轨道扣件缺失的机器视觉快速检测方法

轨道扣件缺失检测是铁路日常巡检的一项重要内容,结合现代化铁路对自动化检测技术的实时性和自适应性要求,提出了一种基于机器视觉的轨道扣件缺失实时检测方法.为了应对环境光线的干扰,设计了遮光罩加LED辅助光源的图像采集装置,利用开关型中值滤波和基于图像梯度幅值的改进Canny边缘检测方法,对扣件边缘特征进行自适应图像增强.结合扣件弹条稳定的内外边缘轮廓特征,利用基于曲线特征投影的模板匹配实现了扣件缺失的实时检测.经过实验验证,平均每帧图像的处理时间为245.61ms,平均正确识别率为85.8%,且该方法具有一定的自适应性,最高支持3.82m/s的推行速度,可满足对实际运营线路进行扣件缺失实时检测的需求.

基于GLCM与自适应Gabor滤波器组的纹理图像分割

基于Gabor滤波器的纹理图像分割算法存在参数难以选择的问题。为此,提出一种预测图像纹理类型数与Gabor滤波器组参数的分割算法。将图像分割成大小相等的区域块,根据各类纹理特性预测Gabor滤波器组参数,利用各区域块的纹理特征向量预测纹理类型数,并使用预测的滤波器组提取图像纹理特征,通过预测的纹理类型数对图像进行聚类分割。实验结果表明,该算法能以较高的精度与较快的速度分割纹理图像,且受纹理类型数量影响较小。

基于图像灰度梯度特征的钢轨表面缺陷检测

利用机器视觉技术检测钢轨表面缺陷时,检测结果的准确性易受光照变化、钢轨表面反射不均和锈迹等因素的影响。为此,提出了基于图像灰度梯度特征的钢轨表面缺陷检测方法。首先,在设计钢轨表面缺陷检测装置的基础上,分析了钢轨图像中不同区域的灰度和梯度特征;然后,基于双边滤波思想设计了背景平滑滤波器,利用局部灰度和梯度变化信息自适应调整不同特征区域的平滑程度,对原图像平滑得到背景图像;最后,将原图像与背景图像差分,通过对差分图像阈值分割并利用连通区域标记法,实现钢轨表面缺陷检测。实验结果表明,该方法可以在凸显图像缺陷部分的同时,有效减弱光照变化、钢轨表面反射不均和锈迹的影响,对不同轨道环境下的疤痕和裂纹缺陷均取得了较好的检测效果,缺陷漏检率和误检率分别为5.79%和6.84%,具有一定的实用价值。

钢轨表面缺陷图像自适应分割算法

针对钢轨表面缺陷提取时的灰度分布不均与杂散光干扰问题,在背景差分法的基础上提出了一种钢轨表面缺陷图像自适应分割算法.首先,通过统计钢轨图像中各行像素灰度特征,结合其均值与标准差分布曲线快速提取钢轨表面区域;然后,进行区域与边缘特征的均值窗口自适应选取;最后,根据均值模糊原理建立背景图像模型并进行图像差分,实现了钢轨表面缺陷分割.实验结果表明:提出的轨面提取算法快速、有效;钢轨表面缺陷自适应分割算法在凸显图像中缺陷部分的同时,有效减少了光照变化和反射不均的影响.该方法对测试图像的召回率和准确率分别达到了95.4%和81.3%.

钢轨表面缺陷检测系统中图像增强预处理方法研究

针对光照条件及轨道环境的变化会造成采集的钢轨图像严重降质,对后续缺陷检测十分不利的情况,提出一种基于Retinex的钢轨表面缺陷图像增强方法。通过分析钢轨表面特征的形成机理和成像特性,设计钢轨图像采集装置。研究单尺度及多尺度Retinex方法并对其用于钢轨图像增强时存在的问题进行分析。在此基础上,引入反射分量z-score标准化环节改进传统的Retinex图像处理框架。通过理论推导和不同条件下的实验验证了改进方法的有效性。研究结果表明:该方法对光照变化具有较强的鲁棒性,能在提高缺陷与背景对比度的同时有效克服阴影的干扰。对不同轨道环境下的钢轨图像增强后,信息熵、对比度和清晰度指标均优于传统方法,为进一步准确提取缺陷特征奠定了基础。

基于改进Retinex的钢轨表面缺陷图像增强方法

机器视觉检测系统获取的钢轨图像因其光照不均、对比度低而导致缺陷特征难以识别.对此,提出了一种基于改进Retinex的钢轨图像增强方法.首先,将钢轨图像从RGB颜色空间转换到HSI颜色空间并单独提取亮度分量;然后,以双边滤波代替传统Retinex方法中的高斯卷积进行照射分量估计,同时提取反射分量;最后,通过对反射分量的局部非线性增强以及HSI逆变换,实现钢轨图像增强.实验结果表明:本文方法在提高缺陷与背景对比度的同时能有效减弱光照不均的干扰,钢轨图像增强后的信息熵和对比度指标均优于传统方法.

机器视觉在动车牵引变流器底板安装检测的研究

动车的快速、稳定、安全特点给人们的生活带来了很多便利,然而其上牵引变流器底板的安装状态直接影响整车安全。本研究主要通过引进机器视觉检测系统弥补人工检查的不足,并突破传统视觉检测的局限性,实现牵引变流器底板的自动检测功能,提升检测效率及产品安全性能。