原文传递
基于图像和CNN模型的钢轨表面缺陷识别研究
| 论文题名： | 基于图像和CNN模型的钢轨表面缺陷识别研究 |
| 关键词： | 钢轨表面;缺陷识别;图像处理;卷积神经网络;高斯滤波 |
| 摘要： | 钢轨作为铁路线路上直接与列车接触的部分，引导和承载列车的运行，同时也承受列车的巨大冲击力。因此钢轨的健康状况直接影响着列车运行的安全，特别是钢轨表面的健康状况。因为钢轨表面直接与列车车轮接触，是列车冲击力的直接承受部分。因此及时地检测出钢轨表面缺陷，对其进行修补和更换，对列车的安全行驶、延长钢轨使用寿命和降低经济损失有着重要意义。现有的人工检测方法和超声波检测方法已不能满足我国铁路日益壮大的需求。因此本文结合图像处理技术和卷积神经网络(CNN，Convolutional Neural Network)模型对钢轨表面的缺陷进行检测。论文的主要研究内容如下: 首先，对拍摄的钢轨表面图像进行滤波处理。结合高斯滤波和中值滤波的优点，以及钢轨表面的特点，本文对采集的图像先进行图像反转，然后用高斯-中值滤波方法对图像进行滤波处理。经仿真实验表明该滤波方法不仅有很好的滤波效果，还能很好地保护和改善图像中缺陷处细节。 其次，提取钢轨表面区域。在采集钢轨图像时发现，同一条线路上的钢轨轨宽是一致的，且钢轨表面区域和非钢轨表面区域在灰度上有明显的差异。因此用Radon变换对钢轨表面图像在垂直方向上进行投影，通过投影曲线及轨宽来提取钢轨表面区域。经仿真实验表明该方法能更完整地提取出钢轨表面区域。 最后，将提取出的钢轨表面图像用CNN进行识别分类。鉴于条件的限制，本文主要是对钢轨表面掉块缺陷和完整的钢轨表面进行分类。首先将预处理后的图片输入CNN模型进行训练，经训练得到最佳的识别分类网络模型。然后再用训练好的网络进行试验。实验表明CNN模型对钢轨表面的掉块有很好的识别率，进一步验证了基于图像处理技术和CNN模型对钢轨表面缺陷识别分类是可行的。 |
| 作者： | 冉建民 |
| 专业： | 电气工程 |
| 导师： | 顾桂梅;孔令刚 |
| 授予学位： | 硕士 |
| 授予学位单位： | 兰州交通大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
