基于深度学习的火车轮对踏面图像分割

发布时间：2020-10-19 09:24

　　 轮对作为铁路轨道的关键组成部分,其运行状态直接关系到火车运行安全,铁路部门对于轮对都有着严格的检修标准。我国目前对于轮对踏面的检测仍以人工检测为主,工作量大且检测效率较低。为了适应铁路的智能化发展,需要对轮对踏面分割进行进一步研究。得益于硬件的飞速发展,计算能力的提升以及深度学习算法的不断发展,使得基于深度学习算法的图像分割在性能与效果上较于传统算法有了质的飞跃。本文设计了基于深度学习的火车轮对踏面图像分割算法。本文首先介绍了国内外对于轮对踏面检测方法的研究,并阐述了深度学习的发展以及优势,对轮轨相关基础理论、图像处理相关基础理论以及深度学习相关基础理论进行了分析,为后续章节研究工作的展开打下了基础。之后,为了突出图像中的目标区域使用MSRCR算法对采集到的原始图像进行图像增强,并使得待检测区域轮廓更明显,然后使用Canny边缘检测提取出边缘信息,提出了一种采用弧选择和梯度信息重复利用的改进椭圆检测算法用于将轮对区域进行前期分割处理,使得踏面区域占据图像的主要部分,然后搭建了一个基于Qt的轮对踏面区域的标注程序对分割后的图像进行标注,为后续的轮对踏面图像分割做准备。针对轮对踏面图像的分割,对U-Net算法进行了改进。在进行轮对踏面分割时针对数据量不足的问题采用了数据增广扩大数据量,使用公开数据集对模型进行预训练并使用迁移学习、在反卷积层中引入L2正则化等方法来防止模型的过拟合。引入CRF来提高踏面分割的精度以及更加准确的特征定位。最后通过与传统的分水岭算法进行对比分析,在踏面分割数据集进行了分割的实验验证,基于深度学习的分割算法在精确率方面可以达到93.49%。实验的结果证明了算法对于轮对踏面具有良好的分割效果。
【学位单位】：石家庄铁道大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP18;U279.32;TP391.41
【部分图文】：

1-1 日本基于图像技术的踏面检测系统示意图EC 公司研发的 W-INSPECT 可以用于火车运高分辨率相机和配套的光照系统来检测通过整个踏面的完整图像，以检测轮对踏面的擦 1-2 为该公司的产品示意图。图 1-2 美国 W-INSPECT 示意图cheidt-MFD 公司的 Argus_II 系统利用超声波

图 1-1 日本基于图像技术的踏面检测系统示意图美国的 MERMEC 公司研发的 W-INSPECT 可以用于火车运行速度 30 Km景，该系统利用高分辨率相机和配套的光照系统来检测通过的列车车轮。可以获得车轮整个踏面的完整图像，以检测轮对踏面的擦伤和轮对踏面等故障[13]。图 1-2 为该公司的产品示意图。

图 1-3 ARGUS-II 单个传感器示意图国内对于火车轮对踏面检测技术起步相对较晚，检测方法、检测设备以及论研究相对比较落后，但是近几年来随着高速铁路的发展使得相关理论到了很大的发展。如南京理工大学的朱跃通过建立擦伤型踏面故障的理，通过对振动信号进行傅里叶变换、小波分析等方式提高检测精度[15]；北大学的王乐通过MATLAB对激光三角法提出从镜头成像开始的全光路仿16]；华东交通大学的昌超通过建立列车-轨道-桥梁刚柔耦合振动力学仿真析轮对踏面磨耗后对钢轨以及桥梁的影响[17]；西南交通大学的何春燕通车轮不圆度对齿轮传动系统的动力学影响，揭示了轮对不圆阶数与波深影响规律[18]；西南交通大学的杨凯利用激光-位置敏感传感器并建立了车耦合的动力学方程，搭建了高速运行条件下的轮轨作用关系模型，为高运行时检测车轮缺陷提供了借鉴方法[19]。在已有的检测方法中，基于超声波检测与基于图像检测因非接触的特性，常广泛的研究空间以及研究价值，但是基于超声波的检测方法对于设备
【相似文献】

相关期刊论文 前10条

1 黄玲;石玉秋;覃永新;;基于小波融合的苹果图像分割的研究[J];科技视界;2018年29期

2 侯红英;高甜;李桃;;图像分割方法综述[J];电脑知识与技术;2019年05期

3 姚霆;张炜;刘金根;;基于深度学习的图像分割技术[J];人工智能;2019年02期

4 丁翠;;基于模糊信息处理的图像分割方法研究[J];信息系统工程;2017年11期

5 王平;魏征;崔卫红;林志勇;;一种基于统计学习理论的最小生成树图像分割准则[J];武汉大学学报(信息科学版);2017年07期

6 李然;李记鹏;宋超;;基于显著性检测的协同图像分割研究[J];现代计算机(专业版);2017年24期

7 邓惠俊;;一种基于数据场的图像分割方法与研究[J];长春工程学院学报(自然科学版);2016年02期

8 李继云;冀卿伟;;基于自适应局部阈值的交互式图像分割[J];计算机应用与软件;2014年11期

9 刘印;;对图像分割方法的认识及新进展研究[J];数码世界;2018年08期

10 杨成佳;;唇纹识别图像分割系统的研究[J];山西青年;2017年11期

相关博士学位论文 前10条

1 王晨;视觉显著性检测方法研究及其应用[D];西北工业大学;2018年

2 古晶;基于稀疏特征学习的SAR图像分割与半监督分类方法研究[D];西安电子科技大学;2016年

3 段一平;基于层次视觉计算和统计模型的SAR图像分割与理解[D];西安电子科技大学;2017年

4 胡佩君;腹部CT图像分割的可计算建模方法研究[D];浙江大学;2018年

5 姜枫;基于语义识别的砂岩薄片图像分割方法研究[D];南京大学;2018年

6 赵晓丽;面向图像分割的智能算法研究[D];上海大学;2018年

7 倪波;高强度聚焦超声图像分割方法研究[D];武汉大学;2016年

8 彭自立;用于交互式图像分割的自适应表观分离[D];湖南师范大学;2018年

9 瞿绍军;基于最优化理论的图像分割方法研究[D];湖南师范大学;2018年

10 王森;非受限场景裂纹图像分割方法研究[D];昆明理工大学;2017年

相关硕士学位论文 前10条

1 朱荽;基于密度峰值聚类的图像分割方法研究[D];重庆邮电大学;2019年

2 潘晖;基于图像分割中轮廓提取的目标检测方法[D];湘潭大学;2019年

3 赵俊丽;量子萤火虫算法改进及其在图像阈值分割中的应用[D];宁夏大学;2019年

4 程伟;智能优化算法的改进及其在图像分割中的应用研究[D];南昌大学;2019年

5 奚文娟;基于图像分割的细胞检测与跟踪算法研究[D];哈尔滨工业大学;2019年

6 刘雪鸣;基于摄像法的街道环境主观恢复性效益影响因素研究[D];哈尔滨工业大学;2019年

7 刘广泽;基于纹理位置约束的超声图像分割方法研究[D];哈尔滨工业大学;2019年

8 张雪茹;数学图像分割在生物医学视频上的应用[D];哈尔滨工业大学;2019年

9 张凯文;基于U-Net的肝脏CT图像分割研究[D];华南理工大学;2019年

10 杨金玉;膜聚类算法及其在图像分割中的应用[D];西华大学;2019年

本文编号：2847026