原文传递
基于图像处理的列车底部故障检测
| 论文题名： | 基于图像处理的列车底部故障检测 |
| 关键词： | 列车底部故障检测;形状相似度;特征提取;图像处理 |
| 摘要： | 现有的货运列车故障检测系统采用人机结合的方式进行故障诊断，一方面检测效率有待提升，另一方面准确率受人工因素影响，可靠性差。本文按照先定位再检测的思想，基于现有的TFDS(TroubleofMovingFreightCarDetectionSystem，列车运行故障动态检测系统)与故障检测算法相关研究，将传统的图像处理算法同基于特征与机器学习的算法相结合，针对几种货运列车底部典型故障提出了满足列检高准确率与实时性要求的自动化检测算法。具体研究内容如下: (1)列车底部低质量图像处理算法研究。首先实现了针对列车底部低亮度与低对比度图像判别方法，采用直方图规定化对低对比度图像进行增强以及采用改进Lee增强算法对低亮度图像进行增强，通过对比传统增强算法证明了本文增强算法具有更好效果;其次实现了基于梯度图方差的转向架模糊图像判别方法，采用维纳滤波对模糊图像进行复原，利用图像的差分自相关特性实现了PSF(PointSpreadFunction，点扩散函数)尺度参数估计，实验证明该算法对轻微运动模糊图像具有较好复原效果。以上算法的平均用时均为10ms左右，满足列检的实时性需求。 (2)基于形状相似度的挡键缺失故障检测算法研究。首先利用转向架区域轮轴几何特征及区域间位置关系，实现了针对挡键区域的分步定位过程;然后采用了基于轮廓形状相似度的故障判别算法，针对挡键缺失故障分别采用Hu矩特征、形状距离与Hausdorff距离进行检测，综合对比了几种算法的性能指标，最后提出了分步定位与基于Hu矩特征的轮廓匹配相结合的挡键故障检测算法，算法的误检率与漏检率均小于5％，平均用时小于100ms;算法具有准确性与快速性。 (3)基于GA-SVM(GeneticAlgorithm-SupportVectorMachine，遗传算法优化-支持向量机)的安全链紧固件脱落与闸瓦缺失故障检测研究。首先利用制动梁区域梁体几何特征及区域间位置关系，实现了针对安全链与闸瓦区域的分步定位过程;然后构建故障区域样本集，利用SVM(SupportVectorMachine，支持向量机)分类器实现故障区域特征的分类预测并利用遗传算法进行参数优化;最后针对安全链紧固件脱落与制动闸瓦缺失故障分别采用GLCM(GrayLevelCo-occurrenceMatrix，灰度共生矩阵)特征、HOG(HistogramofOrientedGradient，梯度方向直方图)特征与LBP(LocalBinaryPattern，局部二值模式)特征结合GA-SVM进行检测，综合对比了几种算法的性能指标，最后提出了分步定位、LBP特征与GA-SVM分类器相结合的安全链故障检测算法，以及分步定位、HOG特征与GA-SVM分类器相结合的闸瓦故障检测算法，两种算法的误检率与漏检率均小于5％，平均用时均小于100ms;算法具有准确性与快速性。 (4)搭建了基于C++的列车故障检测系统软件平台。 |
| 作者： | 王绪晨 |
| 专业： | 控制工程 |
| 导师： | 付小宁;陈化良 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安电子科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
