基于图像的钢轨轨面缺陷检测识别技术研究

发布时间：2021-05-23 23:25

　　列车运行轨道的安全性对列车运行至关重要,因此,运行轨道的伤损检测对列车安全高效运行意义重大。传统的轨道伤损检测方法如目视法、磁粉法、超声波检测等方法检测效率低、易受主观因素影响、造价高且精度低。为解决以上问题,一种基于机器视觉的钢轨缺陷检测法应运而生,该方法根据轨检设备采集到的轨面图像结合图像处理技术进行对轨面进行缺陷检测,具有高效、便捷、低成本的优点,并且拥有广阔的实际应用前景,本文以轨面图像为研究背景,结合机器视觉和深度学习的原理,对基于图像处理的轨面缺陷识别方法展开研究。首先,阐述研究背景和意义,对轨面缺陷检测的重要作用进行论述,对研究现状进行回顾分析,总结现有成果。指出根据机器视觉检测系统结构原理结合铁路现场的环境,按照轨检图像的检测要求,对检测系统的图像采集装置的硬件进行了选择并对参数的设置进行理论研究和技术分析,以获得良好的轨面图像。然后,对采集的轨道图像进行预处理,采用直方图均衡化算法对轨检图像进行图像增强,随后对比了几种常用的图像去噪算法,采用了自适应滤波算法对轨检图像去噪,在实现了预处理后,利用改进的Canny边缘检测算子对预处理之后的缺陷图像进行粗提取,提出图像中的... 

【文章来源】：兰州交通大学甘肃省

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 论文的选题背景和研究意义
    1.2 国内外研究现状
        1.2.1 传统钢轨探伤技术研究现状
        1.2.2 机器视觉轨面探伤研究现状
    1.3 主要研究内容
        1.3.1 本文主要工作
        1.3.2 章节安排
2 轨道表面图像预处理
    2.1 机器视觉概述
        2.1.1 机器视觉定义
        2.1.2 机器视觉的主要应用场景
    2.2 采集系统的硬件组成
        2.2.1 图像采集系统
        2.2.2 图像处理分析平台
    2.3 轨道图像的图像增强
    2.4 轨道图像的图像去噪
        2.4.1 中值滤波
        2.4.2 高斯滤波
        2.4.3 自适应滤波
        2.4.4 图像去噪评价标准对比
    2.5 本章小结
3 轨道表面缺陷分割
    3.1 轨面区域提取
        3.1.1 轨面边缘检测
        3.1.2 钢轨参数求解
        3.1.3 轨面提取实验分析
    3.2 基于边界的缺陷分割
        3.2.1 基于一阶导数的缺陷边缘检测
        3.2.2 基于二阶导数的缺陷边缘检测
        3.2.3 Canny算子
        3.2.4 边缘检测算法效果比较
    3.3 基于阈值的缺陷分割
        3.3.1 迭代阈值分割
        3.3.2 变异系数法阈值分割
        3.3.3 改进Ostu阈值分割
    3.4 本章小结
4 基于深度学习的钢轨缺陷分类
    4.1 深度学习概述
    4.2 深度学习网络SE-DenseNet的介绍
        4.2.1 DenseNet网络模型
        4.2.2 DenseNet网络的变形模型
        4.2.3 SENet网络模型
        4.2.4 DenseNet网络模型及其嵌入模型
    4.3 SE-DenseNet在轨面缺陷分类中的应用
        4.3.1 钢轨缺陷图像数据集
        4.3.2 参数设置
        4.3.3 仿真对比实验与分析
    4.4 本章小结
5 总结与展望
致谢
参考文献
攻读学位期间的研究成果


【参考文献】：
期刊论文
[1]提升我国铁路客运量的新方法[J]. 张博,胡小敏,岳凯.  科技经济导刊. 2019(36)
[2]铁路货物运输发展趋势及对策研究[J]. 段蕴桔,李樱灿,游艳雯.  铁道货运. 2019(12)
[3]新时代背景下中长期规划高速铁路网适应性探讨[J]. 周丰,孙洪涛.  铁道标准设计. 2019(11)
[4]深度学习在图像识别中的应用研究[J]. 李春晓,尹振红.  卫星电视与宽带多媒体. 2019(19)
[5]基于机器视觉的缺陷检测应用综述[J]. 韩茜茜,耿世勇,李恒毅.  电工技术. 2019(14)
[6]基于机器视觉的多线路钢轨扣件缺损检测方法[J]. 刘俊博,黄雅平,王胜春,赵鑫欣,邹琪,张兴园.  中国铁道科学. 2019(04)
[7]基于传统数字图像处理的钢轨裂纹检测[J]. 申肖阳,高鸿斌.  邯郸职业技术学院学报. 2019(02)
[8]一种改进的Canny边缘检测算法[J]. 刘素行.  电脑编程技巧与维护. 2019(06)
[9]Otsu阈值分割法特点及其应用分析[J]. 袁小翠,黄志开,马永力,刘宝玲.  南昌工程学院学报. 2019(01)
[10]轨道扣件检测系统设计与分析[J]. 李欢,柴晓冬,彭乐乐,陈兴杰.  计算机测量与控制. 2019(02)

博士论文
[1]轨道表面缺陷的视觉检测模型与算法研究[D]. 甘津瑞.北京交通大学 2019
[2]基于机器视觉的钢轨踏面磨耗剥落检测技术研究[D]. 胡志新.南昌大学 2018

硕士论文
[1]基于卷积神经网络的车牌识别关键技术的研究与应用[D]. 高攀.北京邮电大学 2019
[2]基于深度学习的工业缺陷检测方法研究[D]. 韩慧.重庆邮电大学 2019
[3]基于深度学习的MR影像肝细胞癌自动分级方法研究[D]. 周庆.中国科学技术大学 2019
[4]图像边缘检测及模式识别技术研究[D]. 吕彦诚.哈尔滨工业大学 2019
[5]基于深度学习的图像分类方法及加速训练技术[D]. 路星昊.西安电子科技大学 2019
[6]基于深度学习的表面缺陷检测算法研究[D]. 刘力哲.华中科技大学 2019
[7]高亮回转表面缺陷识别方法的研究[D]. 郭皓然.西安理工大学 2018
[8]基于卷积神经网络的钢轨伤损车载识别方法研究[D]. 王康伟.哈尔滨工业大学 2017
[9]基于计算机视觉的钢轨缺陷算法研究[D]. 谭云强.北京交通大学 2017
[10]基于图像处理的铁轨表面缺陷自动检测方法研究[D]. 李立.南京航空航天大学 2015



本文编号：3203152