随着城市人口密度的剧增和出行频率的增加,交通压力越来越大。目前,缓解交通压力的一个有效方式是发展轨道交通。重庆市在轨道交通领域进行了诸多探索,因地制宜地建立了以跨座式单轨为主的轨道交通网。其中,预应力混凝土(PC)轨道梁作为跨座式单轨交通的重要支撑,其表面的裂纹等缺陷会直接威胁整个交通线的运营安全,因此对轨道梁裂纹缺陷的检测十分重要。目前轨道梁裂纹检测方法主要为人工检测,但是人工检测方法存在效率低、误差大等缺点。因此,研发有效的自动检测系统迫在眉睫。本文从裂纹自动检测系统框架结构着手,对裂纹图像的预处理、快速识别、裂纹分割和分析等方面进行了深入研究,最后构建了一套可行的自动检测分析系统。主要研究工作如下:(1)构建了系统的整体框架。本系统框架主要包括裂纹自动检测和裂纹信息查询两个模块。自动检测模块包括图像预处理、裂纹图像快速识别、裂纹分割、参数计算等;裂纹信息查询包括裂纹图像和裂纹参数的显示。(2)由于轨道梁图像包含有非目标区域,因此本文根据灰度值统计方法对图像进行裁剪,去除非目标区域。由于图像尺寸较大,为了方便后期处理,将裁剪后的图像进一步划分成200*200图像子块。(3)轨道梁梁面噪声和摄像头内部噪声等导致轨道梁裂纹图像边缘模糊,为后期的处理增加了困难。针对这个问题,本文采用了稀疏表示和字典学习的方法对轨道梁图像进行去噪处理。该方法首先利用K-SVD算法对裂纹区域和非裂纹区域分别学习字典,将二者组成联合字典;然后使用该联合字典对轨道梁图像进行稀疏分解,稀疏成分包含有用信息,残差成分主要包含噪声信息;最后去除残差并用稀疏成分重构原图从而达到去噪的效果。(4)根据轨道梁裂纹图像的特点,本文采用稠密尺度不变特征转换(dense SIFT)特征和支持向量机(SVM)结合的算法,实现对裂纹图像的快速识别。该方法提取了图像的dense SIFT特征并生成特征描述子后,再借助特征词袋化(BOW)的思想,利用K均值(K-means)算法对特征描述子聚类,统计每一类的数量并对其进行序列化,最后将序列作为特征,送入SVM分类器进行裂纹图像的识别。(5)对于检测到的裂纹图像需要进一步提取裂纹并进行分析,本文采用了基于阈值分割与SVM分类器结合的算法提取裂纹并进行分析。在SVM分类器训练阶段,为了提高训练效率,首先利用超像素分割方法分割裂纹图像,并将得到的超像素中心点作为训练样本点,然后提取以这些样本点为中心的21*21图像块,将图像块的灰度信息和方向梯度直方图(HOG)组成联合特征训练SVM分类器。在裂纹图像分割阶段,首先对裂纹图像进行阈值分割,将像素值低的区域作为潜在的裂纹区域;再利用训练好的SVM分类器对潜在裂纹区域进行二次分割处理;然后,利用形态学算法对得到的分割图像去除伪裂纹和杂点;最后,计算裂纹的长度、宽度等参数。(6)本系统对真实轨道梁图像进行了裂纹检测实验。实验结果表明,对轨道梁图像的识别正确率为92.33%,对裂纹图像分割的漏检率为3.91%,充分证明了本文算法的有效性。