一种基于改进的Sobel算法钢轨表面损伤语义分割方法*

作者：曾树华1,黄银秀2(1.湖南铁路科技职业技术学院,湖南株洲 412006;2.湖南化工职业技术学院,湖南株洲 412001)时间：2021-11-24来源：电子产品世界收藏

编者按：为探寻钢轨表面伤损语义分割的有效方法，实现钢轨表面伤损准确检测。在经典Sobel算法的基础上，增加倾斜方向的检测，改变阀值；利用采集的带扎伤钢轨图片，在MATLAB2016版本进行对比检测实验；本方法成功检出两处伤损，无误检错检；结论：本方法检测效果在检出率和误检率都优于传统方法，有一定价值。

*基金：湖南省教育厅资助科研项目（19C1214）

本文引用地址：http://www.eepw.com.cn/article/202111/429861.htm

作者简介：曾树华(1980—)，通信作者，男，湖南衡阳人，副教授，湖南铁路科技职业技术学院，硕士，主要领域钢轨探伤、图像识别。

黄银秀(1980—)，女，湖南株洲人，副教授，湖南化工职业技术学院，硕士，职业教育研究。

0 引言

随着铁路运输的重载化、高频化愈加频繁，钢轨受到频繁强力撞击，伤损频繁。铁路运输间歇时间短暂，效率低下的人工检查方式致使作为铁路安全运营之基的钢轨无法及时有效排除隐患，给铁路安全运行带来巨大挑战。在钢轨损伤中，尤以表面伤损数量居多，检测效率低，最易被忽视，增加行车危险系数和维护成本。近年来，高效自动的钢轨表面伤损检测技术成为学者们研究的重点，包括涡流检测技术、漏磁检测技术、超声检测技术和机器视觉技术等。其中，涡流检测方法在邻近多裂纹伤损情况下容易出现漏检错检；漏磁检测方法因其依赖人工目检，检测速度和准确度无法保证；超声检测方法存在近表面检测盲区，难以可靠检测表面伤损。故近年来，随着计算速度提升和先进算法的出现，机器视觉技术在钢轨表面伤损的应用越来越受到广大学者们的关注，基于机器视觉技术的钢轨表面伤损检测技术已经作为轨检辅助措施之一逐步开发出各种轨检车^[1]。

边缘检测算法中的微分算子法在其他机器视觉应用领域得到广泛应用，其中Canny 和Log 算子的检测精度较高，受到广泛关注，但因其算法复杂，而不适合实时性高的领域；Roberts 和Prewitt 算子的计算工作量小，但精度不高，在一些精度要求不高的场景有较广应用；Sobel 算子法的算法更简单，特别适合实时性要求高的钢轨检测领域^[2]，为此，各种提升检测精度的改进Sobel 算子法陆续推出。刘源改进了Sobel 算子检测方法，利用四方向结合动态阈值得到更好的边缘检测效果^[3]。张雯柏结合二值形态处理将钢轨轮廓从背景中检测出来^[4]。蒋超等人通过计算像素的一阶导数的局部最大值和二阶导数的过零点来连接适当的像素，以获得缺陷边缘，该方法虽然具有有效的噪声抑制，但耗时较长^[5]。潘少伟等人利用八个方向的Sobel 算子对岩心图像边缘进行检测，取得不错的效果^[6]，本文拟引入对钢轨表面伤损进行检测。

1 经典Sobel算子

经典Sobel 算子自提出以来被广泛使用于各种边缘检测，该算子的思路是先使用3×3 的卷积模板对被检图进行加权平均，以便降低边缘模糊程度，其卷积模板如图1 所示。

图1 Sobel算子卷积模板

对于任意图像中的像素点假设为f (x,y)，则图像在此点的梯度是一个矢量，包括幅值和方向，其幅值计算公示如式1 定义为：

定义它的方向（角度）如式2

具体算法步骤如下：

1）在水平方向和竖直方向用Sobel 算子卷积模板遍历全部图像数据，图像数据点为模板的中心点。

2）图像数据中每个像素点对应的两个模板进行离散卷积运算，则每个像素点对应有两个值，取两个值中的较大者为像素点的灰度值，得到图像对应的新数据集。

3）边缘判断：规定一阈值于新数据集进行比较，若数据集中数据大于阀值判断为边缘点，连接所有边缘点得到图像边缘。

2 改进的Sobel算子检测方法

改进的Sobel 算子的像素点梯度利用5×5梯度模板进行计算，将检测角度增加到8个，图2是其梯度模版矩阵分别定义。改进的Sobel 算子增加了斜线方向的权重，有利于更细节的特征信号提取。在此基础上，调整了判断阀值。

图2 改进的Sobel算子卷积模板

3 实验结果与分析

为了验证改进的算法对钢轨表面伤损定位的准确性，对采集的钢轨表面伤损图片进行比对伤损识别实验^[6]。采MATLAB2016 软件进行编程实验，结果如图3 所示。其中图3（a）为带扎伤钢轨原图，图3（b）为传统Sobel 算子检测图，采用的是MATLAB 自带的Sobel 算子，图3（c）是改进的Sobel 算子检测效果图。由图3 可知，传统Sobel 算子在检测钢轨表面扎伤伤损时存在漏检和误检，效果差，改进的Sobel 算子检测方法成功的检测出两处扎伤，无误检漏检。