CN103500347A - 铁路货车折角塞门把手丢失故障的自动检测方法 - Google Patents

Abstract

一种图像处理技术领域的铁路货车折角塞门把手丢失故障的自动检测方法，采用梯度编码直方图特征构建故障检测所需的特征向量；并采用线性支持向量机训练出检测所需的定位分类器以及验证分类器；采用层次化级联检测思路，先利用定位分类器定位折角塞门整体，然后利用验证分类器对折角塞门上的把手是否丢失进行验证，实现折角塞门把手丢失故障的全自动检测，无需任何人工参与过程。本发明的故障检测率达到了99.8%，检测速度达到了6帧/秒，满足了实际应用的需求。

Description

铁路货车折角塞门把手丢失故障的自动检测方法

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折角塞门把手丢失故障的自动检测。

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。

折角塞门是货车基础制动装置中的一个部件。随着货车速度的提高，对货车行车安全的要求也随之提高，而制动性能的好坏是一个关键因素。一旦折角塞门被非正常关闭，会阻断气体通路使其后车辆的制动系统失灵，在货车需制动时，使空气制动功能受到影响，制动力下降，严重时将造成货车冒进，追尾等事故。正是由于折角塞门的重要性，为确保折角塞门安全，常由经验丰富的列检员人工检测折角塞门把手是否处于正确位置，由于货车在行进过程中长期的颠簸震动，常造成折角塞门把手丢失，这给正确判别及更改折角塞门的状态造成困难，是一类多发且较为严重的故障。在中国，货车折角塞门把手丢失故障的检测目前仍主要由人工进行，这种检测方式费时费力且维护成本高。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，该铁路货车折角塞门把手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

本发明针对现有技术存在的上述不足，提供一种铁路货车折角塞门把手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，本发明采用梯度编码直方图特征构建故障检测所需的特征向量；并采用线性支持向量机训练出检测所需的定位分类器以及验证分类器；采用层次化级联检测思路，先利用定位分类器定位折角塞门整体，然后利用验证分类器对折角塞门上的把手是否丢失进行验证，实现折角塞门把手丢失故障的全自动检测。

所述的梯度编码直方图特征通过以下方式得到：针对待分析的固定高速相机所采集的折角塞门部位图像，通过高斯梯度算子转换为梯度图像，针对所生成的梯度图像，采用中心变换编码转换为编码图像，从所得到的编码图像中进行直方图统计，得到梯度编码直方图特征。

所述的定位分类器是指：利用折角塞门图片样本库，提取图片的梯度编码直方图特征作为输入数据，采用线性支持向量机的学习方法对梯度编码直方图特征分类，训练得到定位分类器。

所述的验证分类器是指：利用折角塞门把手图片样本库，提取图片的梯度编码直方图特征作为输入数据，采用线性支持向量机的学习方法对梯度编码直方图特征分类，训练得到验证分类器。

所述的层次化级联检测是指：将训练所生成的定位分类器和验证分类器相级联，待检测图像依次经过定位分类器和验证分类器。

本发明的原理是，考虑到图像采集设备是安装在户外环境中，所采集的图像光照变化明显。如果直接采用灰度图必定无法可靠地提取特征，而梯度图像包含了物体的轮廓信息，在梯度域能够揭示出潜在的图像数据的固有结构，且不受光照变化影响。

与现有技术相比，本发明以梯度编码直方图特征构建故障检测所需的特征向量。采用定位和验证分类器级联方式实现折角塞门故障检测，体现了先整体后局部的层次化故障检测思路，实现了铁路货车折角塞门把手丢失故障的全自动检测，有效降低了铁路货车的维护成本，提高了故障检测的效率。

附图说明

图1是本发明的工作流程图。

图2是梯度编码直方图特征生成示意图。

图3是折角塞门定位结果图。

图4是折角塞门把手丢失故障检测结果图。

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折角塞门部位图像（1400×1024像素）进行处理。这些图像光照变化显著，背景复杂。本实施例包括如下步骤：

第一步，针对待分析的折角塞门部位图像，以4个像素位移进行采样，截取192×128像素的窗口，并提取梯度编码直方图特征，具体为：

①通过将折角塞门部位图像I和高斯核函数卷积来获取平滑图像I′：I′=I*G(x,y,σ)，其中*表示卷积操作，标准偏差为σ的高斯核函数为 $G(x,y,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}\exp (-\frac{x^2+y^2}{2{\mathrm{\σ}}^2}).$

本实施例取σ=1。

②通过将平滑后的图像I′和x方向上的高斯核函数的微分G_x(x,y,σ)进行卷积计算x方向上图像梯度I_x=I′*G_x(x,y,σ)；同时，将平滑后的图像I′和y方向上的高斯核函数的微分G_y(x,y,σ)进行卷积计算y方向上图像梯度I_y=I′*G_y(x,y,σ)。

③获取每个像素位置上的梯度幅值

④在由梯度幅值所形成的梯度图像上计算中心变换

其中N(x,y)为位于(x,y)处像素的局部空间邻域，通常为一个3×3区域，且比较函数ζ(I′′(x,y),I′′(x′,y′))当I′′(x,y)<I′′(x′,y′)时为1，

表示串联操作。

⑤获取中心变换编码图像的直方图，形成特征表达。

第二步，利用铁路现场采集的折角塞门部位图像，裁剪出图像中的折角塞门以及背景区域，并提取它们的梯度编码直方图特征作为输入数据。采用线性支持向量机学习方法生成折角塞门定位分类器。

本实施例采用铁路现场采集的1400幅1400×1024像素的图像数据，对这些图像，人工裁剪出192×128像素的折角塞门作为正样本。负样本从这些图像中不包含折角塞门物体的背景区域随意裁剪，大小同样为192×128像素。最终的折角塞门定位训练集共有正样本1400个，负样本2000个。

本发明采用积分直方图技术加速计算梯度编码直方图特征。对任一左上角坐标为(x,y)，高度为h，宽度为w的矩形图像块R(x,y,h,w)，图像块的b维直方图h_CT(R,j)按维序号j顺序排列的向量表示为x_CT(R)□[h_CT(R,0),L,h_CT(R,b-1)]^T，其中：

b=256

h_CT(R,j)=II_CT(x+w,y+h,j)+II_CT(x,y,j)

         -(II_CT(x+w,y,j)+II_CT(x,y+h,j))

${\mathrm{II}}_{\mathrm{CT}}(x,y,j)=\underset{y^{\&prime;}=0}{\overset{y^{\&prime;}<y}{\mathrm{\&Sigma;}}}\underset{x^{\&prime;}=0}{\overset{x^{\&prime;}<x}{\mathrm{\&Sigma;}}}{I}_{\mathrm{CT}}(x^{\&prime;},y^{\&prime;},j)$

$I_{\mathrm{CT}}(x,y,j)=\left\{\begin{array}{cc}1& \mathrm{CT}(x,j)=j\\ 0& \mathrm{other}\end{array}\right.$

由于II_CT(x,y,j)是对每一个中心变换数值在整个图像上所做的积分操作。该积分图像使得直方图的求解减少为只需3次加减运算，时间复杂度变为常数阶，即O(1)，提高了算法的运行速度，并节省了存储空间。

本发明选用线性支持向量机的学习方法对梯度编码直方图特征进行分类，线性支持向量机的学习方法就是寻找超平面参数

来最小化一个l₂代价函数和l₂正则项的和： $\widehat{\mathrm{\&omega;}}=\arg \underset{\mathrm{\&omega;}}{\min }\{\frac{1}{2}{\mathrm{\&omega;}}^T\mathrm{\&omega;}+C\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\max {(1-y_i{\mathrm{\&omega;}}^T{x}_i,0)}^2\},$ 其中C为惩罚参数，X□{x₁,…,x_N}为各训练样本的特征集合，N为正负样本的数目之和，y□{y₁,…,y_N}则为各训练样本相应的标注。

本实施例取C=2，N=1400，y_i∈{-1,1}。

第三步，利用192×128像素的折角塞门正样本，裁剪出把手以及把手丢失图像，并提取它们的梯度编码直方图特征作为输入数据，采用线性支持向量机学习方法生成把手验证分类器。

本实施例采用1400幅192×128像素的折角塞门正样本，人工裁剪出400幅96×128像素的把手丢失图像作为训练把手验证分类器的正样本和1000幅96×128像素的把手图像作为训练把手验证分类器的负样本。提取正、负样本的梯度编码直方图特征作为输入数据，采用线性支持向量机学习方法生成把手验证分类器。

第四步，在移位采样所截取的192×128像素的窗口区域提取梯度编码直方图特征，依次送入训练好的折角塞门定位分类器以及把手验证分类器中进行识别，通过这种级联方式精确判别出折角塞门把手丢失故障。

实施效果

依据上述步骤，对铁路现场采集的1496幅1400x1024像素的折角塞门部位图像进行检测。图2是梯度编码直方图特征生成示意图。可以看出，梯度编码直方图特征并不受光照变化影响，能够准确地提取折角塞门的特征。

图3是折角塞门定位结果图，每幅图像的定位结果都用白色窄线方框标识出来。可以看出折角塞门定位分类器能够比较准确地定位折角塞门物体。

图4是在折角塞门成功定位基础上，利用把手验证分类器进行故障检测的结果。针对每个最终检测结果，采用黑色粗线框标志出把手存在区域（无故障区域），而采用白色粗线框标志处把手丢失区域（故障区域）。

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

^TMi7-8702.93GHz，内存4GB。处理速度为6帧/秒。

本实施例的故障检测率为99.8%。

Claims (5)

1.一种铁路货车折角塞门把手丢失故障的自动检测方法，其特征在于，采用梯度编码直方图特征构建故障检测所需的特征向量；并采用线性支持向量机训练出检测所需的定位分类器以及验证分类器；采用层次化级联检测思路，先利用定位分类器定位折角塞门整体，然后利用验证分类器对折角塞门上的把手是否丢失进行验证，实现折角塞门把手丢失故障的全自动检测。

2.根据权利要求1所述的铁路货车折角塞门把手丢失故障的自动检测方法，其特征是，所述的梯度编码直方图特征通过以下方式得到：针对待分析的固定高速相机所采集的折角塞门部位图像，通过高斯梯度算子转换为梯度图像，针对所生成的梯度图像，采用中心变换编码转换为编码图像，从所得到的编码图像中进行直方图统计，得到梯度编码直方图特征。

3.根据权利要求1所述的铁路货车折角塞门把手丢失故障的自动检测方法，其特征是，所述的定位分类器是指：利用折角塞门图片样本库，提取图片的梯度编码直方图特征作为输入数据，采用线性支持向量机的学习方法对梯度编码直方图特征分类，训练得到定位分类器。

4.根据权利要求1所述的铁路货车折角塞门把手丢失故障的自动检测方法，其特征是，所述的验证分类器是指：利用折角塞门把手图片样本库，提取图片的梯度编码直方图特征作为输入数据，采用线性支持向量机的学习方法对梯度编码直方图特征分类，训练得到验证分类器。

5.根据权利要求1所述的铁路货车折角塞门把手丢失故障的自动检测方法，其特征是，所述的层次化级联检测是指：将训练所生成的定位分类器和验证分类器相级联，待检测图像依次经过定位分类器和验证分类器。

Images