基于隱式形狀模型的機車走行部關(guān)鍵部件檢測算法研究.pdf

1、步入21世紀以來，伴隨著中國經(jīng)濟的快速發(fā)展，鐵路作為一種重要的運輸工具也獲得了高速的發(fā)展。隨著鐵路運輸?shù)目焖侔l(fā)展，其安全問題也備受關(guān)注。走行部作為鐵路運輸中的關(guān)鍵部分，其正常運行與行車安全息息相關(guān)，所以，在日常檢修中，走行部部件的異常檢測是最重要的部分。在早期，對走行部的檢修主要以人工為主，這不僅工作量繁重，而且占用列車運行時間。后來，隨著機器視覺領(lǐng)域的發(fā)展，產(chǎn)生了以機器視覺系統(tǒng)來拍攝走行部圖像，然后人工觀看圖像的方式來對走行部異常進行

2、判斷。這避免了鉆車帶來的工作量，提高了工作效率。以人工觀看的方式來進行異常檢測是不可靠的，因為人工觀看圖像容易產(chǎn)生視覺疲勞。所以，需要一種能夠自動對走行部進行異常判定的方式來解決問題。
　　利用機器視覺系統(tǒng)來對走行部圖像進行處理，以判斷其是否產(chǎn)生了異常是整個系統(tǒng)的關(guān)鍵。其中，對于關(guān)鍵部件的識別定位則是該項工作的第一步。為此，本文深入分析了復(fù)雜場景中目標識別定位問題的難點，提出了一種基于“預(yù)測理論”的自頂向下的目標識別定位方法。主要

3、目的在于解決結(jié)構(gòu)性較穩(wěn)定場景下機車走形部的多種類型目標快速識別定位問題。本文主要工作如下:
　　1.針對局部圖像的特征表達，目前較好的方法是對圖像的稀疏表征。傳統(tǒng)的稀疏表征方法中，由于沒有對每一類原子的有效性進行控制，所以往往容易出現(xiàn)“死神經(jīng)元”現(xiàn)象，且容易使得整個聚類結(jié)果極其容易陷入到局部最小。針對這種情況，本文提出基于競爭機制的聚類分析方法，通過在訓(xùn)練時限制每一類下樣本的數(shù)量來保證每一類的有效性。
　　2.對圖像進行表征

4、的第二步是利用訓(xùn)練到的原子來對圖像進行表示。在傳統(tǒng)做法中往往采用計算局部特征與原子距離的方式進行，這種方法簡單、直觀。但是，由于視覺基本圖像塊之間存在較高的相似度使得最后的分類結(jié)果不夠穩(wěn)定。所以，本文引入了“類間相似分量抑制”方法，通過抑制類間相似分量的方法實現(xiàn)突出差異分量，達到提高分類穩(wěn)定性及可靠性的目的。
　　3.由于機車走行部圖像容易受到光照、水漬及泥污影響，在邊緣提取時容易產(chǎn)生大量雜亂非有效邊緣。為此，基于視覺成像理論，提

5、出一種改進的邊緣提取算法，主要通過訓(xùn)練得到傳統(tǒng)有效邊緣特性，然后利用邊緣特性來對檢測到的邊緣進行有效性評估，近而是去掉有效性較低的邊緣，提高邊緣檢測可靠性。實驗表明:提出的改進邊緣提取算法能夠有效的去除噪聲干擾對邊緣檢測的影響。
　　4.在機車走行部異常檢測系統(tǒng)中，對關(guān)鍵目標的識別定位是整個系統(tǒng)的關(guān)鍵。本文基于隱式形狀模型，結(jié)合預(yù)測理論，提出一種自項向下的機車走行部關(guān)鍵目標識別定位方法。能夠針對結(jié)構(gòu)性穩(wěn)定的目標實現(xiàn)快速精確的目標識