基于圖像處理的鐵軌表面缺陷自動(dòng)檢測(cè)方法研究

基于圖像處理的鐵軌表面缺陷自動(dòng)檢測(cè)方法研究

ID:34874087

大?。?.03 MB

頁(yè)數(shù):74頁(yè)

時(shí)間:2019-03-13

基于圖像處理的鐵軌表面缺陷自動(dòng)檢測(cè)方法研究_第1頁(yè)
基于圖像處理的鐵軌表面缺陷自動(dòng)檢測(cè)方法研究_第2頁(yè)
基于圖像處理的鐵軌表面缺陷自動(dòng)檢測(cè)方法研究_第3頁(yè)
基于圖像處理的鐵軌表面缺陷自動(dòng)檢測(cè)方法研究_第4頁(yè)
基于圖像處理的鐵軌表面缺陷自動(dòng)檢測(cè)方法研究_第5頁(yè)
資源描述:

《基于圖像處理的鐵軌表面缺陷自動(dòng)檢測(cè)方法研究》由會(huì)員上傳分享,免費(fèi)在線(xiàn)閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、中圖分類(lèi)號(hào):TP391.41;U213.4+2論文編號(hào):102870415-S065學(xué)科分類(lèi)號(hào):081001碩士學(xué)位論文基于圖像處理的鐵軌表面缺陷自動(dòng)檢測(cè)方法研究研究生姓名李立學(xué)科、專(zhuān)業(yè)通信與信息系統(tǒng)研究方向圖像處理與視頻通信指導(dǎo)教師吳一全教授南京航空航天大學(xué)研究生院電子信息工程學(xué)院二О一五年三月INanjingUniversityofAeronauticsandAstronauticsTheGraduateSchoolCollegeofElectronicandInformationEngineeringResearchonAutomaticDetectionMethodso

2、fRailSurfaceDefectsBasedonImageProcessingAThesisinCommunicationandInformationSystembyLiLiAdvisedbyProf.WuYiquanSubmittedinPartialFulfillmentoftheRequirementsfortheDegreeofMasterofEngineeringMarch,2015II南京航空航天大學(xué)碩士學(xué)位論文承諾書(shū)本人聲明所呈交的碩士學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。除了文中特別加以標(biāo)注和致謝的地方外,論文中不包含其他人已經(jīng)發(fā)表或撰寫(xiě)

3、過(guò)的研究成果,也不包含為獲得南京航空航天大學(xué)或其他教育機(jī)構(gòu)的學(xué)位或證書(shū)而使用過(guò)的材料。本人授權(quán)南京航空航天大學(xué)可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索,可以采用影印、縮印或掃描等復(fù)制手段保存、匯編學(xué)位論文。(保密的學(xué)位論文在解密后適用本承諾書(shū))作者簽名:日期:III基于圖像處理的鐵軌表面缺陷自動(dòng)檢測(cè)方法研究摘要鐵軌表面缺陷自動(dòng)檢測(cè)是保障鐵路運(yùn)行安全的主要措施之一,利用圖像處理方法檢測(cè)鐵軌表面缺陷因其具有準(zhǔn)確、高效、自動(dòng)化程度高等優(yōu)點(diǎn)而成為重要的研究課題。本文以前人的研究工作為基礎(chǔ),深入研究了鐵軌表面缺陷自動(dòng)檢測(cè)所涉及的若干關(guān)鍵技術(shù),包括圖像去噪、缺陷邊緣檢測(cè)、缺陷分

4、割,缺陷分類(lèi)識(shí)別,主要工作如下:首先,提出了一種基于Shearlet域各向異性擴(kuò)散的鐵軌表面缺陷圖像去噪方法。對(duì)含噪鐵軌表面缺陷圖像進(jìn)行非下采樣Shearlet變換后,利用K-奇異值分解算法去除低頻分量中的噪聲,各個(gè)方向的高頻分量則通過(guò)核各向異性擴(kuò)散算法進(jìn)行去噪;隨后對(duì)處理過(guò)的低頻分量和高頻分量進(jìn)行非下采樣Shearlet逆變換,得到重構(gòu)圖像。實(shí)驗(yàn)結(jié)果表明,與小波擴(kuò)散去噪法、Shearlet硬閾值去噪法、K-奇異值分解稀疏去噪法、小波域稀疏去噪法相比,該方法的去噪能力更強(qiáng),并能更好地保留鐵軌表面缺陷紋理細(xì)節(jié)特征。然后,研究了一種基于核模糊聚類(lèi)和正則化的鐵軌表面缺陷圖像去噪方法。

5、利用核模糊C均值聚類(lèi)算法對(duì)相似的圖像塊進(jìn)行聚類(lèi)后,對(duì)于同一類(lèi)圖像塊,通過(guò)施加范數(shù)正則化約束,實(shí)現(xiàn)該類(lèi)圖像塊在字典下的稀疏分解;隨后采用改進(jìn)的K-奇異值分解算法完成字典的更新,從而有效地去除圖像噪聲。實(shí)驗(yàn)結(jié)果表明,與小波擴(kuò)散去噪法、固定字典去噪法、最優(yōu)方向去噪法、K-奇異值分解去噪法相比,該方法能更有效地去除圖像噪聲,保留鐵軌表面缺陷細(xì)節(jié),改善圖像視覺(jué)效果。接著,實(shí)現(xiàn)了一種基于Shearlet域改進(jìn)蜂群的鐵軌表面缺陷圖像邊緣檢測(cè)方法。對(duì)鐵軌表面缺陷圖像進(jìn)行非下采樣Shearlet變換后,對(duì)于低頻分量,利用改進(jìn)蜂群算法準(zhǔn)確檢測(cè)出邊緣的基本輪廓線(xiàn),而對(duì)于高頻分量,采用方向模極大值算法

6、檢測(cè)出圖像中豐富的邊緣細(xì)節(jié);最終融合高、低頻分量的檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明,與Canny方法、改進(jìn)的蟻群方法、改進(jìn)的蜂群方法、改進(jìn)的非下采樣Contourlet模極大值方法相比,該方法檢測(cè)出的圖像缺陷邊緣定位準(zhǔn)確、完整清晰、細(xì)節(jié)豐富,邊緣檢測(cè)效果更好,且所需運(yùn)行時(shí)間較少。其次,給出了基于混沌蜂群優(yōu)化的Arimoto熵鐵軌缺陷圖像雙閾值分割方法。先將Arimoto熵單閾值選取推廣到雙閾值選取,并采用遞推方式計(jì)算Arimoto熵雙閾值選取公式中的中間變量,減小運(yùn)算量;再利用基于Tent映射的混沌序列改進(jìn)蜂群優(yōu)化算法,從而實(shí)現(xiàn)對(duì)兩個(gè)最佳閾值的快速搜尋。大量實(shí)驗(yàn)結(jié)果表明,與最大Shann

7、on熵多閾值分割法、二維Shannon熵分割法、二維Tsallis灰度熵分割法、倒數(shù)灰度熵多閾值分割法相比,給出的方法能更快速準(zhǔn)確地分割出鐵軌表面缺陷,具有更好的分割效果,是一種實(shí)時(shí)有效的鐵軌表面缺陷檢測(cè)方法。最后,提出了基于稀疏表示和隨機(jī)森林的鐵軌表面缺陷分類(lèi)方法。先采用K-奇異值分解算法對(duì)鐵軌表面缺陷樣本圖像進(jìn)行訓(xùn)練,并使用訓(xùn)練后的字典對(duì)圖像進(jìn)行稀疏分解;隨后利用分解系數(shù)構(gòu)造特征向量,并通過(guò)主成分分析進(jìn)行降維變換,確保特征向量的高效性;最終使用隨IV南京航空航天大學(xué)碩士學(xué)位論文機(jī)森林分類(lèi)

當(dāng)前文檔最多預(yù)覽五頁(yè),下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁(yè),下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動(dòng)畫(huà)的文件,查看預(yù)覽時(shí)可能會(huì)顯示錯(cuò)亂或異常,文件下載后無(wú)此問(wèn)題,請(qǐng)放心下載。
2. 本文檔由用戶(hù)上傳,版權(quán)歸屬用戶(hù),天天文庫(kù)負(fù)責(zé)整理代發(fā)布。如果您對(duì)本文檔版權(quán)有爭(zhēng)議請(qǐng)及時(shí)聯(lián)系客服。
3. 下載前請(qǐng)仔細(xì)閱讀文檔內(nèi)容,確認(rèn)文檔內(nèi)容符合您的需求后進(jìn)行下載,若出現(xiàn)內(nèi)容與標(biāo)題不符可向本站投訴處理。
4. 下載文檔時(shí)可能由于網(wǎng)絡(luò)波動(dòng)等原因無(wú)法下載或下載錯(cuò)誤,付費(fèi)完成后未能成功下載的用戶(hù)請(qǐng)聯(lián)系客服處理。