基于机器视觉的钢轨表面损伤检测研究

53
ELECTRONIC ENGINEERING & PRODUCT WORLD      2021.12
设计应用
esign & Application
D
基于机器视觉的钢轨表面损伤检测研究
*
Research on rail surface damage detection based on machine vision
曾树华1,黄银秀2
(1.湖南铁路科技职业技术学院,湖南 株洲 412006;2.湖南化工职业技术学院,湖南 株洲 412001)
摘 要:目的:为探寻钢轨表面伤损机器视觉检测有效方法,验证经典的5种边缘检测算法在钢轨表面损伤检测;方法:利用采集的带扎伤钢轨图片,在MATLAB2016版本进行检测实验;结果:log检测法、Canny检测法存在错检,roberts检测法、prewitt检测法、sobe检测法错在漏检;结论:经典的5种边缘检测算法在钢轨表面损伤检测无法达到工业级效果。
关键词:机器视觉;边缘检测算法;钢轨表面损伤*基金支持:湖南省教育厅资助科研项目(19C1214)
河灯怎么做ZENG  Shu -hua 1, HUANG  Yin -xiu 2
(1. Hunan  V ocational  College  of  Railway  Technology ,Zhuzhou  412006,China ;2. HuNan  Chemical  V ocational  Technology  College , Zhuzhou  Hunan  412006)
Abstract : Objective : In  order  to  explore  an  effective  method  of  machine  vision  detection  of  rail  surface  damage , five  classical  edge  detection  algorithms  are  verified  in  rail  surface  damage  detection ; Methods : Using  the  collected  rail  pictures  with  puncture  injury , the  detection  experiment  was  carried  out  in  MATLAB2016 version ; Results : Log  test  and  canny  test  were  wrong , but  Roberts  test , Prewitt  test  and  SOBE  test  were  wrong ; Conclusion : The  five  classical  edge  detection  algorithms  can  not  achieve  industrial  effect  in  rail  surface 
damage  detection .
Key  words : Machine  vision ; Edge  detection  algorithm ; Rail  surface  damage
钢轨是轨道交通之基石,健康钢轨是轨道交通安全之基石,然而,铁路运输高频、重载现象造成钢轨病害进程加速,及时发现钢轨表、里伤损成为轨道交通运输企业的安全重负:机器检存在表面伤损检测盲区,高度依赖人工检的现状造成漏检、错检频发,故高效自动探伤技术一直是铁路探伤工的追求。
目前钢轨探伤技术层出不穷,就技术流派来看有超声波探伤、涡流探伤、射线探伤、激光探伤、磁粉探伤等。超声波探伤是目前应用最广的一种钢轨探伤技术,它利用探头发射超声波,声束在介质传输过程中遇到缺陷界面,将产生反射或使穿透波声能下降,探伤仪接收
合成皮革作者简介:通信作者:曾树华(1980—),男,湖南衡阳人,副教授,硕士,主要领域钢轨探伤、图像识别。黄银秀(1980—),女,湖南株洲人,副教授,硕士,职业教育研究。
端接收到回波和穿透波,根据回波信号和穿透波信号强弱变化判断缺陷。但在近表面,超声波存在准确度很低、形成近表面探测盲区的情况,故一般不用于钢轨表面探伤情况。涡流探伤是利用通电线圈产生交变磁场,磁场将以钢轨为导磁体,在钢轨内部形成涡流,当存在缺陷时会引起涡流变化,进而
甲基化学式导致检测线圈电压和阻抗的改变,从而判断缺陷的存在及其他信息,涡流探伤在单缺陷情况下检测精度较高,但在邻近存在多缺陷情况下容易出现误判和漏判。磁粉探伤技术是将钢轨磁化,利用钢轨缺陷处磁导率与正常处磁导率存在差异,吸引磁粉堆积也存在差异,再目测堆积磁粉的差异判断是否存在
加热炉燃烧器Copyright©博看网 www.bookan. All Rights Reserved.
电子产品世界
高纯球形硅微粉伤损,其最终还是依赖人工目测,故只作为钢轨检测的辅助技术。
1  机器视觉边缘检测技术
相对上述技术,机器视觉出现更晚,但随着各种人工智能快速发展,各种算法不断出现,精度得到大幅提高。在伤损检测中,准确识别缺陷边缘是最核心之处,常用的边缘检测技术有Roberts算子、Prewitt算子、Sobel算子、Canny和其他一些边缘自适应算法。Roberts算子是利用交叉微分算法,通过计算2X2模版上正负45°的一阶导数得到偏导数,再通过局部差分数值确定检测边缘。该方法计算简单,但对边缘定位准确度不高,且边缘线条较粗。Prewitt算子是在3×3模版上,利用区域内上下、左右邻点的像素灰度差实现边缘检测。由于Prewitt算子采用上下、左右邻点的像素灰度差而非45O交叉
计算偏导数,再取一定阈值定位边缘,故在垂直方向和水平方向效果优于Robert算子,并有一定平滑噪声效果。Sobel算子与Prewitt算子一样,采用的是3×3模版,利用区域内上下、左右邻点的像素灰度差实现边缘检测。但与Prewitt算子不同的是,Sobel算子区分了距离不同的像素点对当前像素点的影响因子,引入不同权重,简单来说,距离越近,权重越大,距离越远,权重越小,从而实现图像锐化,边缘检测效果好。log边缘检测算法,Laplacian算子是n维欧几里德空间中的一个二阶微分算子,中心像素往邻近的上下左右四个方向或八方向求微分,再将微分值求和,Laplacian算子用于边缘识别时优点在于准确度高,几乎无假边缘,但抗噪能力差。Canny边缘检测与log边缘检测算法一样的步骤:先平滑,后求导数。先是对图像进行预处理,采用高斯平滑滤波,接着计算梯度幅值和方向,对梯度幅值进行非极大抑制,剔除假边缘;最后采用高低两阈值寻求边缘连接点,闭合图像边缘。
2  钢轨表面损伤边缘检测比较实验
为验证上述5种边缘检测技术在钢轨表面伤损的检测效果,本文做了对比实验,实验原始图片来自自拍的一段钢轨,钢轨表面带砸伤,图1(a)是灰度化后的原始图片,分别编写canny算子边缘检测程序、log边缘检测程序、sobel边缘检测程序、roberts边缘检测程序、prewitt边缘检测程序,在MATLAB2016环境下检测钢轨边缘,分别得到图1(b-f
中空玻璃全自动打胶机
)。
 (a)  (b)  (c)  (d)  (e)  (f)
图1边缘检测效果图
图中可见,对于(a)图所示的钢轨表面伤损,检测效果最好的是log算子检测方法,但还是有很多背景被检测成边缘,且整块扎伤被检成蜂窝状伤损。Canny算子检测法出现大类假边缘,其他三种roberts、prewitt、sobel只检测出伤损最突出处,其他都被漏检,大幅改变伤损形状,降低伤损损坏程度。
3  结束语
本文在介绍了钢轨探伤技术现状的基础上,针对钢轨表面伤损机器检这一技术难题,采用机器视觉的五种传统边缘检测技术检测表面伤损,得到如下结论:钢轨表面伤损形态多样,图片采集时背景复杂,利用传统的边缘检测方法检测伤损总体上都存在错检漏检,难以达到工业级需求,需进一步改进算法。
参考文献:
[1] 田贵云,高斌,高运来,等.铁路钢轨缺陷伤损巡检与监测技术综述[J].仪器仪表学报,2016,37(8):1763-1780.
[2] 管宏蕊,丁辉.图像边缘检测经典算法研究综述[J].首都师范大学学报(自然科学版),2009,30(S1):66-69.
[3] 刘泽,王嵬,王平.钢轨表面缺陷检测机器视觉系统的设计[J].电子测量与仪器学报,2010,24(11):1012-1017.
[4] 付圣雯. 基于图像的钢轨轨面缺陷检测识别技术研究[D].兰州:兰州交通大学,2020.
[5] 龙珍,唐曼玲,李静静.基于机器视觉的钢轨缺陷检测方法综述[J].电子技术与软件工程,2015(12):133.
[6] 王平,刘泽,王嵬,等.基于数字图像处理和特征提取的钢轨表面缺陷识别方法[J].现代科学仪器,2012(2):24-28.
Copyright©博看网 www.bookan. All Rights Reserved.54

本文发布于:2024-09-20 15:07:19,感谢您对本站的认可!

本文链接:https://www.17tex.com/tex/4/275508.html

版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。

标签:检测   钢轨   边缘   表面   伤损   探伤   技术   缺陷
留言与评论(共有 0 条评论)
   
验证码:
Copyright ©2019-2024 Comsenz Inc.Powered by © 易纺专利技术学习网 豫ICP备2022007602号 豫公网安备41160202000603 站长QQ:729038198 关于我们 投诉建议