Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (12.2019) : ABNORMAL RAILWAY FASTENER DETECTION USING MINIMAL SIGNIFICANT REGIONS AND LOCAL BINARY PATTERNS

ABNORMAL RAILWAY FASTENER DETECTION USING MINIMAL SIGNIFICANT REGIONS AND LOCAL BINARY PATTERNS

 

© 2019    Hong Fan*, Qiang Wang*, Yun Luo**, Bailin Li*

*   Southwest Jiaotong University, School of Mechanical Engineering, Chengdu, China, 610031

** Southwest Jiaotong University, Traction Power State Key Laboratory, Chengdu, China, 610031

E-mail: blli62@263.net

Submitted 20.03.2019

DOI:10.17586/1023-5086-2019-86-12-65-75

Railway fastener is an important part of the railway system. Keeping the fasteners effective is essential to ensure the safe operation of the railway, so abnormal railway fastener detection is a main task of railway maintenance. With the development of railway system, the traditional manual fastener detection method has been unable to meet the application requirements, because it is very slow, costly, and dangerous. In this paper, we propose a novel method for abnormal fastener detection based on computer vision, which can detect missing and ectopic fasteners automatically. In this method, Minimal Significant Region is extracted in order to improve the fastener localization accuracy. Then, fastener recognition is operated using local binary features and Support Vector Machine classifier based on the fastener sub-images which are obtained by fastener localization. The proposed method is evaluated in our own database which is obtained by railway inspection system in different environments. The experimental results have shown improved performance against the state-of-the-art algorithm.

Keywords: railway fastener, image classification, visual inspection, machine vision.

OCIS codes: 150.1135

 

Обнаружение дефектов в клеммных креплениях рельсов с использованием минимальных значимых областей и локальных бинарных шаблонов

© 2019 г. Hong Fan, Qiang Wang, Yun Luo, Bailin Li

Устройства крепления рельсов к шпалам — важнейшая часть конструкции железнодорожного полотна. Поддержание системы крепления в порядке существенно для обеспечения безопасности движения, поэтому обнаружение дефектов крепящих устройств является основной задачей в обслуживании железнодорожного пути. Для развития железнодорожного транспорта традиционные ручные методы становятся непригодными в силу малой производительности, высокой стоимости и опасности для обслуживающего персонала. Предложен новый метод обнаружения дефектных клеммных креплений, основанный на использовании компьютерного зрения, позволяющий определять отсутствующие или смещённые узлы автоматически. В этом методе для повышения точности локализации узла выделяется минимальная значимая область. Далее, производится распознавание узла крепления с использованием локальных бинарных шаблонов и вспомогательного векторного классификатора, основанного на фрагментах изображений узлов крепления, полученных системой инспекции железнодорожных путей в различных условиях. Экспериментально подтверждены преимущества предложенного метода по сравнению с традиционными алгоритмами.

Ключевые слова: крепления железнодорожных рельсов, классификация изображений, визуальный контроль, машинное зрение.

References

1.         Li Q., Ren S. A real-time visual inspection system for discrete surface defects of rail heads // IEEE Trans. Instrumentation and Measurement. 2012. V. 61(8). P. 2189–2199.

2.         Wu X., Yuan P., Peng Q. et al. Detection of bird nests in overhead catenary system images for high-speed rail // Pattern Recognition. 2016. V. 51. P. 242–254.

3.         Liu Z., Wang L., Li C. et al. A high-precision loose strands diagnosis approach for isoelectric line in high-speed railway // IEEE Trans. Industrial Informatics. 2018. V. 14(3). P. 1067–1077.

4.         Qiao Y., Cappelle C., Ruichek Y. Visual localization across seasons using sequence matching based on multi-feature combination // Sensors. 2017. V. 17. P. 2442.

5.         Aytekin Ç., Rezaeitabar Y., Dogru S. et al. Railway fastener inspection by real-time machine vision // IEEE Trans. Systems, Man, and Cybernetics: Systems. 2015. V. 45(7). P. 1101–1107.

6.         Singh M., Singh S., Jaiswal. et al. Autonomous rail track inspection using vision based system // Proceedings of the IEEE Int. Conf.Comput. Intell. Homeland Security Personal Safety. 2006. P. 56–59.

7.         Stella E., Mazzeo P., Nitti M. et al. Visual recognition of missing fastening elements for railroad maintenance // Proceedings of IEEE Int. Conf. Intell. Transp. Syst. 2002. P. 94–99.

8.        Marino F., Distante A., Mazzeo P. et al. A real-time visual inspection system for railway maintenance: Automatic hexagonal-headed bolts detection // IEEE Trans. Syst., Man, Cybern. C, Appl. Rev. 2007. V. 37(3). P. 418–428.

9.         Mazzeo P., Nitti M., Stella E. et al. Visual recognition of fastening bolts for railroad maintenance // Pattern Recognit. Lett. 2004. V. 25(6). P. 669–677.

10.       Hsieh H., Chen N., Liao C. Visual recognition system of elastic rail clips for mass rapid transit systems // Proceedings of the Joint Rail Conference and Internal Combustion Engine Division Spring Technical Conference (JRC/IC). 2007. P. 319–325.

11.       Ruvo P., Distante A., Stella E. et al. A GPU-based vision system for real time detection of fastening elements in railway inspection // Proceedings of 16th IEEE Int. Conf. Image Process. 2009. P. 2333–2336.

12.       Yang J., Tao W., Liu M. et al. An efficient direction field-based method for the detection of fasteners on high-speed railways // Sensors. 2011. V. 11. V. 7364–7381.

13.       Xia Y., Xie F., Jiang Z. Broken railway fastener detection based on adaboost algorithm // Proceedings of Optoelectron. Image Process. 2010. P. 313–316.

14.       Resendiz E., Hart J., Ahuja N. Automated visual inspection of railroad tracks // IEEE Trans. Intell. Transp. Syst. 2013. V. 14(2). P. 751–760.

15.       Liu J., Li B., Luo J. et al. Integrating the symmetry image and improved sparse representation for railway fastener classification and defect recognition // Mathematical Problems in Engineering. 2015. P. 462528.

16.       Li Y., Otto C., Haas N. et al. Component-based track inspection using machine-vision technology // Proceedings of 1st ACM Int. Conf. Multimedia Retr. 2011. V. 60.

17.       Li Y., Trinh H., Haas N. et al. Rail component detection, optimization, and assessment for automatic rail track inspection // IEEE Trans. Intell. Transp. Syst. 2013.V. 15(2). P. 760–770.

18.       Feng H., Jiang Z., Xie F. et al. Automatic fastener classification and defect detection in vision-based railway inspection systems // IEEE Trans. Instrumentation and Measurement. 2014. V. 63(4). P. 877–888.

19.       Khan R., Islam S., Biswas R. Automatic detection of defective rail anchors // Proc. IEEE 17th ITSC. 2014. P. 1583–1588.

20.      Thanawit P., Thanarat H., Sangsan L. A vision-based method for the detection of missing rail fasteners // Proc. 5th IEEE Int. Conf. Signal Image Process. Appl. ICSIPA. 2017. P. 419–424.

21.       Gibert X., Patel V.M., Chellappa R. Robust fastener detection for autonomous visual railway track inspection // Proc. IEEE WACV. 2015. P. 694–701.

22.      Gibert X., Patel V.M., Chellappa R. Deep multitask learning for railway Track Inspection // IEEE Transactions on Intelligent Transportation Systems. 2017. V. 18(1). P. 153–164.

23.      Ojala T., Pietikainen M., Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns // IEEE Trans. Pattern Analysis and Machine Intelligence. 2002. V. 24(7). P. 971–987.

 

 

Полный текст