英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料

智能传感与智能系统国际期刊特刊，2017年9月

基于机器视觉的使用支持向量机分类器的轨道图像中扣件缺失检测

R. Manikandan 1*, M. Balasubramanian 2 and S. Palanivel 3

1 Research student, Annamalai University, Tamilnadu, India

2 Assistant Professor, Annamalai University, Tamilnadu, India

3 Professor, Annamalai University, Tamilnadu, India

*E-mail: maniarunai2011@gmail.com

提交日期:2017年5月27日接受日期:2017年6月15日发表日期:2017年9月1日

摘要:扣件缺失检测是一项关键的工作，它具有与周围环境相似的特点。本文提出了一种基于机器视觉的基于支持向量机(SVM)分类器的扣件缺失检测与分类系统。该系统包括预处理、转换、特征提取和分类。图像大小调整作为预处理步骤，Gabor变换作为转换技术。灰度共生矩阵(GLCM)特征、局部二值模式(LBP)特征和离散小波变换(DWT)是本文的特点。采用SVM分类器进行分类，将检测到的轨道图像分为带扣件的轨道图像和不带扣件的轨道图像。

索引术语:扣件，分类器，特征，轨道图像，转换。

1、介绍

现在，铁路系统每天都需要对铁轨进行适当和定期的维护，以保证乘坐火车的乘客的安全。这种铁路系统需要大量的人力来检测轨道上的任何裂纹。它还需要一些轨道方面的专家。这种系统耗时长，成本高，不适合长铁轨。这种对铁轨的人工核查有时会导致事故，对于在雨季检查铁轨的人来说是非常危险的。目前，许多研究人员正在开发一种无人值守的轨道自动检测系统。这是一种非常安全、经济有效的系统。该自动检测系统由轨道缺陷自动检测、扣件缺陷自动检测和轨道轨距自动确定三部分组成。扣件是以直线方式连接两个相邻轨道的连接器。铁轨上的扣件包括完整的扣件，部分磨损的扣件和丢失的扣件。大多数的铁路事故都是由于铁轨上的扣件缺失造成的。大多数列车事故和脱轨都是由于轨道上缺少这些扣件而造成的。因此，本文提出了一种自动计算机辅助检测轨道扣件的方法。本文还设计了一种基于计算机视觉的轨道扣件自动检测算法。图1 (a)为带扣件的轨道图像，图(b)为带扣件的轨道图像。

图1 (a)带有扣件的轨道图像 (b)带有缺失扣件的轨道图像

本文的组织结构如下:第2节讨论了各种检测轨道缺失扣件的传统技术;第3节提出了一种利用支持向量机（SVM）分类器检测轨道图像缺失扣件的有效技术;第4节讨论了实验结果;第5部分总结全文。

2、文献调查

Rubel Biswas等人(2016)提出了基于Harris - Stephen特征检测的支持向量机（SVM）分类方法来检测轨道图像中缺失扣件。提出的缺失扣件检测算法，分类准确率达到81.25%。Liu Jiajia等人(2015)使用支持向量机（SVM）分类方法将试验轨道图像分为带扣件的轨道和不带扣件的轨道。对轨道图像中缺失的扣件进行检测，检测率为87.3%。

Y. Xia等人(2010)提出了一种检测轨道图像中钩形扣件的方法。采用线性adaboost算法进行检测，分类准确率达到93.7%。该方法适用于低分辨率和高分辨率的轨道图像。M. Singh等人(2006)为了检测轨道图像中缺失的扣件，对轨道图像应用了各种边缘检测方法。作者所提出的缺失紧固件检测系统的准确率达到了78%，召回率达到了76%。P. L. Mazze等人(2004)开发了一种快速检测轨道图像中缺失扣件的方法。利用adaboost分类器将预处理后的轨道图像分为带扣件轨道和不带扣件轨道。作者使用这种方法达到92%的分类率。E. Stella等人(2002)将小波变换技术应用于轨道图像，以获得小波系数。利用主成分分析(PCA)对这些系数进行优化。将神经网络分类方法应用于轨道图像中缺失扣件检测的优化特征集。

3、提出系统

所提出的紧固件检测过程中使用的模块如图2所示。该系统包括预处理、转换、特征提取和分类。图像大小调整作为预处理步骤，Gabor变换作为变换技术。本文采用GLCM特征、LBP特征和DWT作为关键技术。采用支持向量机（SVM）分类器进行分类，将检测到的轨道图像分为带扣件的轨道图像和不带扣件的轨道图像。

图2提出的紧固件分类系统

3.1 预处理

铁路轨道图像本质上是RGB图像。预处理是将RGB图像转换成灰度图像的一种快速处理方法。然后，将该灰度图像调整为宽度*高度为128*128的固定图像大小。图3 (a)为RGB格式的扣件轨道图像，图3 (b)为预处理后的轨道图像。

图3 (a)带有紧固件的轨迹图像(b)预处理图像

3.2伽柏（Gabor）变换

利用多分辨率变换将空间域图像转换成幅值、频率和相位形式的多分辨率图像。传统的多分辨率变换如离散小波变换(DWT)、Contourlet和Curvelet等将空间域图像转换为精度较低的多分辨率图像。为了克服传统分类器的局限性，本文采用Gabor变换从空间域轨道图像中获取多分辨率图像。

在这篇文章中，伽柏内核设计有五个尺度f ={1, 2, 3, 4,}和四个方向theta;= {45°、90°、120°、180°}。Gabor核定义为:

Gabor变换后的扣件轨道图像如图4所示。

图4 Gabor变换后的图像

3.3特征提取

特征是区分无扣件轨道图像和有扣件轨道图像的关键要素。本文从Gabor变换后的轨道图像中提取GLCM、LBP和DWT特征。

GLCM特征

GLCM特征是从GLCM矩阵中提取出来的，GLCM矩阵可以直接从图像中0°、45°、90°和135°等像素点的Gabor星等图像中构造出来。在本文中，GLCM矩阵的像素方向为450。选择Gabor星等图像中的最大像素值作为GLCM矩阵的行数和列数。然后，通过对Gabor方向图中每个像素值进行450个方向的处理，得到GLCM表中的值。由GLCM矩阵得到以下GLCM特征:

其中，“i”和“j”表示GLCM矩阵的行和列，p(i,j)表示GLCM矩阵中对应的值。描述GLCM矩阵的方差。这四个提取出的GLCM特征作为支持向量机分类器的输入模式。

表1 GLCM特征

DWF特征

本文利用小波变换对Gabor变换后的图像进行小波分解。分解后形成四个大小相等的子带，分别为构成低频分量的近似带、构成水平像素的水平带、构成垂直像素的垂直带和构成对角像素的对角带。将这些子带作为特征集，分解后的四个子带作为支持向量机（SVM）分类器的输入模式。

图5 (a)图像分解为子带(分解第1级)(b) DWT分解第1级和第2级的子带

图5 (s)显示了在第1级通过向下采样因子2将图像分解为4个子带。首先，图像通过高通滤波器(HPF)和低通滤波器(LPF)。为降低采样率，对滤波后的图像分量进行向下采样。对向下采样的图像分量分别进行相应的LPF和HPF滤波，得到近似(HH1)、水平(HL1)、垂直(LH1)和对角(LL1)四个子带。如果需要，HH1子带可以再次分解为四个子带。本文采用图像的一阶分解作为扣件分类的特征。

图6(a)为近似带，图6(b)为水平带，图6(c)为垂直带，图6(d)为对角线带。

图6 DWT变换子带(a)近似(b)水平(c)垂直(d)对角

LBP 特征

该特征使中心像素与其周围像素相关联。将周围的每个像素与中心像素进行比较，以生成二进制模式。周围像素大于中心像素，则产生二进制1，周围像素小于中心像素，则产生二进制0。这八个二进制位以二进制模式生成单个十进制值。3*3个窗口中心像素的LBP特征提取步骤如下:

其中，g_p为3*3窗口内的包围像素，g_c为3*3窗口内的中心像素，P为3*3窗口内中心像素的周围像素个数。函数s表示，

从Gabor变换后的轨道图像中提取的LBP特征如图7所示。该LBP特征作为支持向量机（SVM）分类器的输入模式。

图7提取LBP图像

将提取出的GLCM、DWT和LBP特征串联起来，构造特征向量。该特征向量作为支持向量机（SVM）分类器的输入模式。

3.4 支持向量机（SVM）检测紧固件

利用分类方法将试验轨道图像分为带扣件的轨道图像和不带扣件的轨道图像。本文采用支持向量机（SVM）分类器进行轨道分类。它有训练和分类两种模式。在该分类器的训练阶段，分别从带扣件的轨迹图像和不带扣件的轨迹图像中提取特征。在该分类器的分类阶段，从测试轨道图像中提取特征，并根据训练后的模式对这些特征进行分类。本文通过实现具有“线性”、“多项式”、“s形”等多种核函数的SVM分类器，实现了扣件图像的分类。

Fig.8 (a)展示了轨道图像与紧固件,Fig.8 (b)显示了轨道图像没有紧固件,Fig.8 (c)显示了伽柏（Gabor）转换跟踪图像,Fig.8 (d)显示了近似子带图像,Fig.8 (e)显示了水平的子带图像,Fig.8 (f)显示垂直的子带图像,Fig.8 (g)显示了对角线子带图像和Fig.8 (h)显示图像提取LBP图像。

1. (b) (c) (d)

(e) (f) (g) (h)

图8 (a)带紧固件的航迹图像(b)不带紧固件的航迹图像(c) Gabor变换图像(d)近似(e)水平(f)垂直(g)对角(h)提取LBP图像

图9 (a)带有紧固件的轨迹图(b)没有紧固件的轨迹图

图9(a)为有扣件的轨道图像，图9(b)为无扣件的轨道图像。

4、结果与讨论

本文提出了一种基于轨道图像的扣件检测方法。该方法从不同的环境条件，不同的照明效果和方向对85幅轨道图像上进行了测试。试验轨道图像分为带扣件轨道图像和不带扣件轨道图像。本文考虑了45幅带扣件的轨道图像和40幅不带扣件的轨道图像。在该方法的训练模式中，分别考虑了20个带扣件的轨迹图像和20个不带扣件的轨迹图像。在该方法的分类模式中，考虑了45张带扣件的轨迹图像和40张不带扣件的轨迹图像。利用检测率对系统进行了评价。定义为被正确分类的图像数量与被考虑进行评价的图像总数的比值。带扣件的轨迹图像的检测率定义为带扣件的轨迹图像与带扣件的轨迹图像总数的比值。它等于，

本文从40幅无扣件轨道图像中检测出38幅无扣件轨道图像。因此，本文提出的系统对于轨迹图像中扣件缺失的检测率达到了95%。

无扣件轨道图像的检出率定义为无扣件轨道图像与无扣件轨道图像的比值。它等于，

该方法还可以从40张带有扣件的轨道图像中检测出40张带有扣件的轨道图像。因此，本系统对于带有扣件的轨迹图像能够达到100%的分类精度。该方法的总体检出率为97.5%。

表2给出了两种情况下的检测率性能分析，一种是带有紧固件的跟踪图像，另一种是没有紧固件的跟踪图像。

表2有无扣件检测率的性能分析

您可能感兴趣的文章

• 孟加拉国采用小型农业机械的相关因素：人口普查结果外文翻译资料
• 自动化大容量多层车库——客户服务流程的概念和建模外文翻译资料
• 采用拉挤FRP材料的螺栓连接设计的普通和螺纹轴承强度外文翻译资料
• 基于接触式检测的航空机械手的设计与控制外文翻译资料
• 可重构机床：铣削、磨削、抛光用数控机床外文翻译资料
• 仙人掌梨型采收机械臂的结构设计外文翻译资料
• 自动夹具规划外文翻译资料
• 基于案例的敏捷夹具设计外文翻译资料
• AGV纵向和横向控制的鲁棒非耦合模糊控制器外文翻译资料
• 无碳汽车研究综述外文翻译资料