随着我国交通事业的不断发展,铁路运输已成为发展国民经济的重要组成部分,这种以脉络化遍布全国的运输方式极大地促进了铁路沿线城市的发展,为我国的经济建设做出了巨大的贡献。铁路运输实现高效服务的同时,其安全问题也在技术人员的面前不可避免地显露出来。铁路线路主要由轨枕、钢轨及扣件等基础部件组成。其中扣件是连接轨枕和钢轨的关键部件,用来阻止钢轨的纵向移动和横向移动,保障列车安全平稳运行。因此,完好无损的扣件对于钢轨和轨枕正常工作起着十分关键的作用,而损坏或缺失的扣件则会给列车的行车安全带来巨大的隐患。现阶段对于铁路扣件的检测主要依赖人工,即通过巡检人员视觉观察并结合工作经验来判定扣件的完好与否。这种方式对于自然环境、巡检人员的专注度和熟练度有极大的依赖性,并且因其不能很好地保障工作人员的人身安全,易对列车的正点运行造成影响等缺点,在铁路运输蓬勃发展的大环境中,已经无法满足现代铁路线路检测的要求。因此,研究出一种针对铁路扣件的自动化检测方法已然迫在眉睫。本文以国内外有关计算机视觉技术和铁路扣件检测的文献为基础,针对我国现行铁路扣件的关键特征,通过二维经验模态分解对扣件图像进行定位,结合支持向量机算法高效易行的优势,提出了一种基于支持向量机的铁路扣件缺损检测的方法。主要研究内容如下:高速相机采集到的图像通常包含多个目标,因此需要将分别处于不同位置的扣件区分开来。本文以二维经验模态分解为基本手段,结合霍夫变换,构建出扣件图像的定位模型。在该模型中首先应当对获取到的RGB彩色扣件图像进行预处理等操作,为二维经验模态分解做好准备。紧接着利用二维经验模态分解模型将铁路扣件的灰度图像分解为四个固有模态函数分量和一个余量的形式。在IMF1图像与IMF2图像的重构后,可以得到扣件细节信息和光照信息的融合,通过对重构图像的二值化,配合以细化去除等形态学操作,可以提取出铁路扣件的边缘图像。在以往的扣件区域定位方式的基础上,创造性地提出根据扣件图像的曲线特征,采用霍夫变换,以圆圈的形式锁定铁路扣件的位置,并根据与钢轨的位置关系和铁路扣件大小进一步修正。通过裁剪出锁定的具体位置,最后从图像中提取到单独的扣件图像及其边缘图像,为后续的特征提取和分类提供了便利。通过比较当下图像识别领域中比较先进的PHOG特征和LOOP特征在扣件提取中的表现,结合二者各自的优势实现松耦合,得到PHOG-LOOP融合特征。其中,PHOG特征是在HOG特征的基础上发展出来的多层次特征;LOOP特征则是LBP算子与LDP算子的优势融合,以LBP为框架,以LDP的Kirsch模板对图像特征进行提取。二者的融合不仅得到了扣件的结构特征,而且也得到了扣件的纹理特征。最后通过PCA对其降维处理,确定用以区分的关键特征。然后对支持向量机算法所存在的参数选择优化问题也进行了探讨。在支持向量机算法中参数选取偏大就会引发学习能力不强;偏小则会带来“过学习”的问题,因此参数选取对于支持向量机的性能至关重要。通过改进粒子群算法实现对参数组的寻优,从而提升其分类能力:一方面,增加搜索过程中与邻域比较的学习因子,在寻优过程中考虑群体之间互相影响的因素;另一方面,通过自适应的惯性权重快速诱导至最优值。通过UCI中提供的代表性数据集进行模拟仿真实验,优化算法的速度和效率得到了充分的验证。本文基于支持向量机设计了铁路扣件缺损检测分类模型,从铁路扣件图像的预处理定位到分类算法的优化,再到最终的识别分类,实现了完整的检测流程。以所提出的模型为基础,通过在Windows平台上利用MATLAB针对铁路扣件图像完好、损坏和丢失进行识别分类实验。实验结果表明,所研究的基于支持向量机的铁路扣件缺损检测能够对铁路扣件的工作状态实现智能识别,对于铁路工务的智能化发展提供了一种新的方法。