基于多特征融合与adaboost算法的轨面缺陷识别方法-闵永智.pdf

《基于多特征融合与adaboost算法的轨面缺陷识别方法-闵永智.pdf》由会员分享，可在线阅读，更多相关《基于多特征融合与adaboost算法的轨面缺陷识别方法-闵永智.pdf（9页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第 14卷第 12期 铁道科学与工程学报 Volume 14 Number122017 年 12 月 Journal of Railway Science and Engineering December 2017基于多特征融合与AdaBoost 算法的轨面缺陷识别方法闵永智1， 程天栋1， 马宏锋2(1. 兰州交通大学 自动化与电气工程学院 ， 甘肃 兰州 730070；2. 兰州工业学院 电子信息工程学院 ， 甘肃 兰州 730050)摘要： 针对钢轨表面缺陷检测精度易受采集装置振动与异物干扰的影响等问题 ， 通过分析缺陷的位置 ， 设计钢轨图像采集装置 。 在此基础上 ， 首先根据钢轨的

2、形状特征 ， 结合 Hough 变换与最小二乘法提取钢轨表面区域 ， 再结合超熵理论与模糊理论对钢轨表面缺陷进行 分 割 ， 然后建立正样本及负样本数据库 ， 并通过提取样本的 Harr-like 特征与低层特征建立样本特征数据库 ， 最后结合 C4.5与 AdaBoost 算法设计缺陷分类器 ， 对非缺陷进行排除并对缺陷进行分类 。 通过在 5001000lx，100010000lx， 10000100000lx3 种不同的光照强度区间内对木枕及混凝土枕轨道的钢轨表面缺陷进行识别 ， 识别时间平均为 698ms， 识别正确率平均为 97.02%， 与传统的识别方法对比具有明显的优势 。关键词

3、： 振动 ； 轨面提取 ； Hough变换 ； 图像特征 ； AdaBoost； 光照强度 ； 缺陷识别中图分类号： TP391.4 文献标志码： A 文章编号： 1672-7029(2017)12-2554-09Rail surface defect recognition method based onmulti feature fusion and adaboost algorithmMINGYongzhi1,CHENGTiandong1,MAHongfeng2(1.SchoolofAutomationandElectricalEngineering,LanzhouJiaotongUni

4、versity,Lanzhou730070,China;2.SchoolofElectronicalInformationEngineering,LanzhouInstituteofTechnologyUniversity,Lanzhou730050,China)Abstract: In view of the detection of surface defects are vulnerable to the vibrationof theacquisitiondevice andforeigninterference,therailimageacquisitiondevicewasdesi

5、gnedbyanalyzingthepositionofthedefect.Firstly,according to the shape characteristics of rail, the rail surface area was extracted by combining Hough transformand least square method. Second, the excess entropy theory and the fuzzy theory were combined to divide railsurfacedefects.Then,byestablishing

6、thepositiveandnegativesampledatabases,thesamplefeaturedatabasewasestablishedby extractingthe Harr-like features and low-levelfeaturesof the samples.Finally,the defect classifierwasdesignedwithC4.5andAdaBoostalgorithm,andthenondefectregionswereexcludedandthedefectregionswereclassified.Byidentifying50

7、01000lx,100010000lx,10000100000lxinthreedifferentlightintensityranges of concrete sleeper and sleeper track rail surface defects, the average recognition time is 698 ms, theaveragerecognitionrateis97.02%.Comparedwiththetraditionalrecognitionmethod,ithasobviousadvantages.Key words: vibration; rail su

8、rface extraction; Hough transform; image feature;AdaBoost; light intensity; defectrecognition收稿日期： 2016-11-22基金项目： 国家自然科学基金资助项目 (61663022， 61461023)；长江学者和创新团队发展计划资助项目 (IRT_16R36)；甘肃省高原信息工程及控制重点实验室开放课题基金资助项目 (20161105)；兰州交通大学优秀科研团队资助项目 (201701)通信作者： 闵永智 (1975-)，男，陕西汉中人，教授，博士，从事机器视觉、模式识别的研究； E-mail： 万

9、方数据第 12 期 闵永智，等：基于多特征融合与 AdaBoost 算法的轨面缺陷识别方法 2555钢轨的状态是制约列车提速的重要因素之一，随着列车高速、重载、高密度运行，列车对钢轨会产生不同程度的伤损，当伤损超过一定限度会使列车产生剧烈振动，不仅影响受电弓与接触线的接触状态，也会对铁路的路基沉降等产生严重影响，更有可能发生断轨进而造成严重的交通事故。因此，及时了解钢轨伤损状态并进行维护修理，以确保安全、稳定和连续的铁路运营是十分必要的1。现有的轨面缺陷检测方法有人工巡视法、电涡流法、磁粉法等2。而随着计算机技术的发展，基于机器视觉的检测方法得到了很好的发展，并在钢轨表面缺陷检测领域得到了应用

10、，且受到了越来越多的关注3-4。 如 TANG 等5通过采用逻辑操作组合检测的方法提取轨面缺陷区域，并采用 BP 神经网络对缺陷进行分类； Andamuthu 等6通过采用轨面模板图像与被测图像匹配的方法使轨面区域不受光照的影响，进而采用阈值分割的方法提取缺陷区域；金艳等7则通过结合神经网络和形态学的方法识别钢表面的各种缺陷。由于基于机器学习的轨面缺陷识别方法对于识别缺陷的精度与速度等性能参差不齐， 为排除树叶、 杂草和鸟粪等对识别结果的干扰，加快缺陷识别的速度，学者们进行了大量的研究，如段志娟等8通过 ICA建立缺陷图像的统计生成模型，再将目标图像变换到 ICA 域，利用特征元素之间的对应关

11、系对其进行识别分类，但该方法整体精度较低，且速度较慢；汤勃等9通过提取带钢表面缺陷图像区域的灰度、纹理和几何形状等 20 维特征向量，利用模糊集理论设计出缺陷图像识别分类器，但该方法对于不同的缺陷类型识别精度变化较大；徐科等10通过 Tetrolet 变换将热轧钢板表面图像分解成不同尺度和方向的子带，提取子带的Tetrolet 高通稀疏矩阵特征， 再利用支持向量机实现热轧钢板表面缺陷的分类识别，但识别速度较慢，且识别结果受参数设置影响较大。针对以上问题，本文提出一种通过提取图像多特征，利用改进的AdaBoost 分类器进行缺陷识别的方法。 首先通过分析钢轨的形状特征以及铁路的线路特征，利用Ho

12、ugh变换检测直线的原理对钢轨表面区域的边缘线段进行检测，通过在线段上提取轨面边缘参考点，利用最小二乘法对轨面区域进行精确定位。再针对缺陷区域与正常轨面区域之间边界模糊的问题，结合超熵理论与模糊理论对缺陷区域进行分割。然后通过建立正、负样本空间，并提取样本的Harr-like 特征与低层特征建立样本特征空间，最后结合 C4.5 与 AdaBoost 算法设计缺陷分类器。通过与传统的轨面缺陷识别方法对比，本文方法具有更高的效率，更适宜于复杂环境的轨检测试。1 缺陷类型及缺陷高频出现区域介绍钢轨伤损是指钢轨发生断裂、裂纹或其他影响和限制钢轨使用性能、危及行车安全的情况。通过统计分析发现，目前在役钢

13、轨伤损主要可分为钢轨冶金质量以及表面缺陷引起的伤损、接触疲劳伤损和淬火钢轨的伤损等。而由于视觉检测技术的特性，本文只针对表面缺陷的检测。由于伤损的原因不同，使得伤损的位置、形状等特征也不同。通过分析伤损的面积、周长、矩形度、质心和 Haar-like特征，从而确定钢轨伤损状态及类型，如图 1 所示为根据我国铁路钢轨伤损分类标准定义的几种常见的伤损类型11。(a) 轨头压溃； (b) 踏面压陷； (c) 轨头磨耗； (d) 轨头碾边； (e) 踏面裂纹； (f) 踏面剥离图 1 常见的缺陷类型Fig.1 Commondefecttypes万方数据铁道科学与工程学报 2017年 12月2556根据

14、列车车轮经过钢轨对钢轨产生应力的位置，以及对以往伤损位置、程度、类型的统计，伤损主要集中在钢轨的踏面中线与工作边之间，如图2 所示为钢轨表面接触斑示意图，其中阴影部分为伤损集中区域11， P 为轮载垂直力， H 为轮载侧向力， N 为接触法向力， T 为接触切向力。根据此特点，可在设计轨检车时确定辅助光源的位置，使得采集到的钢轨图像，轨面边缘与缺陷边缘较为突出。图 2 钢轨表面接触斑示意图Fig.2 Schematicdiagramofrailsurfacecontactpatch2 钢轨表面缺陷分割由于钢轨图像中含有大面积干扰区域，如轨底、砟石、树叶和杂草等。因此，直接提取钢轨表面缺陷区域不

15、仅冗余图像数据量大，而且对缺陷的提取精度存在干扰12。而本文算法侧重于实际应用，因此，对采集的钢轨图像先进行轨面区域提取以缩小缺陷的搜索范围是十分有必要的，然后利用图像分割技术对轨面缺陷进行精确分割。2.1 轨面区域提取钢轨具有线路长、缺陷少、形状规则等特点，在相机的视场范围内， 钢轨的边界通常为直线 (轨头压馈等除外 )，因此，可通过检测轨面边界直线特征对钢轨表面进行定位。Hough 变换是检测直线的常用方法，其检测直线的基本思想是点与线的对偶性，设在直角坐标系中存在一条直线 l，该直线到原点的垂直距离为 ，该直线的垂线与 x 轴的夹角为 ，则该直线方程为：xcos+ysin=。因此，直线

16、l 用极坐标表示则为点(,)，即直角坐标系中的直线对应于极坐标系中的点13-14。采用 Hough 变换提取轨面区域边界的具体步骤如下所示：1) 采用 Canny 算法提取钢轨图像的边缘；2) 利用 Hough 变换提取钢轨边缘图像中的直线边缘；3) 由于钢轨的一些损伤或异物干扰导致通过Hough变换检测出的轨面边缘通常不是一条完整的直线，因此，需要在各线段上等间距的选取参考点作为轨面边缘直线的参考点。4) 利用最小二乘法对上边界参考点及下边界参考点进行直线拟合，得到精确的轨面边界直线；针对第 2 步中的参数选择，由于采集的钢轨图像中轨面边缘直线特征最为明显，且边缘直线最长，方向在水平方向附近

17、，因此，可选取极坐标系中交点最多的几个极坐标值作为待确定的边缘，同时删除角度偏离过大的极坐标值。图 3 d 与拟合时间及拟合精度关系图Fig.3 Relationshipbetween dandfittingtimeandfittingaccuracy针对第 3 步中间距的选择，由于设置不同的距离 d，可选择不同数量的参考点，进而影响拟合后的边界与实际边界之间的误差及拟合时间，定义拟合误差 为：100221, 1()()pe peepx xyy(1)其中： (xp, yp)为人工绘制标准直线上的以 10pixel 为等间距的 64 个点坐标； (xe, ye)为拟合后直线上以10pixel 为

18、等间距的 64 个点坐标。通过统计绘制如图 3 所示的 d 与拟合时间及拟合精度的关系图。可万方数据第 12 期 闵永智，等：基于多特征融合与 AdaBoost 算法的轨面缺陷识别方法 2557知，当 d=10pixel 时拟合效率最高，此时拟合时间为 7.51ms，拟合误差为 17.47。2.2 轨面缺陷分割通过分析现有的轨面缺陷分割算法，分割难点主要在于缺陷区域与正常区域交界处的像素具体属于哪个区域往往难以确定。也就是说，分割阈值通常在最优阈值附近的几个灰度值之间难以确定。而基于模糊理论的模糊逻辑可对模糊集合描述与处理以达到消除模糊的逻辑，超熵则通过对信息熵理论改进，提高了类内的预测性。通

19、过结合模糊理论与超熵理论得到图像的总超熵值函数，可根据此函数再结合模糊理论中的隶属度函数与遗传算法计算可得最优的分割阈值，具体实现过程如下15：1) 设 L 个随机变量组成的变量子集为：XL=x1, , xL，其发生的概率可用联合概率表示为p(xL)=p(x1,x2, , xL)，变量集的信息熵为 h(L)，熵率为 h，则超熵的定义如下：1() )LE hL h(2)2) 对于一副 M N* 大小，灰度级为 K 的图像，存在阈值 t 可将图像分为暗类 Cd和亮类 Cb2 种类型，暗类由灰度值较低的像素组成，亮类由灰度值较高的像素组成。结合模糊理论可知，它们分别对应的隶属度函数 d和 b为：2d

20、21 012 2(;,)2 20 kakb abakbakabka abkbbabkK (3)bd(,) 1 (,)kab kab (4)其中： k 为图像像素灰度值，则在图像 F 中具有灰度值 k 的像素属于暗类 Cd和亮类 Cb 的概率 Pkd与Pkb分别为：dd|bb|() , ()kI kkI kP Pk P P Pk P (5)其中： PI(k)为图像一维直方图的概率分布； Pd|k 和Pb|k 分别为灰度值为 k 的像素属于暗类和亮类的条件概率。3) 令d| db| b(,), (,)kkP kabP kab，可 得 2类 Cd和 Cb的概率 Pkd与 Pkb， 进而可得其信息熵为

21、：ddd20() () (,)/ log( ()KIIkH k Pk kab P Pk dd(,)/ )kab P (6)b bb0() () (,)/KIkHk Pk kabP 2b blog ( ( ) ( , , )/ )IP kkabP (7)4) 将式 (6)(7)分别代入式 (2)中， 则可得 2 类总的模糊超熵值为：db(,) (,) (,)fffEab Eab Eab (8)5) 需要寻找一个最优的参数组合 (a*, b*)使得Ef(a*, b*)取得最大值，即使得图像经过阈值分割后类内必须具有较高的统一性，类间具有较高的差异性。利用遗传算法求得 (a*, b*)组合后，根据式

22、 (3)可知， 当 b(k*, a*, b*)=d(k*, a*, b*)时， 必然存在 b(k*, a*,b*)=d(k*, a*, b*)=0.5，此时灰度值为 k*的像素既属于暗类又属于亮类，因此选择隶属度为 0.5的灰度值作为图像分割的阈值 ,最终根据式 (3)和式 (4)可得此时 k*=(a*+b*)/2。2.3 缺陷区域特征提取Haar-Like特征是由 Viola 等在其人脸检测系统中引入的一种简单矩形特征，因类似于 Haar 小波(Haarwavelet)而得名16，其定义为图像中相邻区域内像素灰度值总和的差，这种矩形特征能够反映检测对象局部特征的灰度变化，由于将积分图像的思想

23、应用到 Haar-Like 小波特征的计算中，因此极大地提高了用于检测器的特征获取速度。目前， Haar特征主要分为 4 类：边缘特征、线性特征、中心特征和对角线特征17，见图 4。矩形特征可位于图像任意位置，大小也可以任意改变，因此矩形特征值是矩形模版类别、矩形位置和矩形大小这 3 个因素的函数。(a) 边缘特征； (b) 线性特征；(c) 圆心环绕特征； (d) 对角线特征图 4 Haar-like4 种类型特征Fig. 4 Haar-likefourtypesofcharacteristics万方数据铁道科学与工程学报 2017年 12月2558为了排除非缺陷的干扰，提高缺陷识别分类的精

24、度， 同时提取了图像的低层视觉特征， 包括面积、周长、矩形度和质心。3C4.5算法简介C4.5算法是 Quinlan 在 1993 年提出的， 其算法思想基于信息论理论，利用信息增益率作为分类属性，同时在构造决策树的过程中进行剪枝，可以对连续性数据或不完整数据进行分类18-19。 利用 C4.5算法构造决策树的基本步骤如下。1) 读取并统计样本数据；2) 按照分类标签 (假设分为 m 类 )对训练数据集 X 的属性 A(假设有 n 个特征 )进行划分，并计算信息熵 IX(X)：21() logmiiXiXXIXXX (9)其中： Xi表示数据集 X 中属于类别 i 的个数。3) 选择一个特征作

25、为决策树根节点。 对于属性A 其由 a1, a2, , an共 n 个特征构成，令每个特征aj的信息熵定义为 I(A=aj)，则：/21() logijmXXijjjXIA aX(10)其中： Xij为 Xi中属于类 j 的样本个数。由此可得属性 A 的信息熵为：() ()iniA XiiXI XIXX(11)属性 A 的信息增益为：() () ()GXAI XIXIX (12)属性 A 的信息增益率为：()()()GGRAWI XIXI X (13)式中：/21() loginXXiAWjXIXX。4) 构造下一级树节点。 选择一个属性 A作为下一级的节点，在所有分支上测试 A后，获得最大信

26、息增益率并由此形成该级节点分支。5) 重复步骤 14，直至划分子集中样本在所有分类特征都相同，生成决策树。通过比较各训练样本数据中属性信息增益率的大小，取其中信息增益率最大的但又不低于所有属性平均值的属性作为树的一个分支节点。为提高多模式下的辨识效果， C4.5 可以采用后剪枝的方法对分类器进行优化。通过去除树中不能提高预测准确率的分支，可以有效简化树的规模，节省识别所需的时间及空间，并能在一定程度解决分类器的过拟合问题。4 基于 C4.5 的改进 AdaBoost 算法AdaBoost 是一种迭代算法， 其核心思想是针对同一个训练集训练不同的分类器 (弱分类器 )，然后把这些分类器集合起来，

27、构成一个更强的最终分类器 (强分类器 )。 AdaBoost 方法不需要预先知道弱学习机的训练错误率，而是通过动态调节各个子学习机的权值来对基本算法的训练错误率自动适应20。本文在以 C4.5算法作为基本分类器， 采用 AdaBoost算法对其识别性能进行提升，通过在每轮迭代时提高错误分类样本的权重，降低正确分类样本的权重，使得下次迭代时分类器能够更关注这些样本以提高对错分样本的识别率。通过对每次迭代后产生的分类器进行加权投票即可得到最终的强分类器，该方法的具体过程描述如下：设样本集合 X=x1, x2, , xN，每个样本对应的类别为 Y=y1, y2, , yN， YC=1,2, , k，

28、识别算法 h，迭代次数为 t(1,2, , T)。初始时，设权重分布11/iP N 。1) 调整分布1/Ntt tii nnP WW；2) 在分布tiP 下，训练并得到分类器 ht；3) 计算误差1() NtttiiinP hx C，若1/2t ，则设 1Tt ，并退出循环；4) 否则设1ttt，调整权重1 ( ) 1()tii ihx CtttiiWW (14)5) 重复进行步骤 14T 次；6) 依据投票法，给出最终分类函数为：11()arg max log () TtiiittHx h x C(15)万方数据第 12 期 闵永智，等：基于多特征融合与 AdaBoost 算法的轨面缺陷识别

29、方法 25595 实验与结果分析实验设计的钢轨图像采集装置如图 5 所示，主要包括图像采集模块、图像处理模块和显示器等，可用于钢轨图像实时采集，其中图像采集模块包括遮光罩、工业条形聚光光源以及分辨率为 640*480Pixel的 GE680CCD 面阵相机，图像处理模块则采用 NI 工业计算机。根据我国钢轨的铺设标准以及轨面宽度等参数，实验选取的相机焦距为 8mm，物距为 76.5cm， 因此相机视场为 45.9cm 34.4cm，由此可知相机的采集精度为 0.7mm/pixel。本文的实验数据来自于利用图 5所示的图像采集装置采集的钢轨图像，再通过本文算法中的预处理与缺陷分割步骤提取的 50

30、0 个正样本和 1000个负样本的缺陷区域。正样本主要是可见度较好情况下的常见缺陷，其中主要包括但不限于轨头掉块、轨头磨耗、钢轨裂纹、鳞形剥落等缺陷。负样本主要是可见度较好的异物或疤痕，其中主要包括但不限于树枝、杂草、鸟粪、锈迹、油污等。在每一轮的训练中，每一轮的误识别目标也会加入到下一轮训练的负样本集合中，有针对性的不断更新负样本空间。图 5 手推式图像采集装置Fig.5 Handpushtypeimageacquisitiondevice在构建的训练样本库上，采用 Visual Studio2013搭载 OpenCV3.0.0 库作为实验平台，验证 在文中算法的有效性和可行性。针对轨面提取

31、及轨面缺陷分割易受光照影响的问题，将一天分为夜间、上午 /下午、中午 3 个时间段，光照强度分别为5001000lx， 100010000lx， 10000100 000 lx进行试验，由于传统的算法仅利用缺陷区域的低层特征，结合识别算法对缺陷进行识别，此类算法通常首先假设提取的区域即为缺陷， 而非鸟粪、 油污、树叶等非缺陷，其次仅利用缺陷区域的低层特征对某些缺陷的表示并不够具体，如波浪磨耗的最主要特征是多个小区域形状、位置等特征存在一定关联性，因此，实验通过与传统的采用缺陷区域低层特征方法进行识别的识别时间及识别率进行对比，具体数据如图 67所示。(a)5001000lx 光照下的识别率；

32、(b)100010000lx 光照下的识别率； (c)10000100000lx 光照下的识别率图 6 光照强度与轨面缺陷识别精度关系图Fig. 6 Relationshipbetweenthelightintensityandtherecognitionaccuracyoftherailsurfacedefects万方数据铁道科学与工程学报 2017年 12月2560(a)5001000lx 光照下的识别时间； (b)100010000lx 光照下的识别时间； (c)10000100000lx 光照下的识别时间图 7 光照强度与轨面缺陷识别速度关系图Fig.7 Relationshipbet

33、weenthelightintensityandthevelocityoftherailsurfacedefects从图 6 中可以看出，本文算法在不同光照强度下对于 2种轨枕类型上钢轨表面缺陷的识别率波动较小，而传统的方法在 5001000lx 光照强度下波动较小，在 100010000lx光照强度下识别率缓慢下降，在 10000100000lx光照强度下的识别率快速下降。在 3 个不同的光照强度区间，本文算法在木枕与混凝土枕的轨道上识别率分别为 96.31%和97.14%，比传统算法分别高 8.16%和 8.05%，识别率的均方差分别为 0.002和 0.0013，比传统算法分别降低了 2

34、 个数量级。从图 7 中可以看出，在 5001 000lx， 100010000lx 和 10000100000lx3 个不同的光照强度区间，本文算法与传统算法在识别时间上均变化平稳，其中本文算法在木枕与混凝土枕的轨道上的识别时间分别为 701ms 和 690ms，比传统算法分别高 91.53%和 86.49%，识别时间的均方差分别为7.308 3 和 7.060 9，比传统算法分别低 20.48%和17.9%。结合识别率与识别时间分析可得，本文算法在3 个不同的光照强度区间内，识别率与识别时间变化均较为平稳，受光照影响较小，最大识别率为97.55%，最小识别率为 96.17%，最大识别时间为

35、711ms， 最小识别时间为 666ms。 与传统方法相比，本文方法对光照强度变化具有更好的适应性，可应用于复杂环境的轨检作业。6 结论1) 结合 Hough 变换与最小二乘法对钢轨表面边界直线进行精确定位，解决钢轨图像采集装置振动，或钢轨弯道导致采集的钢轨图像中轨面区域发生偏转造成的轨面提取精度低的问题；其次，结合超熵理论与模糊理论对钢轨表面缺陷区域进行分割，使得分割后的图像类内具有较高的统一性，类间具有较高的差异性，解决了缺陷区域与正常区域之间边界模糊的问题，且在搜索最优参数组合时引入了遗传算法，使得分割的速度也有了一定的提高；最后通过建立正、负样本数据库，并提取样本的 Haar-Like

36、特征与低层特征建立样本特征数据库，再结合 C4.5 与 AdaBoost 算法设计分类器，对轨面中存在的非缺陷的进行排除，并对缺陷进行识别分类。在 3 种不同的光照强度区间内，通过对木枕及混凝土枕上的钢轨表面缺陷进行检测，本文在光照变化的环境下能有效排除非缺陷并对缺陷进行识别分类，识别正确率平均为 97.02%，识别平均时间为 698ms，识别率波动明显较小，但识别时间较传统方法稍高。2) 本文方法能应对钢轨弯道与图像采集装置万方数据第 12 期 闵永智，等：基于多特征融合与 AdaBoost 算法的轨面缺陷识别方法 2561振动导致的轨面提取精度低问题，且能识别图像视场中存在的异物，对光照变

37、化的环境具有较高的适应性，因此能够很好地适应复杂环境下的铁路现场。然而本文只解决了铁路中直道与弯道处的轨面提取与缺陷识别，对道岔处还有待研究。参考文献：1 牛学勤 , 杜彦良 . 现代轨道交通技术与装备 M. 北京 :科学出版社 ,2012.NIU Xueqin, DU Yanliang. Modern rail transittechnology and equipmentM. Beijing: Science Press,2012.2 田贵云 , 高斌 , 高运来 , 等 . 铁路钢轨缺陷伤损巡检与监测技术综述 J. 仪器仪表学报 , 2016, 37(8): 1763-1780.TIAN

38、 Guiyun, GAO Bin, GAO Yunlai, et al. Review ofrailway rail defect non-destructive testing andmonitoringJ. Chinese Journal of Scientific Instrument,2016,37(8):1763-1780.3 郑树彬 , 柴晓冬 , 安小雪 , 等 . 基于动态模板的钢轨磨耗测量方法研究 J. 中国铁道科学 ,2013,34(2):7-12.ZHENG Shubin, CHAI Xiaodong, AN Xiaoxue, et al.Rail wear measur

39、ing method based on dynamictemplateJ.ChinaRailwayScience,2013,34(2):7-12.4 许贵阳 , 史天运 , 任盛伟 , 等 . 基于计算机视觉的车载轨道巡检系统研制 J. 中国铁道科学 , 2013, 34(1):139-144.XU Guiyang, SHI Tianyun, REN Shengwei, et al.Development of the on-board track inspection systembased on computer visionJ. China Railway Science,2013,34

40、(1):139-144.5 TANG Xiangna, WANG Yaonan. Visual inspection andclassification algorithm of rail surface defectJ.ComputerEngineering,2013,39(3):25-30.6 Andamuthu A, Vinothkumar K. A robust rail surfacedefect analysis and monitoring systemJ. Asian Journalof Information Science and Technology, 2013, 1(2

41、):15-21.7 金艳 , 杨长辉 , 张建勋 . 基于神经网络和形态学的钢表面缺陷识别 J. 机床与液压 ,2010,38(21):26-28.JIN Yan, YANG Changhui, ZHANG Jianxun. Defectrecognition of steel surface based on neural networks andmorphologyJ. Machine Tool &Amp: Hydraulics, 2010,38(21):26-28.8 段志娟 , 周新星 , 陈分雄 , 等 . 基于独立成分分析的冷轧带钢表面缺陷识别 J. 钢铁研究学报 , 2011,2

42、3(10):63-66.DUANZhijuan,ZHOUXinxing,CHENFengxiong,etal.Recognition based on independent component analysisfor surface defects of cold stripsJ. Journal of Iron andSteelResearch,2011,23(10):63-66.9 汤勃 , 孔建益 , 王兴东 , 等 . 粗糙集理论的带钢表面缺陷图像的识别与分类 J. 中国图象图形学报 , 2011,16(7):1213-1218.TANG Bo, KONG Jianyi, WANG

43、Xingdong, et al.Recognition and classification for steel strip surfacedefect images based on rough set theoryJ. Journal ofImageandGraphics,2011,16(7):1213-1218.10 徐科 , 王磊 , 王璟瑜 . 基于 Tetrolet 变换的热轧钢板表面缺陷识别方法 J. 机械工程学报 ,2016,52(4):13-19.XU Ke, WANG Lei, WANG Jingyu. Surface defectrecognition of hot-ro

44、lled steel plates based on TetrolettransformJ. Journal of Mechanical Engineering, 2016,52(4):13-19.11 邹定强 . 钢轨失效分析和伤损图谱 M. 北京 : 中国铁道出版社 ,2011.ZOU Dingqiang. Rail failure analysis and damagemapM.Beijing:ChinaRailwayPress,2011.12 闵永智 , 殷超 , 党建武 , 等 . 基于图像色相值突变特征的钢轨区域快速识别方法 J. 交通运输工程学报 ,2016,16(1):46-5

45、4.MING Yongzhi, YIN Chao, DANG Jianwu, et al. Fastrecognition method of rail region based on hue valuemutation feature of imageJ. Journal of Traffic andTransportationEngineering,2016,16(1):46-54.13 曾文静 , 张铁栋 , 万磊 , 等 . 基于 Hough 变换的水下管道检测方法 J. 仪器仪表学报 ,2012,33(1):76-84.ZENG Wenjing, ZHANG Tiedong, WAN

46、 Lei, et al.Underwater pipeline detection based on HoughtransformJ. Chinese Journal of Scientific Instrument,2012,33(1):76-84.14 王竞雪 , 朱庆 , 王伟玺 , 等 . 结合边缘编组的 Hough 变换直线提取 J. 遥感学报 ,2014,18(2):378-389.WANGJingxue, ZHU Qing,WANGWeixi, et al. Straightline extraction algorithm by Hough transform combinin

47、gedge groupingJ. Journal of Remote Sensing, 2014,18(2):378-389.15 杨永敏 , 樊继壮 , 赵杰 . 基于超熵和模糊集理论的带钢万方数据铁道科学与工程学报 2017年 12月2562表面缺陷分割 J. 光学精密工程 , 2011, 19(7): 1651-1658.YANG Yongmin, FAN Jizhuang, ZHAO Jie. Steel stripsurface defect segmentation based on excess entropy andfuzzy set theoryJ. Optics and P

48、recision Engineering,2011,19(7):1651-1658.16 王庆伟 , 应自炉 . 一种基于 Haar-LikeT 特征的人脸检测算法 J. 模式识别与人工智能 ,2015,28(1):35-41.WANG Qingwei, YING Zilu. A face detection algorithmbased on Haar-Like T featuresJ. Pattern RecognitionandArtificialIntelligence,2015,28(1):35-41.17 董天阳 , 阮体洪 , 吴佳敏 , 等 . 一种 Haar-like 和 HOG特征结合的交通视频车辆识别方法研究 J. 浙江工业大学学报 ,2015,43(5):503-507.DONG Tianyang, RUAN Tihong, WU Jiamin, et al.Vehicle recognition