随着现代铁路的高速发展,对现役钢轨进行检测越来越重要。为了克服人工检测方法的诸多弊端,顺应轨道缺陷自动检测的发展趋势,本文提出了基于图像处理、模式识别及机器视觉的钢轨表面缺陷检测方法。此方法不仅可以大大节省人力物力,同时也可提高检测速度和精度,具有广阔的应用前景。 论文主要由硬件和软件两部分构成。 第一部分主要是借鉴常用的机器视觉系统模型,设计出适合本系统的在线检测硬件构成,并针对系统所要求达到的精度进行了相应的参数计算,选择合适的元器件。论文分析了列车速度对图像质量的影响,提出保证图像在车速变化的过程中仍然具有一致分辨率的方案,即根据车速大小实时改变线阵相机的工作线扫描速率,并用实验验证了方案的可行性。同时利用所选器件到现场获取了大量缺陷图像。 第二部分主要是图像处理、模式识别部分。根据钢轨表面缺陷图像的特点,利用数字图像处理技术对采集到的轨道图像进行处理并提取出缺陷,同时对缺陷特征进行描述,最后利用有效特征对缺陷进行分类。图像处理和模式识别部分的主要步骤包括预处理、检测区域定位、边缘检测、边缘连接、目标缺陷定位、特征提取和模式分类。以下所提出的算法对准确地检测和分析缺陷具有极大的影响。 1.为避免轨道附近的碎石等杂物干扰缺陷的检测,减少运算量,在缺陷分析之前首先对轨道区域进行定位,利用垂直边缘检测算子强化轨道左右边界,再利用投影法确定轨道位置并将其剪切下来。 2.缺陷的边缘具有不规则性,为了对缺陷形状进行准确提取,论文中选择了改进的Sobel算子和Canny算子来完成边缘检测,提取效果好,可以有效地保护边缘信息。 3.改进了边缘生长算法,对细化后的边缘图像进行连接,达到一定效果。增强了目标缺陷的连通性。 4.对定位后的目标缺陷进行了特征描述,并且选择长宽比和致密度两个参数作为学习向量量化神经网络的输入特征,求出分类系统的参数。并对所