图像式铁路轨道表面缺陷检测技术研究

发布时间：2021-10-08 10:53

　　铁路是国民经济发展的重要基石,及时地钢轨缺损维护工作是保证铁路运输安全的重要一环。随着我国经济迅速繁荣,高速、重载、路网密集已经越来越成为未来铁路发展建设的方向,当前传统低效、处理复杂的巡检方式已难以满足轨检需要。近年来在目标识别领域兴起的深度学习方法,在检测效果上实现了跨越式提升。本文采用高速线阵相机技术对钢轨图像进行快速采集,并采用深度卷积生成对抗网络对钢轨缺陷样本进行增强,基于区域候选的深度卷积神经网络（Faster Region-Convolutional Neural Networks,Faster R-CNN）算法对钢轨表面缺陷区域完成识别,完成了高效的图像式铁路轨道表面缺陷检测系统。首先,在汲取课题组前期基于面阵相机的钢轨图像采集装置经验前提下,改用高速线阵相机,使用外部触发装置,搭建图像采集系统。针对目前轨检车采集的图像质量差异较大的问题,主要考虑光线影响,通过加装遮光罩及可调节的光源补充装置,提升了采集图像的质量。线阵相机在行频触发条件下,在保证图像质量的前提下,实现了对钢轨图像的高速采集。其次,分别介绍了YOLO、SSD、R-CNN系列网络架构,分析总结了上述方法的... 

【文章来源】：兰州交通大学甘肃省

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

国外主要

国产

图像式铁路轨道表面缺陷检测技术研究-10-图2.3便携式轨道状态检测系统结构图2.2.2设备选型本图像采集系统中，硬件设备主要包括：条形光源、线阵相机、镜头、工控机、蓄电池及外部触发装置等，其中核心器件为高速线阵相机。为适应系统检测精度的要求，此处采集图像的分辨率理论不低于0.5mm，此外相机还应配备灵活的外部调节模块用于对曝光时间、亮度等工作环境的配置。对系统相机需求分析后，本系统选用Microview公司的MVC2049SLM-GE32型线阵黑白相机，该相机传感器类型为CMOS形式，可将光电信号转换直接产生电流信号，信号读取简单，耗电量校相机参数如表2.2所示。图2.4和图2.5分别为相机实物和相机光谱曲线。40050060070080090010000102030405060708090100η(%)Lambda(nm)图2.4MVC2049SLM-GE32型相机实物图2.5MVC2049SLM-GE32型相机光谱曲线图2.6AZURE-2428MF镜头NI工控机系统电源光源控制器条形LED光源工业相机钢轨轨枕扣件显示器

【参考文献】：
期刊论文
[1]基于WFSOA的2D-Otsu钢轨缺陷图像分割方法[J]. 曹义亲,段也钰,武丹.  计算机科学. 2020(05)
[2]高速运动的轨道图像去模糊[J]. 鄢化彪,黄绿娥,王鹏.  铁道学报. 2019(12)
[3]基于区域与深度残差网络的图像语义分割[J]. 罗会兰,卢飞,孔繁胜.  电子与信息学报. 2019(11)
[4]基于改进距离正则化水平集的钢轨表面缺陷提取方法[J]. 曹义亲,谢舒慧.  交通信息与安全. 2019(05)
[5]基于Faster R-CNN的多尺度高压塔鸟巢检测[J]. 王纪武,罗海保,鱼鹏飞,郑乐乐,胡方全.  北京交通大学学报. 2019(05)
[6]基于ACFM的轨道缺陷检测系统设计和试验[J]. 赵建明,邢艳东,李伟,葛玖浩,袁新安,陈国明,刘阳,朱玉凯.  无损检测. 2019(10)
[7]视觉注意力网络在工件表面缺陷检测中的应用[J]. 王一鸣,杜慧敏,张霞,徐一丁.  计算机辅助设计与图形学学报. 2019(09)
[8]基于条件深度卷积生成对抗网络的语音增强研究[J]. 褚伟.  智能计算机与应用. 2019(04)
[9]基于改进的Faster R-CNN高压线缆目标检测方法[J]. 刘召,张黎明,耿美晓,么军,张金禄,胡益菲.  智能系统学报. 2019(04)
[10]基于Faster R-CNN的高分辨率图像目标检测技术[J]. 谢奇芳,姚国清,张猛.  国土资源遥感. 2019(02)

硕士论文
[1]轨检图像中钢轨表面缺陷分析与识别[D]. 程天栋.兰州交通大学 2017
[2]工业相机序列图像超分辨率重建[D]. 王晓东.哈尔滨工业大学 2016
[3]基于机器视觉的钢轨表面缺陷检测技术研究[D]. 王时丽.西南科技大学 2016



本文编号：3424014