邊緣檢測技術在鋼軌表面損傷的應用研究

曾樹華 黃銀秀

摘要：目的：在鐵路鋼軌傷損檢測這一特殊領域，驗證經典的五種邊緣檢測算法的有效性;方法：利用MATLAB2016版本中自帶的log算子、Canny算子，roberts算子、prewitt算子、sobe算子，對采集的鋼軌圖片進行檢測，統計其檢出率、錯檢率和漏檢率;結果：log檢測法檢出率最高，性能優于其他四種方法;結論：經典的五種邊緣檢測算法在鋼軌表面損傷檢測有一點效果。

關鍵詞：機器視覺;邊緣檢測算法;鋼軌表面損傷

1.引言

鐵路安全運行，基礎在鋼軌完整，但鋼軌面對火車的高速撞擊摩擦，損耗很大，及時全面檢測鐵軌損傷至關重要，鋼軌探傷應運而生。鋼軌就其傷損來說有內部傷損和外部傷損，內部傷損探傷雖然重要，外部傷損及時探測也很必須：及時發現可以及時打磨，延長鋼軌使用壽命;乃至及時更換鋼軌，保證行車安全。目前鋼軌探傷技術層出不窮，就技術流派來看有超聲波探傷、渦流探傷、射線探傷、激光探傷、磁粉探傷等。超聲波探傷是目前應用最廣的一種鋼軌探傷技術，它利用探頭發射超聲波，聲束在介質傳輸過程中遇到缺陷界面，將產生反射或使穿透波聲能下降，探傷儀接收端接收到回波和穿透波，根據回波信號和穿透波信號強弱變化判斷缺陷。但在近表面，超聲波存在準確度很低，形成近表面探測盲區，故一般不用于鋼軌表面探傷情況。渦流探傷是利用通電線圈產生交變磁場，磁場將以鋼軌為導磁體，在鋼軌內部形成渦流，當存在缺陷時會引起渦流變化，進而導致檢測線圈電壓和阻抗的改變，從而判斷缺陷的存在及其他信息，渦流探傷在單缺陷情況下檢測精度較高，但在鄰近存在多缺陷情況下容易出現誤判和漏判。磁粉探傷技術將鋼軌磁化，利用鋼軌缺陷處磁導率將與正常處磁導率存在差異，吸引磁粉堆積堆積也存在差異，再目測堆積磁粉的差異判斷傷損是否存在，其最終還是依賴人工目測，故只作為鋼軌檢測的輔助技術。

2.邊緣檢測技術介紹

機器視覺模仿人眼，對圖像特征進行辨別，存在設備簡單等優點，一經出現即受到廣泛重視，各種人工智能算法不斷出現，目前廣泛應用與車牌識別、人臉識別等領域。在鋼軌表面傷損檢測中，準確識別缺陷邊緣是最核心之處，常用的邊緣檢測技術有Roberts算子、Prewitt算子、Sobel算子、Canny和其他一些邊緣自適應算法。Roberts算子是利用交叉微分算法，通過計算2X2模版上正負45O的一階導數得到偏導數，再通過局部差分數值確定檢測邊緣。改方法計算簡單，但對邊緣定位準確度不高，且邊緣線條較粗。Prewitt算子是在3X3模版上，利用區域內上下、左右鄰點的像素灰度差實現邊緣檢測。由于Prewitt算子采用上下、左右鄰點的像素灰度差而非45O交叉計算偏導數，再取一定閥值定位邊緣，故在垂直方向和水平方向效果優于Robert算子，并有一定平滑噪聲效果。Sobel算子與Prewitt算子一樣，采用的是3X3模版，利用區域內上下、左右鄰點的像素灰度差實現邊緣檢測。但與Prewitt算子不同的是，Sobel算子區分了距離不同的像素點對當前像素點的影響因子，引入不同權重，簡單來說，距離越近，權重越大，距離越遠，權重越小，從而實現圖像銳化，邊緣檢測效果好。log邊緣檢測算法，Laplacian 算子是維歐幾里德空間中的一個二階微分算子，中心像素往鄰近的上下左右四個方向或八方向求微分，再將微分值求和，Laplacian 算子用于邊緣識別時優點在于準確度高，幾乎無假邊緣，但抗噪能力差。Canny邊緣檢測與log邊緣檢測算法一樣的步驟：先平滑，后求導數。先是對圖像進行預處理，采用高斯平滑濾波，接著計算梯度幅值和方向，對梯度幅值進行非極大抑制，剔除假邊緣;最后采用高低兩閥值尋求邊緣連接點，閉合圖像邊緣。

3.實驗過程及結果

為比較五種邊緣檢測技術在鋼軌表面損傷檢測的效果，本文在MATLAB2016平臺中編寫程序驗證，調用軟件內嵌邊緣檢測函數;素材采取五張自拍的鋼軌表面損傷圖片，每張圖上有一處砸傷及魚鱗傷，分別利用上述五種邊緣檢測技術驗證檢測效果。

結果：roberts算子、prewitt算子、sobel算子砸傷5次，檢出5次，檢出率100%，漏檢率為零;魚鱗傷5次，檢出0次，漏檢率100%;log算子檢測方法檢測出砸傷1次和魚鱗傷5，砸傷檢出率20%，魚鱗傷檢出率100%，但砸傷傷損類別檢錯為魚鱗傷4次，錯檢率80%;Canny算子檢測法將全部鋼軌邊緣檢測成傷損邊緣，錯檢率100%。log算子檢測方法將部分鋼軌邊緣檢測成傷損?？紤]鐵路安全的重要性，可以錯檢，通過人工核傷進一步確定，但不能存在漏檢，故總體性能log算子優于其他方法。

4.結論

單純的五種傳統邊緣檢測技術檢測鋼軌表面傷損存在錯檢漏檢，無法完成檢測任務，鑒于鋼軌表面傷損形態多樣，圖片采集時背景復雜，建議優化方向：在鋼軌表面傷損檢測中，可以將具體任務優化分解，先把鋼軌整體檢測出來，再檢測鋼軌區域類的傷損;其次是優化目前算法，采用機器學習等。

參考文獻：

[1]田貴云，高斌，高運來，王平，王海濤，石永生.鐵路鋼軌缺陷傷損巡檢與監測技術綜述[J].儀器儀表學報，2016，37（08）：1763-1780.

[2]管宏蕊，丁輝.圖像邊緣檢測經典算法研究綜述[J].首都師范大學學報（自然科學版），2009，30（S1）：66-69..

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

[4]付圣雯.基于圖像的鋼軌軌面缺陷檢測識別技術研究[D].蘭州交通大學，2020.

[5]龍珍，唐曼玲，李靜靜.基于機器視覺的鋼軌缺陷檢測方法綜述[J].電子技術與軟件工程，2015（12）：133.

基金支持：湖南省教育廳資助科研項目（19C1214）