原文传递
轨检图像中钢轨表面缺陷分析与识别
| 论文题名： | 轨检图像中钢轨表面缺陷分析与识别 |
| 关键词： | 轨检图像;钢轨表面缺陷;机器视觉;特征提取;AdaBoost算法 |
| 摘要： | 钢轨表面伤损不仅影响列车的平稳性和舒适性，也可能会危及列车的安全性。随着我国既有线路提速以及重载铁路和高速铁路的发展，钢轨表面产生的伤损越来越多。因此，及时发现钢轨伤损并根据其分类采取相应措施对于维护铁路安全、舒适、连续的运行尤为重要。基于机器视觉的钢轨表面缺陷检测方法由于具有高速度、全自动、无接触等优点，已成为钢轨表面缺陷检测的主要手段。因此，本文通过对轨检图像进行分析与处理，对其轨面区域中存在的缺陷进行检测与识别。 首先，根据机器视觉检测系统的构成及原理，结合相机成像原理与铁路的现场环境，以轨检图像的检测要求为标准，对轨检图像采集装置中的光源、相机、镜头、计算机等器件进行选型以及对照明方式进行选择。 其次，通过对比几种常见的图像滤波算法，采用双边滤波器对采集的轨检图像进行滤波。对滤波后的轨检图像，首先利用轨面区域与非轨面区域之间的灰度差对轨面区域进行粗提取，然后利用钢轨形状规则、边缘特征明显等特点，采用Hough变换提取轨检图像中钢轨表面区域边界直线，最后根据提取结果结合最小二乘法与仿射变换提取出水平的轨面区域。 再次，结合信息熵中超熵可以测度图像的空间结构原理，与模糊理论可对模糊集合描述与处理以达到消除模糊逻辑的原理，采用模糊超熵算法计算缺陷分割后图像的总超熵值函数，再利用遗传算法计算最大超熵值时的最优参数组合，最终根据模糊理论中的隶属度函数与最优参数组合得到轨面缺陷最优分割阈值。 然后，通过建立正、负缺陷样本空间，并提取样本空间的Haar-Like特征集，采用AdaBoost算法设计轨面缺陷识别器，对提取的缺陷图像中存在的干扰图像进行排除，并通过提取正样本空间的低层特征集，采用C4.5算法对排除后的缺陷图像进行分类。 最后，在设计的轨检系统实验平台上，对系统的整体性能进行了实验验证，并对系统的三个主要功能:轨面区域提取，轨面缺陷分割以及轨面缺陷分类分别进行了实验数据的统计与分析。实验结果表明，本文的轨检图像中钢轨表面缺陷分析与识别技术可应用于复杂环境下钢轨检测。 |
| 作者： | 程天栋 |
| 专业： | 交通装备检测及控制工程 |
| 导师： | 闵永智 |
| 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
