基于视觉的钢轨表面缺陷识别方法综述

发布时间：2022-02-19 00:53

　　基于计算机视觉技术的钢轨表面缺陷识别方法凭借其非接触、准确性高、无遗漏、快速高效等优点得到越来越多的关注。其识别流程包括:对采集到的钢轨表面图像进行预处理;采用灰度水平投影等方法提取出钢轨的轨面区域;利用图像分割技术提取出缺陷部分的图像信息;对缺陷特征进行描述,计算出缺陷的特征向量;利用机器学习分类器实现缺陷分类;通过深度学习实现钢轨表面缺陷的识别。基于当前研究难点,指出未来主要的研究方向,包括图像的优化预处理、钢轨表面缺陷的快速准确提取及对基于深度学习的缺陷识别方法的深化完善。 

【文章来源】：铁道建筑. 2020,60(09)北大核心

【文章页数】：5 页

【文章目录】：
1 钢轨表面图像预处理
    1.1 图像去噪
    1.2 图像增强
2 轨面区域提取
3 基于机器学习的钢轨表面缺陷识别
    3.1 缺陷提取
    3.2 缺陷特征描述
    3.3 缺陷分类
4 基于深度学习的钢轨表面缺陷识别
5 发展趋势
6 结语


【参考文献】：
期刊论文
[1]基于图像特征的轨道表面缺陷识别研究[J]. 郝永旺,魏文军,曹玉新,姜永涛.  电子世界. 2018(14)
[2]基于灰度对比图与最大熵的钢轨图像分割[J]. 李晓梅,顾桂梅,常海涛.  铁道标准设计. 2018(04)
[3]基于多特征融合与AdaBoost算法的轨面缺陷识别方法[J]. 闵永智,程天栋,马宏锋.  铁道科学与工程学报. 2017(12)
[4]基于卷积神经网络的轨道表面缺陷检测技术实现[J]. 刘孟轲,吴洋,王逊.  现代计算机(专业版). 2017(29)
[5]基于PCA模式和颜色特征的钢轨表面缺陷视觉显著性检测[J]. 王姮,王曼,张华,刘桂华.  自动化仪表. 2017(01)
[6]铁路钢轨缺陷伤损巡检与监测技术综述[J]. 田贵云,高斌,高运来,王平,王海涛,石永生.  仪器仪表学报. 2016(08)
[7]基于背景差分的高铁钢轨表面缺陷图像分割[J]. 贺振东,王耀南,刘洁,印峰.  仪器仪表学报. 2016(03)
[8]基于图像色相值突变特征的钢轨区域快速识别方法[J]. 闵永智,殷超,党建武,程天栋.  交通运输工程学报. 2016(01)
[9]基于图像差异和视觉反差的钢轨表面缺陷检测[J]. 夏利民,蔡南平,杨宝娟.  计算机工程与设计. 2014(06)
[10]铁轨表面缺陷的视觉检测与识别算法[J]. 唐湘娜,王耀南.  计算机工程. 2013(03)

硕士论文
[1]基于图像的轨道表面缺陷识别研究[D]. 李永基.兰州交通大学 2017
[2]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
[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
[4]轨道缺陷自动检测系统的图像处理技术研究[D]. 吴梦.西南交通大学 2013
[5]基于机器视觉的铁路线路状态检测算法研究[D]. 李永波.西南交通大学 2013
[6]基于计算机视觉的铁轨表面缺陷检测技术研究[D]. 甄理.南京航空航天大学 2012
[7]钢轨表面缺陷识别系统的设计与研究[D]. 孟佳.西南交通大学 2005



本文编号：3631879