边缘检测技术在钢轨表面损伤的应用研究

曾树华 黄银秀

摘要：目的：在铁路钢轨伤损检测这一特殊领域，验证经典的五种边缘检测算法的有效性;方法：利用MATLAB2016版本中自带的log算子、Canny算子，roberts算子、prewitt算子、sobe算子，对采集的钢轨图片进行检测，统计其检出率、错检率和漏检率;结果：log检测法检出率最高，性能优于其他四种方法;结论：经典的五种边缘检测算法在钢轨表面损伤检测有一点效果。

关键词：机器视觉;边缘检测算法;钢轨表面损伤

1.引言

铁路安全运行，基础在钢轨完整，但钢轨面对火车的高速撞击摩擦，损耗很大，及时全面检测铁轨损伤至关重要，钢轨探伤应运而生。钢轨就其伤损来说有内部伤损和外部伤损，内部伤损探伤虽然重要，外部伤损及时探测也很必须：及时发现可以及时打磨，延长钢轨使用寿命;乃至及时更换钢轨，保证行车安全。目前钢轨探伤技术层出不穷，就技术流派来看有超声波探伤、涡流探伤、射线探伤、激光探伤、磁粉探伤等。超声波探伤是目前应用最广的一种钢轨探伤技术，它利用探头发射超声波，声束在介质传输过程中遇到缺陷界面，将产生反射或使穿透波声能下降，探伤仪接收端接收到回波和穿透波，根据回波信号和穿透波信号强弱变化判断缺陷。但在近表面，超声波存在准确度很低，形成近表面探测盲区，故一般不用于钢轨表面探伤情况。涡流探伤是利用通电线圈产生交变磁场，磁场将以钢轨为导磁体，在钢轨内部形成涡流，当存在缺陷时会引起涡流变化，进而导致检测线圈电压和阻抗的改变，从而判断缺陷的存在及其他信息，涡流探伤在单缺陷情况下检测精度较高，但在邻近存在多缺陷情况下容易出现误判和漏判。磁粉探伤技术将钢轨磁化，利用钢轨缺陷处磁导率将与正常处磁导率存在差异，吸引磁粉堆积堆积也存在差异，再目测堆积磁粉的差异判断伤损是否存在，其最终还是依赖人工目测，故只作为钢轨检测的辅助技术。

2.边缘检测技术介绍

机器视觉模仿人眼，对图像特征进行辨别，存在设备简单等优点，一经出现即受到广泛重视，各种人工智能算法不断出现，目前广泛应用与车牌识别、人脸识别等领域。在钢轨表面伤损检测中，准确识别缺陷边缘是最核心之处，常用的边缘检测技术有Roberts算子、Prewitt算子、Sobel算子、Canny和其他一些边缘自适应算法。Roberts算子是利用交叉微分算法，通过计算2X2模版上正负45O的一阶导数得到偏导数，再通过局部差分数值确定检测边缘。改方法计算简单，但对边缘定位准确度不高，且边缘线条较粗。Prewitt算子是在3X3模版上，利用区域内上下、左右邻点的像素灰度差实现边缘检测。由于Prewitt算子采用上下、左右邻点的像素灰度差而非45O交叉计算偏导数，再取一定阀值定位边缘，故在垂直方向和水平方向效果优于Robert算子，并有一定平滑噪声效果。Sobel算子与Prewitt算子一样，采用的是3X3模版，利用区域内上下、左右邻点的像素灰度差实现边缘检测。但与Prewitt算子不同的是，Sobel算子区分了距离不同的像素点对当前像素点的影响因子，引入不同权重，简单来说，距离越近，权重越大，距离越远，权重越小，从而实现图像锐化，边缘检测效果好。log边缘检测算法，Laplacian 算子是维欧几里德空间中的一个二阶微分算子，中心像素往邻近的上下左右四个方向或八方向求微分，再将微分值求和，Laplacian 算子用于边缘识别时优点在于准确度高，几乎无假边缘，但抗噪能力差。Canny边缘检测与log边缘检测算法一样的步骤：先平滑，后求导数。先是对图像进行预处理，采用高斯平滑滤波，接着计算梯度幅值和方向，对梯度幅值进行非极大抑制，剔除假边缘;最后采用高低两阀值寻求边缘连接点，闭合图像边缘。

3.实验过程及结果

为比较五种边缘检测技术在钢轨表面损伤检测的效果，本文在MATLAB2016平台中编写程序验证，调用软件内嵌边缘检测函数;素材采取五张自拍的钢轨表面损伤图片，每张图上有一处砸伤及鱼鳞伤，分别利用上述五种边缘检测技术验证检测效果。

结果：roberts算子、prewitt算子、sobel算子砸伤5次，检出5次，检出率100%，漏检率为零;鱼鳞伤5次，检出0次，漏检率100%;log算子检测方法检测出砸伤1次和鱼鳞伤5，砸伤检出率20%，鱼鳞伤检出率100%，但砸伤伤损类别检错为鱼鳞伤4次，错检率80%;Canny算子检测法将全部钢轨边缘检测成伤损边缘，错检率100%。log算子检测方法将部分钢轨边缘检测成伤损。考虑铁路安全的重要性，可以错检，通过人工核伤进一步确定，但不能存在漏检，故总体性能log算子优于其他方法。

4.结论

单纯的五种传统边缘检测技术检测钢轨表面伤损存在错检漏检，无法完成检测任务，鉴于钢轨表面伤损形态多样，图片采集时背景复杂，建议优化方向：在钢轨表面伤损检测中，可以将具体任务优化分解，先把钢轨整体检测出来，再检测钢轨区域类的伤损;其次是优化目前算法，采用机器学习等。

参考文献：

[1]田贵云，高斌，高运来，王平，王海涛，石永生.铁路钢轨缺陷伤损巡检与监测技术综述[J].仪器仪表学报，2016，37（08）：1763-1780.

[2]管宏蕊，丁辉.图像边缘检测经典算法研究综述[J].首都师范大学学报（自然科学版），2009，30（S1）：66-69..

[3]刘泽，王嵬，王平.钢轨表面缺陷检测机器视觉系统的设计[J].电子测量与仪器学报，2010，24（11）：1012-1017.

[4]付圣雯.基于图像的钢轨轨面缺陷检测识别技术研究[D].兰州交通大学，2020.

[5]龙珍，唐曼玲，李静静.基于機器视觉的钢轨缺陷检测方法综述[J].电子技术与软件工程，2015（12）：133.

基金支持：湖南省教育厅资助科研项目（19C1214）