高铁扣件的自适应视觉检测算法

为了实现高铁缺陷扣件的准确、快速和自动化检测，提出一种基于图像处理技术的高铁扣件自适应视觉检测算法. 针对高铁扣件图像的特性，使用改进的LBP (local binary pattern)算子提取扣件的显著特征；在扣件特征图的基础上，采用模板匹配算法得到扣件区域在原始图中的精确位置，进而得到扣件子图并用扣件的位置信息校验定位结果；以相邻两个扣件子图的差值作为判断依据，如果差值大于预设的阈值，相应的扣件则被判断为缺陷扣件. 将该检测算法应用于高铁工务部门提供的真实扣件图. 研究结果表明:本文提出的自适应扣件检测算法在雨天的表现最差，检出率为96%，误检率为0.50%；在晴天的表现最好，检出率为100%，误检率为0.22%；在不同天气、光照、环境下的综合检出率为99%，综合误检率为0.33%.      

基于先验知识的高速公路逃费车辆跟踪算法研究

由于目前部分货车在采用记重收费的高速公路收费站前无序倒车,对高速公路收费站秩序造成较大影响,如何对此类现象进行采证,从而便于处罚和管理,成为一个突出问题.在分析车辆先验知识的基础上,对车辆模型进行了参数化提取,设计了一种基于先验知识的车辆跟踪算法,该算法通过一定的先验知识对车辆目标进行建模,然后在实时的图像序列中通过模型匹配的方法来对车辆进行跟踪,并实时对模型进行连续不断的更新去实现对车辆的匹配跟踪.本文也给出了算法的实现过程,而且对算法进行了实际验证.通过实际试验结果表明,该算法很好的解决了环境中的干扰问题,对收费站前无序行驶车辆的取证提供了良好的技术解决方案,而且本算法对于车辆的遮挡问题也有一定的适应性.     

一种改进的LBP特征实现铁路扣件识别

为了提高铁路扣件基于视觉的自动化检测精度,提出了一种改进的LBP （local binary pattern）编码算法. 该方法为了避免基本LBP对噪声敏感问题,根据不同邻域的不同噪声强度,结合测量误差服从高斯分布的原则,计算邻域内像素均值和偏差;根据偏差大小,自动设置阈值,实现自适应噪声抑制. 为了避免基本LBP表达邻域差分关系不完整的缺陷,提出了利用邻域内随机采样的方式得到采样点对,通过比较随机点对的差分关系得到LBP编码. 对在晴天、阴天、雨天等不同天气条件下的铁路扣件图像上进行实验,并与原始以及其他改进LBP进行比较. 结果表明,本文的算法具有更高的检测准确率,晴天提高了3.32%,阴天提高了3.27%,雨天提高了4.10%,能够满足铁路扣件自动化检测的需要.      

基于代价敏感卷积神经网络的扣件缺陷检测算法

为解决扣件数据集不平衡问题,引入代价敏感策略对卷积神经网络算法进行改进,并以此检测断裂、丢失的缺陷扣件。该算法借鉴AdaBoost算法的思路,在训练过程中对整体误差函数中每个样本分配不同的权重,并依据先前模型的错误率不断地加以调整,使算法关注各个类别中的难学习样本,并对调整后的权重按类别进行归一化处理,以增大小类样本的关注度。分别在高速铁路无砟轨道和普速铁路有砟轨道2个扣件数据集上进行对照试验验证算法的有效性。引入G-mean作为评价指标平衡不同类别的召回率。结果表明:将改进后算法应用于高速铁路无砟和普速铁路有砟轨道的扣件数据集,改进后算法的G-mean值比原算法分别提高10%和25%以上;比传统的扣件识别方法分别提高13%和39%以上。