CN104361344B - 一种基于区间图像的无缝线路钢轨缺陷识别方法 - Google Patents

一种基于区间图像的无缝线路钢轨缺陷识别方法 Download PDF

Info

Publication number
CN104361344B
CN104361344B CN201410640807.1A CN201410640807A CN104361344B CN 104361344 B CN104361344 B CN 104361344B CN 201410640807 A CN201410640807 A CN 201410640807A CN 104361344 B CN104361344 B CN 104361344B
Authority
CN
China
Prior art keywords
image
steel rail
defect
identification
vector machine
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.)
Expired - Fee Related
Application number
CN201410640807.1A
Other languages
English (en)
Other versions
CN104361344A (zh
Inventor
谢锋云
周建民
曹青松
谢三毛
李鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN201410640807.1A priority Critical patent/CN104361344B/zh
Publication of CN104361344A publication Critical patent/CN104361344A/zh
Application granted granted Critical
Publication of CN104361344B publication Critical patent/CN104361344B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种基于区间图像的无缝线路钢轨缺陷识别方法，包括图像采集、图像预处理、图像数据获取，所述方法还包括图像数据区间化、图像特征提取、初始支持向量机模型训练和缺陷识别。本发明提出了通过模态区间方法来处理图像数据中的不确定性问题，并由支持向量机的分类识别模型来识别无缝线路钢轨缺陷。由于其通过模态区间的方法处理了采集的图像数据中的不确定性问题，将使识别的准确率提高。本发明将经模态区间理论处理了的图像数据作为特征向量输入支持向量机模型分类识别中，由于采集图像中的不确定性问题得到了有效处理，将提高无缝线路钢轨缺陷图像识别的可靠性。

Description

一种基于区间图像的无缝线路钢轨缺陷识别方法
技术领域
本发明涉及一种基于区间图像的无缝线路钢轨缺陷识别方法，属图像识别技术领域。
背景技术
无缝线路是铁路高速和重载的必要条件，也是轨道结构现代化发展的方向。无缝线路作为一种新型的轨道结构，取消了钢轨接头，提高了线路平顺性，但同时由在结构上限制了钢轨的伸缩，伴随钢轨温升幅度的增长，钢轨轴向积存巨大的温度压应力，会造成轨道的膨曲等缺陷；加上无缝线路钢轨焊接时焊接处常会产生“缩孔”、“气泡”、疏松”、“夹杂”、“未焊透”和“外形不平整等缺陷。这些缺陷可能使钢轨产生各种损伤，从而对列车运行安全构成极大的威胁。由于无缝线路钢轨缺陷使列车跑道事故时有发生，据美国联邦局事故统计，近10年平均每年发生危及行车安全的列车跑道事故103起，直接损失超过900万美元。为了防止列车跑道事故，无缝线路钢轨缺陷识别变得非常重要。
常用于无缝线路钢轨缺陷识别方法有超声波、电磁、射线、渗透、涡流等无损检测技术。近年来基于图像的红外热成像检测技术由于它具有无损、非接触、快速实时、远距离等优点，发展非常迅速。尤其是在高速运动、高温、高电压等场合下,该技术更具有常规无损检测技术所无法相比的优点，可优选用于无缝线路钢轨缺陷识别。但无缝线路钢轨缺陷识别中存在各种不确定性，如轨道荷载、材料性能、结构几何参数及对无缝线路认知不足等因素，无一不是随机变化的不确定量。因而通过红外热成像技术获取的钢轨缺陷图像特征也将具有不确定性。倘若不对这些不确定性问题进行有效处理，将导致计算结果的产生偏差，最终导致识别结果可靠性降低。
模态区间理论Gardenes等在《Modal intervals》(Reliable Computing,2001.2)中做出了总结归纳。相比于传统的区间，模态区间的上界与下界值大小不受限制，其运算法则是Kaucher算法，便于不确定性问题建模与处理。模态区间不确定性问题处理是将具有不确定性属性的量如数值，参数或者函数等描述成模态区间形式，通过模态区间的宽度表达不确定性大小，进而利用模态区间理论处理不确定性问题。现今关于模态区间的研究多见于其数学推理，鲜见于与工程实际问题结合解决问题。
发明内容
本发明的目的是，针对无缝线路钢轨缺陷识别过程中的不确定性问题，提供一种基于区间图像的无缝线路钢轨缺陷识别方法，利用模态区间处理红外热成像获取的图像数据中的不确定性问题，由支持向量机分类识别方法对无缝线路钢轨缺陷进行可靠识别。
实现本发明的目的所采用的具体技术方案为：
本发明一种基于区间图像的无缝线路钢轨缺陷识别方法，包括图像采集、图像预处理、图像数据获取、图像数据区间化、图像特征提取、初始支持向量机模型训练和缺陷识别。具体包括如下步骤：
(1)图像采集
利用红外热像仪对无缝线路钢轨进行探测，获取钢轨不同位置图像，包括钢轨无缺陷图像和有缺陷图像，并通过图像采集卡将采集的每幅图像存储于计算机中。
(2)图像预处理
将红外热像仪采集的每幅钢轨图像进行预处理，包括灰度化、二值化、图像增强、图像分割和边缘检测等图像预处理方法。
经过图像预处理，过滤掉干扰信息，改善图像质量、丰富信息量，加强图像判读和识别能力。
(3)图像数据获取
利用Matlab获取预处理后的每幅图像的数据集{x1,x2,K,xn}，n为获取的各幅图像的数据个数。
(4)图像数据区间化
考虑到获取的图像数据中存在的不确定性，利用模态区间来处理不确定性问题。依据模态区间理论及误差理论，将获取的每幅图像数据集中的每个元素转换成模态区间形式从而可以获得模态区间化的每幅图像数据集包括每幅图像下界数据集和每幅图像上界数据集
(5)图像特征提取
分别对每幅图像下界数据集和每幅图像上界数据集分别进行图像特征信息提取，包括纹理、六角锥体模型(HSV)和Hu不变矩图像特征等。从而得到每幅图像下界特征量纹理平均值HSV均方根值和Hu不变矩均方根值构成每幅图像下界特征向量和每幅图像上界特征量纹理平均值HSV均方根值和Hu不变矩均方根值构成每幅图像上界特征向量根据广义区间重心法则，定义m＝1,2,3，从而得到每幅图像特征向量T＝[T1,T2,T3]，构成所有图像特征向量集{Tk}，k为采集到的图像幅数，将其作为后续识别模型的输入。
(6)初始支持向量机模型训练
依据钢轨缺陷表现进行分类并编码，选取合适支持向量机模型参数，构建初始支持向量机模型。将(5)所述提取到的图像特征向量集{Tk}的一部分作为训练样本，输入初始支持向量机模型，对初始支持向量机模型进行训练直至获得优化的模型为止。
(7)缺陷识别
将剩余的图像特征向量集作为测试样本，输入优化后的支持向量机模型中用以分类识别。支持向量机模型输出的对应编码即为测试样本所要识别的无缝线路钢轨缺陷模式。
本发明的有益效果是，本发明与现有的技术相比，提出了通过模态区间方法来处理图像数据中的不确定性问题，并由支持向量机的分类识别模型来识别无缝线路钢轨缺陷。由于其通过模态区间的方法处理了采集的图像数据中的不确定性问题，将使识别的准确率提高，具体有以下优势：(1)将模态区间的数学理论引入工程应用中，模态区间的方法能够很好的处理工程中获取的数据存在的不确定性问题；(2)将模态区间应用于红外热像仪采集的图像数据处理中，可有效解决图像处理中数值不确定性问题；(3)将经模态区间理论处理了的图像数据作为特征向量输入支持向量机模型分类识别中，由于采集图像中的不确定性问题得到了有效处理，将提高无缝线路钢轨缺陷图像识别的可靠性。
附图说明
图1是本发明实施例中通过区间图像法来识别无缝路线钢轨缺陷的流程框图。
具体实施方式
本发明通过以对高速铁路无缝线路钢轨缺陷识别为例实施例作进一步的说明。
基于区间图像的无缝线路钢轨缺陷识别按以下步骤实施：
(1)图像采集
利用红外热像仪对无缝线路钢轨进行探测，获取钢轨不同位置图像，包括钢轨无缺陷图像和有缺陷图像，并通过图像采集卡将采集的每幅图像存储于计算机中。
(2)图像预处理
将红外热像仪采集的每幅钢轨图像进行预处理，包括灰度化、二值化、图像增强、图像分割和边缘检测等图像预处理方法。
通过图像预处理，过滤掉干扰信息，改善图像质量、丰富信息量，加强图像判读和识别能力。
(3)图像数据获取
利用Matlab中的“imread”函数获取预处理后的每幅图像数据集{x1,x2,K,xn}，n为获取的各幅图像的数据个数。
(4)图像数据区间化
考虑到获取的图像数据中存在的不确定性，利用模态区间来处理不确定性问题。依据模态区间理论及误差理论，选取采集的图像数据总体误差±6％，将每幅图像数据集中的每个元素转换成模态区间形式其中从而可以获得模态区间化的每幅图像数据集包括每幅图像下界数据集和每幅图像上界数据集
其中，模态区间的数学表达式为：
即模态区间x通过一对实数 来定义，kR表述模态闭区间实数集合。
其中，如果计算值大于255，则的值取255。
(5)图像特征提取
分别对每幅图像下界数据集和每幅图像上界数据集分别进行图像特征信息提取，包括纹理、六角锥体模型(HSV)和Hu不变矩图像特征等。从而得到每幅图像下界特征量：纹理平均值HSV均方根值和Hu不变矩均方根值构成每幅图像下界特征向量和每幅图像上界特征量：纹理平均值HSV均方根值和Hu不变矩均方根值构成每幅图像上界特征向量根据广义区间重心法则，定义m为特征类别，本实施例中m＝1,2,3，从而得到每幅图像特征向量T＝[T1,T2,T3]，构成所有图像特征向量集{Tk}，k为采集到的图像幅数，将其作为后续识别模型的输入。
(6)初始支持向量机模型训练
依据钢轨缺陷表现进行分类并编码，选取合适支持向量机模型参数，构建初始支持向量机模型。将步骤(5)所述提取到图像特征向量集{Tk}的一部分作为训练样本，输入初始支持向量机模型，对初始支持向量机模型进行训练直至获得优化的模型为止。
所述的支持向量机是一种基于统计学习理论的模式识别方法，常应用于模式识别领域，本发明应用支持向量机作缺陷识别模型。
本实施例将钢轨缺陷分成三类，无缺陷、较小缺陷和较大缺陷，相应的编码为1,2,3。支持向量机模型中选取径向基函数作为核函数，并取径向基核函数的宽度σ＝5，误差惩罚参数γ＝0.8。
(7)缺陷识别
将剩余的图像特征向量集作为测试样本，输入优化后的支持向量机模型中，用以分类识别。支持向量机模型输出的对应编码即为测试样本所要识别的缺陷模式，即“1”为无缺陷，“2”为较小缺陷，“3”为较大缺陷。从而完成对无缝线路钢轨缺陷的识别。
通过对无缝线路钢轨缺陷的可靠检测，及时发现钢轨所属缺陷，进行相应的维修养护，为提升无缝线路的稳定性，使高速铁路安全平稳的运行提供了保障。

Claims (2)

1.一种基于区间图像的无缝线路钢轨缺陷识别方法，包括图像采集、图像预处理、图像数据获取，其特征在于，所述方法还包括图像数据区间化、图像特征提取、初始支持向量机模型训练和缺陷识别；
所述图像特征提取，是分别对每幅图像下界数据集{x 1,x 2,...,xn}和每幅图像上界数据集分别进行图像特征信息提取，包括纹理、六角锥体模型(HSV)和Hu不变矩图像特征；从而得到每幅图像下界特征量纹理平均值T 1、HSV均方根值T 2和Hu不变矩均方根值T 3，构成每幅图像下界特征向量[T 1,T 2,T 3]；和每幅图像上界特征量纹理平均值HSV均方根值和Hu不变矩均方根值构成每幅图像上界特征向量根据广义区间重心法则，定义从而得到每幅图像特征向量T＝[T1,T2,T3]，构成所有图像特征向量集{Tk}，k为采集到的图像幅数，将其作为后续识别模型的输入；
所述初始支持向量机模型训练，是依据钢轨缺陷表现进行分类并编码，选取合适支持向量机模型参数，构建初始支持向量机模型；将图像特征提取到的图像特征向量集{Tk}的一部分作为训练样本，输入初始支持向量机模型，对初始支持向量机模型进行训练直至获得优化的模型为止；
所述缺陷识别，是将剩余的图像特征向量集作为测试样本，输入优化后的支持向量机模型中用以分类识别；支持向量机模型输出的对应编码即为测试样本所要识别的无缝线路钢轨缺陷模式。
2.根据权利要求1所述的一种基于区间图像的无缝线路钢轨缺陷识别方法，其特征在于，所述图像数据区间化，利用模态区间来处理不确定性问题，将获取的每幅图像数据集中的每个元素转换成模态区间形式从而获得模态区间化的每幅图像数据集包括每幅图像下界数据集{x 1,x 2,...,x n}和每幅图像上界数据集
CN201410640807.1A 2014-11-13 2014-11-13 一种基于区间图像的无缝线路钢轨缺陷识别方法 Expired - Fee Related CN104361344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410640807.1A CN104361344B (zh) 2014-11-13 2014-11-13 一种基于区间图像的无缝线路钢轨缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410640807.1A CN104361344B (zh) 2014-11-13 2014-11-13 一种基于区间图像的无缝线路钢轨缺陷识别方法

Publications (2)

Publication Number Publication Date
CN104361344A CN104361344A (zh) 2015-02-18
CN104361344B true CN104361344B (zh) 2017-06-16

Family

ID=52528602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410640807.1A Expired - Fee Related CN104361344B (zh) 2014-11-13 2014-11-13 一种基于区间图像的无缝线路钢轨缺陷识别方法

Country Status (1)

Country Link
CN (1) CN104361344B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109813757A (zh) * 2019-02-18 2019-05-28 中国石油大学(北京) 页岩气压裂装备故障红外热成像特征提取方法及装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105022921B (zh) * 2015-07-14 2018-02-09 福州大学 结合模态区间算法的模糊系统可靠性设计方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105820A (zh) * 2012-05-22 2013-05-15 华中科技大学 一种数控机床切削加工的刀具磨损状态识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103105820A (zh) * 2012-05-22 2013-05-15 华中科技大学 一种数控机床切削加工的刀具磨损状态识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Gear fault classification based on support vector machine;Feng-yun XIE等;《Hydromechatronics Engineering》;20140928;第42卷(第18期);全文 *
基于数字图像处理和特征提取的钢轨表面缺陷识别方法;王平等;《现代科学仪器》;20120415;全文 *
基于机器视觉的铁路线路状态检测算法研究;李永波;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131115;第2013年卷(第11期);正文第7页第1段，第33页第2段，第47页第2段，第48页第2段，第49页第3-4段 *
模态区间在液体火箭发动机故障诊断中的应用;樊久铭等;《哈尔滨工业大学学报》;20060930;第38卷(第9期);全文 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109813757A (zh) * 2019-02-18 2019-05-28 中国石油大学(北京) 页岩气压裂装备故障红外热成像特征提取方法及装置
CN109813757B (zh) * 2019-02-18 2020-04-24 中国石油大学(北京) 页岩气压裂装备故障红外热成像特征提取方法及装置

Also Published As

Publication number Publication date
CN104361344A (zh) 2015-02-18

Similar Documents

Publication Publication Date Title
Yanan et al. Rail surface defect detection method based on YOLOv3 deep learning networks
CN111079747B (zh) 铁路货车转向架侧架断裂故障图像识别方法
CN106504238A (zh) 基于图像处理和卷积神经网络的铁路接触网缺陷检测方法
CN111652227B (zh) 铁路货车底部地板破损故障检测方法
CN107389701A (zh) 一种基于图像的pcb表观缺陷自动检测系统及方法
CN106778833A (zh) 一种复杂背景下小目标丢失故障的自动识别方法
CN111768417B (zh) 基于单目视觉3d重建技术的铁路货车超限检测方法
CN105260744A (zh) 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统
CN103279765A (zh) 基于图像匹配的钢丝绳表面损伤检测方法
Zhuang et al. The automatic rail surface multi-flaw identification based on a deep learning powered framework
CN111080612B (zh) 一种货车轴承破损检测方法
Wu et al. Automatic railroad track components inspection using hybrid deep learning framework
Zhao et al. Image-based comprehensive maintenance and inspection method for bridges using deep learning
Xiao et al. A hierarchical features-based model for freight train defect inspection
Guo et al. Automatic rail surface defect inspection using the pixelwise semantic segmentation model
CN104361344B (zh) 一种基于区间图像的无缝线路钢轨缺陷识别方法
Yang et al. Vial bottle mouth defect detection based on machine vision
CN115527170A (zh) 货车脱轨自动制动装置塞门手把关闭故障识别方法及系统
Li et al. Weld image recognition algorithm based on deep learning
CN106355185A (zh) 一种振动条件下快速提取钢轨表面区域的方法
CN105389579B (zh) 一种列车截断塞门把手丢失故障自动识别方法
Chen Migration Learning‐Based Bridge Structure Damage Detection Algorithm
Jayaraju et al. A Deep Learning-Image Based Approach for Detecting Cracks in Buildings.
Li et al. Container damage identification based on Fmask-RCNN
Du et al. RSDNet: A New Multiscale Rail Surface Defect Detection Model

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170616

Termination date: 20171113

CF01 Termination of patent right due to non-payment of annual fee