基于機器視覺的鐵路扣件缺陷檢測方法研究.pdf

1、近年來，由于列車向高速、重載的方向迅速發(fā)展，因此，對鐵路線路的維護工作也提出了更高的要求。傳統(tǒng)的人工檢修方法對于當今現(xiàn)代化鐵路安全自動維護的需求而言已經(jīng)過時。現(xiàn)場數(shù)據(jù)調(diào)查可知，一旦鐵路扣件缺陷連續(xù)存在3個以上就有可能導致列車脫軌事故的發(fā)生。然而，由于技術的欠缺，目前，在現(xiàn)場大多數(shù)路段對扣件缺陷的檢測方法仍舊需要依靠工人沿線路巡查，該方法已不能滿足定期檢修的需要。另外，工人的安全也不能得到有效的保障。因此，該方法已無法保障為列車的高速運行

2、提供一個安全可靠的線路環(huán)境。在此種環(huán)境下，研發(fā)一種可靠、通用的自動對鐵路扣件缺陷檢測的方法就顯得尤為重要。
　　針對現(xiàn)有鐵路扣件缺陷檢測方法存在的不足，本文在機器視覺和圖像處理的基礎上，初步實現(xiàn)了扣件缺陷的自動檢測與分類，并設計了基于機器視覺的鐵路扣件缺陷檢測系統(tǒng)的軟件界面平臺。首先，對獲取的幀圖像進行預處理，對灰度圖像進行灰度化，減少圖像的信息量。通過對圖像去噪和增強處理，減少了圖像傳輸過程中對圖片質(zhì)量的影響，提高圖像的清晰度與

3、對比度。針對扣件定位差的問題，利用 LSD(Line Segment Detector,直線提取)算法實現(xiàn)扣件枕肩位置的準確定位，結合圖像的邊緣特征圖實現(xiàn)扣件鋼軌區(qū)域的準確定位，利用鋼軌邊緣位置與枕肩位置的結構信息關系，對扣件區(qū)域實現(xiàn)最終的準確定位。最后，利用融合分層LBP(Local Binary Pattern,局部二值模式)和分層HOG(Histogram of Oriented Gradient,方向梯度直方圖)特征提取算法對視

4、頻流中定位后的各類扣件提取特有的特征，并將此特征數(shù)據(jù)作為扣件分類器訓練的依據(jù)。基于二分類的SVM(Support Vector Machine,支持向量機)分類器對扣件缺陷進行準確分類。引用了先進的一對一特征的分類方法進行了SVM離線訓練，基于“投票法”的思想實現(xiàn)在線對扣件缺陷的準確分類。通過選取大量的正負樣本進行仿真實驗，本方法有效提高了系統(tǒng)的識別分類的準確率。
　　設計的鐵路扣件缺陷監(jiān)測系統(tǒng)的軟件界面平臺，其操作內(nèi)容有：登錄、