CN104268588A - 铁路货车闸瓦钎丢失故障的自动检测方法 - Google Patents

Abstract

本发明提供了一种铁路货车闸瓦钎丢失故障的自动检测方法，首先训练出区域分类器、定位分类器、故障判别分类器；然后利用区域分类器对待测闸瓦钎图像进行分割，在分割出的区域内，采用多层次多层级级联检测思路，先利用定位分类器定位闸瓦钎位置，再利用故障判别分类器对闸瓦钎是否丢失进行故障判别，实现铁路货车闸瓦钎丢失故障的全自动检测。本发明所述的自动检测方法的故障检测率达到了99％，检测速度达到了5帧/秒，满足了实际应用的需求。

Description

铁路货车闸瓦钎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闸瓦钎丢失故障的自动检测方法。 

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。 

闸瓦钎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。闸瓦钎丢失会造成闸瓦脱落，导致列车制动失灵，以致发生出轨或颠覆事故。因此对故障检测也提出了较高的要求，即尽最大可能地避免漏判和误判现象的存在。正是由于闸瓦钎的重要性，为检查闸瓦钎是否丢失，常由经验丰富的列检员人工检测闸瓦钎是否处于正确位置，由于货车在行进过程中长期的颠簸震动，常造成闸瓦钎丢失，是一类多发且较为严重的故障。在中国，铁路货车闸瓦钎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，该铁路货车闸瓦钎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，提供一种铁路货车闸瓦钎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。 

一种铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，包括以下步骤： 

1)将所采集的闸瓦钎部位图像划分为大小相等的四块图像区域；利用四块图像区域的图片样本库，提取多尺度中心变换编码直方图特征作为输入数据，并采用多类线性支持向量机的学习方法对多尺度中心变换编码直方图特征分类，训练出区域分类器； 

2)利用闸瓦钎目标物体的图片样本库，提取闸瓦钎目标物体的低层次梯度编码直方图特征作为输入数据，并利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，训练出定位分类器； 

3)利用闸瓦钎丢失和未丢失的图片样本库，提取闸瓦钎丢失与未丢失图像的低层次中心变换编码块特征，并采用编码汇聚方式学习生成中等层次特征作为输入数据，在空间金字塔算法框架下采用线性支持向量机的学习方法对中等层次特征分类，训练出故障判别分类器； 

4)利用图像采集模块采集闸瓦钎的图像，利用区域分类器分割出闸瓦钎所在的图像区域； 

5)在已分割出的闸瓦钎所在的图像区域内，采用多层次多层级的级联检测方法，先利用定位分类器定位闸瓦钎位置，再利用故障判别分类器对闸瓦钎是否丢失进行故障判别，实现铁路货车闸瓦钎丢失故障的全自动检测。 

进一步地，所述步骤(1)中所述的划分大小相等的四块图像区域是指以一幅完整闸瓦钎部位图像的长和宽的一半为图像区域的尺寸标准，在原图像上无重叠地划分出四块图像区域。 

进一步地，所述步骤(1)中所述的多尺度中心变换编码直方图特征是通过以下方式得到：针对划分出的图像区域，利用具有尺度缩放的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获得。 

进一步地，所述步骤(2)中提取低层次梯度编码直方图特征的方式为：在分割出的闸瓦钎所在图像区域，针对闸瓦钎目标物体图像，通过高斯梯度算子转换为梯度图像，并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。 

进一步地，所述步骤(3)中所述的提取低层次中心变换编码块特征的方法是：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。 

进一步地，所述步骤(3)的所述编码汇聚方式是指最大汇聚模型，在图像的不同位置和不同空间尺度下进行特征最大汇聚。 

本发明所述的铁路货车闸瓦钎丢失故障的自动检测方法的原理是，考虑到铁路货车闸瓦钎丢失故障检测的实时性和高准确性要求，采用从整幅图像中首先分割出闸瓦钎所在区域，排除了大多数复杂背景的干扰，减小了后续步骤的计算量以及误检的可能性。同时，针对所采集的闸瓦钎部件图像光照变化明显、故障形态复杂多变的特点，既采用了梯度域特征，又采用了低层次特征和中等层次特征相组合的方式，定位闸瓦钎位置、对闸瓦钎是否丢失进行故障判别，实现铁路货车闸瓦钎丢失故障的全自动检测。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；低层次特征和中等层次特征相组合能够避免单一特征以 及同一层次特征的局限性和片面性，满足了高准确性要求。 

与现有技术相比，本发明在目标区域分割的前提下，以低层次和中等层次特征这种不同层次特征相组合方式构建故障检测所需的特征向量，并采用定位和故障判别分类器级联方式实现闸瓦钎丢失故障检测，实现了铁路货车闸瓦钎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是本发明所述铁路货车闸瓦钎丢失故障的自动检测方法的原理流程图。 

具体实施方式

下面结合附图及实施例对本发明的技术方案做详细说明，但本发明的保护范围不限于下述的实施例。 

如图1所示，本实施例对铁路现场采集的闸瓦钎部位图像(1400×1024像素)进行处理。这些图像光照变化显著，背景和闸瓦钎形态复杂。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闸瓦钎部位的相对位置基本保持不变，使得闸瓦钎基本都呈现于闸瓦钎部位图像中的四分之一区域。因此实际执行检测过程中，一幅完整的闸瓦钎图像首先被等大小的划分为4个区域(700×512像素)，并对这四个区域分别进行检测。 

本发明采用多尺度中心变换编码直方图特征作为输入数据，检测闸瓦钎所在图像区域。定义f_s(x,y)为原始图像中(x,y)处尺度为3s×3s的多尺度中心变换编码的值，图像I(x,y)中所有像素的f_s(·,·)所形成的直方图可定义为：l＝0,...,L-1，式中当f_s(x,y)＝l成立时，l是多尺度中心变换编码的取值。因为多尺度中心变换编码是8位编码，总共有L＝2⁸＝256个值，相应的直方图就有256个直方柱。在各区域中由于包含着不同的结构，造成多尺度中心变换编码直方图分布上的差别。在1-against-rest策略下，将多类线性支持向量机转变为多个二类线性支持向量机的组合，训练生成区域分类器。 

本实施例采用铁路现场采集的600幅1400×1024像素的图像数据，提取图像中闸瓦钎所在区域，建立700×512像素的闸瓦钎区域的4类训练正样本集，负样本从不包含闸瓦钎的背景区域获取，大小同样为700×512像素。 

第二步，利用分割出的闸瓦钎区域图像，裁剪出图像中的闸瓦钎目标物体以及背景区域，并提取它们的梯度编码直方图特征作为输入数据。采用一个二类线性支持向量机学习方法生成闸瓦钎定位分类器。 

本实施例采用人工裁剪出128×128像素的闸瓦钎作为正样本。负样本从不包含闸瓦钎物体的背景区域随意裁剪，大小同样为128×128像素。 

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 $x_{\mathrm{CT}}\left(R\right)\stackrel{\mathrm{\Δ}}{=}{[h_{\mathrm{CT}}(R,0),\·\·\·,h_{\mathrm{CT}}(R,b-1)]}^T,$ 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)) 

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

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

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。 

第三步，采用定位区域处的灰度图像判别闸瓦钎故障，因为故障判别是一种具体目标的识别过程，而以灰度图像为基础的编码类特征在识别问题上往往表现出很高的性能。在训练阶段，首先将大小均为128×128像素的闸瓦钎丢失故障图像形成的正训练样本集，而将大小均为128×128像素的闸瓦钎无故障图像作为负训练样本集。通过提取低层次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，在空间金字塔算法框架下训练出故障分类器。 

本发明采用中心变换编码块特征来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g_c是中心块的平均灰度，g_i(i＝0,...,8)是中心块附近邻域的矩形块，而s(x)函数为 $s\left(x\right)=\left\{\begin{array}{cc}1& x\&le;0\\ 0& x>0\end{array}\right.,$ 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。 

本发明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X＝[X₁,...,X_M]^T∈R^M×D。对稀疏编码问题， $\underset{U,V}{\min }\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{\left|\right|X_m-U_{m}V\left|\right|}^2+\mathrm{\&lambda;}\left|U_m\right|,s.t.\left|\right|V_k\left|\right|\&le;1,\&ForAll;k=\mathrm{1,2},...,K.$ 式中V＝[V₁,...,V_K]^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,...,U_M]^T为聚类成员变量，|U_m|是U_m的L₁范数，表示U_m中每个元素的绝对值的和。V_k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。 

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z_j＝max{|U_1j|,|U_2j|,...,|U_Mj|}。式中z_j是Z的第j个元素，U_ij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。 

③令图像I_i被z_i表示，使用一个简单的线性空间金字塔核  $\mathrm{\&kappa;}\left({z,z}_i\right){=z}_i^T{z}_j=\underset{l=0}{\overset{2}{\mathrm{\&Sigma;}}}\underset{s=1}{\overset{2^l}{\mathrm{\&Sigma;}}}\underset{t=1}{\overset{2^l}{\mathrm{\&Sigma;}}}\&lang;z_i^l(s,t),z_j^l(s,t)\&rang;,$ 式中 $\&lang;z_i,z_j\&rang;=z_i^T{z}_j,$ 且是图像I_i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。那么线性支持向量机判别函数为 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。 

第四步，利用高速CCD摄像机采集待检测闸瓦钎部位的图像，利用区域分类器分割出闸瓦钎所在的图像区域。 

第五步，在已分割出的闸瓦钎所在的图像区域内，采用多层次多层级的级联检测思路，先利用定位分类器定位闸瓦钎位置，再利用故障判别分类器对闸瓦钎是否丢失进行故障判别，实现铁路货车闸瓦钎丢失故障的全自动检测。 

实施效果 

依据上述步骤，对铁路现场采集的5000幅1400×1024像素的闸瓦钎部位图像进行检测。通过提取多尺度中心变换编码直方图特征来训练生成区域分类器，可准确分割出闸瓦钎所在区域。 

提取的闸瓦钎目标物体的低层次梯度编码直方图特征不受光照变化影响，能够准确地提取闸瓦钎目标物体的特征，进而通过闸瓦钎定位分类器准确地定位折角塞门物体。在闸瓦钎成功定位基础上，利用故障判别分类器进行故障检测。针对每个最终检测结果，采用黑色方框标志出闸瓦钎丢失(有故障)，而采用白色方框标志闸瓦钎未丢失(无故障)。 

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5帧/秒。 

本实施例的故障检测率为99％。 

Claims (6)

1.一种铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，包括以下步骤： 

(1)将所采集的闸瓦钎部位图像划分为大小相等的四块图像区域；利用四块图像区域的图片样本库，提取多尺度中心变换编码直方图特征作为输入数据，并采用多类线性支持向量机的学习方法对多尺度中心变换编码直方图特征分类，训练出区域分类器； 

(2)利用闸瓦钎目标物体的图片样本库，提取闸瓦钎目标物体的低层次梯度编码直方图特征作为输入数据，并利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，训练出定位分类器； 

(3)利用闸瓦钎丢失和未丢失的图片样本库，提取闸瓦钎丢失与未丢失图像的低层次中心变换编码块特征，并采用编码汇聚方式学习生成中等层次特征作为输入数据，在空间金字塔算法框架下采用线性支持向量机的学习方法对中等层次特征分类，训练出故障判别分类器； 

(4)利用区域分类器分割出闸瓦钎所在的图像区域； 

(5)在已分割出的闸瓦钎所在的图像区域内，采用多层次多层级的级联检测思路，先利用定位分类器定位闸瓦钎位置，再利用故障判别分类器对闸瓦钎是否丢失进行故障判别，实现铁路货车闸瓦钎丢失故障的全自动检测。 

2.根据权利要求1所述的铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，所述步骤(1)中所述的整幅图像划分为大小相等的四块图像区域通过以下方式得到：以整幅图像长和宽的一半为图像区域的尺寸标准，无重叠地划分出四块图像区域。 

3.根据权利要求1所述的铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，所述步骤(1)中所述的多尺度中心变换编码直方图特征通过以下方式得到：针对划分出的图像区域，利用具有尺度缩放的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，得到多尺度中心变换编码直方图特征。 

4.根据权利要求1所述的铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，所述步骤(2)中提取低层次梯度编码直方图特征的方式为：针对分割出的闸瓦钎所在图像区域，通过高斯梯度算子转换为梯度图像，并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。 

5.根据权利要求1所述的铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，所述步骤(3)中所述的提取低层次中心变换编码块特征的方法是：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。 

6.根据权利要求1所述的铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，所述步骤(3)的所述编码汇聚方式是指最大汇聚模型，在图像的不同位置和不同空间尺度下进行 特征最大汇聚。