原文传递
基于计算机视觉技术的铁路轨道表面缺陷分类检测研究
| 论文题名： | 基于计算机视觉技术的铁路轨道表面缺陷分类检测研究 |
| 关键词： | 轨道缺陷;计算机视觉;边缘检测;BP神经网络 |
| 摘要： | 铁路运输对国民经济的发展起着不可替代的推动作用。轨道作为铁路运输的重要组成部分，随着列车速度的不断提高、重量的不断加大，意味着现阶段需要更先进的轨道检测方法、更高质量的轨道检测设备对轨道进行保障。一般轨道缺陷多发于表面，且由表及里蔓延开来，因此，轨道表面缺陷检测变得势在必行。本文选取计算机视觉技术研究轨道表面缺陷检测分类，研究内容包括以下几方面: (1)通过对计算机视觉处理流程的阐述，分析计算机视觉技术处理轨道缺陷的必要性;轨道缺陷分为裂纹及疤痕，详细阐述分类的依据;图像获取是缺陷检测系统的开始步骤，阐述图像输入流程，为后续轨道缺陷图像处理打好基础。 (2)图像预处理包括图像增强、图像去噪。图像增强可以增加图像清晰度，降低后期缺陷分类中计算机的识别难度。图像增强方法有伽马灰度变换、直方图均衡化，分别论述二者的变换过程，通过对比变换后缺陷图像的直方图，以对比度增加及直方图走势与原图类似为准则，选取灰度变换作为图像增强的方法。图像去噪，噪声包括椒盐噪声、高斯噪声，选取空间域滤波的3种典型去噪方法，以处理后缺陷图像PSNR值作为评价指标，选取中值滤波作为去噪方法。 (3)图像分割的目的是将轨道缺陷区域与轨道非缺陷区域分离开来，包括三个步骤:背景分割、目标分割、形态学处理。详细阐述分割原理，分割后图像必须满足缺陷形态明显、无分割杂质等要求。 (4)图像边缘检测是对分割后的缺陷外廓进行提取。分别阐述4种边缘检测算子的分割过程，以边缘检测处理后缺陷图像保留原缺陷外形特征以及图像具有抑噪能力为准则，选取Canny算法作为边缘检测的方法。 (5)选用BP神经网络作为缺陷图像分类器，BP神经网络结构层次多样，层与层之间连接紧密，可以实现较为复杂的分类。为了区分裂纹、疤痕缺陷，以圆度率、矩形率、细长比作为分类特征，设计BP神经网络。网络共有3个输入层节点，对应选取的轨道缺陷特征值;7个隐含层节点，构成中间衔接;2个输出层节点，对应裂纹、疤痕2类缺陷，通过训练样本对该网络进行训练，在训练好的网络中输入识别样本，分类结果可靠。 |
| 作者： | 翟千雅 |
| 专业： | 车辆工程 |
| 导师： | 刘荣珍 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州交通大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
