基于深度边缘特征的轨道扣件状态检测方法

郑丹阳 李立明 孙睿 柴晓冬 郑树彬 罗文成

（1.上海工程技术大学城市轨道交通学院，上海 201620；2.常州路航轨道交通科技有限公司，江苏常州 213100）

线路上的扣件状态检测主要通过人工巡检来完成。人工巡检的方式具有简单、低成本等优势，但存在检测效率低、漏检率高等缺陷。近年来，随着自动化巡检需求的不断提升，国内外许多学者对利用机器视觉技术实现轨道扣件状态检测的方法进行了研究。目前主要的扣件状态检测方法都是利用传统的图像处理方法对扣件螺栓或弹条的特征进行识别检测。李永波等［1]通过设置扣件图像的感兴趣区域（Region of Interest，ROI），提取ROI 区域的方向梯度直方图（Histogram of Oriented Gradient，HOG）特征进行状态检测。WANG等［2]通过使用二维主成分分析法提取扣件螺栓的特征进行分类。陈小艳等［3]提出利用改进的局部二值模式（Local Binary Pattern，LBP）编码算法突出扣件图像的边缘特征，再使用隐含狄利克雷分配（Latent Dirichlet Allocation，LDA）词包来描述扣件的主题进行状态检测。代先星等［4]提出通过可以减少自然光影响的激光测量法采集扣件图像的三维数据，再利用扣件图像的深度梯度特征（Height Gradient Orientation Histograms，HGOH）对扣件状态进行检测分类。也有学者对基于深度学习的扣件状态检测方法进行了研究，龙炎等［5]使用卷积神经网络（Convolutional Neural Network，CNN）提取扣件的浅层和深层特征，再根据扣件特征使用Faster-RCNN（Region Convolutional Neural Network）网络进行状态分类。Xavier 等［6]利用定制化的全卷积网络对扣件的高度抽象特征进行提取和扣件类型识别，针对不同类型扣件使用定制化的支持向量机进行状态分类。……