基于二维灰度共生矩阵纹理图像处理的断轨检测
计算机视觉与模式识别
2023-04-25 v1 最优化与控制
摘要
电子铁路系统的应用以及列车自动控制（ATC）系统的使用提高了轨道交通的安全性。然而，铁路事故最重要的原因之一仍是钢轨损伤与断裂。本文提出一种方法：首先从观测区域中识别钢轨区域，然后通过研究图像纹理处理数据，检测包括裂纹、磨损、剥落、碎裂和断裂在内的各类钢轨缺陷。为降低计算成本，将图像从 RGB 色彩谱转换为灰度谱。图像纹理处理数据由不同角度下的二维灰度共生矩阵（GLCM）获得，该数据展现了图像的二阶特征。大量的特征数据会对分类器的整体精度产生负面影响。为解决此问题并获取更快响应，在将波段送入分类器之前，采用主成分分析（PCA）算法。然后从图像中提取的特征通过三种不同分类器进行比较，包括支持向量机（SVM）、随机森林（RF）和 K 近邻（KNN）分类。该方法所得结果表明，随机森林分类器具有更优性能（准确率 97%、精确率 96%、召回率 96%）优于其他分类器。
引用
@article{arxiv.2304.11592,
title = {Broken Rail Detection With Texture Image Processing Using Two-Dimensional Gray Level Co-occurrence Matrix},
author = {Mohsen Ebrahimi},
journal= {arXiv preprint arXiv:2304.11592},
year = {2023}
}
备注
10 pages, 9 figures