接觸網(wǎng)是鐵路系統(tǒng)中較為薄弱的部分,一旦接觸網(wǎng)出現(xiàn)故障,會直接影響到列車的安全運(yùn)行,威脅人類的生命安全。因此,為保障列車的安全運(yùn)營,對接觸網(wǎng)故障部位進(jìn)行檢測與排查至關(guān)重要。使用智能圖像處理技術(shù)的非接觸式檢測方法,無需介入行車系統(tǒng),檢測速度快,可以逐步代替目前效率低、誤差大的人工巡檢模式。本文緊扣接觸網(wǎng)故障的檢測與定位問題,從接觸網(wǎng)圖像拼接、故障火弧分割、故障檢測與定位三方面進(jìn)行研究。首先,針對高鐵運(yùn)行速度快,捕捉的接觸網(wǎng)圖像不完整,普通算法難以進(jìn)行實(shí)時監(jiān)測的問題,發(fā)展了一種基于AKAZE-ORB的接觸網(wǎng)圖像拼接算法,該改進(jìn)方法使用AKAZE算法提取圖像的特征點(diǎn),使用ORB算法進(jìn)行特征點(diǎn)描述,并使用自適應(yīng)加權(quán)平均算法對拼接后的圖像進(jìn)行融合處理。實(shí)驗(yàn)結(jié)果表明,使用改進(jìn)算法拼接后的圖像無拼接縫、無鬼影,色彩和亮度過度真實(shí)自然。改進(jìn)算法特征配準(zhǔn)精度較高,且特征提取速度和特征點(diǎn)描述速度較ORB算法、KAZE算法和AKAZE都有較大提升。接著本文對故障火弧進(jìn)行聚類分割研究,改進(jìn)了PSO-FCM聯(lián)合算法。引入粒子群算法（PSO）解決模糊C均值算法（FCM）算法對初始聚類中心敏感并容易陷入局部極值的問題... 

【文章來源】：西南科技大學(xué)四川省

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

章節(jié)預(yù)處理-圖像拼接（第2章）

1緒論7使用粒子群算法進(jìn)行優(yōu)化，提出一種改進(jìn)的PSO-FCM算法。改進(jìn)算法引入一種交互式多尺度學(xué)習(xí)方案，優(yōu)化了PSO-FCM算法的學(xué)習(xí)因子和模型更新策略。最后對改進(jìn)算法從直觀分割結(jié)果、分割劃分系數(shù)和劃分熵進(jìn)行實(shí)驗(yàn)驗(yàn)證和對比分析。第4章首先分析BOW模型的基本原理，介紹了從文本領(lǐng)域向圖像領(lǐng)域的過渡過程以及BOW模型構(gòu)建步驟，然后基于BOW模型提出改進(jìn)算法。改進(jìn)算法對梯度位置方向直方圖（GLOH）特征、旋轉(zhuǎn)不變的等價LBP（RIULBP）特征以及改進(jìn)的HIS-RGB顏色特征進(jìn)行多特征的提取代替BOW模型的單一SIFT特征，引入一種基于權(quán)值分布的直方圖表示法改進(jìn)詞典構(gòu)造方式，并采用LSSVM分類器代替?zhèn)鹘y(tǒng)BOW模型中的SVM分類器完成分類訓(xùn)練。最后介紹了樣本集的準(zhǔn)備，對改進(jìn)算法的檢測精確度、召回率以及誤檢率進(jìn)行對比驗(yàn)證，并對最終的故障定位結(jié)果進(jìn)行比較分析。最后對本文課題的研究內(nèi)容和實(shí)驗(yàn)結(jié)果進(jìn)行總結(jié)，并對研究實(shí)驗(yàn)的不足和后續(xù)的研究方向進(jìn)行補(bǔ)充說明。本文第2、3、4章的章節(jié)內(nèi)容關(guān)系如圖1-1所示：圖1-1章節(jié)內(nèi)容聯(lián)系Fig.1-1Chaptercontentcontact預(yù)處理-圖像拼接（第2章）聚類算法圖像分割（第3章）故障火弧檢測與定位（第4章）接觸網(wǎng)視頻圖像

2基于AKAZE-ORB的接觸網(wǎng)圖像拼接算法9圖2-1FAST特征點(diǎn)檢測Fig.2-1FASTfeaturepointdetection2）ORB特征描述（1）確定提取特征的方向采用簡單但有效的角度方向測量方式即灰度質(zhì)心法[40]來確定特征點(diǎn)的方向。灰度質(zhì)心假定角點(diǎn)的灰度偏離其中心，并且該偏移向量可用于估算方向。Rosin定義特征點(diǎn)鄰域的p+q階矩為：=∑,(,)（2-2）其中，,∈(0,1)，(,)是像素點(diǎn)(,)的灰度值。定義圖像塊的質(zhì)心為：=(1000，0100)（2-3）把x和y的范圍保持在[,]之間（r為該特征點(diǎn)鄰域的半徑），以特征點(diǎn)為坐標(biāo)原點(diǎn)，特征點(diǎn)與質(zhì)心的夾角即為特征點(diǎn)的方向角，計算公式如公式（2-4）所示：=2(01,10)（2-4）（2）對特征進(jìn)行BRIEF描述BRIEF描述子由MichaelCalonder等人提出，使用二進(jìn)制碼串作為描述子向量。以特征點(diǎn)為中心，在×的鄰域大窗口（一般=31）中隨機(jī)選取兩個大小為5×5的子窗口，比較子窗口內(nèi)的像素和，進(jìn)行二進(jìn)制賦值。二元測試由公式（2-5）定義：(;,)={1∶()<()0∶()≥()（2-5）式中p（x）是x點(diǎn)處的p強(qiáng)度。在大窗口中隨機(jī)選取對子窗口，重復(fù)進(jìn)行二進(jìn)制賦值操作，形成一個二進(jìn)制編碼串，即是特征描述子，如公式（2-6）所示：()=∑211≤≤ε(p;,)（2-6）特征維度n取為256。

【參考文獻(xiàn)】：
期刊論文
[1]基于局部二值差異激勵模式的木材缺陷分類[J]. 李紹麗,苑瑋琦,楊俊友,李德健.  儀器儀表學(xué)報. 2019(06)
[2]基于嵌入式系統(tǒng)的艦船圖像拼接技術(shù)[J]. 張鵬程.  艦船科學(xué)技術(shù). 2019(06)
[3]融合BOW模型的多特征子空間行人重識別算法[J]. 朱小波,車進(jìn).  計算機(jī)工程與應(yīng)用. 2019(18)
[4]基于改進(jìn)KAZE的無人機(jī)航拍圖像拼接算法[J]. 韓敏,閆闊,秦國帥.  自動化學(xué)報. 2019(02)
[5]基于薄云厚度分布評估的遙感影像高保真薄云去除方法[J]. 汪月云,黃微,王睿.  計算機(jī)應(yīng)用. 2018(12)
[6]目標(biāo)檢測算法研究綜述[J]. 方路平,何杭江,周國民.  計算機(jī)工程與應(yīng)用. 2018(13)
[7]基于詞袋特征算法的藥品分層缺陷檢測[J]. 劉玉環(huán),唐庭龍,陳勝勇.  計算機(jī)工程. 2018(06)
[8]基于LBP-HSV模型及改進(jìn)SIFT算法的行人再識別算法[J]. 晉麗榕,王海梅,徐丹萍.  計算機(jī)測量與控制. 2018(05)
[9]基于HCA與KAZE的鐵路路基GPR圖像配準(zhǔn)算法[J]. 杜翠,張千里,劉杰.  計算機(jī)工程. 2018(03)
[10]基于改進(jìn)信息增益的人體動作識別視覺詞典建立[J]. 吳峰,王穎.  計算機(jī)應(yīng)用. 2017(08)

碩士論文
[1]圖形模糊聚類及圖像分割算法研究[D]. 孫佳美.西安郵電大學(xué) 2019
[2]基于機(jī)器學(xué)習(xí)的運(yùn)動目標(biāo)識別與跟蹤研究與設(shè)計[D]. 翁靜文.西南科技大學(xué) 2019
[3]基于BOW的工業(yè)機(jī)器人視覺特征提取技術(shù)研究[D]. 殷賀賀.安徽工程大學(xué) 2017
[4]基于QR分解的稀疏LSSVM算法研究[D]. 周艷玲.西安電子科技大學(xué) 2017
[5]基于OpenCV的接觸網(wǎng)定位線夾狀態(tài)智能檢測[D]. 張春春.西南交通大學(xué) 2016
[6]基于圖像的接觸網(wǎng)支柱檢測與編號識別[D]. 武翔宇.西南交通大學(xué) 2015
[7]基于BoW模型的圖像分類方法研究[D]. 王瑩.哈爾濱工程大學(xué) 2012



本文編號：3143328