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...     

地铁隧道裂缝图像采集与智能识别方法研究

文章对盾构隧道表面图像采集系统进行设计,提出一种新颖的隧道裂缝图像智能识别方法。图像采集系统包括面阵相机及光源一体化模块、相机支架、工控机和供电系统,该系统可实现隧道表面图像多目相机同步采集,图像辨识精度达到0.2mm。裂缝图像智能识别方法主要包括：基于边缘检测的深度卷积网络和基于图像后处理的裂缝识别算法,该图像识别算法可实现像素级的裂缝纹理检测以及精细化提取。通过现场实验和数据分析,文章提出的图像采集系统和智能识别方法可为实际隧道裂缝检测提供较好的技术支持。     

基于特征增强学习的路面裂缝病害视觉检测方法

受路面复杂背景的干扰,既有的路面裂缝病害视觉检测算法易产生虚警和漏检问题。基于此,提出一种基于语义特征增强学习的路面裂缝病害检测方法。为了强化网络模型对图像浅层特征的利用,该算法以Unet++网络为裂缝检测的主框架,其通过融合更多的底层特征信息来提升裂缝病害检测的精度。在Unet++网络层间特征融合的基础上,根据不同卷积层的特征图属性,进一步差异性地引入视觉注意力计算模块,有效抑制背景杂波的干扰,减少虚警率。为了降低裂缝病害检测的漏检率,利用空洞卷积操作分别从2方面改进网络模型的训练过程：其一,应用空洞卷积代替传统的池化操作,通过网络的自动学习剔除无关紧要的特征信息,加强网络对细微裂缝特征的学习能力;其二,在网络上采样前,建立空洞卷积金字塔池化层,通过增加对裂缝特征的尺度多样性计算,保证网络模型在不同拍摄距离下裂缝病害检测的适用性。收集大量的路面裂缝图像数据并与不同算法进行对比分析,实验结果表明本算法取得了比全卷积网络、原始Unet++网络更优的裂缝检测效果。     

机车驾驶路面状况监控系统障碍检测算法的研究

提出基于铁路智能视频监控图像序列分析的铁轨路障检测算法,即通过图像预处理突出铁轨信息,确定铁轨边缘像素;沿铁轨边缘建立检测窗,计算分析铁轨检测窗内的纹理特征;结合纹理特征及灰度特征进行铁轨障碍物的检测.在检测出路障目标的基础上对机车驾驶员提供实时的警报.实验结果表明,该算法检测速度快、可靠性高,可运用于实际路面状况检测系统.     

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。     

基于特征分析的地铁隧道裂缝识别算法

有效地检测地铁隧道表面裂缝对于隧道的安全至关重要。地铁隧道表面图像普遍存在光照不均匀,目标对比度低,背景纹理复杂,噪声干扰严重等问题,而检测传统图像裂缝,如混凝土表面、路面裂缝等的算法不能很好地适用于地铁隧道表面图像。为此本文提出了一种隧道表面裂缝识别的算法。该算法首先利用Mask匀光等预处理算法改善隧道图像的质量,而后分别设计了基于模板的分析法、基于Hough变换的线型结构分析法、基于SVM的近似裂缝结构分析法等算法对隧道表面裂缝图像各成分进行提取,从而达到识别裂缝的目的。实验结果表明,该算法对传统裂缝图像的识别准确率可达97%,对于隧道表面的裂缝图像识别准确率可达81%。     

铁路混凝土结构物图像裂缝亚像素级宽度提取技术

宽度是裂缝定量检测最重要的结果之一,是评估混凝土结构物开裂严重程度及影响的重要指标.为实现混凝土结构表面裂缝宽度的精细计算,首先对通过残差网络ResNet+金字塔池模型网络分割出的裂缝区域进行宽度提取;然后运用基于中轴线垂线的裂缝宽度计算方法,结合三次Cardinal样条插值拟合裂缝边缘,获取符合实际应用需求的亚像素级...     

MFC-DeepLabV3+：一种多特征级联融合裂缝缺陷检测网络模型

道路裂缝对道路安全存在很大威胁,确保道路的安全性离不开对裂缝的准确检测。针对常规的人工检测方法和传统机器学习检测方法泛化性低且在复杂背景下裂缝分割检测准确率低等诸多问题,提出一种新型道路裂缝缺陷检测模型MFC-DeepLabV3+(Multi Feature Cascade-DeepLabV3+,多特征级联-DeepLabV3+)。首先,针对裂缝图像拓扑结构复杂,非均匀性强等问题,对主干特征提取网络进行改进,提出采用通道维度的分组卷积和分离注意力模块增强模型对裂缝图像特征提取能力,同时引入位置信息注意力机制提升对裂缝目标结构特征的精准定位,扩大网络各层特征信息的利用率。其次,加入多分支共享密集连接改进ASPP(Atrous Spatial Pyramid Pooling,空洞空间金字塔池化)模块,使其模仿人类视觉行为感知,在感受野保持均衡的同时生成密集覆盖裂缝尺度范围的特征语义信息。最后,在模型特征融合阶段增加多重边缘细化融合机制,使模型加大对高低阶特征信息的利用,提升模型对裂缝边缘精确分割的能力,防止裂缝轮廓边缘像素缺失。为验证MFC-DeepLabV3+模型的有效性,在公开路面裂缝...     

一种基于单应性变换的车道线检测方法

针对辅助驾驶系统中的车道线检测问题提出一种基于单应性变换和直方图分析的方法：首先根据相机参数确定图像中的感兴趣区域,并对图像进行颜色分割和梯度计算以提取候选车道线像素;接着利用单应性变换将图像信息投影到俯视图像,并利用直方图分析提取车道线像素;最后对车道左右两侧提取的标识线像素分别进行二次曲线拟合,从而获得当前车道标识线的几何信息。通过对行车视频图像进行算法检验,结果表明该方法能以30帧/秒的实时速度检测出车道线并计算其几何信息。     

高铁接触网旋转双耳销钉状态检测方法研究

针对高速铁路接触网支撑装置旋转双耳部件销钉的松脱与脱落问题,提出一种基于图像不变性目标定位及灰度分布规律特征的销钉不良状态检测方法。通过分析现场接触网支撑及悬挂装置图像,利用SIFT(Scale Invariant Feature transform)算法和改进的RANSAC(Random Sample Consensus)算法实现双耳部件的定位;采用Hough变换实现目标图像中双耳套筒倾角的提取,并将其旋转至水平方向,进而实现旋转双耳部分的分割;累加目标图像的竖直方向像素灰度值,确定销钉受力部分和两端非受力部分长度;归纳销钉正常工作及故障时这些长度间相关比值的范围,从而判断销钉的工作状态。实验表明,该方法能够较准确地实现销钉不良状态的检测。     

基于局部图像纹理计算的隧道裂缝视觉检测技术

地铁隧道裂缝病害的自动检测技术是一个重要研究方向。针对地铁隧道复杂场景和弱光环境下,全局图像检测精度低的问题,提出分块图像局部纹理处理算法,将大视场裂缝图像进行网格化处理,在分块区域内完成预处理与纹理提取,基于图像细化与骨架提取算法,提出裂缝和虚假裂缝纹理的差异性计算模型,可有效提高真实裂缝图像的检测精度,滤除虚假裂缝的干扰。针对硬件系统,提出多目高速线阵相机的图像采集方案,研制裂缝图像采集系统样机,可安装于轨道小车上进行图像连续采集。利用研制的图像采集处理设备,可以自动采集和检测隧道裂缝图像,对于纹理简单的普通裂缝图像样本,裂缝的识别率达到0.96;对于地铁隧道裂缝图像样本,裂缝的识别率达到0.84,验证了硬件系统和软件算法的有效性与可行性。     

基于深度学习的铁道塞钉自动检测算法

根据高铁巡检车所采集轨腰图像中铁道塞钉图像的特点,在既有计算机视觉的目标检测算法的基础上,提出基于深度学习的铁道塞钉自动检测算法。在目标检测的区域选择阶段,借鉴显著性检测的思路,提出余谱区域候选(Spectrum Residual Region Proposal,SRP)算法,即利用含塞钉的轨腰图像与不含塞钉的轨腰平均图像之间的频谱差异,通过快速傅里叶变换,得到两图像间的幅度谱差的绝对值(余谱),再通过快速傅里叶反变换及后处理,得到候选目标区域;然后在目标检测的特征提取阶段,设计塞钉卷积神经网络(plug Convolution Neural Network,pCNN),该网络通过4个卷积层、3个池化层、3个非线性变换层、3个规范化层、2个全连接层和1个泄露层,自动从候选目标区域逐层提取最能表现塞钉特征的特征图像;最后基于特征图像采用支持向量机(SVM)的分类器判断候选目标区域是否含有塞钉,从而实现塞钉的自动定位。大量实际测试以及与其他算法比较的结果表明,该算法的检测效果最优。     

隧道表面图像多目标智能识别算法研究

隧道表面病害已经成为轨道交通基础设施巡检的重要任务之一,人工巡检方法耗时长、强度高,需要智能化、自动化的目标检测与病害识别算法研究。提出一种隧道多目标分类方法和智能识别理论模型,对采集的隧道表面图像进行精细化标注并建立数据集,采用基于语义分割的理论模型对隧道图像目标进行智能分类识别。考虑隧道纹理的特殊性,本研究对算法中模型结构进行改进优化,实现隧道多种目标的智能化检测。试验中,通过测试集和隧道正线图像进行对比试验,其中隧道典型病害裂缝的检测率为94.2%,渗漏水的检测率为96.9%,验证了模型和算法的有效性。     

城轨列车受电弓滑板边缘检测算法研究

研究受电弓边缘检测算法,阐述了基于Canny算子的多尺度像素级小波边缘检测算法和基于Zernike矩的亚像素级边缘检测算法.结合广州地铁13号线的实际图片进行对比实验.试验结果表明,相比于传统的像素级边缘检测算法,亚像素级边缘检测算法具有更高的精度,能够满足受电弓滑板边缘检测的需求.     

基于分段曲线模型的铁路轨道检测算法

针对现有铁路轨道检测识别算法的准确性和鲁棒性不高的问题,提出一种基于直线和双曲线相结合的分段曲线模型实现轨道线的检测、跟踪与验证。本算法首先依据轨道图像的边缘信息,通过多约束条件下的Hough变换初步检测轨道位置,确定轨道线消隐边界并标定近远景区域。然后,在近景区域,采用直线模型实现前方直轨拟合;在远景区域,融合轨间距离、轨道方向和像素灰度等先验知识构造边界置信度函数,设定可漂移窗口搜索算法完成特征点提取,以最小二乘法进行双曲线模型拟合。最后,依据模型切换及窗口搜索策略完成轨道线的跟踪。测试结果表明:该算法不仅较好地解决了弯轨描述问题,而且提高了检测的准确性和鲁棒性。     

基于视频图像的弓网接触位置动态监测方法

针对列车人工检测受电弓状态效率低下的问题,提出基于视频图像的弓网接触位置动态监测方法.首先,将运用帧间差抓取受电弓视频中得到的包含弓网的图像作为原始训练数据集;然后,对复杂的受电弓图像背景进行分割处理,采用超像素分割获得最大特征区域,结合特征图像的HOG(方向梯度直方图)获得最大特征ROI(感兴趣区域),形成训练数据集...     

铁路桥梁裂缝位置识别与目标检测方法探讨

裂缝是铁路混凝土桥梁累积性破损的早期表现形式。由于裂缝形态的非线性和桥梁结构所处环境的多样性,依靠人工作业的桥梁裂缝检测存在耗时长、主观性大、检测精度不高等问题,已无法满足桥梁状态诊断的需求。传统的裂缝图像处理方法过于依赖算法设计者的经验,易导致检测精度不高。针对上述问题,提出一种基于Detectron平台的目标检测模型,利用模型中卷积神经网络(CNN)对输入图像的光线、扭曲旋转、大小变化等高度适应的优点,从大量裂缝图像中学习裂缝特征,实现对桥梁裂缝位置的识别。采用图像分割法建立图像训练集、验证集及测试集,用特征标定工具为数据集作裂缝位置标签,创建由4个卷积层(Conv),4个池化层(Max-pooling)和1个全连接层(FC)共922,368个参数组成的卷积神经网络(CNN),并将学习率调整为0. 001。验证及测试表明,所提出的基于Detectron平台的目标检测模型在数据多次迭代后具有良好的裂缝位置识别精度。用于模型学习的训练集与验证集上,识别精度最优值分别为92. 64%和88. 98%,未被模型学习的测试集上,识别精度最优值为90. 43%。最后,通过与传统图像处理识别技术的对比分析,阐明模型在特征识别上的优劣性。     

铁路入侵运动目标实时检测技术

针对铁路场景下入侵异物的特点,采用智能视频技术,对监控视频图像序列中入侵运动目标检测方法进行研究．提出基于参考点的“相对背景差分法”、基于目标特征的跟踪算法和基于透视规律的目标分类方法,实现对多目标场景运动目标的实时检测识别。典型场景实验结果表明：上述算法实现了铁路入侵运动目标的高效检测,与基础背景差分法相比,误检率和漏检率分别减小了24．56％和54．17％;与基于区域的传统目标跟踪方法相比,误匹配率和漏匹配率分别减小了64．78％和22．58％,且算法具有较强的实时性和鲁棒性。     

基于机器视觉的轨距检测方法研究

提出了一种基于机器视觉的轨距检测方法,该方法采用4个CCD摄像机和2个红色扇形光源构成检测系统。对检测系统进行了定标分析,采用提取分量的方式对图像的目标区域和背景区域进行分割,利用图像差影法去除噪声,应用自适应迭代阈值法对图像进行二值化处理,并通过膨胀和细化算法得到轨道的截面轮廓线。试验结果表明,该方法能有效地实现轨距参数的高精度动态测量,精度可达到0.07mm。     

基于目标识别与跟踪的嵌入式铁路异物侵限检测算法研究

铁路线路异物侵限是威胁行车安全的一个重要隐患。基于机器视觉与嵌入式技术设计了异物侵限自动检测系统,利用FPGA和ARM芯片实现了图像采集处理硬件平台。提出异物目标分类和运动行为分析相结合的嵌入式异物侵限检测算法。算法采用两级判别结构,首先利用支持向量机及一组特征向量对背景差分图像得到的异物目标进行分类,根据分类结果滤除大部分行进列车目标,之后运用Kalman滤波器设计目标跟踪算法,对其余目标进行行为和运动趋势分析,滤除其中非侵限干扰信息提高报警准确率,并对有侵限趋势的异物提前预警。实验表明,该系统能够有效地识别检测区域内的异物目标,系统侵限报警准确率达到97.11%,平均检测频率达13帧/s。