基于扩展Haar特征和DBSCAN的钢轨识别算法

障碍物对列车的正常运营构成了极大的安全隐患,钢轨识别是实现障碍物检测的关键步骤。钢轨识别算法需要能够快速有效地检测列车前方钢轨的位置,同时不能占用过多的计算资源,影响障碍物检测程序的运行速度。为解决上述问题,文中提出一种基于扩展Haar特征提取和DBSCAN密度聚类的钢轨识别算法。首先通过仿射变换、池化、灰度均衡化、边缘检测等算法对图像进行预处理,然后基于扩展Haar特征提取图像中钢轨的特征点,最后利用DBSCAN算法对特征点进行聚类,提取出有效的特征数据点进行曲线拟合,从而识别钢轨的位置。通过车载实验结果表明,该方法能够在列车运行过程中有效检测到钢轨的位置,满足多场景、多工况的实际使用需求。

基于轴箱振动混合域特征的钢轨表面状态识别

在复杂的现场环境中,识别模型必须具有实时数据处理能力、对不同状态的准确识别能力和良好的抗噪声能力。针对上述问题,提出一种基于混合域特征和VMD-LSTM的钢轨表面状态识别方法,用于识别钢轨表面的5种状态,即:道岔、接缝、损伤、道岔和损伤的混合状态以及正常状态。该方法主要包括3个阶段,即:混合域特征提取、特征选择和状态识别。通过仍处使用期的列车现场试验采集的振动加速度数据进行验证,测试准确率达到98.26%。实验结果表明,该方法能准确识别钢轨表面状态,可用于实际现场。

铁路钢轨视觉识别检测方法

基于钢轨在监测图像中的特征,结合Radon变换思想,推导出用于钢轨识别检测的Bresenham直线算法,提出钢轨直线检测实现方法。在此基础上,得到一种基于图像处理的钢轨识别检测方法,现场试验验证了该检测方法的计算效果。研究结果表明:由该方法计算得出的2条直线准确地落在监测图像中的2条钢轨上,并得出在图像坐标系下的2条钢轨直线方程,说明该方法可准确识别检测出监测图像中的钢轨,为准确监测沙雪等异物入侵事件提供了必要支撑。

基于优化蚁群算法的钢轨轮廓识别

针对传统蚁群算法在钢轨图像识别中存在的问题,对蚁群算法进行4个方面的优化。初始化过程优化:采用一维Logistic混沌映射序列非线性迭代方程,使蚁群的初始化分布更加均匀,以避免大量的无关运算;搜索过程优化:在蚁群的搜索初期采用随机搜索策略,根据图像灰度梯度值自动设置阈值,初步确定图像中钢轨边缘的像素点,然后建立区域搜索模型,以进行钢轨边缘的精确搜索和描绘;搜索步长优化:在搜索初期,采用大步长随机搜索策略识别钢轨边缘的像素点,然后利用小步长区域搜索策略对钢轨边缘像素点做更精确地识别,从而实现钢轨轮廓的精确识别,并减少了搜索时间和算法的收敛时间;信息素更新策略优化:每完成1次搜索,根据自动设置的信息素最大、最小浓度值更新信息素,防止陷入局部最优。对实际采集到的直线和曲线线路上的钢轨图像分别用Canny边缘检测算子、传统算法和优化算法进行钢轨轮廓识别的对比试验,结果表明:优化算法具有更好的健壮性和识别效率。

基于混合模型的钢轨检测识别方法

为了改善我国现有钢轨检测识别方法准确性和鲁棒性不高以及弯轨拟合较差等问题,提出一种基于直线-曲线混合模型的钢轨检测识别算法。首先对图像进行预处理,调整滞后阈值进行Canny边缘检测。采用累计概率Hough变换对直轨检测并完成近远视场的划分以及消失点的确定。对近视场直轨采用直线模型拟合,根据其检测结果对远视场进行循环线性近似获取钢轨特征点,并根据钢轨灰度特征进行验证,采用最小二乘法完成曲线拟合。直线-曲线模型的切换根据制定的规则完成。实验结果表明,提出的算法检测正确率为90.1%,适用于不同环境的场景,具有较好的鲁棒性。

基于深度学习的钢轨伤损智能识别方法

基于钢轨探伤车检测数据通道设计、B显数据生成原理和钢轨伤损分类,对比钢轨探伤车检测数据伤损识别与普通图像识别特点的不同,将检测数据视为由16个通道二进制矩阵叠加成的图像;设计包含1个输入层、3个卷积层、3个池化层、2个全连接层、1个输出层的深度学习架构,并通过噪声和通道预处理,将钢轨伤损的"物体检测"问题转换为"分类"问题。以某地人造钢轨伤损检测数据扩充后作为训练集,得到基于深度学习的钢轨伤损智能识别模型,以另一地的人造钢轨伤损检测数据作为测试数据分析该模型的识别效果,并与钢轨探伤车既有系统识别结果和人工分析结果进行对比。结果表明:基于深度学习的钢轨伤损智能识别模型在准确率、误报率指标上均优于钢轨探伤车既有系统,达到人工分析的指标要求,提高了准确率。

基于路图特征和SVM的钢轨裂纹识别

为了进一步提升钢轨裂纹的识别精度,从新特征的角度出发,提出一种基于路图特征和支持向量机(Support Vector Machine,SVM)的钢轨裂纹识别方法。该方法基于图信号处理与图谱理论,计算由钢轨裂纹时域漏磁(Magnetic Flux Leakage,MFL)信号转换得到的路图信号的“时域”和“频域”统计量作为钢轨裂纹MFL信号的特征训练SVM分类器,有效实现了不同缺陷参数的钢轨裂纹识别。基于钢轨裂纹漏磁检测平台实测数据验证所提方法的有效性。实验结果表明,相比于传统漏磁信号特征,采用路图特征在钢轨裂纹识别中的精度更高、稳定性更好。

多传感器特征决策融合的钢轨裂纹识别方法

随着高速铁路的快速发展,钢轨裂纹的有效检测对于铁路安全运行具有重要的意义。针对基于漏磁信号的钢轨裂纹识别问题,采用多传感器特征决策融合技术,在对漏磁信号进行了时域和频域的多特征提取与融合的基础上,同时对多传感器信号进行决策融合,设计了一种基于支持向量机(SVM)的多传感器信息融合分类器。利用人工裂纹的实测漏磁信号进行实验,相比于提取单一特征和利用单一传感器信号进行识别,提出的方法取得了更好裂纹识别效果,平均识别率达到98%。

基于编解码的超声导波轨底裂纹识别方法研究

超声导波在针对钢轨小裂纹检测时由于利用高频信号,会导致信号衰减明显,对于小裂纹的检测灵敏度降低,针对细小裂纹难以识别,为提高缺陷信号识别度,本文将barker码作为编码方式,并用类BPSK作为解码方式,利用到导波检测钢轨小裂纹的信号处理中。通过实验将对钢轨轨底上深度6 mm宽度0.5 mm的人工裂纹进行验证,为衡量算法效果分别用未经过任何信号处理的原始收发导波信号和经过barker码-匹配滤波编解码处理的导波信号与实验方法进行对比。结果表明,利用barker码-类BPSK编解码处理的导波信号在处理钢轨轨底小裂纹的识别上有着明显的增强作用,效果优于另外两种方法,可以为以后的导波钢轨小裂纹检测提供支持。

铁路钢轨异物距离检测方法研究

针对铁路线路情况设计实时异物距离测试方案,基于车钩装载移动式摄像机和钢轨识别方法,利用横向视觉和纵向视觉几何原理,提出2种钢轨异物距离检测算法,为铁路运输安全提供技术方案。整体方案经过实验室线路试验以及乌鲁木齐铁路局现场试验验证,异物距离测试精度满足工程要求,算法具有较好的鲁棒性;数据误差分析中,尤其是中长距离,基于横向视觉比纵向视觉的检测方法更加准确,适合监控远程异物距离。