随着中国高速铁路技术的飞速发展,铁路线路的维护工作显得越来越重要。铁路扣件作为连接钢轨和轨枕的紧固件,是保障列车安全平稳运行的重要基础部件。近年来,图像处理技术作为实现铁路线路自动化检测的主要手段,被越来越多地运用到扣件检测中来。本文利用图像处理技术对铁路扣件状态自动检测方法进行研究和改进,其主要内容如下:(一)针对目前扣件检测算法所选取的底层特征单一,导致分类器对不同状态下的扣件区分能力不强、扣件的误检率较高的问题,提出了一种基于LBP-HOG特征的自适应潜在语义主题融合算法(Latent semantic topic fusion,LSTF)。首先提取扣件图像的LBP、HOG特征并计算其信息熵,其次结合两种特征的LDA主题分布,利用信息熵对其进行加权融合,最后将融合后的主题输入到SVM分类器对扣件进行分类识别。该算法利用LDA降低了底层特征所产生的特征冗余,能够融合两种特征的优点,使融合后的主题分布对扣件的描述能力更强。理论分析与实验证明,本文算法有效降低了扣件的漏检率和误检率。(二)针对原始BOW模型忽略了单词的位置和结构信息的缺点,本文提出一种基于信息熵加权的词包模型构造方法(Entropy-weighted BOW,EW-BOW)。首先,根据扣件结构特点,将扣件图像均匀划分为四个局部区域,改善了原始BOW模型忽略单词的位置信息这一缺陷。然后,利用局部区域信息熵对BOW模型进行加权处理,凸显了局部区域的BOW模型特征,从而提高了BOW模型对扣件图像的区分度。最后,通过LDA提取BOW的语义主题向量并送入分类器完成扣件状态的检测。理论分析与实验证明,本文方法针对断裂扣件显著降低了漏检率,提高了检测精度。