图像式轨检系统中轨面缺陷的识别方法研究

摘要

钢轨是铁路线路的重要组成部件，其伤损状况直接影响着铁路运输安全。随着列车高速、重载、高密度的运行，由轮轨滚动接触疲劳引起的钢轨表面缺陷越来越常见。及时检测出钢轨表面缺陷并采取维护措施可以防止其进一步发展成为内部缺陷，从而保障铁路安全运行。机器视觉技术以其速度快、精度高、非接触式等优势，为钢轨表面缺陷的无损检测提供了新的发展方向。因此，本文通过分析图像式轨检系统获取的钢轨图像特征，研究钢轨表面缺陷的机器视觉识别方法。
　　首先，根据机器视觉系统的构成及工作过程，结合轨检图像的采集要求与相机成像原理，通过对光源、工业相机、镜头和工业计算机等硬件设备的参数计算和选型，搭建了便携的图像式轨检系统用于采集高质量的钢轨图像。
　　其次，分析了钢轨图像中各行像素的灰度统计特征，结合行灰度均值与标准差分布曲线提取图像中的轨面区域，并采用自适应中值滤波算法对轨面图像进行滤波。然后分析了钢轨表面特征的形成机理和成像特性，并通过分析单尺度及多尺度Retinex方法用于钢轨图像增强时存在的问题，引入反射分量z-score标准化环节改进传统的Retinex图像处理框架，对轨面图像进行增强。最后通过理论推导和不同条件下的实验验证了增强算法的有效性。
　　然后，分析了轨面图像中不同区域的灰度和梯度特征，基于双边滤波思想设计了背景平滑滤波器，利用局部灰度和梯度变化信息自适应调整不同特征区域的平滑程度，对原图像平滑得到背景图像。再将原图像与背景图像差分，通过对差分图像设定动态阈值，实现轨面图像中的缺陷区域分割。最后通过不同轨道环境下采集的钢轨图像验证了分割算法的有效性。
　　最后，通过提取缺陷区域的几何形状及灰度特征描述缺陷属性，并采用Relief算法进行缺陷特征选取，滤除与分类无关的特征。然后采用AdaBoost多分类器组合方法，以CART决策树作为弱分类算法设计组合分类器，实现钢轨表面缺陷分类。最后对缺陷分类的实验数据进行统计和分析。结果表明，本文的缺陷识别方法可应用于低速条件下的钢轨表面缺陷识别。

目录

声明

摘要

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 国外研究现状

1.2.2 国内研究现状

1.3 本文研究内容与章节安排

2 便携的图像式轨检系统组成

2.1 系统的硬件组成

2.1.1 图像采集系统

2.1.2 图像处理系统

2.2 系统的软件组成

2.2.1 软件系统结构

2.2.2 软件平台介绍

2.3 小结

3 钢轨表面缺陷图像预处理

3.1 轨面区域提取

3.2 轨面图像滤波

3.3 轨面图像增强

3.3.1 钢轨图像特征分析

3.3.2 基于改进Retinex的钢轨图像增强算法

3.4 轨面图像增强实验分析

3.4.1 不同实验条件对增强效果的影响

3.4.2 与其他方法比较

3.5 小结

4 钢轨表面缺陷图像分割

4.1 图像灰度梯度特征分析

4.2 基于图像灰度梯度特征的钢轨表面缺陷分割算法

4.2.1 背景图像平滑

4.2.2 图像差分与缺陷分割

4.3 缺陷分割实验分析

4.3.1 参数分析

4.3.2 不同实验条件对分割效果的影响

4.3.3 与其他方法比较

4.4 小结

5 钢轨表面缺陷分类识别

5.1 缺陷特征提取

5.1.1 几何形状特征

5.1.2 灰度特征

5.2 缺陷特征选择

5.3 基于Boosting的组合分类器设计

5.3.1 AdaBoost多分类器组合算法

5.3.2 CART决策树算法

5.3.3 组合分类器设计

5.4 缺陷分类实验分析

5.4.1 参数分析

5.4.2 组合分类器的识别结果

5.5 系统实现

5.6 小结

结论

致谢

参考文献

攻读学位期间的研究成果