基于机器视觉的枕轨生产质量检测方法与流程

本发明涉及图像数据处理，具体涉及一种基于机器视觉的枕轨生产质量检测方法。

背景技术：

1、铁路枕轨是用于铁路线路铺设的基础材料，其作用是固定铁路轨道轨距、承载钢轨以及通过车辆的重量荷载，使轨道压力荷载均匀分散传递至路基，保持线路稳定畅通；因此枕轨的生产质量严重影响列车的高速运行安全，其中枕轨是否出现裂纹是表征枕轨结构安全最重要的指标，对其进行精准检测具有重要意义。

2、传统的枕轨表面裂纹检测技术主要依托超声平测法和激光扫描法，然而这两种方法要求枕轨表面结构较为平整，需要专门的传感器接收反射信号，并且都存在检测速度慢、检测精度低、误差大的问题。

3、近年来，随着计算机视觉技术的发展，基于机器视觉的裂纹自动化检测系统逐渐被应用于轨枕生产质量检测中，例如niblack算法，但传统的niblack算法自适应性较低，对局部窗口大小和修正系数的选取难以把控，当局部窗口选择过大，则失去了“局部阈值”的含义，且影响niblack算法的速度；当局部窗口选择过小，则得到的样本数量太少，获取不到足够的信息判断窗口中心像素是属于目标区域还是背景区域，因此分割效果会产生较大的不确定性；并且通常情况下每个像素点对应的局部窗口的大小不变，但实际场景中不同裂纹的粗细可能会存在较大的差异，图像分割效果较差。

技术实现思路

1、为了解决niblack算法中像素点局部窗口选择不合适导致图像分割效果差的问题，本发明的目的在于提供一种基于机器视觉的枕轨生产质量检测方法，所采用的技术方案具体如下：

2、本发明一个实施例提供了一种基于机器视觉的枕轨生产质量检测方法，该方法包括以下步骤：

3、获取枕轨表面的灰度图像，对所述灰度图像初步分割得到疑似裂纹区域；

4、标记每个所述疑似裂纹区域的中心线，获取所述疑似裂纹区域中每个像素点与所述中心线之间的最短距离，基于所述最短距离获取所述疑似裂纹区域的裂纹宽度以及所述疑似裂纹区域中每个像素点的影响程度；

5、获取所述疑似裂纹区域中每个像素点对应邻域范围的灰度信息，基于所述疑似裂纹区域的裂纹宽度、所述疑似裂纹区域中像素点的影响程度以及对应邻域范围的灰度信息得到对应像素点自适应的局部窗口尺寸；

6、基于自适应局部窗口尺寸的niblack算法获取所述疑似裂纹区域中的异常像素点，根据所有所述异常像素点得到枕轨生产质量。

7、优选的，所述基于所述最短距离获取所述疑似裂纹区域的裂纹宽度以及所述疑似裂纹区域中每个像素点的影响程度的步骤，包括：

8、计算所述疑似裂纹区域的所有边缘像素点与所述疑似裂纹区域的中心线之间的最短距离的平均值，将所述平均值的二倍作为所述疑似裂纹区域的裂纹宽度；

9、获取所述疑似裂纹区域中每个像素点对应的拟合直线，并获取所述拟合直线的斜率绝对值；对于所述疑似裂纹区域中任一像素点，计算像素点对应的最短距离与拟合直线的斜率绝对值的乘积，以所述乘积的负数作为自然常数的指数，得到的结果作为对应像素点的影响程度。

10、优选的，所述获取所述疑似裂纹区域中每个像素点对应的拟合直线的步骤，包括：

11、以所述疑似裂纹区域中任意一个像素点为目标点，将所述目标点与所述疑似裂纹区域的中心线之间最短距离对应的线段作为基础线；以所述疑似裂纹区域的边缘像素点为起点作直线与所述疑似裂纹区域的中心线相交，交点为所述直线的终点，且所述直线过所述目标点并与所述基础线重合；

12、对所述直线上所有像素点的灰度值进行直线拟合得到所述目标点对应的拟合直线。

13、优选的，所述获取所述疑似裂纹区域中每个像素点对应邻域范围的灰度信息的步骤，包括：

14、所述疑似裂纹区域中每个像素点的邻域范围是以像素点为中心的八邻域范围；

15、获取所述疑似裂纹区域中每个像素点对应邻域范围内所有像素点的平均灰度值、邻域范围内所有像素点的灰度值的最大值以及灰度值的最小值；

16、所述平均灰度值、灰度值的最大值以及灰度值的最小值为像素点对应邻域范围内的灰度信息。

17、优选的，所述像素点自适应的局部窗口尺寸的获取公式为：

18、

19、其中，表示疑似裂纹区域中第个像素点自适应的局部窗口尺寸；表示疑似裂纹区域中第个像素点的灰度值；表示疑似裂纹区域中第个像素点对应邻域范围内所有像素点的平均灰度值；表示疑似裂纹区域中第个像素点对应邻域范围内所有像素点的灰度值的最大值；表示疑似裂纹区域中第个像素点对应邻域范围内所有像素点的灰度值的最小值；表示疑似裂纹区域中第个像素点对应的影响程度；表示疑似裂纹区域的裂纹宽度；表示绝对值计算。

20、优选的，所述基于自适应局部窗口尺寸的niblack算法获取所述疑似裂纹区域中的异常像素点的步骤，包括：

21、以所述疑似裂纹区域中任意一个像素点为待分析点，基于所述待分析点自适应的局部窗口尺寸得到所述待分析点的局部窗口，获取所述局部窗口中所有像素点的灰度均值以及灰度值的标准差；

22、以预设的修正系数与灰度值的标准差进行相乘，将相乘的结果与灰度均值相加得到所述待分析点的局部阈值；若所述待分析点的灰度值小于对应的局部阈值，所述待分析点为异常像素点。

23、优选的，所述根据所有所述异常像素点得到枕轨生产质量的步骤，包括：

24、将所述灰度图像中所有所述异常像素点的数量作为裂纹区域的面积，计算裂纹区域的面积在所述灰度图像中的占比，所述占比为枕轨生产质量损失，枕轨生产质量损失越大，枕轨生产质量越差。

25、优选的，所述标记每个所述疑似裂纹区域的中心线的步骤，包括：

26、对所述疑似裂纹区域进行形态学细化操作，得到所述疑似裂纹区域对应的一条单像素的线段，所述线段为所述疑似裂纹区域的中心线。

27、本发明具有如下有益效果：为了解决现有niblack算法进行分割效果不好的问题，本发明实施例中通过对每个像素点的局部窗口进行自适应获取，以适应性更强的局部窗口进行niblack算法分割，使得分割得到的异常像素点更加准确，进而保证了对枕轨生产质量检测的准确性；在对每个像素点的局部窗口进行获取时，首先对灰度图像进行初步分割得到其中的疑似裂纹区域，后续仅对疑似裂纹区域中的像素点进行分析，减少了整体分析的计算量，提高了对异常像素点进行分割的效率；其次，在对每个疑似裂纹区域进行分析时，结合裂纹的特征表现获取疑似裂纹区域的中心线，根据疑似裂纹区域中每个像素点与该中心线之间的最短距离获取裂纹宽度和每个像素点的影响程度，以疑似裂纹区域的裂纹宽度作为其中每个像素点局部窗口的最大的局部窗口尺寸，避免局部窗口过大失去局部信息，同时利用像素点的影响程度来减少极端值的影响，为局部窗口尺寸的获取提供依据；进一步的，除了考虑到像素点本身的影响程度之外，结合像素点对应邻域范围内的灰度信息进行局部窗口尺寸的计算，提高局部窗口尺寸获取的可靠性，防止算法的抗干扰能力下降；最终基于疑似裂纹区域中每个像素点对应的自适应窗口尺寸进行异常像素点的获取，也即是在利用niblack算法进行分割时，通过局部窗口尺寸的自适应变化来提高异常像素点判定的准确度，基于更加准确可靠的异常像素点对枕轨生产质量进行获取，使得枕轨生产质量的获取更加准确。