基于SFFCM 圖像分割的轉(zhuǎn)轍機(jī)缺口自動檢測

劉云婷，陳光武

（1.蘭州交通大學(xué)a.光電技術(shù)與智能控制教育部重點(diǎn)實(shí)驗(yàn)室，b.自動化與電氣工程學(xué)院，蘭州 730070；2.甘肅省高原交通信息工程及控制重點(diǎn)實(shí)驗(yàn)室，蘭州 730070）

中國鐵路系統(tǒng)的快速發(fā)展，使得客運(yùn)量與貨運(yùn)量大幅提升，將導(dǎo)致更多的設(shè)備故障和服務(wù)中斷.在這些設(shè)備故障中，鐵路道岔相關(guān)故障占據(jù)了鐵路基礎(chǔ)設(shè)施故障的絕大多數(shù).如何監(jiān)測鐵路道岔的健康狀況，降低其故障率，已成為亟待解決的重要問題.其中，道岔尖軌與基本軌密貼關(guān)系到行車安全，軌道發(fā)生位移時(shí)導(dǎo)致轉(zhuǎn)轍機(jī)表示缺口產(chǎn)生偏移，偏移過大，使得檢查柱無法落入缺口，道岔不能給出表示，嚴(yán)重影響行車安全.因此，對轉(zhuǎn)轍機(jī)缺口進(jìn)行監(jiān)測具有十分重要的意義.

轉(zhuǎn)轍機(jī)缺口大小能間接反映出道岔尖軌與基本軌的密貼程度.據(jù)此，一些研究人員在這一領(lǐng)域投入了大量努力.文獻(xiàn)［1］采用碰珠式缺口監(jiān)測，缺點(diǎn)是易受磨損及機(jī)械振動的影響.文獻(xiàn)［2］通過安裝在轉(zhuǎn)轍機(jī)表示桿上的導(dǎo)電觸頭完成對轉(zhuǎn)轍機(jī)缺口大小的超限報(bào)警.文獻(xiàn)［3］使用了一個(gè)帶有兩個(gè)線圈的變壓器來檢測轉(zhuǎn)轍機(jī)缺口.文獻(xiàn)［4］提出了一種將中值濾波方法和邊緣圖像二值化相結(jié)合的轉(zhuǎn)轍機(jī)缺口測量方法，提取缺口邊緣，進(jìn)而計(jì)算出轉(zhuǎn)轍機(jī)缺口間隙.文獻(xiàn)［5］利用Canny 邊緣檢測及Hough 變換處理岔尖圖像，對道岔尖軌是否密貼進(jìn)行判斷.文獻(xiàn)［6］采用基于CMOS 面陣的圖像邊界分割算法識別缺口標(biāo)記，算法計(jì)算復(fù)雜度低，更適合單片機(jī)執(zhí)行.文獻(xiàn)［7］提出了一種融合自適應(yīng)小波圖像去噪、局部自適應(yīng)圖像二值化和數(shù)學(xué)形態(tài)學(xué)技術(shù)的邊緣檢測算法，用于從CCD 面陣獲取的圖像中測量和計(jì)算轉(zhuǎn)轍機(jī)缺口.文獻(xiàn)［8］提出了一種基于YOLO 的目標(biāo)檢測結(jié)構(gòu)與圖像處理相結(jié)合的方法，能夠?qū)?fù)雜環(huán)境下S700K 轉(zhuǎn)轍機(jī)缺口實(shí)現(xiàn)高性能檢測.但是深度學(xué)習(xí)圖像識別為了實(shí)現(xiàn)很好的精度，需要大數(shù)據(jù)支撐，計(jì)算量大，導(dǎo)致時(shí)間復(fù)雜度提升.文獻(xiàn)［9］提出利用Canny 算子檢測轉(zhuǎn)轍機(jī)缺口的邊緣圖像，通過幀間差法獲得缺口的偏移大小，最后獲取缺口邊緣坐標(biāo)并完成轉(zhuǎn)轍機(jī)缺口位置的標(biāo)定.其中，文獻(xiàn)［4-8］通過圖像處理的方式實(shí)現(xiàn)了對轉(zhuǎn)轍機(jī)缺口的測量，缺點(diǎn)是需要對每個(gè)轉(zhuǎn)轍機(jī)表示桿提前添加標(biāo)示，標(biāo)示物容易受環(huán)境振動，明暗，油污等影響.

本文作者提出一種轉(zhuǎn)轍機(jī)缺口自動檢測方法，通過基于超像素的快速模糊聚類算法（Superpixelbased Fast Fuzzy C-Means clustering，SFFCM）對缺口圖像進(jìn)行分割，利用Canny 算子對分割圖像進(jìn)行邊緣提取，通過遍歷缺口邊緣圖像獲得缺口的邊緣坐標(biāo)并在原始圖像中利用算法標(biāo)記出缺口兩端的位置，從而實(shí)現(xiàn)缺口大小的自動檢測.本方法有效避免了需要在表示桿額外增加標(biāo)示的問題，能夠防止標(biāo)識物粘貼效果不良等引入新的誤差.

1 轉(zhuǎn)轍機(jī)缺口結(jié)構(gòu)及缺口監(jiān)測系統(tǒng)

1.1 轉(zhuǎn)轍機(jī)缺口結(jié)構(gòu)

轉(zhuǎn)轍機(jī)作為道岔轉(zhuǎn)換設(shè)備，在其內(nèi)部的前后表示桿的腹部空腔內(nèi)分別設(shè)有一個(gè)檢查塊.每個(gè)檢查塊上有一個(gè)缺口，道岔轉(zhuǎn)換到位，與基本軌密貼后自動開閉器所帶檢查柱落下該缺口，使自動開閉器動作，防止外力轉(zhuǎn)換道岔.表示桿缺口與檢查柱邊緣之間的間隙構(gòu)成了具有觀測與測量意義的轉(zhuǎn)轍機(jī)缺口.該缺口能夠間接檢查道岔尖軌與基本軌的密貼程度.轉(zhuǎn)轍機(jī)待測缺口示意圖如圖1 所示.

圖1 轉(zhuǎn)轍機(jī)缺口示意圖Fig.1 Schematic diagram of switch machine gap

1.2 轉(zhuǎn)轍機(jī)缺口監(jiān)測系統(tǒng)

轉(zhuǎn)轍機(jī)缺口監(jiān)測系統(tǒng)由室內(nèi)和室外兩部分組成，機(jī)械室內(nèi)布置有通信主機(jī)和缺口監(jiān)測站機(jī).室外部分包括圖像采集傳感器、缺口檢測模塊、網(wǎng)絡(luò)分機(jī)，安裝在室外的轉(zhuǎn)轍機(jī)內(nèi).該系統(tǒng)利用圖像采集傳感器采集缺口圖像，缺口檢測模塊利用其自動檢測算法對采集的缺口圖像進(jìn)行處理，實(shí)現(xiàn)缺口位置的檢測與測量，網(wǎng)絡(luò)分機(jī)將缺口數(shù)據(jù)實(shí)時(shí)傳送到數(shù)據(jù)集中器，采用ADSL 數(shù)據(jù)傳輸方式，將信號傳輸?shù)酵ㄐ胖鳈C(jī)，通信主機(jī)通過以太網(wǎng)與CAN 總線將信息發(fā)送到缺口監(jiān)測站機(jī)，在室內(nèi)上位機(jī)實(shí)現(xiàn)各個(gè)缺口狀態(tài)的實(shí)時(shí)監(jiān)測顯示.轉(zhuǎn)轍機(jī)缺口監(jiān)測系統(tǒng)如圖2 所示.

圖2 轉(zhuǎn)轍機(jī)缺口監(jiān)測系統(tǒng)Fig.2 Monitoring system for switch machine gap

2 轉(zhuǎn)轍機(jī)缺口自動檢測算法

2.1 基于SFFCM 的圖像分割

由于模糊c 均值聚類算法（Fuzzy C-Means，F(xiàn)CM）只考慮了圖像像素的灰度信息，丟失圖像像素的空間信息，且對噪聲敏感，導(dǎo)致圖像分割效果不佳［10］.大量改進(jìn)的算法通過將局部空間信息結(jié)合到目標(biāo)函數(shù)中來解決這個(gè)問題，但是這又增加了算法的計(jì)算復(fù)雜度.超像素作為一種圖像預(yù)處理工具能夠解決這個(gè)問題.超像素可以把一幅像素級的圖，劃分成區(qū)域級的圖.本文基于超像素的快速模糊聚類算法SFFCM 是利用MMGR-WT 獲取的超像素圖像改善FCM 算法生成的分割結(jié)果［11］.

2.1.1 MMGR-WT 生成超像素圖像

分水嶺變換（Watershed Transform，WT）是一種快速的圖像預(yù)分割算法［12］，由于WT 對圖像進(jìn)行分割時(shí)需要梯度信息，信號中噪聲的影響會在梯度圖中產(chǎn)生許多虛假的局部極小值，因此導(dǎo)致過分割.形態(tài)學(xué)梯度重建（Morphological Gradient Reconstruction，MGR）［13］是一種簡單有效的克服過分割的算法，因?yàn)樗軌蛟谌コ肼暫蜔o用梯度細(xì)節(jié)的同時(shí)保留物體的輪廓細(xì)節(jié).由RO表示的形態(tài)學(xué)開重建和由RC表示的閉重建被定義為

式中：g為標(biāo)識圖像；RO和RC都能夠去除梯度圖像中的區(qū)域最小值，以減少過度分割.Rε和Rδ分別表示形態(tài)腐蝕和膨脹重建，定義結(jié)構(gòu)元素（Structural Element，SE）為圓盤型，其中r是SE 的半徑.通過增加r值，分割區(qū)域的數(shù)量將迅速減少.然而，小的結(jié)構(gòu)元素容易導(dǎo)致過分割，大的結(jié)構(gòu)元素容易導(dǎo)致分割不足.

使用MGR 很難獲得既有較少區(qū)域又有精確輪廓的超像素圖像.為了平衡超像素圖像中的區(qū)域數(shù)量和輪廓精度，需要選擇合適的SE，但是很難為不同的圖像選擇合適的SE.因此，這里利用由RMC表示的多尺度形態(tài)學(xué)梯度重建（Multiscale Morphological Gradient Reconstruction，MMGR）的方法，使用不同的SE 重建梯度圖像，然后融合這些重建的梯度圖像，以消除分割結(jié)果對SE 的依賴性.其定義表示如下

式中：f為原始圖像；∨代表逐點(diǎn)最大值；B代表結(jié)構(gòu)元素SE，r1與r2分別代表SE 的半徑r的最小值與最大值，r1≤r≤r2，r1，r2∈N+，g≤f.

r1控制最小區(qū)域的大小，如果r1太小，分割結(jié)果中會有很多小區(qū)域，如果r1太大，邊界精度會很低.這里選擇1≤r1≤3，r2控制最大區(qū)域的大小，r2值較大時(shí)，超像素圖像會更好，然而，當(dāng)r2的值大于閾值時(shí)，超像素圖像保持不變.顯然，超像素圖像通過增加r2的值而收斂.此外，收斂結(jié)果是完美的，因?yàn)樗ǜ俚膮^(qū)域，且提供了準(zhǔn)確的輪廓.在實(shí)際應(yīng)用中r2是自適應(yīng)的，只需要設(shè)置一個(gè)η表示最小誤差閾值來代替r2，即

當(dāng)η≤10-4時(shí)，r2將保持不變.因此，在本文中設(shè)置η = 10-4［11］.

使用多尺度結(jié)構(gòu)元素來重建梯度圖像，可以獲得多個(gè)重建圖像.設(shè)置SE 為3，通過計(jì)算這些重建的梯度圖像的逐點(diǎn)最大值，得到一個(gè)良好的梯度圖像，該圖像去除了大部分無用的局部極小值，同時(shí)保留了重要的邊緣細(xì)節(jié).MMGR 抑制了WT 的過分割問題，MMGR-WT 生成的超像素圖像能夠?qū)υ瓐D像實(shí)現(xiàn)理想的預(yù)分割.

2.1.2 基于超像素的快速模糊聚類SFFCM 算法

FCM 是通過最小化目標(biāo)函數(shù)來進(jìn)行聚類的算法，由于MMGR-WT 依賴于圖像的局部特征，而FCM 依賴于圖像的全局特征，SFFCM 算法通過MMGR-WT 和FCM 算法的結(jié)合能夠提高圖像分割的效果，將自適應(yīng)局部空間信息融入到了FCM的目標(biāo)函數(shù)中，其目標(biāo)函數(shù)如下

根據(jù)式（4）～式（9），基于SFFCM 的圖像分割算法的流程如圖3 所示，具體步驟如下：

步驟1：設(shè)置聚類數(shù)c，加權(quán)指數(shù)m，r1，η，η1的值，其中η1是用于SFFCM 圖像分割算法的收斂條件.

步驟2：利用式（2）和式（3）計(jì)算超像素圖像，然后計(jì)算其直方圖.

1）使用Sobel 算子計(jì)算梯度圖像.

2）使用式（2）和式（3）以及η實(shí)現(xiàn)多尺度形態(tài)學(xué)梯度重建.

3）實(shí)現(xiàn)分水嶺分割，獲得超像素圖像.

步驟3：根據(jù)超像素圖像隨機(jī)初始化隸屬度劃分矩陣U(O).

步驟4：設(shè)置循環(huán)計(jì)數(shù)器b=0.

步驟5：使用式（8）更新聚類中心.

步驟6：使用式（9）更新隸屬度矩陣.

步驟7：如果max {Ub-Ub+1} ＜η1時(shí)停止，否則，設(shè)置b=b+1 并回到步驟5.

圖3 基于SFFCM 的圖像分割算法流程圖Fig.3 Flow chart of image segmentation algorithm based on SFFCM

2.2 Canny 邊緣檢測

經(jīng)典的微分算子檢測到的圖像大都具有一定的寬度，Canny 算子能夠保證所檢測邊緣的完整性，且其檢測到的邊緣具有單像素邊緣并經(jīng)過了邊緣連接，可直接用于測量，同時(shí)Canny 算子在圖像處理過程中能夠有效抑制圖像噪聲［14］.對于通過SFFCM圖像分割后的轉(zhuǎn)轍機(jī)缺口圖像，利用Canny 邊緣檢測算子對缺口圖像進(jìn)行邊緣提取.其基本思想是：

1）對預(yù)處理的圖像選擇高斯濾波器進(jìn)行去噪.

2）對濾波后的圖像進(jìn)行局部梯度大小及方向的計(jì)算.

3）非極大值抑制.

4）采用雙閾值算法檢測和連接邊緣.

2.3 轉(zhuǎn)轍機(jī)缺口測量

由于圖像中缺口的大小無法從缺口處實(shí)際測量，因此此處的缺口大小以像素為單位.轉(zhuǎn)轍機(jī)內(nèi)攝像機(jī)的安裝位置是固定的，這意味著圖像中每個(gè)像素點(diǎn)所表示的距離大小是固定的，因此可以使用像素點(diǎn)個(gè)數(shù)和缺口實(shí)際大小之間的轉(zhuǎn)換關(guān)系來獲得與圖像對應(yīng)的實(shí)際轉(zhuǎn)轍機(jī)缺口大小.

Canny 邊緣檢測得到的二值圖像顯示了缺口部分的邊緣信息，轉(zhuǎn)轍機(jī)缺口測量需要提取缺口左右兩端的位置，通過像素捕捉獲取缺口兩側(cè)邊緣坐標(biāo)，并在原圖像上表示.設(shè)xmin，xmax分別表示為x坐標(biāo)在焦點(diǎn)區(qū)域內(nèi)的最小值及最大值，ymin，ymax分別表示為y坐標(biāo)在焦點(diǎn)區(qū)域內(nèi)的最小值及最大值，該過程算法具體步驟如下：

1）像素捕捉過程由xmin向xmax方向遍歷，得到所有白色像素點(diǎn)對應(yīng)坐標(biāo).

2）找出白色像素點(diǎn)最多的一列對應(yīng)位置P1.

3）找出白色像素點(diǎn)次多的一列對應(yīng)位置P2：由于缺口兩側(cè)邊緣處白色像素點(diǎn)相對比較密集，為了減小P1，P2被檢測為缺口實(shí)際位置的同一側(cè)邊緣的概率，排除P1及其左右兩側(cè)各兩列像素點(diǎn)的位置的條件下找出白色像素點(diǎn)最多的列P2.

4）如果步驟3）報(bào)錯(cuò)，無法找到符合條件的列P2，即P2處于P1及其左右兩側(cè)的范圍，表示缺口值太小，算法檢測失效，需要人工確認(rèn).否則繼續(xù)下一步驟.

5）測量缺口距離.

為便于鐵路電務(wù)人員對檢測結(jié)果進(jìn)行查看，選擇用兩條白色豎線在原始圖像缺口兩端邊緣做出標(biāo)記，缺口的標(biāo)記算法實(shí)現(xiàn)如下

3 實(shí)驗(yàn)結(jié)果與算法評價(jià)

對某鐵路公司轉(zhuǎn)轍機(jī)缺口監(jiān)測系統(tǒng)所采集的ZYJ7 型及ZD6 型轉(zhuǎn)轍機(jī)缺口圖像進(jìn)行實(shí)驗(yàn)，ZYJ7 型及ZD6 型轉(zhuǎn)轍機(jī)缺口原圖像如圖4 所示.

本文所提的轉(zhuǎn)轍機(jī)缺口自動檢測算法實(shí)驗(yàn)流程及各步驟結(jié)果如圖5 所示.

圖4 轉(zhuǎn)轍機(jī)缺口的采集圖Fig.4 Collected image of switch machine gap

圖5 算法總體流程及各步驟結(jié)果Fig.5 Overall flow of the algorithm and the results of each step

3.1 基于SFFCM 的缺口圖像分割結(jié)果分析

基于SFFCM 的缺口圖像分割過程如圖5（b）～圖5（f），分割結(jié)果如圖5（f）所示.對轉(zhuǎn)轍機(jī)缺口圖像截取的焦點(diǎn)區(qū)域分別利用FCM 算法、一種快速魯棒的模糊C 均值聚類算法（Fast and Robust Fuzzy CMeans，F(xiàn)RFCM）［15］以及SFFCM 算法進(jìn)行圖像分割，選擇聚類數(shù)c=2，由圖6 顯示的定性的比較結(jié)果可以看出與FRFCM 算法以及傳統(tǒng)聚類算法FCM 相比，SFFCM 算法呈現(xiàn)出更好的分割效果，其分割結(jié)果能夠清晰地將轉(zhuǎn)轍機(jī)缺口與背景分離，為后續(xù)的轉(zhuǎn)轍機(jī)缺口邊緣檢測及缺口測量做好準(zhǔn)備.圖6 所示的6例缺口圖像中第1行至第4行為ZYJ7型轉(zhuǎn)轍機(jī)缺口焦點(diǎn)區(qū)域圖像及其分割結(jié)果，第5 行及第6 行為ZD6型轉(zhuǎn)轍機(jī)缺口焦點(diǎn)區(qū)域圖像及其分割結(jié)果.圖6 第1 列至第4 列依次為4 張轉(zhuǎn)轍機(jī)缺口圖像的焦點(diǎn)區(qū)域圖、FCM 分割圖、FRFCM 分割圖、SFFCM 分割圖.

圖6 3 種分割算法分割圖效果比較Fig.6 Comparison of three segmentation algorithms in segmentation of images

為了定量地驗(yàn)證SFFCM 算法對缺口圖像分割的有效性，利用缺口圖像的人工分割標(biāo)準(zhǔn)結(jié)果圖（Ground Truth，GT）可以對不同算法的分割結(jié)果進(jìn)行比較.對3 種算法分割結(jié)果二值化處理后的圖像與GT 圖像做對比，如圖7 所示.

評價(jià)算法分割結(jié)果及精度的好壞可以通過精確率P、查全率R和F來進(jìn)行衡量，P表示前景的像素被正確標(biāo)記的比例；R表示正確標(biāo)記的前景像素占標(biāo)準(zhǔn)結(jié)果前景像素總數(shù)的比例；F則反映了整個(gè)分割結(jié)果的優(yōu)劣程度.

圖7 3 種分割算法效果與GT 圖比較Fig.7 Comparison of three segmentation algorithms and GT images

式中：TP表示被正確判定為前景像素的數(shù)目，實(shí)際也是前景像素；FP表示被錯(cuò)誤判定為前景像素的數(shù)目，實(shí)際為背景像素；FN表示被錯(cuò)誤判定為背景像素的數(shù)目，實(shí)際是前景像素.表1顯示了文中3種圖像分割結(jié)果的P、R、F值的匯總表（Pic1為圖7第1列第1張圖片，依次，Pic6為圖7第1列第6張圖片），查全率R值與精確率P值是一對矛盾的度量指標(biāo)，且相互制約.一般來說，P值高時(shí)R值往往偏低，而R值高時(shí)P值往往偏低.圖8為對100幅轉(zhuǎn)轍機(jī)缺口圖像（其中ZYJ7型52 幅，ZD6型48 幅）分別利用3 種圖像分割算法測試的平均P、R、F值進(jìn)行比較，可以看出FCM 與FRFCM 算法的查全率較高，精確率較低.SFFCM 算法查全率略低于其他兩種算法，但其精確率及F值明顯優(yōu)于FCM 及FRFCM算法，體現(xiàn)了本文圖像分割算法的整體分割效果更優(yōu).

圖8 100 幅實(shí)驗(yàn)圖像間的P、R、F 值比較Fig.8 Comparison of P, R and F values between 100 experimental images

表1 文中圖像分割算法P、R、F 值匯總表Tab.1 Summary of P, R and F values of image segmentation algorithms

3.2 Canny 邊緣檢測結(jié)果分析

Canny 邊緣檢測結(jié)果如圖5（g）所示，與其他微分算子［16］比較結(jié)果如圖9 所示，可以看出，Canny 算子能夠更好地保證邊緣連續(xù)性與完整性.

圖9 Canny 算子與其他微分算子邊緣檢測對比Fig.9 Comparison of Canny operator and other differential operators for edge detection

3.3 轉(zhuǎn)轍機(jī)缺口測量與標(biāo)定結(jié)果分析

轉(zhuǎn)轍機(jī)缺口測量與標(biāo)定結(jié)果如圖5（h）所示，算法識別該轉(zhuǎn)轍機(jī)缺口大小為39 像素，人工判定為40 像素.考慮目前多數(shù)轉(zhuǎn)轍機(jī)缺口監(jiān)測采用百萬級高清攝像頭，因此算法誤差微小，該缺口位置檢測算法具有一定的參考性.

4 結(jié)論

1）SFFCM 圖像分割算法通過MMGR-WT 獲得具有精確輪廓的轉(zhuǎn)轍機(jī)缺口超像素圖像，有效地簡化了原始圖像，然后對超像素圖像進(jìn)行FCM 分析，實(shí)現(xiàn)了缺口圖像的精準(zhǔn)分割. 與FCM 及FRFCM 算法相比，前者分割效果明顯優(yōu)于后者.

2）利用Canny 算子實(shí)現(xiàn)了對SFFCM 圖像分割后的缺口圖像連續(xù)的單像素邊緣檢測.

3）對轉(zhuǎn)轍機(jī)缺口邊緣圖像進(jìn)行遍歷實(shí)現(xiàn)缺口的測量與標(biāo)定，達(dá)到轉(zhuǎn)轍機(jī)自動檢測的目的.同時(shí)，本文方法可以推廣至不同的轉(zhuǎn)轍機(jī)型號的缺口監(jiān)測.