摘要
铁路安全是关乎国计民生的大事，对车轮、钢轨等关键部件进行定期检测可以为铁路安全运行提供有力保障，使用结构光三维重建方法对轮轨表面三维形貌进行快速、准确的获取则是实现缺陷检测的重要手段之一。 莫尔轮廓术作为结构光三维重建方法，具有单帧重建、速度快、无接触、精度高等优点，适用于动态场景的重建。本文将莫尔轮廓术应用于铁路领域重建轮轨的三维廓形，使用计算机生成数字光栅投影至轮轨表面，通过条纹叠加和频域滤波等处理得到物体的莫尔条纹图，最终从莫尔条纹中提取物体的相位信息，提供了轮轨三维重建的新方法。本文主要研究成果如下： (1)本文通过仿真实现了莫尔轮廓术的各个关键步骤，并与其它结构光三维重建方法进行对比，证明了莫尔轮廓术兼具高精度与单帧重建的优点，为今后将其应用于铁路动态高精度三维重建中提供了有力支持。 (2)本文对比了不同滤波方法对提取莫尔条纹的影响，证明了频域滤波对于莫尔轮廓术的重要性，需要针对不同的环境条件选择适合的滤波方法，才能得到相对较好的重建结果。同时还使用莫尔轮廓术对含噪声物体进行了重建，证明了莫尔轮廓术的抗噪声能力。 (3)本文搭建车轮踏面和钢轨的三维廓形重建实验平台，并对测量系统进行深度标定，实现了对车轮踏面和和粘有六角螺母的车轮踏面以及钢轨的三维廓形重建，证明了莫尔轮廓术可以用于铁路上的轮轨三维廓形重建中。 (4)在莫尔轮廓术三维重建过程中，常需要根据不同情况选择不同的滤波方法提取莫尔条纹来达到相对较好的重建效果。因此，本文将深度学习与莫尔轮廓术相结合，通过使用深度神经网络训练模拟数据集，可以直接从变形条纹中提取莫尔条纹，代替了传统莫尔轮廓术中条纹叠加和频域滤波等步骤。实验证明在有无噪声的情况下，都可以提取出变形条纹中的莫尔条纹信息。此外该网络也可以实现对噪声包裹相位的展开，为深度学习与莫尔轮廓术的结合提供了新的思路。
NETL