OpenCV下嵌入式轨道检测小车图像采集处理系统研究与设计

在线路基础设施建设中,轨道安全维护是急待解决的薄弱环节,而轨道状态检测是保障列车安全运行的重要手段;应用OpenCV图像处理集,搭载嵌入式计算平台,对轨道图像采集处理,快速的分割并识别出轨道图像中的关键设备状态,是解决现有轨道检测技术成本高,效率低的一个重要研究课题;为研究该课题,设计了嵌入式轨道检测小车图像采集处理系统,包括整体系统结构设计、硬件选型与电路设计、软件运行结果测试;选用Linux平台作为处理核心,用Cadence设计STM32单片机同步采集触发电路,设计供电系统电路、优化正交编码电路与信号调理电路,在μC/OS-Ⅱ系统下编写同步触发采集程序,完成小车采集系统配置安装与测试,验证了OpenCV程序在嵌入式平台上的工作稳定性以及算法的实用性。

峰值信噪比标准下轨道图像预处理方法研究

针对轨道检测图像分割慢和识别不精确的问题,提出了一种经过中值滤波和均衡化后调整差分计算的边缘检测预处理算法。首先使用均值、中值、维纳和SNN等4种去噪方法分别处理同一幅添加椒盐和高斯噪声的图像;然后使用3×3、5×5、7×7、9×9等4个模板分别对图像均衡化;最后在对Sobel增添45°、135°、-135°和-45°等四个梯度算子的基础上,求和算子内的计算点后均分255位的像素,再差分计算,并通过公式推导对比调整差分算子前后的抗噪能力。结果表明:(1)经过中值滤波的图像峰值信噪比最大,处理时间最短;(2)经过3×3增强后的图像PSNR最大;(3)经过该方法预处理后的轨道图像,峰值信噪比较大,原有轮廓信息保留度较高,能为后续快速分割和精确识别奠定基础。

应用YOLO深度卷积网络的轨道图像定位算法

将摄影测量技术应用于铁路轨道检测是未来轨检技术的发展趋势。对轨道图像扣件的快速定位,是判断扣件是否缺损,匹配连续图像以及对轨道线形三维重建的基础。由于实际中轨道图像易受到拍摄角度、光照等因素影响,同时有砟轨道图像具有背景复杂、色彩单一、特征分布多变等特点,使得传统基于钢轨、轨枕布设关系的扣件定位算法具有局限性,对弯道和上下行道岔咽喉区域的扣件定位鲁棒性差。将近年在计算机视觉领域发展迅猛的深度学习算法引入铁路轨道检测,利用YOLO端对端输出的网络特点,根据图像全局信息直接对扣件的Bounding Box和类别进行迭代回归,输出扣件位置信息。试验检测50份测试数据,检测正确率达到94%,检测速度54 fps,可以达到实时检测的要求。