發(fā)布時間：2017-07-17 09:20

  本文關(guān)鍵詞：鋼軌擦傷檢測算法研究

  更多相關(guān)文章： 計算機視覺 數(shù)字圖像處理 波磨 塊擦傷 機器學(xué)習(xí) 背景建模

【摘要】：摘要：傳統(tǒng)的鋼軌擦傷檢測主要依賴于人工巡道檢測,這不僅效率低下成本高,而且基本上每個工人都需要負(fù)責(zé)幾十公里的地段。這樣在長距離的重復(fù)性工作的情況下漏檢的概率就相當(dāng)大。自動化、智能化的軌道檢測技術(shù)是鐵路工務(wù)部門的迫切需求�；谟嬎銠C視覺的數(shù)字圖像處理技術(shù)的鋼軌擦傷檢測算法研究不僅解決了由于人工視覺疲勞導(dǎo)致的漏檢的情況,而且檢測效率大大提高。往往一臺計算機能夠?qū)崿F(xiàn)上千公里的檢測任務(wù),大大節(jié)約了檢測成本。本文需要解決的鋼軌擦傷主要分為兩大類：波磨和疤痕擦傷。對于波磨檢測,本文基于車載軌道巡檢系統(tǒng)采集的軌道圖像和波磨的形態(tài)學(xué)特征,提出了基于局部頻域特征分析的波磨圖像檢測方法。首先,應(yīng)用基于位置加權(quán)的鋼軌定位算法提取準(zhǔn)確的鋼軌區(qū)域圖像。然后,分析并抽取鋼軌圖像每一列傅里葉變換的能量特征形成特征向量,并采用訓(xùn)練好的有監(jiān)督機器學(xué)習(xí)算法SVM對抽取的特征向量進行分類預(yù)測,以判定該列是否為波磨線。最后,根據(jù)每一列的檢測結(jié)果判定連續(xù)的波磨區(qū)間以判定該鋼軌圖像是否具有波磨現(xiàn)象。對于塊擦傷檢測,本文主要結(jié)合傳統(tǒng)視頻幀中運動前景檢測的背景建模算法。將鋼軌圖像分割成若干段,將每一段對應(yīng)于視頻中的一幀,整張鋼軌相當(dāng)于一個短小的視頻幀序列。本文主要借鑒與ViBe算法的思想但采取不同的特征,同時加入了更加合理的預(yù)處理方法。實驗表明,基于局部背景建模的鋼軌擦傷檢測算法的性能高于傳統(tǒng)方法,取得了良好的檢測效果,同時它還能推廣到其他的缺項檢測的實際應(yīng)用中。
【關(guān)鍵詞】：計算機視覺 數(shù)字圖像處理 波磨 塊擦傷 機器學(xué)習(xí) 背景建模
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-10
• 1 緒論10-20
• 1.1 研究背景與意義10-11
• 1.2 基于計算機視覺的缺陷檢測11-17
• 1.2.1 圖像的獲取12-13
• 1.2.2 缺陷檢測的一般步驟13-17
• 1.3 本文主要研究內(nèi)容和創(chuàng)新點17-19
• 1.4 本文章節(jié)安排19-20
• 2 相關(guān)研究工作綜述20-29
• 2.1 鋼軌擦傷的特征及分類20-23
• 2.1.1 波紋磨擦20-21
• 2.1.2 疤痕擦傷21
• 2.1.3 光帶不勻21-23
• 2.2 傳統(tǒng)檢測方法簡介23-24
• 2.3 國內(nèi)外研究現(xiàn)狀24-29
• 2.3.1 基于紋理特征的鋼軌波磨檢測25-26
• 2.3.2 基于灰度對比度的鋼軌擦傷檢測26-29
• 3 鋼軌波磨檢測算法研究29-47
• 3.1 引言29-30
• 3.2 鋼軌定位30-31
• 3.3 基于頻率特征的波磨檢測31-38
• 3.3.1 波磨檢測算法原理32-33
• 3.3.2 波磨線判定33-35
• 3.3.3 波磨區(qū)間判定35-36
• 3.3.4 實驗結(jié)果與分析36-38
• 3.4 基于機器學(xué)習(xí)的波磨檢測38-46
• 3.4.1 系統(tǒng)介紹38-41
• 3.4.2 基于局部頻率特征的波磨檢測41-42
• 3.4.3 實驗結(jié)果與分析42-46
• 3.5 小結(jié)46-47
• 4 基于背景建模的鋼軌擦傷檢測算法研究47-64
• 4.1 引言47
• 4.2 背景建模算法綜述47-48
• 4.3 基于背景建模的鋼軌擦傷檢測算法48-57
• 4.3.1 模型的提出48-50
• 4.3.2 模型的工作原理50-53
• 4.3.3 模型的初始化53-54
• 4.3.4 模型的更新54-57
• 4.4 實驗結(jié)果與分析57-63
• 4.4.1 基于分割角度的擦傷檢測算法性能評估58-60
• 4.4.2 基于疤痕個數(shù)統(tǒng)計的擦傷檢測算法性能評估60
• 4.4.3 算法的參數(shù)分析60-63
• 4.5 小結(jié)63-64
• 5 總結(jié)和展望64-66
• 參考文獻66-69
• 作者簡歷及攻讀碩士學(xué)位期間取得的xO究成果69-71
• 學(xué)位論文數(shù)據(jù)集71

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 葛磊;武芳;王鵬波;張冬林;;3維建筑綜合中基于最小特征的面平移算法[J];測繪科學(xué)技術(shù)學(xué)報;2009年02期

2 駱雯,孫延明,陳振威,陳錦昌;判斷點與封閉多邊形相對關(guān)系的改進算法[J];機械;1999年03期

3 李林;盧顯良;;一種基于切割映射的規(guī)則沖突消除算法[J];電子學(xué)報;2008年02期

4 劉巧玲;張紅英;林茂松;;一種簡單快速的圖像去霧算法[J];計算機應(yīng)用與軟件;2013年07期

5 林亞平,楊小林;快速概率分析進化算法及其性能研究[J];電子學(xué)報;2001年02期

6 章郡鋒;吳曉紅;黃曉強;何小海;;基于暗原色先驗去霧的改進算法[J];電視技術(shù);2013年23期

7 楊鐵軍;靳婷;;一種動態(tài)整周模糊值求解算法及其仿真分析[J];系統(tǒng)工程與電子技術(shù);2007年01期

8 周秀玲;郭平;陳寶維;王靜;;幾種計算超體積算法的比較研究[J];計算機工程;2011年03期

9 吳一戎,胡東輝,彭海良;Chirp Scaling SAR成象算法及其實現(xiàn)[J];電子科學(xué)學(xué)刊;1995年03期

10 王貴竹;一種產(chǎn)生單向分解值的算法[J];安徽大學(xué)學(xué)報(自然科學(xué)版);2001年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 尹冀鋒;;一種新的圖象自適應(yīng)增強算法[A];四川省通信學(xué)會一九九二年學(xué)術(shù)年會論文集[C];1992年

2 寧春平;田家瑋;郭延輝;王影;張英濤;鄭桂霞;劉研;;計算機輔助增強、分割算法在鑒別乳腺良、惡性腫塊中的應(yīng)用價值[A];中華醫(yī)學(xué)會第十次全國超聲醫(yī)學(xué)學(xué)術(shù)會議論文匯編[C];2009年

3 謝麗聰;;SVB查詢改寫算法的改進[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2004年

4 鄭存紅;;復(fù)雜背景下相關(guān)跟蹤算法研究及DSP實現(xiàn)[A];中國光學(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

5 楊文杰;吳軍;;RFID抗沖突算法研究[A];2008通信理論與技術(shù)新進展——第十三屆全國青年通信學(xué)術(shù)會議論文集（上）[C];2008年

6 高山;畢篤彥;魏娜;;一種基于UPF的小目標(biāo)TBD算法[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

7 周磊;張衛(wèi)華;王曉奇;張軍;;基于流水算法的智能路障機器人設(shè)計[A];2011年全國電子信息技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2011年

8 潘巍;李戰(zhàn)懷;陳群;索博;李衛(wèi)榜;;面向MapReduce的非對稱分片復(fù)制連接算法優(yōu)化技術(shù)研究[A];第29屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）（NDBC2012）[C];2012年

9 李偉偉;蔡康穎;鄭新;王文成;;3D模型中重復(fù)結(jié)構(gòu)的多尺度快速檢測算法[A];第六屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

10 楊任爾;陳懇;勵金祥;;基于棱邊方向檢測的運動自適應(yīng)去隔行算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 國泰君安資產(chǎn)管理部;“算法交易”是道指暴跌罪魁禍?zhǔn)?[N];上海證券報;2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 馮輝;網(wǎng)絡(luò)化的并行與分布式優(yōu)化算法研究及應(yīng)用[D];復(fù)旦大學(xué);2013年

2 許玉杰;云計算環(huán)境下海量數(shù)據(jù)的并行聚類算法研究[D];大連海事大學(xué);2014年

3 李琰;基于貓群算法的高光譜遙感森林類型識別研究[D];東北林業(yè)大學(xué);2015年

4 陳加順;海洋環(huán)境下聚類算法的研究[D];南京航空航天大學(xué);2014年

5 王洋;基于群體智能的通信網(wǎng)絡(luò)告警關(guān)聯(lián)規(guī)則挖掘算法研究[D];太原理工大學(xué);2015年

6 雷雨;面向考試時間表問題的啟發(fā)式進化算法研究[D];西安電子科技大學(xué);2015年

7 熊霖;大數(shù)據(jù)下的數(shù)據(jù)選擇與學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2015年

8 周雷;基于圖結(jié)構(gòu)的目標(biāo)檢測與分割算法研究[D];上海交通大學(xué);2014年

9 王冰;人工蜂群算法的改進及相關(guān)應(yīng)用的研究[D];北京理工大學(xué);2015年

10 蔣亦樟;多視角和遷移學(xué)習(xí)識別方法和智能建模研究[D];江南大學(xué);2015年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 姚鑫宇;EMD去噪與MUSIC算法在DOA估計中的聯(lián)合應(yīng)用[D];昆明理工大學(xué);2015年

2 陸進;面向含噪數(shù)據(jù)聚類相關(guān)算法的研究[D];復(fù)旦大學(xué);2014年

3 李家昌;基于能量約束的超聲圖像自動分割算法[D];華南理工大學(xué);2015年

4 陳堅;基于密度和約束的數(shù)據(jù)流聚類算法研究[D];蘭州大學(xué);2015年

5 高健;基于Zynq7000平臺的去霧算法研究及實現(xiàn)[D];南京理工大學(xué);2015年

6 顧磊;基于Hadoop的聚類算法的數(shù)據(jù)優(yōu)化及其應(yīng)用研究[D];南京信息工程大學(xué);2015年

7 楊燕霞;基于Hadoop平臺的并行關(guān)聯(lián)規(guī)則挖掘算法研究[D];四川師范大學(xué);2015年

8 王羽;基于MapReduce的社區(qū)發(fā)現(xiàn)算法的設(shè)計與實現(xiàn)[D];南京理工大學(xué);2015年

9 許振佳;流式數(shù)據(jù)的并行聚類算法研究[D];曲阜師范大學(xué);2015年

10 董琴;人工蜂群算法的改進與應(yīng)用[D];大連海事大學(xué);2015年

，

本文編號：552935