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%。