基于图像特征的高速铁路轨道焊缝缺陷检测
一把桃木梳
2024年06月05日 10:32:34
来自于道路工程
只看楼主

           


           
针对传统焊缝缺陷检测方法误差大、速度慢和主观性强等问题,本文提出基于图像特征的高速铁路轨道焊缝缺陷检测方法,通过采集焊缝缺陷图像,提取图像的特征,完成对焊缝缺陷的精准检测。
   

             

             

1

采集焊缝缺陷图像


   
为获取更加精准的图像,本文在采集郑万高铁河南段线路轨道焊缝缺陷图像时采用X射线成像技术,即利用数字探测器获取高速铁路轨道焊缝射线,然后输出数字图像。在此过程中,荧幕将X射线转换为肉眼可见的光束,此后,光束转化为视频信号,进而实现实时生成并输出高速铁路轨道焊缝缺陷图像的效果。当高速铁路轨道焊缝被X 射线穿透时,因为焊缝缺陷处与非缺陷处对X射线的吸收效果存在差异,所以可通过以上方法采集到清晰准确的高速铁路轨道焊缝缺陷图像。利用X射线成像的表达式如式(1)所示。

式(1)中,Q h 表示穿透高速铁路轨道焊缝的X射线强度;h表示高速铁路轨道焊缝的厚度;Q s 表示X射线的初始强度;δ表示X射线的衰减系数值。当高速铁路轨道焊缝缺陷处的X射线投射强度大于缺陷附近区域时,获取的X射线胶片中X光呈白色,焊缝呈黑色;反之则X光呈黑色,焊缝呈白色。因为X射线成像属于电磁辐射源,所以需要再次对X射线胶片进行数字化处理,获得高速铁路轨道焊缝缺陷的数字图像。采集的高速铁路轨道焊缝缺陷图像如图1所示。



2

预处理焊缝缺陷图像


2.1图像降噪

在采集高速铁路轨道焊缝缺陷图像时,由于受外界环境等因素的影响,图像中存在大量噪声,焊缝缺陷的细节不够明显会严重影响后续的缺陷检测精度。因此,在进一步进行焊缝缺陷检测前,需要对采集的高速铁路轨道焊缝缺陷图像进行降噪处理。本文将利用小波变换进行焊缝缺陷图像的降噪处理。通过小波变换实现图像降噪就是利用小波信号空间的映射关系,获取原始无噪声信号。因为在X射线成像形成的焊缝缺陷图像中量子噪声数据在空间中频域分量有所不同,所以在图像中缺陷尺寸不同的情况下,小波变换系数也存在一定差异。本文根据此原理进行小波降噪可以在保证图像数据完整的前提下,实现焊缝缺陷图像有效数据与噪声数据的分离。根据小波变换定义,将小波母函数进行一定处理后,获得小波序列表达式如式(2)所示。

式(2)中,M     s,p     (t)表示依赖于s与p的小波母函数;t表示焊缝缺陷图像的时间序列;s表示用于处理小波母函数的伸缩因子数据;p表示用于处理小波母函数的平移因子数据。因为在小波变换中s与p是2个不断改变的数据,所以可通过这2个数据处理小波母函数,进而获得小波序列。通过此公式获取高速铁路轨道焊缝缺陷图像信号在空间上的局部模极大值点,根据信号不同的频域分量,可将噪声信号分离,以此达到图像降噪目的。

2.2图像增强

经过降噪处理后的高速铁路轨道焊缝缺陷图像存在对比度较低等缺点,一般呈现出焊缝缺陷图像整体较亮或者较暗等现象。因此,本文需通过图像增强处理,提升图像质量,恢复图像对比度。因为在高速铁路轨道焊缝缺陷检测中,图像中存在的缺陷类型具有多样性的特点,导致每一种缺陷与背景的对比度均不相同,所以如果使用一般算法增强图像,计算过程复杂且自适应效果较差,不利于后续的焊缝缺陷检测。基于某区段线路轨道焊缝缺陷的实际情况,因为缺陷只存在于焊缝上,所以本文考虑只对图像中的焊缝部位进行局部增强处理,这样可以大幅降低计算复杂度并达到图像增强目的。本文选取对比度与熵作为图像优化的参数,对图像中局部区域的灰度特征进行处理。其中对比度与熵的表达式如式(3)、式(4)所示。

式(3)、式(4)中,D表示焊缝缺陷图像的对比度参数;Z表示焊缝图像的熵参数;h     1     、h     2     分别表示图像中2个不同区域像素的灰度数据且这2个区域像素灰度的取值范围为[h     min     ,h     max     ];         表示灰度平均值;g     n     表示区域像素灰度值为n的概率数据。那么,利用对比度与熵获取焊缝缺陷图像的局部增益公式如式(5)所示。

式(5)中,Y(a,b)表示焊缝缺陷图像中像素点坐标为(a,b)区域的局部增益函数;μ表示比例常数;h     a,b     表示焊缝缺陷图像中像素点坐标为(a,b)区域的灰度数据。根据该公式对高速铁路轨道焊缝缺陷图像的局部像素进行增益可获得图像增强效果,进而使焊缝缺陷图像的特征更加突出。

经过图像降噪及增强处理后的高速铁路轨道焊缝缺陷图像如图2所示。



3

提取焊缝缺陷图像特征



3.1几何特征提取

对高速铁路轨道焊缝缺陷图像进行预处理之后,需要进一步提取该图像的特征,以便后续基于量化后的图像特征实现缺陷检测。本文在进行焊缝缺陷检测时的首要特征驱动就是图像的几何特征参数,图像几何特征主要包括缺陷的周长、缺陷的面积以及缺陷的圆形度。在提取焊缝缺陷图像的几何特征之前,需要对图像中的缺陷尺寸进行界定,即需要实现几何特征参数与实际焊缝缺陷尺寸之间的转换,本文通过金属丝透度计来实现。然后,进行焊缝缺陷图像的特征提取,图像中缺陷的几何特征参数计算公式如式(6)所示。

式(6)中,J     s     、J     z     、J     y     分别表示高速铁路轨道焊缝缺陷图像所提取的几何特征中缺陷面积特征参数、缺陷周长特征参数、缺陷圆形度特征参数;l表示金属丝透度计中2条金属丝之间的长度;N     l     表示金属丝透度计中2条金属丝之间存在的像素点数量;N     s     表示焊缝缺陷图像中缺陷区域包含的像素点数量;Nz表示焊缝缺陷图像中缺陷区域的边界处包含的像素点数量。通过此公式获取的焊缝缺陷图像几何特征可以为焊缝缺陷识别及分类提供有力依据。

3.2纹理特征提取

在提取焊缝缺陷图像的几何特征时,本文发现焊缝处不同缺陷的纹理特征存在差异。因此,本文将图像的纹理特征作为焊缝缺陷检测的另一个特征驱动。对于一个存在缺陷的高速铁路轨道焊缝图像,如果图像中的某些像素点就是需要提取的缺陷,那么其他像素点就是背景。因此,本文将根据高速铁路轨道焊缝缺陷图像的灰度共生矩阵,利用灰度空间的相关特性来量化图像纹理特征,实现纹理特征的提取。因为高速铁路轨道焊缝缺陷图像纹理是由图像像素点的灰度值不规律变化所形成的,所以在焊缝缺陷图像中一定存在相同的像素点,这些像素点的灰度也存在共生关系。利用灰度共生矩阵提取焊缝缺陷纹理特征的流程为:输入焊缝缺陷图像→获取图像灰度共生矩阵→计算矩阵的纹理特征参数→提取纹理特征。

通过高速铁路轨道焊缝缺陷图像的灰度共生矩阵,能够获取图像上各个灰度像素点的相对空间坐标数据。此后,在进行焊缝缺陷图像纹理特征提取时,能够利用纹理特征的二阶矩、熵、均匀性和对比度参数对焊缝缺陷图像的纹理特征进行量化。


4

基于特征驱动

构建焊缝缺陷 检测模型



本文为实现高速铁路轨道焊缝缺陷的精准识别与分类,通过特征驱动建立焊缝缺陷检测的数学模型。其原理是通过提取的焊缝缺陷图像几何特征与纹理特征对反向传播(BP)神经网络进行训练,以此输出检测结果。BP神经网络通过梯度下降法,对焊缝缺陷图像特征进行误差反向传播训练,进而获取与期望数据误差最小的输出数据。通过BP神经网络进行高速铁路轨道焊缝缺陷检测包含2个步骤:焊缝缺陷图像特征的前向传播与特征识别误差的反向传播。在获取特征识别误差时需要按照神经网络由从输入层至输出层的顺序进行,但在设置特征的权值与阈值时则与之相反,由从输出层到输入层的顺序进行。本文构建的高速铁路轨道焊缝缺陷检测模型中应用3层拓扑结构的BP神经网络,计算隐含层的节点数量N的公式如式(7)所示。

式(7)中,r表示BP神经网络中焊缝缺陷图像特征输入节点的数量;c表示BP神经网络中焊缝缺陷图像特征输出节点的数量;k表示常数且取值范围为[0,10]。根据此公式设置好神经网络的初始化参数后,构建焊缝缺陷识别模型,如式(8)所示。

式(8)中,M     1     表示高速轨道焊缝缺陷图像的几何特征参数构成的模型;M     2     表示高速轨道焊缝缺陷图像的纹理特征参数构成的模型;Z     1     、Z 2 、Z 3 、Z 4 分别表示二阶矩、熵、均匀性以及对比度纹理特征参数;M 3 表示高速轨道焊缝缺陷图像的几何特征参数与纹理特征参数共同构成的模型。然后将M 1 、M 2 、M 3 分别当作BP神经网络的输入层,将高速铁路轨道焊缝缺陷的不同类型作为输出层,通过对特征的训练输出识别结果,以此实现焊缝缺陷的检测。

为更加直观地体现图像预处理的必要性,以检测精准度作为指标,验证通过BP神经网络进行高速铁路轨道焊缝缺陷检测的效果。验证结果表明,进行图像预处理后的焊缝缺陷检测准确率由94.5%提升至97.8%,与图像处理前的精准度相比增加2.7%。由此可见,经过图像预处理的焊缝缺陷检测效果明显改善。

     

5

实验验证


     

     
5.1试验环境

将本文所提方法应用于该段线路工程中进行实际测试。在正式施工之前,需要对轨道焊缝存在的缺陷进行整修,符合施工标准后再进行打磨。本文选取100组焊缝缺陷图像数据集,将其中的80%作为训练数据集,20%作为实验数据集,并将训练数据集进行10轮训练。在采集过程中,需收集不同类型的焊缝缺陷图像,包括如图3所示的4种类型。


然后,利用本文所提方法对焊缝缺陷图像的特征进行提取,并将这些特征与正常焊缝特征混合在一起,作为试验的训练样本集合。

5.2试验结果

为判断本文所提方法的准确性,选取基于深度学习的焊缝缺陷检测方法和基于Faster-RCNN 的焊缝缺陷检测方法,针对同一个训练样本集合与本文所提方法进行对比测试。选择Precision-Recall 曲线作为验证标准,该曲线的横轴为召回率,就是检测正确的缺陷样本数量与实际缺陷样本数量的比值;曲线纵轴为精确率,就是检测正确的缺陷样本数量与全部训练样本的比值。因此,该曲线下的面积可以表示检测方法的平均精度,结果如图4所示。



由图4可以看出,从深度学习方法、Faster-RCNN方法到本文所提方法,焊缝缺陷检测的召回率有明显升高且本文所提方法的曲线下面积最大,表明本文所提方法的检测平均精度最高。因此,本文所提基于图像特征的高速铁路轨道焊缝缺陷检测方法性能优于传统方法,其准确率较高。


     

6

结束语


     

     
在高速铁路轨道施工工程中,受到焊接工艺的限制,轨道焊缝处会产生一定缺陷,而焊缝结构将直接影响轨道使用寿命。因此,本文提出一种基于图像特征的高速铁路轨道焊缝缺陷检测方法。此方法通过图像为施工人员提供可靠且精准的检测依据,可降低人工识别的误差。虽然本文所提方法已经取得一定成果,但仍具有改进空间,本文方法依赖于焊缝缺陷特征数据,然而当下公开的焊缝缺陷特征的样本集合不够全面,如果在实际工程中存在特殊的焊缝缺陷,此方法的检测效率会降低。今后本文研究者将针对此问题进一步深入研究,满足高速铁路轨道工程对焊缝缺陷识别的新需求。

参考文献
张祯祥. 基于图像特征的高速铁路轨道焊缝缺陷检测[J]. 现代城市轨道交通,2023(7):27-31.

免费打赏
tumux_84044
2024年06月05日 14:20:32
2楼
我觉得这个题目挺有意思的,基于图像特征的高速铁路轨道焊缝缺陷检测。这是一个很有前途的研究方向啊!现在的技术发展得真快,图像处理和人工智能在这个领域的应用越来越广泛了。我觉得这个研究的关键在于如何有效地提取图像特征,并且开发出准确的缺陷检测算法。可能需要结合多种图像处理技术,比如图像增强、分割、特征提取等等,来提高检测的准确性和可靠性。另外,对于不同类型的焊缝缺陷,可能需要设计不同的检测算法和模型。这就需要对焊缝缺陷有深入的了解,知道它们的特征和表现形式。同时,还需要考虑实际应用中的各种情况,比如光照条件、焊缝的形状和位置等等,来确保检测系统的鲁棒性和适应性。在实际应用中,还需要考虑数据的采集和标注。高质量的数据集对于训练和优化检测模型非常重要。同时,也需要考虑如何将检测系统集成到现有的高速铁路维护和检测流程中,确保其能够有效地工作。我觉得这个研究不仅对高速铁路的安全运行至关重要,也为人工智能在工业领域的应用提供了一个很好的范例。可能需要和相关领域的专家合作,比如机械工程师、材料科学家等等,来共同推动这个研究的发展。
回复

相关推荐

APP内打开