粗糙集理论在钢轨表面缺陷分类中的应用

基于机器视觉的钢轨表面缺陷检测系统已被广泛使用,但之前的工作大都关注于缺陷的检测,对缺陷的后分类研究却鲜有涉及。缺陷后分类不仅可实现扣件异常的归类,而且有利于去除诸如泥污、斑点、噪声、轨缝等造成的干扰。本文提出的缺陷分类方法包括2个步骤:首先基于几何形状和灰度统计实现了缺陷分类特征的快速提取;然后利用粗糙集理论提取了缺陷的分类规则。试验结果验证了提取特征的有效性,在测试集上的分类精度达到90.8%,取得了令人满意的分类结果。     

城市轨道交通基础设施综合检测列车创新技术

文章介绍中华人民共和国国家发展和改革委员会(以下简称国家发改委)项目支持的城市轨道交通基础设施综合检测列车(以下简称城轨综检车)和地面数据中心系统的组成、系统布局、技术特点和主要技术创新点。该项目成果可为城市轨道交通基础设施的养护维修提供新的模式和技术。     

基于多层级特征融合的钢轨表面伤损检测方法

现有的钢轨表面伤损检测方法存在鲁棒性差、误检率高和容易漏检小面积伤损区域的问题.为此,提出一种基于多层级特征融合的钢轨表面伤损检测方法.首先,利用高速综合检测车搭载轨道图像采集系统,在实际的铁路线路采集轨道图像,并对表面伤损进行人工标注;然后,在钢轨图像数量有限的情况下,利用钢轨表面伤损数据集构建策略,提升训练样本图像...     

钢轨廓形测量系统准确度的验证方法

钢轨廓形测量系统已被工务部门广泛使用,为了进一步提高其现场应用水平,本文提出了可验证钢轨廓形测量系统准确度的新方法。首先制作钢轨标准模块,给出钢轨廓形的对比约定真值;由于系统的测量结果与钢轨标准模块的计量结果相互独立,二者不能直接比对,给廓形测量系统准确度的验证带来困难,因此接着提出一种基于迭代最近点的廓形对齐方法,在系统测量的与标准模块计量的廓形数据点集之间建立匹配关系;最后使用均方根误差来衡量测量值与计量真值之间的偏差,以及使用系统多次测量结果的标准差来描述测量的离散程度,从而验证廓形测量系统的准确度。由试验结果可知,测量的平均均方根误差为0.132 mm,平均标准差为0.035 mm,为制定钢轨廓形测量系统准确度的评定标准提供了参考。     

DF3000型汽油发电机组的隔声罩设计

利用CUSI－II型声强测量分析系统及HS5660A型精密声级计，分析了DF3000型汽油发电机组主要噪声源的分布情况，提出了用隔声罩对DF3000型汽油机组进行降噪隐身，同时重点考虑了隔声罩的通风散热问题，设计出可拆卸的百叶窗式隔声罩，试验证明，其具有良好的通风及隔声性能。     

基于半监督深度学习的无砟轨道扣件缺陷图像识别方法

提出基于置信图的扣件子图快速定位算法,即基于概率图模型构建扣件子图邻域纹理图和初始引导图与被定位图之间的置信图,并通过计算置信图的最大极值点实现对扣件子图中心点的快速定位。在此基础上,针对无砟轨道扣件缺陷样本相对稀缺的问题,提出基于半监督深度学习的扣件缺陷图像识别方法,即首先采用稀疏自编码(SAE)网络在无标签的数据集进行迭代学习获得扣件子图稀疏表征,然后将训练好的SAE网络连接softmax层组成分类网络,最后在有人工类别标注的小数据集进行二次训练及参数微调获得最终的识别模型。通过在装配WJ-7型扣件的CTRS-Ⅰ和WJ-8型扣件的CTRS-Ⅱ型无砟轨道图像进行应用测试和方法验证。结果表明:该方法可快速精确定位扣件并识别扣件缺失、弹条折断、弹条移位3类缺陷,有效检出率达95%以上。     

钢轨廓形测量系统平面靶标标定方法研究

采用基于激光线结构光的平面靶标几何标定方法设计钢轨廓形测量试验。摄像机分别拍摄多个不同位置的平面标定靶,并在激光器打开和关闭状态下获取2幅靶标图像,基于2幅图像中激光线与靶标虚拟线之间的交点,确定激光平面的位置,获得激光器与摄像机之间的矩阵关系。将平面靶标标定结果与钉柱法标定结果进行试验比对,结果表明,平面靶标标定方法测量精度高,标定体制作简单,具有良好的实用性,为钢轨廓形测量研究提供了试验基础。     

基于结构相似深度卷积自编码的异常扣件检测模型

介绍了轨道扣件系统的基本功能,概述了已有的轨道异常扣件检测技术,归纳了基于机器视觉的传统检测方法和深度学习方法所关注的问题及存在的不足; 介绍了自编码的基本思想与形式化过程,提出了一种基于编解码架构的异常扣件检测模型; 分析了传统像素级图像相似度评价指标的缺陷,实现了基于结构相似的损失函数和图像异常判定; 构建了轨道扣件图像数据集,验证了模型的性能; 将代表性的误报与漏报图像可视化,描述了这些图像的表观特征,分析了发生漏报与误报可能的原因。研究结果表明：结构化相似指标显著提升了模型的检测性能,与具有相同网络架构但使用平均绝对误差和均方误差作为相似度评价指标的检测模型相比,模型的F值分别提升了14.5%和16.2%;与其他对比模型相比,提出的模型取得了最高的检测精确率和F值,分别达到了98.6%和98.1%,与次优的RotNet模型相比分别提升了6.0%和9.8%;召回率为97.1%,略低于深度支持向量数据描述(DSVDD)模型的98.4%;整体上看,F值比所有对比模型均高出超过9%,提出的模型表现出了明显的性能优势。