CN112364927A - 基于滤波器组的异物检测方法 - Google Patents

基于滤波器组的异物检测方法 Download PDF

Info

Publication number
CN112364927A
CN112364927A CN202011286444.8A CN202011286444A CN112364927A CN 112364927 A CN112364927 A CN 112364927A CN 202011286444 A CN202011286444 A CN 202011286444A CN 112364927 A CN112364927 A CN 112364927A
Authority
CN
China
Prior art keywords
image
filter bank
layer
hood
output
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.)
Pending
Application number
CN202011286444.8A
Other languages
English (en)
Inventor
姜鸿
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.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical Co Ltd
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 Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN202011286444.8A priority Critical patent/CN112364927A/zh
Publication of CN112364927A publication Critical patent/CN112364927A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

基于滤波器组的异物检测方法，涉及图像识别领域。本发明是为了解决目前通过人工对高铁头罩前开闭挂异物的检测效率低、准确率低的问题。本发明包括：获取头罩前开闭区域图像；将头罩前开闭区域图像输入滤波器组特征库进行滤波处理得到滤波图像；采用极限学习机自编码器进行特征选择；将二值化后的滤波图像输入极限学习机训练得到分类模型；将待检测图像输入分类模型，进行分类检测得到检测结果，检测结果用于表征头罩前开闭是否存在异物，若存在异物则进行报警。

Description

基于滤波器组的异物检测方法
技术领域
本发明涉及图像识别领域，特别涉及基于滤波器组的异物检测方法。
背景技术
近年来，铁路高铁的行驶速度逐渐增加，但是列车在高速行驶过程中，头罩前开闭缝隙中容易夹塞如鸟、树枝等明显异物，如果没有及时发现并清理，就会造成安全问题。因此对自动识别并锁定异物位置的图像处理方法的研究成为行业重点。
目前针对铁路高铁头罩前开闭挂异物的检测主要是通过人工检测，这种检测方法不仅效率低，且利用人工检测可能会由于工作人员的疏忽导致检测结果不够准确，从而无法发现存在的异物，进而存在一定的安全问题。
发明内容
本发明目的是为了解决目前通过人工对铁路高铁头罩前开闭挂异物的检测效率低、准确率低的问题，而提出了基于滤波器组的异物检测方法。
基于滤波器组的异物检测方法具体过程为：
步骤一、获取头罩前开闭区域图像；
步骤二、在预先构建的滤波器组特征库内对头罩前开闭区域进行特征选择，具体包括：
步骤二一、将头罩前开闭区域图像输入滤波器组特征库进行滤波处理得到滤波图像；
步骤二二、采用极限学习机自编码器进行特征选择；
步骤三、将特征选择后的滤波图像进行二值化处理；
步骤四、将步骤三二值化后的滤波图像输入极限学习机训练得到分类模型；
步骤五、将待检测图像输入分类模型，进行分类检测得到检测结果，检测结果用于表征头罩前开闭是否存在异物，若存在异物则进行报警；
待检测图像为待检测的头罩前开闭区域图像。
本发明的有益效果为：
本发明利用图像自动识别的方式代替人工检测，提高检测的效率和准确率。本发明建立log-gabor滤波器组的特征提取方式提取原始数据的全部特征，同时利用极限学习机自编码器进行特征降维，减少了模型负担，从而获得更高的识别精度，进而提高行车安全。
附图说明
图1为异物检测总体流程图；
图2为异物检测算法示意图；
图3为异物检测过程流程图；
图4为异物检测返回结果图。
具体实施方式
需要特别说明的是，在不冲突的情况下，本申请公开的各个实施方式之间可以相互组合。
具体实施方式一：本实施方式基于滤波器组的异物检测方法具体过程为：
步骤一、获取头罩前开闭区域图像；
步骤二、在预先构建的滤波器组特征库内对头罩前开闭区域进行特征选择，具体包括：
步骤二一、将头罩前开闭区域图像输入滤波器组特征库进行滤波处理得到滤波图像；
步骤二二、采用极限学习机自编码器对滤波图像进行特征选择；
步骤三、将特征选择后的滤波图像进行二值化处理；
步骤四、将步骤三二值化后的滤波图像输入极限学习机训练得到分类模型；
步骤五、将待检测图像输入分类模型，进行分类检测得到检测结果，检测结果用于表征头罩前开闭是否存在异物，若存在异物则进行报警；
待检测图像为待检测的头罩前开闭区域图像。
具体实施方式二：本实施方式与具体实施方式一不同的是：步骤一中获取头罩前开闭区域图像，具体过程为：
在高铁轨道周围搭建图像采集设备，高铁通过后，获取列车底部和侧部图像；
由于不同型号的高铁头罩前开闭部件形态结构不同，也可能会受到雨水、泥渍、油渍、黑漆等自然条件或者认为条件的影响，并且，不同站点拍摄的图像可能存在差异。因此，头罩前开闭图像之间千差万别因此在收集过程中要将各种条件下的图像全部收集；
列车底部和侧部图像为灰度图像；
根据列车轴距信息、车型信息对从车辆底部和侧部大图中截取包含头罩前开闭部件的局部区域图像。
具体实施方式三：本实施方式与具体实施方式一至二不同的是：步骤二一中的滤波器组特征库，通过以下方式获得：
步骤二一一、将步骤一获得的头罩前开闭区域图像进行傅里叶变换得到头罩前开闭区域的频谱图；
步骤二一二、在头罩前开闭区域的频谱图的每个频率尺度上再选取不同的方向，构建一组不同频率尺度和不同方向通道的log-gabor滤波器，log-gabor滤波器的传递函数为：
G(f,θ)＝G(f)G(θ)
其中，
Figure BDA0002782481810000031
Figure BDA0002782481810000032
其中，G(f)为径向分量，G(θ)为角度分量，f0为中心频率，σr为径向带宽，θ0为滤波器方向，σθ为方向带宽，(f,θ)是极坐标下某个点的坐标；
步骤二一三、根据构建的log-gabor滤波器的中心频率建立滤波器组；
步骤二一四、获取高铁头罩前开闭图像的log-gabor特征：
运用滤波器组对高铁头罩前开闭区域图像进行卷积获得高铁头罩前开闭图像的log-gabor特征。
步骤二一五、将得到的log-gabor特征整合到一起得到滤波器组特征库；
具体实施方式四：本实施方式与具体实施方式一至三不同的是：步骤二二中采用极限学习机自编码器对滤波图像进行特征选择，具体过程为：
为了达到降维的目的进行特征选择，设置输入层节点个数和输出层节点个数为同一数值、隐藏节点个数小于等于输入或输出层节点的个数：
x→h→x,h≤x；
其中，h为隐藏节点的个数，x是输出或输出层节点的个数；h可以看作是不损失输入x前提下的另一种低维表达。
隐含层的输出层为：
H(x)＝g(XA+b)＝[h1(x),h2(x),...,hL(x)]
其中，h1(x)是第一层隐含层的输出，hL(x)是第L层隐含层的输出，A∈[0,1]是输入层到隐含层的连接权重，b∈[0,1]是输入层到隐含层的连接权重的偏置，g(·)是sigmoid函数，X是输入节点x的合集，[h1(x),h2(x),...,hL(x)]是第一层隐含层到第L层隐含层输出的集合。
具体实施方式五：本实施方式与具体实施方式一至四不同的是：步骤三中将特征选择后的滤波图像进行二值化处理，二值化的标准是滤波器组特征库中图像上像素点的像素值的均值和方差。
具体实施方式六：本实施方式与具体实施方式一至五不同的是：步骤四中的极限学习机的隐含层到输出层的权重通过以下公式获得：
Figure BDA0002782481810000041
其中，
Figure BDA0002782481810000042
是隐含层的输出，θ'是平衡系数，Y是样本标签，β是隐含层到输出层的权重；
极限学习机的输入层到隐含层的权重从-1到1之间选择。

Claims (7)

1.基于滤波器组的异物检测方法，其特征在于所述方法具体过程为：
步骤一、获取头罩前开闭区域图像；
步骤二、在预先构建的滤波器组特征库内对头罩前开闭区域进行特征选择，具体包括：
步骤二一、将头罩前开闭区域图像输入滤波器组特征库进行滤波处理得到滤波图像；
步骤二二、采用极限学习机自编码器对滤波图像进行特征选择；
步骤三、将特征选择后的滤波图像进行二值化处理；
步骤四、将步骤三二值化后的滤波图像输入极限学习机训练得到分类模型；
步骤五、将待检测图像输入分类模型，进行分类检测得到检测结果，检测结果用于表征头罩前开闭是否存在异物，若存在异物则进行报警；
所述待检测图像为待检测的头罩前开闭区域图像。
2.根据权利要求1所述基于滤波器组的异物检测方法，其特征在于：所述步骤一中获取头罩前开闭区域图像，具体过程为：
在高铁周围搭建图像采集设备，高铁通过后获取列车底部和侧部图像，根据列车轴距信息、车型信息从车辆底部和侧部图像中截取包含头罩前开闭部件的局部区域图像；
所述列车底部和侧部图像为灰度图像。
3.根据权利要求2所述基于滤波器组的异物检测方法，其特征在于：所述步骤二一中的滤波器组特征库，通过以下方式获得：
步骤二一一、将步骤一获得的头罩前开闭区域图像进行傅里叶变换得到头罩前开闭区域的频谱图；
步骤二一二、在头罩前开闭区域的频谱图的每个频率尺度上选取不同的方向，构建一组不同频率尺度和不同方向通道的log-gabor滤波器，log-gabor滤波器的传递函数为：
G(f,θ)＝G(f)G(θ)
其中，G(f)为径向分量，G(θ)为角度分量，(f,θ)是极坐标下的某个点的坐标；
步骤二一三、根据构建的log-gabor滤波器的中心频率建立滤波器组；
步骤二一四、获取高铁头罩前开闭图像的log-gabor特征：
运用滤波器组对高铁头罩前开闭区域图像进行卷积获得高铁头罩前开闭图像的log-gabor特征。
步骤二一五、将得到的log-gabor特征整合到一起得到滤波器组特征库。
4.根据权利要求3所述基于滤波器组的异物检测方法，其特征在于：所述
Figure FDA0002782481800000021
其中，f0为中心频率，σr为径向带宽，θ0为滤波器方向，σθ为方向带宽。
5.根据权利要求4所述的基于滤波器组的异物检测方法，其特征在于：所述步骤二二中采用极限学习机自编码器对滤波图像进行特征选择，具体过程为：
设置输入层节点个数和输出层节点个数为同一数值、隐藏节点个数小于等于输入或输出层节点的个数：
x→h→x,h≤x
其中，h为隐藏节点的个数，x是输入或输出层节点的个数；
隐含层的输出为：
H(x)＝g(XA+b)＝[h1(x),h2(x),...,hL(x)]
其中，h1(x)是第一层隐含层的输出，hL(x)是第L层隐含层的输出，L是隐含层的总数，A∈[0,1]是输入层到隐含层的连接权重，b∈[0,1]是输入层到隐含层的连接权重的偏置，H是隐含层输出，g(·)是sigmoid函数，X是输入或输出节点x的合集，[h1(x),h2(x),...,hL(x)]是一层隐含层的输出到第L层隐含层输出的集合。
6.根据权利要求5所述的基于滤波器组的异物检测方法，其特征在于：所述步骤三中将特征选择后的滤波图像进行二值化处理，二值化的标准是滤波器组特征库中图像上像素点的像素值的均值和方差。
7.根据权利要求6所述的基于滤波器组的异物检测方法，其特征在于：所述步骤四中的极限学习机的隐含层到输出层的权重通过以下公式获得：
Figure FDA0002782481800000022
其中，
Figure FDA0002782481800000023
是隐含层的输出，θ'是平衡系数，Y是样本标签，β是隐含层到输出层的权重；
所述步骤四中的极限学习机的输入层到隐含层的权重从-1到1之间选择。
CN202011286444.8A 2020-11-17 2020-11-17 基于滤波器组的异物检测方法 Pending CN112364927A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011286444.8A CN112364927A (zh) 2020-11-17 2020-11-17 基于滤波器组的异物检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011286444.8A CN112364927A (zh) 2020-11-17 2020-11-17 基于滤波器组的异物检测方法

Publications (1)

Publication Number Publication Date
CN112364927A true CN112364927A (zh) 2021-02-12

Family

ID=74515867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011286444.8A Pending CN112364927A (zh) 2020-11-17 2020-11-17 基于滤波器组的异物检测方法

Country Status (1)

Country Link
CN (1) CN112364927A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106992011A (zh) * 2017-01-25 2017-07-28 杭州电子科技大学 基于mf‑plpcc特征的工程机械声音识别方法
CN107451278A (zh) * 2017-08-07 2017-12-08 北京工业大学 基于多隐层极限学习机的中文文本分类方法
CN108510534A (zh) * 2018-04-10 2018-09-07 辽宁石油化工大学 一种基于伽柏变换和极限学习机神经网络的铝箔封口密封性检测方法
CN108765402A (zh) * 2018-05-30 2018-11-06 武汉理工大学 无纺布缺陷检测与分类方法
CN109784214A (zh) * 2018-12-27 2019-05-21 武汉理工大学 一种铁路轨道异物的检测装置及方法
CN110151191A (zh) * 2019-05-29 2019-08-23 海南大学 一种基于滤波器组的脑瘫儿童步态相位识别方法
CN110473140A (zh) * 2019-07-18 2019-11-19 清华大学 一种基于图嵌入的极限学习机的图像降维方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106992011A (zh) * 2017-01-25 2017-07-28 杭州电子科技大学 基于mf‑plpcc特征的工程机械声音识别方法
CN107451278A (zh) * 2017-08-07 2017-12-08 北京工业大学 基于多隐层极限学习机的中文文本分类方法
CN108510534A (zh) * 2018-04-10 2018-09-07 辽宁石油化工大学 一种基于伽柏变换和极限学习机神经网络的铝箔封口密封性检测方法
CN108765402A (zh) * 2018-05-30 2018-11-06 武汉理工大学 无纺布缺陷检测与分类方法
CN109784214A (zh) * 2018-12-27 2019-05-21 武汉理工大学 一种铁路轨道异物的检测装置及方法
CN110151191A (zh) * 2019-05-29 2019-08-23 海南大学 一种基于滤波器组的脑瘫儿童步态相位识别方法
CN110473140A (zh) * 2019-07-18 2019-11-19 清华大学 一种基于图嵌入的极限学习机的图像降维方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张辰: "《复杂环境中运动目标检测与跟踪研究》", 31 August 2014, 徐州：中国矿业大学出版社 *
陈巍等: "基于Log-Gabor统计采样的人脸识别方法", 《计算机工程》 *

Similar Documents

Publication Publication Date Title
CN113450307B (zh) 一种产品边缘缺陷检测方法
CN109978822B (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
CN114549522A (zh) 基于目标检测的纺织品质量检测方法
CN109101924A (zh) 一种基于机器学习的路面交通标志识别方法
CN105719283A (zh) 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法
CN109635733B (zh) 基于视觉显著性和队列修正的停车场和车辆目标检测方法
CN107480679B (zh) 基于卷积神经网络的分类和连通区域分析的路网提取方法
CN103345617A (zh) 中药识别的方法及其系统
CN106778646A (zh) 基于卷积神经网络的车型识别方法及装置
CN105930852A (zh) 一种气泡图像识别方法
Daniel et al. Automatic road distress detection and analysis
CN112861914A (zh) 一种高铁头罩前开闭脱漆故障检测方法
Cheng et al. Image segmentation technology and its application in digital image processing
CN113112483A (zh) 一种基于相似度度量的刚性接触网缺陷检测方法及系统
Yamazaki et al. Vehicle extraction and speed detection from digital aerial images
CN115294109A (zh) 基于人工智能的实木板材生产缺陷识别系统、电子设备
CN106250901A (zh) 一种基于图像特征信息的数字识别方法
CN117197700B (zh) 智能化无人巡检接触网缺陷识别系统
CN108932471B (zh) 一种车辆检测方法
CN109977862A (zh) 一种车位限位器的识别方法
CN108242060A (zh) 一种基于Sobel算子的图像边缘检测方法
CN113989196A (zh) 一种基于视觉的耳机硅胶垫圈的外观缺陷检测方法
CN112364927A (zh) 基于滤波器组的异物检测方法
CN109612961B (zh) 海岸环境微塑料的开集识别方法
CN108229562B (zh) 一种得到路面具体破损分类情况的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210212

RJ01 Rejection of invention patent application after publication