基于机器视觉的轨道表面缺陷检测系统的研究.docxVIP

基于机器视觉的轨道表面缺陷检测系统的研究 1 轨道部件自动化检测系统的研发 在中国，随着加快铁路的里程，客运线路和高速铁路的建设已经开始，列车进入了高速时代。为了确保铁路运输的安全畅通，提高运营效率，必须实时监控重要设备（轨道）的状态，尽量及时发现轨道表面的缺陷，并为维修部门提供可靠的数据。对此,采用具有高效、高检测率和安全性特点的自动化检测系统来替代以往的巡道工作是铁路高速化发展的必然趋势。 轨道部件自动化图像检测系统综合利用了计算机视觉、图像处理、模式识别等技术,欧美国家对此展开了大量研究,有些已投入实际应用。但国外的设备不仅价格昂贵,而且无法获取其核心技术,有必要在消化吸收国外成熟经验的基础上进行自主研发。 检测速度和精度是制约自动化检测系统的重要因素,也是其主要性能指标。一方面,为了提高检测精度,避免漏检、误检,必须提高图像分辨率和图像采集频率,并提高图像处理的精度。另一方面,庞大的检测数据也对图像存贮和处理速度提出了更高的要求。因此,在保证检测精度的前提下,如何在尽可能短的时间内处理大量数据是本文要解决的核心问题。 2 轨道图像的在线数据处理 该系统基于机器视觉检测原理,采用图像处理技术实现对钢轨表面缺陷的自动检测。整个缺陷检测系统由图像采集和图像处理系统两大部分组成。图像采集系统主要包括光学成像、光电转换和信号处理三个部分,其主要构成如图1所示,利用光照强度分布均匀且稳定的白光光源以一定的角度投射到钢轨表面,位于钢轨正上方的线阵CCD相机采集光照处的轨道图像,经图像采集卡发送给图像处理系统,同时运用多线程技术,将采集来的图像进行存储,以便离线后还可对其进行缺陷校验。考虑到该系统需进行在线实时处理,因此整个系统采用嵌入式技术,以提高系统的检测速率。 图像处理程序载入嵌入式系统中,其将接收到的轨道图像进行在线处理和数据分析,处理流程如图2所示。 (1)图像数据预处理。主要实现图像的滤波去噪,旨在降低后续图像处理的复杂度; (2)轨道图片区域划分。将通过对轨道特征的分析,设计相应算法分割钢轨区域、非钢轨区域; (3)缺陷检测。采用边界识别技术识别缺陷区域,针对缺陷区域,判断缺陷的严重程度。 3 轨道缺陷自动检测算法的设计 3.1 自适应加权中值滤波 在图像动态采集过程中,由于受到光源和CCD相机抖动的影响,图像中不可避免地存在大量噪声,这为后续缺陷检测工作带来较大困难,因此,首先需要对采集的原始图像进行滤波去噪处理。 轨道缺陷图像处理主要要求解算出缺陷范围,中值滤波器既可以消除噪声,又能保护图像边缘,能够有效满足轨道缺陷复原的要求。 设f(x,y)表示数字图像像素点的灰度值,滤波窗口为A的中值滤波器可以定义为: 其主要功能是将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点的统计排序中值,从而消除孤立的噪声点。 为了进一步在图像中突出轨面缺陷部分,滤波时采用加权的中值滤波可加强滑动滤波窗口中间点或距中间点最近的几个点的作用,传统的加权中值滤波在中心像素的权值选择上难以确定,本文采用了自适应加权中值滤波方法。首先通过噪声检测确定图像中的噪声点,然后依据窗口内噪声点的个数自适应地调整滤波窗口的尺寸,再根据相似度大小,巧妙地将滤波窗口内各个像素点按一定的规律自适应地分组并赋予每组像素点相应的权重,最后采用加权中值滤波算法对检测出的噪声点进行滤波处理。 3.2 区域范围 所采集的轨道图像由钢轨区域和非钢轨区域构成,若直接提取整幅图像缺陷目标,非钢轨区域的无关信息必然会加大系统对图像数据的处理工作。如果不排除这些背景干扰,很有可能造成软件的误判且浪费大量处理时间,那么就需要采用相应算法划定缺陷所在轨道的区域范围。本文提出一种基于轨道峰区检测的自适应二值图像投影法快速定位钢轨区域,并对非钢轨区域进行剪辑。 3.2.1 最大类间方差法改进 考虑到系统对图像处理算法实时性的要求,本文采用处理过程简单的自适应阈值分割算法产生二值图像。该算法的关键是分割阈值的选取。 较常用的图像分割方法有直方图双峰法、迭代法和最大类间方差法。直方图双峰法计算简单,速度较快,其原理是选择两峰之间最低点的灰度值作为分割阈值,因此仅适用于图像直方图呈现明显双峰的情况。但由于轨道图像的复杂性,其直方图往往只呈现明显的单峰现象或者连成一片,如图3所示,所以该方法不利于轨道图像的分割。迭代法能够较好地保留边缘细节,但对噪声的抑制效果不是很好,从而影响处理的效果。 最大类间方差法是由Ostu于1978年提出,其基本思想是利用类别方差作为判据,选取使类间方差最大的灰度值作为最佳阈值。在算法的实际运用中,往往使用如下计算公式求取最佳阈值: 化简得: 其中,σ2为两类间最大方差;t为分割两个区域的阈值;μA,μB为目标物A和背景B的平均灰度值;PA,PB为A和B区域内各