基于智能小车的钢轨表面缺陷检测系统及方法
【专利摘要】本发明公开了一种基于智能小车的钢轨表面缺陷检测系统，包括智能小车和上位机，智能小车包括获取图像装置、通信模块、电机驱动装置和控制装置，所述获取图像装置、通信模块、电机驱动装置分别与控制装置连接，智能小车和上位机通过通信模块进行通信。改变了传统人工对钢轨缺陷的巡检，采用智能小车和上位机的结合，完成对钢轨缺陷数据的准确获取，有效避免了人为因素带来的误差，准确度高，提高了检测速度，降低了工人劳动强度，在保证铁路线路安全的同时，可以节省检测成本，提高线路维护效率。
【专利说明】
基于智能小车的钢轨表面缺陷检测系统及方法
技术领域
[0001] 本发明涉及铁路安全防护与检测技术领域，特别涉及一种钢轨表面缺陷检测系统 及方法。
【背景技术】
[0002] 目前，随着轨道交通运行速度的提高，钢轨在线质量的监测技术越来越受到重视， 轨道交通的发展方向和趋势是高速、重载以及高密度。如何保证列车行车安全则成了首要 问题。钢轨作为轨道中最基础的部分，直接影响着列车行车的安全。因此如何确保钢轨在线 状态的质量成了铁路工务部门面临的一项艰巨的任务。
[0003] 列车的高速、重载、高密度的运行，在给人民群众的生活带来极大便利的同时，对 钢轨的损害也随之加重，钢轨发生裂纹等损伤的可能性也越来越大。钢轨的故障直接威胁 着列车的正常运行。这些年来出现的因为钢轨裂纹等故障导致的列车脱轨事故则更加说明 了监测钢轨状态质量的重要性。所以，为了列车运行安全，避免列车运行事故，实现铁路管 理科学化，需要对关键设备(轨道)的状态进行实时监控，尽可能及时发现轨道表面缺陷，便 于轨道维护与管理。人工巡检工作量大，时间长，容易出现漏检现象。
【发明内容】
[0004] 鉴于此，本发明要解决的技术问题之一在于提供一种基于智能小车的钢轨表面缺 陷检测系统，检测效率高、准确度高，减轻工人的劳动量。
[0005] 本发明通过以下技术手段解决上述技术问题： 本发明的智能小车的钢轨表面缺陷检测系统，包括智能小车和上位机，智能小车包括 获取图像装置、通信模块、电机驱动装置和控制装置，所述获取图像装置、通信模块、电机驱 动装置分别与控制装置连接，智能小车和上位机通过通信模块进行通信。
[0006] 进一步，上位机包括图像处理装置，所述图像处理装置包括图像预处理模块、钢轨 图像表面缺陷信息提取模块和分析判断钢轨表面是否存在缺陷的分析模块。
[0007] 进一步，上述图像预处理模块的处理方法包括采用二维变分模态分解法和自适应 中值滤波处理相结合进行图像去噪；图像增强;边缘检测和图像二值化处理。
[0008] 进一步，分析模块包括矩形度分析模块、圆形度分析模块、细度比例分析模块和面 积周长比分析模块。
[0009] 进一步，上述二维变分模态分解法具体步骤为最小化下列函数
：Sv：
1) 式（1)中，.魏_表不原始图像信号，表不分解的子模态，wk表不第k个模态的中 心频率，Uk(x)表示分解的模态，％表示带宽限制， 为将约束性变分问题变为非约束性变分问题，引入二次乘法因子和拉格朗日乘子，则 扩展的拉格朗日表达式为：
式⑷中，QUOTE |^_^表示在频域内原图像，QUOTE A(W)表示频域内 的拉格朗日乘子，QUOTE ifs<W〕表示频域内的分解的子模态，€^表示频域内的带 宽限制，QUOTE :?? Ws表示频域内的第k个模态的中心频率， 一本智' rh ,丨、、瓶?读？
[0010] 本发明还提供了一种基于智能小车的钢轨表面缺陷检测方法，具体包括以下步 骤： Sl:智能小车拍摄钢轨表面原始图像，并通过通信模块将所述图像发送到上位机； S2:上位机读取图像信息，对所述图像信息进行预处理，所述预处理包括二维变分模态 分解、自适应中值滤波、图像增强、边缘检测和图像二值化处理； S3:根据特征阈值提取钢轨图像表面缺陷信息，完整提取钢轨表面缺陷信息； S4:上位机根据所述提取的钢轨表面缺陷信息计算出钢轨缺陷参数，将所述参数与设 定的阈值进行对比，判断出钢轨表面是否存在缺陷。
[0011] 进一步，所述S2中的二维变分模态分解法具体步骤为最小化下列函数
式（1冲，表示原始图像信号表示分解的子模态，％表示的是中心频率， Uk(X)表示分解的模态，ak表示带宽限制， 为将约束性变分问题变为非约束性变分问题，引入二次乘法因子和拉格朗日乘子，则 扩展的拉格朗日表达式为：
式(4冲，QUOTE 表示的是在频域内原图像，QUOTE 表示的 频域内拉格朗日乘子，QUOTE鼠雜?) 8:(U')表示频域内分解的子模态，QUOTE 表 示频域内带宽限制，QUOTE 轉％表示频域内第k个模态的中心频率， 计覚中心颇塞·
进一步，S2中自适应中值滤波的具体步骤:设表示图像中心像素点(63?.在滤波时所对 应的掩模窗口，令为中的灰度最小值为Sl^遍中的灰度最大值，意^为 中的灰度中值，&,为在坐标上的灰度，％_为_>￡_.允许的最大尺寸，自适应 中值滤波工作的两个层面可定义为A层和B层，
如果％。> 0并且，转到B层，否则增加滤波窗□的尺寸大小，如果滤波窗□，则重复执 ^frA层，否则把作为输出值，如果S.并且年初；+.&. 〇，把作为输出值，否则作为输 出值。
[0013] 进一步，S3中钢轨表面缺陷参数包括矩形度、圆形度、细度比例和面积周长比。
[0014] 进一步，智能小车包括获取图像装置、通信模块、电机驱动装置和控制装置，所述 获取图像装置、通信模块、电机驱动装置分别与控制装置连接。
[0015] 本发明的有益效果： 本发明的基于智能小车的钢轨表面缺陷检测系统，包括智能小车和上位，智能小车包 括获取图像装置、通信模块、电机驱动装置和控制装置，所述获取图像装置、通信模块、电机 驱动装置分别与控制装置连接，智能小车和上位机通过通信模块进行通信。改变了传统人 工对钢轨缺陷的巡检，采用智能小车和上位机的结合，完成对钢轨缺陷数据的准确获取，有 效避免了人为因素带来的误差，准确度高，提高了检测速度，降低了工人劳动强度，在保证 铁路线路安全的同时，可以节省检测成本，提尚线路维护效率。
[0016] 本发明的基于智能小车的钢轨表面缺陷检测方法，通过上位机控制智能小车对钢 轨表面缺陷信息进行原始图像获取，有效避免了人工巡检存在的弊端，降低工人劳动强度， 提高检测效率。获取的钢轨表面缺陷原始图像经过上位机内部的图像处理装置将原始图像 采用二维变分模态分解法和自适应中值滤波进行图像去噪、图像增强、边缘检测和二值化 处理，原始图像经过一系列的预处理后，使图像变得更清晰，便于后期准确阈值分割获取钢 轨表面缺陷信息，提高图像处理准确度。通过特征阈值完整准确获取钢轨表面缺陷信息，对 钢轨表面缺陷信息进行轮廓跟踪，计算出表征钢轨表面缺陷信息的相关参数，再设定阈值， 与相关的参数相对比，判断出钢轨是否存在表面缺陷。本发明通过小车与上位机的有机结 合，代替传统的人工巡检方式，通过小车对钢轨表面原始图像的获取，避免了人为因素带来 的误差、漏检等情况，提高了检测速度，降低了劳动强度，节省检测成本。采用图像处理技术 对钢轨原始图像进行处理，提高了钢轨表面缺陷数据获取的准确性，提高检测结果的准确 性。
【附图说明】
[0017] 下面结合附图和实施例对本发明作进一步描述。
[0018]图1为本发明一实施例的结构不意图； 图2为图1中的图像预处理模块的结构示意图； 图3为本发明另一实施例的流程图。
【具体实施方式】
[0019] 以下将结合附图对本发明进行详细说明。
[0020] 如图1、2所示:本发明的基于智能小车的钢轨表面缺陷检测系统，智能小车的钢轨 表面缺陷检测系统，包括智能小车和上位，智能小车包括获取图像装置、通信模块、电机驱 动装置和控制装置，所述获取图像装置、通信模块、电机驱动装置分别与控制装置连接，智 能小车和上位机通过通信模块进行通信。智能小车通过图像获取装置可实时采集钢轨表面 图像信息，通信模块用于智能小车与上位机进行通信，电机驱动电路用于控制小车的行进， 控制装置用于控制小车正常工作。上位机可以是PC、手机或平板电脑等电子设备，上位机将 录像或拍照命令通过通信模块发送给控制装置，控制装置控制电机驱动电路工作驱动小车 运动，小车实时采集钢轨表面图像，并将图像信息通过通信模块反馈给上位机。小车获取的 数据是钢轨表面缺陷，不能获取到缺陷的深度信息，所以本发明对钢轨表面缺陷的识别主 要是识别剥落掉块和裂纹缺陷。采用小车采集钢轨表面图像数据，有效避免人工巡检的漏 检，提高了检测速度，降低了工人的劳动强度。
[0021] 上位机包括图像处理装置，所述图像处理装置包括图像预处理模块、钢轨图像表 面缺陷信息提取模块和分析判断钢轨表面是否存在缺陷的分析模块。图像预处理模块的处 理方法包括采用二维变分模态分解法将原始图像分解为不同中心频率的子模态，保留低频 模态，再进行自适应中值滤波，由于图像信息保留在低频模态，噪声在整个频带中存在，因 此保留分解后的低频模态，再进行自适应中值滤波，达到图像去噪的目的，为后期图像处理 奠定基础；图像增强;边缘检测和图像二值化处理，使图像变得清晰，提高获取图像的准确 性，便于后期准确阈值分割获取钢轨表面缺陷信息，提高图像处理准确度。
[0022] 分析模块用于根据钢轨图像分析判断钢轨表面是否存在缺陷，其包括矩形度分析 模块、圆形度分析模块、细度比例分析模块和面积周长比分析模块。
[0023] 基于智能小车的钢轨表面缺陷检测系统，改变了传统人工对钢轨缺陷的巡检，采 用智能小车和上位机的结合，完成对钢轨缺陷数据的准确获取，有效避免了人为因素带来 的误差，准确度高，提高了检测速度，降低了工人劳动强度，在保证铁路线路安全的同时，可 以节省检测成本，提尚线路维护效率。
[0024] 如图3所示，本发明的基于智能小车的钢轨表面缺陷检测方法，具体包括以下步 骤： Sl:智能小车拍摄钢轨表面原始图像，并通过通信模块将所述图像发送到上位机;智能 小车上包括图像获取装置、通信模块、电机驱动电路和控制装置，图像获取装置、通信模块、 电机驱动电路分别与控制装置连接。智能小车通过图像获取装置可实时采集钢轨表面图像 信息，通信模块用于智能小车与上位机进行通信，电机驱动电路用于控制小车的行进，控制 装置用于控制小车正常工作。上位机可以是PC、手机或平板电脑等电子设备，上位机将录像 或拍照命令通过通信模块发送给控制装置，控制装置控制电机驱动电路工作驱动小车运 动，小车实时采集钢轨表面图像，并将图像信息通过通信模块反馈给上位机。采用小车采集 钢轨表面图像数据，有效避免人工巡检的漏检，提高了检测速度，降低了工人的劳动强度。
[0025] S2:上位机读取图像信息，对所述图像信息进行预处理，所述预处理包括采用二维 变分模态分解法将原始图像分解为不同中心频率的子模态，保留低频模态、自适应中值滤 波、图像增强、边缘检测和图像二倌化处理：二维变分模态分解法具体步骤为最小化下列函
式（1)中，/u)表示原始图像信号表示分解的子模态/5*?表示的是中心频率， Uk(X)表示分解的模态，Ctk表示带宽限制， 为将约束性变分问题变为非约束性变分问题，引入二次乘法因子和拉格朗日乘子，则 扩展的枋槐_ R丟伏忒为.
式⑷中，QUOTE /(KZ)表示的是在频域内原图像，QUOTE A(W) A(W)表示频 域内的拉格朗日乘子，QUOTE A(W) S3(W)表示频域内的分解的子模态，QUOTE 輝兑 表示频域内的带宽限制，QUOTE Wk \￥:1<表示频域内的第k个模态的中心频率， 根据式(4)计算中心频率
[0026]二维变分模态分解是一种新的自适应非递归方法，它是将图像分解为一系列不同 中心频率的子模态，而图像信息一般分布在低频区域，噪声分布在整个频带内。本发明采用 的去噪方法先选取二维变分模态分解后的低频模态再对低频模态采取自适应中值滤波的 方法来达到去除噪声的目的，自适应中值滤波在进行滤波处理过程中，依赖一定条件来改 变掩模的大小，来达到去噪的目的。设表示原始图像中心像素点§^§在滤波时所对应的掩 模窗口，令为中的灰度最小值，为％^ :中的灰度最大值，为S(Ky)中的灰度中值， 为在坐标惑上的灰度，为錢心分允许的最大尺寸，自适应中值滤波算法工作的两个层面 可定义为A层和B层。
如果离^ 办并且巧2 < G，转到B层，否则增加滤波窗口的尺寸大小，如果滤波窗口 <:%_，则重复执行A层，否则把作为输出值。如果并且Zss +:? i，把作为输出 值，否则^@作为输出值。中值滤波的原理是将掩模窗口的中间值代替图像的灰度值，这就 会改变非噪声点的大小，自适应中值滤波是在其基础上的改进，去除噪声的效果更好。通过 自适应中值滤波进行图像去噪，处理图像在获取、传送、存储等过程中存在的噪声。图像增 强是在图像去噪之后，使图像边缘变得更清晰，方便后期处理。边缘检测是根据灰度级别的 不同来识别钢轨上的裂纹。通过图像二值化处理，使钢轨裂纹与图像背景进一步分离，虽然 在边缘检测中，阈值分割也已经使目标物与背景分割，但效果不是很明显。由二值化处理的 定义知，小于某个灰度级全变黑，大于它的全变白，这可以使裂纹与背景有效分离。通过图 像预处理的几个处理步骤，可以将小车运行中的抖动、速度不均、光照不均等外在因素造成 采集图像噪声点等，以及光电信号转换的过程中信号不均匀产生的噪声点，对获取的钢轨 图像信息会有干扰，该发明的检测方法经过图像预处理对图像进行去噪、增强等便于后期 获取裂纹信息，从而完整提取钢轨缺陷信息，提高钢轨裂纹信息获取的准确度。
[0028] S3:根据特征阈值提取钢轨图像表面缺陷信息，完整提取钢轨表面缺陷信息。将预 处理后的图像通过特征阈值提取裂纹信息，特征阈值根据相关的标准进行选定。由于小车 获取的数据是钢轨表面缺陷，不能获取到缺陷的深度信息，所以本发明对钢轨表面缺陷的 识别主要是识别剥落掉块和裂纹缺陷，掉块的长宽比相差不是很大，而裂纹的长宽比则差 距较大，所以采用矩形度、圆形度、细度比例、面积周长比这几个特征参数来综合考证，采取 先设定特征阈值。
[0029] S4:上位机根据所述提取的钢轨表面缺陷信息计算出表征钢轨缺陷参数，将所述 参数与特征阈值进行对比，判断出钢轨表面是否存在缺陷。采用链码跟踪算法对钢轨表面 缺陷轮廓进行跟踪，保存该缺陷轮廓信息并进行特征计算，提取出裂纹的相关参数，包括矩 形度、圆形度、细度比例、面积周长比这4个特征参数。如果计算出的特征参数超过特征阈值 则认为有掉块或是裂纹，否则认为没有缺陷。其中，矩形度R= Ao/Ar (12) 式(12)中，R代表矩形度，Ao为目标区域包围的面积，Ar为最小外接矩形的面积； 圆形度 C=P2/A (13) 式(13)中，C代表圆形度，P为目标区域的周长，A为该目标围绕的面积； 细度比例 tr=4Ji(A/B2) (14) 式(14)中，tr代表细度比例，A为该目标围绕的面积，B为该目标区域的面积； 面积周长比r=A/B (15) 式(15)中，r代表面积周长比，A为该目标围绕的面积，B为该目标区域的面积。
[0030] 将计算出的4个特征参数与设定的特征阈值进行对比，计算出的特征参数大于对 应的特征阈值，说明钢轨表面存在缺陷。
[0031] 最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较 佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技 术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本 发明的权利要求范围当中。
【主权项】
1. 基于智能小车的钢轨表面缺陷检测系统，其特征在于:包括智能小车和上位机，智能 小车包括获取图像装置、通信模块、电机驱动装置和控制装置，所述获取图像装置、通信模 块、电机驱动装置分别与控制装置连接，智能小车和上位机通过通信模块进行通信。2. 如权利要求1所述的基于智能小车的钢轨表面缺陷检测系统，其特征在于:所述上位 机包括图像处理装置，所述图像处理装置包括图像预处理模块、钢轨图像表面缺陷信息提 取模块和分析判断钢轨表面是否存在缺陷的分析模块。3. 如权利要求2所述的基于智能小车的钢轨表面缺陷检测系统，其特征在于:所述图像 预处理模块的处理方法包括采用二维变分模态分解和自适应中值滤波的方法相结合的方 式进行图像去噪；图像增强;边缘检测和图像二值化处理。4. 如权利要求2所述的基于智能小车的钢轨表面缺陷检测系统，其特征在于:所述分析 模块包括矩形度分析模块、圆形度分析模块、细度比例分析模块和面积周长比分析模块。 1加切刹悪所怵的甚干智能/h主的钢轨丟而紈临烚涮赛缔.蛙征亦干.所怵一维式(4)中，表示在频域内原图像表示频域内的拉格朗日乘子，表示 频域内的分解的子模态，表示频域内的带宽限制，Wk表示频域内的第k个模态的中心频 率，6. 基于智能小车的钢轨表面缺陷检测方法，其特征在于:具体包括以下步骤： Sl:智能小车拍摄钢轨表面原始图像，并通过通信模块将所述图像发送到上位机； S2:上位机读取图像信息，对所述图像信息进行预处理，所述预处理包括二维变分模态 分解、自适应中值滤波、图像增强、边缘检测和图像二值化处理； S3:根据特征阈值提取钢轨图像表面缺陷信息，完整提取钢轨表面缺陷信息； S4:上位机根据所述提取的钢轨表面缺陷信息计算出钢轨缺陷参数，将所述参数与设 定的阈值进行对比，判断出钢轨表面是否存在缺陷。7. 如权利要求6所述的基于智能小车的钢轨表面缺陷检测方法，其特征在于:所述S2中 的二维变分模态分解法具体步骤为最小化下列函I(1)式（1)中，#七_表不原始图像信号，表不分解的子模态，wS::表不第k个模态的中 心频率，uk(x)表示分解的模态，％表示带宽限制， 为将约束性变分问题变为非约束性变分问题，引入二次乘法因子和拉格朗日乘子，则 扩展的枋格朗日表汰式为：式⑷中，表示在频域内原图像，表示频域内的拉格朗日乘子為表示 频域内的分解的子模态，表示的带宽限制，_|:表示的是第k个模态的中心频率， 计算中心频率8. 如权利要求6所述的基于智能小车的钢轨表面缺陷检测方法，其特征在于:所述S2中 自适应中值滤波的具体步骤:设S〔x,y)表示图像中心像素点(Ay)在滤波时所对应的掩模窗 口，令2_:为錢中的灰度最小值，为中的灰度最大值，为?·，中的灰 度中值，Iy为在坐标上的灰度，为鐵氧的允许的最大尺寸，自适应中值滤波工作 1%而个目·而可奋''?/ 尽和RIP·. 如果O并且? 0，转到B层，否则增加滤波窗口的尺寸大小，如果滤波窗口 Sgy).邊Sw&..，则重复执行A层，否则把％作为输出值，如果％: > 13并且:<： @，把％, 作为输出值，否则作为输出值。9. 如权利要求6所述的基于智能小车的钢轨表面缺陷检测方法，其特征在于:所述S3中 钢轨表面缺陷参数包括矩形度、圆形度、细度比例和面积周长比。10. 如权利要求6所述的基于智能小车的钢轨表面缺陷检测方法，其特征在于:所述智 能小车包括获取图像装置、通信模块、电机驱动装置和控制装置，所述获取图像装置、通信 模块、电机驱动装置分别与控制装置连接。
【文档编号】G01N21/88GK105891217SQ201610269971
【公开日】2016年8月24日
【申请日】2016年4月27日
【发明人】刘嘉敏, 彭玲, 罗甫林, 刘军委, 袁佳成
【申请人】重庆大学