基于OpenCV的钢轨裂纹检测

摘 要

本文提出了一种基于OpenCV图像处理技术的钢轨裂纹检测方法，首先对采集的图像进行预处理，通过中值滤波滤除图像中的噪声，然后利用数学形态学构造边缘检测算子检测出缺陷的边缘，并分割出最大缺陷区域，提取裂纹的位置。

【关键词】OpenCV 裂纹检测 数学形态学操作

现代铁路运输给人们的工作、生活与学习带来极大便利，就需要生产出高质量和高性能的钢轨。但是钢轨在轧制、酸洗过程中，因为轧制设备和生产工艺等诸多因素的影响，导致其表面出现裂边、夹杂、划伤、压印等不同类型的缺陷。表面缺陷是影响铁轨质量的主要因素。传统的钢轨裂纹检测都是由人工目测抽检或频闪光检测实现的，但效率低下、成本偏高。如果将机器视觉识别这方面的技术应用到钢轨裂纹检测，那将带动钢铁企业的产品质量提高与利益增长。

1 裂纹检测流程

本文提出了一种基于机器视觉识别工具OpenCV图像处理技术的钢轨裂纹检测方法，通过不同的图像处理算法：预处理图像（光线补偿与灰度化），滤除图像的噪声，提取缺陷的边缘，提取缺陷区域的特征量，实现检测钢轨裂纹的目标。具体的处理流程为：图像预处理与去噪，图像分割与特征提取。

2 图像预处理与去噪

在摄像头的捕捉过程中，可能会存在光线不平衡，这影响了对特征的提取。考虑到背景模型对光线变化比较敏感。在有金属设备的室内场景中，需要对摄像头捕捉的图像序列进行光线补偿。彩色图像由于信息容量比灰度图像大，因此处理难度大、速度慢，而且在识别一般图像的过程中，灰度图像所含的信息量已经足够，因此先将彩色图像转换为灰度图像。

中值滤波是一种非线性滤波。中值滤波在一定条件下可以克服线性滤波器如最小均方滤波、均值滤波等带来的图像细节的模糊，而且对滤除椒盐噪声最为有效。其滤波原理为对模板 S（像素个数为 M）下图像 F （ x，y）的 M 个像素进行排序，用其中间值代替模板中心下图像像素值 g （ x，y）的操作。M 一般取奇数，以便有中间像素，若 M 为偶数，则中值取中间两像素灰度值的平均值。

g （x，y）= Med{F（x-i，y-j），（i，j∈M）} 公式（2.1）

式中，F （x-i，y-j）代表模板下图像的灰度值。图像预处理与去噪处理后的图像如图1。

3 图像分割

对钢轨裂纹的检测最重要的步骤就是提取边缘，分割图像。只有这样才能更方便地进行后期的缺陷定位与识别。本文是利用数学形态学构造边缘检测算子检测出缺陷的边缘。数学形态学有四种基本运算，其中的膨胀可使目标增大，孔洞缩小，腐蚀可以收缩图像的边界，内孔增大，消除外部孤立的噪声。

设有两幅图象B，X。若X是被处理的对象，而B是用来处理X的，则称B为结构元素。把结构元素B平移a后得到Ba，若Ba包含于X，记下a点，所有满足上述条件的a点组成的集合称做X被B腐蚀的结果，表示为E（X） = {a | BaX}= XB。而膨胀可看做是腐蚀的对偶运算，其定义是：把结构元素B平移a后得到Ba，若Ba击中X，记下a点。所有满足上述条件的a点组成的集合称做X被B膨胀的结果，表示为：D（X） = {a | Ba↑X} = XB。利用数学形态学构造的边缘检测分割效果图如图2。

4 总结

钢轨缺陷类型较多且复杂，由于只检测了少量缺陷种类，所以应用到实时监测中还有很大一段距离。本文针对钢轨表面缺陷特点使用中值滤波去噪、膨胀、腐蚀等一系列处理，获得了缺陷大致轮廓和位置等信息。

参考文献

[1]徐超.基于OpenCV图像处理技术在冰清检测中的应用[A].信息技术，2014（03）.

[2]曹宇.基于 CCD 图像的表面裂纹检测[B].仪器仪表/检测/监控，2014（12）.

[2]厉荣宣.基于图像处理的轴类零件表面裂纹检测[A].图学学报，2015（02）.

作者简介

唐曼玲（1993-），女，四川省成都市人。现为西南科技大学信息工程学院通信工程专业2012级本科生。

龙珍（1993-），女，四川省内江市人。现为西南科技大学信息工程学院电子信息工程专业2012级本科生。

作者单位

西南科技大学 四川省绵阳市 621000