基于机器视觉的CRTSⅡ板式无砟轨道裂缝检测分类方法技术

本发明专利技术提供了一种基于机器视觉的CRTS II板式无砟轨道裂缝检测分类方法。该方法将提高裂缝识别的准确性，有效的降低误检率。由于裂缝的形状决定其病害程度，导致裂缝的修补方式不同。因此该方法通过机器学习算法解决裂缝形状分类的问题。

CRTS II slab ballastless track crack detection and classification method based on machine vision

【技术实现步骤摘要】
基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法
本专利技术涉及一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法。
技术介绍
近几年，随着我国铁路飞速发展，无砟轨道结构为保证高速列车平稳安全的运营提供了重要保障，CRTSII板式无砟轨道结构是被广泛采用的一种无砟轨道结构形式。无砟轨道各结构层通常由混凝土或钢筋混凝土组成，由于混凝土抗拉强度低，加之长期受列车荷载作用和严酷的自然环境的影响，开裂不可避免。尽管在轨道板顶面设置了一定间距的预裂缝以阻止其开裂，但实际调查中仍然发现了非预裂缝处裂缝。裂缝或结构层间离缝会使结构工作性能降低，承载力下降甚至危及行车安全。目前，CRTSII板式无砟轨道养护工作主要依靠人工巡检，通过目测和手工测量完为主。这种巡检方式效率低下，且受光照、主观因素影响大。而超声波、电涡流等检测手段，不适用于表面探伤，而是适用于轨道内部探伤。磁粉探伤因需要在轨道表面喷洒磁粉，然后轨道磁化后根据伤痕处的磁阻变化，磁粉显示伤痕，所以该方法检测效率低，需要大量的磁粉用于检测，不适合需要快速检测、长距离的轨道探伤。
技术实现思路
本专利技术的目的在于提供一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法。为解决上述问题，本专利技术提供一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法，包括：Step1：采集CRTSII板式无砟轨道的裂缝的原始图像；Step2：对所述裂缝的原始图像进行预处理操作，得到灰度图像；Step3：对所述灰度图像进行二值化操作得到二值图像；Step4：对所述二值图像进行分割，以分割出裂缝图像；Step5：对所述裂缝图像进行边缘检测，得到裂缝的轮廓图像；Step6：对所述轮廓图像进行特征提取，并计算裂缝的宽度；Step7：通过支持向量机机器学习算法对所述裂缝的形状进行分类；Step8：对分类好的裂缝进行安全等级评定。进一步的，在上述方法中，所述Step1中，采集图像时，保持相机的固有位置和焦距，夜晚采集时用相同的光源。进一步的，在上述方法中，所述Step2中，首先使用对比度拉升来进行图像增强，使得整个所述裂缝的原始图像亮度尽量保持均匀。接着使用双边滤波，滤除图像中明显的噪点，最后将图像进行灰度变换，得到灰度图像。进一步的，在上述方法中，所述Step3中，采用基于光照自适应阈值的二值化操作。进一步的，在上述方法中，所述Step4中，利用区域生长法对所述二值图像进行分割，以分割出裂缝图像。进一步的，在上述方法中，所述Step5中，对裂缝图像进行Canny边缘检测，得到裂缝的轮廓图像。进一步的，在上述方法中，所述Step6中，以最小外接矩形作为特征对所述裂缝的轮廓图像进行特征提取，并计算裂缝的宽度。进一步的，在上述方法中，所述Step7中，以矩形长轴与水平的夹角为特征，通过支持向量机机器学习算法对其进行学习，得到样本库。将不同种类的裂缝与样本库进行比对，若长轴与水平的夹角在(-45°，45°)和(135°，225°)之间，则判断此裂缝为横形裂缝，若长轴与水平的夹角在(45°，135°)和(225°，315°)之间，则判断此裂缝为竖形裂缝。进一步的，在上述方法中，所述Step7中，支持向量机学习和分类的过程如下：(1)将裂缝轮廓图分成W个M×N的子图像块，每个子图像构成一个特征向量xi＝p，其中i＝1，2，3，...，W；p为裂缝最外接矩形长轴与水平的夹角；(2)通过人工方法在xi中选取一部分能代表目标区域和非目标区域的特征向量来作为训练的特征向量，表示为(xj，yj)，其中j∈{1，2，...，W}，yj是类别标志；(3)设A、B分别代表横形裂缝目标区域和竖形裂缝非目标区域。则yj可以表示为：要想所有的训练特征样本都正确分类，线性判别函数必须满足：yj(wTxj+b)-1≥0②其中，w为权重向量，b为常量，两类样本的分类空隙(M)的间隔大小为：M＝2/||w||2③此时，最优分类面问题转化为如下优化问题，即在条件③的约束下，求公式④的最小值：通过公式②的约束条件求得公式④的最小值，得到全局最优解w*、b*，则线性最优分类判决函数为：f(x)＝sgn(w*x+b*)⑤其中，sgn为符号函数，x为样本特征向量。对于非线性可分的训练样本，用一个非线性函数将训练样本点空间映射到高维样本空间，在高维的样本空间上进行线性分类；(4)将待分类的特征向量集xi(i＝1，2，3，...，W)带入到⑤中，如果f(xi)的值为1，那么相应的xi属于A类，否则xi属于B类，由此可知xi所代表的轮廓属于横形裂缝还是竖形裂缝。进一步的，在上述方法中，所述Step8中，裂缝长度小于5mm，将其评定为轻微裂缝，用绿色的线标记，用文字提示“此裂缝轻度损伤，请保持持续跟踪”；裂缝长度大于5mm，小于10mm，将其评定为预警裂缝，用黄色的线标定，用文字提示“此裂缝中度损伤，请派人进行修复”；裂缝长度大于10mm，将其评定为高危裂缝，用红色的线标记，用文字提示“此裂缝高度损伤，请立马更换”。与现有技术相比，本文提出一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法，提出了用于轨道裂缝检测的图像处理技术，并采用基于机器学习的分类方法进行轨道板裂缝的分类，最后还对裂缝安全等级进行评定，为改善铁路交通运输中的轨道板检测与维保工作做出重要贡献。本专利技术提供一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法。该方法将提高裂缝识别的准确性，有效的降低误检率。由于裂缝的形状决定其病害程度，导致裂缝的修补方式不同。因此该方法通过机器学习算法解决裂缝形状分类的问题。附图说明图1是本专利技术一实施例的基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法的流程图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。如图1所示，本专利技术提供一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法，包括：Step1：采集CRTSII板式无砟轨道裂缝原始图像。Step2：对原始图像进行预处理操作，包括图像增强，图像灰度变换。Step3：对灰度图进行二值化操作。Step4：利用区域生长法对二值图像进行分割，可分割出裂缝图像。Step5：对分割后的裂缝图像进行Canny边缘检测，得到裂缝的轮廓图像。Step6：以最小外接矩形作为特征对轮廓图像进行特征提取，并计算裂缝的宽度。Step7：通过支持向量机机器学习算法对裂缝形状进行分类。Step8：对分类好的裂缝进行安全等级评定。在此，在我国的铁路交通运输建设过程当中，轨道板一直是非常重要的组成部分。裂缝作为轨道板病害的一种，影响了其安全运营，因此对轨道板裂缝的有效检测至关重要。虽然对轨道安全检测尤其是对轨道板裂缝检测的需求已经提高到一个新的高度，然而由于传统的人工检测方法工作成本高，而且检测效率低，检测结果精确度和可信度较低。随着现代计算机技术的飞速发展以及计算机硬件性能的不断提高，使发展最迅速的机器视觉技术能够应用到轨道板裂缝检测中也成为可能，所以，提出新的可视化裂缝检测与分类的方法来完成对轨道板的健康评估势在必行，而且具有非常大的价值意义。本文提出一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方本文档来自技高网...

【技术保护点】
1.一种基于机器视觉的CRTS II板式无砟轨道裂缝检测分类方法，其特征在于，包括：Step1：采集CRTS II板式无砟轨道的裂缝的原始图像；Step2：对所述裂缝的原始图像进行预处理操作，得到灰度图像；Step3：对所述灰度图像进行二值化操作得到二值图像；Step4：对所述二值图像进行分割，以分割出裂缝图像；Step5：对所述裂缝图像进行边缘检测，得到裂缝的轮廓图像；Step6：对所述轮廓图像进行特征提取，并计算裂缝的宽度；Step7：通过支持向量机机器学习算法对所述裂缝的形状进行分类；Step8：对分类好的裂缝进行安全等级评定。

【技术特征摘要】
1.一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法，其特征在于，包括：Step1：采集CRTSII板式无砟轨道的裂缝的原始图像；Step2：对所述裂缝的原始图像进行预处理操作，得到灰度图像；Step3：对所述灰度图像进行二值化操作得到二值图像；Step4：对所述二值图像进行分割，以分割出裂缝图像；Step5：对所述裂缝图像进行边缘检测，得到裂缝的轮廓图像；Step6：对所述轮廓图像进行特征提取，并计算裂缝的宽度；Step7：通过支持向量机机器学习算法对所述裂缝的形状进行分类；Step8：对分类好的裂缝进行安全等级评定。2.根据权利要求1所述的一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法，其特征在于，所述Step1中，采集图像时，保持相机的固有位置和焦距，夜晚采集时用相同的光源。3.根据权利要求1所述的一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法，其特征在于，所述Step2中，首先使用对比度拉升来进行图像增强，使得整个所述裂缝的原始图像亮度尽量保持均匀，接着使用双边滤波，滤除图像中明显的噪点，最后将图像进行灰度变换，得到灰度图像。4.根据权利要求1所述的一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法，其特征在于，所述Step3中，采用基于光照自适应阈值的二值化操作。5.根据权利要求1所述的一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法，其特征在于，所述Step4中，利用区域生长法对所述二值图像进行分割，以分割出裂缝图像。6.根据权利要求1所述的一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法，其特征在于，所述Step5中，对裂缝图像进行Canny边缘检测，得到裂缝的轮廓图像。7.根据权利要求1所述的一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法，其特征在于，所述Step6中，以最小外接矩形作为特征对所述裂缝的轮廓图像进行特征提取，并计算裂缝的宽度。8.根据权利要求1所述的一种基于机器视觉的CRTSII板式无砟轨道裂缝检测分类方法，其特征在于，所述Step7中，以矩形长轴与水平的夹角为特征，通过支持向量机机器学习算法对其进行学习，得到样本库。将不同种类的裂缝与样本库...

【专利技术属性】
技术研发人员：李文举，沈子豪，李培刚，何茂贤，那馨元，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：上海,31