基于機器視覺的鋼軌表面缺陷三維檢測方法

王時麗，劉桂華

（西南科技大學 信息工程學院，四川 綿陽621010）

0 引言

在我國的交通運輸行業(yè)中，鐵路運輸發(fā)揮著不可替代的作用。為保證鐵路運輸?shù)陌踩?、快速，除了對鋼軌高平直度、高熱處理強度和高精度的要求外，對鋼軌的表面質(zhì)量也提出了更為嚴格的要求。而表面缺陷則是衡量鋼軌表面質(zhì)量的一個重要技術(shù)指標，也是保證鐵路運行安全的重要保障。

近幾年，世界各國加強了對鋼軌表面缺陷檢測的研究，許多發(fā)達國家已自行研制出高速軌檢車，如意大利MERMEC Group公司開發(fā)的 Rail Profile System（RPS）、澳大利亞 SY00970軌道掃描試驗車以及俄羅斯的BFSM 檢測系統(tǒng)等，許多學者對基于機器視覺的表面檢測技術(shù)也做了深入的研究工作[1-5]。目前，國內(nèi)常用的鋼軌表面檢測方法主要有人工目視法、磁場法和電渦流法。但是人工疲勞、環(huán)境惡劣等各方面的因素致使檢測受到局限，因此需要研發(fā)一個自動檢測系統(tǒng)來協(xié)助鐵路部門進行檢測。國內(nèi)一些學者如葉蘇茹、徐科、王平等人[6-9]已經(jīng)開始研究將視覺技術(shù)應(yīng)用于鋼軌表面缺陷檢測，并且取得了一定成果[10-14]。

但是，以上所述的這些表面檢測方法主要針對二維圖像進行識別，無法給出量化的缺陷深度信息，一些細小孔洞等難以用二維圖像識別的方法將其檢測出來。另外，根據(jù)大型鋼材生產(chǎn)廠制定的《43 kg/m 75 kg/m鋼軌訂貨技術(shù)條件》知，合格的鋼軌表面不應(yīng)有裂紋，深度超過0.5 mm或者面積超過0.5 mm2的氧化鐵皮或者磨痕、折疊等。因此，本文在這些研究成果和檢測標準的基礎(chǔ)上提出了一種將二維視覺與三維視覺相結(jié)合的鋼軌表面檢測系統(tǒng)，該系統(tǒng)能準確檢測出鋼軌缺陷的位置、大小及深度，為鋼軌表面缺陷檢測提供一種成本低、檢測精度高的快速有效新途徑。

1 硬件設(shè)計

設(shè)計的硬件平臺系統(tǒng)如圖1所示。該系統(tǒng)主要由數(shù)據(jù)采集系統(tǒng)、運動控制系統(tǒng)以及計算機處理系統(tǒng)三部分組成。

圖1 硬件平臺示意圖

整個圖像采集系統(tǒng)如圖2所示。該系統(tǒng)采集的數(shù)據(jù)主要包括鋼軌表面圖像以及鋼軌表面深度數(shù)據(jù)。

圖2 圖像采集系統(tǒng)

1.1 鋼軌表面圖像采集系統(tǒng)

該子系統(tǒng)作為圖像采集系統(tǒng)的一部分，主要由光源、相機與鏡頭組成，負責采集鋼軌表面二維圖像。

（1）光源。在計算機視覺系統(tǒng)中，好的光源與照明方案往往是整個系統(tǒng)成敗的關(guān)鍵。光源與照明方案的配合應(yīng)盡可能地突出物體特征參量，使成像質(zhì)量不受物體位置變化的影響。在綜合考慮鋼軌表面高反光特性、光源照明亮度、均勻度以及幾何形狀等因素后，選用MVLZ公司MVLZ8080-W型號的大功率LED線型光源 （條形光源），照明方案采用“低角度前光照明”。

（2）相機與鏡頭。目前用于視覺系統(tǒng)的相機主要包括線掃描相機和面掃描相機兩類。考慮到鋼軌生產(chǎn)線生產(chǎn)速度為 1.5 m/s（5.4 km/h），系統(tǒng)精度設(shè)計為±0.2 mm，拍攝視場為300 mm，可推算出相機的參數(shù)如下：

①CCD分辨率

橫向方向上的像素單元個數(shù)至少為：300/0.2=1 500。因此，可選擇分辨率為2 048像素的相機，實際精度為300/2 048=0.14 mm。

②CCD線掃描頻率

若縱向分辨率為0.2 mm，則可得到線陣CCD的水平掃描頻率：HSF=V/R=5.4/0.2=27 kHz。

綜上所述，系統(tǒng)選用了Basler公司型號為raL2048-48 gm的線掃描黑白相機。該相機最大行頻48 kHz，分辨率為2 048，鏡頭選擇固定焦距50 mm的C口鏡頭。由于相機本身屬于千兆以太網(wǎng)接口，因此本系統(tǒng)直接通過網(wǎng)線將采集圖像傳輸回計算機而不用圖像采集卡。

1.2 鋼軌表面深度數(shù)據(jù)采集系統(tǒng)

由于基于二維圖像的鋼軌表面檢測方法只能根據(jù)缺陷的二維特征進行缺陷識別和分類，忽略（并且也無法得到）了鋼軌缺陷最重要的深度信息，容易漏檢面積較小的凹坑、軋疤等缺陷，因此，本文在二維缺陷識別的基礎(chǔ)上引入激光掃描儀，實現(xiàn)鋼軌表面深度數(shù)據(jù)的獲取。該激光掃描儀采用LMI的Gocator 2300系列傳感器，z軸精度為 0.055～0.200 mm。該設(shè)備由已經(jīng)標定好的相機及激光器組成。在掃描鋼軌前，給定一個基準面，即可精確得到掃描面相對于基準面的精確 x，y，z軸數(shù)據(jù) （單位：mm）。其中x軸表示縱向位置，y表示掃描橫向位置，z表示掃描面與基準面的差值，即深度。

2 系統(tǒng)軟件設(shè)計

本系統(tǒng)軟件部分由計算機完成，整個軟件流程設(shè)計如圖3所示。通過處理線陣相機采集的鋼軌踏面圖像得到擬檢測缺陷的面積、位置、長寬比、圓形度等特征，通過激光掃描儀獲得鋼軌踏面的深度數(shù)據(jù)，經(jīng)過處理得到各擬檢測缺陷的最大深度Δh，最后再將這兩組數(shù)據(jù)進行融合，綜合判斷該鋼軌是否有缺陷，若有則報警并存儲，若無則繼續(xù)掃描。

圖3 系統(tǒng)流程圖

2.1 鋼軌表面缺陷檢測與特征提取

表面缺陷檢測與特征提取流程圖如圖4所示。首先，對線陣相機獲得的圖像進行預(yù)處理，包括鋼軌區(qū)域定位、去噪以及增強；然后進行圖像分割和形態(tài)學處理，實現(xiàn)擬缺陷區(qū)域提取；最后計算所提取出擬缺陷區(qū)域的相關(guān)特征值。

圖4 表面缺陷檢測與特征提取流程圖

2.1.1 鋼軌區(qū)域定位

攝像機采集的圖像中除了鋼軌表面區(qū)域外還包含其他背景區(qū)域，去掉無關(guān)的背景區(qū)域能大幅減少存儲空間和運算時間，能有效提高檢測結(jié)果的有效性。通過對采集的圖像進行觀察和分析發(fā)現(xiàn)：鋼軌區(qū)域相對于圖像背景區(qū)域灰度差異明顯，鋼軌所在區(qū)域的灰度值比背景所在區(qū)域的灰度值高，如圖5（a）所示。 對圖5（a）中灰度值進行垂直積分投影，得到圖像的投影曲線如圖5（b）所示。截取投影積分最大的兩個值間的部分得到如圖5（c）所示鋼軌區(qū)域。

圖5 鋼軌區(qū)域定位

2.1.2 圖像分割算法

為降低噪聲對圖像處理效果的影響，本文首先選用3×3的窗口對圖5（c）進行自適應(yīng)中值濾波，然后采用迭代閾值法對圖像進行分割，具體步驟如下：

（1）求出圖像中最小灰度值 Zmin和最大灰度值 Zmax，令閾值初值 T0=（Zmin+Zmax）/2；

（2）根據(jù)閾值Tk將圖像分割成目標和背景兩部分，并分別求出兩區(qū)域的像素平均灰度值，記為μ1和μ2；

（3）求出新閾值為 Tk+1=（μ1+μ2）/2，k=1，2，3…；

（4）重復（2）～（3），直到 Tk+1=Tk，結(jié)束循環(huán)并跳轉(zhuǎn)至（5）；

（5）此時得到的Tk為最佳閾值，將大于Tk的部分判定為目標，灰度值設(shè)為255；將小于 Tk的部分判定為背景，灰度值設(shè)為0，再對圖像進行二值化操作。

2.1.3 缺陷區(qū)域提取與特征值計算

通過對形態(tài)學處理后的二值圖片從左至右、從上到下遍歷，標記連通區(qū)域并計算特征值，實現(xiàn)缺陷區(qū)域提取與特征值計算。目前，選用如下特征值對缺陷進行描述：

（1）區(qū)域面積 Ai。 對一幅圖像，存在圖像區(qū)域 Ri，Ri中像素點數(shù)構(gòu)成其面積Ai，對一幀圖像，設(shè)共有k個這樣的圖像區(qū)域，即 i=1，2，3，…，k，則該幀圖像總面積 A是各區(qū)域面積Ai之和：其中，（x，y）∈Ri。

（2）區(qū)域圓形度Ci。圓形度又稱為復雜度或分散度，主要反應(yīng)目標區(qū)域Ri的緊湊程度，對于區(qū)域面積相同的區(qū)域，其區(qū)域周長越小，其圓形度越小。圓形度定義為：

其中，Ai為區(qū)域 Ri的面積，Pi為區(qū)域Ri的周長。

（3）長寬比r。它是區(qū)域最小外接矩形長和寬的比值。利用r可以將細長的物體與圓形或方形的物體區(qū)分開來。

其中，MER表示區(qū)域最小外接矩形，L表示外接矩形長，W表示外接矩形寬。

2.2 鋼軌缺陷深度處理

在用激光掃描儀連續(xù)掃描鋼軌前，首先將標定板放于鋼軌踏面，通過掃描儀自帶軟件校正基準面，使標定板所在平面Z0=0。然后讓激光掃描儀掃描一段無缺陷鋼軌，將所得數(shù)據(jù)求和取平均，得到一行無缺陷的鋼軌表面相對于基準面的數(shù)據(jù) Z1（單位：mm）。隨后，將 Z1與掃描得到的每行數(shù)據(jù)Z2做差得到 Δh（缺陷深度），Δh即可作為評判鋼軌有無缺陷的指標之一。如果鋼軌無缺陷，那么 0≤Δh＜0.5 mm，反之 Δh≥0.5 mm。

2.3 數(shù)據(jù)融合

二維視覺能夠明顯地提取裂紋、軋痕、結(jié)疤等缺陷，但也容易將小凹坑等缺陷區(qū)域判定為非缺陷。利用激光掃描儀獲得的深度數(shù)據(jù)，可以快捷地判定出深度大于0.5 mm的凹坑等缺陷，但由于受掃描儀本身檢測精度影響，很難檢測出裂紋等平面缺陷。因此，適當?shù)貙⒍S視覺與三維視覺的結(jié)果融合起來能大大提高系統(tǒng)的準確度。本文采用“并”操作進行融合，即根據(jù)二維圖像中缺陷區(qū)域的位置求得每個區(qū)域的最大缺陷深度Ri（max）（Ri表示二維圖像中第 i個缺陷區(qū)域），將缺陷二維特征與三維特征組成一組特征描述向量，共同表示缺陷。

3 實驗結(jié)果與分析

實驗采用的是自主搭建的鋼軌表面缺陷檢測平臺。系統(tǒng)搭建環(huán)境為Win7操作系統(tǒng)，編程開發(fā)環(huán)境為Visual Studio 2012。利用HALCON11.0視覺庫，搭建智能圖像處理軟件系統(tǒng)，實現(xiàn)鋼軌表面缺陷三維檢測。圖6為實驗結(jié)果。表1為檢測得到的缺陷特征描述數(shù)據(jù)。

圖6 鋼軌表面缺陷檢測實驗結(jié)果

表1 缺陷特征描述數(shù)據(jù)

本系統(tǒng)在獲取缺陷特征描述向量后，首先判定缺陷最大深度是否大于0.5 mm，如果是則直接報警并存儲該缺陷，否則根據(jù)缺陷的幾何特征和形狀特征進行判別。本系統(tǒng)從二維視覺和三維視覺兩方面綜合判斷鋼軌表面缺陷，能有效減少缺陷誤判率和漏檢率。

4 結(jié)束語

本文設(shè)計了一個基于機器視覺的鋼軌表面缺陷三維檢測系統(tǒng)，詳細介紹了系統(tǒng)總體設(shè)計、圖像采集成像系統(tǒng)和缺陷檢測算法，基于VC++語言編寫了系統(tǒng)軟件，并對現(xiàn)場采集的鋼軌表面圖像進行了缺陷檢測實驗。實驗結(jié)果表明，該系統(tǒng)能夠完成對鋼軌表面缺陷的檢測，并獲取缺陷的深度、面積等特征信息。

但是，該檢測系統(tǒng)目前還存在許多不足，在檢測速度、精度上仍然有待提高，應(yīng)進一步改進算法，同時提高系統(tǒng)設(shè)計的穩(wěn)定性，增加缺陷識別模塊，以滿足檢測系統(tǒng)對高速實時處理的更高要求。

[1]BABENKO P.Visual inspection of railroad tracks[D].Florida： University of Central Florida Orlando，2009.

[2]DEUTSCHL E，GASSER C，NIEL A，et al.Defect detection on rail surfaces by a vision based system[C].Intelligent Vehicles Symposium，2004 IEEE.2004：507-511.

[3]HASHMI M F，KESKAR A G.Computer-vision based visual inspection and crack detection of railroad tracks[J].Recent Advances in Electrical and Computer Engineering，2014：102-110.

[4]CHEN L，LIANG Y，WANG K.Inspection of rail surface defect based on machine vision system[C].Information Science and Engineering （ICISE），2010 2nd International Conference on.IEEE，2010： 3793-3796.

[5]LIU Z，WANG W，ZHANG X，et al.Inspection of rail surface defects based on image processing[C].Informatics in Control，Automation and Robotics（CAR），2010 2nd International Asia Conference on.IEEE，2010： 472-475.

[6]葉蘇茹.基于機器視覺的熱態(tài)重軌表面缺陷檢測關(guān)鍵技術(shù)研究[D].重慶：重慶大學，2008.

[7]徐科，楊朝霖，周鵬，等.基于激光線光源的L軌表面缺陷三維檢測方法[J].機械工程學報，2010，46（8）：1-5.

[8]劉澤，王嵬，王平.鋼軌表面缺陷檢測機器視覺系統(tǒng)的設(shè)計 [J].電子測量與儀器學報，2010，24（11）：1012-1017.

[9]王海濤，甄理，楊春霞，等.基于計算機視覺的鐵軌表面缺陷檢測系統(tǒng)[J].無損檢測，2011，33（11）：38-41.

[10]郝曉莉，李斌.基于機器視覺的鋼軌表面損傷檢測算法[J].北京交通大學學報，2015，39（2）：28-34.

[11]陳濤.熱態(tài)重軌表面缺陷在線檢測系統(tǒng)關(guān)鍵技術(shù)研究[D].重慶：重慶大學，2011.

[12]吳祿慎，朱磊，陳華偉.基于線陣CCD相機的軌道圖像采集系統(tǒng)設(shè)計[J].鐵道標準設(shè)計，2014，58（8）：55-59.

[13]劉蘊輝，劉鐵，王權(quán)良，等.基于圖像處理的鐵軌表面缺陷檢測算法[J].計算機工程，2007，33（11）：236-238.

[14]張朝勇，蘇真?zhèn)ィ瑔帖?，?一種基于 LED和線激光的鋼軌表面缺陷檢測系統(tǒng)[J].科學技術(shù)與工程，2013，20（36）：9877-9880.