无砟轨道板表面裂缝的红外热成像检测方法

马跃坤，李再帏，赵彦旭，路宏遥，何越磊

(1.上海工程技术大学 城市轨道交通学院，上海 201620；2.中铁二十一局集团有限公司，甘肃 兰州 730070)

板式无砟轨道结构是我国高速铁路主要轨道结构形式之一，由钢轨、扣件、轨道板、CA 砂浆层以及支承层(底座板)等组成。在环境温度、雨水以及列车动荷载的共同作用下，轨道板表面会出现裂缝病害和轨道板结构的渗水现象，导致内部钢筋的腐蚀并显著降低轨道板的使用寿命和稳定性，这直接影响轨道结构的动力响应特性[1]。如何及时有效地检测轨道板表面裂缝已成为高铁无砟轨道维修中需要解决的重要问题。目前国内铁路管理部门多采用人工巡检方式来检测轨道板的裂缝病害，但人工检测效率低下，且依赖于个人经验[2]。考虑到无砟轨道板是典型预应力混凝土结构，现有研究通常采用常规的无损检测(Non-de‐structive Testing，NDT)方式来进行轨道板病害检测，如冲击回波检测[3]、超声波检测[4]、探地雷达检测[5]、声发射检测[6]、红外热成像法[1,7]等。结合相应的理论分析计算，这些检测方法可以定性和定量地分析轨道相关结构病害；但其研究多集中于轨道板层间病害上，对轨道板表面裂缝涉及较少；虽有学者采用红外热成像对轨道板面板裂缝进行初步的研究，但其主要是从理论模型建立和实验室等较为理想的环境下展开，对生产实际情况考虑不足。此外，在轨道检测中还采用计算机视觉技术[8]，但是对于复杂的检测环境，照明条件较差以及钢轨等零部件的干扰将使得在现场难以准确识别出轨道板上的裂缝。基于此，本文根据现有红外热成像(Infrared Thermography，IRT)方法特征，结合轨道板裂缝病害检测实际状况，提出一种基于红外热成像的轨道板表面裂缝病害检测方法。利用图像增强算法对原始的轨道板裂缝红外图像进行增强，再基于相位一致性原理对增强后图像中的裂缝边缘进行检测；结合尺寸标定，实现通过轨道板的红外热像图对轨道板表面裂缝宽度测量的目的。

1 轨道板裂缝红外图像增强

温度高于绝对零度的任何物体都会不断向外部环境辐射红外光。由于物体的表面温度和热物理参数不同，因此物体将红外光辐射到外部环境的能力也不同。物体的温度越高，红外辐射到外部环境的能力越强。IRT 可以检测物体表面发出的不同强度的红外热波，并将其转换为具有不同颜色的红外热像图[9]。对于轨道板，当其表面出现裂缝时，裂缝中空气介质的导热系数与混凝土材料的导热系数会产生明显差异[10]。当热流进入裂纹时，热量将在裂纹区域积聚；当热流离开时，裂纹中的空气介质会减慢散热速度，从而产生裂纹区域和非裂纹区域的温度差，如图1所示。因此通过红外热像仪检测这种温度差异来识别轨道板表面裂缝。

图1 红外热成像的检测原理Fig.1 Detection principle of infrared thermal imaging

为了确定红外热像图中裂缝区域的像素宽度，需要对裂缝图像进行裂缝区域分割处理。但在裂缝红外热像图采集过程中，裂缝周围空气对红外辐射的吸收、红外热像仪自身性能等因素会使得红外热像图存在边缘模糊、对比度低等问题。因此，本文利用基于NSCT变换的多尺度积阈值红外图像增强算法来突出裂缝边缘和细节信息。

1.1 NSCT变换

NSCT 变换由用于多尺度分析的非子采样金字塔(NSP)和用于多方向分析的非子采样方向滤波器组(NSDFB)构成，它可将图像的每个尺度以多个方向数目的形式分解，从而得到原始图像在不同尺度、方向上的变换系数。在图像分解过程中NSP 会将原始图像分解成高频部分和低频部分，然后NSDFB 将高频部分分解成多个带通方向子带[11]。NSCT 变换的多尺度、多方向分解原理如图2所示。

图2 NSCT原理示意图Fig.2 Schematic diagram of NSCT transformation principle

从图2可知，在分解过程中NSP利用二维双通道滤波器可对低频部分进行迭代，最终生成多个高频子带和一个低频子带；NSDFB 可将某尺度下高频子带进行c级方向分解得到2c个带通方向子带。由于NSP 和NSDFB 都是非下采样滤波器组，使得原始图像可被分解成与原始图像相同大小的多个尺度、多个方向下的带通方向子带[11]。因NSCT 变换可将输入图像分解成多尺度、多方向下相同尺寸的带通方向子带，故能更准确地捕捉原始图像的边缘、纹理等细节信息。

1.2 基于NSCT 变换的多尺度积阈值红外图像增强算法

本文利用原始图像经过NSCT变换后得到的不同尺度和不同方向上的变换系数来确定阈值，并通过阈值来判别图像中的噪声和有效的边缘细节。阈值与变换系数标准差的关系式为：

式中：为第l个尺度上的第k个方向子带上的阈值；(m,n)为第l个尺度上的第k个方向子带在坐标(m,n)处的变换系数；为第l个尺度上的第k个方向子带内所有变换系数的均值；M×N为该子带图像的尺寸。

本文利用非线性增强函数来修正变换域内的系数达到增强红外图像的目的。文献[12]中提出的增强函数为：

式中：b控制增强范围，0＜b＜1；c控制增强强度，其区间范围为(20,50)。

为了避免a,b,c受到图像灰度的影响，本文利用方向子带内最大变换系数xmax作为归一化因子对变换系数进行归一化处理。从式(2)中可以反映出来，f(x) 的定义域为[-1,1]，并且f(0)=0，f(1)=1。式(2)中的系数b通过求解非线性方程f(x)=x来决定，获得完整的增强函数为：

式(1)利用不同尺度、不同方向上的变换系数来计算阈值，若直接将阈值作用于变换系数，容易使得部分重要的变换系数被认为是噪声而被置零，故本文将阈值作用于多尺度积。多尺度积的定义公式如下：

式中：(m,n)为第l个尺度上的第k个方向子带在坐标(m,n)处的多尺度积。

由于NSCT变换具有多尺度、多方向特性，这使得原始图像的NSCT变换系数之间存在尺度间的相关性，即父代系数的大小会影响子代系数的大小。若直接将阈值作用于原始图像经过NSCT变换后得到的变换系数，会导致一些细节处的变换系数被误认为噪声而被消除；而由相邻尺度间同一方向子带下变换系数的乘积组成的多尺度积可以发挥NSCT变换的尺度间相关性，起到强化红外图像的边缘细节、弱化噪声的作用。

基于NSCT变换的多尺度积阈值轨道板裂缝红外图像增强算法实现的主要步骤如下：

步骤1 利用NSCT 变换将原始图像分解到第L层，并形成i个尺度、2i个方向子带上的变换系数。

步骤2 根据式(1)确定出不同尺度、不同方向子带下的阈值，并根据式(5)得到自适应调整后的完整增强函数f(x)。

步骤3 利用式(6)计算出每一方向子带的多尺度积(m,n)，j∈[1,i-1]，r∈[1,2i]。根据式(7)将阈值直接作用于多尺度积(m,n)，达到去除噪声的效果。

式中：(m,n)为经过阈值化处理后得到的第j个尺度上的第r个方向子带在坐标(m,n)处的新变换系数。

步骤4 把(m,n)代入增强函数f(x)对其进行增强处理。

步骤5 利用经过增强处理后的变换系数进行NSCT 逆变换，以实现轨道板裂缝红外图像的重构，并获得增强后的轨道板裂缝红外图像。

2 轨道板裂缝红外热像图的边缘检测

考虑到轨道板裂缝红外热像图具有裂缝边缘处灰度变化率较小、对比度较差的特性，本文采用基于相位一致性的裂缝边缘检测算法，该算法计算轨道板裂缝红外图像的相位一致性值，并设定图像中相位一致性高处为裂缝边缘特征点，从而检测出红外图像中的裂缝区域。因相位一致性不受红外图像灰度等因素的影响，使得其与基于灰度空间的边缘检测算法相比裂缝边缘的识别准确率更高。

2.1 相对一致性和局部能量

对一维信号t(z)做傅里叶变换，可得其傅里叶展开式为：

MORRONE 等[13]利用信号的傅里叶级数的相位特性将相位一致性定义为：

式中：(z)表示PC(z)在z点处取最大值时信号t(z)的傅里叶各分量相位的加权平均值。从式(9)中可知，为使相位一致性PC(z)取最大值，信号傅里叶各分量的相位值φd(z)与(z)的差值之和需要达到最小值。VENKATESH等[14]通过引入局部能量的概念来解决式(9)中存在的运算量大的问题。局部能量、相位一致性以及信号各傅里叶分量间的关系如图3所示。

图3 局部能量、相位一致性与信号各傅里叶分量间的关系Fig.3 Relationship between the local energy,the phase congruency and the Fourier components of the signal

从图3中可以看出，局部能量可描述为：

式中：H(z)为t(z)的Hilbert变换。从图(3)中也可以看出，局部能量E(z)也是信号t(z)的傅里叶各分量在E(z)方向上投影的总和：

结合式(9)和式(11)可得：

式(12)反映了相位一致性为局部能量与信号傅里叶各分量的幅值总和之间的比值，并且从式(11)可以看出在信号的傅里叶各分量的相角值集中分布的情况下相位一致性程度越大。

2.2 基于相位一致性的裂缝边缘检测

由于红外热像图中裂缝边缘处傅里叶各分量的相角值分布比较集中，因此裂缝处的相位一致性程度比非裂缝处的相位一致性程度更高。基于相位一致性的轨道板裂缝红外图像边缘检测算法实现如下：

1) 计算轨道板裂缝红外热像图中所有像素点的相位一致性值。

2) 将所有像素点的相位一致性值统一乘以255，即将相位一致性值转化为相应的灰度值，获得相位一致性图像，如图4(b)所示。

3) 利用最大类间方差法求解相位一致性图像的分割阈值，获取灰度值(即相位一致性值)大的区域，并将分割后的相位一致性图像转化为二值图像，如图4(c)所示。

4) 针对因最大类间方差法导致的过分割和欠分割问题，本文采用基于形态学滤波的膨胀运算和开运算进行图像计算。其中，膨胀运算用于连接裂缝区域的断裂点，而开运算可以在消除孤立噪声点的同时，最大化保留裂缝区域结构[15]。

同时考虑到分割后的图像中存在块状的伪边缘区域问题。通过观察伪边缘区域的特征，并将其与裂缝区域的特征进行对比后可以发现因轨道板污损点以及红外热像图中温度畸变点而产生的伪边缘区域中占据的像素点数比裂缝区域的像素点数少；并且裂缝在分割后图像中呈现为狭长的条状区域，而伪边缘区域呈现为块状，故裂缝区域的长宽比大于伪边缘区域的长宽比。

基于此，本文将经过形态学处理后的二值图像中的裂缝区域和伪边缘区域标记为连通域{bw1,bw2,…,bwsum}，sum 为裂缝区域和伪边缘区域的总数；然后计算出所有连通域的像素点总数、长轴长度和短轴长度，此处长、短轴长度分别是指与区域具有相同标准二阶中心矩的椭圆长、短轴的长度；并分别对所有连通域的像素点总数和长、短轴长度之比进行排序统计后得到2 个集合V1,V2；设定集合V1的阈值为thv1，即连通域的像素点总数小于thv1的话为伪边缘区域；设定集合V2的阈值为thv2，thv2=α*max{V2}，式中α为经验参数，其值区间为[0.4,0.7]，即连通域的长短轴长度之比小于thv2的话为伪边缘区域；分割后的二值图像经过形态学处理和消除伪边缘区域后可提取到完整的裂缝区域图像，如图4(d)所示。

5)裂缝区域细化。

从图4(e)中可以看出第4 步中获取的裂缝区域比红外热图像中实际的裂缝区域要大，所以需要对上一步中获取的裂缝区域进行细化处理。

由前述可知，因轨道板裂缝中的空气介质在导热系数方面与混凝土材料相差较大，导致轨道板上裂缝处与非裂缝处存在温度值和温度梯度上的差异。由于红外热像仪可通过探测轨道板表面发出的红外辐射量来换算出轨道板表面的温度数值，所以可以获取轨道板红外图像的温度数值矩阵，温度数值矩阵包含了红外热像图中所有像素点的温度值。

设红外热像图的温度数值矩阵为：

式中：tem1,col为坐标(1,col)处像素点的温度值，row × col为图像的大小。

设红外热像图的横向、竖向温度梯度矩阵为：

式中：gdxrow,col-1=temrow,col-temrow,col-1；gdyrow-1,col=temrow,col-temrow-1,col。

根据第4 步中获得的裂缝区域中像素点坐标,给区域中每个像素点赋予温度值、横向和竖向温度梯度值3个标量属性，形成具有三维标量属性的数据集{AT1,AT2,…}，利用k-means 聚类算法[16]给数据集中所有元素进行分类，根据分类结果来细化裂缝区域，达到裂缝边缘提取的效果，如图4(f)所示。对于类别数clu，经过多次试算本文采用clu=4对数据集元素进行分类。所以由图4 算法过程可知，本算法可以从轨道板的红外热像图中提取出完整的裂缝二值图像，可以用于后续对轨道板表面裂缝进行测量分析。

图4 轨道板裂缝红外图像的裂缝边缘检测过程Fig.4 Crack edge detection process of infrared image of surface cracks on track slab

3 实例验证

为了说明本文所提方法有效性，选取华东地区某高铁CRTSⅡ型板式无砟轨道线路，通过前期踏勘，确定了如图5 所示的典型表面贯穿式裂缝，该条贯穿式裂缝最大、最小以及平均宽度分别为0.36，0.14和0.27 mm。

图5 轨道板表面贯穿式裂缝Fig.5 Surface penetrating cracks of track slab

在正常线路巡检条件下，利用红外热像仪Fluke Tix620 对裂缝进行采集，设备镜头为标准镜头，拍摄距离设置为1 m，温度范围设置为15～36.5 ℃，拍摄范围为3/10 块轨道板。根据现场监测数据，环境温度为25.1 ℃，风速为0.1 m/s，轨道板板面温度为32.78 ℃。红外热成像如图6所示。

首先将图6 红外图像进行灰度处理，如图7(a)所示；再将转换后灰度图进行增强处理，结果如图7(b)所示；随后对增强后的红外热图像中的裂缝区域进行提取，结果如图7(c)和7(d)所示。

图6 实际裂缝的红外热像图Fig.6 Infrared thermal image of actual crack

对于轨道板表面上的“假缝”，与轨道板表面的裂缝相比，“假缝”处的裂缝走势更加连贯、边界区分更加明显、整体尺寸更大，这使得“假缝”区域处的表面温度更高。并且轨道板上各相邻“假缝”之间的间距为固定值，这使得红外热像图中位于“假缝”区域处各相邻连通域质心之间的像素宽度为固定值。结合上述“假缝”区域的2个特征，通过以红外热像图中裂缝区域处和“假缝”区域处连通域内的像素点平均温度值以及各相邻连通域的质心间像素宽度为判断依据筛选出“假缝”区域，从而去除“假缝”的干扰。

由于轨道板裂缝沿其发展方向上会出现粗细不均匀的现象，要消除或减弱这种影响，本文采用了Zhang-Suen细化方法来提取图7(c)中裂缝区域的单层像素裂缝骨架图，如图8所示。在骨架图的基础上通过8 连通Freeman 链码来给裂缝骨架进行编码。Freeman 链码是用曲线起始点的坐标和边界点方向来描述曲线的方法。编码过程会从裂缝骨架图的端点开始，按照图9中的方向对裂缝骨架中的点进行编码，直到骨架扫描完为止。

图7 实际裂缝的红外热像图处理结果Fig.7 Infrared thermal image processing results of actual cracks

根据Freeman 链码对图8 裂缝骨架中所有像素点的编码可计算出裂缝骨架的长度即此条裂缝的长度，计算公式如下：

图8 裂缝骨架图Fig.8 Crack skeleton diagram

式中：Nev,Nod分别为偶数链码、奇数链码的个数；图9中偶数链码的方向为竖直或者水平，分段长度为像素个数，权重weiev=1；而在奇数链码处裂缝走向为±45°，分段长度为像素数的倍，权重weiod=。统计图7(c)中的裂缝区域二值图像里像素值为1的总数，可作为轨道板上贯穿式裂缝区域的面积ar，结合已求出的裂缝长度Len可以计算出平均宽度，计算公式为：

图9 Freeman链码Fig.9 Freeman chain code diagram

对于裂缝的局部宽度采用最短距离法，最短距离法是将图7(c)中的裂缝区域边缘化后(如图10所示)，以每列的上边缘点为中心，求出与该列相邻n列内的下边缘点距离的最小值作为该列的裂缝宽度，n的取值范围一般为[3,5]。

图10 边缘化后的裂缝区域Fig.10 Crack area after marginalization

将基于红外热像图的轨道板裂缝测量宽度与人工使用便携式裂缝仪的测量结果进行对比，对比结果如表1所示。

由表1可知，采用本文所提方法对轨道板表面进行检测可以有效地实现表面裂缝的定位及宽度的测量，与裂缝实际宽度比较可知，对于裂缝的宽度及面积进行量测的准确率为98.4%和96.87%，仅在一些裂缝细微处存在一定的误差，结合《高速铁路无砟轨道线路维修规则(试行)》[17]，对于细微裂缝可以不用做出针对的维修处理。所以，本文所提方法满足了工务养护维修实际所需要的要求。

表1 现场裂缝区域测量结果统计Table 1 Statistics of measurement results of on-site crack area

但是值得注意的是，该部分中现场轨道板表面裂缝红外热像图的拍摄时间为7月，高温季节下太阳辐射会使得大量的热量在裂缝中积聚并使得裂缝区域与非裂缝区域产生明显的温度差异；但是对于雨水天气和低温天气，雨水和较小的外界太阳辐射量无法让裂缝中积聚足够的热量来产生满足红外热像仪检测精度的温度差，使得雨水天气和低温天气下红外热成像法的检测准确率受到影响。

4 结论

1)采用基于NSCT变换的多尺度积阈值红外图像增强算法，可以有效改善轨道板裂缝红外图像中的噪声、边缘模糊、对比度低的问题，强化图像中裂缝边缘细节。

2) 通过相位一致性原理可以获取红外热像图中的裂缝区域。利用形态学处理方法可有效去除图像中的孤立噪声和伪边缘区域，结合红外热像图的温度和温度梯度信息通过k-means 聚类算法可对裂缝区域细化，提取出完整的裂缝区域图像。

3) 提出了基于提取出的裂缝区域图像对轨道板裂缝进行测量的算法，利用现场的无砟轨道板表面贯穿式裂缝实例验证了所提方法的准确性，实现了利用红外热成像技术对无砟轨道板表面裂缝病害进行检测的目的。

4) 对于定量地分析环境温度、雨水、轨道板表面防水材料等外界因素对基于红外热成像技术的轨道板表面裂缝检测准确率产生的影响，以及如何通过人工激励手段提高检测准确率，将会是下一步的研究重点。