高速鐵路軌道表面缺陷機(jī)器視覺(jué)背景差分檢測(cè)技術(shù)研究.pdf

1、高速鐵路具有運(yùn)行速度快、運(yùn)輸能力大、占用土地少、能源消耗低、產(chǎn)業(yè)結(jié)構(gòu)優(yōu)、社會(huì)效益好等優(yōu)勢(shì)。建設(shè)高速鐵路客運(yùn)專線，實(shí)現(xiàn)客貨分運(yùn)，是提高運(yùn)輸能力和質(zhì)量，滿足客運(yùn)快速、準(zhǔn)時(shí)、舒適等方面需求的根本途徑。然而，隨著鐵路行車速度、密度和載重量的不斷提高，由鋼軌表面缺陷引起的斷軌事故也在逐年增加。因此，如何實(shí)時(shí)檢測(cè)鋼軌表面缺陷是鐵路安全、舒適、高速運(yùn)營(yíng)必須解決的一個(gè)關(guān)鍵問(wèn)題。在當(dāng)前鐵路客運(yùn)專線建設(shè)的大背景下，研究鋼軌表面缺陷的自動(dòng)檢測(cè)技術(shù)更加具有現(xiàn)實(shí)

2、意義。鑒于此，本論文對(duì)高速鐵路軌道表面缺陷機(jī)器視覺(jué)檢測(cè)背景差分檢測(cè)技術(shù)進(jìn)行了深入、系統(tǒng)的研究。
　　首先闡述了軌道缺陷的檢測(cè)現(xiàn)狀;介紹了軌道缺陷的分類、危害及其檢測(cè)方法，指出研究高速鐵路軌道表面缺陷檢測(cè)的重要意義;概述了國(guó)內(nèi)外開(kāi)發(fā)類似檢測(cè)技術(shù)與設(shè)備的相關(guān)成果，分析并總結(jié)了高速鐵路軌道表面缺陷檢測(cè)所面臨的挑戰(zhàn)。本論文圍繞該所面臨的挑戰(zhàn)開(kāi)展了深入的研究，主要研究工作如下:
　　(1)分析了鋼軌成像的特點(diǎn)，并考慮到多種因素對(duì)成像的

3、影響，設(shè)計(jì)了專用的軌道表面缺陷檢測(cè)機(jī)械結(jié)構(gòu)，可對(duì)光源入射角度、安裝方式、光源強(qiáng)度等進(jìn)行調(diào)節(jié)，便于得到最佳的鋼軌圖像。對(duì)成像系統(tǒng)硬件進(jìn)行了詳細(xì)分析、選型，并分析了缺陷視覺(jué)檢測(cè)軟件架構(gòu)。最后設(shè)計(jì)了低速平動(dòng)平臺(tái)、高速轉(zhuǎn)動(dòng)平臺(tái)和手推車平臺(tái)三種軌道表面缺陷檢測(cè)平臺(tái)。
　　(2)提出一種基于背景差分的軌道表面缺陷圖像檢測(cè)方法。根據(jù)鋼軌表面圖像具有沿鋼軌方向像素值基本不變的特征，建立鋼軌表面圖像背景模型，然后將實(shí)際采集的圖像與背景圖像進(jìn)行差分操

4、作，得到與光照強(qiáng)度呈正比、背景均勻的差分圖像，減小了反射不均對(duì)圖像處理的影響?；谇斜妊┓虿坏仁降淖赃m應(yīng)閾值選取與光照強(qiáng)度呈線性關(guān)系，因此，在對(duì)差分圖像進(jìn)行二值化時(shí)，約去了光強(qiáng)項(xiàng)，消除了光照變化的影響。算法參數(shù)少，只有閾值控制因子一個(gè)參數(shù)，易于調(diào)節(jié)，可控性強(qiáng)，計(jì)算量少，實(shí)時(shí)性高，耗時(shí)僅為24.2ms，但是對(duì)陰影、污漬和鐵銹比較敏感。
　　(3)提出一種基于反向擴(kuò)散差分的軌道表面缺陷檢測(cè)方法。首先，根據(jù)缺陷同時(shí)具有低灰度值和高梯度值

5、的特征，設(shè)計(jì)了反向PM(Perona Malik)擴(kuò)散因子。該因子對(duì)具有低灰度值和高梯度值特征的像素區(qū)進(jìn)行平滑;而具有高灰度值和（或）低梯度值的像素區(qū)則被保留。然后，對(duì)原圖像進(jìn)行反向PM擴(kuò)散后，與原圖像進(jìn)行差分操作，使得缺陷邊緣部分被保留。利用自適應(yīng)閾值將鋼軌缺陷分割出來(lái)。該方法減小了光照變化、反射不均、陰影和污漬等環(huán)境因素對(duì)圖像處理的影響。但是由于鐵銹也具有高梯度值，對(duì)算法有很大的影響，同時(shí)，通過(guò)觀察檢測(cè)到的缺陷邊緣發(fā)現(xiàn)，缺陷邊緣存在

6、空洞和斷裂，為此，在分析各影響因素的特征的基礎(chǔ)上，提出了改進(jìn)的反向PM擴(kuò)散的鋼軌表面缺陷檢測(cè)算法。針對(duì)引起邊緣空洞斷裂的本質(zhì)原因和擴(kuò)散模型離散機(jī)制，提出了最近鄰中心差分機(jī)制。與反向PM擴(kuò)散算法所采用的傳統(tǒng)離散機(jī)制相反，該機(jī)制增強(qiáng)邊緣中心的同時(shí)，抑制噪聲點(diǎn)的增強(qiáng)。因此，差分圖像消除由鐵銹產(chǎn)生的噪聲的同時(shí)，增強(qiáng)了邊緣的完整性。
　　(4)先前提出的缺陷檢測(cè)算法是經(jīng)過(guò)背景建模或圖像擴(kuò)散平滑，然后與原圖像進(jìn)行差分，再對(duì)差分圖像二值化、去噪

7、、濾波與填充，最后得到缺陷圖像，過(guò)程復(fù)雜，干擾因素多，因此缺陷檢測(cè)結(jié)果難以達(dá)到最優(yōu)。為此，提出了基于低秩與稀疏表示的鋼軌表面缺陷視覺(jué)檢測(cè)算法。低秩與稀疏表示算法主要用于視頻流中運(yùn)動(dòng)物體的識(shí)別，而對(duì)于靜態(tài)物體則無(wú)法識(shí)別，為此，在分析了缺陷具有不規(guī)則邊緣特性之后，將缺陷的不規(guī)則邊緣看作運(yùn)動(dòng)物體，從而實(shí)現(xiàn)了基于低秩與稀疏表示的鋼軌表面缺陷的識(shí)別檢測(cè)。該算法首先建立了背景模型和缺陷模型，進(jìn)而建立了鋼軌圖像模型，為了保證缺陷的完整性，引入了圖割法