TFDS-3型故障轨边图像检测系统的应用

TFDS即货车故障轨边图像检测系统,主要利用计算机网络技术、图像采集处理技术、自动控制等技术对铁路轨边通过的货物列车进行图像拍摄,实现从人检转向机检的目的。传统的TFDS系统采用的是面阵扫描相机对货车部件进行扫描。而TFDS-3型货车故障轨边图像检测系统采用线阵相机进行拍摄。TFDS-3系统的应用提高了列检作业效率,减轻了列检作业人员的劳动强度,实现列检不停车技术检查,由人工室外手锤检查向室内图像分析转变的模式,为车辆安全防范提供了重要保证。

图像边缘增强与麻雀搜索算法相结合的TFDS图像自适应增强方法

针对货车运行故障动态图像检测系统(Trouble of moving Freight car Detection System,TFDS)中存在的列车图像曝光不足、对比度低以及边缘细节模糊的问题,提出了图像边缘增强与麻雀搜索算法相结合的TFDS图像预处理方法。首先,利用高斯-拉普拉斯算子对图像进行边缘检测与锐化处理,增强列车零部件边缘细节清晰度;其次,利用麻雀搜索算法寻找非完全Beta函数的最佳参数;最后,实现低照度图像的自适应增强。实验结果表明:该方法在信息熵、平均梯度以及对比度等方面优于TFDS图像预处理常用算法。

TFDS集中作业系统的设计与实现

针对货车故障轨旁图像检测系统(TFDS,Trouble of moving Freight car Detection System)探测站存在的作业量不均衡、作业关系未有效利用、作业质量差异较大等问题,基于数据传输、数据挖掘、智能判别等技术,将多套TFDS采集的图像和列车信息进行统一存储和任务的智能分配,实现智能管理、作业联控、信息传递等功能。该系统在中国铁路郑州局集团有限公司上线以来,运行效果良好,故障发现效率提升20%以上,为车辆系统深化改革创造了条件,为专业化管理提供了技术支持。

复杂场景下铁路货车锁紧板偏转故障检测

结合铁路安全运营的迫切需求,以铁路货车运行故障图像动态检测系统(TFDS)中锁紧板偏转故障检测为研究背景,在无故障目标自动识别模式下对锁紧板姿态进行故障判别。针对锁紧板姿态是否位于正常范围内,提出一种新颖的偏转角度估计方法。算法依据锁紧板轮廓由近直线段组构成,提出采用直线段特征描述物体,形成特征稀疏表达,并对直线段特征采用方向编码方式,在有向Chamfer匹配下实现偏转角度估计,整个过程仅需一个模板。实验证明该算法能有效识别出偏转角度位于正常范围内的物体,并具有较好的鲁棒性和准确性。

一种基于几何特征的列车集尘器形状匹配算法

针对列车集尘器定位不准确的问题,提出了一种基于几何特征的形状匹配算法。该算法首先对轮廓点进行采样,基于极半径、局部曲率确定关键点的初始位置及点集的映射关系,然后以形心为基准,生成以角度和尺度为几何特征的双重描述子,并对其作标准量化处理。最后使用改进的曼哈顿距离计算描述子的相似性。实验结果表明,该形状匹配算法几乎不受伸缩、旋转、平移等几何变换的影响,具有一定的适应性和鲁棒性。

基于稀疏编码空间金字塔匹配和GA-SVM的列车故障自动识别

针对货车运行故障动态图像中车辆挡键、集尘器和安全链锁紧螺栓的故障检测,提出一种基于稀疏编码空间金字塔匹配和遗传算法优化的支持向量机相结合的通用故障自动识别算法。首先在不同尺度空间对样本图像进行划分,对每个部分提取尺度不变特征变换特征,利用随机抽取样本的SIFT特征通过迭代学习生成字典并进行稀疏编码;其次利用主成分分析定义编码后的特征对故障识别准确率的贡献值,并据此对编码特征进行降维;然后利用编码降维后的特征结合遗传算法对线性SVM分类器进行训练;最后用训练好的分类器模型对挡键、集尘器和安全链锁紧螺栓的故障进行识别。实验结果表明,本文提出的算法能较好的应用于3种不同类型的故障识别,识别率分别为97.25%、99.00%和97.50%,同时对噪声和光照变化具有一定的鲁棒性,能满足车辆故障的实际检测需求。

基于HCRD的列车锁紧板偏转自动识别方法

针对货车故障轨旁图像检测系统(TFDS)中锁紧板偏转故障,提出一种基于霍夫变换、Canny边缘检测和形状模板相结合的HCRD(Hough-Canny-RightangleDetection)方法。通过霍夫变化及数学几何模型定位转向架锁紧板部位,再对Canny边缘检测后的边缘图像进行角度特征的检测,整个识别只需要一个形状模板就能实现锁紧板偏转图像高精度自动识别,具有很好的判别能力。采用python编程,平均每张图像识别时间为0.067 s。且锁紧板下边缘处是否有角度特征作为锁紧板是否偏转的判断依据,具有很高的可靠性。实验证明,HCRD方法能精确检测出锁紧板的非正常范围(>5°)的偏转,且具有较好的鲁棒性和抗噪能力。该方法为TFDS故障图像识别提供了一种新的思路。

动态检车员作业质量抽查功能的设计

根据铁路货车运行故障动态图像检测系统(TFDS)的分布特点,本文提出采用网页采集信息技术获取TFDS动态检车员作业信息,通过作业信息比对实现作业质量抽查功能。

基于数字图像分析的铁路货车闸瓦插销窜出故障自动识别方法

本文基于数字图像分析技术,提出一种TFDS铁路货车闸瓦插销窜出故障的自动识别方法。算法对原始输入图像进行必要的区域定位、直方图均衡化、去噪等预处理;针对处理后的闸瓦插销的图像,设计适合其形状、纹理和位置3个方面特征的梯度方向直方图来描述闸瓦插销的特征向量;提取特征向量输入到已经训练好的线性可分支持向量机分类器模型中进行故障判断和自动识别。实验数据证明了该识别算法的稳定性、可靠性和实用性。

动态时间规整下的列车车钩缓冲图像区域校正

目的在铁路货车故障轨边图像检测系统(TFDS)采集的车钩缓冲区域影像中,托架、车钩等关键部件是刚体,但部件之间的连接是软连接,存在相对位移,造成传统的全局校正模型在该类图像校正中无法实现高精度校正,本文基于动态时间归整(DTW)方法,提出一种基于DTW区域划分的影像校正方法,实现影像的高精度校正。方法本文将成像良好的车钩缓冲图像作为标准图像,首先对待校正图像进行预处理,消除标准图像与待校正图像之间在灰度、角度与尺度方面的差异,并针对车钩缓冲图像在车辆行进的垂直方向上偏移较小的特点,将2维图像校正问题转化为1维匹配问题,与待校正的车钩缓冲图像进行基于DTW的区域匹配,实现关键部件所在区域的区域划分,在对应的区域内分别进行校正,能够达到较高的校正精度。结果将传统的车钩缓冲图像校正方法与本文方法进行校正精度对比,经验证,本文方法的均方误差比传统校正方法小20个像元,并且本文方法成功实现了关键部件的区域划分,为后面的关键部件识别奠定了基础。结论经验证,本文校正方法适用于定向移动的复合刚体部件的区域校正,能够实现车钩缓冲图像中各个软连接部件的高精度校正,满足车钩缓冲图像校正的需要。