基于計算機視覺技術的鐵路軌道表面缺陷分類檢測研究.pdf

1、鐵路運輸對國民經濟的發(fā)展起著不可替代的推動作用。軌道作為鐵路運輸的重要組成部分，隨著列車速度的不斷提高、重量的不斷加大，意味著現(xiàn)階段需要更先進的軌道檢測方法、更高質量的軌道檢測設備對軌道進行保障。一般軌道缺陷多發(fā)于表面，且由表及里蔓延開來，因此，軌道表面缺陷檢測變得勢在必行。本文選取計算機視覺技術研究軌道表面缺陷檢測分類，研究內容包括以下幾方面:
　　(1)通過對計算機視覺處理流程的闡述，分析計算機視覺技術處理軌道缺陷的必要性;軌

2、道缺陷分為裂紋及疤痕，詳細闡述分類的依據;圖像獲取是缺陷檢測系統(tǒng)的開始步驟，闡述圖像輸入流程，為后續(xù)軌道缺陷圖像處理打好基礎。
　　(2)圖像預處理包括圖像增強、圖像去噪。圖像增強可以增加圖像清晰度，降低后期缺陷分類中計算機的識別難度。圖像增強方法有伽馬灰度變換、直方圖均衡化，分別論述二者的變換過程，通過對比變換后缺陷圖像的直方圖，以對比度增加及直方圖走勢與原圖類似為準則，選取灰度變換作為圖像增強的方法。圖像去噪，噪聲包括椒鹽噪聲

3、、高斯噪聲，選取空間域濾波的3種典型去噪方法，以處理后缺陷圖像PSNR值作為評價指標，選取中值濾波作為去噪方法。
　　(3)圖像分割的目的是將軌道缺陷區(qū)域與軌道非缺陷區(qū)域分離開來，包括三個步驟:背景分割、目標分割、形態(tài)學處理。詳細闡述分割原理，分割后圖像必須滿足缺陷形態(tài)明顯、無分割雜質等要求。
　　(4)圖像邊緣檢測是對分割后的缺陷外廓進行提取。分別闡述4種邊緣檢測算子的分割過程，以邊緣檢測處理后缺陷圖像保留原缺陷外形特征以

4、及圖像具有抑噪能力為準則，選取Canny算法作為邊緣檢測的方法。
　　(5)選用BP神經網絡作為缺陷圖像分類器，BP神經網絡結構層次多樣，層與層之間連接緊密，可以實現(xiàn)較為復雜的分類。為了區(qū)分裂紋、疤痕缺陷，以圓度率、矩形率、細長比作為分類特征，設計BP神經網絡。網絡共有3個輸入層節(jié)點，對應選取的軌道缺陷特征值;7個隱含層節(jié)點，構成中間銜接;2個輸出層節(jié)點，對應裂紋、疤痕2類缺陷，通過訓練樣本對該網絡進行訓練，在訓練好的網絡中輸入識