线扫描铁轨表面缺陷成像和检测.doc

线扫描铁轨表面缺陷成像和检测 　　摘要：基于线扫描的机器视觉成像系统，用于采集铁轨表面图像，提出一种以图像增强和自动阈值分割为核心的缺陷检测算法，该算法能够准确检测出铁轨表面缺陷.图像增强采用局部零均值法，克服了铁轨表面光线反射不均的缺点，提高了缺陷和背景的区分度.自动阈值分割采用强调概率的最大背景类方差法，取到的阈值使背景类方差最大的同时保持缺陷出现概率较小.将本文的核心方法与传统方法进行对比实验，验证了该算法的有效性和快速性，具有一定的实用价值. 关键词：机器视觉；铁轨；表面缺陷；图像增强；自动阈值分割 中图分类号：U213.4 文献标识码：A 轨道交通已成为人们日常出行的重要选择.近年来，随着高速和重载列车的开通，城市地铁轻轨的运营，对铁路基础设施的可靠性提出十分严格的要求[1].为了保证铁路运营安全，需要对铁轨的状态进行实时监测，及时发现安全隐患. 铁轨缺陷检测是铁轨检测中的重要一环.在过去，铁轨缺陷检测主要依靠有经验的铁道工人，在铁路沿线巡查，这种检测方法不仅效率低、危险性大，而且受到天气、工人责任心等因素的影响[2].随着科学技术的不断进步，近年来，人们利用超声、磁感应（或漏磁场）、电涡流感应、机器视觉等无损检测技术对铁轨缺陷进行检测[3]. 本文基于机器视觉原理，通过设计成像系统采集铁轨图像，然后利用图像处理算法将铁轨缺陷在图像中标记出来. 1成像系统 成像系统由相机与镜头、照明设备、控制设备3部分组成.相机选用DALSA Spyder3 GigE Vision线扫描相机，其分辨率为1 024像素，线扫描频率可达到68 000 Hz，它支持CameraLink规范，通过千兆以太网接口以80 MHz的速度将采集到的图像数据传送至工控机.镜头选用光圈可调，固定焦距为25 mm的C口镜头. 为了提高成像质量，减少外界光线对铁轨表面的影响，照明设备选用超高亮度的LED条形光源，对称放置在相机两侧，装置模拟图如图1（a）所示. 控制设备主要控制相机的采集速率与轨检车（图1（b））运行速率相一致.在轨检车上安装旋转编码器，将速度信息以脉冲的形式传送给相机，相机通过外部触发工作模式完成图像采集. 在实验阶段，通过成像系统采集到的图像大小为1 024×1 024，大多数成像质量较好，但在经过轨道间隔处时，由于振动作用，对成像质量有一定影响. 2缺陷检测算法 缺陷检测算法是将成像系统采集到的铁轨图像通过图像处理技术，标记出铁轨表面缺陷的位置.检测算法包括4个步骤（图2）：首先裁剪成像系统采集的图像，提取铁轨区域；其次提高缺陷与背景的对比度，增强铁轨图像；然后将背景区域去除，阈值化分割缺陷；最后运用形态学方法，标记缺陷位置. 2.2增强铁轨图像 增强铁轨图像是实现缺陷检测算法的重要一步.所谓增强铁轨图像就是克服铁轨表面光线反射不均的影响，提高铁轨中缺陷与背景的对比度.通过观察图2（b）所示的铁轨表面状况，得到以下结论： 1）背景图像整体存在较大的明暗变化.由于铁轨表面受到室外气候的腐蚀作用以及车轮摩擦受力程度的不同，导致光源照射在铁轨光滑的地方，反射的光线强度强，得到明亮的图像；照射在铁轨粗糙的地方，反射的光线强度弱，得到灰暗的图像. 2）背景图像局部存在较小的明暗变化.在铁轨竖直方向的局部区域，由于铁轨和车轮摩擦受力情况、腐蚀情况基本一致，得到的铁轨图像明暗程度基本不变. 3）缺陷比其周围背景的灰度值小.由于背景图像整体存在较大的明暗变化，在暗处的灰度值有的等于或者小于缺陷处，在光亮处，也有类似于缺陷的斑点，所以定义缺陷存在于比其周围背景灰度值小的位置[5]. 3实验结果 首先将缺陷检测算法中的重要步骤（增强铁轨图像和阈值化分割缺陷）与传统方法进行对比，然后给出缺陷图像的检测结果. 3.1增强铁轨图像方法比较 传统的增强对比度的方法有：全局直方图均衡化（GHE），对比度受限自适应直方图均衡化（CLAHE）[11].本实验将LZM增强铁轨图像的方法与GHE和CLAHE进行对比，观察增强效果和运算时间. 为使实验在相同条件下进行，实验中选取的图像均是提取铁轨区域后的图像，并且在进行CLAHE实验时，选取和LZM方法一样的1×1 024线性窗口区域，限制选取0.02，预期得到均匀的直方图.在配置为Intel（R） Core（TM） i3 CPU （2.53 GHz），2 G内存的电脑中使用Visual C++和OpenCV，选取20幅缺陷图像求出各算法的平均运算时间. 图5和表1显示了实验对比结果.运用GHE方法，对图像的灰度值进行了整体的拉伸，虽然运算速度最快，但背景和缺陷之间并没有很大的区分度，特