针对轨枕挡肩裂纹图像精细化分类问题,提出了改进双线性卷积神经网络(B-CNN)模型。该模型先通过全局平均池化链接图像特征中的全局信息以捕捉细微裂纹宽度特征;再通过不同层次特征融合增强特征表达能力,获得有效宽度特征以实现细粒度分类。实验结果表明:该模型与B-CNN模型相比,分类准确率提升了2个百分点,在假阴性率方面,正常类别降低了2.3个百分点,明显裂纹类别降低了4.55个百分点;与基线VGG-D(Visual Geometry Group Network-D)模型相比,分类准确率提升6.11个百分点,在假阴性率方面,正常类别降低了7.39个百分点,明显裂纹类别降低了8.39个百分点,且参数量仅为原参数量的18.51%,特征提取速度提升了45.31%,说明该模型能够满足快速、准确对双块式轨枕挡肩裂纹图像分类的工程需求。

针对含裂纹缺陷的红外热像图对比度差、信噪比低的特点，提出了一种涉及噪声消除、图像细节增强、区域分割等多个方面的红外图像处理算法。算法首先通过时域有限冲激响应（FIR）滤波去除了图像中的部分噪声，然后利用提升小波变换与模糊逻辑非线性算子相结合的方法实现了对红外图像的增强，最后采用改进的区域生长方法对图像中的裂纹区域进行了分割处理。实验结果表明，本文算法有效地滤除了噪声干扰，提高了裂纹图像的对比度，同时很好地保留了整条裂纹中各小段灰度等级不同的特征，为后续测量裂纹深度奠定了必要的基础。