基于圖像處理的軌道表面病害檢測(cè)研究

胡璐萍 王琪璇 吳哲 王小龍

收稿日期：2023-04-14

基金項(xiàng)目：陜西省教育廳科研計(jì)劃項(xiàng)目（23JK0531）

DOI：10.19850/j.cnki.2096-4706.2024.07.025

摘? 要：以鋼軌為研究對(duì)象，結(jié)合圖像處理技術(shù)，對(duì)鋼軌表面質(zhì)量進(jìn)行檢測(cè)。首先，對(duì)鋼軌圖像進(jìn)行預(yù)處理，通過(guò)線(xiàn)性灰度變換對(duì)圖像進(jìn)行增強(qiáng)，并采用自適應(yīng)濾波進(jìn)行圖像去噪；其次，采用Ostu閾值分割算法對(duì)預(yù)處理后的鋼軌圖像進(jìn)行缺陷分割；最后，以離心率、矩形度和致密度作為分類(lèi)依據(jù)，通過(guò)決策樹(shù)分類(lèi)法對(duì)鋼軌表面缺陷進(jìn)行分類(lèi)。實(shí)驗(yàn)結(jié)果表明：基于圖像處理的鋼軌表面質(zhì)量檢測(cè)方法能夠有效對(duì)鋼軌缺陷進(jìn)行檢測(cè)，分割準(zhǔn)確率為96.7%，分類(lèi)準(zhǔn)確率為90%，為鋼軌表面質(zhì)量檢測(cè)提供了一種有效的檢測(cè)方法。

關(guān)鍵詞：鋼軌缺陷；圖像處理；邊緣檢測(cè)；閾值分割；缺陷分類(lèi)

中圖分類(lèi)號(hào)：TP391.4；U216.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2024）07-0118-06

Research on Orbital Surface Disease Detection Based on Image Processing

HU Luping， WANG Qixuan， WU Zhe， WANG Xiaolong

（School of Mechanical and Electrical Engineering， Xi'an Traffic Engineering Institute， Xi'an? 710300， China）

Abstract： Taking steel rails as the research object， combined with image processing technology， the surface quality of steel rails is detected. Firstly， it preprocesses the steel rail image， enhance the image through linear grayscale transformation， and use adaptive filtering for image denoising. Secondly， the Ostu threshold segmentation algorithm is used to segment defects in the preprocessed steel rail images. Finally， using eccentricity， rectangularity， and density as classification criteria， the surface defects of steel rails are classified using decision tree classification method. The experimental results show that the image processing-based steel rail surface quality detection method can effectively detect steel rail defects， with a segmentation accuracy of 96.7% and a classification accuracy of 90%， providing an effective detection method for steel rail surface quality detection.

Keywords： steel rail defect; image processing; edge detection; threshold segmentation; defect classification

0? 引? 言

鋼軌的表面質(zhì)量是導(dǎo)致列車(chē)安全事故的重要原因之一，如何正確地檢測(cè)與控制鋼軌的表面質(zhì)量是保證鐵路安全問(wèn)題的重要內(nèi)容。目前鋼軌表面病害檢測(cè)主要依賴(lài)于人工巡檢，而人工巡檢對(duì)工人素質(zhì)要求高，檢測(cè)結(jié)果容易受到工人自身因素干擾，而且成本高。同時(shí)，工人在列車(chē)軌道工作，危險(xiǎn)性極高，而且效率低下[1-4]。因此，本文將圖像處理應(yīng)用到鋼軌表面質(zhì)量檢測(cè)中，實(shí)現(xiàn)軌道表面病害自動(dòng)檢測(cè)。經(jīng)過(guò)各國(guó)科學(xué)技術(shù)研究人員不懈努力，已經(jīng)研究出許多鋼軌表面缺陷的方法，如超聲波檢測(cè)[5]、漏磁檢測(cè)[6]、渦流檢測(cè)[7]，該類(lèi)方法對(duì)檢測(cè)環(huán)境要求較高，容易收到外部環(huán)境的干擾。

為了提高軌道交通的安全性和穩(wěn)定性，實(shí)現(xiàn)自動(dòng)檢測(cè)鐵路軌道線(xiàn)，縮短檢測(cè)時(shí)間，降低維護(hù)成本，近幾年又出現(xiàn)了基于圖像處理的檢測(cè)方法，它是通過(guò)使用圖像處理的方法對(duì)軌道缺陷進(jìn)行歸類(lèi)。該方法的精度和實(shí)時(shí)性都具有一定的提升，相比于其他的檢測(cè)方法更具有可行性和穩(wěn)定性[8-12]。因此本文將圖像處理運(yùn)用到軌道表面病害檢測(cè)。

1? 軌道表面病害檢測(cè)理論

我國(guó)鐵道運(yùn)輸部門(mén)把鋼軌出現(xiàn)裂紋、掉塊、斷裂等導(dǎo)致對(duì)鋼軌不能正常使用的情況都列為鋼軌損傷。軌面?zhèn)麚p即鋼軌表面病害，主要包括疤痕缺陷、踏面剝離、裂紋、波浪磨耗、斷裂、剝離掉塊等[13]，如圖1所示。我國(guó)鐵路分布密集，火車(chē)路線(xiàn)經(jīng)過(guò)的地區(qū)經(jīng)緯度跨越較大，海拔高度不盡相同，氣溫差異大，這些缺陷會(huì)給火車(chē)的行駛安全帶來(lái)不同程度的安全隱患，因此進(jìn)行鋼軌表面病害檢測(cè)是保障鐵路安全的關(guān)鍵環(huán)節(jié)[14，15]。

2? 檢測(cè)方案設(shè)計(jì)

為了解決傳統(tǒng)檢測(cè)過(guò)程中存在的識(shí)別率不高、檢測(cè)效率低、成本高等各種問(wèn)題，本文采用圖像處理對(duì)鋼軌表面病害進(jìn)行檢測(cè)，該方法可自動(dòng)檢出鋼軌表面病害，實(shí)現(xiàn)結(jié)疤、裂紋等缺陷的識(shí)別和分類(lèi)。該方案先對(duì)鋼軌圖像進(jìn)行圖形增強(qiáng)和圖像去噪等預(yù)處理操作，然后采用邊緣檢測(cè)和閾值分割，檢測(cè)出缺陷，進(jìn)行缺陷分割，以便對(duì)缺陷進(jìn)行準(zhǔn)確識(shí)別，最后對(duì)缺陷圖像進(jìn)行識(shí)別和分類(lèi)。

2.1? 圖像預(yù)處理

由于鋼軌圖像的采集工作都是在戶(hù)外完成的，難免受到戶(hù)外自然環(huán)境中光線(xiàn)、灰塵等因素的影響，使鋼軌表面出現(xiàn)細(xì)節(jié)模糊、有些區(qū)域清晰度不高等問(wèn)題。同時(shí)，圖像在傳輸過(guò)程中也會(huì)產(chǎn)生一些噪聲，增加圖像處理與分析環(huán)節(jié)的運(yùn)算量，所以必須進(jìn)行圖像增強(qiáng)和圖像去噪等預(yù)處理使其成像清晰，對(duì)比度明顯，方便后續(xù)缺陷檢測(cè)與分割。

2.1.1? 軌道圖像增強(qiáng)

圖像增強(qiáng)是指用算法突出有用信息，增強(qiáng)視覺(jué)效果，使圖像更容易被識(shí)別的手段。圖像增強(qiáng)的方法主要有兩大類(lèi)：空間域方法和頻域方法[16]。空間域方法主要利用增強(qiáng)圖像像素實(shí)現(xiàn)圖像增強(qiáng)，而頻域方法利用空域與頻域互相轉(zhuǎn)換，并進(jìn)行濾波處理實(shí)現(xiàn)圖像增強(qiáng)。由于空域處理不需要二次轉(zhuǎn)換，從而減少計(jì)算量，所以本文對(duì)軌道圖像采用空間域增強(qiáng)方法進(jìn)行圖像增強(qiáng)。常用的空間域方法為灰度變換法，灰度變換是通過(guò)點(diǎn)運(yùn)算改變圖像的灰度范圍，以增強(qiáng)圖像清晰度、使其易于識(shí)別，線(xiàn)性灰度變換的變換函數(shù)為線(xiàn)性函數(shù)，適用于曝光不好、灰度范圍小、圖像模糊、對(duì)比度差的圖像。本文對(duì)鋼軌缺陷圖像進(jìn)行線(xiàn)性灰度變換，MATLAB仿真結(jié)果如圖2所示。

從圖2可以看出，線(xiàn)性灰度變換后鋼軌表面病害的對(duì)比度明顯，鋼軌圖像亮度提高，當(dāng)斜率取0.1，截距取0.5時(shí)，成像效果最清晰，從而為后續(xù)軌面區(qū)域提取和缺陷分割提供便利。

2.1.2? 軌道圖像降噪

圖像在傳輸過(guò)程中產(chǎn)生的一些噪聲，以及增加的圖像處理與分析環(huán)節(jié)的運(yùn)算量，最終影響缺陷檢測(cè)的精度。因此，對(duì)鋼軌圖像進(jìn)行去噪，即圖像濾波處理是圖像處理的一個(gè)不可缺失的重要環(huán)節(jié)，是保證檢測(cè)結(jié)果精準(zhǔn)的一個(gè)重要前提[17]。本文采用常用的自適應(yīng)濾波進(jìn)行降噪處理。自適應(yīng)濾波器的參數(shù)能夠使基于窗口Sxy定義的區(qū)域內(nèi)圖像的統(tǒng)計(jì)特征發(fā)生變化，即根據(jù)鋼軌圖像的局部變化自動(dòng)調(diào)整濾波參數(shù)以適應(yīng)鋼軌圖像的各個(gè)部分。當(dāng)鋼軌圖像局部出現(xiàn)明顯變化時(shí)，自適應(yīng)濾波器可以進(jìn)行較小參數(shù)變化的濾波處理；當(dāng)鋼軌圖像局部變化不明顯時(shí)，進(jìn)行較大參數(shù)變化的濾波處理[18]。因此，能夠很好地保留鋼軌圖像的邊緣信息，有利于后續(xù)軌面區(qū)域提取和缺陷識(shí)別。

希望自適應(yīng)濾波器具有的能力：

1）當(dāng)? = 0時(shí)，輸出g （x，y） = f （x，y）， = 0為噪聲方差，g （x，y）為噪聲圖像上點(diǎn)（x，y）處的值，f （x，y）為原圖圖像上點(diǎn)（x，y）處的值。

2）當(dāng) （局部方差）與? 高相關(guān)時(shí)，這個(gè)像素點(diǎn)可能與邊緣密切相關(guān)，邊緣是要被保留下來(lái)的，因此，需要輸出一個(gè)g （x，y）的近似值。

3）當(dāng)? =? 時(shí)，輸出區(qū)域Sxy上像素的算術(shù)平均值；此時(shí)說(shuō)明局部圖像與全部圖像特征性相同。

由上述期望性能，自適應(yīng)濾波可以數(shù)學(xué)描述為：

（1）

其中，mL為區(qū)域Sxy內(nèi)像素點(diǎn)的局部均值； 為區(qū)域Sxy內(nèi)像素點(diǎn)的局部方差。

對(duì)鋼軌圖像進(jìn)行自適應(yīng)濾波，仿真結(jié)果如圖3所示，從圖像可以看出，自適應(yīng)濾波可以在去除噪音的同時(shí)保留邊緣，減少圖像模糊度，保存圖像連續(xù)性。當(dāng)窗口為3×3時(shí)，對(duì)圖像清晰度基本沒(méi)有影響，有較多噪聲殘留；5×5時(shí)，仍有許多噪聲殘留；因此選擇窗口大小為9×9，能夠基本完全除去噪聲的同時(shí)，完美保存圖像邊緣信息。

（a）加噪圖像? （b）3×3? ? （c）5×5? ? ?（d）9×9

圖3? 自適應(yīng)濾波

從圖3可以看出，鋼軌表面病害經(jīng)過(guò)自適應(yīng)濾波處理，能夠有效地保留更多的邊緣信息，為后續(xù)缺陷分割提供便利。

2.2? 軌道缺陷分割

缺陷分割就是突出缺陷區(qū)域。采集到的圖像經(jīng)過(guò)預(yù)處理后，增加了圖像對(duì)比度，降低了軌面缺陷分割計(jì)算量，便于缺陷分類(lèi)。缺陷分割是表面病害檢測(cè)中關(guān)鍵的步驟，通過(guò)分割可以將缺陷目標(biāo)從背景中分離出來(lái)[19，20]。本文利用Otsu閾值分割法進(jìn)行缺陷分割，利用最佳閾值把鋼軌圖像的灰度值分割成不同區(qū)域之間類(lèi)間方差最大的子區(qū)域；使得不同子區(qū)域之間具有最大的分離性。

Otsu算法計(jì)算簡(jiǎn)單，錯(cuò)分概率最小。它的基本思想是：設(shè)圖像灰度級(jí)的集合為s = （0，1，2，3，…，i，…，L-1），ni為灰度級(jí)為i的像素?cái)?shù)，圖像全部像素?cái)?shù)為N，則灰度級(jí)i出現(xiàn)的概率為：

（2）

滿(mǎn)足要求 。

將鋼軌圖像中的像素用閾值T分割為兩部分，其中灰度值在區(qū)間[0，T]的稱(chēng)為區(qū)域A，灰度值在區(qū)間[T + 1，l - 1]稱(chēng)為區(qū)域B，則：

區(qū)域A占整幅圖像的面積比為：

（3）

區(qū)域B占整幅圖像的面積比為：

（4）

整幅圖像的灰度均值為：

（5）

區(qū)域A的灰度均值為：

（6）

區(qū)域B的灰度均值為：

（7）

由以上算式，可以得到整幅圖像的灰度均值與區(qū)域A、區(qū)域B之間的關(guān)系為：

（8）

區(qū)域間的方差就是描述兩個(gè)區(qū)域的灰度均值與整幅圖像的灰度均值之差打下的參數(shù)，其表達(dá)式為：

（9）

其中， 為被分割后的兩個(gè)閾值之間的方差，方差最大時(shí)分離狀態(tài)最佳。

從圖4可以發(fā)現(xiàn)Otsu閾值分割法對(duì)于鋼軌缺陷分割效果較好，其中對(duì)裂紋缺陷的識(shí)別效果最好。

3? 特征提取及分類(lèi)

3.1? 特征提取

提取有效的特征能夠大大減少計(jì)算量，提高檢測(cè)精度，缺陷特征主要采用特征描述法提取特征，常提取的特征主要有邊界特征、區(qū)域特征、紋理特征、顏色特征等?；诒疚牡那捌谔幚矶?，本文適合利用邊界特征、形狀特征對(duì)其進(jìn)行描述[9，21，22]，本文主要要選擇具有代表性的特征作為分類(lèi)依據(jù)，以減少選擇的特征數(shù)量，減小計(jì)算量。

通過(guò)對(duì)Otsu閾值分割后的缺陷進(jìn)行特征計(jì)算，計(jì)算出塊狀缺陷的特征參數(shù)如表1所示。

計(jì)算出的裂紋缺陷的特征參數(shù)如表2所示。

計(jì)算出的波紋擦傷缺陷的特征參數(shù)如表3所示。

本文總共選取了缺陷的7種特征從不同的方向?qū)︿撥壉砻娌『M(jìn)行描述，以實(shí)現(xiàn)對(duì)缺陷的詳盡分析。對(duì)表1到表3中的各項(xiàng)數(shù)據(jù)分析法進(jìn)行對(duì)比，不難發(fā)現(xiàn)，選擇的7種特征雖然都能對(duì)缺陷進(jìn)行描述，但有些特征在三種缺陷差別不大，不能用于準(zhǔn)確識(shí)別和分類(lèi)三種缺陷。

塊狀缺陷的長(zhǎng)軸大概在15～30，裂紋缺陷長(zhǎng)軸在180～230，波紋擦傷長(zhǎng)軸在40～100，長(zhǎng)軸特征可以區(qū)分出裂紋缺陷，不能區(qū)分塊狀與波紋擦傷。三種缺陷的短軸都在10～30，不能區(qū)分出任意一種缺陷。塊狀缺陷離心率在0.73～0.82，裂紋缺陷離心率在0.11～0.14，波紋擦傷離心率在0.17～0.24，由離心率可以區(qū)分出塊狀缺陷。塊狀缺陷周長(zhǎng)50～70，裂紋周長(zhǎng)在250～400，波紋擦傷周長(zhǎng)在50～110，周長(zhǎng)特征不能區(qū)分出缺陷。塊狀缺陷面積在160～770，裂紋面積980～1 800，波紋擦傷面積在230～470可區(qū)分出裂紋缺陷。塊狀缺陷矩形度0.68～0.77，裂紋在0.19～0.26，波紋擦傷在0.16～0.25，可以根據(jù)此特征區(qū)分出塊狀缺陷。塊狀缺陷致密度在4.88～9.93，裂紋在83.3～105.3，波紋擦傷在13.9～23.3，可以根據(jù)此特征區(qū)分出裂紋缺陷。

對(duì)比7種特征，發(fā)現(xiàn)長(zhǎng)軸、面積、矩形度、致密度、離心率這5個(gè)缺陷特征參數(shù)差異較大，考慮到取樣的局限性和各種缺陷有大有小，為避免缺陷本身大小帶來(lái)的誤差，所以選取軌道表面病害的離心率、矩形度和致密度這3個(gè)特征作為缺陷分類(lèi)的指標(biāo)。

3.2? 缺陷分類(lèi)

目前用于圖像處理缺陷分類(lèi)的方法主要有決策樹(shù)法、貝葉斯分類(lèi)、K鄰近和神經(jīng)網(wǎng)絡(luò)。由于在前文將鋼軌缺陷分為3種，分類(lèi)標(biāo)準(zhǔn)也選取了3種，相對(duì)簡(jiǎn)單，因此本文選擇決策樹(shù)法來(lái)對(duì)鋼軌缺陷進(jìn)行分類(lèi)識(shí)別。具體分類(lèi)步驟總共有3步：首先根據(jù)離心率分離出塊狀缺陷，然后根據(jù)致密度分離出裂紋缺陷，根據(jù)離心率和矩形度分離波紋磨損。分類(lèi)流程如圖5所示。

4? 實(shí)驗(yàn)對(duì)比結(jié)果

本實(shí)驗(yàn)平臺(tái)由西安市現(xiàn)代智能紡織設(shè)備重點(diǎn)實(shí)驗(yàn)室提供，實(shí)驗(yàn)硬件環(huán)境為CPU Lenovo i7-9700K，內(nèi)存16 GB，操作系統(tǒng)為Windows 10，軟件環(huán)境為MATLAB 2020a。實(shí)驗(yàn)種共采集了100張圖片，抽取其中60張作為標(biāo)準(zhǔn)，其中每種缺陷各取20張，對(duì)其進(jìn)行缺陷特征提取，計(jì)算它們的離心率、矩形度和致密度，取其數(shù)值所在范圍作為分類(lèi)的評(píng)判標(biāo)準(zhǔn)。然后對(duì)剩余40圖片作為測(cè)試樣本，對(duì)其進(jìn)行分類(lèi)識(shí)別。

4.1? 實(shí)驗(yàn)過(guò)程

4.1.1? 缺陷分割實(shí)驗(yàn)

本文采用Canny算子和Otsu法閾值分割算法進(jìn)行缺陷分割，對(duì)選取的作為標(biāo)準(zhǔn)的60張圖片進(jìn)行圖像分割，對(duì)比其分割效果。部分實(shí)驗(yàn)結(jié)果如圖6所示。

如表4所示，缺陷分割實(shí)驗(yàn)綜合平均準(zhǔn)確率約為96.7%，意味著對(duì)絕大多數(shù)圖像能夠準(zhǔn)確進(jìn)行缺陷分割。

4.1.2? 特征提取與分類(lèi)實(shí)驗(yàn)

首先對(duì)已知缺陷的60張標(biāo)準(zhǔn)組圖像進(jìn)行缺陷提取，分別對(duì)它們的離心率、矩形度和致密度進(jìn)行統(tǒng)計(jì)，找到它們的分類(lèi)區(qū)間。缺陷特征參數(shù)范圍示例如圖7所示。

對(duì)已經(jīng)提取缺陷特征的60張標(biāo)準(zhǔn)組圖像的缺陷特征進(jìn)行分析，可以得到塊狀缺陷離心率在0.70～0.85，矩形度在0.60～0.80，致密度大約在4.0～15.0；裂紋缺陷離心率大約在0.10～0.20，矩形度大約在0.15～0.30，致密度在80～110；波紋擦傷離心率大約在0.15～0.25，矩形度大約在0.15～0.25，矩形度在10.0～25.0。根據(jù)決策樹(shù)分類(lèi)法，首先根據(jù)離心率在0.70～0.85分離出塊狀缺陷，然會(huì)根據(jù)致密度在80～110分離出裂紋缺陷，根據(jù)矩形度在0.15～0.25分離出波紋擦傷，剩下的則為無(wú)法分類(lèi)缺陷。利用以上標(biāo)準(zhǔn)組得到的界限，對(duì)實(shí)驗(yàn)組進(jìn)行分類(lèi)。表5為實(shí)驗(yàn)組識(shí)別分類(lèi)結(jié)果及準(zhǔn)確率。

如表5所示，本文的缺陷分類(lèi)平均準(zhǔn)確率為90%，在分類(lèi)檢測(cè)方面屬于較高水平，平均檢測(cè)速度可達(dá)58毫秒/張，可以滿(mǎn)足工業(yè)檢測(cè)標(biāo)準(zhǔn)。經(jīng)過(guò)實(shí)驗(yàn)表明用決策樹(shù)分類(lèi)法對(duì)鋼軌缺陷進(jìn)行簡(jiǎn)單分類(lèi)是可行的。

4.2? 實(shí)驗(yàn)結(jié)果分析

通過(guò)實(shí)驗(yàn)驗(yàn)證，本文所用鋼軌表面病害檢測(cè)分類(lèi)方法的缺陷分割準(zhǔn)確率為96.7%，分類(lèi)準(zhǔn)確率為90%，檢測(cè)準(zhǔn)確率可以達(dá)到要求，檢測(cè)速度可達(dá)58毫秒，同樣滿(mǎn)足要求，具有一定實(shí)用性。實(shí)驗(yàn)中影響準(zhǔn)確率的主要原因是拍到的原始圖像灰度對(duì)比度不明顯，圖像模糊，有些圖像缺陷部分和非缺陷部分灰度一樣，嚴(yán)重影響圖像分割，影響最終檢測(cè)準(zhǔn)確率。

5? 結(jié)? 論

本文對(duì)鋼軌表面病害檢測(cè)進(jìn)行研究，從圖像采集、缺陷檢測(cè)和缺陷識(shí)別分類(lèi)三個(gè)方面出發(fā)，研究一種基于圖像處理的鋼軌表面質(zhì)量檢測(cè)方法，并利用MATLAB軟件進(jìn)行仿真，對(duì)塊狀缺陷、裂紋缺陷和波紋擦傷三種缺陷進(jìn)行分類(lèi)，通過(guò)仿真實(shí)驗(yàn)得出本文方法的有效性，缺陷分割準(zhǔn)確率為96.7%，分類(lèi)準(zhǔn)確率為90%，檢測(cè)準(zhǔn)確率可以達(dá)到要求，檢測(cè)速度可達(dá)58毫秒/張。

參考文獻(xiàn)：

[1] 劉大為.鐵路網(wǎng)絡(luò)安全面臨的嚴(yán)峻形勢(shì)和主要對(duì)策研究 [J].鐵道通信信號(hào)，2023，59（1）：1-5.

[2] LIMIN C，YIN L，KAIMIN W. Inspection of Rail Surface Defect Based on Machine Vision System [C]//The 2nd International Conference on Information Science and Engineering.Hangzhou：IEEE，2010：3793-3796.

[3] FENG J，ZHANG J F，LU S X，et al. Three-Axis Magnetic Flux Leakage in-Line Inspection Simulation Based on Finite-Element Analysis [J]. Chinese Physics B，2013，22（1）：103-108.

[4] LIU H Y，WANG C M，YU Y S.et al. An experimental study on particle evolution in the exhaust gas of a direct injection SI engine [J].Applied Energy，2020，260.

[5] 張德豐.數(shù)字圖像處理（Matlab版）：第2版 [M].北京：人民郵電出版社，2015：276-370.

[6] 賀振東，王耀南，劉潔，等.基于背景差分的高鐵鋼軌表面缺陷圖像分割 [J].儀器儀表學(xué)報(bào)，2016，37（3）：640-649.

[7] 劉澤，王嵬，王平.鋼軌表面缺陷檢測(cè)機(jī)器視覺(jué)系統(tǒng)的設(shè)計(jì)[J].電子測(cè)量與儀器學(xué)報(bào)，2010，24（11）：1012-1017.

[8] 閔永智，岳彪，馬宏鋒，等.基于圖像灰度梯度特征的鋼軌表面缺陷檢測(cè)[J].儀器儀表學(xué)報(bào)，2018，39（4）：220-229.

[9] 李永基.基于圖像的軌道表面缺陷識(shí)別研究[D].蘭州：蘭州交通大學(xué)，2017.

[10] 羅暉，徐廣隆.基于圖像增強(qiáng)與深度學(xué)習(xí)的鋼軌表面缺陷檢測(cè)[J].鐵道科學(xué)與工程學(xué)報(bào)，2021，18（3）：623-629.

[11] 王成峰，卞榮俊.城市軌道交通工程車(chē)安全控制及運(yùn)行監(jiān)測(cè)系統(tǒng)運(yùn)用研究[J].鐵道通信信號(hào)，2021，57（11）：82-85.

[12] 趙慶安，戴克平，唐龍.城市軌道交通整體網(wǎng)絡(luò)安全風(fēng)險(xiǎn)分析及應(yīng)對(duì)策略[J].鐵道通信信號(hào)，2021，57（3）：84-89.

[13] 劉豐收，李闖，田常海.我國(guó)高速鐵路鋼軌早期傷損研究[J].鐵道建筑，2018，58（1）：138-140.

[14] WANG K Y，LIU P F，ZHAI W M，et al. Wheel/Rail Dynamic Interaction Due to Excitation of Rail Corrugation In High-Speed Railway [J].Science China（Technological Sciences），2015，58（2）：226-235.

[15] 劉俊博，黃雅平，王勝春，等.基于機(jī)器視覺(jué)的多線(xiàn)路鋼軌扣件缺損檢測(cè)方法[J].中國(guó)鐵道科學(xué)，2019，40（4）：27-35.

[16] 王文成.基于Halcon的齒輪缺陷檢測(cè)系統(tǒng)設(shè)計(jì)[J].機(jī)械傳動(dòng)，2014，38（9）：60-63+98.

[17] 袁勇，張固瀾.一種改進(jìn)的中值濾波方法 [J].成都理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，40（2）：125-129.

[18] 王前選，梁習(xí)鋒，劉應(yīng)龍，等.鐵路鋼軌視覺(jué)識(shí)別檢測(cè)方法 [J].中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，45（7）：2496-2502.

[19] 張博.基于邊緣檢測(cè)的細(xì)胞圖像分割方法研究與實(shí)現(xiàn)[D].武漢：武漢理工大學(xué)，2006.

[20] 袁小翠，黃志開(kāi)，馬永力，等.Otsu閾值分割法特點(diǎn)及其應(yīng)用分析[J].南昌工程學(xué)院學(xué)報(bào)，2019，38（1）：85-90+97.

[21] 楊杰.數(shù)字圖像處理及MATLAB實(shí)現(xiàn)：第3版 [M].北京：電子工業(yè)出版社，2019.

[22] 李龍龍，何東健，王美麗.基于圖像分析的葉片特征識(shí)別相關(guān)度[J].計(jì)算機(jī)工程與設(shè)計(jì)，2016，37（8）：2259-2263.

作者簡(jiǎn)介：胡璐萍（1992—），女，漢族，陜西安康人，助教，碩士研究生，研究方向：機(jī)器視覺(jué)、缺陷檢測(cè)；王琪璇（1997—），女，漢族，陜西西安人，助教，碩士研究生，研究方向：機(jī)器人視覺(jué)；吳哲（1989—），女，漢族，陜西咸陽(yáng)人，講師，碩士研究生，研究方向：機(jī)械設(shè)計(jì)、結(jié)構(gòu)設(shè)計(jì)；王小龍（1989—），男，漢族，陜西商洛人，工程師，碩士研究生，研究方向：電氣控制、計(jì)算機(jī)控制、機(jī)電一體化方向。