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。

基于图像导数框架和非负稀疏编码的颜色恒常计算方法

本文通过模拟初级视皮层神经元感受野在视觉信息处理中的功能,提出了一种基于图像导数框架和非负稀疏编码思想的颜色恒常性计算模型,以实现对色偏图像的颜色矫正.从解决工程问题的角度,本文提出的基于生理机制的计算模型在处理效果上可与目前最好的颜色恒常性算法相媲美;从计算神经科学的角度,本文模型支持了大脑初级视皮层在视觉颜色恒常性中扮演重要角色的观点.

一种模拟视觉机制的图像分割模型

提出一个小波域多尺度马尔柯夫随机场模型用于模拟视觉系统在图像分割中的若干功能。针对人类视觉系统具有特征检测器、等级层次性、双向连接性、学习机制等功能,对输入场景,该模型用小波变换提供该场景图像的稀疏表示,模拟特征检测器功能;用金字塔结构模拟等级层次性;用两类信息流模拟双向连接性,分别刻画自底向上的输入图像特征提取过程以及自顶向下的反馈过程;用迭代过程模拟学习机制;采用多尺度马尔柯夫随机场模型实现图像分割。实验表明,该模型对真实采集到的不同类型的生物医学图像进行分割,取得优于一些传统分割算法的结果。

电务轨旁设备外观巡检图像增强算法

提出一种变尺度Retinex(VSR)算法,实现对电务轨旁设备外观巡检图像的增强处理。首先对采集到的亮度不均的巡检图像进行全局自适应伽马校正;然后再对其进行基于Retinex算法的局部变尺度滤波,局部滤波器的高斯核函数尺度随之自适应改变,以最大限度地抑制Retinex算法带来的灰度溢出效应和光晕效应。采用该算法对高柱信号机、矮柱信号机、信号标志牌、信号箱盒和隧道漏缆等的巡检图像进行增强处理,并与具有类似功能的CLAHE,GF,IR,SSR,MSR,MSMCR算法的处理结果进行对比。结果表明:无论是图片的清晰度,还是局部对比度,VSR算法明显优于其他算法。VSR算法能有效校正巡检图像的亮度不均匀现象,并最大限度地抑制灰度溢出效应与光晕效应,使巡检图像中因局部亮度反差所掩饰的有用信息显示出来,从而提升巡检图像的显示质量,以利于巡检图像的浏览和后续智能分析。

基于计算机视觉技术的铁道塞钉自动定位算法

基于计算机视觉技术的系列算法,实现电务轨旁设备巡检中的塞钉自动定位功能。算法包括:在图像预处理阶段,改进自适应图像增强模型,克服采集环境造成的图像质量降低;在目标检测阶段,采用类HAAR特征与Adaboost算法实现塞钉的快速定位。该算法已经在实际巡检中得到应用,有效的提升了塞钉巡检的工作效率,保障了铁路运输安全。

高速铁路轨腰塞钉巡检系统研究

轨腰塞钉是关系到行车安全的重要电务轨旁设备。在巡检车上安装图像采集装置,巡检车开行时可获取沿线轨腰塞钉的图像数据,由高性能图像处理工控机完成图像的采集、预处理和存储工作,车载服务器对图像数据实时分析处理,实现轨腰塞钉自动筛选,结合地面数据和车载定位信息准确定位设备位置,切实指导养护维修。

高速铁路无砟轨道车载检测图像异物识别方法

针对高速铁路实际运营中易出现的无砟轨道异物问题,提出一种高速铁路无砟轨道异物图像识别方法。该方法基于改进的DeepLab无砟轨道异物语义分割模型,利用该模型对轨道图像的分割结果,可准确获取异物的像素级信息。为提高异物检出率和精确率,在模型的主干网络中引入通道注意力机制,用于关联图像上下文信息,实现模型对待识别区域的加权约束。在此基础上,针对无砟轨道异常检测中样本类别分布不平衡影响模型的问题,对模型的损失函数进行类别分配占比均衡的改进。试验结果表明,该方法可在像素级别上实现对于多种类型无砟轨道异物的识别,在测试集上检测精确率达到90%,检出率保持在95%以上。

城市轨道供电轨几何参数动态检测算法

城市轨道供电轨检测一般以基本轨或轨道中心线为基准,受传感器误差和基本轨几何参数变化的影响,检测结果重复性较差。本文基于惯性基准原理,提出了一种全新的城市轨道供电轨几何参数动态检测算法。首先,基于惯性组件建立供电轨检测基准;其次,采用激光摄像组件获取供电轨和惯性基准之间的横向、垂向两个自由度的高频距离变化量;最后,融合惯性基准和高频距离变化量数据,输出供电轨导高和供电轨拉出值。利用该算法进行现场实测,试验结果表明:供电轨几何参数的动态检测重复性的第95百分位数小于0.8 mm,检测精度满足检测要求。该算法数据处理量小,不需要外界辅助信息,且检测结果稳定可靠,无基线差异,重复性、再现性好,有较强的实际应用价值。

轨道巡检图像增强方法研究

针对高速铁路综合巡检车拍摄到的轨道巡检原始图像在某些工况下成像质量差的问题,基于视觉系统神经电生理试验提出了RGC的nCRF模型。由于感受野模型中存在不同的高斯通道,通过设计能自适应显示抑制强度变化的势函数改进了基本模型,提出mnCRF模型来改变抑制效果。根据边缘对比度指数QEC、细节增强指数QDE、灰度保持指数QMG三个图像增强测量指标,利用nCRF、mnCRF模型对图像处理标准测试库的图像及综合巡检车采集到的高速铁路轨道巡检图像进行加强处理,并与HE、Retinex算法的处理结果进行对比。结果表明:nCRF和mnCRF模型优于对比算法,可以使轨道巡检图像上的小部件如STF、TP等图像增强,同时具有边缘增强、细节增强和灰度保持的图像处理功能,有利于后续的智能分析处理。

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。

基于FPGA和DSP的高速实时轨道巡检图像采集处理系统

基于FPGA和DSP的高速实时轨道巡检图像采集处理系统由光学系统、FPGA模块、DSP图像处理模块及上位机组成。为提升图像采集的质量,提出并设计线阵相机加激光光源的组合方案,用以有效滤除阳光干扰,避免图像过度曝光。针对高速实时采集需求,设计FPGA采集模块,实现巡检图像采集控制和传输。针对实时智能检测需求,开发基于DSP模块的JPEG压缩、钢轨区域识别和扣件定位算法以及基于工控机的扣件缺陷识别算法。设计上位机软件,实现用户交互及数据存储。试验测试结果表明:该系统对钢轨定位的准确率在99%以上,对扣件定位的准确率在90%以上,对异常扣件识别率在80%以上,系统检测的最高速度可达160 km·h-1。

基于互补滤波的轨道不平顺动态测量方法

现有高速铁路轨道动态检测主要采用基于加速度计和测距传感器数据的惯性基准法,由于加速度计具有信噪比低、积分漂移大等特点,限制了其在轨道长波不平顺和低速下的测量精度,因此提出基于互补滤波的轨道不平顺动态测量方法。首先,优化系统硬件结构,在转向架前后安装测距传感器;其次,采用轨面上"两点弦"测量模型,推导基于光纤陀螺仪数据的角速度测量法;通过测量系统传递函数的幅频特性分析,发现角速度测量法在测量30 m以内的短波不平顺时存在衰减,为此提出互补滤波方法,即对加速度测量法与角速度测量法进行融合计算;最后,用轨道-车辆动力学仿真对3种方法的精度进行实例分析。结果表明:相较于角速度测量法,互补滤波测量法有效补偿了其在测量30 m以内的短波不平顺时存在的高频衰减的不足;相较于加速度测量法,互补滤波测量法将平均精度提高了24%~80%,因而它具有噪声敏感度低、受检测速度影响小等优点。

车载动态条件下钢轨廓形快速追踪算法

高速综合检测列车高速运行时,车载非接触式钢轨廓形检测系统对钢轨廓形追踪的影响因素,主要包括钢轨结构、车体运动姿态和环境光照变化。为有效避免以上因素的影响,提出基于时空上下文信息的快速追踪和最近点迭代的钢轨廓形定位算法。首先,基于标准钢轨廓形,计算实测钢轨的轨头目标特征;然后,根据时空上下文信息更新廓形追踪区域的置信图;最后,利用点迭代最近算法快速定位钢轨位置,并持续追踪钢轨廓形区域。将该算法与已有追踪算法对比,结果表明:该算法准确率约99.7%,且可适用于道岔区段,相比已有追踪算法处理效率提升约40%,可满足高速综合检测列车350 km·h-1检测准确性和时效性的要求。

基于少样本学习的钢轨表面缺陷检测方法

针对铁路钢轨病害检测问题,提出一种少样本学习的钢轨表面缺陷检测方法。首先,设计样本随机组合策略,根据少量钢轨图像快速构建钢轨表面缺陷数据集;然后,改进深度卷积神经网络的分类损失函数,降低样本数量不平衡对模型分类性能的影响;最后,提出基于多层级特征融合的钢轨表面缺陷检测网络,并利用上述数据集和改进的分类损失函数进行训练,实现少样本条件下端到端的钢轨表面缺陷检测。试验结果表明:该方法在2种类型的钢轨表面缺陷数据集上均取得最优性能,并在实际线路检测任务中,检测率达到100%,具有较高的实用价值。

基于控制器局域网总线的车载轨道检测系统设计研制

为提高检测性能、简化系统结构,设计研制基于控制器局域网(CAN)总线的车载轨道检测系统,全部使用数字信号传感器,并将分立式传感器集成,将检测梁安装在车下,以检测梁作为惯性器件、激光摄像组件和数字式地面标志传感器ALD的安装平台;基于惯性基准测量技术、激光摄像测量技术、图像处理技术,通过CAN总线网络进行数字信号同步采集和传输,并根据检测梁与轨道之间的运动姿态关系,结合数字滤波及误差补偿和修正技术,建立与系统结构相匹配的数学计算模型,得到轨道的轨距、高低、轨向和水平等几何参数。通过实验室标定、第三方检验和现场实车测试,基于CAN总线的车载轨道检测系统的准确性、重复性和再现性等技术指标均达到相应的要求,且与现有型号的车载轨道检测系统相比零备件损耗可降低46%。

基于轨道倾角积分的长波高低轨道不平顺测量方法

高效且准确地对长波轨道不平顺进行监测是轨道几何测量领域的难点。分析两类惯性基准动态检测方法的测量误差来源,认为转向架与轨道间的“冲角”是造成长波不平顺测量精度损失的重要因素;为此,重新设计检测系统硬件结构,引入点头陀螺仪传感器和测距组件,在轨道平面建立“短弦”测量模型,推导基于误差状态扩展卡尔曼滤波估计的俯仰轨道倾角测量算法;通过补偿滤波与空间域积分等信号处理方法,计算长波高低轨道不平顺。现场试验表明:该方法有效复原7~200 m以内的长波高低不平顺;当截止波长为200 m时,相比传统的惯性基准法,平均精度增加了81%~88%,且受检测速度影响小;统计系统重复检测误差的95%分位数在1.5 mm以内,在大跨度桥梁形变与路基沉降监测等领域具有较好的应用前景。

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。

轨道与接触网几何检测融合技术研究

为解决现有轨道和接触网几何参数检测系统相对独立、同步误差大的问题,对二者进行融合。改变检测系统硬件架构,统一两系统编码器脉冲及数据接口,提升系统硬件集成度及数据对齐精度;依据QNX系统开发融合系统软件,保证系统实时性及执行效率;制作L形工装,依据特征波形验证数据对齐精度;在实验室模拟车体振动的测试环境,分别采集静态及动态数据进行补偿算法验证。结果表明:融合后系统结构耦合度提高,避免了由定位信息密度低及网络延时原因造成的数据对齐误差;对激光摄像组件的测量数据进行复用,实现了接触网几何参数的补偿计算。经验证,融合系统运行稳定,可用于轨道与接触网几何参数检测数据的综合分析及超限判断。

城轨车第三轨廓形快速追踪算法研究及应用

由于车体多自由度振动和外部光照导致图像内容和噪声复杂多变,而现有追踪算法对目标形变适应能力不强,本文提出基于时空上下文信息的快速追踪算法。该算法依据贝叶斯概率模型构建目标区域置信图,利用最近点迭代算法实现第三轨廓形的快速追踪。采用快速追踪算法的车载平台非接触式廓形检测系统基于结构光测量原理,利用安装在转向架端的摄像组件获取第三轨图像。该系统在国内多条城轨线路应用,与现有追踪算法相比,快速追踪算法执行效率提升约30%,准确率在99.5%以上,可满足城轨车运行时速160 km的检测要求。

基于随机森林算法的在线轨道平面线形判别方法

为提高现有轨道检测系统轨道平面线形判别的准确性,基于随机森林算法提出一种在线轨道平面线形判别方法。首先利用设备台账和轨道几何检测数据制作轨道平面线形曲线半径识别标准数据库;然后对轨道几何检测数据进行多维度特征提取,运用随机森林算法在样本个数和特征个数上的双重随机构建分类模型并对主要参数进行网格寻优以提高模型分类准确率;最后将模型嵌入到轨道几何参数实时检测处理软件中。该方法离线识别准确率提升至90%以上,能够根据轨道平面曲线半径的分类结果自动切换线形判别关键参数,识别出半径在150~12 000 m的全部轨道平面曲线。