Page 108 - 无损检测2024年第九期

马 骞：
基于多模态特征的重载铁路钢轨损伤检测方法

1 重载铁路钢轨损伤图像采集与预处理 ( ) f f 2
a sd = sd （4）
s s
不同的采集设备中获取的图像信息会存在非有 ( f f )( f f )
d d
f
效信息，为实现重载铁路钢轨损伤的有效检测，现阶 式中： ，f 为第s阶和第d阶的模态向量；a为各个模
d
s
段对钢轨状态的跟踪，均以小型检测仪为主，用其将 态在自由度空间中生成的向量矩阵，能够判断相应
现场的环境信息传送至监测终端。但由于传输环境 模态向量的分布状态，即交角情况；a 为矩阵中的
sd
中存在干扰信息，最终形成的图像中会存在干扰噪 任意元素。
声，进而降低图像的采集质量，所以需要对采集到的 根据矩阵中元素的分布状态，能够初次判断模
图像进行增强处理。文章采用直方图均衡化 [3-4] 的增 态向量的所属类型，即
强方式对采集的图像进行预处理，具体步骤为  a (s d )=1, δ=0

e  sd （5）
w
qe
q w ( )= ( ) | w | （1）  a sd (s d )=0, δ  0

e
式中： δ 为交角。
当矩阵a中的某一个元素，表示为a =1时，则
（2） sd
证明第s向量和第d向量的δ 为0，即表示该两组模
态向量不具备相关性；当a =0这一关系式成立的
sd
式中：w，e为不同的图像灰度级；q (w)，q (e)为不同 情况下，则代表两组向量具备同类型特征，可能为损
w
e
t
灰度级下灰度概率密度函数；r(e)为变换函数；为变
失特征，也可能为常量特征。在此基础上机械能类
换参数。 型设定，并按照置信度矩阵对其进行分解
当q（e）和r（e）为已知状态时，可以直接通  k k ... k 
e
过 式（1）求取灰度级为w的概率密度。而对于  k  11 k 12 ... k  1u 
式（2）中的灰度级来讲，当e为已知状态时，需要使 = gh  = jk j   21 22 2u   （6）




0≤e≤1，使其在图像增强处理时可以将变换函数  k  k ... k  
进行离散表达，具体为  1 l 2 l lu 
p 
p 
e
y p = ( )= p q e ( )= p i p （3） (z )= ( sd -c gg xd ) 2 （7）
re
xs
p =0 p =0 i sd (c ss -g 2 x xs )(c dd -g 2 xd )
i
式中：为像素总量 ；i 为灰度级e 的数量；p为q（e ） 式中：h为置信矩阵；g为满秩矩阵；u，l为向量在自
[5]
p
e
p
p
为e 在损失图像中出现的概率；y 为变换函数的离 由度空间中的行和列；k ，k ，k ，k ，k 为具有自由
p
p
11 12 1u l1 lu
散表达形式 。 度的特征子集，设定其为损失特征，则k为损失特征
[6]
直方图均衡化能够直观反映图像中灰度的分布 矩阵；j为常量元素矩阵；（z ）为具有排列顺序的
x
sd
规律，以此描述每个灰度级代表的具体像素数量。在 损失特征模态向量矩阵；c ，c ，c 为广义模态元素；
sd
ss
dd
获取损失图像的像素分布情况后，采用离散处理方式 g ，g 表示在x行中存在于第s向量和第d向量内的
xd
xs
对图像中的灰度级进行均匀分布处理，实现原始图像 损失特征的模态元素。
增强的效果，再在此基础上，区分图像中的损失特征 基于此，在分解图像中获得损失特征的模态元
与常量特征，并对损失特征进行提取。 素后，直接选择多模态特征表示方法来检测钢轨损
伤情况。
2 重载铁路钢轨损伤特征提取
3 多模态特征下检测钢轨损伤
在对钢轨损伤进行检测时，需要对图像中的损
失特征与常量进行区分，以此实现损伤特征的有序 通过多模态特征 [9-10] 的表示方法，将图像中分解
提取 [7-8] 。根据结构动力学中的应用原理来看，在固 出来的损失特征构建为一组带权的有向图，并在有
有结构中获取的模态向量均具有正交性，因此将图 向图中标注损失特征标签，以此区分不同类型的损
像中的信息转换为模态向量进行特征提取，并建立 伤情况，针对性地表达每一种钢轨损伤问题。对不
各个模态在自由度空间中的分布矩阵。具体为 同的损伤特征进行关联，如下
70
2024 年 第 46 卷 第 9 期
无损检测