高速铁轨表面缺陷的实时视觉检测与识别方法技术

一种高速铁轨表面缺陷的实时视觉检测与识别方法，其步骤为：(1)图像获取；(2)图像预处理；(3)缺陷初步检测：包括使用逻辑或操作组合基于灰度补偿的检测结果和基于高帽操作的检测结果；如果检测图像中是否存在的异常区域，如果没有则结束本次检测，否则继续进行处理；(4)缺陷精确定位：通过粘合单个缺陷算法、填充缺陷区域内孔洞算法和选择主要缺陷算法精确定位缺陷，并通过标记提取缺陷区域；(5)缺陷分类：提取和选择缺陷区域的特征，设计并训练一个BP神经网络，并使用BP神经网络对缺陷进行分类。本发明专利技术具有原理简单、自动化程度高、检测速度快、检测精度高等优点。

【技术实现步骤摘要】

本专利技术主要涉及到在线视觉检测领域，特指一种。
技术介绍
为适应我国现代铁路的高速发展，保证铁路运营安全，铁道部门对铁路现场的轨道质量提出了严格要求。目前，针对铁轨缺陷的检测，有基于光、电、磁信号的电子检测法和基于机器视觉原理的视觉检测法两种方法。国内现场铁轨的缺陷检测基本采用电子检测法，几乎不采用视觉检测法。电子检测法一般用于检测铁轨的内部缺陷，且其检测精度较低，只适用于某些要求不高的场合。视觉检测法用于检测铁轨的表面缺陷，其原理是使用CCD成像技术获取铁轨图像，然后使用一定的图像处理技术对图像进行分析，从而自动检测和识别铁轨表面的缺陷。其中，铁轨缺陷包括几何结构缺陷、铁轨部件缺陷、铁轨表面缺陷等等。常见的铁轨表面缺陷有疤痕、裂纹、波纹擦伤等，存在表面缺陷的铁轨如果不加以维护或更换，就会逐渐发展成为严重的内部损伤，从而造成严重的列车事故，后果不堪设想。目前，我国铁道部门对现场铁轨状态的检测大多依靠人工巡检，其检测方式是在需要检测的铁路段，由检测人员推着钢轨探伤仪在需要检测的铁轨上行走，同时其他检测人员使用肉眼观察并记录铁轨的缺陷。由上可知，上述人工巡检的方式，检测效率十分低下，完全依靠人工行走；且检测精度也较低，可能导致缺陷的误检、漏检，使铁路运营存在着极大的安全隐患。有从业者提出一种全自动铁轨表面缺陷视觉检测与识别系统，它是指完全脱离人工检测，利用机器视觉或光电传感器的方法，将该检测系统挂载在普通列车上，随列车在铁轨上运行，由视觉系统代替人眼动态检测表面缺陷并作出判断，并对缺陷进行分类。它一方面可以大大的节省铁路维护的经济成本和人力成本，另一方面还可以同时保证检测的重复性和可靠性，并且可以实现在线检测。但是，与一般情况下的目标检测和识别方式不同，由于全自动铁轨表面缺陷视觉检测与识别系统的高速度、高精度的要求，使得面临着以下主要技术难题(I)图像干扰因素多。在高速状态下，相机可能随着列车的振动产生移动或小角度的旋转，并且自然光、现场环境和天气等因素可能对铁轨图像引入噪声、阴影带和“闪光”区域，使得一般的检测方法容易受干扰因素的影响。(2)铁轨表面缺陷的形态较为复杂，因此增加了检测难度。疤痕和波纹擦伤的灰度特征不尽相同，因此不能使用一般的单一目标检测方法来将两种类型的缺陷同时检测出来。(3)检测速度和精度要求。由于全自动铁轨表面缺陷视觉检测与识别系统的速度要求，而一般的目标检测和识别方法不能同时满足在线高速度和高精度的要求。
技术实现思路
本专利技术要解决的技术问题就在于针对现有技术存在的技术问题，本专利技术提供一种原理简单、自动化程度高、检测速度快、检测精度高的。为解决上述技术问题，本专利技术采用以下技术方案一种，其步骤为(I)图像获取；在随列车在铁轨上高速行驶的情况下，获取铁轨线图像并将线图像拼接成一幅全景图像；(2)图像预处理；包括去除噪声的干扰和提取铁轨表面区域；(3)缺陷初步检测包括使用逻辑或操作组合基于灰度补偿的检测结果和基于高帽操作的检测结果；检测图像中是否存在异常区域，如果没有则结束本次检测，否则继续进行处理；(4)缺陷精确定位通过粘合单个缺陷算法、填充缺陷区域内孔洞算法和选择主要缺陷算法精确定位缺陷，并通过标记提取缺陷区域；(5)缺陷分类提取和选择缺陷区域的特征，设计并训练一个BP神经网络，并使用BP神经网络对缺陷进行分类。作为本专利技术的进一步改进所述步骤(2)的具体步骤为(2. I)自适应中值法进行滤波使用一个大小为5X5的窗口扫描图像f (X，y)，比较窗口中心点像素的灰度值与窗口中最大的灰度值，若两者相等，则使用窗口的灰度中值代替窗口中心点像素的灰度值，否则不替换；(2. 2)提取铁轨表面区域使用一个全局阈值二值化图像，统计铁轨二值图像每行的白色像素个数，绘制其二值图像水平投影图；并利用一条直线与曲线相交，并使用它们的交点提取铁轨表面区域，包括以下步骤(2. 2. I)统计滤波后的灰度均值Mean，并取Mean-35为全局阈值T，对铁轨图像fi U, y)进行二值化 ,、 255,/(χ,ν)>Γ,加Mu狀(2. 2. 2)统计铁轨二值图像f2(x，y)每行的白色像素总个数P (x) column ' /’(υ)"X = 1,2, . . . , row ； ⑷― 2S5 ，式中row，column分别是图像f2(x，y)的行数和列数；以图像的行数为纵坐标，每行的白色像素个数为横坐标，绘制其二值图像水平投影图；(2. 2. 3)在二值图像水平投影图中，作一条横坐标为且与横轴垂直的直线，并记录下直线第一次与投影曲线纵轴上方和纵轴下方相交的点A和点B ；(2. 2. 1)A、B点的纵坐标对应铁轨表面区域两条边界的行数，直接使用其纵坐标裁剪滤波后的铁轨图像fi (X，y)，得到铁轨表面区域灰度子图像g(X，y)。所述步骤(3)的具体步骤为(3. I)基于灰度补偿的检测(3. I. I)统计铁轨表面区域灰度子图像g(x，y)每行像素的灰度平均值权利要求1.一种，其特征在于，步骤为 (1)图像获取；在随列车在铁轨上高速行驶的情况下，获取铁轨线图像并将线图像拼接成一幅全景图像； (2)图像预处理；包括去除噪声的干扰和提取铁轨表面区域； (3)缺陷初步检测包括使用逻辑或操作组合基于灰度补偿的检测结果和基于高帽操作的检测结果；检测图像中是否存在异常区域，如果没有则结束本次检测，否则继续进行处理； (4)缺陷精确定位通过粘合单个缺陷算法、填充缺陷区域内孔洞算法和选择主要缺陷算法精确定位缺陷，并通过标记提取缺陷区域； (5)缺陷分类提取和选择缺陷区域的特征，设计并训练一个BP神经网络，并使用BP 神经网络对缺陷进行分类。2.根据权利要求I所述的，其特征在于，所述步骤(2)的具体步骤为 (2. I)自适应中值法进行滤波使用一个大小为5X5的窗口扫描图像f (X，y)，比较窗口中心点像素的灰度值与窗口中最大的灰度值，若两者相等，则使用窗口的灰度中值代替窗口中心点像素的灰度值，否则不替换； (2. 2)提取铁轨表面区域使用一个全局阈值二值化图像，统计铁轨二值图像每行的白色像素个数，绘制其二值图像水平投影图；并利用一条直线与曲线相交，并使用它们的交点提取铁轨表面区域，包括以下步骤 (2. 2. I)统计滤波后的灰度均值Mean，并取Mean-35为全局阈值T，对铁轨图像(x,y)进行二值化 |255應抑2(X’y) —I O, (2.2.2)统计铁轨二值图像f2(x，y)每行的白色像素总个数PU) column Σ /2(^>') ! 9 p, X J^I_ X= 1,2, . . . , row ； 卜 255 ， 式中1OW，column分别是图像f2(x，y)的行数和列数；以图像的行数为纵坐标，每行的白色像素个数为横坐标，绘制其二值图像水平投影图； (2. 2. 3)在二值图像水平投影图中，作一条横坐标为且与横轴垂直的直线，并记录下直线第一次与投影曲线纵轴上方和纵轴下方相交的点A和点B ； (2. 2. 1)A、B点的纵坐标对应铁轨表面区域两条边界的行数，直接使用其纵坐标裁剪滤波后的铁轨图像(X，y)，得到铁轨表面区域灰度子图像g(x，y)。3.本文档来自技高网...

【技术保护点】
一种高速铁轨表面缺陷的实时视觉检测与识别方法，其特征在于，步骤为：(1)图像获取；在随列车在铁轨上高速行驶的情况下，获取铁轨线图像并将线图像拼接成一幅全景图像；(2)图像预处理；包括去除噪声的干扰和提取铁轨表面区域；(3)缺陷初步检测：包括使用逻辑或操作组合基于灰度补偿的检测结果和基于高帽操作的检测结果；检测图像中是否存在异常区域，如果没有则结束本次检测，否则继续进行处理；(4)缺陷精确定位：通过粘合单个缺陷算法、填充缺陷区域内孔洞算法和选择主要缺陷算法精确定位缺陷，并通过标记提取缺陷区域；(5)缺陷分类：提取和选择缺陷区域的特征，设计并训练一个BP神经网络，并使用BP神经网络对缺陷进行分类。

【技术特征摘要】

【专利技术属性】
技术研发人员：王耀南，唐湘娜，贺振东，肖昌炎，
申请(专利权)人：湖南大学，
类型：发明
国别省市：