基于三维图像的铁路扣件缺陷自动识别算法

针对当前铁路扣件状态自动识别准确率和稳定性不高等问题,利用直射式激光三角测量法原理研发扣件检测系统,采集不受环境光影响的高质量轨道三维数据。提出基于三维图像的扣件区域定位方法,并利用先验知识验证扣件位置以保证扣件定位的准确性;基于弹条的高度规律信息提取弹条,采用HGOH作为特征描述算子;根据特征向量的模是否等于零可识别出缺失扣件,将模不为零的特征向量送入已训练的SVM分类器,从而识别断裂扣件和完整扣件。室内试验研究结果表明,采用本文提出的扣件缺陷自动检测算法,识别准确率可达98.0%,能满足扣件缺陷自动化检测的需要。

铁路扣件弹条伤损自动检测系统研发与验证

针对铁路扣件缺陷自动识别准确率不高等问题,介绍基于三维激光成像技术的高速铁路扣件自动检测系统,重点阐述基于轨道三维图像的弹条型扣件的检测算法。在扣件检测算法中,以先验知识验证扣件位置的方法保证扣件定位的准确率;实现弹条图像的提取;基于正常弹条图像创建真实模拟折断扣件的虚拟负样本。提取图像特征后,利用经过训练的分类器识别扣件缺失、单侧断裂和双侧断裂的状态。最后,结合室内实尺Ⅲ型板轨道模型的数据验证系统的检测效果。研究结果表明,采用提出的扣件缺陷自动检测算法的识别准确率高达97.3%,该系统具有较高的实用潜力。

基于高斯曲率识别板式无砟轨道中CA砂浆脱空伤损

板式无砟轨道中CA砂浆在列车荷载、环境温度等多种作用下容易产生脱空等伤损,准确检测出这些伤损显得尤为重要。针对CA砂浆的伤损,建立轨道板-CA砂浆模型,利用有限元软件对系统进行模态分析,通过计算分析得到轨道板的曲率模态,结合高斯曲率确定CA砂浆的伤损及伤损位置。计算结果表明:轨道板的前五阶高斯曲率可以反映伤损的有无及其具体位置,一阶高斯曲率最为明显。轨道板-CA砂浆系统一阶高斯曲率不仅可以准确识别单处CA砂浆伤损,还可以准确识别多处CA砂浆伤损。

温度梯度对高墩桥上无缝线路的影响分析

为研究温度对高墩大跨桥上无缝线路的影响,基于梁轨相互作用原理,利用有限元方法,建立线—桥—墩一体化模型,计算高墩大跨桥梁桥墩受到纵向和横向温度梯度荷载时钢轨的纵向力和梁轨相对位移。计算结果表明:桥墩受到纵向温度梯度荷载时钢轨受到的最大压力为523.09 kN,与最大附加伸缩力值584.95 kN接近,纵向温度荷载对桥上无缝线路的影响近似等同于附加伸缩力,在设计桥上无缝线路时必须予以考虑;横向温度梯度荷载对桥梁本身的影响较小,在设计中可以通过安全系数予以控制,在设计中可忽略。分析温度荷载对高墩桥上无缝线路的影响,对于桥梁的安全设计和保证桥上无缝线路的稳定状态均具有一定的指导意义。

铁路扣件缺陷自动检测研究进展

基于计算机视觉和三维激光成像技术的扣件检测算法发展历程,重点针对铁路扣件图像的预处理、定位以及分类3个主要环节的算法进行综述,并探讨现有扣件检测算法存在的问题与困境。介绍三维激光成像技术及其在扣件检测领域的应用前景。

桥上无缝线路钢轨断缝值影响因素研究

以连续梁桥上无缝线路为例,利用有限元软件,建立线桥墩一体化计算模型,分析相邻轨条限制作用、断缝计算方法、桥梁降温、桥梁温度跨度及活动支座摩阻力等对钢轨断缝值的影响。分析结果表明:相邻轨条对断轨钢轨的限制作用较强,计算断缝值时有必要考虑相邻轨条的限制作用。钢轨在降温中折断与降温前已折断这两种计算方法的断缝值基本一致,计算方法对断缝值基本无影响。就采用常阻力扣件的线路而言,桥梁温度跨度大于96m,计算断缝值时需要考虑桥梁降温。桥梁不降温时,温度跨度小于80 m,断缝值随温度跨度增大而增大,温度跨度超过80 m后,断缝值不再增大;桥梁降温15℃时,随着桥梁温度跨度增大,钢轨断缝值也随着增大。活动支座摩阻力对钢轨断缝值影响在5%以内,计算断缝值时可不考虑活动支座摩阻力的影响。

三维激光路面多功能检测系统的技术研究

为研究路面自动检测系统在工程中的应用,选取市政道路中的沥青路面和水泥路面作为试验段,采用三维激光路面多功能检测系统获取1 mm精度路面三维数据,并进行试验段路面病害人工检测。基于深度学习算法,采用分析软件ADA自动识别路面裂缝,其算法的准确率为91.47%,召回率为95.46%。选取某试验段,进行系统在不同速度、不同时刻的稳定性验证及重复性分析。结果表明,系统自动识别裂缝总面积的标准差为0.34,其变异系数为4.46%,系统具有较高的稳定性。同时,人工检测与自动识别的路面裂缝影响面积之间的相对误差在合理范围内。

无砟轨道板裂缝三维激光检测系统研发与算法验证

针对高速铁路无砟轨道板的表面损伤问题,现有的检测系统与方法仍难以达到高精度、高速度、高准确度及自动化要求。随着高速微型计算机和三维激光扫描技术的发展,应用超高精度3D自动化检测系统来提升轨道板伤损识别精度和检测效率的趋势越发明显。在已有数字化信息采集与自动分析系统基础上自主研发无砟轨道板裂缝三维激光检测系统,通过融合自适应阈值分割、PGM概率图模型与SVM机器学习方法建立轨道板裂缝集成学习识别算法,准确、快速、智能识别轨道板裂缝。结果表明,该系统能够获取高精度轨道板三维图像数据,所提出的轨道板裂缝集成学习识别算法能达到较高的准确率(均值97.3%)和召回率(均值92.6%),综合表现优于传统算法。