论文部分内容阅读
随着高铁动车应用的增长,列车机车的检修任务量也不断增加。传统机车设备的检测工作都是通过人工的方式来完成,维修工人需要每天去现场勘查,通过肉眼观察机车设备是否存在缺失或损坏。这样日复一日的工作令人疲惫且繁琐,检测工作的质量保证还取决于工人的个人职业素质以及心理和生理状态。因此,这种传统的人工检测方式已经不再适应于现场需求,也具有一定安全隐患。近年来,数字图像处理及机器学习技术已经成功应用于各行各业,行人检测、人脸识别、车辆检测等应用相对成熟。本文中的机车速度传感器属于光电类速度传感器,其作用是将机车运行的速度变化通过脉冲信号发送至机车监控装置,其图像特征表现为外方内圆,即由四个螺栓及连接线圈组成一个外围正方形,正方形内则由一个凸起的圆形设备构成。由此,本文提出了基于图像处理及机器学习的机车速度传感器设备自动检测的方法,采用先定位后检测的方式,主要工作如下:(1)首先对速度传感器安装区域进行定位,本文介绍了3种区域定位算法:基于Hough圆变换的区域定位算法,基于HOG特征和SVM算法(HOG-SVM)的定位算法和基于Haar特征与Adaboost算法(Haar-Adaboost)的定位算法。其中,基于机器学习理论的Haar-Adaboost算法和HOG-SVM算法在6659张正样本、负样本15273张的相同训练集下,检测1000张与训练样本不重复的测试图片,实验结果验证了本文采用的定位算法的有效性与可行性。3种方法中,HOG-SVM算法效果更优。(2)对正确定位出来的速度传感器安装区域进行设备检测,检测该区域是否有速度传感器设备。对此也介绍了3种检测算法:基于图像相似度的SSIM算法、直方图对比算法和基于HOG特征的SVM分类器检测算法。本文采用500张测试样本对这三种检测算法进行测试,测试结果表明了本文采用的设备检测算法的有效性和较好的实用价值,且基于HOG特征的SVM分类器检测算法检测效果优于其它2种算法。(3)基于OpenCV和VS2010搭建实验平台,对上述定位和检测算法进行了具体实现,通过对各算法的实验结果进行对比分析,本文最终优选出HOG-SVM算法,来解决机车图像中速度传感器区域的定位和检测问题,并集成到系统中投入应用。经过测试,结果表明检测准确率已达到应用方需求规定的要求。