论文部分内容阅读
铁路扣件是将钢轨固定在轨枕上的部件，采用日益兴起的计算机视觉技术代替人工完成扣件自动检测，已成为铁路维保部门向智能化方向发展的重要手段。目前基于计算机视觉的扣件检测流程一般为:由分类器直接根据图像底层特征判断扣件状态。因为底层特征稳定性差，以及分类器难以拟合正常和失效扣件边界，现有流程检测效果不理想。本文在特征和分类器之间，通过语义学习的方法，从图像特征描述中整合出图像的主题分布，以该分布输入分类器获得扣件状态。传统语义方法通过单词编码开始特征学习过程，但编码忽略了图像结构信息。本文设计了一种能够感知扣件结构状态的特征语义学习方法，主要研究工作如下: (1)针对强光照变化，传统LBP(local binary patterns)无法稳定描述扣件结构的问题，提出了一种改进的二值化LBP方法，用以提取扣件结构图像。该方法的主要特点是在传统LBP的8个方向中选取一个最能刻画扣件形状的方向编码得到结构图像，理论分析表明该方法提高了光照稳定性概率。实验中，采用结构图像检测扣件状态，漏检率为7.7％，误检率为11.3％，说明所提取的结构图像能够稳定描述扣件结构形状。 (2)针对传统LDA(latent dirichlet allocation)丢失图像结构信息的问题，基于上述结构图像，在LDA中配置结构变量，提出了一种改进的结构化St_LDA(structure latent dirichletallocation, St_LDA)语义学习方法，用于从特征中抽取能够反映扣件结构状态的主题分布，该分布是分类器的输入。首先，根据特征在结构图像中的位置进行结构编码，从而将传统的一维单词直方图扩展成二维的单词-结构编码;然后，设计二维编码的St_LDA生成机制，并推导特征学习公式，利用学习公式估计主题分布。实验结果表明，相对经典LDA，St_LDA条件下正常和失效扣件之间的类间距离增加了8.6％～40％;将St_LDA与目前扣件检测流程结合，底层特征经学习后，漏检率下降了约76％，误检率下降了67％～72％。