一種基于改進(jìn)的Sobel算法鋼軌表面損傷語(yǔ)義分割方法*

*基金：湖南省教育廳資助科研項(xiàng)目（19C1214）

作者簡(jiǎn)介：曾樹(shù)華(1980—)，通信作者，男，湖南衡陽(yáng)人，副教授，湖南鐵路科技職業(yè)技術(shù)學(xué)院，碩士，主要領(lǐng)域鋼軌探傷、圖像識(shí)別。

黃銀秀(1980—)，女，湖南株洲人，副教授，湖南化工職業(yè)技術(shù)學(xué)院，碩士，職業(yè)教育研究。

0   引言

隨著鐵路運(yùn)輸?shù)闹剌d化、高頻化愈加頻繁，鋼軌受到頻繁強(qiáng)力撞擊，傷損頻繁。鐵路運(yùn)輸間歇時(shí)間短暫，效率低下的人工檢查方式致使作為鐵路安全運(yùn)營(yíng)之基的鋼軌無(wú)法及時(shí)有效排除隱患，給鐵路安全運(yùn)行帶來(lái)巨大挑戰(zhàn)。在鋼軌損傷中，尤以表面?zhèn)麚p數(shù)量居多，檢測(cè)效率低，最易被忽視，增加行車(chē)危險(xiǎn)系數(shù)和維護(hù)成本。近年來(lái)，高效自動(dòng)的鋼軌表面?zhèn)麚p檢測(cè)技術(shù)成為學(xué)者們研究的重點(diǎn)，包括渦流檢測(cè)技術(shù)、漏磁檢測(cè)技術(shù)、超聲檢測(cè)技術(shù)和機(jī)器視覺(jué)技術(shù)等。其中，渦流檢測(cè)方法在鄰近多裂紋傷損情況下容易出現(xiàn)漏檢錯(cuò)檢；漏磁檢測(cè)方法因其依賴(lài)人工目檢，檢測(cè)速度和準(zhǔn)確度無(wú)法保證；超聲檢測(cè)方法存在近表面檢測(cè)盲區(qū)，難以可靠檢測(cè)表面?zhèn)麚p。故近年來(lái)，隨著計(jì)算速度提升和先進(jìn)算法的出現(xiàn)，機(jī)器視覺(jué)技術(shù)在鋼軌表面?zhèn)麚p的應(yīng)用越來(lái)越受到廣大學(xué)者們的關(guān)注，基于機(jī)器視覺(jué)技術(shù)的鋼軌表面?zhèn)麚p檢測(cè)技術(shù)已經(jīng)作為軌檢輔助措施之一逐步開(kāi)發(fā)出各種軌檢車(chē)^[1]。

邊緣檢測(cè)算法中的微分算子法在其他機(jī)器視覺(jué)應(yīng)用領(lǐng)域得到廣泛應(yīng)用，其中Canny 和Log 算子的檢測(cè)精度較高，受到廣泛關(guān)注，但因其算法復(fù)雜，而不適合實(shí)時(shí)性高的領(lǐng)域；Roberts 和Prewitt 算子的計(jì)算工作量小，但精度不高，在一些精度要求不高的場(chǎng)景有較廣應(yīng)用；Sobel 算子法的算法更簡(jiǎn)單，特別適合實(shí)時(shí)性要求高的鋼軌檢測(cè)領(lǐng)域^[2]，為此，各種提升檢測(cè)精度的改進(jìn)Sobel 算子法陸續(xù)推出。劉源改進(jìn)了Sobel 算子檢測(cè)方法，利用四方向結(jié)合動(dòng)態(tài)閾值得到更好的邊緣檢測(cè)效果^[3]。張?chǎng)┌亟Y(jié)合二值形態(tài)處理將鋼軌輪廓從背景中檢測(cè)出來(lái)^[4]。蔣超等人通過(guò)計(jì)算像素的一階導(dǎo)數(shù)的局部最大值和二階導(dǎo)數(shù)的過(guò)零點(diǎn)來(lái)連接適當(dāng)?shù)南袼?，以獲得缺陷邊緣，該方法雖然具有有效的噪聲抑制，但耗時(shí)較長(zhǎng)^[5]。潘少偉等人利用八個(gè)方向的Sobel 算子對(duì)巖心圖像邊緣進(jìn)行檢測(cè)，取得不錯(cuò)的效果^[6]，本文擬引入對(duì)鋼軌表面?zhèn)麚p進(jìn)行檢測(cè)。

1   經(jīng)典Sobel算子

經(jīng)典Sobel 算子自提出以來(lái)被廣泛使用于各種邊緣檢測(cè)，該算子的思路是先使用3×3 的卷積模板對(duì)被檢圖進(jìn)行加權(quán)平均，以便降低邊緣模糊程度，其卷積模板如圖1 所示。

圖1 Sobel算子卷積模板

對(duì)于任意圖像中的像素點(diǎn)假設(shè)為f (x,y)，則圖像在此點(diǎn)的梯度是一個(gè)矢量，包括幅值和方向，其幅值計(jì)算公示如式1 定義為：

定義它的方向（角度）如式2

具體算法步驟如下：

1）在水平方向和豎直方向用Sobel 算子卷積模板遍歷全部圖像數(shù)據(jù)，圖像數(shù)據(jù)點(diǎn)為模板的中心點(diǎn)。

2）圖像數(shù)據(jù)中每個(gè)像素點(diǎn)對(duì)應(yīng)的兩個(gè)模板進(jìn)行離散卷積運(yùn)算，則每個(gè)像素點(diǎn)對(duì)應(yīng)有兩個(gè)值，取兩個(gè)值中的較大者為像素點(diǎn)的灰度值，得到圖像對(duì)應(yīng)的新數(shù)據(jù)集。

3）邊緣判斷：規(guī)定一閾值于新數(shù)據(jù)集進(jìn)行比較，若數(shù)據(jù)集中數(shù)據(jù)大于閥值判斷為邊緣點(diǎn)，連接所有邊緣點(diǎn)得到圖像邊緣。

2   改進(jìn)的Sobel算子檢測(cè)方法

改進(jìn)的Sobel 算子的像素點(diǎn)梯度利用5×5梯度模板進(jìn)行計(jì)算，將檢測(cè)角度增加到8個(gè)，圖2是其梯度模版矩陣分別定義。改進(jìn)的Sobel 算子增加了斜線方向的權(quán)重，有利于更細(xì)節(jié)的特征信號(hào)提取。在此基礎(chǔ)上，調(diào)整了判斷閥值。

圖2 改進(jìn)的Sobel算子卷積模板

3   實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證改進(jìn)的算法對(duì)鋼軌表面?zhèn)麚p定位的準(zhǔn)確性，對(duì)采集的鋼軌表面?zhèn)麚p圖片進(jìn)行比對(duì)傷損識(shí)別實(shí)驗(yàn)^[6]。采MATLAB2016 軟件進(jìn)行編程實(shí)驗(yàn)，結(jié)果如圖3 所示。其中圖3（a）為帶扎傷鋼軌原圖，圖3（b）為傳統(tǒng)Sobel 算子檢測(cè)圖，采用的是MATLAB 自帶的Sobel 算子，圖3（c）是改進(jìn)的Sobel 算子檢測(cè)效果圖。由圖3 可知，傳統(tǒng)Sobel 算子在檢測(cè)鋼軌表面扎傷傷損時(shí)存在漏檢和誤檢，效果差，改進(jìn)的Sobel 算子檢測(cè)方法成功的檢測(cè)出兩處扎傷，無(wú)誤檢漏檢。

4   結(jié)束語(yǔ)

本文以傳統(tǒng)Sobel 算子為基礎(chǔ)，改進(jìn)了Sobel 算子邊緣檢測(cè)方法：將其檢測(cè)方向增加到8 個(gè)，并更改了判斷閥值，并應(yīng)用于鋼軌表面扎傷檢測(cè)實(shí)驗(yàn)中。新算法經(jīng)實(shí)驗(yàn)表明：能有效檢測(cè)鋼軌表面，無(wú)錯(cuò)檢漏檢。本方法實(shí)驗(yàn)數(shù)量有限，效果尚需進(jìn)一步大數(shù)據(jù)驗(yàn)證。

參考文獻(xiàn)：

[1] 田貴云,高斌,高運(yùn)來(lái),等.鐵路鋼軌缺陷傷損巡檢與監(jiān)測(cè)技術(shù)綜述[J].儀器儀表學(xué)報(bào),2016,37(8):1763-1780.

[2] 管宏蕊,丁輝.圖像邊緣檢測(cè)經(jīng)典算法研究綜述[J].首都師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,30(S1):66-69.

[3] 劉源,夏春蕾.一種基于Sobel算子的帶鋼表面缺陷圖像邊緣檢測(cè)算法[J].電子測(cè)量技術(shù),2021,44(3):138-143.

[4] 張?chǎng)┌?柴曉冬,鄭樹(shù)彬,等.基于二值形態(tài)學(xué)算子的軌道圖像分割新算法[J].測(cè)控技術(shù),2018,37(10):10-13,21.

[5] 蔣超,牛宏俠.基于改進(jìn)Radon變換的直線鋼軌識(shí)別算法[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì),2017,61(4):19-22.

[6] 王平,劉澤,王嵬,等.基于數(shù)字圖像處理和特征提取的鋼軌表面缺陷識(shí)別方法[J].現(xiàn)代科學(xué)儀器,2012(2):24-28.

[7] 甘金瑞,李啟元等.基于分層提取器的可視軌道表面檢查系統(tǒng)[J].IEEE傳感器學(xué)報(bào),2017,17(23):7935-7944.

（本文來(lái)源于《電子產(chǎn)品世界》雜志2021年11月期）