狄仕磊， 刘甲甲， 罗建桥， 李柏林

(西南交通大学 机械工程学院，四川 成都 610031)

基于潜在语义主题融合的铁路扣件状态检测*

狄仕磊， 刘甲甲， 罗建桥， 李柏林

(西南交通大学 机械工程学院，四川 成都 610031)

针对现有单一底层特征识别扣件状态的算法存在描述能力差、特征维度过高等问题，提出一种基于两种扣件底层特征的潜在语义主题融合的扣件检测模型。通过潜在狄利克雷分布(LDA)模型分别获取扣件图像的局部二值模式(LBP)特征和方向梯度直方图(HOG)特征的扣件语义主题向量。将这两种语义主题向量进行加权融合，权值由该图像LBP特征图和其梯度图的信息熵来确定。以该向量训练分类器，判断待检扣件状态。实验表明：与目前的主流扣件检测方法相比，该方法的漏检率和误检率明显降低，检测能力显著增强。

铁路扣件检测； 语义主题； 潜在狄利克雷分布模型； 信息熵； 加权融合

0 引 言

铁路扣件是连接铁路钢轨和轨枕的紧固件，铁路扣件的缺失、损坏很有可能导致列车脱轨等重大事故，所以,实现铁路扣件状态的自动化检测在铁路运输中就显得尤为重要。国际上主要通过在巡道车上安装扣件图像采集装置，基于扣件图像实现扣件状态检测[1,2]。国内在这方面的研究开始较晚，文献[3]采用主成分分析(principal component analysis,PCA)检测扣件图像，其仅能反映扣件整体状态；文献[4]中仅采用方向梯度直方图(histogram of gradient,HOG)特征，扣件的漏检率较高。文献[5, 6]提取了扣件图像的子块信息，检测准确率有所提升，但由于子块特征串联后维度过高，底层特征与图像内容之间的语义鸿沟[7]制约了扣件检测算法的准确性。……