导读:本文包含了扣件检测论文开题报告文献综述及选题提纲参考文献，主要关键词:钢轨扣件,缺损检测,多线路,图像识别
扣件检测论文文献综述
刘俊博,黄雅平,王胜春,赵鑫欣,邹琪[1]（2019）在《基于机器视觉的多线路钢轨扣件缺损检测方法》一文中研究指出提出基于在线学习策略的扣件区域定位算法,即根据轨道图像的先验知识和模板匹配方法定位扣件区域,利用在线学习策略动态地更新模板库,使算法能够在多线路的轨道图像中定位扣件区域,并自动标注扣件样本;提出基于深度卷积神经网络的扣件缺损识别算法,即根据扣件区域图像的尺寸较小、图像内容相对单一的特点设计识别算法的网络结构,采用样本随机排序策略的数据增强方法,以减小样本数量失衡对识别性能的影响。基于多线路钢轨扣件试验数据集对检测方法进行试验验证,结果表明:该方法可在不同线路的轨道图像中精确定位扣件区域并识别扣件缺损,扣件区域定位平均检测率达到99.36%,扣件缺损识别平均精确率达到96.82%,具有较高的可靠性和较强的多线路适应能力。(本文来源于《中国铁道科学》期刊2019年04期）
林菲,杨子明,李永光,吴宽,崔霆锐[2]（2019）在《钢轨扣件检测技术研究》一文中研究指出轨道交通的飞速发展对轨道线路各组成部分的可靠性检测提出了更高要求,依靠人工手持设备检测存在某些弊端,因此迫切需要依靠计算机图像处理和深度学习等技术实现轨道线路的自动化检测。介绍一种基于图像处理的钢轨扣件状态分类方法,该方法通过对扣件图像的二值化处理,根据其水平方向和垂直方向上的投影特点对扣件部分进行分割,随后提取其局部二值模式(LBP)特征并用支持向量机(SVM)进行分类。同时,探讨一种基于深度学习的扣件图像分类识别方法,采用卷积神经网络VGG16架构,该方法中扣件区域的特征提取可由网络自动完成,不仅节省了时间,而且识别精度和适用性也得到明显提升。(本文来源于《中国铁路》期刊2019年06期）
齐胜,陈光武,魏宗寿,刘射德,王登飞[3]（2019）在《基于BEMD-IPSO-SVM的扣件完损状态检测》一文中研究指出扣件的完损状态关乎铁路系统的安危,而传统检测算法运算复杂且精度不足,为进一步提升检测性能,提出基于BEMD-IPSO-SVM的扣件完损状态检测算法。该算法首先对初始化的扣件图像进行二维经验模态分解,提取固有模态函数的频谱特征,通过改进粒子群算法优化支持向量机来实现检测分类,达到了简化运算,增强泛化性,提升识别准确度的目的。通过实验仿真得出平均检测准确率可达95.15%,证明该算法在扣件检测方面切实可行。(本文来源于《铁道科学与工程学报》期刊2019年03期）
李欢,柴晓冬,彭乐乐,陈兴杰[4]（2019）在《轨道扣件检测系统设计与分析》一文中研究指出为了满足轨道扣件动态检测的需求,设计了一种轨道扣件检测系统,包括照明系统、摄像系统等并通过悬挂系统安装在转向架构架前端;通过关键设备参数的选型计算,设计了安装结构然后校核悬挂系统的螺栓强度,验证其螺栓连接的可靠性;并对整体结构采用ANSYS Workbench有限元分析以及实验室验证,系统符合要求,满足线路的检测需要。(本文来源于《计算机测量与控制》期刊2019年02期）
王梓旭,苏圣超,彭乐乐,柴晓冬[5]（2019）在《多传感轨道扣件检测的数据同步采集系统设计》一文中研究指出针对轨道扣件检测的多传感数据同步采集,首先,在分析线阵CCD相机成像原理的基础上,根据系统的要求对相机的关键参数进行了选择并设计了采集方案;然后,设计了传感器的信号调理电路,包括电平调整电路以及抗混迭滤波器的设计,提高了传感器的抗干扰能力;并通过STM32获取光电编码器的等间隔脉冲信息,对各个传感器进行触发控制,设计了线阵相机与惯性传感器的同步触发方案;最后,编写了上位机软件实现了数据的同步采集;实验结果表明,该系统能够精确采集各传感器的数据,具有较强的抗干扰能力和稳定性。(本文来源于《计算机测量与控制》期刊2019年02期）
何彪,李柏林,罗建桥,王开雄[6]（2019）在《基于高斯混合部件模型的铁路扣件检测》一文中研究指出针对采集图像中铁路扣件存在形状的变化、扣件图像的光照差异较大和扣件被异物局部遮挡的问题,根据对可变形部件模型算法和高斯混合模型的研究,提出了高斯混合部件模型算法.结合扣件图像边缘特性及改进的Roberts算子计算图像梯度,将归一化后的方向梯度直方图特征作为高斯混合部件模型算法的底层特征,根据扣件形状划分部件,部件之间的相对位置采用星型连接方式度量,运用余弦相似性度量部件中方向梯度直方图特征的相似度,部件模型使用高斯混合模型并采用期望最大化算法迭代求解.将高斯混合部件模型算法应用于扣件检测中,最终平均检测效果为漏检率3.16%、误检率9.80%、正确率90.27%.(本文来源于《西南交通大学学报》期刊2019年03期）
刘欣,张瑶,熊新娟[7]（2018）在《基于卷积神经网络的轨道扣件状态检测》一文中研究指出为提高铁路轨道扣件状态检测的效率和准确率,提出基于卷积神经网络的轨道扣件状态检测算法。通过原始图像数据增强、采用修正线性单元、引入弃权技术等优化方法,减小过拟合,提高卷积神经网络的泛化能力。经试验对比,该算法不需要进行特征提取等预处理操作,有效地解决了训练精度和泛化能力差的问题,准确率达到98. 1%,优于传统基于特征提取的图像识别算法。(本文来源于《实验室研究与探索》期刊2018年11期）
王强,李柏林,侯云[8]（2018）在《关于铁路扣件视觉图像分类检测的仿真》一文中研究指出铁路扣件是固定轨道的连接件,扣件丢失或断裂直接影响铁路运输的安全。扣件运行环境复杂,采集的图像与背景差异性较小,难以自动识别。针对扣件图像自动化识别提出了一种新的图像局部二元模式编码算法。用高斯分布进行随机采样得到邻域点,利用随机点对的差分关系得到二元模式编码,称为高斯采样二元模式编码GSLBP (Gaussian sampling local binary pattern)。为了避免噪声影响,利用随机点邻域像素值之和代替随机点的值,通过比较像素值之和得到编码,最后利用卡方距离对图像进行分类。该算法更加准确的反映了图像局部纹理信息,图像差异化信息更加明显。在铁路扣件图像上进行了实验,比较了各种LBP编码方法与提出的方法的分类结果,结果表明提出的方法具有更好的分类结果。(本文来源于《计算机仿真》期刊2018年11期）
殷凯[9]（2018）在《基于图像处理的铁路扣件异常自动检测系统的研究》一文中研究指出铁路运输在现今社会发展中具有举足轻重的地位,是经济高速发展不可或缺的条件之一,它不仅是国民经济发展的支柱,而且还具有安全舒适、经济惠民、节能减排、高速、高效等特点。这些不仅决定了它是民众日渐依赖的交通工具,也决定了其在我国交通运输体系中的重要地位,对经济社会发展的作用和影响不容小觑。因此确保铁路行车安全也显得至关重要。在我国,由于受到科技发展等其他因素的制约很长一段时间都是依赖人工巡检,但是人工巡检不但效率低下,浪费巨大的人力和时间,而且每个人的评判标准不一造成一定的影响,随着人们的大量的出行需求对于铁路的需求的增长,需要一套自动巡检系统来代替普通人工巡检,增加检测的准确性。目前在实际应用中,主要检测铁路轨道和枕轨之间的连接的扣件的异常情况,对应的异常情况主要分为缺失和变形,分类主要有两类扣件:W型扣件和6型扣件。本文的扣件检测系统主要研究以下叁个部分。(1)根据扣件检测的需要,确定一种可行的在一幅大图中定位扣件的方案,利用投影,阈值处理等相关图像检测技术进行轨道和轨枕的定位进而定位扣件的位置,方便之后的检测的实现。(2)对于扣件检测,选择辨识度较高的正负样本,采用了HOG+SVM的方法,进行图像特征提取训练得到分类器,通过分类器进行扣件异常的检测,鉴于原始图像的检测速度较慢,采用双线性插值的方式将图像从原始图像的1/5一直扩大到2倍,缩放间隔取1/10,实验发现,检测速度效果不是特别明显,但是误检率和漏检率有了较大的波动。(3)针对HOG+SVM的方法对于扣件检测误检率和漏检率的不足,采取了基于Caffe平台卷积神经网络进行的处理,对卷积神经网络原理进行了详细的阐述,分别采取了Alex网络和LeNet网络进行训练和检测,通过对比分析Alex网络较LeNet网络检测具有更好的准确性,卷积神经网络的方法相比HOG+SVM具有更低的漏检率和误检率。本文主要对第二、叁部分做了详细的介绍,对于HOG特征和SVM以及卷积神经网络做了详细的阐述,并且针对这两种方法做了大量的实验,实验证明:这两种方法都能不同程度的识别扣件的异常,为铁路扣件的检测提高了效率同样保证了列车行驶的安全性和稳定性。具有一定的工程意义。(本文来源于《南京邮电大学》期刊2018-11-14）
赵珊珊,何宁,曹珊[10]（2018）在《基于SIFT特征的铁路扣件状态检测算法》一文中研究指出铁路扣件是铁路轨道线路的关键部位,其状态直接影响行车的安全。针对高速扫描相机采集的铁路数字图像,提出了铁路扣件状态检测算法。利用SIFT特征提取算法提取每幅扣件图像的局部特征,将每幅扣件图像提取到的SIFT特征归一化为相同长度的Fisher向量,使用LIBLINEAR分类器对归一化的Fisher向量进行分类,从而实现扣件图像的状态检测。实验结果表明:提出的铁路扣件状态检测算法具有较高的识别率及鲁棒性。(本文来源于《传感器与微系统》期刊2018年11期）
扣件检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
轨道交通的飞速发展对轨道线路各组成部分的可靠性检测提出了更高要求,依靠人工手持设备检测存在某些弊端,因此迫切需要依靠计算机图像处理和深度学习等技术实现轨道线路的自动化检测。介绍一种基于图像处理的钢轨扣件状态分类方法,该方法通过对扣件图像的二值化处理,根据其水平方向和垂直方向上的投影特点对扣件部分进行分割,随后提取其局部二值模式(LBP)特征并用支持向量机(SVM)进行分类。同时,探讨一种基于深度学习的扣件图像分类识别方法,采用卷积神经网络VGG16架构,该方法中扣件区域的特征提取可由网络自动完成,不仅节省了时间,而且识别精度和适用性也得到明显提升。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
扣件检测论文参考文献
[1].刘俊博,黄雅平,王胜春,赵鑫欣,邹琪.基于机器视觉的多线路钢轨扣件缺损检测方法[J].中国铁道科学.2019
[2].林菲,杨子明,李永光,吴宽,崔霆锐.钢轨扣件检测技术研究[J].中国铁路.2019
[3].齐胜,陈光武,魏宗寿,刘射德,王登飞.基于BEMD-IPSO-SVM的扣件完损状态检测[J].铁道科学与工程学报.2019
[4].李欢,柴晓冬,彭乐乐,陈兴杰.轨道扣件检测系统设计与分析[J].计算机测量与控制.2019
[5].王梓旭,苏圣超,彭乐乐,柴晓冬.多传感轨道扣件检测的数据同步采集系统设计[J].计算机测量与控制.2019
[6].何彪,李柏林,罗建桥,王开雄.基于高斯混合部件模型的铁路扣件检测[J].西南交通大学学报.2019
[7].刘欣,张瑶,熊新娟.基于卷积神经网络的轨道扣件状态检测[J].实验室研究与探索.2018
[8].王强,李柏林,侯云.关于铁路扣件视觉图像分类检测的仿真[J].计算机仿真.2018
[9].殷凯.基于图像处理的铁路扣件异常自动检测系统的研究[D].南京邮电大学.2018
[10].赵珊珊,何宁,曹珊.基于SIFT特征的铁路扣件状态检测算法[J].传感器与微系统.2018