基于工业CT的铁路货车铸件缺陷自动检测

针对采用传统方法检测铸件缺陷存在检测效果不明显的问题,为提高检测效率,研究基于工业CT的铁路货车铸件内部缺陷自动检测算法.首先用工业CT扫描重建得到铸件的断面图像,然后对图像计算分形维数,利用铸件缺陷区域分形维数较高的特点自动定位出缺陷的大致区域,再用Facet模型对定位区域进行边缘检测,以便确定缺陷的准确形状.用工业CT对摇枕和侧架进行缺陷检测的结果表明,该方法不仅能获得铸件内部缺陷的位置和准确形状,而且处理自动化程度较高.     

基于数字图像处理的机械零件缺陷识别

在实验的基础上,通过图像的采集,图像的各种变换和处理方法,利用函数的傅立叶变换、图像的增强、图像的平滑及锐化、图像的二值处理、二值图像的形态操作及区域特征计算等有关数字图像的理论,在MATLAB上进行图像处理并识别零件的缺陷以及缺陷的种类和特征值,并对缺陷检测中尚待解决的问题进行了探讨。     

基于HALCON的钢轨表面缺陷检测技术研究

针对当前检测钢轨表面缺陷存在的效率低、易漏检误检问题,提出一种基于HALCON图像处理软件开发的钢轨表面缺陷检测方法,实现测量过程中对缺陷图像的识别和处理。通过钢轨模拟检测平台采集钢轨表面图像,利用HALCON软件对获取的原始图像进行预处理、边缘检测、目标特征提取,计算相关几何特征信息并定位钢轨表面缺陷。实验表明,该方法具有较高的测量精度和测量效率,能够满足实际应用,为钢轨表面缺陷在线检测提供了新的途径。     

基于计算机视觉的接触网定位器倾斜度自动测量方法

针对现行接触网定位器倾斜度检测方法效率低下、精确度不高的现状,研究基于计算机视觉的接触网定位器倾斜度自动测量方法.应用图像分割、剔除干扰线、图像细化等算法,对采集到的接触网定位装置的图像进行处理;然后用改进的Hough变换检测细化后的图像,对图像中相邻的特征象素点进行聚类并做感知编组;最后用随机Hough变换(RHT)...     

基于背景建模的钢轨表面缺陷像素级检测方法

钢轨表面缺陷具有独特性和稀疏性,利用机器视觉技术自动地检测钢轨表面缺陷仍存在很大挑战。提出一种基于背景建模的钢轨表面缺陷像素级检测方法,利用钢轨图像固有特性构建图像背景分布模型,找到背景分布簇中心,以定位到可疑像素点;提出一种钢轨表面缺陷像素级识别方法,根据可疑像素点的上下文特征和空间位置先验概率识别该像素点是否属于真实缺陷,并在钢轨缺陷数据集和实际线路上进行试验验证。研究结果表明:该方法在重载铁路和客运铁路2种钢轨缺陷数据集上均取得良好的识别性能,并在实际线路上达到100%的检测率。     

基于多传感器融合的视觉感知困难样本挖掘方法

视觉感知困难样本能有效提升自动驾驶场景中目标检测算法的性能,但是这些样本通常稀少且难以通过简单手段获取.针对该问题,文章提出一种基于多传感器融合的视觉感知困难样本挖掘方法.该方法利用雷达点云分割出来的障碍物目标对图像检测目标进行交叉复核,基于实际障碍物在多传感器间的映射关系挖掘图像目标检测算法难以识别或者未加入模型训练的样本,并将这些困难样本通过云边协同机制用于图像目标检测模型的重训练和远程部署,实现模型的优化迭代更新.试验表明,该方法可以有效挖掘矿用卡车自动驾驶场景的困难样本,通过增量迁移学习显著提升图像目标检测算法性能.同时,该算法对轨道交通等领域自动驾驶场景也具有重要的指导意义.     

基于DR图像多重快速分割的铁路货车铸件缺陷提取方法

针对铁路货车铸件DR(Digital Radiography)图像数据量大、背景亮度不均匀以及对DR图像中铸件薄壁区域的缺陷提取效果不理想和基于C-V模型的分割方法存在计算量大的问题,研究基于DR图像多重快速分割的铸件缺陷提取方法.先利用OTSU双阈值分割算法对铸件DR图像进行分割,然后应用区域生长技术得到铸件薄壁区域的图像;对该图像进行剥皮和归一化线性灰度拉伸处理后,再次利用OTSU双阈值分割算法和区域生长技术对图像进行分割,从中提取出含有和可能含有铸件缺陷的局部图像;对可能含有铸件缺陷的亮背景区域图像用C-V模型再次进行分割,最终提取出所有铸件缺陷的图像.     

基于高斯-中值的钢轨表面缺陷图像滤波研究

针对传统滤波算法在钢轨表面缺陷检测中噪声滤除效果的缺点,提出一种高斯-中值滤波算法。将图像反转,使缺陷及一些被氧化处与正常的钢轨表面的灰度亮度发生反转。对反转后图像的滤波模板窗口求加权平均值,将图像中的每个点的像素灰度值与其加权平均值进行比较,若该点的像素灰度值大于其加权平均值,则用中值滤波算法进行处理,否则用高斯滤波算法进行处理。将仿真结果与传统的方法相比较表明:该方法去除噪声效果更好,并能很好的保护图像细节和改善缺陷处的边缘细节。     

基于视觉注意力和PLSA模型的钢轨表面缺陷检测

针对目前钢轨表面缺陷检测的速度,精度较低,分类较难的现状,提出一种基于视觉注意力和PLSA模型的钢轨表面缺陷检测方法;结合亮度和纹理特征的视觉注意力模型检测钢轨表面缺陷,提取原图像的缺陷区域,并采用PLSA模型对提取的缺陷进行分类。实验结果表明:所提出的方法提高了检测及分类的速度与精度,能满足钢轨表面缺陷检测的要求。     

基于深度学习的铁路关键部件缺陷检测研究

关键部件缺陷图像自动检测对于复兴号动车组运营维护意义重大,但目前主要依靠专业人员对检测图像进行分析,耗费大量人力、物力,造成检测周期长,检测准确率无法保证。提出一种结合部件检测与缺陷分类流程的双通道缺陷检测框架MCDDF(Multi-channel Defect Detection Framework),部件检测通道基于目标检测算法实现动车组关键部件定位,定位后的关键部件经裁剪进行超分辨率提升,传入缺陷分类通道基于迁移学习方法实现缺陷类别的准确分类,结合两通道信息实现缺陷检测任务。实验分析两通道的性能提升方法,对比MCDDF与传统基于目标检测方法在铁路关键部件缺陷图像上的检测效果,验证了MCDDF方法的有效性。     

基于FPGA和DSP的高速实时轨道巡检图像采集处理系统

基于FPGA和DSP的高速实时轨道巡检图像采集处理系统由光学系统、FPGA模块、DSP图像处理模块及上位机组成。为提升图像采集的质量,提出并设计线阵相机加激光光源的组合方案,用以有效滤除阳光干扰,避免图像过度曝光。针对高速实时采集需求,设计FPGA采集模块,实现巡检图像采集控制和传输。针对实时智能检测需求,开发基于DSP模块的JPEG压缩、钢轨区域识别和扣件定位算法以及基于工控机的扣件缺陷识别算法。设计上位机软件,实现用户交互及数据存储。试验测试结果表明:该系统对钢轨定位的准确率在99%以上,对扣件定位的准确率在90%以上,对异常扣件识别率在80%以上,系统检测的最高速度可达160 km·h-1。     

基于机器视觉的钢轨表面检测光学模型的研究

在机器视觉的检测中,图像是整个系统中最重要的原始数据,其质量决定了后期图像处理的效果和速度。为探讨高质量图像的采集,提出一种基于线阵CCD相机和线阵光源的钢轨表面缺陷检测的光学理论模型,分析线阵CCD采集系统中振动模糊的原因,推导出图像灰度值与系统振动幅度和缺陷深度的关系,研究光源照射角度和相机拍摄角度对图像灰度和缺陷区域对比度的影响,并通过实验验证模型的合理性。结果表明:缺陷区域图像灰度值随着钢轨表面缺陷深度增大而降低,采用较低的光源照射角度可增大缺陷与背景的对比度,突出缺陷特征便于后期图像处理的缺陷识别。     

轨道巡检图像增强方法研究

针对高速铁路综合巡检车拍摄到的轨道巡检原始图像在某些工况下成像质量差的问题,基于视觉系统神经电生理试验提出了RGC的nCRF模型.由于感受野模型中存在不同的高斯通道,通过设计能自适应显示抑制强度变化的势函数改进了基本模型,提出mnCRF模型来改变抑制效果.根据边缘对比度指数QEC、细节增强指数QDE、灰度保持指数QMG...     

深度学习在接触网定位器缺陷检测中的应用

高速动车接触网运营安全的需求使得接触网关键零部件的缺陷自动检测成为一份有意义的工作。针对接触网巡检图像的定位器缺陷检测问题,本文提出了一种基于图像深度表示和直线检测的目标检测一体化算法。该算法采用选择搜索算法获得定位器在图像中可能存在的备选区域,利用深度卷积神经网络计算图像的深度特征,通过多任务学习的算法求得定位器的局部区域。随后,利用Canny边缘提取和Hough直线检测的方法在局部区域内精确检测定位器直线。针对接触网巡检图像的实际应用场景,对该算法在不同场景下进行验证,试验结果表明,该算法可以有效解决实际场景下的定位器缺陷检测问题。     

鲁棒实时钢轨表面擦伤检测算法研究

应用图像处理和模式识别技术,分析高速线阵扫描相机采集的钢轨数字图像,提出鲁棒实时的钢轨表面擦伤检测算法。这种算法首先分析采集图像在垂直方向的投影曲线,提取准确钢轨图像;之后,借鉴人类视觉对比度感知机理,将钢轨灰度图转换为灰度对比图,并基于最大熵原理进行二值化处理,分割出可疑擦伤区域;然后根据经验知识判定钢轨表面的可疑擦伤。实验验证表明:新算法的检测性能高,平均准确率为90.7%,平均漏检率为3.95%;检测速度快,平均检测时间不超过40 ms。     

地铁隧道渗漏水病害快速检测及图像处理技术

检测盾构隧道渗漏水的传统人工检测方法工效低,无法满足大量运营地铁隧道快速检测的需求。隧道渗漏水快速检测系统包括快速摄像设备及与之配套的图像分析处理器。快速摄像设备是基于工业定焦相机和自动化控制技术集成开发的,可实现对地铁隧道渗漏水病害的快速摄像。与快速摄像系统配套的图像分析与数据处理器,是根据地铁隧道结构宏观特征和结构构件空间几何关系开发的,能实现病害特征的快速计算,并对病害进行分类。该隧道渗漏水快速检测系统在上海地铁中的应用效果良好,现场摄像速度达5km/h,渗漏水病害检测准确率达到95%。     

隧道检测裂缝的图像处理研究

裂缝是隧道衬砌最常见的病害之一,基于近几年快速发展的工程检测系统与图像处理算法的研究,提出基于CCD相机的衬砌裂缝检测系统来采集裂缝图像。通过比较均值滤波、中值滤波、维纳滤波、自适应中值滤波和加权邻域滤波比较,选择自适应中值滤波进行图像增强。结合直方图阈值分割法、Otsu最大类间方差阈值和局部阈值分割法,对增强后图像进行二值化处理比较,Otsu法较好地保留了裂缝的边缘信息,证明了该算法的有效性,为后续裂缝信息的提取奠定了基础。     

基于卷积神经网络的接触网支柱号识别方法研究

接触网支柱号是铁路供电部门现场运营维护的重要定位参数。基于卷积神经网络的接触网支柱号自动识别方法结合接触网图像的实际特点,对视频图像进行了归一化图像预处理,并对实际的支柱图片进行了卷积神经网络的训练,在支柱号识别确定的过程中考虑了接触网支柱号的分布特点,提高了支柱号识别的准确性。利用实际线路数据进行测试,取得了较好的识别精度和较快的识别速度。通过实验验证,该方法能够辅助铁路基础设施检测系统中缺陷的定位,指导现场运营维修。     

基于图像增强与深度学习的钢轨表面缺陷检测

相比传统的物理检测算法,基于机器视觉的检测算法具有检测速度快、操作便捷等诸多优点,但因受光照不均、相机失焦抖动、雨雪天气等外界因素的影响,导致检测精度降低。针对这一问题,提出一种基于图像增强与深度学习的钢轨表面缺陷视觉检测算法。首先,对图像进行Gabor滤波去噪,以减少噪声对缺陷检测的影响;然后,利用HSV空间变换方法增强缺陷图像的关键特征信息;最后,通过改进Faster R-CNN卷积神经网络,实现了多尺度钢轨表面缺陷的检测与识别。通过对所提出的检测算法进行对比实验,实验结果表明:裂纹、剥落、磨损三类缺陷的识别精度分别为91.87%,92.75%和91.52%,检测速度为每张图像0.265 s,优于已有的钢轨表面缺陷检测算法,能够很好地应用于实际项目中。