《数字图像处理实战》第9章 钢轨轨面缺陷检测.pptx

第9章 钢轨轨面缺陷检测 1分析项目需求目录了解项目背景2图像预处理3基于种子生长算法的轨面缺陷检测4 9.1 了解项目背景 随着我国铁路运输事业的不断发展，铁路运营里程不断增加，列车运行速度也不断提高，车轮与钢轨轨面之间的相互作用力越来越大，钢轨轨面缺陷成为影响铁路运输安全的重要因素。为保障列车的行车安全，需要及时检测出钢轨轨面缺陷。其中的两个重要环节是轨面数据的采集和轨面缺陷的检测。传统的钢轨轨面检查主要依靠目视或人工小车检测，检测效率低、占用运输资源并且具有一定的危险性。随着科技的进步，我国研制生产了一系列高速综合检测列车，可以在运行中对轨道等基础设施进行检测。 9.1 了解项目背景 机器视觉技术为从图像中检测和识别轨面缺陷提供了理论与工具。基于机器视觉的检测方法不干扰钢轨的工作状态，具有较好的容错能力和较高的安全性，是轨面缺陷检测的主流方法。基于机器视觉的轨面缺陷检测方法在实际应用中，仍面临一些困难。季节因素和光照条件变化会导致获取到的图像产生光照不均匀的情况，增加了缺陷检测的难度。不同路段和运营环境的钢轨表面状况可能不同，容易产生局部高光，增加了缺陷区域特征提取的难度。本案例主要研究如何使用图像处理方法克服轨面图像中的不均匀光照的影响来检测疤痕类缺陷。 1分析项目需求目录了解项目背景2图像预处理3基于种子生长算法的轨面缺陷检测4 9.2 分析项目需求本章使用北京交通大学的RSDDs数据集 ，包括原始的轨面图像和经过专家处理得到的缺陷掩模图像，所包含的缺陷类型为“疤痕”型。数据集包含两个子集，I型RSDDs数据集包含来自客运铁路的67个样本，II型RSDDs数据集包含来自货运铁路的128个样本。由于II型数据集的分辨率过低，本章选择针对I型数据开展疤痕类缺陷检测的研究。疤痕类缺陷实质上是钢轨表面的坑洞，在图像中表现为暗色的斑块，大小、位置和深浅都有一定的随机性。钢轨轨面的背景较为复杂，轨面图像中存在位置、宽窄和明暗都不确定的轴向条纹。在钢轨两侧，往往有灰度接近于0、宽度不一的黑色条纹。部分钢轨表面有较严重的锈蚀或油污，表现为黑色的不规则条带。 9.2 分析项目需求项目目标本项目以I型RSDDs数据为研究对象，主要利用连通成分标记、种子生长等算法来实现以下目标。对图像进行自适应预处理以消除钢轨轨面的非均匀光照和黑边干扰。自动确定种子生长算法的最佳上阈值。对轨面图像进行分割，得到缺陷区域，便于进一步的缺陷评估和处理。 9.2 分析项目需求轨面缺陷检测流程将图像从RGB格式转换为灰度图像，基于自定义算法消除轨面上的不均匀光照，得到去除背景的轨面图像。基于连通性分析去除黑边干扰。根据样本统计数据确定种子点选取规则。使用曲线拟合自适应地获取种子生长算法的上阈值。应用种子生长算法进行轨面缺陷的分割。 1分析项目需求目录了解项目背景2图像预处理3基于种子生长算法的轨面缺陷检测4 9.3 图像预处理轨面图像特点分析疤痕类缺陷表现为轨面上大小不一的坑洞，几乎不反射光线，所以这类缺陷区域的像素灰度值比周围的像素点的灰度值要小。沿轨道方向的水平线扫描轨面图像时，可发现同一条扫描线上大部分像素灰度都非常接近。理想情况下扫描线上的像素灰度值变化应该是相对平滑的，而当扫描到缺陷位置时灰度值会突然减小。轨面图像的上边缘和下边缘都有一段条带，且颜色比周围更“黑”，本章中称这种带状痕迹为黑边。 9.3 图像预处理使用大津法直接对样本进行图像阈值分割的效果不佳：很多不属于缺陷的深色区域被标记出来，同时缺陷区域只有一部分被分割出来。经分析原因如下：钢轨表面具有一定的弧度，不同的反射强度造成钢轨表面图像中出现明暗不一的条带，对同样属于暗色区域的表面缺陷区域造成干扰。而部分铁轨表面的不规则条状锈蚀区域也在全局阈值分割中被误识别为目标。钢轨表面缺陷所对应的坑洞本身深浅不一，采集到的图像中灰度不均匀。如果阈值过高，分割出来的深色区域要小于实际的缺陷区域，如阈值过低，会将轨面的其他非缺陷区域标记为缺陷区域。 9.3 图像预处理9.3.1 轨面不均匀光照的消除读入图像后首先使用OpenCV中的cvtColor函数将其从RGB三通道格式转换为单通道的灰度格式。本章设计了扫描线处理算法，用于从原始图像中去除背景中的条带干扰。（1）对轨面图像进行逐行扫描，使用numpy库中的median函数获得每行像素灰度值的中值，记为t。（2）将灰度值大于30并且大于t-50的像素标记为背景像素，将其灰度值设为255。从右图可见扫描线算法有效地去除了由光照不均匀造成的大部分条带结构，但结果中仍存在黑边。 9.3 图像预处理9.3.2 基于连通性分析的黑边去除单纯使用灰度信息无法判断像素属于黑边还是缺陷。进一步分析可以发现，黑边与缺陷区域在空间上不是连通的。因此可以将上下两条边界设置为种子