本发明属于轨道交通安全和计算机视觉技术领域，涉及一种针对CRTS II型板式轨道的裂缝检测方法。
背景技术：
我国高速铁路飞速发展，由于大量基础设施逐渐由建设期进入养护期，设施面临着自身结构老化及外来因素损害等病害的影响。基础设施主要安全问题中既有由于混凝土收缩徐变、结构位移变形、自然老化、轨道内部缺陷等原因引起的各种病害，又有受外界因素破坏造成的损害、建设期间存在的各种施工遗留问题。后期随着养护年限的不断增加，基础设施还有可能面临地基的不均匀沉降、钢轨开裂、结构侵蚀破坏等病害，以及地震等自然灾害和人为因素破坏等危害的影响，这些都将直接对轨道交通的安全运营构成威胁。
当前我国轨道交通线路状态安全检测仍然是人工静态检查为主。一般由各工区分段负责某一线路，利用线路无运营任务的夜间时间进行检查。这种人工为主并且分专业的检测方式存在许多缺陷，检测速度慢导致占用线路时间长、工作效率低、人工成本髙，无法满足运营安全的实际需求，迫切需要开发先进高效的检测手段。针对目前人工检测方法工作效率低、准确率低和成本高等问题，提出一种针对CRTS II型板式轨道的裂缝检测方法。
技术实现要素：
本发明的目的是提供一种针对CRTS II型板式轨道的裂缝检测方法，该算法在很大程度上提高准确率，降低漏检率和误检率，保证较高检测效率同时兼顾时效性。
为了实现上述目的，本发明提供的一种针对CRTS II型板式轨道的裂缝检测方法，该方法包括如下步骤：
Step1：输入图像：采集轨道裂缝图像。
Step2：预处理：对采集到的裂缝图像进行预处理操作，包括图像增强、图像灰度化和高斯滤波。
Step3：阈值分割：对预处理后的图像进行阈值分割，寻找最佳阈值。
Step4：裂缝检测：将获取的最佳阈值带入Canny边缘检测，对图像进行特征提取。
Step5：特征提取：定义轨道裂缝三个安全等级，分别为：轻微裂缝、预警裂缝和高危裂缝。
Step6：输出裂缝的信息并判断安全等级：对提取出来的目标特征参数进行分析和提取，将处理过后的图像进行分类，输出裂缝信息和判断安全等级。
其中：
所述Step1：采集图像要求采集过程中保持相机固定高度、焦距和图像尺寸，同时镜头正对裂缝，保持与路面平行。
所述Step2：图像预处理，首先对采集原图增强亮度和对比度，再对图像进行开运算，删除不能包含结构元素的对象区域，平滑对象的轮廓，断开狭窄的连接，去掉细小的突出部分，再对图像进行灰度化，得到灰度图像。再对灰度图像进行高斯滤波，使用3×3模板进行降噪，消除孤立点。
所述Step3：阈值分割方法为：统计每个灰度级中像素的个数，计算每个灰度级的像素数目占整幅图像的比例，遍历灰度级[0,255]，找到最佳阈值。
所述Step4：裂缝检测，首先进行Canny边缘检测，对高斯滤波平滑后的图像用一阶偏导的有限差分来计算梯度的幅值和方向，对梯度幅值进行非极大值抑制，用双阈值算法检测和连接边缘。再使用最小外接矩形算法绘制轮廓的最小外接矩形，计算裂缝宽度。
所述Step5：特征提取，裂缝分类方法为：根据上述计算所得裂缝宽度，裂缝宽度≤5mm，定义为轻微裂缝；5mm＜裂缝宽度＜10mm，定义为预警裂缝；裂缝宽度≥10mm，定义为高危裂缝。
所述Step6：输出裂缝的信息并判断安全等级：根据计算所得裂缝宽度，裂缝宽度≤5mm，判断为轻微裂缝，提示“本裂缝为轻微裂缝，请继续跟踪监控”；5mm＜裂缝宽度＜10mm，判断为预警裂缝，提示“本裂缝为预警裂缝，请加强监控并修补”；裂缝宽度≥10mm，判断为高危裂缝，提示“本裂缝为高危裂缝，请及时更换”；最终输出裂缝的宽度信息和裂缝所属的安全等级。
本发明具有如下有益效果：
本发明提出了一种基于图像处理的轨道裂缝宽度检测分类算法。该方法能够对不同大小的轨道裂缝进行分类，并输出分类信息和安全等级，以减少人工进行分类处理的工作量。同时该算法在很大程度上提高准确率，降低漏检率和误检率，保证较高检测效率同时兼顾时效性。
附图说明
图1为针对CRTS II型板式轨道的裂缝检测方法流程图。
具体实施方式
下面结合具体实施例和附图对本发明做进一步说明，以助于理解本发明的内容。
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
本发明采用上海轨道交通研究所采集的图像作为数据源。本发明一种针对CRTS II型板式轨道的裂缝检测方法程序流程包括6个步骤，流程图如图1所示。具体步骤如下：
Step1：输入图像：采集轨道裂缝图像，要求采集过程中保持相机固定高度、焦距和图像尺寸，同时镜头正对裂缝，保持与路面平行。
Step2：预处理：对采集到裂缝图像进行预处理操作，包括图像增强、图像灰度化和高斯滤波。
由于图像采集时间集中在夜晚，首先对采集原图增强亮度和对比度。再对图像进行开运算，删除不能包含结构元素的对象区域，平滑对象的轮廓，断开狭窄的连接，去掉细小的突出部分。再对图像进行灰度化，得到灰度图像。再对灰度图像进行高斯滤波，使用3×3模板进行降噪，消除孤立点。
Step3：阈值分割：对预处理后的图像进行阈值分割，统计每个灰度级中像素的个数，计算每个灰度级的像素数目占整幅图像的比例，遍历灰度级[0,255]，寻找最佳阈值。这是轨道裂缝宽度检测分类算法的基础，该方法能够实现对不同大小的轨道裂缝进行分类，为后续工作奠定基础。
Step4：裂缝检测：将获取的最佳阈值带入Canny边缘检测，对图像进行特征提取。首先对高斯滤波平滑后的图像用一阶偏导的有限差分来计算梯度的幅值和方向，对梯度幅值进行非极大值抑制，用双阈值算法检测和连接边缘。再使用最小外接矩形算法绘制轮廓的最小外接矩形，计算裂缝宽度。
Step5：特征提取：定义轨道裂缝三个安全等级，分别为：轻微裂缝、预警裂缝和高危裂缝。根据上述计算所得裂缝宽度，裂缝宽度≤5mm，定义为轻微裂缝；5mm＜裂缝宽度＜10mm，定义为预警裂缝；裂缝宽度≥10mm，定义为高危裂缝。该方法能够对轨道裂缝的大小进行分类。
Step6：输出裂缝的信息并判断安全等级：对提取出来的目标特征参数进行分析和提取，将处理过后的图像进行分类，输出裂缝信息和判断安全等级。
根据计算所得裂缝宽度，裂缝宽度≤5mm，判断为轻微裂缝，提示“本裂缝为轻微裂缝，请继续跟踪监控”；5mm＜裂缝宽度＜10mm，判断为预警裂缝，提示“本裂缝为预警裂缝，请加强监控并修补”；裂缝宽度≥10mm，判断为高危裂缝，提示“本裂缝为高危裂缝，请及时更换”；最终输出裂缝的宽度信息和裂缝所属的安全等级。该方法能够对不同大小的轨道裂缝进行分类，并输出分类信息和安全等级，以减少人工进行分类处理的工作量。同时该算法在很大程度上提高准确率，降低漏检率和误检率，保证较高检测效率同时兼顾时效性。
本文中应用了具体个例对发明构思进行了详细阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离该发明构思的前提下，所做的任何显而易见的修改、等同替换或其他改进，均应包含在本发明的保护范围之内。