文档介绍：ClassifiedIndex:::2013Candidate:WuYingyongAcademicDegreeAppliedfor:MasterSpeciality:OpticsEngineeringSupervisor:ProEGaoXiaoRongMay,2016万方数据西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。,在年解密后适用本授权书;。(请在以上方框内打“、/”)学位论文作者签名:昊忘永指导老师签名: 厶-勿≯D-吃易/日期:羽/6口§.f髻日期: 心,(贡献)声明本人在学位论文中所做的主要工作或贡献如下:,为之后的探索性工作奠定坚实的基础;,为之后的火车车底图像局部不变特征提取算法提供借鉴方法;,以得到局部不变特征,并用SIFT及其改进算法检测火车车底图像的异常部位;,以达到螺栓故障自动识别的目的;本人郑重声明:所呈交的学位论文,是在导师指导下独立进行研究工作所得的成果。除文中已经注明引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体,均已在文中作了明确说明。本人完全了解违反上述声明所引起的一切法律责任将由本人承担。学位论文作者签名:昊应味日期:,.昭万方数据西南交通大学硕士研究生学位论文第1页摘要在通过式火车检测中,车底异常是火车检测的一个重要环节。火车车底存在的众多不安全因素中,螺栓的重要性尤为凸显。以往对于火车车底的检测方式是工作人员进入车底以肉眼进行人工检测,这样的方式费时费力。因此,为了提高准确性和安全性,同时能够动态地检测火车车底,节省人力物力,设计一个合理有效的车底异常检测方案很有必要。当前,D()照相机拍摄车底图像的技术已经相对成熟,对于数字图像处理的方法也层出不穷,采用基于火车车底图像处理的方式来实现螺栓的识别检测以及车底异常的预警显示可见其可行性。故本文基于以上研究背景和意义,大量调研适用于火车车底图像的特征提取算子,对比分析后确认使用SIFT(Scale—InvariantFeatureTransform)及其改进算法结合神经网络的方法来实现火车车底图像的螺栓识别目的。D照相机拍摄获得的火车车底图像螺栓的特点:局部不变性。前期展开了大量的特征提取算子调研,最终确定使用SIFT特征提取算子,因其对旋转、缩放、局部不变性都有较好的适应性。随后,本文重点研究了基于SIFT特征提取算子的火车车底图像异常和螺栓识别方法。通过SIFT特征提取算子提取初步特征、RANSAC(RANdomSampleConsensus)获得精确匹配特征点、图像的旋转和缩放矫正、模板匹配等步骤的处理获得故障的标记和显示,从而实现火车车底图像的异常识别。通过SIFT特征提取算子提取前期制作的大量正负螺栓样本的特征点,结合SVM(SupportVectorMachine)训练器的反复训练,获得了鲁棒性较强的分类器,从而实现判别火车车底图像的螺栓异常。本文研究设计的2种基于SIFT特征提取算子的火车车底图像异常和螺栓识别方法可以自动提取图像中的特征信息并建立完善的特征描述子,通过阈值参数的设置可以主动获得匹配特征点,期间会自动去除错误和重复匹配特征点,可以求得待检图像与标准模板图像之间的旋转角度以及缩放的比例,自动校正待测图像至模板图像的方向和尺寸大小,通过差的平方和以及互相关度来定位异常部位,从而建立螺栓图像的正负样本库,通过SVM训练器训练获得鲁棒性较强的分类器,最终可以实现螺栓的识别和标记。实验结果表明:基于SIFT特征提取算子的异常识别方法对于火车车底图像的旋转、缩放以及局部不变性皆能很好的适应;基于SIFT特征提取算子结合SVM分类器的螺栓识别方法对于火车车底多种类螺栓皆能很