Bei der Schienenprüfung sind die Schweißverbindungen und der Laschenbereich wegen der großen Folgeschäden bei deren Versagen bevorzugte Prüfbereiche. Der Einsatz der TOFD-Methode ist immer noch durch die Schwierigkeiten bei der Interpretation der Bilder belastet. Deshalb wurde hier die Gewinnung von Unterschiedsmerkmalen näher untersucht. Die Analyse von Zeit-Frequenzmerkmalen beim A-Bildeinzug und die statistische Analyse von Segmenten des D-Bilds werden hier genutzt, um bessere Unterscheidungsmöglichkeiten zwischen fehlerhaften und fehlerfreien Bereichen zu erhalten. Die Kombination beider Merkmalsextraktionen werden einem neuronalen Netz zugeführt. Das neuronale Netz ist dreischichtig und wird mit einem Rückprojektionsalgorithmus trainiert. Der Ausgang des Netzes ist in zwei Klassen geteilt, nämlich in fehlerhaft und fehlerfrei. Die Gegenüberstellung der Ausgangsbilder vor der Extraktion der Merkmale mit den segmentierten Bildern belegt die bessere Erkennbarkeit von Fehlerbereichen, so dass eine vollautomatische Bewertung möglich ist. (Tietz, H.-D.)
Automatic segmentation of Time-Of-Flight-Diffraction images using Time-Frequency techniques. Application to rail track defect detection
Automatische Trennung der Laufzeitbeugungs-Bilder mittels Zeit-Frequenz-Verfahren. Anwendung auf die Ermittlung von Schienenfehlern
2003
6 Seiten, 4 Bilder, 18 Quellen
Aufsatz (Konferenz)
Englisch
RTDF2012-9415 Rail Track Defect Detection Using Derivative Wavelet Transform
British Library Conference Proceedings | 2012
|Railway Wheel Flat and Rail Surface Defect Detection by Time-Frequency Analysis
DOAJ | 2013
|Automatic detection of calibration grids in time-of-flight images
British Library Online Contents | 2014
|Railway wheel-flat and rail surface defect modelling and analysis by time-frequency techniques
Kraftfahrwesen | 2013
|