基于SIFT的火車車底螺栓圖像識(shí)別技術(shù)研究.pdf

1、在通過(guò)式火車檢測(cè)中，車底異常是火車檢測(cè)的一個(gè)重要環(huán)節(jié)?；疖囓嚨状嬖诘谋姸嗖话踩蛩刂?，螺栓的重要性尤為凸顯。以往對(duì)于火車車底的檢測(cè)方式是工作人員進(jìn)入車底以肉眼進(jìn)行人工檢測(cè)，這樣的方式費(fèi)時(shí)費(fèi)力。因此，為了提高準(zhǔn)確性和安全性，同時(shí)能夠動(dòng)態(tài)地檢測(cè)火車車底，節(jié)省人力物力，設(shè)計(jì)一個(gè)合理有效的車底異常檢測(cè)方案很有必要。當(dāng)前，工業(yè)線陣CCD（Charge-Coupled Device）照相機(jī)拍攝車底圖像的技術(shù)已經(jīng)相對(duì)成熟，對(duì)于數(shù)字圖像處理的方法也層出

2、不窮，采用基于火車車底圖像處理的方式來(lái)實(shí)現(xiàn)螺栓的識(shí)別檢測(cè)以及車底異常的預(yù)警顯示可見(jiàn)其可行性。故本文基于以上研究背景和意義，大量調(diào)研適用于火車車底圖像的特征提取算子，對(duì)比分析后確認(rèn)使用SIFT(Scale-Invariant Feature Transform)及其改進(jìn)算法結(jié)合神經(jīng)網(wǎng)絡(luò)的方法來(lái)實(shí)現(xiàn)火車車底圖像的螺栓識(shí)別目的。
　　本文針對(duì)由工業(yè)CCD照相機(jī)拍攝獲得的火車車底圖像螺栓的特點(diǎn):局部不變性。前期展開(kāi)了大量的特征提取算子調(diào)研

3、，最終確定使用SIFT特征提取算子，因其對(duì)旋轉(zhuǎn)、縮放、局部不變性都有較好的適應(yīng)性。隨后，本文重點(diǎn)研究了基于SIFT特征提取算子的火車車底圖像異常和螺栓識(shí)別方法。
　　通過(guò)SIFT特征提取算子提取初步特征、RANSAC(RANdom Sample Consensus)獲得精確匹配特征點(diǎn)、圖像的旋轉(zhuǎn)和縮放矯正、模板匹配等步驟的處理獲得故障的標(biāo)記和顯示，從而實(shí)現(xiàn)火車車底圖像的異常識(shí)別。
　　通過(guò)SIFT特征提取算子提取前期制作的大

4、量正負(fù)螺栓樣本的特征點(diǎn)，結(jié)合SVM(Support Vector Machine)訓(xùn)練器的反復(fù)訓(xùn)練，獲得了魯棒性較強(qiáng)的分類器，從而實(shí)現(xiàn)判別火車車底圖像的螺栓異常。
　　本文研究設(shè)計(jì)的2種基于SIFT特征提取算子的火車車底圖像異常和螺栓識(shí)別方法可以自動(dòng)提取圖像中的特征信息并建立完善的特征描述子，通過(guò)閾值參數(shù)的設(shè)置可以主動(dòng)獲得匹配特征點(diǎn)，期間會(huì)自動(dòng)去除錯(cuò)誤和重復(fù)匹配特征點(diǎn)，可以求得待檢圖像與標(biāo)準(zhǔn)模板圖像之間的旋轉(zhuǎn)角度以及縮放的比例，自

5、動(dòng)校正待測(cè)圖像至模板圖像的方向和尺寸大小，通過(guò)差的平方和以及互相關(guān)度來(lái)定位異常部位，從而建立螺栓圖像的正負(fù)樣本庫(kù)，通過(guò)SVM訓(xùn)練器訓(xùn)練獲得魯棒性較強(qiáng)的分類器，最終可以實(shí)現(xiàn)螺栓的識(shí)別和標(biāo)記。
　　實(shí)驗(yàn)結(jié)果表明:基于SIFT特征提取算子的異常識(shí)別方法對(duì)于火車車底圖像的旋轉(zhuǎn)、縮放以及局部不變性皆能很好的適應(yīng);基于SIFT特征提取算子結(jié)合SVM分類器的螺栓識(shí)別方法對(duì)于火車車底多種類螺栓皆能很好的識(shí)別，識(shí)別率達(dá)到了94％以上。
　　本