CN116109638B - 一种钢轨折断检测方法及系统 - Google Patents

Abstract

本发明提供了一种钢轨折断检测方法及系统，通过对初步判定的疑似折断区域进行稠密采样获取图像块，对图像块进行特征提取，采用模式识别和AI方法进行图像块分类，可有效降低计算复杂度。并进一步利用纹理和深度图像，可有效提升钢轨折断检测准确率，相比人工或超声探伤方法，该系统具有检测速度快的突出优点，可满足地铁、大铁、高铁等轨道交通场景下钢轨折断检测应用需求。

Description

一种钢轨折断检测方法及系统

技术领域

本发明属于轨道交通病害检测技术领域，公开了一种钢轨折断检测方法及系统。

背景技术

钢轨是铁路重要部件，用于承载火车的重量，钢轨在长期使用过程中，收到动载影响存在应力疲劳，长期使用后，容易发生断裂分析。

钢轨断裂将导致重大安全事故，因此，在日常铁路安全巡检与维护过程中，需要对钢轨折断进行及时检测。

现在钢轨折断检测方法一般为人工方法或超声探伤。但是，人工方法效率低，超声探伤方法需要耦合剂检测速度低、效率低，难以满足长里程、快速检测应用需求。

发明内容

为解决上述问题，本发明提出了一种钢轨折断检测方法及系统，可实现钢轨折断快速检测。

本发明采用的技术方案如下：

一种钢轨折断检测方法，该方法包含以下步骤：S1:至少采集钢轨纹理图像，设定钢轨候选区域R；

S2:判定钢轨候选区域R内是否存在钢轨接头区域，若存在钢轨接头区域，将其屏蔽后，作为钢轨折断检测候选区域R1;

S3:在钢轨折断检测候选区域R1内，对钢轨纹理图像进行边缘增强，得到边缘增强图像；

S4:对边缘增强图像进行中值滤波，得到中值滤波图像；

S5:在中值滤波图像中查找是否存在细长的线条；

S6:在找出的细长的线条中，选取线条长度超过设定阈值的线条；

S7:根据选取的线条位置，使具有相近灰度的线条连通，构成钢轨折断候选区域；

S8:根据钢轨折断候选区域内的钢轨纹理图像，判定该区域是否为钢轨折断病害。

进一步地，S2中采用模式识别或AI判定钢轨候选区域R内是否存在钢轨接头区域。

进一步地，所述S1中还可采集钢轨深度图像，该深度图像包含了钢轨的形状信息；

S2中钢轨折断检测候选区域R1的确定方法为：在钢轨深度图像中，钢轨候选区域R内，进行精细定位，得到钢轨检测区域RO；在钢轨检测区域R0内，判定是否存在钢轨接头区域，若存在钢轨接头区域，将其屏蔽后，作为钢轨折断检测候选区域R1；

在S2和S3之间还包含：在钢轨折断检测候选区域R1内，在钢轨深度图像中找出低于钢轨正常高度的区域，作为第一钢轨异常区域；

S7中根据选取的线条位置，使具有相近灰度的线条连通，作为第二钢轨异常区域；

S8中根据钢轨折断候选区域的钢轨纹理图像和深度图像，判定该区域是否为钢轨折断病害，其中，钢轨折断候选区域为第一钢轨异常区域和第二钢轨异常区域合并后的区域。

进一步地，S8中判定该区域是否为钢轨折断病害的具体执行方法为：

S8-1:在钢轨折断候选区域内，沿选取的线条走向对采集的图像进行稠密采样，得到图像块集；

S8-2:对图像块集进行分类，判定各图像块是否为折断病害；

S8-3: 对图像块集分类的判定结果进行投票，判定钢轨折断候选区域是否为折断病害。

进一步地，所述沿选取的线条走向对采集的图像进行稠密采样的方法是：沿选取的线条走向，进行滑窗操作，在采样窗口内估计线条主方向，使采样窗口与主方向对齐后，进行图像采样，并使采样图像块中，线条主方向与水平方向或竖直方向对齐。

进一步地，采集的图像为钢轨纹理图像时，所述对图像块集进行分类的方法为：

对钢轨纹理图像进行归一化处理，再进行PCA降维，得到1个一维向量v1；

将钢轨纹理图像进行横向、纵向累加投影，得到2个一维向量v2、v3；

对向量v2、v3进行归一化处理，或归一化和降维处理后，与向量v1连接，得到新的特征向量V0={v1,v2,v3}用于分类;

训练SVM或MLP或KNN或随机森林分类器，进行稠密采样图像块分类。

进一步地，采集的图像为钢轨纹理图像和钢轨深度图像时，所述对图像块集进行分类的方法为：

对钢轨纹理图像块和钢轨深度图像块进行归一化处理，再进行PCA降维，得到2个一维向量v1、v4；

将纹理图像块和深度图像块进行横向、纵向累加投影，得到4个一维向量v2、v3、v5、v6；

对向量v2、v3、v5、v6进行归一化处理，或归一化和降维处理后，与向量v1、v4连接，得到新的特征向量V1={v1,v4,v2,v3,v5,v6}用于分类;

训练SVM或MLP或KNN或随机森林分类器，进行稠密采样图像块分类。

进一步地，当采集的图像为钢轨深度图像和钢轨纹理图像时，在钢轨检测区域RO内，利用钢轨深度图像或钢轨纹理图像判定是否存在钢轨接头区域；

利用钢轨深度图像判定是否存在钢轨接头区域的方法为：

在钢轨检测区域R0，统计钢轨的高度值h0;

以钢轨检测区域RO为参考，设置鱼尾板检测区域，设置高度阈值h1=h0-h2-t,h2为钢轨顶面到鱼尾板顶面的高度差,t为误差项；

在鱼尾板检测区域内，通过阈值分割方法，找出高于h1的区域；

根据面积、形状、深度信息作为约束，在高于h1的区域内选出鱼尾板区域，当存在鱼尾板区域时，判定为钢轨接头区域。

一种基于上述任一所述检测方法的钢轨折断检测系统，该系统至少包含：

图像采集单元，用于采集钢轨、或钢轨纹理图像和钢轨深度图像；

图像处理单元，用于执行钢轨折断检测的算法，完成钢轨折断检测；

运载单元，用于为该检测系统供电和安装支撑。

进一步地，使用线阵相机和线光源获取钢轨纹理图像，使用线结构光3D相机同时获取钢轨深度图像和纹理图像，该深度图像中包含了钢轨的形状信息。

进一步地，所述钢轨纹理图像沿运动方向的成像分辨率不低于0.1mm/pixel,与运动方向垂直方向上的成像分辨率不低于0.1mm/pixel；

所述钢轨深度图像和纹理图像沿运动方向的成像分辨率不低于1mm/pixel,与运动方向垂直方向上的成像分辨率不低于1mm/pixel。

本发明的有益效果是：

1. 针对钢轨折断检测问题，提出了基于视觉的钢轨折断检测方法，相比人工和超声检测系统，该系统具有检测速度快的突出优势，可挂载于电客车等高速运行平台上，提升检测速度和效率。

2. 提出了简单有效的折断病害判定方法：面向纹理图像或深度图像，通过对初步判定的疑似折断区域进行稠密采样获取图像块，对图像块进行特征提取，采用模式识别和AI方法进行图像块分类，可有效降低计算复杂度，便于在检测小车等低功耗应用场景中使用。

3.提出的图像稠密采样方法：沿线条走向，进行滑窗操作，在采样窗口内估计线条主方向，使采样窗口与主方向对齐后，进行图像采样，并使采样图像块中，线条主方向与水平方向或竖直方向对齐；这种采样方法降低了钢轨曲线样本的多样性，有利于提升图像块分类的精度。

4.采用线结构光3D相机，同步获取像素对齐的钢轨纹理图像和深度图像，通过深度图像对钢轨形状进行表征，相比单纯依赖纹理图像进行钢轨折断检测，可以有效排除钢轨表面污染等情况引起误报，有效提升钢轨折断病害检测的准确性。

5.提出了一种简单高效的钢轨接头区域检测方法：采用深度图像和阈值分割方法，实现了钢轨接头的有效检测，且实际测试表明，该方法具有很高的准确率。

附图说明

图1为钢轨折断检测系统组成示意图；

图2为钢轨折断及钢轨接头示意图；

图3中的（a）为钢轨异常区域采样窗口布局图，图3中的（b）为采样图像块横坐标与主方向对齐示意图；

1-钢轨，2-视觉成像模块，3-成像控制模块，4-图像处理模块，5-运载平台，6-折断区域，7-钢轨接缝，8-鱼尾板，9-钢轨接头区域，10-采样窗口，11-主方向。

具体实施方式

以下结合附图及其实施例对本发明进行详细说明，但并不因此将本发明的保护范围限制在实施例描述的范围之中。

实施例1：在仅获取钢轨纹理图像时的钢轨折断检测方法和系统

钢轨折断检测方法的处理步骤具体如下：

S1:利用图像采集单元获取钢轨纹理图像，在获取的钢轨纹理图像中，设定钢轨候选区域R；

S2:在钢轨候选区域R内，采用模式识别或AI方法判定是否存在钢轨接头区域9（如图2所示）；当存在钢轨接头区域9时，将其屏蔽后，作为钢轨折断检测候选区域R1;若不存在钢轨接头区域9，则不进行屏蔽；

S3:在钢轨折断检测候选区域R1内，使用傅里叶变换对钢轨纹理图像进行高频滤波，用滤波前钢轨图像与高频滤波后钢轨图像相减，得到边缘增强图像；

S4:对边缘增强图像进行中值滤波；

S5:采用线滤波器,在中值滤波图像中查找是否存在细长的线条；若存在细长的线条则进行S6，若不存在则结束；

S6:在找出的线条中，选取线条长度超过设定阈值的线条；

S7:根据选取线条位置，使具有相近灰度的线条连通，构成钢轨折断候选区域；

S8:根据钢轨折断候选区域内的钢轨纹理图像，采用模式识别或AI判定该区域是否为钢轨折断病害。

其中，S8的具体执行方法是：

S8-1:在钢轨折断候选区域内，沿线条走向对钢轨纹理图像进行稠密采样，得到图像块集；

S8-2:对图像块集进行分类，判定各图像块是否为折断病害；

S8-3: 对图像块集分类的判定结果进行投票，判定钢轨折断候选区域是否为折断病害。

需要说明的是S8-3中对图像块集分类的判定结果进行投票具体来说，是对S8-2中图像块集中的所有图像块进行分类，判定每个图像块为折断病害或非折断病害，根据多数胜出原则，判定钢轨折断候选区域是否为折断病害。举例来说，S8-2中共有10个图像块，通过分类判定出其中7个图像块为折断病害，3个图像块为非折断病害，则根据多数胜出原则，该钢轨折断候选区域为折断病害。

如图3所示，在滑窗提取时，在采样窗口10内估计折断区域6主方向，使采样窗口10与主方向11对齐后，进行钢轨纹理图像采样，并使采样图像块中主方向11与水平方向或竖直方向对齐。

所述图像块分类方法是：对钢轨纹理图像块进行归一化处理，再进行PCA降维，得到1个一维向量v1；将钢轨纹理图像块进行横向、纵向累加投影，得到2个一维向量v2、v3，对v2、v3进行预处理后，与向量v1连接，得到新的特征向量V0={v1,v2,v3}用于分类;训练SVM或MLP或KNN或随机森林分类器，进行稠密采样图像块分类。其中，所述预处理包含2种情况：仅进行归一化处理，或者，先进行归一化处理再进行降维处理。

本实施例的钢轨折断检测系统，如图1所示，图像采集单元包含了成像控制模块3和视觉成像模块2；图像处理单元即图中的图像处理模块4，运载单元即图中的运载平台5。

其中，成像控制模块3包含：运载平台速度测量单元和成像控制信号发生器，速度测量单元对运载平台的速度进行精准测量；速度测量单元为基于编码器的车轮速度测量或雷达测速或LDV测速模块；成像控制信号发生器根据运行平台运动速度和运动方向的成像分辨率需求，产生成像控制脉冲信号给视觉成像模块。

视觉成像模块2包含：线阵相机和线光源，对钢轨进行扫描成像，获取钢轨纹理图像，沿运动方向的成像分辨率不低于1mm/pixel,与运动方向垂直方向上的成像分辨率不低于1mm/pixel。

图像处理模块4与成像控制模块3连接，接收视觉成像模块2采集的图像，并执行钢轨折断检测算法，完成钢轨折断检测。

运载平台5为列车或电客车或检测车或巡检机器人或手推小车，为检测系统提供供电和安装支撑。

实施例2：

在实施例1的基础上，步骤S8-2采用深度学习分类方法对图像块集进行分类，所述深度学习分类方法包括但不限于VGG、ResNet、VIT、MobileNet分类模型。

实施例3：

与实施例1不同之处在于，同时获取钢轨表面的纹理图像和深度图像，此时视觉成像模块2为线结构光3D相机，钢轨纹理图像沿运动方向的成像分辨率不低于0.1mm/pixel,与运动方向垂直方向上的成像分辨率不低于0.1mm/pixel，钢轨深度图像沿运动方向的成像分辨率不低于1mm/pixel,与运动方向垂直方向上的成像分辨率不低于1mm/pixel；其中，深度图像中包含了钢轨的形状信息。

此实施例中钢轨折断检测方法的处理步骤如下：

S1:利用图像采集单元获取钢轨纹理图像和钢轨深度图像，在获取的钢轨深度图像中设定钢轨候选区域R；在钢轨深度图像中，根据钢轨高度信息，采用阈值分割方法，在钢轨候选区域R内，精细定位钢轨检测区域R0;

S2:在钢轨检测区域R0内，利用钢轨深度图像或纹理图像判定是否存在钢轨接头区域；当存在钢轨接头区域时，将其屏蔽后，作为钢轨折断检测候选区域R1;

S3:在钢轨折断检测候选区域R1内，采用图像阈值分割方法，在钢轨深度图像中，找出低于钢轨正常高度的区域，作为第一钢轨异常区域；

S4:在钢轨折断检测候选区域R1内，使用傅里叶变换对钢轨纹理图像进行高频滤波，用滤波前钢轨图像与高频滤波后钢轨图像相减，得到边缘增强图像；

S5:对边缘增强图像进行中值滤波；

S6:采用线滤波器,在中值滤波图像中查找是否存在细长的线条；

S7:在找出的线条中，选取线条长度超过设定阈值的线条；

S8:根据选取线条位置，使具有相近灰度的线条连通，作为第二钢轨异常区域；

S9:合并第一钢轨异常区域和第二钢轨异常区域作为钢轨折断候选区域；

S10:根据钢轨折断候选区域内的钢轨纹理图像和深度图像，采用模式识别或AI判定该区域是否为钢轨折断病害。

其中，S10的具体执行方法是：

S10-1:在钢轨折断候选区域内，沿线条走向对纹理图像和深度图像进行稠密采样，得到图像块集；

S10-2:对图像块集进行分类，判定各图像块是否为折断病害；

S10-3:通过投票，判定钢轨折断候选区域为折断病害。

同样地，采用图3所示的稠密采样方法进行钢轨纹理图像和深度图像采样。对纹理图像块和深度图像块进行归一化处理，再进行PCA降维，得到2个一维向量v1、v4；将纹理图像块和深度图像块进行横向、纵向累加投影，得到4个一维向量v2、v3、v5、v6，对向量v2、v3、v5、v6进行预处理后，与向量v1、v4连接，得到新的特征向量V1={v1,v4,v2,v3,v5,v6}用于分类;训练SVM或MLP或KNN或随机森林分类器，进行稠密采样图像块分类。其中，所述预处理包含2种情况：仅进行归一化处理，或者，先进行归一化处理再进行降维处理。

实施例4：

在实施例3的基础上，利用钢轨深度图像判定是否存在钢轨接头的方法是：

S2-1:在钢轨检测区域R0，统计钢轨的高度值h0;

S2-2:以RO为参考，设置鱼尾板检测区域R1，设置高度阈值h1=h0-h2-t,h2为钢轨顶面到鱼尾板顶面的高度差,t为误差项，t取1-10mm；

S2-3:在R1内，通过阈值分割方法，找出高于h1的区域；

S2-4:根据面积、形状、深度信息作为约束，选出鱼尾板区域，当存在鱼尾板区域时，判定为钢轨接头；若不存在鱼尾板区域，则判定为无钢轨接头区域。

实施例5

在实施例4的基础上，所述采用基于深度学习的分类方法，包括但不限于VGG、ResNet、VIT、MobileNet分类模型。

以上对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (6)

1.一种钢轨折断检测方法，其特征在于，该方法包含以下步骤：

S1:采集钢轨的纹理图像和深度图像，设定钢轨候选区域R，在钢轨候选区域R内，精细定位钢轨检测区域R0；

S2:在钢轨检测区域R0内，判定否存在钢轨接头区域，若存在钢轨接头区域，将其屏蔽后，作为钢轨折断检测候选区域R1；

S3:在钢轨折断检测候选区域R1内，采用图像阈值分割方法，在钢轨深度图像中，找出低于钢轨正常高度的区域，作为第一钢轨异常区域；

S4:在钢轨折断检测候选区域R1内，对钢轨纹理图像进行边缘增强，得到边缘增强图像；

S5:对边缘增强图像进行中值滤波，得到中值滤波图像；

S6:在中值滤波图像中查找是否存在细长的线条；

S7:在找出的细长的线条中，选取线条长度超过设定阈值的线条；

S8:根据选取的线条位置，使具有相近灰度的线条连通，作为第二钢轨异常区域；

S9:合并第一钢轨异常区域和第二钢轨异常区域作为钢轨折断候选区域，根据钢轨折断候选区域内的钢轨纹理图像和深度图像，判定该区域是否为钢轨折断病害；

S9中判定该区域是否为钢轨折断病害的具体执行方法为：

S9-1:在钢轨折断候选区域内，沿选取的线条走向对采集的图像进行稠密采样，得到图像块集；

S9-2:对图像块集进行分类，判定各图像块是否为折断病害；

S9-3:对图像块集分类的判定结果进行投票，判定钢轨折断候选区域是否为折断病害；

所述沿选取的线条走向对采集的图像进行稠密采样的方法是：沿选取的线条走向，进行滑窗操作，在采样窗口内估计线条主方向，使采样窗口与主方向对齐后，进行图像采样，并使采样图像块中，线条主方向与水平方向或竖直方向对齐。

2.根据权利要求1所述的一种钢轨折断检测方法，其特征在于，S2中采用模式识别或AI判定钢轨候选区域R内是否存在钢轨接头区域。

3.根据权利要求1所述的一种钢轨折断检测方法，其特征在于，所述对图像块集进行分类的方法为：

对钢轨纹理图像块和钢轨深度图像块进行归一化处理，再进行PCA降维，得到2个一维向量v1、v4；

将纹理图像块和深度图像块进行横向、纵向累加投影，得到4个一维向量v2、v3、v5、v6；

对向量v2、v3、v5、v6进行归一化处理，或归一化和降维处理后，与向量v1、v4连接，得到新的特征向量V1={v1,v4,v2,v3,v5,v6}用于分类;

训练SVM或MLP或KNN或随机森林分类器，进行稠密采样图像块分类。

4.根据权利要求1所述的一种钢轨折断检测方法，其特征在于，在钢轨检测区域R0内，利用钢轨深度图像和钢轨纹理图像判定是否存在钢轨接头区域；

利用钢轨深度图像判定是否存在钢轨接头区域的方法为：

在钢轨检测区域R0，统计钢轨的高度值h0;

以钢轨检测区域R0为参考，设置鱼尾板检测区域，设置高度阈值h1=h0-h2-t,h2为钢轨顶面到鱼尾板顶面的高度差,t为误差项；

在鱼尾板检测区域内，通过阈值分割方法，找出高于h1的区域；

根据面积、形状、深度信息作为约束，在高于h1的区域内选出鱼尾板区域，当存在鱼尾板区域时，判定为钢轨接头区域。

5.一种基于根据权利要求1-4任一所述检测方法的钢轨折断检测系统，其特征在于，该系统至少包含： 图像采集单元，用于采集钢轨纹理图像和钢轨深度图像；

图像处理单元，用于执行钢轨折断检测的算法，完成钢轨折断检测；

运载单元，用于为该检测系统供电和安装支撑。

6.根据权利要求5所述的一种钢轨折断检测系统，其特征在于，所述钢轨纹理图像沿运动方向的成像分辨率不低于0.1mm/pixel,与运动方向垂直方向上的成像分辨率不低于0.1mm/pixel；

所述钢轨深度图像和纹理图像沿运动方向的成像分辨率不低于1mm/pixel,与运动方向垂直方向上的成像分辨率不低于1mm/pixel。

Images