排序方式: 共有4条查询结果,搜索用时 62 毫秒
1
1.
融合纹理结构的潜在狄利克雷分布铁路扣件检测模型 总被引:1,自引:0,他引:1
针对潜在狄利克雷分布(LDA)模型忽略图像结构的问题,提出一种融合图像纹理结构信息的LDA扣件检测模型TS_LDA。首先,设计一种单通道局部二值模式(LBP)方法获得图像纹理结构,将单词的纹理信息作为标注,用单词和标注的联合分布反映了图像的结构特点;然后,将标注信息嵌入LDA,由单词和标注共同推导图像主题,改进之后的主题分布考虑了图像结构;最后,以该主题分布训练分类器,检测扣件状态。相比LDA方法,正常扣件与失效扣件在TS_LDA主题空间中的区分度增加了5%~35%,平均漏检率降低了1.8%~2.4%。实验结果表明,TS_LDA能够提高扣件图像建模精度,从而更加准确地检测扣件状态。 相似文献
2.
针对传统“视觉词包模型”在进行铁路扣件检测时忽略图像结构而导致的区分能力不强的问题,提出一种基于信息熵加权词包模型的扣件检测模型EW_BOW。在传统“视觉词包模型”的基础上,引入信息熵对扣件图像局部区域的词包模型的词频进行加权处理,加强词包模型对不同类别扣件的区分性,并利用潜在狄利克雷分布学习扣件图像的主题分布。最后,采用支持向量机对扣件进行分类识别。对四类扣件图像的分类实验证明该模型能够有效提高扣件分类精确度。 相似文献
3.
4.
针对目前铁路扣件检测算法在实际应用中普适性不足的问题,提出了一种基于感兴趣区域(ROI)和折线特征的铁路扣件检测算法.根据图像背景区域中的稳定性特征,提取出扣件端部所在的ROI,以克服冗余信息对扣件检测的干扰;通过改进的八方向欧氏距离变换得到能够表征扣件端部结构信息的距离场;融合对应扣件弯曲方向的距离场得到特征矩阵,再利用该矩阵计算折线特征点,进而提取折线特征;完成缺陷检测.理论分析与实验结果表明:所提算法具有准确率高、复杂度低、鲁棒性强的优点,且漏检率和误检率分别达到了1.3%和1.7%,验证了算法的有效性. 相似文献
1