原文传递
基于图像分析的空轨表面缺陷检测
| 论文题名： | 基于图像分析的空轨表面缺陷检测 |
| 关键词： | 单轨交通;图像分析;表面缺陷检测;稀疏表示;STC跟踪;BP神经网络 |
| 摘要： | 悬挂式单轨交通（空轨交通）是轨道交通的一种新形式，而轨道运输安全性的提高关系到人身财产安全及路轨畅通等重大问题，为了确保空轨的安全运行，表面缺陷检测即是其中十分重要的一环,针对空轨的具体应用环境本文提出了一种基于图像分析的空轨表面缺陷检测的方法。 本文首先按技术需求对缺陷图像进行分析，然后根据实际条件设计了两种检测方法：离线检测及在线检测。离线检测选用的是基于冗余字典稀疏表示的空轨表面缺陷检测算法，主要思想是从大量无缺陷样本图像中提取特征来构建字典并对其进行优化，然后求待测样本在所构造的字典下的稀疏表达系数的稀疏率，然后根据一个实验所设定的阈值来判断是否为缺陷。这种缺陷检测算法的准确率和召回率都比较高，但时间达不到实时性，所以可以用于缺陷的离线检测。另一种方法即在线检测，选用的是一种粗检加细检的空轨表面缺陷快速检测方法，粗检是为了尽可能的回收到正样本（缺陷样本），主要是对摄像头采集到的图像利用一定大小的滑动窗口计算其均值和方差，分析得到一个阈值后将其分成疑似缺陷样本（包括部分正常样本和缺陷样本）和正常样本两部分。细检阶段主要是利用一种基于积分图的 Bayes的方法来处理粗检的两部分样本，并利用压缩感知算法将两部分样本的特征都进行了压缩，之后计算分析发现正常部分的样本的每一维都符合一种高斯分布，然后将计算得到的疑似缺陷部分的样本的每一维代入计算其符合上述高斯分布的概率来判断该样本是正常样本还是缺陷样本。实验在细检阶段引入了 STC跟踪方法来跟踪上一帧检测到的缺陷来提高缺陷检测的速度。检测到缺陷后需要计算其特征,实验中最后选取的缺陷特征有细度，矩形度，长宽比和圆形度来区分锈蚀（锈斑）和裂缝（划痕）这两类缺陷，采用的是BP神经网络来识别。 本文所做的实验所基于的软件平台是 VS2013，并利用了图像及视频分析库OpenCV，数据库采用的是SQLServer2005，模拟以及在线实验结果表明，本文采用的粗检加细检的空轨表面缺陷快速检测算法是有效可行的。 |
| 作者： | 盛爱梅 |
| 专业： | 控制工程 |
| 导师： | 康波 |
| 授予学位： | 硕士 |
| 授予学位单位： | 电子科技大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
