基于信息熵的鐵路扣件狀態(tài)檢測算法研究.pdf

1、隨著中國高速鐵路技術(shù)的飛速發(fā)展，鐵路線路的維護工作顯得越來越重要。鐵路扣件作為連接鋼軌和軌枕的緊固件，是保障列車安全平穩(wěn)運行的重要基礎(chǔ)部件。近年來，圖像處理技術(shù)作為實現(xiàn)鐵路線路自動化檢測的主要手段，被越來越多地運用到扣件檢測中來。本文利用圖像處理技術(shù)對鐵路扣件狀態(tài)自動檢測方法進行研究和改進，其主要內(nèi)容如下:
　　（一）針對目前扣件檢測算法所選取的底層特征單一，導(dǎo)致分類器對不同狀態(tài)下的扣件區(qū)分能力不強、扣件的誤檢率較高的問題，提出了

2、一種基于LBP-HOG特征的自適應(yīng)潛在語義主題融合算法(Latent semantic topic fusion，LSTF)。首先提取扣件圖像的LBP、HOG特征并計算其信息熵，其次結(jié)合兩種特征的LDA主題分布，利用信息熵對其進行加權(quán)融合，最后將融合后的主題輸入到SVM分類器對扣件進行分類識別。該算法利用LDA降低了底層特征所產(chǎn)生的特征冗余，能夠融合兩種特征的優(yōu)點，使融合后的主題分布對扣件的描述能力更強。理論分析與實驗證明，本文算法有效

3、降低了扣件的漏檢率和誤檢率。
　?。ǘ┽槍υ糂OW模型忽略了單詞的位置和結(jié)構(gòu)信息的缺點，本文提出一種基于信息熵加權(quán)的詞包模型構(gòu)造方法(Entropy-weighted BOW，EW-BOW)。首先，根據(jù)扣件結(jié)構(gòu)特點，將扣件圖像均勻劃分為四個局部區(qū)域，改善了原始BOW模型忽賂單詞的位置信息這一缺陷。然后，利用局部區(qū)域信息熵對BOW模型進行加權(quán)處理，凸顯了局部區(qū)域的BOW模型特征，從而提高了BOW模型對扣件圖像的區(qū)分度。最后，通過