钢轨擦伤检测算法研究

摘要

传统的钢轨擦伤检测主要依赖于人工巡道检测，这不仅效率低下成本高，而且基本上每个工人都需要负责几十公里的地段。这样在长距离的重复性工作的情况下漏检的概率就相当大。自动化、智能化的轨道检测技术是铁路工务部门的迫切需求。
　　基于计算机视觉的数字图像处理技术的钢轨擦伤检测算法研究不仅解决了由于人工视觉疲劳导致的漏检的情况，而且检测效率大大提高。往往一台计算机能够实现上千公里的检测任务，大大节约了检测成本。本文需要解决的钢轨擦伤主要分为两大类:波磨和疤痕擦伤。
　　对于波磨检测，本文基于车载轨道巡检系统采集的轨道图像和波磨的形态学特征，提出了基于局部频域特征分析的波磨图像检测方法。首先，应用基于位置加权的钢轨定位算法提取准确的钢轨区域图像。然后，分析并抽取钢轨图像每一列傅里叶变换的能量特征形成特征向量，并采用训练好的有监督机器学习算法SVM对抽取的特征向量进行分类预测，以判定该列是否为波磨线。最后，根据每一列的检测结果判定连续的波磨区间以判定该钢轨图像是否具有波磨现象。
　　对于块擦伤检测，本文主要结合传统视频帧中运动前景检测的背景建模算法。将钢轨图像分割成若干段，将每一段对应于视频中的一帧，整张钢轨相当于一个短小的视频帧序列。本文主要借鉴与ViBe算法的思想但采取不同的特征，同时加入了更加合理的预处理方法。实验表明，基于局部背景建模的钢轨擦伤检测算法的性能高于传统方法，取得了良好的检测效果，同时它还能推广到其他的缺项检测的实际应用中。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景与意义

1．2 基于计算机视觉的缺陷检测

1．2．1 图像的获取

1．2．2 缺陷检测的一般步骤

1．3 本文主要研究内容和创新点

1．4 本文章节安排

2 相关研究工作综述

2．1 钢轨擦伤的特征及分类

2．1．1 波纹磨擦

2．1．2 疤痕擦伤

2．1．3 光带不匀

2．2 传统检测方法简介

2．3 国内外研究现状

2．3．1 基于纹理特征的钢轨波磨检测

2．3．2 基于灰度对比度的钢轨擦伤检测

3 钢轨波磨检测算法研究

3．1 引言

3．2 钢轨定位

3．3 基于频率特征的波磨检测

3．3．1 波磨检测算法原理

3．3．2 波磨线判定

3．3．3 波磨区间判定

3．3．4 实验结果与分析

3．4 基于机器学习的波磨检测

3．4．1 系统介绍

3．4．2 基于局部频率特征的波磨检测

3．4．3 实验结果与分析

3．5 小结

4 基于背景建模的钢轨擦伤检测算法研究

4．1 引言

4．2 背景建模算法综述

4．3 基于背景建模的钢轨擦伤检测算法

4．3．1 模型的提出

4．3．2 模型的工作原理

4．3．3 模型的初始化

4．3．4 模型的更新

4．4 实验结果与分析

4．4．1 基于分割角度的擦伤检测算法性能评估

4．4．2 基于疤痕个数统计的擦伤检测算法性能评估

4．4．3 算法的参数分析

4．5 小结

5 总结和展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集