基于SIFT的火車車底螺栓圖像識別技術(shù)研究.pdf

1、在通過式火車檢測中，車底異常是火車檢測的一個重要環(huán)節(jié)?；疖囓嚨状嬖诘谋姸嗖话踩蛩刂?，螺栓的重要性尤為凸顯。以往對于火車車底的檢測方式是工作人員進入車底以肉眼進行人工檢測，這樣的方式費時費力。因此，為了提高準確性和安全性，同時能夠動態(tài)地檢測火車車底，節(jié)省人力物力，設計一個合理有效的車底異常檢測方案很有必要。當前，工業(yè)線陣CCD（Charge-Coupled Device）照相機拍攝車底圖像的技術(shù)已經(jīng)相對成熟，對于數(shù)字圖像處理的方法也層出

2、不窮，采用基于火車車底圖像處理的方式來實現(xiàn)螺栓的識別檢測以及車底異常的預警顯示可見其可行性。故本文基于以上研究背景和意義，大量調(diào)研適用于火車車底圖像的特征提取算子，對比分析后確認使用SIFT(Scale-Invariant Feature Transform)及其改進算法結(jié)合神經(jīng)網(wǎng)絡的方法來實現(xiàn)火車車底圖像的螺栓識別目的。
　　本文針對由工業(yè)CCD照相機拍攝獲得的火車車底圖像螺栓的特點:局部不變性。前期展開了大量的特征提取算子調(diào)研

3、，最終確定使用SIFT特征提取算子，因其對旋轉(zhuǎn)、縮放、局部不變性都有較好的適應性。隨后，本文重點研究了基于SIFT特征提取算子的火車車底圖像異常和螺栓識別方法。
　　通過SIFT特征提取算子提取初步特征、RANSAC(RANdom Sample Consensus)獲得精確匹配特征點、圖像的旋轉(zhuǎn)和縮放矯正、模板匹配等步驟的處理獲得故障的標記和顯示，從而實現(xiàn)火車車底圖像的異常識別。
　　通過SIFT特征提取算子提取前期制作的大

4、量正負螺栓樣本的特征點，結(jié)合SVM(Support Vector Machine)訓練器的反復訓練，獲得了魯棒性較強的分類器，從而實現(xiàn)判別火車車底圖像的螺栓異常。
　　本文研究設計的2種基于SIFT特征提取算子的火車車底圖像異常和螺栓識別方法可以自動提取圖像中的特征信息并建立完善的特征描述子，通過閾值參數(shù)的設置可以主動獲得匹配特征點，期間會自動去除錯誤和重復匹配特征點，可以求得待檢圖像與標準模板圖像之間的旋轉(zhuǎn)角度以及縮放的比例，自

5、動校正待測圖像至模板圖像的方向和尺寸大小，通過差的平方和以及互相關(guān)度來定位異常部位，從而建立螺栓圖像的正負樣本庫，通過SVM訓練器訓練獲得魯棒性較強的分類器，最終可以實現(xiàn)螺栓的識別和標記。
　　實驗結(jié)果表明:基于SIFT特征提取算子的異常識別方法對于火車車底圖像的旋轉(zhuǎn)、縮放以及局部不變性皆能很好的適應;基于SIFT特征提取算子結(jié)合SVM分類器的螺栓識別方法對于火車車底多種類螺栓皆能很好的識別，識別率達到了94％以上。
　　本