CN112465816A - 一种铁路动车风挡破损故障检测方法、系统及装置 - Google Patents
一种铁路动车风挡破损故障检测方法、系统及装置 Download PDFInfo
- Publication number
- CN112465816A CN112465816A CN202011495184.5A CN202011495184A CN112465816A CN 112465816 A CN112465816 A CN 112465816A CN 202011495184 A CN202011495184 A CN 202011495184A CN 112465816 A CN112465816 A CN 112465816A
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- edge
- windshield
- pixel point
- 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
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Multimedia (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种铁路动车风挡破损故障检测方法、系统及装置,它属于铁路动车风挡破损故障检测技术领域。本发明解决了采用传统的中值滤波方法对图像进行预处理获得的图像模糊,导致故障检测的准确程度低的问题。本发明采用一种均衡中值滤波算法,在去除大部分噪声的同时保留图像的细节信息,降低图像的模糊程度,进而提升故障检测的准确程度。为了降低Canny算法中阈值选择对边缘特征提取效果的影响,本发明提出一种GA‑Canny算法,采用遗传算法找到最优的Canny阈值,提高后续检测网络的检测准确程度。本发明可以应用于铁路动车风挡破损故障检测。
Description
技术领域
本发明属于铁路动车风挡破损故障检测技术领域,具体涉及一种铁路动车风挡破损故障检测方法、系统及装置。
背景技术
传统的铁路动车故障检测多数采用人工看图的方式查看是否发生故障,检测成本高,效率低,且检测结果易受检车人员疲劳程度、经验等的影响。采用计算机的方式实现故障自动检测算法可以有效的降低成本,同时避免了由于检车人员疲劳等造成的故障漏检、误检,提升了故障检测的准确程度。但是采用计算机的方式实现故障自动检测,需要先采用中值滤波对图像进行预处理,然后对预处理后的图像进行故障自动检测。
但是采用传统的中值滤波方法对图像进行预处理时,获得的图像较为模糊,导致故障自动检测的准确程度较低。
发明内容
本发明的目的是为解决采用传统的中值滤波方法对图像进行预处理获得的图像模糊,导致故障检测的准确程度低的问题,而提出了一种铁路动车风挡破损故障检测方法、系统及装置。
本发明为解决上述技术问题所采取的技术方案是:
一种铁路动车风挡破损故障检测方法,该方法包括以下步骤:
步骤一、获取铁路动车风挡部分的过车图像;
步骤二、对步骤一获取的图像进行均衡中值滤波,获得均衡中值滤波后的图像;
步骤三、采用边缘提取算法检测均衡中值滤波后的图像的边缘特征;
步骤四、将边缘特征输入训练好的SVM网络,通过训练好的SVM网络输出故障检测结果;
可选的,步骤二的具体过程为:
采用3×3的像素窗口对获取的图像进行扫描,扫描步长为1个像素;
在像素窗口内,计算像素窗口的中心像素值与像素窗口的左上角顶点像素值、右上角顶点像素值、左下角顶点像素值、右下角顶点像素值的中值z1;
在像素窗口内,计算像素窗口的中心像素值与中心上方像素的像素值、中心左方像素的像素值、中心下方像素的像素值、中心右方像素的像素值的中值z2;
利用z1和z2计算像素窗口的中心像素的均衡中值滤波结果z;直至像素窗口遍历到获取的图像的每个位置后,得到获取的图像的全部非边界像素的均衡中值滤波结果,对于获取的图像的边界像素,分别采用与各边界像素最临近的非边界像素的均衡中值滤波结果进行填充;
获得每个像素的均衡中值滤波结果后,即得到均衡中值滤波后的图像。
可选的,利用z1和z2计算像素窗口的中心像素的均衡中值滤波结果z;其具体过程为:
其中,e表示像素窗口内的中心像素值,abs(·)表示取绝对值,mean表示取均值操作,Med表示取中值操作,t为一个正数阈值。
可选的,步骤三的具体过程为:
步骤三一、计算均衡中值滤波后图像中每个像素点的梯度强度和梯度方向;
步骤三二、根据计算出的每个像素点的梯度强度和梯度方向对像素点进行非极大值抑制;其具体过程为:
若当前像素点的梯度强度大小为G、正梯度方向为θ、负梯度方向为-θ,沿正梯度方向与当前像素点最邻近像素点的梯度强度大小为G1,沿负梯度方向与当前像素点最邻近像素点的梯度强度大小为G2,如果G大于G1且G大于G2,则保留当前像素点作为边缘像素点,否则当前像素点不是边缘像素点,将当前像素点的梯度强度大小抑制为0;
同理,对每个像素点分别进行判断后,得到全部边缘像素点;
步骤三三、再采用双阈值对步骤三二得到的全部边缘像素点进行筛选,筛选出强边缘像素点与弱边缘像素点;
步骤三四、滤除筛选出的弱边缘像素点中的孤立弱边缘像素点,获得非孤立弱边缘像素点,将筛选出的强边缘像素点和非孤立弱边缘像素点作为均衡中值滤波后图像的边缘特征。
可选的,步骤三三的具体过程为:
通过GA算法获得两个阈值Th与Tl,且Th>Tl,若当前像素点的梯度强度大于等于Th,则当前像素点为强边缘,若当前像素点的梯度强度小于Th且大于等于Tl,则当前像素点为弱边缘,若当前像素点的梯度强度小于Tl,则当前像素点既不是强边缘也不是弱边缘。
可选的,步骤三四的具体过程为:
若当前弱边缘像素点的上、下、左、右像素点中没有强边缘像素点,则当前弱边缘像素点为孤立弱边缘像素点,将当前弱边缘像素点滤除;
遍历完每个弱边缘像素点后,得到全部非孤立弱边缘像素点,将筛选出的强边缘像素点和非孤立弱边缘像素点作为均衡中值滤波后图像的边缘特征。
可选的,SVM网络是通过如下方式训练获得的:
步骤1、获取风挡部分的样本图像集,样本图像集中包括风挡破损故障图像和非风挡破损故障图像;
步骤2、分别对样本图像集中的每张图像进行标记,得到每张图像对应的标记文件;
步骤3、再采用Canny边缘提取算法提取样本图像集中每张图像的边缘特征;
步骤4、将样本图像集分为训练集、验证集和测试集三部分;
步骤5、将训练集图像的边缘特征和标记文件输入SVM网络进行训练,获得初步训练好的SVM网络;
步骤6、将验证集图像的边缘特征输入初步训练好的SVM网络,将初步训练好的SVM网络分类错误的验证集图像提取出来并进行扩增,获得扩增后的图像;
步骤7、将扩增后的图像与训练集一起作为新的训练集,利用新的训练集对初步训练好的SVM网络进行重新训练,获得重新训练好的SVM网络;
步骤8、若测试集在重新训练好的SVM网络上的检测精度满足要求,则将步骤7中重新训练好的SVM网络作为训练好的SVM网络;
否则,对样本图像集进行重新划分,然后重复步骤5至步骤7的过程,直至测试集在重新训练好的SVM网络上的检测精度满足要求,获得训练好的SVM网络。
可选的,步骤8中,测试集在重新训练好的SVM网络上的漏检率为0且误检率小于等于0.5%时,获得训练好的SVM网络。
一种铁路动车风挡破损故障检测系统,用于执行一种铁路动车风挡破损故障检测方法。
一种铁路动车风挡破损故障检测装置,用于存储和/或运行一种铁路动车风挡破损故障检测系统。
本发明的有益效果是:本发明采用一种均衡中值滤波算法,在去除大部分噪声的同时保留图像的细节信息,降低图像的模糊程度,进而提升故障检测的准确程度。为了降低Canny算法中阈值选择对边缘特征提取效果的影响,本发明提出一种GA-Canny算法,采用遗传算法找到最优的Canny阈值,提高后续检测网络的检测准确程度。
附图说明
图1为故障检测网络算法框图;
图2为铁路动车风挡破损故障检测流程图;
图3为均衡中值滤波示意图;
图4为GA-Canny算法实现流程图。
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、结合图1说明本实施方式。本实施方式的一种铁路动车风挡破损故障检测方法,该方法具体通过以下步骤实现:
步骤一、获取铁路动车风挡部分的过车图像;
步骤二、对步骤一获取的图像进行均衡中值滤波,获得均衡中值滤波后的图像;
步骤三、采用边缘提取算法检测均衡中值滤波后的图像的边缘特征;
步骤四、将边缘特征输入训练好的SVM网络,通过训练好的SVM网络输出故障检测结果。
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤二的具体过程为:
采用3×3的像素窗口对获取的图像进行扫描,扫描步长为1个像素;
在像素窗口内,计算像素窗口的中心像素值与像素窗口的左上角顶点像素值、右上角顶点像素值、左下角顶点像素值、右下角顶点像素值的中值z1;
在像素窗口内,计算像素窗口的中心像素值与中心上方像素的像素值、中心左方像素的像素值、中心下方像素的像素值、中心右方像素的像素值的中值z2;
利用z1和z2计算像素窗口的中心像素的均衡中值滤波结果z;直至像素窗口遍历到获取的图像的每个位置后,得到获取的图像的全部非边界像素的均衡中值滤波结果,对于获取的图像的边界像素,分别采用与各边界像素最临近的非边界像素的均衡中值滤波结果进行填充;
获得每个像素的均衡中值滤波结果后,即得到均衡中值滤波后的图像。
具体实施方式三:本实施方式与具体实施方式二不同的是:利用z1和z2计算像素窗口的中心像素的均衡中值滤波结果z;其具体过程为:
其中,e表示像素窗口内的中心像素值,abs(·)表示取绝对值,mean表示取均值操作,Med表示取中值操作,t为一个正数阈值,本发明中取10。
具体实施方式四:本实施方式与具体实施方式一不同的是:步骤三的具体过程为:
步骤三一、计算均衡中值滤波后图像中每个像素点的梯度强度和梯度方向;
步骤三二、根据计算出的每个像素点的梯度强度和梯度方向对像素点进行非极大值抑制;其具体过程为:
若当前像素点的梯度强度大小为G、正梯度方向为θ、负梯度方向为-θ,沿正梯度方向与当前像素点最邻近像素点的梯度强度大小为G1,沿负梯度方向与当前像素点最邻近像素点的梯度强度大小为G2,如果G大于G1且G大于G2,则保留当前像素点作为边缘像素点,否则当前像素点不是边缘像素点,将当前像素点的梯度强度大小抑制为0;
同理,对每个像素点分别进行判断后,得到全部边缘像素点;
步骤三三、再采用双阈值对步骤三二得到的全部边缘像素点进行筛选,筛选出强边缘像素点与弱边缘像素点;
步骤三四、滤除筛选出的弱边缘像素点中的孤立弱边缘像素点,获得非孤立弱边缘像素点,将筛选出的强边缘像素点和非孤立弱边缘像素点作为均衡中值滤波后图像的边缘特征。
具体实施方式五:本实施方式与具体实施方式四不同的是:步骤三三的具体过程为:
通过GA算法(遗传算法)获得两个阈值Th与Tl,且Th>Tl,若当前像素点的梯度强度大于等于Th,则当前像素点为强边缘,若当前像素点的梯度强度小于Th且大于等于Tl,则当前像素点为弱边缘,若当前像素点的梯度强度小于Tl,则当前像素点既不是强边缘也不是弱边缘。
对强边缘与弱边缘像素点进行保留,对不是边缘的像素点则抑制为0;保留的强边缘与弱边缘像素点为初步筛选出的边缘点。
具体实施方式六:本实施方式与具体实施方式四不同的是:步骤三四的具体过程为:
若当前弱边缘像素点的上、下、左、右像素点中没有强边缘像素点,则当前弱边缘像素点为孤立弱边缘像素点,将当前弱边缘像素点滤除;
遍历完每个弱边缘像素点后,得到全部非孤立弱边缘像素点,将筛选出的强边缘像素点和非孤立弱边缘像素点作为均衡中值滤波后图像的边缘特征。
具体实施方式七:本实施方式与具体实施方式四不同的是:SVM网络是通过如下方式训练获得的:
步骤1、获取风挡部分的样本图像集,样本图像集中包括风挡破损故障图像和非风挡破损故障图像;
步骤2、分别对样本图像集中的每张图像进行标记,得到每张图像对应的标记文件;
步骤3、采用遗传算法获得Canny边缘提取算法的两个阈值Th与Tl,再采用Canny边缘提取算法提取样本图像集中每张图像的边缘特征;
步骤4、将样本图像集分为训练集、验证集和测试集三部分;
步骤5、将训练集图像的边缘特征和标记文件输入SVM网络进行训练,获得初步训练好的SVM网络;
步骤6、将验证集图像的边缘特征输入初步训练好的SVM网络,将初步训练好的SVM网络分类错误的验证集图像提取出来并进行扩增,获得扩增后的图像;
步骤7、将扩增后的图像与训练集一起作为新的训练集,利用新的训练集对初步训练好的SVM网络进行重新训练,获得重新训练好的SVM网络;
步骤8、若测试集在重新训练好的SVM网络上的检测精度满足要求,则将步骤7中重新训练好的SVM网络作为训练好的SVM网络;
否则,对样本图像集进行重新划分,然后重复步骤5至步骤7的过程,直至测试集在重新训练好的SVM网络上的检测精度满足要求,获得训练好的SVM网络。
具体实施方式八:本实施方式与具体实施方式七不同的是:步骤8中,测试集在重新训练好的SVM网络上的漏检率为0且误检率小于等于0.5%时,获得训练好的SVM网络。
具体实施方式九:本实施方式的一种铁路动车风挡破损故障检测系统,该系统用于执行具体实施方式一至具体实施方式八之一的一种铁路动车风挡破损故障检测方法。
具体实施方式十:本实施方式的一种铁路动车风挡破损故障检测装置,该装置用于存储和/或运行具体实施方式九的一种铁路动车风挡破损故障检测系统。
实施例
下面结合附图2至图4具体说明本发明方法的实现流程:
1、收集图像,建立故障检测样本数据集。
在铁路动车铁轨四周搭建高清成像设备,铁路动车通过后,获取风挡部分的过车图像。收集发生风挡破损故障的图像作为正样本,没有发生风挡破损故障的图像作为负样本,保证发生故障的图像与没有发生故障的图像的个数保持基本一致。对收集的图像进行标注,生成标记文件即每张图像的标签。对正样本图像采用labelImg软件将发生破损的部位标注为破损类,一张图像生成一个标记文件,标记文件中包括图像基本信息和目标信息,图像基本信息为图像大小、名称、位置等,目标信息包括目标的类别即破损类、目标的位置等。对负样本图像采用程序直接生成标记文件,标记文件中仅包含图像基本信息。样本图像与标记文件共同构成样本数据集。对样本数据集进行裁剪、旋转、对比度变换等数据扩增操作,数据扩增操作可以提高后续故障检测网络的泛化能力。将样本数据集划分为训练集、验证集与测试集,划分比例为7:2:1。
2、均衡中值滤波
铁路动车风挡图像上存在噪声和小的、孤立的不需要进行识别的破损,因此本发明采用均衡中值滤波滤除噪声和这些不需识别的破损。均衡中值滤波具体步骤如下:
如图3所示,采用图中所示窗口对图像进行扫描,扫描步长为1像素。
计算窗口内a、c、e、g、i五个像素的中值,表示为z1。
计算窗口内b、d、e、f、h五个像素的中值,表示为z2。
根据公式(1)计算窗口中心像素的均衡中值滤波结果z。这里mean表示取均值操作,Med表示取中值操作,t为一个正数阈值,本发明取10。以步长为1像素将窗口在图像上滑动,计算出整幅图像的均衡中值滤波结果,对于图像边缘处的像素,不在窗口中心,无法计算均衡中值滤波后的结果,本发明采用该像素最近的像素值进行填充。
均衡中值滤波考虑到中心像素a、c、g、i和b、d、f、h两个方向的中值滤波结果并结合了均值滤波思想,在滤除噪声的同时保留了更多的细节信息。
3、GA-Canny边缘特征提取与SVM训练
传统的Canny边缘提取算法的步骤为:
(1)计算图像中每个像素点的梯度强度和梯度方向。
计算过程为采用如公式(2)所示x和y方向的Sobel算子对图像进行卷积,得到图像x和y方向梯度Gx和Gy,采用公式(3)计算图像梯度大小G与梯度方向θ
θ=arctan(Gy/Gx) (3)
(2)应用非极大值抑制,使Sobel算子提取的边缘宽度尽可能为1个像素点,更清晰。操作过程为将当前像素的梯度大小G与沿该像素正梯度方向θ与负梯度方向-θ的两个像素的梯度大小进行比较,如果当前像素梯度大小最大,则该点为边缘,保留该点作为边缘点,否则该点的梯度大小被抑制为0。
(3)采用双阈值检测确定边缘,消除由于噪声、颜色变化等造成的假边缘。操作过程为设置高低两个阈值Th与Tl,当像素梯度大小大于Th时认为该点为强边缘,当像素梯度大小小于Th大于Tl认为该点为弱边缘,当像素梯度大小小于Tl时,认为该点不是边缘,对于强边缘与弱边缘像素点进行保留,对于不是边缘的像素点则抑制为0。
(4)抑制孤立弱边缘点。操作过程为若一个像素为弱边缘点,并且该点周围像素存在强边缘点,则该点被认为是强边缘;若一个像素为弱边缘点,并且该点周围没有强边缘点,则该点被抑制为0。
传统的Canny算法的边缘提取效果与高低阈值Th与Tl的设置有很大关系,手动设置高低阈值可能会影响后续的故障识别准确程度。因此本发明采用遗传算法,根据提取到的边缘特征对故障识别网络的准确程度的影响,确定最优的高低阈值Th与Tl。
遗传算法是一种模拟生物学进化过程的优化算法,通过模拟种群个体(染色体)的选择、交叉、变异过程选取出种群中最适应环境的个体即最优值。遗传算法优化Canny阈值(GA-Canny)算法实现流程如图4所示。
(1)设置多个初始的高低阈值组成阈值种群,一对高低阈值Th与Tl作为一个个体,表示为ui,i∈{1,2,…m},m个个体组成初始的阈值种群,m表示种群中个体数,一般取20~50,本发明设置为30。设置遗传算法种群迭代优化次数Gmax,本发明设置最大迭代次数为50次。
(2)对种群个体进行编码,本发明采用实数编码,即将个体编码为一个实数。
确定遗传算法适应度函数即优化的目标函数:采用选择搜索算法在训练集图像中设置候选框,采用初始种群中的高低阈值个体提取训练集候选框图像的Canny特征,将该Canny特征送入SVM网络分类网络中,进行SVM网络训练,每一个个体提取一种Canny特征,训练一个SVM网络,得到网络实际输出为t,网络的期望输出即标签为遗传算法的适应度函数确定为公式(4),即个体在SVM网络中的实际输出与标签之间的绝对值之和,遗传算法的优化目标为通过后续选择、交叉与变异找出使适应度函数最小的个体,即最优个体。
(4)选择操作:
b)采用公式(5)计算每个个体ui,i∈{1,2,…m}的相对适应度pi,将pi作为种群中个体被选择进行繁衍的概率,依据相对适应度pi采用轮盘赌法从种群中选择出适应度较大的个体,更新种群,进行后续选择与变异操作。
(5)交叉操作:以交叉概率α从种群中随机选择两个个体进行交叉操作,生成新个体,交叉公式为公式(6)。其中u1与u2为种群中选择出的个体,u1′与u2′为通过交叉操作产生的新个体,本发明中设置交叉概率α为0.6。
u1′=u1×α+u2×(1-α) (6)
u2′=u2×α+u1×(1-α)
(6)变异操作:以变异概率β从种群中随机选择出一个个体进行变异,生成新个体,变异公式为公式(7)。其中uij表示第i个个体的第j个基因,一个个体表示高低两个阈值,即一个个体包含两个基因,每一次变异随机选取一个基因进行变异。uij′表示变异后的新基因,即变异后的阈值。umax与umin表示基因uij的最大与最小值,即高低阈值的最大最小值。r为一个随机数,g表示遗传算法当前迭代次数,Gmax为最大迭代次数。
(7)采用选择、交叉与变异后的新种群中的每个个体提取训练集候选框图像的Canny特征,训练SVM网络,得到新种群中每个个体的适应度函数。
(8)判断是否满足结束条件,即是否达到最大迭代次数或者-f(u)<σ,σ为一个小正数,如果满足结束条件则选择种群中适应度最大的个体作为最优的Canny阈值,如果不满足结束条件则根据新种群中每个个体的适应度值继续进行选择、交叉、变异操作,更新种群,直到满足结束条件。
遗传算法优化完成后得到最优的Canny阈值与采用最优Canny阈值训练好的SVM网络。采用选择搜索算法在验证集图像中设置候选框,采用GA-Canny算法得到的最优阈值提取验证集候选框的Canny特征,将验证集Canny特征送入训练好的SVM网络中,将识别错误的图像提取出来,进行数据扩增操作,将识别错误的图像与数据扩增后的识别错误的图像加入训练集,采用新的训练集训练SVM网络,完成风挡破损故障识别网络的训练。将测试集图像送入训练好的风挡破损故障识别网络,得到测试集的识别结果,与测试集标签进行比较,得到识别的误检率与漏检率,如果误检率与漏检率没有达到要求则重新进行数据集的划分、GA-Canny边缘特征提取与SVM训练过程,直到误检率与漏检率达到要求。误检率与漏检率要求为没有漏检、误检率辆均列车为1%。
4、风挡破损故障检测网络测试
获取铁动车风挡部分过车图像,送入训练好的风挡破损故障检测网络中。
若网络检测出风挡破损故障,上传故障报警,检车人员依据人工先验原则对报警部位进行处理。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种铁路动车风挡破损故障检测方法,其特征在于,该方法包括以下步骤:
步骤一、获取铁路动车风挡部分的过车图像;
步骤二、对步骤一获取的图像进行均衡中值滤波,获得均衡中值滤波后的图像;
步骤三、采用边缘提取算法检测均衡中值滤波后的图像的边缘特征;
步骤四、将边缘特征输入训练好的SVM网络,通过训练好的SVM网络输出故障检测结果。
2.根据权利要求1所述的一种铁路动车风挡破损故障检测方法,其特征在于,所述步骤二的具体过程为:
采用3×3的像素窗口对获取的图像进行扫描,扫描步长为1个像素;
在像素窗口内,计算像素窗口的中心像素值与像素窗口的左上角顶点像素值、右上角顶点像素值、左下角顶点像素值、右下角顶点像素值的中值z1;
在像素窗口内,计算像素窗口的中心像素值与中心上方像素的像素值、中心左方像素的像素值、中心下方像素的像素值、中心右方像素的像素值的中值z2;
利用z1和z2计算像素窗口的中心像素的均衡中值滤波结果z;直至像素窗口遍历到获取的图像的每个位置后,得到获取的图像的全部非边界像素的均衡中值滤波结果,对于获取的图像的边界像素,分别采用与各边界像素最临近的非边界像素的均衡中值滤波结果进行填充;
获得每个像素的均衡中值滤波结果后,即得到均衡中值滤波后的图像。
4.根据权利要求1所述的一种铁路动车风挡破损故障检测方法,其特征在于,所述步骤三的具体过程为:
步骤三一、计算均衡中值滤波后图像中每个像素点的梯度强度和梯度方向;
步骤三二、根据计算出的每个像素点的梯度强度和梯度方向对像素点进行非极大值抑制;其具体过程为:
若当前像素点的梯度强度大小为G、正梯度方向为θ、负梯度方向为-θ,沿正梯度方向与当前像素点最邻近像素点的梯度强度大小为G1,沿负梯度方向与当前像素点最邻近像素点的梯度强度大小为G 2,如果G大于G1且G大于G 2,则保留当前像素点作为边缘像素点,否则当前像素点不是边缘像素点,将当前像素点的梯度强度大小抑制为0;
同理,对每个像素点分别进行判断后,得到全部边缘像素点;
步骤三三、再采用双阈值对步骤三二得到的全部边缘像素点进行筛选,筛选出强边缘像素点与弱边缘像素点;
步骤三四、滤除筛选出的弱边缘像素点中的孤立弱边缘像素点,获得非孤立弱边缘像素点,将筛选出的强边缘像素点和非孤立弱边缘像素点作为均衡中值滤波后图像的边缘特征。
5.根据权利要求4所述的一种铁路动车风挡破损故障检测方法,其特征在于,所述步骤三三的具体过程为:
通过GA算法获得两个阈值Th与Tl,且Th>Tl,若当前像素点的梯度强度大于等于Th,则当前像素点为强边缘,若当前像素点的梯度强度小于Th且大于等于Tl,则当前像素点为弱边缘,若当前像素点的梯度强度小于Tl,则当前像素点既不是强边缘也不是弱边缘。
6.根据权利要求4所述的一种铁路动车风挡破损故障检测方法,其特征在于,所述步骤三四的具体过程为:
若当前弱边缘像素点的上、下、左、右像素点中没有强边缘像素点,则当前弱边缘像素点为孤立弱边缘像素点,将当前弱边缘像素点滤除;
遍历完每个弱边缘像素点后,得到全部非孤立弱边缘像素点,将筛选出的强边缘像素点和非孤立弱边缘像素点作为均衡中值滤波后图像的边缘特征。
7.根据权利要求4所述的一种铁路动车风挡破损故障检测方法,其特征在于,所述SVM网络是通过如下方式训练获得的:
步骤1、获取风挡部分的样本图像集,样本图像集中包括风挡破损故障图像和非风挡破损故障图像;
步骤2、分别对样本图像集中的每张图像进行标记,得到每张图像对应的标记文件;
步骤3、再采用Canny边缘提取算法提取样本图像集中每张图像的边缘特征;
步骤4、将样本图像集分为训练集、验证集和测试集三部分;
步骤5、将训练集图像的边缘特征和标记文件输入SVM网络进行训练,获得初步训练好的SVM网络;
步骤6、将验证集图像的边缘特征输入初步训练好的SVM网络,将初步训练好的SVM网络分类错误的验证集图像提取出来并进行扩增,获得扩增后的图像;
步骤7、将扩增后的图像与训练集一起作为新的训练集,利用新的训练集对初步训练好的SVM网络进行重新训练,获得重新训练好的SVM网络;
步骤8、若测试集在重新训练好的SVM网络上的检测精度满足要求,则将步骤7中重新训练好的SVM网络作为训练好的SVM网络;
否则,对样本图像集进行重新划分,然后重复步骤5至步骤7的过程,直至测试集在重新训练好的SVM网络上的检测精度满足要求,获得训练好的SVM网络。
8.根据权利要求7所述的一种铁路动车风挡破损故障检测方法,其特征在于,所述步骤8中,测试集在重新训练好的SVM网络上的漏检率为0且误检率小于等于0.5%时,获得训练好的SVM网络。
9.一种铁路动车风挡破损故障检测系统,其特征在于,所述系统用于执行权利要求1至权利要求8之一所述的一种铁路动车风挡破损故障检测方法。
10.一种铁路动车风挡破损故障检测装置,其特征在于,所述装置用于存储和/或运行权利要求9所述的一种铁路动车风挡破损故障检测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011495184.5A CN112465816B (zh) | 2020-12-17 | 2020-12-17 | 一种铁路动车风挡破损故障检测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011495184.5A CN112465816B (zh) | 2020-12-17 | 2020-12-17 | 一种铁路动车风挡破损故障检测方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465816A true CN112465816A (zh) | 2021-03-09 |
CN112465816B CN112465816B (zh) | 2021-08-06 |
Family
ID=74803594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011495184.5A Active CN112465816B (zh) | 2020-12-17 | 2020-12-17 | 一种铁路动车风挡破损故障检测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465816B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413311A (zh) * | 2013-08-19 | 2013-11-27 | 厦门美图网科技有限公司 | 一种基于边缘的模糊检测方法 |
CN104361343A (zh) * | 2014-10-30 | 2015-02-18 | 深圳市中盟科技股份有限公司 | 车辆类型识别方法及其装置 |
CN108665458A (zh) * | 2018-05-17 | 2018-10-16 | 杭州智谷精工有限公司 | 透明体表面缺陷提取及识别方法 |
CN109738454A (zh) * | 2019-03-18 | 2019-05-10 | 福建工程学院 | 一种软包电池极耳焊缝检测装置及方法 |
CN111353993A (zh) * | 2020-03-30 | 2020-06-30 | 华南理工大学 | 一种基于机器视觉的螺纹角度测量方法 |
-
2020
- 2020-12-17 CN CN202011495184.5A patent/CN112465816B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413311A (zh) * | 2013-08-19 | 2013-11-27 | 厦门美图网科技有限公司 | 一种基于边缘的模糊检测方法 |
CN104361343A (zh) * | 2014-10-30 | 2015-02-18 | 深圳市中盟科技股份有限公司 | 车辆类型识别方法及其装置 |
CN108665458A (zh) * | 2018-05-17 | 2018-10-16 | 杭州智谷精工有限公司 | 透明体表面缺陷提取及识别方法 |
CN109738454A (zh) * | 2019-03-18 | 2019-05-10 | 福建工程学院 | 一种软包电池极耳焊缝检测装置及方法 |
CN111353993A (zh) * | 2020-03-30 | 2020-06-30 | 华南理工大学 | 一种基于机器视觉的螺纹角度测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112465816B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
CN111091541B (zh) | 一种铁路货车横跨梁组装螺母丢失故障识别方法 | |
CN111079821A (zh) | 一种脱轨自动制动拉环脱落故障图像识别方法 | |
CN112733742B (zh) | 一种基于深度学习的铁路货车下拉杆圆销故障检测方法 | |
CN111080600A (zh) | 一种铁路货车弹簧托板上开口销的故障识别方法 | |
CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
US11495022B2 (en) | Method for recognizing an object of a mobile unit | |
CN111079628A (zh) | 地板破损故障图像识别方法 | |
CN112419298A (zh) | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 | |
CN112257711B (zh) | 一种铁路货车地板破损故障检测方法 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN115965915B (zh) | 基于深度学习的铁路货车连接拉杆折断故障识别方法及识别系统 | |
CN111091551A (zh) | 一种铁路货车制动梁支柱开口销丢失故障检测方法 | |
CN111079630B (zh) | 一种铁路货车制动梁安装位置不正确的故障识别方法 | |
CN115439654A (zh) | 动态约束下的弱监督农田地块精细化分割方法及系统 | |
CN113762265B (zh) | 肺炎的分类分割方法及系统 | |
CN112465816B (zh) | 一种铁路动车风挡破损故障检测方法、系统及装置 | |
CN112419278A (zh) | 一种基于深度学习的实木地板分类方法 | |
CN112507327B (zh) | 一种基于机器学习的晴雨检测与处理方法 | |
CN112950566B (zh) | 一种风挡破损故障检测方法 | |
CN110570415B (zh) | 一种高铁接触网吊弦不受力异常检测方法 | |
CN114120097A (zh) | 一种基于机器视觉的配网工程现场变压器检测方法和系统 | |
CN113313678A (zh) | 一种基于多尺度特征融合的精子形态学自动分析方法 | |
CN115797914B (zh) | 冶金起重机小车轨道表面缺陷检测系统 | |
CN113870297B (zh) | 一种图像边缘检测方法、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |