基于优化蚁群算法的钢轨轮廓识别
China Railway Science(2017)
摘要
针对传统蚁群算法在钢轨图像识别中存在的问题,对蚁群算法进行4个方面的优化.初始化过程优化:采用一维Logistic混沌映射序列非线性迭代方程,使蚁群的初始化分布更加均匀,以避免大量的无关运算;搜索过程优化:在蚁群的搜索初期采用随机搜索策略,根据图像灰度梯度值自动设置阈值,初步确定图像中钢轨边缘的像素点,然后建立区域搜索模型,以进行钢轨边缘的精确搜索和描绘;搜索步长优化:在搜索初期,采用大步长随机搜索策略识别钢轨边缘的像素点,然后利用小步长区域搜索策略对钢轨边缘像素点做更精确地识别,从而实现钢轨轮廓的精确识别,并减少了搜索时间和算法的收敛时间;信息素更新策略优化:每完成1次搜索,根据自动设置的信息素最大、最小浓度值更新信息素,防止陷入局部最优.对实际采集到的直线和曲线线路上的钢轨图像分别用Canny边缘检测算子、传统算法和优化算法进行钢轨轮廓识别的对比试验,结果表明:优化算法具有更好的健壮性和识别效率.
更多查看译文
关键词
Rail identification,Search strategy,Chaos vector,Edge detection,Ant colony algorithm,Pheromone
AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要