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(zhù)鐵路運輸的重載化、高頻化愈加頻繁，鋼軌受到頻繁強力撞擊，傷損頻繁。鐵路運輸間歇時(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，給鐵路安全運行帶來(lái)巨大挑戰。在鋼軌損傷中，尤以表面傷損數量居多，檢測效率低，最易被忽視，增加行車(chē)危險系數和維護成本。近年來(lái)，高效自動(dòng)的鋼軌表面傷損檢測技術(shù)成為學(xué)者們研究的重點(diǎn)，包括渦流檢測技術(shù)、漏磁檢測技術(shù)、超聲檢測技術(shù)和機器視覺(jué)技術(shù)等。其中，渦流檢測方法在鄰近多裂紋傷損情況下容易出現漏檢錯檢；漏磁檢測方法因其依賴(lài)人工目檢，檢測速度和準確度無(wú)法保證；超聲檢測方法存在近表面檢測盲區，難以可靠檢測表面傷損。故近年來(lái)，隨著(zhù)計算速度提升和先進(jìn)算法的出現，機器視覺(jué)技術(shù)在鋼軌表面傷損的應用越來(lái)越受到廣大學(xué)者們的關(guān)注，基于機器視覺(jué)技術(shù)的鋼軌表面傷損檢測技術(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]。

邊緣檢測算法中的微分算子法在其他機器視覺(jué)應用領(lǐng)域得到廣泛應用，其中Canny 和Log 算子的檢測精度較高，受到廣泛關(guān)注，但因其算法復雜，而不適合實(shí)時(shí)性高的領(lǐng)域；Roberts 和Prewitt 算子的計算工作量小，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領(lǐng)域^[2]，為此，各種提升檢測精度的改進(jìn)Sobel 算子法陸續推出。劉源改進(jìn)了Sobel 算子檢測方法，利用四方向結合動(dòng)態(tài)閾值得到更好的邊緣檢測效果^[3]。張?chǎng)┌亟Y合二值形態(tài)處理將鋼軌輪廓從背景中檢測出來(lái)^[4]。蔣超等人通過(guò)計算像素的一階導數的局部最大值和二階導數的過(guò)零點(diǎn)來(lái)連接適當的像素，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(cháng)^[5]。潘少偉等人利用八個(gè)方向的Sobel 算子對巖心圖像邊緣進(jìn)行檢測，取得不錯的效果^[6]，本文擬引入對鋼軌表面傷損進(jìn)行檢測。

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，該算子的思路是先使用3×3 的卷積模板對被檢圖進(jìn)行加權平均，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

對于任意圖像中的像素點(diǎn)假設為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據，圖像數據點(diǎn)為模板的中心點(diǎn)。

2）圖像數據中每個(gè)像素點(diǎn)對應的兩個(gè)模板進(jìn)行離散卷積運算，則每個(gè)像素點(diǎn)對應有兩個(gè)值，取兩個(gè)值中的較大者為像素點(diǎn)的灰度值，得到圖像對應的新數據集。

3）邊緣判斷：規定一閾值于新數據集進(jìn)行比較，若數據集中數據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)行計算，將檢測角度增加到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(xiàn)方向的權重，有利于更細節的特征信號提取。在此基礎上，調整了判斷閥值。

圖2 改進(jìn)的Sobel算子卷積模板

3   實(shí)驗結果與分析

為了驗證改進(jìn)的算法對鋼軌表面傷損定位的準確性，對采集的鋼軌表面傷損圖片進(jìn)行比對傷損識別實(shí)驗^[6]。采MATLAB2016 軟件進(jìn)行編程實(shí)驗，結果如圖3 所示。其中圖3（a）為帶扎傷鋼軌原圖，圖3（b）為傳統Sobel 算子檢測圖，采用的是MATLAB 自帶的Sobel 算子，圖3（c）是改進(jìn)的Sobel 算子檢測效果圖。由圖3 可知，傳統Sobel 算子在檢測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 算子檢測方法成功的檢測出兩處扎傷，無(wú)誤檢漏檢。

4   結束語(yǔ)

本文以傳統Sobel 算子為基礎，改進(jìn)了Sobel 算子邊緣檢測方法：將其檢測方向增加到8 個(gè)，并更改了判斷閥值，并應用于鋼軌表面扎傷檢測實(shí)驗中。新算法經(jīng)實(shí)驗表明：能有效檢測鋼軌表面，無(wú)錯檢漏檢。本方法實(shí)驗數量有限，效果尚需進(jìn)一步大數據驗證。

參考文獻：

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

[2] 管宏蕊,丁輝.圖像邊緣檢測經(jīng)典算法研究綜述[J].首都師范大學(xué)學(xué)報(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算法[J].電子測量技術(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(xiàn)鋼軌識別算法[J].鐵道標準設計,2017,61(4):19-22.

[6] 王平,劉澤,王嵬,等.基于數字圖像處理和特征提取的鋼軌表面缺陷識別方法[J].現代科學(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[J].IEEE傳感器學(xué)報,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）