CN103499584A - 铁路货车手制动机链条丢失故障的自动检测方法 - Google Patents
铁路货车手制动机链条丢失故障的自动检测方法 Download PDFInfo
- Publication number
- CN103499584A CN103499584A CN201310484576.5A CN201310484576A CN103499584A CN 103499584 A CN103499584 A CN 103499584A CN 201310484576 A CN201310484576 A CN 201310484576A CN 103499584 A CN103499584 A CN 103499584A
- Authority
- CN
- China
- Prior art keywords
- fault
- brake chain
- hand brake
- chain
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及铁路货车手制动机链条故障的自动检测方法,属于铁路检测领域。通过编码汇聚特征模型构建出一种新颖的中等层次特征,达到了对目标物体更为丰富的描述,从而减少了歧义性和错误率,实现了手制动机链条这种非刚性物体状态的精确分类。此外,算法采用了空间金字塔架构,并在其架构下采用一种新颖的有监督的稀疏字典学习算法来生成所需的中等层次特征,最后通过引入线性支持向量机实现手制动机链条故障的实时检测,保障了铁路货车行车安全。
Description
技术领域
本发明涉及的是一种图像处理技术领域的方法,具体是一种铁路货车手制动机链条丢失故障的视觉图像检测方法,属于铁路检测领域。
背景技术
为确保安全运营,故障检测在交通领域扮演了一个主要角色。铁路,航空,航海以及公路桥梁维护中存在着运用故障检测的大量典型事例。由于交通领域责任重大,一旦重要设备出现故障,将引起人员和财产的巨大损失,因此世界上许多国家都投入了大量的人力、物力和财力进行故障检测的研究。故障检测已经成为了当今交通领域的研究热点之一。
故障检测通常采用无损检测手段来实现。无损检测是包含各种手段和方法的非常宽泛的名称,其根本原则是所检测目标的所有方面不会因检测过程而发生损坏。在常用的故障检测技术中,图像信息是一类重要的故障信息形式,随着计算机视觉技术的发展,视觉图像检测已逐渐成为无损检测的最佳手段。
目前,我国现行铁路货车上都装配有链条式手制动机,而链条是手制动机这种制动系统中的一个重要部件,由于货车运行过程中的振动以及温差变化等外界因素的影响,往往导致手制动机链条发生脱落,从而对铁路货车的行车安全造成重大隐患。如果不及时检测出这种故障并加以维修,会导致重大行车事故的发生。
通常国内铁路货车手制动机链条丢失故障的检测主要由人工进行,这种检测方式费时费力且维护成本高。由于铁路货车在行进过程中长期的颠簸震动,常造成手制动机链条丢失故障的发生,是一类多发且较为严重的故障。对铁路部门来说,需要采用能有效保持维护成本的最小化方式来进行这种故障的检测。 鉴于以上问题,该铁路货车手制动机链条丢失故障的自动检测方法应运而生以解决上述问题。
发明内容
本发明针对现有铁路故障检测方式存在的不足,提供一种铁路货车手制动机链条丢失故障的自动检测方法,既可降低铁路货车故障检测的成本,又提高了铁路货车故障检测的效率,为铁路提速提供了可靠的安全保障。
本发明是通过以下技术方案实现的,其特征在于:1)对固定高速摄像机所采集的手制动机链条部位图像,基于图像场景分类思想,将手制动机链条丢失故障检测问题转化为多类场景分类问题;2)通过提取一种新颖的中心变换编码块特征,采用编码汇聚方式学习生成的中等层次特征;3)在空间金字塔算法框架下采用线性支持向量机实现手制动机链条丢失故障的检测。
按上述方案,所述的将手制动机链条丢失故障检测问题转化为多类场景分类问题是指一幅完整的手制动机链条图像首先被分割为上部区域和下部区域,并对这两个区域分别进行检测,链条所在区域所对应的状态会有很高的置信度,而非链条区域则获得较低的置信度。通过置信度大小最终判别手制动机链条所在位置和状态。
所述的中心变换编码块特征是指:在获取中心矩形块的平均灰度和其相邻的9个矩形块的平均灰度后,利用中心变换方式编码这些矩形区域,以形成与Haar特征相类似的矩形块特征,但中心变换编码块特征能捕捉更多的图像结构信息。
所述的编码汇聚方式是指:编码是输入数据和已有同维向量的点积或距离计算过程。这种事先提供的向量即为通常所说的基函数,其可以是模板、滤波器组、视觉字典等等。汇聚本质上也是一种特殊形式的编码,通过计算邻域附 近的无序统计量,并去除样本中的那些非本质的东西,最终形成半局部的中等层次特征。
所述的中等层次特征是指:通过学习方法将低层次特征转变为更高层次特征,从而获得更多更有用的细节信息。这些特征建立在低层次特征基础上,尽管类似于图像层面的信息,但并没有试图形成高层次的、结构化的图像描述(,因此被称为中等层次特征。中等特征仅提取了对后续分类有用的低层次像素信息,对那些无关信号和噪声很鲁棒,为基于像素信息的低层次特征和高层次语义特征之间建立了一座桥梁。
所述的空间金字塔是指:参考Svetlana Lazebnik等人于2006年在《IEEE Computer Society Conference on Computer Vision and Pattern Recognition》(国际电子电气工程师协会计算机学会计算机视觉与模式识别会议)论文集第2卷2169页至2178页上发表的论文“Beyond bags of features:Spatial pyramid matching for recognizing natural scene categories”(超越特性袋:利用空间金字塔匹配识别自然场景类别),并采用其提出的空间金字塔算法框架来实现手制动机链条丢失故障的检测。
本发明的原理是,在新颖的低层次中心变换编码块特征基础上,通过编码汇聚特征模型最终构建出新颖的中等层次特征。由于中等层次特征反映了相邻低层次特征之间的联系,使得故障检测性能获得极大提高。整个算法的核心在于编码汇聚过程。编码阶段通过有监督的稀疏编码方式获取判别字典,而在汇集阶段则采用最大汇聚,原因在于特征各维最大汇聚特别适合区分非常稀疏的特征。
与现有技术相比,本发明使用中等层次特征解决了手制动机链条这种非刚性物体的状态分类问题,实现了手制动机链条丢失故障的检测,具有很强的鲁 棒性和抗噪声能力,为货车故障图像识别的工程化应用奠定了基础。
附图说明
图1是本发明的工作流程图。
图2是中心变换编码块特征形成示意图。
图3是中心变换编码块特征的部分模式示意图。
图4是手制动机链条故障检测的结果图。
具体实施方式
下面对本发明的实施例做详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
如图1所示,本实施例对铁路现场采集的手制动机链条部位图像进行故障判别。本实施例包括如下步骤:
第一步,由于高速摄像机在拍摄时与链条部位的相对位置基本保持不变,使得链条基本都呈现于手制动机链条部位图像中的上半部或下半部。因此再结合链条的丢失与否,实际可分为四种状态。因此实际执行检测过程中,一幅完整的手制动机链条图像首先被分割为上部区域和下部区域,并对这两个区域分别进行检测。
第二步,通过对原始图像提取低层次的中心变换编码块特征,形成对图像的一种低层次特征表达。中心变换编码块特征通过中心矩形块的平均灰度gc和其相邻的9个矩形块的平均灰度{g0,…,g8}相比较获取,按此方式,可生成一个二值序列,其运算公式为式中gc是中心块的平均灰度, gi(i=0,…,8)是中心块附近邻域的矩形块,而s(x)函数为 最终利用中心变换编码的结果分布形成相应的编码矩形特征。由于是8位二进制编码形式,因此一共可以得到256种模式。这种二值模式的形式可以在不同尺度和位置上检测边缘、线、点、平坦区域和角状等多种图像结构。
第三步,采用编码汇聚方式学习生成的中等层次特征。具体为:
①令X是CTEB特征在D维特征空间的一个集合,即对稀疏编码问题, s.t.||Vk||≤1, 式中V=[V1,…,VK]T是所找到的K个聚类中心,称为码书或字典,||·||表示向量的2范数。U=[U1,…,UM]T为聚类成员变量,|Um|是Um的L1范数,表示Um中每个元素的绝对值的和。Vk的单位L2范数用于避免平凡解,通常码书V是一个过完备的基函数集,即K>D。实际执行时,稀疏编码首先从随机采样的图像块中获取的特征集X被用于在集合U和V下求解该方程。在编码阶段,设每幅图像代表一个特征集合X,稀疏编码仅在集合U下通过最优化该方程获取。选择稀疏编码作为图像表达因为它具有大量的优良特性。首先,和向量量化相比,稀疏编码可获得更低的重构误差由于其较为宽松的约束,其次,稀疏使得表达更有针对性,可以捕捉图像的显著特征,第三,在图像统计学方面的研究清楚地揭示了图像块是一种稀疏信号。
②令U是对特征集合X进行稀疏编码的结果,其中假定码书V已经被事先学习和固定下来,通过预先选择的汇聚函数计算中等层次的图像特征,式中汇聚函数作用于U的每一列,而U的每一列对应于码书V中低层次特征的所有响应。本发明定义汇聚函数为最大值汇聚函数作用于稀疏编码,其表达式为zj=max{|U1j|,U2j|,…,|UMj|}。式中zj是Z的第j个元素,Uij是U的第i行和第j 列的矩阵元素。M是该区域中局部低层次特征的数目。这种最大汇聚过程依据视觉皮层的生物生理特性所构建,其已被证实优于其他汇聚方法。
③令图像Ii被zi表示,使用一个简单的线性空间金字塔核 式中 且是图像Ii在尺度l上第(s,t)个块的稀疏编码特征的最大汇聚的中等层次特征。那么二类支持向量机(SVM)判别函数为其意味着训练代价在计算量上仅为O(n),而每幅图像的测试代价甚至为常数。
第三步,判定所采集的手制动机链条部位图像是否存在丢失故障。
实施效果
依据上述步骤,对铁路现场采集的手制动机链条部位图像进行检测。图2是中心变换编码块特征形成示意图。图3是中心变换编码块特征的部分模式示意图,中心变换编码块特征可以捕捉大尺度的图像主要特征的结构。
图4是手制动机链条故障检测的结果图,在手制动机链条部位图像中,链条丢失故障所在区域被定位且用白色粗线方框标识出来。可以看出本发明能够准确地判定手制动机链条丢失故障。
所有实验均在PC计算机上实现,计算机的参数为:中央处理器Core TMi7-8702.93GHz,内存4GB。处理速度为9帧/秒。
本实施例的故障检测率为98%。
Claims (5)
1.一种铁路货车手制动机链条丢失故障的自动检测方法,其特征在于:对固定高速摄像机所采集的手制动机链条部位图像,基于图像场景分类思想,将手制动机链条丢失故障的检测问题转化为多类场景分类问题;通过提取一种新颖的中心变换编码块特征,采用编码汇聚方式学习生成中等层次特征;在空间金字塔算法框架下采用线性支持向量机实现手制动机链条丢失故障的检测。
2.根据权利要求1所述的铁路货车手制动机链条丢失故障的自动检测方法,其特征是,所述的将手制动机链条丢失故障检测问题转化为多类场景分类问题是指一幅完整的手制动机链条图像首先被分割为上部区域和下部区域,并对这两个区域分别进行检测,链条所在区域所对应的状态会有很高的置信度,而非链条区域则获得较低的置信度。
3.根据权利要求1所述的铁路货车锁紧板偏转故障的自动检测方法,其特征是,所述的中心变换编码块特征是指:在获取中心矩形块的平均灰度和其相邻的9个矩形块的平均灰度后,利用中心变换方式编码这些矩形区域,以形成矩形块特征。
4.根据权利要求1所述的铁路货车锁紧板偏转故障的自动检测方法,其特征是,所述的编码汇聚方式是指:编码是输入数据和已有同维向量的点积或距离计算过程。汇聚也是一种特殊形式的编码,通过计算邻域附近的无序统计量,并去除样本中的那些非本质的东西,最终形成半局部的中等层次特征。
5.根据权利要求1所述的铁路货车锁紧板偏转故障的自动检测方法,其特征是,所述的中等层次特征是指:通过学习方法将低层次特征转变为更高层次特征,从而获得更多更有用的细节信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310484576.5A CN103499584B (zh) | 2013-10-16 | 2013-10-16 | 铁路货车手制动机链条丢失故障的自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310484576.5A CN103499584B (zh) | 2013-10-16 | 2013-10-16 | 铁路货车手制动机链条丢失故障的自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103499584A true CN103499584A (zh) | 2014-01-08 |
CN103499584B CN103499584B (zh) | 2016-02-17 |
Family
ID=49864814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310484576.5A Active CN103499584B (zh) | 2013-10-16 | 2013-10-16 | 铁路货车手制动机链条丢失故障的自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103499584B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268588A (zh) * | 2014-06-19 | 2015-01-07 | 江苏大学 | 铁路货车闸瓦钎丢失故障的自动检测方法 |
CN111091551A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车制动梁支柱开口销丢失故障检测方法 |
CN111524113A (zh) * | 2020-04-17 | 2020-08-11 | 中冶赛迪重庆信息技术有限公司 | 提升链异常识别方法、系统、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315663A (zh) * | 2008-06-25 | 2008-12-03 | 中国人民解放军国防科学技术大学 | 一种基于区域潜在语义特征的自然场景图像分类方法 |
US20110229045A1 (en) * | 2010-03-16 | 2011-09-22 | Nec Laboratories America, Inc. | Method and system for image classification |
CN102332089A (zh) * | 2011-06-23 | 2012-01-25 | 北京康拓红外技术股份有限公司 | 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 |
US20120213426A1 (en) * | 2011-02-22 | 2012-08-23 | The Board Of Trustees Of The Leland Stanford Junior University | Method for Implementing a High-Level Image Representation for Image Analysis |
CN102902976A (zh) * | 2011-07-29 | 2013-01-30 | 中国科学院电子学研究所 | 一种基于目标及其空间关系特性的图像场景分类方法 |
CN103034861A (zh) * | 2012-12-14 | 2013-04-10 | 北京航空航天大学 | 一种货车闸瓦故障的识别方法及装置 |
-
2013
- 2013-10-16 CN CN201310484576.5A patent/CN103499584B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315663A (zh) * | 2008-06-25 | 2008-12-03 | 中国人民解放军国防科学技术大学 | 一种基于区域潜在语义特征的自然场景图像分类方法 |
US20110229045A1 (en) * | 2010-03-16 | 2011-09-22 | Nec Laboratories America, Inc. | Method and system for image classification |
US20120213426A1 (en) * | 2011-02-22 | 2012-08-23 | The Board Of Trustees Of The Leland Stanford Junior University | Method for Implementing a High-Level Image Representation for Image Analysis |
CN102332089A (zh) * | 2011-06-23 | 2012-01-25 | 北京康拓红外技术股份有限公司 | 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 |
CN102902976A (zh) * | 2011-07-29 | 2013-01-30 | 中国科学院电子学研究所 | 一种基于目标及其空间关系特性的图像场景分类方法 |
CN103034861A (zh) * | 2012-12-14 | 2013-04-10 | 北京航空航天大学 | 一种货车闸瓦故障的识别方法及装置 |
Non-Patent Citations (8)
Title |
---|
FUQIANG ZHOU ET AL.: "Automated visual inspection of angle cocks during train operation", 《JOURNAL OF RAIL AND RAPID TRANSIT》, vol. 228, no. 7, 9 July 2013 (2013-07-09), pages 794 - 806 * |
GUO HUI ET AL.: "Multi-scale Segmentation Mehtod for Brake Beam of Freight Train", 《2012 SECOND INTERNAL CONFERENCE ON INSTRUMENT & MEASUREMENT,COMPUTER,COMMUNICATION AND CONTROL》, 31 December 2012 (2012-12-31), pages 445 - 448, XP032325347, DOI: 10.1109/IMCCC.2012.110 * |
姜媛 等: "货车枕簧丢失故障动态图像识别方法", 《光学技术》, vol. 33, no. 5, 30 September 2007 (2007-09-30), pages 662 - 665 * |
崔崟 等: "利用编码层特征组合进行场景分类", 《吉林大学学报(工学版)》, vol. 43, 31 March 2013 (2013-03-31), pages 450 - 454 * |
戴鹏 等: "货车转向架安全链故障计算机视觉识别算法研究", 《计算机测量与控制》, vol. 16, no. 8, 25 August 2008 (2008-08-25) * |
段菲 等: "基于多尺度稀疏表示的场景分类", 《计算机应用研究》, vol. 29, no. 10, 31 October 2012 (2012-10-31), pages 3938 - 3941 * |
段菲 等: "有监督子空间建模和稀疏表示的场景分类", 《中国图象图形学报》, vol. 17, no. 11, 30 November 2012 (2012-11-30), pages 1409 - 1417 * |
谷志敏: "面向交通场景的图像分类研究", 《万方学位论文数据库》, 29 September 2012 (2012-09-29), pages 1 - 52 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268588A (zh) * | 2014-06-19 | 2015-01-07 | 江苏大学 | 铁路货车闸瓦钎丢失故障的自动检测方法 |
CN104268588B (zh) * | 2014-06-19 | 2018-02-27 | 江苏大学 | 铁路货车闸瓦钎丢失故障的自动检测方法 |
CN111091551A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车制动梁支柱开口销丢失故障检测方法 |
CN111524113A (zh) * | 2020-04-17 | 2020-08-11 | 中冶赛迪重庆信息技术有限公司 | 提升链异常识别方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103499584B (zh) | 2016-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hao et al. | A steel surface defect inspection approach towards smart industrial monitoring | |
US20210370993A1 (en) | Computer vision based real-time pixel-level railroad track components detection system | |
Bai et al. | An optimized railway fastener detection method based on modified Faster R-CNN | |
CN104268588B (zh) | 铁路货车闸瓦钎丢失故障的自动检测方法 | |
CN103761531B (zh) | 基于形状轮廓特征的稀疏编码车牌字符识别方法 | |
CN105426905A (zh) | 基于梯度直方图和支持向量机的机器人障碍物识别方法 | |
CN109697424A (zh) | 一种基于fpga和深度学习的高速铁路异物侵限检测装置及方法 | |
CN101493943B (zh) | 一种粒子滤波跟踪方法和跟踪装置 | |
CN104732215A (zh) | 一种基于信息向量机的遥感影像海岸线提取方法 | |
CN102496001A (zh) | 一种视频监控目标自动检测的方法和系统 | |
CN102902974A (zh) | 一种基于图像的铁路接触网杆柱标识信息的识别方法 | |
CN105447464A (zh) | 一种基于pso的电能质量扰动识别与分类方法 | |
CN105574489A (zh) | 基于层次级联的暴力群体行为检测方法 | |
CN101251896B (zh) | 一种基于多分类器的物体检测系统及方法 | |
CN101604384A (zh) | 个性化指纹识别方法 | |
CN103499584B (zh) | 铁路货车手制动机链条丢失故障的自动检测方法 | |
US20230152150A1 (en) | Road surface conditions detection by distributed optic fiber system | |
CN104732248A (zh) | 基于Omega形状特征的人体目标检测方法 | |
Tao et al. | Gap detection of switch machines in complex environment based on object detection and image processing | |
CN104463242A (zh) | 基于特征变换和词典学习的多特征动作识别方法 | |
CN114913606A (zh) | 一种基于yolo的深度学习的工业现场生产工作区域的违规检测方法 | |
CN103325123A (zh) | 一种基于自适应神经模糊推理系统的图像边缘检测方法 | |
CN110428398A (zh) | 一种基于深度学习的高铁接触网拉线缺陷检测方法 | |
CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 | |
CN104463091A (zh) | 一种基于图像lgbp特征子向量的人脸图像识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210204 Address after: 250000 5th floor, building 2, Aosheng building, 1166 Xinluo street, high tech Industrial Development Zone, Jinan City, Shandong Province Patentee after: SHANDONG ZHENGCHEN POLYTRON TECHNOLOGIES Co.,Ltd. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |
|
TR01 | Transfer of patent right |