基于高通滤波和直方图均衡的钢轨裂纹红外图像增强技术

针对钢轨裂纹红外图像采集过程中产生的噪声大、对比度低的问题,以及传统直方图均衡化方法在对红外图像增强时灰度级减少和细节信息丢失等不足,提出频域增强与空域增强相结合的红外图像增强算法,以弥补传统算法在红外图像增强时的不足。在空间域上采用直方图均衡化对红外图像进行处理,提高图像对比度降低图像噪声;在频率域上采用高通滤波对红外图像进行锐化处理,增强图像的边缘和细节信息。仿真结果表明:该算法在对钢轨裂纹红外图像增强时很好地抑制了背景噪声,而且有效地凸显了钢轨裂纹内部微弱的细节纹理,保护图像的细节信息,为更好地提取钢轨裂纹的缺陷信息提供条件。     

医学图像自适应阈值边缘检测的研究

介绍一种基于小波变换的自适应医学图像边缘检测方法.实验结果表明:该方法可对图像边界进行敏锐检测,从而得到图像的细微特征.这些特点使得它特别适合于医学图像边缘的检测.     

基于尺度不变特征变换的钢轨蠕变检测研究

针对钢轨现有定点蠕变检测技术的不足,提出一种基于尺度不变特征变换及图像配准的非接触式实时观测方法。通过安装于轨侧观测桩上的相机对待检钢轨进行拍摄,提取图像中轨腰附近预定义的感兴趣区域,而后基于尺度不变特征变换,与同一视场中钢轨未蠕变图像的对应感兴趣区域进行配准,得到定场环境下多关键点在像素坐标系中的轨向及高低位移集。根据相机的内外及畸变参数将像素位移集映射到世界坐标系,对轨向及高低位移集分别求均值,得出钢轨的轨向及高低蠕变量。为验证方法的有效性,搭建试验平台并采用OpenCV开发了仿真系统。研究结果表明:高低和轨向蠕变的相对测量误差均值分别低于0.606%和1.170%。     

基于软硬阈值折中的小波包语音增强算法的研究

由于语音信号的非平稳性,传统去噪方法将会不可避免地造成有用语音信号的损失,小波包分析能同时对信号的低频部分和高频部分进行分解,与小波分析相比,对信号的分析能力更强.文中提出一种新的去噪方法,它对噪声的清除更加干净,仿真结果表明,这种方法优于软、硬阈值法.     

基于M-DTCWT和2APCNN的多聚焦图像融合

为提高多聚焦图像的融合质量,提出了一种基于多方向双树复小波变换(M-DTC-WT)的多聚焦图像融合方法.对多聚焦图像进行DTCWT分解得到低频系数与高频系数,再采用非下采样滤波器(NSDFB)对高频系数进行方向分解得到多尺度多方向的高频分解系数.对低频系数,提出结合模糊逻辑和稀疏表示(FSR)的融合规则得到低频融合系数...     

基于同步提取变换的钢轨踏面裂纹电磁超声表面SH波B扫成像检测研究

钢轨踏面在车轮的重复载荷作用下,极易产生滚动接触疲劳裂纹,并从轨头向下扩展,甚至导致断轨等重大安全事故,因此开展钢轨踏面裂纹高效准确的无损检测方法研究具有重要意义。对于钢轨轨头有限截面非规则几何体,无法采用解析法求解其频散曲线,采用Floquet-Bloch边界的有限元特征频率法,求解钢轨轨头类水平剪切导波频散曲线,在频散曲线的基础上,分析并确定电磁超声表面水平剪切波换能器的最佳检测频率。建立表面水平剪切波在含踏面裂纹钢轨轨头的传播有限元模型,研究表面水平剪切波在不同角度、深度的踏面裂纹上的反射及透射规律。为实现快速的钢轨踏面裂纹B扫成像检测且得到高信噪比的检测结果,实验对比同步提取变换和同步压缩变换对钢轨踏面检测回波的噪声滤除能力。结果表明：对单次检测回波应用同步提取变换消噪处理后,信噪比提高13.73 dB,比单次采集信号经同步压缩变换处理后的信噪比高4 dB。将同步提取变换用于钢轨踏面导波B扫成像检测,可以减小同步平均次数以满足快速检测的要求。     

一种基于BM3D的接触网图像自适应去噪新方法

为了更好地检测和识别接触网图像,首先要降低图像中的噪声。目前,BM3D是针对高斯等多种噪声降噪性能较好的算法,但它自身也存在一些不足,为此,本文提出一种基于BM3D的自适应去噪新方法(简称ABM3D)。该方法在假设噪声方差未知的前提下,无需人为设定滤波阈值,通过自适应估算较为准确的阈值,实现二维和三维DCT变换域的自适应滤波,得到基础估计图像,利用估算的阈值计算出较为准确的噪声方差,实现联合维纳滤波得到最终估计图像,同时简化了参数设置,尤其是对降噪效果影响较大的参数。实验结果表明:本文提出的算法是有效的,即使在噪声强度非常高的情况下,利用其得到的降噪图像也能较好地保留边缘等细节信息,更具有实用价值。     

基于改进多尺度排列熵的列车轴箱轴承诊断方法研究

多尺度排列熵作为非线性方法,被广泛应用于时间序列复杂性和随机性的评估之中。由于粗粒化过程中的缺陷会导致熵值精度低、稳定性差,提出了改进多尺度排列熵。通过仿真信号与传统多尺度排列熵方法比较发现,在不同尺度下改进多尺度排列熵方法估计的熵值结果更加稳定,且误差减小。结合马氏距离特征选择与遗传算法优化的支持矢量机模式识别算法,提出了一种智能化的轴承故障诊断方法。通过列车轴箱轴承实验数据进行验证,结果表明该方法可准确识别出不同类型的故障轴承。     

基于小波包分解多尺度排列熵及2阶特征选择的转辙机故障诊断方法

针对转辙机高精度故障诊断的需求，结合声音信号非接触、易采集等优势，提出一种基于声音信号的非接触式故障诊断方法。首先，基于小波包分解与多尺度排列熵，实现对声音样本的特征提取；其次，提出基于ReliefF和二进制粒子群优化算法的2阶特征选择方法，得到最佳特征集合，实现对声音样本的特征选择；最后，基于支持向量机算法对最佳特征集进行训练和测试，完成对转辙机的故障诊断。依托10种常见工况下共计800组声音样本开展实验，结果表明：该方法在反位—定位和定位—反位转换过程中得到的特征点数分别为13和39个，故障诊断准确率分别为99.67%和100%；相比于单一特征选择方法，采用的2阶特征选择方法能够大大降低特征维度，提高故障诊断准确率；相比于k近邻和线性判别分析这2种分类器，支持向量机分类器在转辙机故障诊断中更具优势。