基于多特征融合与AdaBoost算法的轨面缺陷识别方法

针对钢轨表面缺陷检测精度易受采集装置振动与异物干扰的影响等问题,通过分析缺陷的位置,设计钢轨图像采集装置。在此基础上,首先根据钢轨的形状特征,结合Hough变换与最小二乘法提取钢轨表面区域,再结合超熵理论与模糊理论对钢轨表面缺陷进行分割,然后建立正样本及负样本数据库,并通过提取样本的Harr-like特征与低层特征建立样本特征数据库,最后结合C4.5与AdaBoost算法设计缺陷分类器,对非缺陷进行排除并对缺陷进行分类。通过在500~1 000 lx,1 000~10 000 lx,10000~100 000 lx 3种不同的光照强度区间内对木枕及混凝土枕轨道的钢轨表面缺陷进行识别,识别时间平均为698ms,识别正确率平均为97.02%,与传统的识别方法对比具有明显的优势。