基于智能小車的鋼軌表面缺陷檢測系統及方法
【專利摘要】本發明公開了一種基于智能小車的鋼軌表面缺陷檢測系統，包括智能小車和上位機，智能小車包括獲取圖像裝置、通信模塊、電機驅動裝置和控制裝置，所述獲取圖像裝置、通信模塊、電機驅動裝置分別與控制裝置連接，智能小車和上位機通過通信模塊進行通信。改變了傳統人工對鋼軌缺陷的巡檢，采用智能小車和上位機的結合，完成對鋼軌缺陷數據的準確獲取，有效避免了人為因素帶來的誤差，準確度高，提高了檢測速度，降低了工人勞動強度，在保證鐵路線路安全的同時，可以節省檢測成本，提高線路維護效率。
【專利說明】
基于智能小車的鋼軌表面缺陷檢測系統及方法
技術領域
[0001] 本發明涉及鐵路安全防護與檢測技術領域，特別涉及一種鋼軌表面缺陷檢測系統 及方法。
【背景技術】
[0002] 目前，隨著軌道交通運行速度的提高，鋼軌在線質量的監測技術越來越受到重視， 軌道交通的發展方向和趨勢是高速、重載以及高密度。如何保證列車行車安全則成了首要 問題。鋼軌作為軌道中最基礎的部分，直接影響著列車行車的安全。因此如何確保鋼軌在線 狀態的質量成了鐵路工務部門面臨的一項艱巨的任務。
[0003] 列車的高速、重載、高密度的運行，在給人民群眾的生活帶來極大便利的同時，對 鋼軌的損害也隨之加重，鋼軌發生裂紋等損傷的可能性也越來越大。鋼軌的故障直接威脅 著列車的正常運行。這些年來出現的因為鋼軌裂紋等故障導致的列車脫軌事故則更加說明 了監測鋼軌狀態質量的重要性。所以，為了列車運行安全，避免列車運行事故，實現鐵路管 理科學化，需要對關鍵設備(軌道)的狀態進行實時監控，盡可能及時發現軌道表面缺陷，便 于軌道維護與管理。人工巡檢工作量大，時間長，容易出現漏檢現象。
【發明內容】
[0004] 鑒于此，本發明要解決的技術問題之一在于提供一種基于智能小車的鋼軌表面缺 陷檢測系統，檢測效率高、準確度高，減輕工人的勞動量。
[0005] 本發明通過以下技術手段解決上述技術問題： 本發明的智能小車的鋼軌表面缺陷檢測系統，包括智能小車和上位機，智能小車包括 獲取圖像裝置、通信模塊、電機驅動裝置和控制裝置，所述獲取圖像裝置、通信模塊、電機驅 動裝置分別與控制裝置連接，智能小車和上位機通過通信模塊進行通信。
[0006] 進一步，上位機包括圖像處理裝置，所述圖像處理裝置包括圖像預處理模塊、鋼軌 圖像表面缺陷信息提取模塊和分析判斷鋼軌表面是否存在缺陷的分析模塊。
[0007] 進一步，上述圖像預處理模塊的處理方法包括采用二維變分模態分解法和自適應 中值濾波處理相結合進行圖像去噪；圖像增強;邊緣檢測和圖像二值化處理。
[0008] 進一步，分析模塊包括矩形度分析模塊、圓形度分析模塊、細度比例分析模塊和面 積周長比分析模塊。
[0009] 進一步，上述二維變分模態分解法具體步驟為最小化下列函數
：Sv：
1) 式（1)中，.魏_表不原始圖像信號，表不分解的子模態，wk表不第k個模態的中 心頻率，Uk(x)表示分解的模態，％表示帶寬限制， 為將約束性變分問題變為非約束性變分問題，引入二次乘法因子和拉格朗日乘子，則 擴展的拉格朗日表達式為：
式⑷中，QUOTE |^_^表示在頻域內原圖像，QUOTE A(W)表示頻域內 的拉格朗日乘子，QUOTE ifs<W〕表示頻域內的分解的子模態，€^表示頻域內的帶 寬限制，QUOTE :?? Ws表示頻域內的第k個模態的中心頻率， 一本智' rh ,丨、、瓶?讀？
[0010] 本發明還提供了一種基于智能小車的鋼軌表面缺陷檢測方法，具體包括以下步 驟： Sl:智能小車拍攝鋼軌表面原始圖像，并通過通信模塊將所述圖像發送到上位機； S2:上位機讀取圖像信息，對所述圖像信息進行預處理，所述預處理包括二維變分模態 分解、自適應中值濾波、圖像增強、邊緣檢測和圖像二值化處理； S3:根據特征閾值提取鋼軌圖像表面缺陷信息，完整提取鋼軌表面缺陷信息； S4:上位機根據所述提取的鋼軌表面缺陷信息計算出鋼軌缺陷參數，將所述參數與設 定的閾值進行對比，判斷出鋼軌表面是否存在缺陷。
[0011] 進一步，所述S2中的二維變分模態分解法具體步驟為最小化下列函數
式（1沖，表示原始圖像信號表示分解的子模態，％表示的是中心頻率， Uk(X)表示分解的模態，ak表示帶寬限制， 為將約束性變分問題變為非約束性變分問題，引入二次乘法因子和拉格朗日乘子，則 擴展的拉格朗日表達式為：
式(4沖，QUOTE 表示的是在頻域內原圖像，QUOTE 表示的 頻域內拉格朗日乘子，QUOTE鼠雜?) 8:(U')表示頻域內分解的子模態，QUOTE 表 示頻域內帶寬限制，QUOTE 轉％表示頻域內第k個模態的中心頻率， 計覚中心頗塞·
進一步，S2中自適應中值濾波的具體步驟:設表示圖像中心像素點(63?.在濾波時所對 應的掩模窗口，令為中的灰度最小值為Sl^遍中的灰度最大值，意^為 中的灰度中值，&,為在坐標上的灰度，％_為_>￡_.允許的最大尺寸，自適應 中值濾波工作的兩個層面可定義為A層和B層，
如果％。> 0并且，轉到B層，否則增加濾波窗□的尺寸大小，如果濾波窗□，則重復執 ^frA層，否則把作為輸出值，如果S.并且年初；+.&. 〇，把作為輸出值，否則作為輸 出值。
[0013] 進一步，S3中鋼軌表面缺陷參數包括矩形度、圓形度、細度比例和面積周長比。
[0014] 進一步，智能小車包括獲取圖像裝置、通信模塊、電機驅動裝置和控制裝置，所述 獲取圖像裝置、通信模塊、電機驅動裝置分別與控制裝置連接。
[0015] 本發明的有益效果： 本發明的基于智能小車的鋼軌表面缺陷檢測系統，包括智能小車和上位，智能小車包 括獲取圖像裝置、通信模塊、電機驅動裝置和控制裝置，所述獲取圖像裝置、通信模塊、電機 驅動裝置分別與控制裝置連接，智能小車和上位機通過通信模塊進行通信。改變了傳統人 工對鋼軌缺陷的巡檢，采用智能小車和上位機的結合，完成對鋼軌缺陷數據的準確獲取，有 效避免了人為因素帶來的誤差，準確度高，提高了檢測速度，降低了工人勞動強度，在保證 鐵路線路安全的同時，可以節省檢測成本，提尚線路維護效率。
[0016] 本發明的基于智能小車的鋼軌表面缺陷檢測方法，通過上位機控制智能小車對鋼 軌表面缺陷信息進行原始圖像獲取，有效避免了人工巡檢存在的弊端，降低工人勞動強度， 提高檢測效率。獲取的鋼軌表面缺陷原始圖像經過上位機內部的圖像處理裝置將原始圖像 采用二維變分模態分解法和自適應中值濾波進行圖像去噪、圖像增強、邊緣檢測和二值化 處理，原始圖像經過一系列的預處理后，使圖像變得更清晰，便于后期準確閾值分割獲取鋼 軌表面缺陷信息，提高圖像處理準確度。通過特征閾值完整準確獲取鋼軌表面缺陷信息，對 鋼軌表面缺陷信息進行輪廓跟蹤，計算出表征鋼軌表面缺陷信息的相關參數，再設定閾值， 與相關的參數相對比，判斷出鋼軌是否存在表面缺陷。本發明通過小車與上位機的有機結 合，代替傳統的人工巡檢方式，通過小車對鋼軌表面原始圖像的獲取，避免了人為因素帶來 的誤差、漏檢等情況，提高了檢測速度，降低了勞動強度，節省檢測成本。采用圖像處理技術 對鋼軌原始圖像進行處理，提高了鋼軌表面缺陷數據獲取的準確性，提高檢測結果的準確 性。
【附圖說明】
[0017] 下面結合附圖和實施例對本發明作進一步描述。
[0018]圖1為本發明一實施例的結構不意圖； 圖2為圖1中的圖像預處理模塊的結構示意圖； 圖3為本發明另一實施例的流程圖。
【具體實施方式】
[0019] 以下將結合附圖對本發明進行詳細說明。
[0020] 如圖1、2所示:本發明的基于智能小車的鋼軌表面缺陷檢測系統，智能小車的鋼軌 表面缺陷檢測系統，包括智能小車和上位，智能小車包括獲取圖像裝置、通信模塊、電機驅 動裝置和控制裝置，所述獲取圖像裝置、通信模塊、電機驅動裝置分別與控制裝置連接，智 能小車和上位機通過通信模塊進行通信。智能小車通過圖像獲取裝置可實時采集鋼軌表面 圖像信息，通信模塊用于智能小車與上位機進行通信，電機驅動電路用于控制小車的行進， 控制裝置用于控制小車正常工作。上位機可以是PC、手機或平板電腦等電子設備，上位機將 錄像或拍照命令通過通信模塊發送給控制裝置，控制裝置控制電機驅動電路工作驅動小車 運動，小車實時采集鋼軌表面圖像，并將圖像信息通過通信模塊反饋給上位機。小車獲取的 數據是鋼軌表面缺陷，不能獲取到缺陷的深度信息，所以本發明對鋼軌表面缺陷的識別主 要是識別剝落掉塊和裂紋缺陷。采用小車采集鋼軌表面圖像數據，有效避免人工巡檢的漏 檢，提高了檢測速度，降低了工人的勞動強度。
[0021] 上位機包括圖像處理裝置，所述圖像處理裝置包括圖像預處理模塊、鋼軌圖像表 面缺陷信息提取模塊和分析判斷鋼軌表面是否存在缺陷的分析模塊。圖像預處理模塊的處 理方法包括采用二維變分模態分解法將原始圖像分解為不同中心頻率的子模態，保留低頻 模態，再進行自適應中值濾波，由于圖像信息保留在低頻模態，噪聲在整個頻帶中存在，因 此保留分解后的低頻模態，再進行自適應中值濾波，達到圖像去噪的目的，為后期圖像處理 奠定基礎；圖像增強;邊緣檢測和圖像二值化處理，使圖像變得清晰，提高獲取圖像的準確 性，便于后期準確閾值分割獲取鋼軌表面缺陷信息，提高圖像處理準確度。
[0022] 分析模塊用于根據鋼軌圖像分析判斷鋼軌表面是否存在缺陷，其包括矩形度分析 模塊、圓形度分析模塊、細度比例分析模塊和面積周長比分析模塊。
[0023] 基于智能小車的鋼軌表面缺陷檢測系統，改變了傳統人工對鋼軌缺陷的巡檢，采 用智能小車和上位機的結合，完成對鋼軌缺陷數據的準確獲取，有效避免了人為因素帶來 的誤差，準確度高，提高了檢測速度，降低了工人勞動強度，在保證鐵路線路安全的同時，可 以節省檢測成本，提尚線路維護效率。
[0024] 如圖3所示，本發明的基于智能小車的鋼軌表面缺陷檢測方法，具體包括以下步 驟： Sl:智能小車拍攝鋼軌表面原始圖像，并通過通信模塊將所述圖像發送到上位機;智能 小車上包括圖像獲取裝置、通信模塊、電機驅動電路和控制裝置，圖像獲取裝置、通信模塊、 電機驅動電路分別與控制裝置連接。智能小車通過圖像獲取裝置可實時采集鋼軌表面圖像 信息，通信模塊用于智能小車與上位機進行通信，電機驅動電路用于控制小車的行進，控制 裝置用于控制小車正常工作。上位機可以是PC、手機或平板電腦等電子設備，上位機將錄像 或拍照命令通過通信模塊發送給控制裝置，控制裝置控制電機驅動電路工作驅動小車運 動，小車實時采集鋼軌表面圖像，并將圖像信息通過通信模塊反饋給上位機。采用小車采集 鋼軌表面圖像數據，有效避免人工巡檢的漏檢，提高了檢測速度，降低了工人的勞動強度。
[0025] S2:上位機讀取圖像信息，對所述圖像信息進行預處理，所述預處理包括采用二維 變分模態分解法將原始圖像分解為不同中心頻率的子模態，保留低頻模態、自適應中值濾 波、圖像增強、邊緣檢測和圖像二倌化處理：二維變分模態分解法具體步驟為最小化下列函
式（1)中，/u)表示原始圖像信號表示分解的子模態/5*?表示的是中心頻率， Uk(X)表示分解的模態，Ctk表示帶寬限制， 為將約束性變分問題變為非約束性變分問題，引入二次乘法因子和拉格朗日乘子，則 擴展的枋槐_ R丟伏忒為.
式⑷中，QUOTE /(KZ)表示的是在頻域內原圖像，QUOTE A(W) A(W)表示頻 域內的拉格朗日乘子，QUOTE A(W) S3(W)表示頻域內的分解的子模態，QUOTE 輝兌 表示頻域內的帶寬限制，QUOTE Wk \￥:1<表示頻域內的第k個模態的中心頻率， 根據式(4)計算中心頻率
[0026]二維變分模態分解是一種新的自適應非遞歸方法，它是將圖像分解為一系列不同 中心頻率的子模態，而圖像信息一般分布在低頻區域，噪聲分布在整個頻帶內。本發明采用 的去噪方法先選取二維變分模態分解后的低頻模態再對低頻模態采取自適應中值濾波的 方法來達到去除噪聲的目的，自適應中值濾波在進行濾波處理過程中，依賴一定條件來改 變掩模的大小，來達到去噪的目的。設表示原始圖像中心像素點§^§在濾波時所對應的掩 模窗口，令為中的灰度最小值，為％^ :中的灰度最大值，為S(Ky)中的灰度中值， 為在坐標惑上的灰度，為錢心分允許的最大尺寸，自適應中值濾波算法工作的兩個層面 可定義為A層和B層。
如果離^ 辦并且巧2 < G，轉到B層，否則增加濾波窗口的尺寸大小，如果濾波窗口 <:%_，則重復執行A層，否則把作為輸出值。如果并且Zss +:? i，把作為輸出 值，否則^@作為輸出值。中值濾波的原理是將掩模窗口的中間值代替圖像的灰度值，這就 會改變非噪聲點的大小，自適應中值濾波是在其基礎上的改進，去除噪聲的效果更好。通過 自適應中值濾波進行圖像去噪，處理圖像在獲取、傳送、存儲等過程中存在的噪聲。圖像增 強是在圖像去噪之后，使圖像邊緣變得更清晰，方便后期處理。邊緣檢測是根據灰度級別的 不同來識別鋼軌上的裂紋。通過圖像二值化處理，使鋼軌裂紋與圖像背景進一步分離，雖然 在邊緣檢測中，閾值分割也已經使目標物與背景分割，但效果不是很明顯。由二值化處理的 定義知，小于某個灰度級全變黑，大于它的全變白，這可以使裂紋與背景有效分離。通過圖 像預處理的幾個處理步驟，可以將小車運行中的抖動、速度不均、光照不均等外在因素造成 采集圖像噪聲點等，以及光電信號轉換的過程中信號不均勻產生的噪聲點，對獲取的鋼軌 圖像信息會有干擾，該發明的檢測方法經過圖像預處理對圖像進行去噪、增強等便于后期 獲取裂紋信息，從而完整提取鋼軌缺陷信息，提高鋼軌裂紋信息獲取的準確度。
[0028] S3:根據特征閾值提取鋼軌圖像表面缺陷信息，完整提取鋼軌表面缺陷信息。將預 處理后的圖像通過特征閾值提取裂紋信息，特征閾值根據相關的標準進行選定。由于小車 獲取的數據是鋼軌表面缺陷，不能獲取到缺陷的深度信息，所以本發明對鋼軌表面缺陷的 識別主要是識別剝落掉塊和裂紋缺陷，掉塊的長寬比相差不是很大，而裂紋的長寬比則差 距較大，所以采用矩形度、圓形度、細度比例、面積周長比這幾個特征參數來綜合考證，采取 先設定特征閾值。
[0029] S4:上位機根據所述提取的鋼軌表面缺陷信息計算出表征鋼軌缺陷參數，將所述 參數與特征閾值進行對比，判斷出鋼軌表面是否存在缺陷。采用鏈碼跟蹤算法對鋼軌表面 缺陷輪廓進行跟蹤，保存該缺陷輪廓信息并進行特征計算，提取出裂紋的相關參數，包括矩 形度、圓形度、細度比例、面積周長比這4個特征參數。如果計算出的特征參數超過特征閾值 則認為有掉塊或是裂紋，否則認為沒有缺陷。其中，矩形度R= Ao/Ar (12) 式(12)中，R代表矩形度，Ao為目標區域包圍的面積，Ar為最小外接矩形的面積； 圓形度 C=P2/A (13) 式(13)中，C代表圓形度，P為目標區域的周長，A為該目標圍繞的面積； 細度比例 tr=4Ji(A/B2) (14) 式(14)中，tr代表細度比例，A為該目標圍繞的面積，B為該目標區域的面積； 面積周長比r=A/B (15) 式(15)中，r代表面積周長比，A為該目標圍繞的面積，B為該目標區域的面積。
[0030] 將計算出的4個特征參數與設定的特征閾值進行對比，計算出的特征參數大于對 應的特征閾值，說明鋼軌表面存在缺陷。
[0031] 最后說明的是，以上實施例僅用以說明本發明的技術方案而非限制，盡管參照較 佳實施例對本發明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發明的技 術方案進行修改或者等同替換，而不脫離本發明技術方案的宗旨和范圍，其均應涵蓋在本 發明的權利要求范圍當中。
【主權項】
1. 基于智能小車的鋼軌表面缺陷檢測系統，其特征在于:包括智能小車和上位機，智能 小車包括獲取圖像裝置、通信模塊、電機驅動裝置和控制裝置，所述獲取圖像裝置、通信模 塊、電機驅動裝置分別與控制裝置連接，智能小車和上位機通過通信模塊進行通信。2. 如權利要求1所述的基于智能小車的鋼軌表面缺陷檢測系統，其特征在于:所述上位 機包括圖像處理裝置，所述圖像處理裝置包括圖像預處理模塊、鋼軌圖像表面缺陷信息提 取模塊和分析判斷鋼軌表面是否存在缺陷的分析模塊。3. 如權利要求2所述的基于智能小車的鋼軌表面缺陷檢測系統，其特征在于:所述圖像 預處理模塊的處理方法包括采用二維變分模態分解和自適應中值濾波的方法相結合的方 式進行圖像去噪；圖像增強;邊緣檢測和圖像二值化處理。4. 如權利要求2所述的基于智能小車的鋼軌表面缺陷檢測系統，其特征在于:所述分析 模塊包括矩形度分析模塊、圓形度分析模塊、細度比例分析模塊和面積周長比分析模塊。 1加切剎悪所怵的甚干智能/h主的鋼軌丟而紈臨烚涮賽締.蛙征亦干.所怵一維式(4)中，表示在頻域內原圖像表示頻域內的拉格朗日乘子，表示 頻域內的分解的子模態，表示頻域內的帶寬限制，Wk表示頻域內的第k個模態的中心頻 率，6. 基于智能小車的鋼軌表面缺陷檢測方法，其特征在于:具體包括以下步驟： Sl:智能小車拍攝鋼軌表面原始圖像，并通過通信模塊將所述圖像發送到上位機； S2:上位機讀取圖像信息，對所述圖像信息進行預處理，所述預處理包括二維變分模態 分解、自適應中值濾波、圖像增強、邊緣檢測和圖像二值化處理； S3:根據特征閾值提取鋼軌圖像表面缺陷信息，完整提取鋼軌表面缺陷信息； S4:上位機根據所述提取的鋼軌表面缺陷信息計算出鋼軌缺陷參數，將所述參數與設 定的閾值進行對比，判斷出鋼軌表面是否存在缺陷。7. 如權利要求6所述的基于智能小車的鋼軌表面缺陷檢測方法，其特征在于:所述S2中 的二維變分模態分解法具體步驟為最小化下列函I(1)式（1)中，#七_表不原始圖像信號，表不分解的子模態，wS::表不第k個模態的中 心頻率，uk(x)表示分解的模態，％表示帶寬限制， 為將約束性變分問題變為非約束性變分問題，引入二次乘法因子和拉格朗日乘子，則 擴展的枋格朗日表汰式為：式⑷中，表示在頻域內原圖像，表示頻域內的拉格朗日乘子為表示 頻域內的分解的子模態，表示的帶寬限制，_|:表示的是第k個模態的中心頻率， 計算中心頻率8. 如權利要求6所述的基于智能小車的鋼軌表面缺陷檢測方法，其特征在于:所述S2中 自適應中值濾波的具體步驟:設S〔x,y)表示圖像中心像素點(Ay)在濾波時所對應的掩模窗 口，令2_:為錢中的灰度最小值，為中的灰度最大值，為?·，中的灰 度中值，Iy為在坐標上的灰度，為鐵氧的允許的最大尺寸，自適應中值濾波工作 1%而個目·而可奮''?/ 盡和RIP·. 如果O并且? 0，轉到B層，否則增加濾波窗口的尺寸大小，如果濾波窗口 Sgy).邊Sw&..，則重復執行A層，否則把％作為輸出值，如果％: > 13并且:<： @，把％, 作為輸出值，否則作為輸出值。9. 如權利要求6所述的基于智能小車的鋼軌表面缺陷檢測方法，其特征在于:所述S3中 鋼軌表面缺陷參數包括矩形度、圓形度、細度比例和面積周長比。10. 如權利要求6所述的基于智能小車的鋼軌表面缺陷檢測方法，其特征在于:所述智 能小車包括獲取圖像裝置、通信模塊、電機驅動裝置和控制裝置，所述獲取圖像裝置、通信 模塊、電機驅動裝置分別與控制裝置連接。
【文檔編號】G01N21/88GK105891217SQ201610269971
【公開日】2016年8月24日
【申請日】2016年4月27日
【發明人】劉嘉敏, 彭玲, 羅甫林, 劉軍委, 袁佳成
【申請人】重慶大學