机器视觉理念之铁路线路状况检测算法概述.docVIP

　　机器视觉理念之铁路线路状况检测算法概述 第1章绪论 1.1课题的研究背景及意义 随着我国经济的快速发展，人口流动以及资源运输变得越来越频繁，在未来很长一段时间内，铁路依然会承担着最重要的交通运输任务，继续为国民经济、社会发展贡献能量。相对来说铁路拥有运输能力大、成本低、绿色环保等优势，而我国地广人多、内陆占比大、资源分布也不均衡，因此大力发展铁路运输行业非常符合中国国情。相比国外而言，若以国土面积和人口数量为基数，则国内的铁路网络密度还是比较低的，尤其是中国中西部地区，铁路发展比较缓慢，路网数量相对较少。这种发展不均衡的情况也成为了制约我国经济发展的因素。最近几年，我国铁路建设迎来了飞速发展时期，新建了很多高速铁路线，现代化的高技术车辆也都开始上线运行，铁路运输能力得到了很大提高。最近几年，我国铁路部门把目光转向了国外最先进的铁路技术上，在技术远远落后的情况下，集中主要力量，采用国内外技术合作方式，引进吸收了国外的高铁技术，并去其糟粕，取其精华，坚持集成创新的思想，仅仅用了几年时间，就将我国的高速铁路技术[1]提升到了世界领先水平。2010年底，我国铁路营业里程位居世界第二位，达到9.1万公里；当年新投入使用的高速铁路营业里程达到8358公里，位居世界第一位。2011年高速铁路再接再厉，建成通车4715公里，合计13000公里以上。当前我国在建高速铁路规模庞大，运行使用中的高速列车速度最快，高铁运营里程最长，从一个行业的追赶者，现在已经演变成为了世界上高速铁路技术最全面，集成创新能力最强的行业领导者，正在引领世界高铁发展的方向。 1.2国内外研究现状 1.2.1轨道缺陷检测设备 国外的轨道无损检测技术发展时间悠久，早在上世纪20年代就有机构开始研究。它们大多都是基于超声波和磁感应技术[3]，属于无接触内部探伤检测。上世纪70年代末，国外开始采用计算机视觉技术来自动检测铁路轨道缺陷，在这方面，北美、欧洲和日本等发达国家研究得比较深入。但是受限于当时的计算机硬件水平，系统很难真正投入到实际应用中。这一状况随着计算机技术和机器视觉技术的飞速发展得以快速转变。上世纪90年代末美国ENSCO公司研发了轨道视觉检测系统(VIS)，该系统主要用来辅助人工进行轨道缺陷检测。VIS系统主要致力于解决两个方面问题：首先，用其代替传统的巡道工，检测轨道异常情况；其次，使用图像分析处理技术来记录和监控轨道设备状态的变化情况。VIS系统实现的主要功能：自动检测PANDROL扣件是否正常。法国研制的Iris320高速检测车(如图1-2[4]所示)于2006年正式亮相。该检测车的最高检测速度为320km/h,共由8节车厢组成。主要检测项目包括：1、轨道检测；2、接触网检测；3、信号检测；4、通信及其他检测。列车基础设施齐全，安装了所需的全部检测设备。设定2周一次检测周期，检测线路总长为3600km。 第2章图像处理算法介绍 2.1引言 本章主要介绍系统所涉及到的图像处理方法。钢轨区域分割方面涉及到直方图均衡化，hough直线检测等方法，这些图像处理方法属于图像预处理，是系统能够有效工作的关键，它的效果直接影响到最终识别算法的准确率。扣件状态识别方面核心算法包括核主成分分析和支持向量机（也有文献称之为支持矢量机)，本章详细介绍了其背景，原理和流程，以及适用领域和算法的局限，后文使用时不再介绍。理论上而言，传统的统计模式识别方法性能与样本数有关，只有当其数量为无穷大，才能获得理想的性能。在实际情况中，样本数量往往是一定量的。而统计学习理论作为一种机器学习方法，研究的就是有限样本情况下的识别问题。SVM就是基于统计学习理论提出的。在传统的统计模式识别学习中，太过注重经验风险。忽略了其他方面对分类器的影响，一味的最小化经验风险。这可能导致分类器的泛化能力下降，进而产生过学习问题。支持向量机[37.39]学习方法是基于SLT的VC维理论和结构风险最小原理基础提出的。在有限的样本信息情况下，支持向量机通过最大程度地满足模型的复杂性和学习能力，以期获取其中的折衷方案，从而能得到最好的泛化能力，相较于其他传统的学习方法，其推广能力占优。 2.2图像预处理介绍 本章主要介绍了后续章节中图像处理的核心算法和思想。其中的关键点特征降维，⑵分类识别。介绍了基于核的主成分分析(KPCA)算法理论,其在数据降维和数据压缩上都有很好的应用效果。PCA结合其他分类算法的研究较为广泛，本文使用的是它在特征提取方面的应用。随后介绍了支持向量机(SVM)算法的基本构造，该算法在解决小样本、非线性以及高维的模式识别中有着许多特有的优势，为后文分类器的构造打下基础。在现实世界中，各种事物的分类分为线性可分和线性不可分两种，为了解释支持向量机是如何工作的，我们将从线性可分的情况入手来对支持向量机