原文传递
基于图像处理的铁路扣件异常自动检测系统的研究
| 论文题名： | 基于图像处理的铁路扣件异常自动检测系统的研究 |
| 关键词： | 铁路扣件;自动检测;图像处理;方向梯度直方图特征;支持向量机;卷积神经网络 |
| 摘要： | 铁路运输在现今社会发展中具有举足轻重的地位，是经济高速发展不可或缺的条件之一，它不仅是国民经济发展的支柱，而且还具有安全舒适、经济惠民、节能减排、高速、高效等特点。这些不仅决定了它是民众日渐依赖的交通工具，也决定了其在我国交通运输体系中的重要地位，对经济社会发展的作用和影响不容小觑。因此确保铁路行车安全也显得至关重要。在我国，由于受到科技发展等其他因素的制约很长一段时间都是依赖人工巡检，但是人工巡检不但效率低下，浪费巨大的人力和时间，而且每个人的评判标准不一造成一定的影响，随着人们的大量的出行需求对于铁路的需求的增长，需要一套自动巡检系统来代替普通人工巡检，增加检测的准确性。 目前在实际应用中，主要检测铁路轨道和枕轨之间的连接的扣件的异常情况，对应的异常情况主要分为缺失和变形，分类主要有两类扣件：W型扣件和6型扣件。本文的扣件检测系统主要研究以下三个部分。 （1）根据扣件检测的需要，确定一种可行的在一幅大图中定位扣件的方案，利用投影，阈值处理等相关图像检测技术进行轨道和轨枕的定位进而定位扣件的位置，方便之后的检测的实现。 （2）对于扣件检测，选择辨识度较高的正负样本，采用了HOG+SVM的方法，进行图像特征提取训练得到分类器，通过分类器进行扣件异常的检测，鉴于原始图像的检测速度较慢，采用双线性插值的方式将图像从原始图像的1/5一直扩大到2倍，缩放间隔取1/10，实验发现，检测速度效果不是特别明显，但是误检率和漏检率有了较大的波动。 （3）针对HOG+SVM的方法对于扣件检测误检率和漏检率的不足，采取了基于Caffe平台卷积神经网络进行的处理，对卷积神经网络原理进行了详细的阐述，分别采取了Alex网络和LeNet网络进行训练和检测，通过对比分析Alex网络较LeNet网络检测具有更好的准确性，卷积神经网络的方法相比HOG+SVM具有更低的漏检率和误检率。 本文主要对第二、三部分做了详细的介绍，对于HOG特征和SVM以及卷积神经网络做了详细的阐述，并且针对这两种方法做了大量的实验，实验证明：这两种方法都能不同程度的识别扣件的异常，为铁路扣件的检测提高了效率同样保证了列车行驶的安全性和稳定性。具有一定的工程意义。 |
| 作者： | 殷凯 |
| 专业： | 电子与通信工程 |
| 导师： | 马千里 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京邮电大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
