%，能有效識(shí)別出鋼軌圖像中的冗余部分，而且誤檢率和漏檢率較低，分別為5%和0%。

4 結(jié)論

本文提出了一種鋼軌表面圖像冗余信息的模糊匹配算法，能有效識(shí)別系統(tǒng)圖像中的冗余部分。該算法通過圖像處理算法獲取圖像的位置信息和形態(tài)信息，對(duì)比兩幅圖像中缺陷的位置信息和形態(tài)信息得到鋼軌缺陷的位置誤差和形態(tài)相似度。根據(jù)鋼軌缺陷位置和形態(tài)的特異性，通過計(jì)算缺陷的位置誤差和形態(tài)相似度，基于模糊匹配算法，得到匹配結(jié)果。通過實(shí)驗(yàn)，驗(yàn)證了該算法的有效性。