基于目標輪廓特征的圖像識別及列車轉(zhuǎn)向架故障檢測.pdf

1、列車(包括快車、動車及高鐵)是客運和貨運的主要交通工具之一,由于現(xiàn)代工業(yè)和科學技術(shù)的飛速發(fā)展,其規(guī)模和復(fù)雜性日益提高,一旦列車發(fā)生故障,將會引起人力、物力甚至人身安全的巨大損失,因此世界上許多國家都投入了大量的人力、物力和財力對列車進行故障診斷和狀態(tài)監(jiān)測,基于光學圖像的列車故障識別和診斷已經(jīng)成為了當今研究熱點和重點之一。目標識別和形狀匹配是圖像處理、模式識別和計算機視覺的研究熱點和難點,廣泛應(yīng)用于日常生活、工業(yè)應(yīng)用和軍事活動中的各個領(lǐng)域

2、。本論文基于目標輪廓的形狀表示和匹配進行了圖像處理算法研究,并將其應(yīng)用于列車最重要的行走部件——轉(zhuǎn)向架的故障診斷和識別,全文主要研究內(nèi)容如下:
　　研究了列車轉(zhuǎn)向架光學圖像的預(yù)處理。對國內(nèi)外關(guān)于數(shù)字圖像邊緣檢測技術(shù)的研究和現(xiàn)狀進行了系統(tǒng)的總結(jié)和分析,首先詳細介紹了基于一階和二階微分算子的邊緣檢測算法,包括Roberts、Sobel、Prewitt和Canny算子,研究各自算法原理,分析其各自適用范圍和優(yōu)缺點。然后介紹了基于多尺度小

3、波變換的邊緣檢測算法,包括小波變換的基本原理和小波邊緣檢測的算法步驟,并分析其適用范圍和優(yōu)缺點。
　　研究了基于PCA-SC全局特征算法的目標識別算法。為了實現(xiàn)形狀匹配和目標識別的快速性和抗噪性,基于形狀上下文(Shape Contexts, SC)算法,融合了主成分分析(PCA)降維思想,提出一種PCA-SC算法。算法思想是將SC算法獲取的特征矩陣構(gòu)成協(xié)方差矩陣,按照特征值由大到小的準則進行降維,形成新的特征矩陣用于匹配和識別,

4、既抑制了噪聲干擾,提高了識別準確率,又能夠提高匹配速度,易于滿足工程應(yīng)用上的實時性要求。通過對MNIST圖像數(shù)據(jù)庫中的圖像進行實驗分析表明PCA-SC算法在保持了SC算法原有的定位準確、抑制噪聲等優(yōu)點的基礎(chǔ)上,識別速度提高了一倍,準確率達到了96.15％,提高了約0.5％,抗噪性更強。
　　研究了基于分層描述(Hierarchical Representation)和彈性匹配(Flexible Matching)的目標識別和形狀檢

5、索算法。有效的目標輪廓分段和形狀匹配算法是描述目標局部特征和相似度表征的關(guān)鍵環(huán)節(jié)。針對現(xiàn)有輪廓描述算法存在輪廓分段不合理的問題,本文基于認知心理學,提出了分層描述的輪廓描述算法;同時基于輪廓分段的長度、凹凸度和彎曲性等幾何特征,提出了彈性匹配的相似度表征算法。整個算法思想是首先根據(jù)角點特征將整個輪廓劃分成一些輪廓分段,接著對輪廓分段的分布特點提出價值尺度,然后將多級輪廓分段按照價值尺度原則合并得到有限個能夠完整描述目標輪廓的特征分段,最

6、后將特征分段應(yīng)用到彈性匹配相似度檢測模型中進行目標識別。通過對MPEG-7和Kimia圖像數(shù)據(jù)庫中的圖像進行實驗分析表明該算法能夠完整描述目標圖像的形狀特征,提高了目標識別率和形狀檢索率,并對部分遮擋的目標也具有良好的魯棒性。基本滿足目標識別識別和形狀檢索對準確率、穩(wěn)定性、抗遮擋能力等方面的要求。
　　將本文研究的理論方法應(yīng)用于列車轉(zhuǎn)向架故障檢測和識別的實際工程應(yīng)用中,一方面驗證該理論成果的可行性,另一方面也實現(xiàn)了列車轉(zhuǎn)向架故障的