● 摘要
在铁路交通领域，列车关键部位的故障检测对确保铁路运营安全具有重大意义。传统的故障检测由人工完成，存在工作效率低，费时费力的缺点，不能满足铁路交通发展的需求。为此，铁道部推广了一套列车运行故障在线动态检测系统（TFDS），试图用该视觉系统代替人工巡检的过程。
目前，TFDS的工作模式为半自动，由人工对从铁路现场采集传输过来的列车关键部位的图像进行故障检测。虽然把列检过程从室外转向室内，但由人眼检测故障依然存在工作效率低和劳动强度大的问题。现今图像识别技术的飞速发展，让计算机代替人眼完成故障识别成为可能。本文的内容以此展开，结合计算机视觉和图像识别理论，以货车侧部车轮图像为对象，研究了轴端螺栓故障的自动识别方法。
论文完成的主要工作如下：
1. 综述了图像识别技术在铁路故障检测领域的应用现状，分析了铁路现场图像的特点以及在图像识别技术上的难点和挑战。
2. 研究了具有广泛适用性的螺栓区域定位算法。针对螺栓位置在图像中不断变化的问题，通过设计级联分类器来缩小搜索范围，提出旋转滑动的策略完成螺栓位置的快速确定。为了克服螺栓形态变化带来的分类难问题，选择具有光照不变性的LBP特征，在不同样本数量下构建分类器进行结果分析，确定最优的特征表达方法和分类器参数。根据定位分类器在实际TFDS现场的运行情况，设计正负样本自助更新策略，减少了人工离线训练的工作量。
3. 研究了稳定的螺栓故障识别算法。通过对故障图像的观察和分析找到最具区分力的特征，设计具有针对性的疑似故障处理和六边形检测的环节，最终达到在保持一定故障识别率的前提下降低虚警率的目标。