轨道缺陷的检测方法、系统、电子设备和存储介质与流程

1.本发明涉及轨道交通运维巡检技术领域，特别涉及一种轨道缺陷的检测方法、系统、电子设备和存储介质。


背景技术：

2.铁路建设的迅猛发展使得运输的总里程数逐年递增，然而，其在增强了客货运力的同时，也带来了高昂的巡线运维成本。其中，铁轨轨道因承受与车轮的不断高强度挤压和摩擦，以及雨雪风霜等自然因素的长期侵蚀，其表面会产生许多不同程度的凹坑缺陷，从而影响列车行驶的稳定性，造成行车安全隐患。因此，对铁轨表面缺陷进行定期检测十分必要。
3.传统的铁轨表面缺陷检测主要依靠人工视觉巡道以排查程度较为严重的轨段，然而这种方式不仅效率低下、周期耗时长，并且容易出现人为的疏漏。与之相比，采用机器视觉技术来对扫描成像后的铁轨表面图像进行自动缺陷检测，能够大幅提升工作效率，缩短时间周期，并显著降低人工成本。
4.现有技术中所使用的轨道缺陷检测方法是，对轨道图像进行图像重构以获得其差分图像，并基于原图与重构图像的差分信息得到缺陷区域。然而，此种方法存在如下缺陷：(1)图像重构对所采用的重构算法模型选择及其参数十分敏感，重构图像质量非常容易受到背景杂波因素的干扰，对不同复杂成像背景的适应性较差；并且，(2)图像差分方法受背景噪声及纹理杂波的干扰较大，难以判断区别小型缺陷及背景杂波，容易引入虚警，造成误检。


技术实现要素：

5.本发明要解决的技术问题是为了克服现有技术中使用图像重构进行轨道缺陷检测时重构成像质量低、抗且容易产生误检的缺陷，提供一种轨道缺陷的检测方法、系统、电子设备和存储介质。
6.本发明是通过下述技术方案来解决上述技术问题：
7.第一方面，本发明提供一种轨道缺陷的检测方法，所述轨道缺陷的检测方法包括：
8.对待处理轨道图像分别进行奇异值分解、显著性检测以及梯度幅值计算，以获得对应的若干特征图像；
9.对所述若干特征图像进行加权融合，以获得加权融合特征图像；
10.基于所述加权融合特征图像确定所述待处理轨道图像中的缺陷区域。
11.较佳地，所述若干特征图像包括奇异像素对比增强特征图像；
12.所述奇异值分解的步骤，具体包括：
13.计算所述待处理轨道图像中若干目标像素点与参考像素点的灰度值之间的差异，以获得奇异像素对比增强特征图像，其中，所述参考像素点与所述目标像素点之间的距离小于第一阈值；
14.和/或，所述若干特征图像包括奇异行对比增强特征图像；
15.所述奇异值分解的步骤，具体包括：
16.计算所述待处理轨道图像中若干目标像素行与参考像素行的灰度值之间的差异，以获得奇异行对比增强特征图像，其中，所述参考像素行与所述目标像素行之间的距离小于第二阈值。
17.较佳地，所述若干特征图像包括视觉显著性特征图像；
18.所述显著性检测的步骤，具体包括：
19.对所述待处理轨道图像进行傅里叶变换和相谱计算，得到视觉显著图；
20.对所述视觉显著图进行平滑滤波，得到视觉显著性特征图像。
21.较佳地，所述若干特征图像包括用于表征非边缘区域的概率分布图像；
22.所述梯度幅值计算的步骤，具体包括：
23.计算所述待处理轨道图像中各个像素点的梯度幅值，以获得梯度幅值图像；
24.对所述梯度幅值图像进行平滑滤波和取反操作，得到所述概率分布图像。
25.较佳地，所述基于所述加权融合特征图像确定所述待处理轨道图像中的缺陷区域的步骤，包括：
26.对所述加权融合特征图像进行自适应阈值分割，得到二值图像；
27.对所述二值图像进行数学形态学开运算，以确定所述缺陷区域。
28.较佳地，所述方法还包括：
29.获取初始轨道图像；
30.对所述初始轨道图像进行滤波处理，以获得所述待处理轨道图像。
31.较佳地，所述滤波处理包括l0梯度最小化滤波和中值滤波。
32.第二方面，本发明提供一种轨道缺陷的检测系统，所述轨道缺陷的检测系统包括：
33.图像处理模块，用于对待处理轨道图像分别进行奇异值分解、显著性检测以及梯度幅值计算，以获得对应的若干特征图像；
34.特征融合模块，用于对所述若干特征图像进行加权融合，以获得加权融合特征图像；
35.缺陷检测模块，用于基于所述加权融合特征图像确定所述待处理轨道图像中的缺陷区域。
36.第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的轨道缺陷的检测方法。
37.第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的轨道缺陷的检测方法。
38.本发明的积极进步效果在于：本发明提供的轨道缺陷的检测方法通过对待处理轨道图像分别进行奇异值分解、显著性检测以及梯度幅值计算处理，并将获得的若干个特征图像进行加权融合，从而实现了结合视觉多特征融合的非监督机器视觉处理方法，能够对铁轨表面缺陷进行高效检测的同时，有效克服了负载环境下轨道图像中的背景杂波干扰，对环境适应性强，检测效果稳定，适用于多种尺度、形态的复杂轨道缺陷检测；并且其在实际应用时无需采集样本进行训练，具有较强的适用性和较低的应用成本。
附图说明
39.图1为本发明实施例1的轨道缺陷的检测方法的第一流程示意图。
40.图2为本发明实施例1的扫描输入的初始轨道图像。
41.图3为本发明实施例1的轨道缺陷的检测方法的部分流程示意图。
42.图4为本发明实施例1的经过滤波处理的待处理轨道图像。
43.图5为本发明实施例1的轨道缺陷的检测方法步骤s1中的奇异值分解的第一流程示意图。
44.图6为本发明实施例1的经过奇异值分解获得的奇异像素对比增强特征图像。
45.图7为本发明实施例1的轨道缺陷的检测方法步骤s1中的奇异值分解的第二流程示意图。
46.图8为本发明实施例1的经过奇异值分解获得的奇异行对比增强特征图像。
47.图9为本发明实施例1的轨道缺陷的检测方法步骤s1中的显著性检测的流程示意图。
48.图10为本发明实施例1的经过显著性检测获得的视觉显著性特征图像。
49.图11为本发明实施例1的轨道缺陷的检测方法步骤s1中的梯度幅值计算的流程示意图。
50.图12为本发明实施例1的经过梯度幅值计算获得的非边缘区域的概率分布图像。
51.图13为本发明实施例1的经过加权特征融合获得的多特征加权融合特征图像。
52.图14为本发明实施例1的轨道缺陷的检测方法步骤s3的子步骤流程示意图。
53.图15为本发明实施例1的经过阈值分割及形态学处理后获得的缺陷区域示意图。
54.图16为本发明实施例2的轨道缺陷的检测系统的模块示意图。
55.图17为本发明实施例3的用于实现轨道缺陷的检测方法的电子设备的结构示意图。
具体实施方式
56.下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
57.实施例1
58.本实施例公开了一种轨道缺陷的检测方法，其基于计算机视觉的多种特征融合处理，能够有效针对轨道表面的扫描图像进行检测，以确定出铁轨表面的缺陷区域。
59.具体地，如图1所示，该轨道缺陷的检测方法包括：
60.s1、对待处理轨道图像分别进行奇异值分解、显著性检测以及梯度幅值计算，以获得对应的若干特征图像；
61.s2、对若干特征图像进行加权融合，以获得加权融合特征图像；
62.s3、基于加权融合特征图像确定待处理轨道图像中的缺陷区域。
63.通常情况下，输入的扫描初始轨道图像i如图2所示，其中包括较多的干扰因素，若直接进行处理，则会严重降低最终检测结果的准确性，因此，作为一种优选的实施方式，如图3所示，上述方法还包括：
64.s101、获取初始轨道图像i；
65.s102、对初始轨道图像i进行滤波处理，以获得待处理轨道图像i0。
66.优选地，依次采用l0梯度最小化滤波和中值滤波进行图像预处理，以消除背景杂波和噪声干扰，从而获得如图4所示的待处理轨道图像i0。
67.具体地，先对直接获得的输入扫描图像i进行l0梯度最小化滤波，得到滤波后的图像s，再对图像s采用wm×hm
窗口尺度中值滤波，以得到待处理轨道图像i0，其中，wm表示中值滤波器的窗口宽度，hm表示中值滤波器的窗口高度。
68.其中，l0梯度最小化滤波的计算方式为：对于图像中某像素点p，i
p
和s
p
分别表示图像i和图像s在p点的像素值，梯度计算该点与其相邻像素在x轴和y轴方向的灰度差异，定义梯度测度表达式为
[0069][0070]
则l0梯度最小化滤波的目标函数表达式为
[0071][0072]
其中，表示对x方向计算偏导，表示对y方向计算偏导，#{
·
}表示获取满足条件的像素点的数量，λ表示权重系数。
[0073]
在本实施例中，权重系数λ的取值为0.05，中值滤波窗口尺度的取值为3
×
8。需要说明的是，上述取值仅作举例说明之用，并不因此将其局限于此，在具体实施过程中，可以根据实际需要对权重系数λ和中值滤波窗口尺度做任意取值。
[0074]
在本实施例中，待处理轨道图像i0分别包括a、b、c三种不同的轨道缺陷。其中，将平行于轨道的方向作为待处理轨道图像i0的x方向、将垂直于轨道的方向作为待处理轨道图像i0的y方向。
[0075]
对于步骤s1，分别对待处理轨道图像i0进行奇异值分解、显著性检测以及梯度幅值计算后，能够获得对应的若干特征图像i1、i2、i3……in
。
[0076]
在一种优选实施方式中，上述若干特征图像i1、i2、i3……in
包括奇异像素对比增强特征图像i1；
[0077]
步骤s1，如图5所示，具体包括：
[0078]
s11、计算待处理轨道图像i0中若干目标像素点与参考像素点的灰度值之间的差异，以获得奇异像素对比增强特征图像i1，其中，参考像素点与目标像素点之间的距离小于第一阈值。
[0079]
步骤s11包括统计计算各目标像素点与其所在局部区域内x方向的参考像素点的灰度值之间的差异，以获得待处理轨道图像i0的奇异像素对比增强特征图像i1(如图6所示)。其中，局部区域由与目标像素点距离不超过第一阈值的参考像素点的位置确定，其具体范围可以根据需要进行任意设置。
[0080]
具体地，奇异像素对比增强特征图像i1的计算方法为：设待处理轨道图像i0中像素点p的坐标和灰度值分别为(x
p
,y
p
)和则奇异像素对比增强特征图像i1中对应像素点p的灰度值为
[0081][0082]
其中，δ为表征第一阈值的正整数，在本实施例中，δ取待处理轨道图像i0x方向长度的0.1倍整数值。需要说明的是，此处的δ取值仅作举例说明之用，并不因此将其局限于此，在具体实施过程中，可以根据实际需要对δ做任意正整数取值。
[0083]
在一种优选实施方式中，上述若干特征图像i1、i2、i3……in
包括奇异行对比增强特征图像i2；
[0084]
步骤s1，如图7所示，具体包括：
[0085]
s12、计算待处理轨道图像i0中若干目标像素行与参考像素行的灰度值之间的差异，以获得奇异行对比增强特征图像i2，其中，参考像素行与目标像素行之间的距离小于第二阈值。
[0086]
步骤s12包括统计计算x方向上各目标像素行与其所在局部区域内x方向的参考像素行的灰度值之间的差异，以获得待处理轨道图像i0的奇异像素行对比增强特征图像i2(如图8所示)。其中，局部区域由与目标像素行距离不超过第二阈值的参考像素行的位置确定，其具体范围可以根据需要进行任意设置。
[0087]
具体地，奇异像素行对比增强特征图像i2的计算方法为：设待处理轨道图像i0中目标像素行x的所有灰度值构成特征向量f
x
∈ry，则奇异像素行对比增强特征图像i2中对应目标像素行x的各像素点的灰度值为
[0088][0089]
其中，δ为表征第二阈值的正整数，在本实施例中，δ取待处理轨道图像i0x方向长度的0.1倍整数值。需要说明的是，此处的δ取值仅作举例说明之用，并不因此将其局限于此，在具体实施过程中，可以根据实际需要对δ做任意正整数取值。
[0090]
在一种优选实施方式中，上述若干特征图像i1、i2、i3……in
包括视觉显著性特征图像i3；
[0091]
步骤s1，如图9所示，具体包括：
[0092]
s131、对待处理轨道图像i0进行傅里叶变换和相谱计算，得到视觉显著图；
[0093]
s132、对视觉显著图进行平滑滤波，得到视觉显著性特征图像i3。
[0094]
图10示出了上述视觉显著性特征图像i3，其中，视觉显著性特征图像i3的具体计算方法为：首先对待处理轨道图像i0提取傅里叶相谱
[0095]
p＝p{f(i0)}
[0096]
其中，f(
·
)表示傅里叶变换，p(
·
)表示相谱计算。
[0097]
然后，根据相谱p进行傅里叶反变换，以获得视觉显著图
[0098]
sf＝||f-1
(ei·
p
)||2[0099]
其中，f-1
(
·
)表示傅里叶变换。
[0100]
最后，对视觉显著图sf采用高斯平滑滤波，以得到视觉显著性特征图像i3。
[0101]
在本实施例中，高斯平滑滤波器窗口大小为待处理轨道图像i0y方向长度的0.2倍
整数值，高斯核σ取滤波窗口大小的0.25倍数值。需要说明的是，上述取值仅作举例说明之用，并不因此将其局限于此，在具体实施过程中，可以根据实际需要对高斯平滑滤波器窗口大小和高斯核σ做任意取值。
[0102]
在一种优选的实施方式中，上述若干特征图像i1、i2、i3……in
包括用于表征非边缘区域的概率分布图像i4；
[0103]
步骤s1，如图11所示，具体包括：
[0104]
s141、计算待处理轨道图像i0中各个像素点的梯度幅值，以获得梯度幅值图像；
[0105]
s142、对梯度幅值图像进行平滑滤波和取反操作，得到概率分布图像i4。
[0106]
图12示出了上述概率分布图像i4，其中，概率分布图像i4的具体计算方法为：首先计算待处理轨道图像i0中各像素点的梯度幅值，以获得待处理轨道图像i0对应的梯度幅值图像，然后对该梯度幅值图像进行高斯平滑滤波，最后再采用取反操作，得到表征非边缘区域的概率分布图像i4。
[0107]
在本实施例中，高斯平滑滤波器窗口大小为5
×
10，高斯核σ＝3.0。需要说明的是，上述取值仅作举例说明之用，并不因此将其局限于此，在具体实施过程中，可以根据实际需要对高斯平滑滤波器窗口大小和高斯核σ做任意取值。
[0108]
对于步骤s2，对上述获得的奇异像素对比增强特征图像i1、奇异行对比增强特征图像i2、视觉显著性特征图像i3和非边缘概率分布图像i4采用几何加权计算方法，以得到多特征加权融合特征图像if，如图13所示。
[0109]
具体地，多特征加权融合特征图像if的计算表达式为
[0110][0111]
其中，n(
·
)表示数值归一化，α1、α2、α3、α4分别表示各个特征图像所对应的几何权重。
[0112]
在本实施例中，权重α1、α2、α3、α4的取值分别为1.1、1.0、0.9和1.0。需要说明的是，上述取值仅作举例说明之用，并不因此将其局限于此，在具体实施过程中，可以根据实际需要对每一特征图像对应的几何权重进行任意取值。
[0113]
对于步骤s3，在一种优选的实施方式中，如图14所示，其包括：
[0114]
s31、对加权融合特征图像if进行自适应阈值分割，得到二值图像；
[0115]
s32、对二值图像进行数学形态学开运算，以确定缺陷区域。
[0116]
具体地，自适应阈值表达式为
[0117]
t(if)＝mean(if)+k
·
std(if)
[0118]
其中，mean(
·
)表示取像素灰度的均值，std(
·
)表示取像素灰度的标准差，k为标准差权重系数，通常取值范围为3.0～5.0。
[0119]
经过阈值分割及形态学处理后的图像效果如图15所示，其中白色区域即为最终确定出的缺陷区域。
[0120]
在本实施例中，k的取值为4.0，且二值分割后的数学形态学开运算中，首先采用4
×
4尺度圆形模板进行腐蚀操作，再采用7
×
7尺度圆形模板进行膨胀操作。
[0121]
需要说明的是，本发明所提供的轨道缺陷的检测方法经实验验证，对铁轨表面缺陷的检测正确率较高。在性能实验中，通过对含多种不同形态、尺度和外观缺陷共326处的
195张铁轨表面扫描图像数据进行测试，结果共检测出缺陷338处，其中真实缺陷309处，误检29处，故检测准确率为91.4％，检测查全率未94.8％。
[0122]
因此，本发明提供的轨道缺陷的检测方法通过对待处理轨道图像分别进行奇异值分解、显著性检测以及梯度幅值计算处理，并将获得的若干个特征图像进行加权融合，从而实现了结合视觉多特征融合的非监督机器视觉处理方法，能够对铁轨表面缺陷进行高效检测的同时，有效克服了负载环境下轨道图像中的背景杂波干扰，对环境适应性强，检测效果稳定，适用于多种尺度、形态的复杂轨道缺陷检测；并且其在实际应用时无需采集样本进行训练，具有较强的适用性和较低的应用成本。
[0123]
实施例2
[0124]
本实施例公开了一种轨道缺陷的检测系统，其基于计算机视觉的多种特征融合处理，能够有效针对轨道表面的扫描图像进行检测，以确定出铁轨表面的缺陷区域。
[0125]
具体地，如图16所示，该轨道缺陷的检测系统包括：
[0126]
图像处理模块1，用于对待处理轨道图像分别进行奇异值分解、显著性检测以及梯度幅值计算，以获得对应的若干特征图像；
[0127]
特征融合模块2，用于对若干特征图像进行加权融合，以获得加权融合特征图像；
[0128]
缺陷检测模块3，用于基于加权融合特征图像确定待处理轨道图像中的缺陷区域。
[0129]
通常情况下，输入的扫描初始轨道图像i如图2所示，其中包括较多的干扰因素，若直接进行处理，则会严重降低最终检测结果的准确性，因此，作为一种优选的实施方式，如图3所示，上述系统还包括预处理模块4，用于：
[0130]
获取初始轨道图像i；
[0131]
对初始轨道图像i进行滤波处理，以获得待处理轨道图像i0。
[0132]
优选地，预处理模块4依次采用l0梯度最小化滤波和中值滤波进行图像预处理，以消除背景杂波和噪声干扰，从而获得如图4所示的待处理轨道图像i0。
[0133]
具体地，预处理模块4先对直接获得的输入扫描图像i进行l0梯度最小化滤波，得到滤波后的图像s，再对图像s采用wm×hm
窗口尺度中值滤波，以得到待处理轨道图像i0，其中，wm表示中值滤波器的窗口宽度，hm表示中值滤波器的窗口高度。
[0134]
其中，l0梯度最小化滤波的计算方式为：对于图像中某像素点p，i
p
和s
p
分别表示图像i和图像s在p点的像素值，梯度表示该点与其相邻像素在x轴和y轴方向的灰度差异，定义梯度测度表达式为
[0135][0136]
则l0梯度最小化滤波的目标函数表达式为
[0137][0138]
其中，表示对x方向计算偏导，表示对y方向计算偏导，#{
·
}表示获取满足条件的像素点的数量，λ表示权重系数。
[0139]
在本实施例中，权重系数λ的取值为0.05，中值滤波窗口尺度的取值为3
×
8。需要说明的是，上述取值仅作举例说明之用，并不因此将其局限于此，在具体实施过程中，可以根据实际需要对权重系数λ和中值滤波窗口尺度做任意取值。
[0140]
在本实施例中，待处理轨道图像i0分别包括a、b、c三种不同的轨道缺陷。其中，将平行于轨道的方向作为待处理轨道图像i0的x方向、将垂直于轨道的方向作为待处理轨道图像i0的y方向。
[0141]
图像处理模块1分别对待处理轨道图像i0进行奇异值分解、显著性检测以及梯度幅值计算后，能够获得对应的若干特征图像i1、i2、i3……in
。
[0142]
在一种优选实施方式中，上述若干特征图像i1、i2、i3……in
包括奇异像素对比增强特征图像i1；
[0143]
图像处理模块1具体用于：
[0144]
计算待处理轨道图像i0中若干目标像素点与参考像素点的灰度值之间的差异，以获得奇异像素对比增强特征图像i1，其中，参考像素点与目标像素点之间的距离小于第一阈值。
[0145]
具体地，统计计算各目标像素点与其所在局部区域内x方向的参考像素点的灰度值之间的差异，以获得待处理轨道图像i0的奇异像素对比增强特征图像i1(如图6所示)。其中，局部区域由与目标像素点距离不超过第一阈值的参考像素点的位置确定，其具体范围可以根据需要进行任意设置。
[0146]
具体地，奇异像素对比增强特征图像i1的计算方法为：设待处理轨道图像i0中像素点p的坐标和灰度值分别为(x
p
,y
p
)和则奇异像素对比增强特征图像i1中对应像素点p的灰度值为
[0147][0148]
其中，δ为表征第一阈值的正整数，在本实施例中，δ取待处理轨道图像i0x方向长度的0.1倍整数值。需要说明的是，此处的δ取值仅作举例说明之用，并不因此将其局限于此，在具体实施过程中，可以根据实际需要对δ做任意正整数取值。
[0149]
在一种优选实施方式中，上述若干特征图像i1、i2、i3……in
包括奇异行对比增强特征图像i2；
[0150]
图像处理模块1具体用于：
[0151]
计算待处理轨道图像i0中若干目标像素行与参考像素行的灰度值之间的差异，以获得奇异行对比增强特征图像i2，其中，参考像素行与目标像素行之间的距离小于第二阈值。
[0152]
具体地，统计计算x方向上各目标像素行与其所在局部区域内x方向的参考像素行的灰度值之间的差异，以获得待处理轨道图像i0的奇异像素行对比增强特征图像i2(如图8所示)。其中，局部区域由与目标像素行距离不超过第二阈值的参考像素行的位置确定，其具体范围可以根据需要进行任意设置。
[0153]
具体地，奇异像素行对比增强特征图像i2的计算方法为：设待处理轨道图像i0中目标像素行x的所有灰度值构成特征向量f
x
∈ry，则奇异像素行对比增强特征图像i2中对应目标像素行x的各像素点的灰度值为
[0154][0155]
其中，δ为表征第二阈值的正整数，在本实施例中，δ取待处理轨道图像i0x方向长度的0.1倍整数值。需要说明的是，此处的δ取值仅作举例说明之用，并不因此将其局限于此，在具体实施过程中，可以根据实际需要对δ做任意正整数取值。
[0156]
在一种优选实施方式中，上述若干特征图像i1、i2、i3……in
包括视觉显著性特征图像i3；
[0157]
图像处理模块1具体用于：
[0158]
对待处理轨道图像i0进行傅里叶变换和相谱计算，得到视觉显著图；
[0159]
对视觉显著图进行平滑滤波，得到视觉显著性特征图像i3。
[0160]
图10示出了上述视觉显著性特征图像i3，其中，视觉显著性特征图像i3的具体计算方法为：首先对待处理轨道图像i0提取傅里叶相谱
[0161]
p＝p{f(i0)}
[0162]
其中，f(
·
)表示傅里叶变换，p(
·
)表示相谱计算。
[0163]
然后，根据相谱p进行傅里叶反变换，以获得视觉显著图
[0164]
sf＝||f-1
(ei·
p
)||2[0165]
其中，f-1
(
·
)表示傅里叶变换。
[0166]
最后，对视觉显著图sf采用高斯平滑滤波，以得到视觉显著性特征图像i3。
[0167]
在本实施例中，高斯平滑滤波器窗口大小为待处理轨道图像i0y方向长度的0.2倍整数值，高斯核σ取滤波窗口大小的0.25倍数值。需要说明的是，上述取值仅作举例说明之用，并不因此将其局限于此，在具体实施过程中，可以根据实际需要对高斯平滑滤波器窗口大小和高斯核σ做任意取值。
[0168]
在一种优选的实施方式中，上述若干特征图像i1、i2、i3……in
包括用于表征非边缘区域的概率分布图像i4；
[0169]
图像处理模块1具体用于：
[0170]
计算待处理轨道图像i0中各个像素点的梯度幅值，以获得梯度幅值图像；
[0171]
对梯度幅值图像进行平滑滤波和取反操作，得到概率分布图像i4。
[0172]
图12示出了上述概率分布图像i4，其中，概率分布图像i4的具体计算方法为：首先计算待处理轨道图像i0中各像素点的梯度幅值，以获得待处理轨道图像i0对应的梯度幅值图像，然后对该梯度幅值图像进行高斯平滑滤波，最后再采用取反操作，得到表征非边缘区域的概率分布图像i4。
[0173]
在本实施例中，高斯平滑滤波器窗口大小为5
×
10，高斯核σ＝3.0。需要说明的是，上述取值仅作举例说明之用，并不因此将其局限于此，在具体实施过程中，可以根据实际需要对高斯平滑滤波器窗口大小和高斯核σ做任意取值。
[0174]
特征融合模块2对从图像处理模块1获得的奇异像素对比增强特征图像i1、奇异行对比增强特征图像i2、视觉显著性特征图像i3和非边缘概率分布图像i4采用几何加权计算方法进行加权融合，以得到多特征加权融合特征图像if，如图13所示。
[0175]
具体地，多特征加权融合特征图像if的计算表达式为
[0176][0177]
其中，n(
·
)表示数值归一化，α1、α2、α3、α4分别表示各个特征图像所对应的几何权重。
[0178]
在本实施例中，权重α1、α2、α3、α4的取值分别为1.1、1.0、0.9和1.0。需要说明的是，上述取值仅作举例说明之用，并不因此将其局限于此，在具体实施过程中，可以根据实际需要对每一特征图像对应的几何权重进行任意取值。
[0179]
对于缺陷检测模块3，在一种优选的实施方式中，其用于：
[0180]
对加权融合特征图像if进行自适应阈值分割，得到二值图像；
[0181]
对二值图像进行数学形态学开运算，以确定缺陷区域。
[0182]
具体地，自适应阈值表达式为
[0183]
t(if)＝mean(if)+k
·
std(if)
[0184]
其中，mean(
·
)表示取像素灰度的均值，std(
·
)表示取像素灰度的标准差，k为标准差权重系数，通常取值范围为3.0～5.0。
[0185]
经过阈值分割及形态学处理后的图像效果如图15所示，其中白色区域即为最终确定出的缺陷区域。
[0186]
在本实施例中，k的取值为4.0，且二值分割后的数学形态学开运算中，首先采用4
×
4尺度圆形模板进行腐蚀操作，再采用7
×
7尺度圆形模板进行膨胀操作。
[0187]
需要说明的是，本发明所提供的轨道缺陷的检测系统经实验验证，对铁轨表面缺陷的检测正确率较高。在性能实验中，通过对含多种不同形态、尺度和外观缺陷共326处的195张铁轨表面扫描图像数据进行测试，结果共检测出缺陷338处，其中真实缺陷309处，误检29处，故检测准确率为91.4％，检测查全率未94.8％。
[0188]
因此，本发明提供的轨道缺陷的检测系统通过图像处理模块对待处理轨道图像分别进行奇异值分解、显著性检测以及梯度幅值计算处理，并将获得的若干个特征图像通过特征融合模块进行加权融合，从而实现了结合视觉多特征融合的非监督机器视觉处理方法，能够对铁轨表面缺陷进行高效检测的同时，有效克服了负载环境下轨道图像中的背景杂波干扰，对环境适应性强，检测效果稳定，适用于多种尺度、形态的复杂轨道缺陷检测；并且其在实际应用时无需采集样本进行训练，具有较强的适用性和较低的应用成本。
[0189]
实施例3
[0190]
图17为本发明实施例3提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1所提供的轨道缺陷的检测方法。图17显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0191]
如图17所示，电子设备40可以以通用计算设备的形式表现，例如其可以为服务器设备。电子设备40的组件可以包括但不限于：上述至少一个处理器41、上述至少一个存储器42、连接不同系统组件(包括存储器42和处理器41)的总线43。
[0192]
总线43包括数据总线、地址总线和控制总线。
[0193]
存储器42可以包括易失性存储器，例如随机存取存储器(ram)421和/或高速缓存存储器422，还可以进一步包括只读存储器(rom)423。
[0194]
存储器42还可以包括具有一组(至少一个)程序模块424的程序/实用工具425，这样的程序模块424包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0195]
处理器41通过运行存储在存储器42中的计算机程序，从而执行各种功能应用以及数据处理，例如本发明实施例1所提供的轨道缺陷的检测方法。
[0196]
电子设备40也可以与一个或多个外部设备44(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(i/o)接口45进行。并且，模型生成的设备40还可以通过网络适配器46与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器46通过总线43与模型生成的设备40的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
[0197]
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
[0198]
实施例4
[0199]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现实施例1所提供的轨道缺陷的检测方法。
[0200]
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
[0201]
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行实现实施例1所提供的轨道缺陷的检测方法。
[0202]
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
[0203]
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。