英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
钢轨表面缺陷的视觉检测系统
Qingyong Li , Member, IEEE, and Shengwei Ren
摘要—离散表面缺陷是钢轨中最常出现的问题，也是最需要被重视的问题。然而，由于视觉系统照明不均和钢轨表面反射属性的变化，检测这些表面缺陷是一个严峻的挑战。本文提出在一个智能的离散表面缺陷视觉检测系统中（VDS）侧重于两个关键部分：图像增强和自动阈值。我们提出了使用局部类迈克尔逊对比度（MLC）测量来提高铁路影像。基于MLC的方法是非线性和光照独立；因此，它显著提高了缺陷和背景之间的区别。此外，我们提出了新的自动阈值法，强调的比例最大熵（PEME）阈值算法。PEME选择一个能使对象最大化的阈值，与此同时保持一个低的缺陷水平。我们的实验结果表明，VDS检测到的Ⅱ-型缺馅有91.61％，Ⅰ-型缺陷有88.53％，本文提出的基于MLC图像增强方法和PEME阈值算法领先于相关得到认证的办法。
关键词—自动阈值，对比度测量，图像增强，最大熵（ME），轨道表面缺陷。
一.引言
钢轨面临越来越多由列车提速与负载增加带来的损伤风险;因此，它们的内部和表面缺陷应被严密检查。钢轨缺陷检测已被铁路运营商高度关注，以及相关的技术已经在过去几十年中得到了很大改善。传统上，钢轨缺陷是由经过培训的钢轨外表观察人员手工检验的。然而人工检查进度缓慢而且包含主观色彩，也是危险的。人工检查的限制导致了许多先进的无损检测（NDT）技术的产生，其通过某些传感器（例如视觉和超声波传感器）获取轨道的状态，然后检测与复杂的软件。如今，行之有效的用于轨道检验的NDT技术包括使用视觉照相机，超声波，涡电流等。最近关于无损检测技术的评论可参见【1】和【2】。
超声检测有最佳的检测内部裂纹的性能【3】，但它是非常慢的，不能检查表面缺陷。涡流检测基于磁场产生的涡流【4】。具有较高的检测速度，可检测表面缺陷。然而，检测结果对于探针的发射和钢轨状况非常敏感【5】。
随着计算机视觉技术近几年的发展，视觉检测得到了长足的发展。在视觉检测系统中，由安装在一辆试验列车下的高速数码相机来捕捉当火车在钢轨上移动时钢轨的图像，然后，得到的图像由一个自定义的图像处理软件自动分析。成功的应用包括螺栓检测【6】、波纹检验【7】、【8】和裂纹检测。此外，计算机视觉的其他应用提供了钢轨表面缺陷视觉检测的洞悉方式【9】—【12】，视觉检测具有速度快，成本低，有吸引力的性能特点，因此，它在最近几年吸引了越来越多的关注【1】。本文重点研究了钢轨表面缺陷检测的视觉检测技术。
钢轨表面缺陷大致分为两类：波纹和离散的缺陷。波纹缺陷是以一种可重复或周期性的样式出现在其他轨头表面的一种缺陷【7】，【13】。离散缺陷以一种随机的或任意的方式出现在轨头表面上，即无重复性【14】。由于以下因素，离散缺陷是一个视觉检测系统的挑战。
- 可识别的特征有限：离散的缺陷没有共同的纹理和形状特征，不同于波纹缺陷有周期性纹理特征【7】。从背景上区分离散缺陷最可靠的特征是局部灰度信息。视觉特征的局限性使大多数基于复杂的纹理和形状特征的对象识别方法不适用于检测系统。
- 光照不均匀：钢轨图像是由安装在一辆移动的测试列车上的相机拍摄获取的。在这项研究中所使用的图像采集系统的设置是在图1。由于自然光线和火车的抖动，图像中的光照随时会发生改变。
图 1 研究中图像采集的设置
- 钢轨表面的反射属性的变化：一个轨头表面的反射属性并不总是相同的。例如，中心区往往是光滑的，通过镜面反射反射更多的光，而周边一些区域可能生锈被铁锈覆盖，通过漫反射反射更少的光。当然，缺陷都是粗糙的，且都通过漫反射反射更少的光。
一般情况下，缺陷的灰度级低于背景（无缺陷区)；然而，这个规则通常被光照不均匀和钢轨表面反射属性的不同打破了。缺陷和背景之间这种混乱的灰度级是视觉检测系统中的最重要的一个问题。
为了克服这些挑战，本文提出了一种检测钢轨表面离散缺陷的智能视觉检测系统（VDS）。VDS包括图像采集子系统（IAS）和图像处理子系统（IPS）。IAS获取轨头表面灰度图像，IPS处理钢轨图像和检测可能存在的缺陷。在本文中，我们重点关注VDS的两个关键问题：图像增强和自动阈值。我们提出了类迈克尔逊式对比度（MLC）的措施和相应的图像增强方法。此外，我们提出了一种名为强调比例最大熵(PEME)新的阈值算法。当保持一个低水平的缺陷比例时，PEME可以使缺陷的熵最大化。VDS具有以下主要优点。
- MLC测量是局部的和非线性的，与人类视觉系统具有相似的特点。基于MLC的增强方法能够消除光照不均匀因素和减少钢轨图像背景的变化。
- PEME符合这样一个事实，那就是一张钢轨图像中的缺陷比例通常是比较小并自动选择更合适的阈值。
- VDS提供一个智能的解决方案来检验离散表面缺陷，能够检测91.61%的Ⅱ-型缺馅和88.53%的Ⅰ-型缺陷。
本文的其余部分组织如下。第二部分阐述对比度增强和自动阈值的相关工作。第三部分给出了VDS概述。第四和第五部分分别提出了基于MLC的措施的增强方法和PEME算法。第VI部分给出了实验结果。最后，第七节提供的结论。
- 相关工作
图像增强和自动阈值是VDS两个核心步骤，而且在文献著作中有许多相关的行之有效的方法。在本节中，我们简要回顾图像增强和自动阈值的相关工作。
- 图像增强
图像增强技术大致可以分为两类：间接增强和直接增强。间接增强算法不通过测量对比提高图像的对比度，而是通过调整图像的直方图。全局直方图均衡化（GHE）是直接增强算法中最受欢迎的一个之一。GHE从输入图像的直方图中获取输入—输出映射，然后使用映射来调整输出图像的直方图为均匀分布【15】。GHE是一个线性变换，并且不改变输入图像像素的灰度级规则。对比度有限自适应直方图均衡化（CLAHE）【16】方式是一种流行的局部基于直方图的增强算法。CLAHE将图像划分成几个子区域，并且在每个区域进行直方图均衡化结合的对比度约束。这种方法能突出局部区域中的对象并成功应用于医学影像的处理中。还有许多来提高GHE的其他基于直方图的算法，如加权阈值直方图均衡化【17】，直方图优化【18】【20】等。虽然这些方法在相关应用中取得良好的表现，但它们有相对较高的计算复杂程度，且不适合实时缺陷检测。
直接增强算法提高了基于一个对比度基准的图像的对比度，而不是直方图。对比度度量定义对象和其他背景或背景的亮度或颜色的定量差异。它在大部分直接增强算法中起着关键作用。在文献中对对比度有着不同的定义。
对比的重要性一直在心理学社会团体中得到承认【21】，【22】，并产生了两个对对比的主要定义：迈克尔逊对比和韦伯对比。迈克尔逊对比测量周期性图案的对比，如正弦光栅的对比度，当Lmax和Lmin分别表示光栅的最大和最小亮度值，给出的公式如下
韦伯对比衡量一个对象和一个统一的背景之间的区别，当f和b分别代表对象和背景预先自定义的亮度是，其定义如下
韦伯对比呈现对象和背景的大小和形状的差异。特别地，根据韦伯的规则，如果其韦伯对比度小于2%，那么这个对象是人的视觉系统无法分辨的【23】，【24】。然而，迈克尔逊对比度和韦伯对比度都不适合复杂的图像；因此，一些用于图像增强的对比度措施被提出来了。
戈登和Rangayyan【25】首先提出了图像增强的局部对比度的测量。在此次研究中一个像素（x，y）局部对比度Cxy被定义为
在I1表示内平方平均灰度值（x，y）为奇数宽度m，和I2是周围有宽3m平方的平均灰度值。之后，类似的对比测量放在【26】提出，考虑边缘信息
E(x,y)表示加权的灰度值的平均值，并计算
Delta;（x，y）指（x，y）的梯度，Nb是（x，y）的相邻值。
Xie 和Lam提出了局部统一化（LN）的人脸识别方法以消除光照的影响，【27】。LN定义为
mu;W和sigma;W分别表示窗口均值和灰度级的标准偏差。需要注意的是，此方法不是被命名为对比度测量，但它与论述的对比度措施具有类似的特性，并有可能减少钢轨图像的光照不均匀状况。
除了这些局部对比措施，还提出了一些基于全局信息和受空间限制的频率对比措施。全局对比措施包括视觉形态【23】，对数变换直方图【28】，和对数迈克尔逊对比度测量【29】。这些对比度的措施通常被用来评估增强算法的性能。另一方面，贝利出于对受空间限制的频率的考虑，提出了局部带宽有限对比【30】。这种对比有助于理解复杂的图像，如人脸图像。后来，唐等，在离散余弦变换领域中提出了类似的对比度测量方法【31】。
B.自动阈值
阈值算法根据一定的标准，自动选择一个灰度值的值，从图像背景中分离出相关对象。这是一个基本的图像分割技术并且许多方法已经在文献中提出了。最近的一项调查可以在【32】中找到。阈值方法大致分为两组：局部和全局。局部方法中，图像中的每个像素都基于其动态阈值的相邻参数计算，相反的，在全局方法中一个固定阈值是用于整个图像的。全局阈值方法因为他们是简单和高效的而被普遍使用。我们简要回顾用于缺陷检测的全局阈值分割方法。
Otsu【33】提出了获得使类间方差最大化的阈值的方法。Otsu的方法以双峰直方图的方式给出对于图像的满意结果，但它不能胜任对那些往往有单峰直方图的图像的缺陷检测。Ng【34】通过在使类间方差最大化的过程中限制一个阈值在一个低水平改进Otsu的方法。Ng的方法达到了缺陷检测的更好的性能。
也有一些具体的处理单峰分布图像的方法。Bhanu和Faugeras提出梯度松弛来分割单峰分部的图像【39】。但是这一方法，对初始状态敏感。此外，其计算成本高。Rosin提出角落找到阈值（CFT）方法【40 】。CFT是快速和成功地应用到许多单峰特性的应用中去了。
- 视觉检测系统概述
VDS包括两部分：IAS和IPS。IAS捕捉一个轨道的系列图像，IPS检测通过IAS获得的的轨道图像中可能存在的缺陷。
- 图像采集子系统
IAS是由几个商业上可用的组件组合而成的。它的基础组件是拥有1024像素的分辨率和65 000线/秒最大线路速率的Dalsa Spyder 2线扫描相机。一台基于CameraLink协议的PC-Camlink帧接收器是用来捕获钢轨图像的。为了减少自然光的影响，安装了装有四个发光二极管的照明装置以减少自然光的影响。此外，线扫描相机由一个车轮编码器触发来同步数据采集。该触发设置沿纵向方向（或运动方向）的像素分辨率为1毫米；沿横向方向的分辨率也为1毫米，每个生成的轨道图像的大小为1200times;512（1200像素在512times;times;）。IAS安装试验列车下如图1。我们必须注意，IAS获取的钢轨图像质量不可避免地受到自然光和火车晃动影响；因此，它导致了从这些图像检测缺陷成为了挑战。
B.图像处理子系统的框架
IPS处理由IAS获取的钢轨图像，同时找出其中可能存在的缺陷。IPS包括四个主要步骤：提取轨道，提高轨道的图像，阈值的缺陷，并确定缺陷。图2显示了IPS的框架。
图.2 VDS中IPS的框架
- 提取轨道：由IAS获取的轨道图像包括除了轨道之外的额外的区域，如图2上图中所示。因此，该区域的轨道应首先提取，以减少在随后的程序中这些区域被检测。我们提出了基于轨迹提取直方图（HBTE）算法。HBTE是通过观察轨道不仅固定宽度也较高的平均强度比额外的领域在纵向方向上的获得支持。关于HBTE算法的更多细节在附录。
- 提高轨道的图像：缺陷很容易被隐藏，或在原有轨道图像混淆因为照明不平等和钢轨表面反射属性的差异；因此，图像增强是从背景中突出缺陷的必要过程。我们提出了一种基于MLC的措施增强的新方法。MLC是一个与心理物理学迈克尔逊对比类似形式的局部对比度的测量方法【21】，【22】。在这种增强的方法中，在一个轨道的图像中的每个像素的强度转化为MLC的值，然后将灰度图像转化为MLC图像作为增强的结果。这种方法有两个优点：1）MLC图像照明无关；2）MLC的图像达到同质化的背景下，虽然相对于原有轨道图像背景变化很大。基于MLC的增强方法是在第四节。
- 阈值的缺陷：MLC图像通常包括三种类型：缺陷像素，背景噪声。缺陷和背景相比具有较低的强度，与之相反噪声是定位在一个大的强度范围。我们提出了新的阈值算法称为PEME。该算法将两事实考虑：第一，一个MLC图像直方图是单峰具有非常高的尾；第二，缺陷比例一直是一个实际的铁路系统小。PEME获得最大熵阈值的缺陷和同时缺陷的比例保持在一个较低的水平。PEME在第五部分有介绍。
- 识别：......
需要注意的是，在这也有其他精妙的可以应用于缺陷识别的识别方法，，但我们这里采用阈值方法是因为两个因素。一方面，该方法快速、简便。另一方面，我们希望在本文中把重点放在图像增强和阈值的方法上。
-
基于类迈克尔逊对比度图像增强方法 剩余内容已隐藏，支付完成后下载完整资料
资料编号：[151008]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
