CN112508908A - 基于图像处理动车组撒砂管接头断开故障检测方法 - Google Patents

Abstract

基于图像处理动车组撒砂管接头断开故障检测方法，解决了现有采用人工检查图像的方式检查撒砂管接头是否断开，造成漏检、错检的问题，涉及图像处理领域，本发明包括：利用撒砂管部件图像的特征作为训练特征，得到训练好的分类器，对待检测的含有动车组撒砂管图像进行处理，得到含有动车组撒砂管的无噪声图像；将无噪声图像与模板图像库中存储的撒砂管模板图像进行匹配，根据匹配成功的撒砂管模板图像从无噪声图像中提取出撒砂管接头图像；提取撒砂管接头图像的特征作为待检测特征；将待检测特征输入至训练好的分类器中，输出撒砂管接头图像的类别。它用于识别撒砂管接头是否断开。

Description

基于图像处理动车组撒砂管接头断开故障检测方法

技术领域

本发明涉及撒砂管接头断开的故障检测方法。属于图像处理领域。

背景技术

撒砂系统是动车组制动系统的重要组成部分，可以有效改善轮轨接触面的工作环境，改善黏着系数，提高运行品质。特别是在雨、雪、霜等恶劣天气下钢轨变得很滑，车辆容易产生空转或者滑行，通过撒砂系统可以有效减少此类问题发生。撒砂管接头断开导致动车组撒砂系统的撒砂功能失效，进而危及行车安全。在传统故障检测方法中，通常采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗漏等情况，造成漏检、错检的出现，影响行车安全。

发明内容

本发明是为了解决现有采用人工检查图像的方式检查撒砂管接头是否断开，易造成漏检、错检的问题。现提供基于图像处理动车组撒砂管接头断开故障检测方法。

基于图像处理动车组撒砂管接头断开故障检测方法，方法包括：

步骤1、采集动车组撒砂管部件图像，提取撒砂管部件图像的特征作为训练特征，利用训练特征对支持向量机进行训练，得到训练好的分类器，其中，训练好的分类器可以将撒砂管部件图像分为两类，分别为撒砂管接头断开图像和撒砂管接头未断开图像；

步骤2、获取待检测的含有动车组撒砂管的二维图像；

步骤3、对二维图像进行去噪处理，得到含有动车组撒砂管的无噪声图像；

步骤4、将无噪声图像与模板图像库中存储的撒砂管模板图像进行匹配，根据匹配成功的撒砂管模板图像从无噪声图像中提取出撒砂管接头图像；

步骤5、提取撒砂管接头图像的特征作为待检测特征；

步骤6、将待检测特征输入至训练好的分类器中，输出撒砂管接头图像的类别。

优选地，步骤2中，获取待检测的含有动车组撒砂管的二维图像，包括：

采用摄像设备采集动车组底部图像；

从动车组底部图像中截取含有动车组撒砂管的二维图像。

优选地，步骤3中，对二维图像进行去噪处理，得到含有动车组撒砂管的无噪声图像，包括：

采用去噪模型对二维图像进行去噪处理，去噪模型为：

式中，J(u)为去噪处理的目标函数，minJ(u)表示J(u)的最小值，

为含有动车组撒砂管的二维图像的正则项，

为保真项，

为分数阶梯度算子，

(x,y)为含有动车组撒砂管的二维图像中各像素点坐标，Ω表示(x,y)的范围，u(x,y)为含有动车组撒砂管的无噪声图像，u₀(x,y)为含有动车组撒砂管的二维图像，u₀(x,y)＝u(x,y)+n(x,y)，n(x,y)为具有零均值、方差为σ²的随机噪声，λ为平滑纹理常数，

利用公式2获取含有动车组撒砂管的无噪声图像u(x,y)：

优选地，步骤4中，将无噪声图像与模板图像库中存储的撒砂管模板图像进行匹配，根据匹配成功的撒砂管模板图像从无噪声图像中提取出撒砂管接头图像的方法包括：

步骤41、无噪声图像和撒砂管模板图像均经过梯度处理、拉普拉斯变换和小波变换，分别得到无噪声梯度图像、无噪声拉普拉斯变换后图像、无噪声小波变换后图像、撒砂管模板梯度图像、撒砂管模板拉普拉斯变换后图像和撒砂管模板小波变换后图像；

步骤42、分别提取无噪声图像、撒砂管模板图像、无噪声梯度图像、无噪声拉普拉斯变换后图像、无噪声小波变换后图像、撒砂管模板梯度图像、撒砂管模板拉普拉斯变换后图像和撒砂管模板小波变换后图像上的特征点；

步骤43、对步骤42提取的所有特征点用最近邻方法进行匹配，得到无噪声图像与撒砂管模板图像匹配的多个特征点对；

步骤44、判断每个特征点对中的两个特征点是否同时在无噪声图像和撒砂管模板图像中边缘轮廓内或外，若否，剔除特征点对，根据剔除后留下的特征点对，计算得到匹配矩阵，由匹配矩阵计算无噪声图像中撒砂管接头位置，根据撒砂管接头位置得到撒砂管接头图像。

优选地，步骤5中，撒砂管接头图像的特征包括纹理特征、原始像素值特征、梯度特征、形状特征和相对梯度特征。

优选地，步骤5中包括提取撒砂管接头图像的梯度特征，具体过程为：

对撒砂管接头图像进行颜色空间归一化处理，得到处理后的图像，利用梯度算子计算处理后的图像水平方向和垂直方向的梯度，

将处理后的图像分割成有重叠的若干块，利用计算得到的梯度在每个块内统计梯度方向直方图；

采用重叠块直方图归一化方法对统计的梯度方向直方图进行处理，得到撒砂管接头图像的梯度特征。

优选地，步骤5中包括：提取撒砂管接头图像的纹理特征，具体过程为：

计算撒砂管接头图像的共生矩阵，根据该共生矩阵得到纹理特征。

优选地，步骤5中包括：提取撒砂管接头图像的相对梯度特征，相对梯度特征幅值为：

式中，I表示亮度，

为梯度特征幅值，

为相对梯度特征幅值，(x₁,y₁)为撒砂管接头图像中各像素点坐标。

优选地，步骤1，还包括对每个撒砂管部件图像进行扩增操作，具体为：

对动车组撒砂管部件图像分别进行旋转、平移、缩放和镜像操作，得到多个撒砂管部件图像，

提取多个撒砂管部件图像的特征作为训练特征。

优选地，步骤1中，利用训练特征对支持向量机进行训练，得到训练好的分类器，具体过程为：

选用径向基函数作为支持向量机的核函数，利用核函数将训练特征映射到一个高维特征空间，在高维特征空间中构造分类超平面，根据每次训练得到的分类超平面得到损失函数值，当损失函数值低于预设损失函数值时，此时的分类超平面为训练好的分类器；或者

选用径向基函数作为支持向量机的核函数，利用核函数将训练特征映射到一个高维特征空间，在高维特征空间中构造分类超平面，当训练次数达到预设次数时，当前的分类超平面为训练好的分类器。

本发明的有益效果为：

本申请分别在火车轨道周围搭建高清成像设备，动车组通过设备后，获取含有动车组撒砂管的二维图像。采用分数阶偏微分方程图像增强方法，对图像中的噪声进行过滤。采用基于特征点匹配的模板匹配方法，对图像中的撒砂管部件进行精准定位提取出撒砂管接头图像。使用高级图像处理算法、模式识别、机器学习方法对精准定位部件进行故障检测。对识别出接头断开的撒砂管上传报警，工作人员根据识别结果进行相应的处理，保证列车安全运行。采用图像自动识别的方式可提高检测效率和稳定性。本申请相比采用人工检查图像的方式，识别效率高、准确率高。

另外，将分数阶偏微分方程图像增强方法，应用到撒砂管接头断开故障自动识别中，相比其它图像去噪方法，在增强边缘的同时，能更好的保留图像平滑处的纹理细节，有益于提高后续定位与检测的准确性。

将基于特征点匹配的模板匹配算法应用到撒砂管接头断开故障自动识别中，不但减少其它非撒砂管区域干扰而导致的误报；且有新的车型识别需求时只需加入其模板到检测系统即可完成识别，系统的可扩展性强。

本发明对撒砂管图像提取纹理特征、亮度信息和梯度信息融合后进行支持向量机二分类，可有效解决由于撒纱管线窜动、车速变化、相机拍摄视角不同导致的图像变形而难以识别的问题。

附图说明

图1为基于图像处理动车组撒砂管接头断开故障检测方法的流程图；

图2为从无噪声图像中提取出撒砂管接头图像的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要特别说明的是，在不冲突的情况下，本申请的实施例之间可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明。

具体实施方式一：结合图1说明本实施方式，本实施方式的基于图像处理动车组撒砂管接头断开故障检测方法，方法包括：

步骤1、采集动车组撒砂管部件图像，提取撒砂管部件图像的特征作为训练特征，利用训练特征对支持向量机进行训练，得到训练好的分类器，其中，训练好的分类器可以将撒砂管部件图像分为两类，分别为撒砂管接头断开图像和撒砂管接头未断开图像；

步骤2、获取待检测的含有动车组撒砂管的二维图像；

步骤3、对二维图像进行去噪处理，得到含有动车组撒砂管的无噪声图像；

步骤4、将无噪声图像与模板图像库中存储的撒砂管模板图像进行匹配，根据匹配成功的撒砂管模板图像从无噪声图像中提取出撒砂管接头图像；

步骤5、提取撒砂管接头图像的特征作为待检测特征；

步骤6、将待检测特征输入至训练好的分类器中，输出撒砂管接头图像的类别。

本实施方式中，由于撒砂部件可能受到雨水、泥渍、油渍、黑漆等自然条件或者人为条件的影响。并且，不同站点拍摄的图像可能存在差异。因此，撒砂管图像之间千差万别。所以，在收集撒砂管部件图像数据的过程中，要保证多样性，尽量将各种条件下的撒砂管部件图像全部收集。

具体实施方式二：本实施方式是对具体实施方式一的基于图像处理动车组撒砂管接头断开故障检测方法，步骤2中，获取待检测的含有动车组撒砂管的二维图像，包括：

采用摄像设备采集动车组底部图像；

从动车组底部图像中截取含有动车组撒砂管的二维图像。

本实施方式中，可以采用线扫描的方式，采集动车组底部图像，形成视野广、精度高的二维图像。可有效减少故障识别所需时间、提升识别准确率。

具体实施方式三：本实施方式是对具体实施方式一的基于图像处理动车组撒砂管接头断开故障检测方法，步骤3中，对二维图像进行去噪处理，得到含有动车组撒砂管的无噪声图像，包括：

采用去噪模型对二维图像进行去噪处理，去噪模型为：

式中，J(u)为去噪处理的目标函数，minJ(u)表示J(u)的最小值，

为含有动车组撒砂管的二维图像的正则项，

为保真项，

为分数阶梯度算子，

(x,y)为含有动车组撒砂管的二维图像中各像素点坐标，Ω表示(x,y)的范围，u(x,y)为含有动车组撒砂管的无噪声图像，u₀(x,y)为含有动车组撒砂管的二维图像，u₀(x,y)＝u(x,y)+n(x,y)n(x,y)为具有零均值、方差为σ²的

随机噪声，λ为平滑纹理常数，

利用公式2获取含有动车组撒砂管的无噪声图像u(x,y)：

本实施方式中，

在极小化过程中可以起到抑制噪声的作用；

主要起保持图像边缘特征和降低图像失真度的作用。假设含有动车组撒砂管的二维图像宽度为w，x范围是[1,w]，含有动车组撒砂管的二维图像高度是h,y范围是[1,h],(x,y)可取值的范围就是Ω。

λ对平滑图像与保持边缘纹理特征起重要作用，可以适当选取。

公式1为分数阶微公式，可以大幅提升高频成分，增强中频成分，非线性保留低频成分。所以采用分数阶微分进行图像去噪，不仅能较好地保持图像边缘特征，还能较好地保留图像平滑区域内灰度变化不大的纹理细节信息。

具体实施方式四：结合图2说明本实施方式，本实施方式是对具体实施方式一的基于图像处理动车组撒砂管接头断开故障检测方法，步骤4中，将无噪声图像与模板图像库中存储的撒砂管模板图像进行匹配，根据匹配成功的撒砂管模板图像从无噪声图像中提取出撒砂管接头图像的方法包括：

步骤41、无噪声图像和撒砂管模板图像均经过梯度处理、拉普拉斯变换和小波变换，分别得到无噪声梯度图像、无噪声拉普拉斯变换后图像、无噪声小波变换后图像、撒砂管模板梯度图像、撒砂管模板拉普拉斯变换后图像和撒砂管模板小波变换后图像；

步骤42、分别提取无噪声图像、撒砂管模板图像、无噪声梯度图像、无噪声拉普拉斯变换后图像、无噪声小波变换后图像、撒砂管模板梯度图像、撒砂管模板拉普拉斯变换后图像和撒砂管模板小波变换后图像上的特征点；

步骤43、对步骤42提取的所有特征点用最近邻方法进行匹配，得到无噪声图像与撒砂管模板图像匹配的多个特征点对；

步骤44、判断每个特征点对中的两个特征点是否同时在无噪声图像和撒砂管模板图像中边缘轮廓内或外，若否，剔除特征点对，根据剔除后留下的特征点对，计算得到匹配矩阵，由匹配矩阵计算无噪声图像中撒砂管接头位置，根据撒砂管接头位置得到撒砂管接头图像。

本实施方式中，非撒砂管部分的其它部件容易对撒砂管接头断开故障识别造成干扰，本申请对撒砂管采用分数阶微分公式增强后且进行精细定位后再做进一步故障识别。

不同站点、硬件参数、时间、相机角度、成像环境的影响下，撒砂管部件在图像亮度、局部形变、角度、尺度等方面差异影响。本发明首先在图像数据库中针对不同车型、不同撒砂管存储成不同模板图像。

撒砂管底座是个矩形结构且管线边缘与背景有明显亮度变换，基于此特征，本申请对无噪声图像与模板图像分别进行求梯度、拉普拉斯变换和小波变换。

Laplacian变换定义如下：

其中f(x,y)为原图像像素值，

为x方向二阶导数，

为y方向二阶导数。匹配的目的为先得到表征图像多种特征的特征点，这样可以提高匹配精度，降低错误匹配点数量。因匹配特征对会有不少错误匹配，易造成定位结果错误。在车行方向上部件图像变化大，在垂直车行方向上，部件位置变化小。正确的匹配点在当前粗定位图像中的比例应以模板图像中的特征点在模板中的比例为参考。根据此先验知识，本发明对匹配的错误点对进行第一次剔除，在兼顾效率同时，增强了定位精度。鉴于图像水渍、相机传感器噪声等各种因素影响，匹配特征点中仍存在误匹配。所以采用步骤44得到撒砂管接头子图像。

整体来说，模板匹配搜索到图片中与模板最相似的子区域作为最终匹配结果的过程。整个过程分为两个阶段：离线阶段与在线阶段。其中，离线阶段进行待识别物体模板的创建，需要人工设计图像特征，要求模板图片干净整洁，特征明显，易于区分；在线阶段为自动识别阶段，无法进行人为干涉，要求具有实时性。基于特征点匹配的模板匹配着眼于物体的多尺度特征，可以解决光照不均匀变化，对比度变化明显，噪声强烈，存在异物、遮挡等问题，具有较高的鲁棒性。

步骤43中使用的最近邻方法为现有的方法，该方法不仅要看无噪声图像和撒砂管模板图像中特征点的距离是否一致，还要考虑梯度特征、纹理特征等多种特征一起结合，才能得到特征点对。

步骤42中的特征点具体为二进制鲁棒独立基本特征点(OBR特征点)。

具体实施方式五：本实施方式是对具体实施方式一的基于图像处理动车组撒砂管接头断开故障检测方法，步骤5中，撒砂管接头图像的特征包括纹理特征、原始像素值特征、梯度特征、形状特征和相对梯度特征。

具体实施方式六：本实施方式是对具体实施方式五的基于图像处理动车组撒砂管接头断开故障检测方法，步骤5中包括提取撒砂管接头图像的梯度特征，具体过程为：

对撒砂管接头图像进行颜色空间归一化处理，得到处理后的图像，利用梯度算子计算处理后的图像水平方向和垂直方向的梯度，

将处理后的图像分割成有重叠的若干块，利用计算得到的梯度在每个块内统计梯度方向直方图；

采用重叠块直方图归一化方法对统计的梯度方向直方图进行处理，得到撒砂管接头图像的梯度特征。

本实施方式中，撒砂管接头断开后，接头处会有螺栓丢失的圆孔，但正常图像管线出现在底座中的位置不固定，图像中均有很多边缘线，纹理复杂。本申请提取撒砂管图像纹理特征、亮度信息和梯度信息，还可以提取撒砂管图像原始像素值、形状信息、WPCA(加权主成分分析)特征融合后一起作为训练特征，在保证预测结果同时，提高了模型的收敛速度。对训练特征用SVM(支持向量机)进行分类。融合特征避免了模型过拟合情况，推断新数据的准确率高。

多个梯度方向直方图可得到表征图像局部梯度方向和梯度强度分布特性的HOG特征。由于HOG是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，可以容许撒砂管在车辆行驶过程中存在形变，这些细微的变化可以被忽略而不影响检测效果。

具体实施方式七：本实施方式是对具体实施方式五的基于图像处理动车组撒砂管接头断开故障检测方法，步骤5中包括：提取撒砂管接头图像的纹理特征，具体过程为：

计算撒砂管接头图像的共生矩阵，根据该共生矩阵得到纹理特征。

本实施方式中，透过计算该共生矩阵得到矩阵的部分特征值，来分别代表撒砂管接头图像的某些纹理特征。灰度共生矩阵能反映图像灰度关于方向、相邻间隔、变化幅度等综合信息，它是分析图像的局部模式和它们排列规则的基础。

具体实施方式八：本实施方式是对具体实施方式五的基于图像处理动车组撒砂管接头断开故障检测方法，步骤5中包括：提取撒砂管接头图像的相对梯度特征，相对梯度特征的幅值为：

式中，I表示亮度，

为梯度特征的幅值，

为相对梯度特征的幅值，(x₁,y₁)为撒砂管接头图像中各像素点坐标。

本实施方式中，利用相对梯度特征的幅值可以减少图像亮度对故障识别的影响。

具体实施方式九：本实施方式是对具体实施方式一的基于图像处理动车组撒砂管接头断开故障检测方法，步骤1，还包括对每个撒砂管部件图像进行扩增操作，具体为：

对动车组撒砂管部件图像分别进行旋转、平移、缩放和镜像操作，得到多个撒砂管部件图像，

提取多个撒砂管部件图像的特征作为训练特征。

本实施方式中，样本数据集的建立虽然包括各种条件下的图像，但为提高算法的稳定性，仍需要对故障样本数据集进行数据扩增。扩增形式包括图像的旋转、平移、缩放、镜像等操作，每种操作都是在随机条件下进行的，这样可以最大程度的保证样本的多样性和适用性。鉴于正常图像可随处可见，故障故障的搜集需要耗费大量的人力与物力，但最终仍存在故障正样本与正常无故障负样本严重不平衡的问题，本发明采用图像增强来解决样本不均衡问题。收集到的无故障正常图像放到一个文件夹中，故障图像与增强的故障图像放在另外一个文件夹中。能够从扩增后的所有撒砂管部件图像中提取到加权主成分分析特征。

具体实施方式十：本实施方式是对具体实施方式一的基于图像处理动车组撒砂管接头断开故障检测方法，步骤1中，利用训练特征对支持向量机进行训练，得到训练好的分类器，具体过程为：

选用径向基函数作为支持向量机的核函数，利用核函数将训练特征映射到一个高维特征空间，在高维特征空间中构造分类超平面，根据每次训练得到的分类超平面得到损失函数值，当损失函数值低于预设损失函数值时，此时的分类超平面为训练好的分类器；或者

选用径向基函数作为支持向量机的核函数，利用核函数将训练特征映射到一个高维特征空间，在高维特征空间中构造分类超平面，当训练次数达到预设次数时，当前的分类超平面为训练好的分类器。

本实施方式中，用支持向量机对训练特征进行训练，将撒砂管接头图像分为接头断开(1类)与正常(2类)两类。

故障识别后，通过撒砂管接头图像与原始图像的映射关系，计算出故障在原始图像中的位置，在显示界面上进行故障显示。

Claims (10)

1.基于图像处理动车组撒砂管接头断开故障检测方法，其特征在于，所述方法包括：

步骤1、采集动车组撒砂管部件图像，提取撒砂管部件图像的特征作为训练特征，利用训练特征对支持向量机进行训练，得到训练好的分类器，其中，训练好的分类器可以将撒砂管部件图像分为两类，分别为撒砂管接头断开图像和撒砂管接头未断开图像；

步骤2、获取待检测的含有动车组撒砂管的二维图像；

步骤3、对所述二维图像进行去噪处理，得到含有动车组撒砂管的无噪声图像；

步骤4、将所述无噪声图像与模板图像库中存储的撒砂管模板图像进行匹配，根据匹配成功的撒砂管模板图像从所述无噪声图像中提取出撒砂管接头图像；

步骤5、提取撒砂管接头图像的特征作为待检测特征；

步骤6、将所述待检测特征输入至训练好的分类器中，输出撒砂管接头图像的类别。

2.根据权利要求1所述基于图像处理动车组撒砂管接头断开故障检测方法，其特征在于，步骤2中，获取待检测的含有动车组撒砂管的二维图像，包括：

采用摄像设备采集动车组底部图像；

从动车组底部图像中截取含有动车组撒砂管的二维图像。

3.根据权利要求1所述基于图像处理动车组撒砂管接头断开故障检测方法，其特征在于，步骤3中，对所述二维图像进行去噪处理，得到含有动车组撒砂管的无噪声图像，包括：

采用去噪模型对所述二维图像进行去噪处理，去噪模型为：

式中，J(u)为去噪处理的目标函数，minJ(u)表示J(u)的最小值，

为含有动车组撒砂管的二维图像的正则项，

为保真项，

为分数阶梯度算子，

(x,y)为含有动车组撒砂管的二维图像中各像素点坐标，Ω表示(x,y)的范围，u(x,y)为含有动车组撒砂管的无噪声图像，u₀(x,y)为含有动车组撒砂管的二维图像，u₀(x,y)＝u(x,y)+n(x,y)，n(x,y)为具有零均值、方差为σ²的随机噪声，λ为平滑纹理常数，

利用公式2获取含有动车组撒砂管的无噪声图像u(x,y)：

4.根据权利要求1所述基于图像处理动车组撒砂管接头断开故障检测方法，其特征在于，步骤4中，将所述无噪声图像与模板图像库中存储的撒砂管模板图像进行匹配，根据匹配成功的撒砂管模板图像从所述无噪声图像中提取出撒砂管接头图像的方法包括：

步骤41、所述无噪声图像和撒砂管模板图像均经过梯度处理、拉普拉斯变换和小波变换，分别得到无噪声梯度图像、无噪声拉普拉斯变换后图像、无噪声小波变换后图像、撒砂管模板梯度图像、撒砂管模板拉普拉斯变换后图像和撒砂管模板小波变换后图像；

步骤42、分别提取所述无噪声图像、所述撒砂管模板图像、所述无噪声梯度图像、所述无噪声拉普拉斯变换后图像、所述无噪声小波变换后图像、所述撒砂管模板梯度图像、所述撒砂管模板拉普拉斯变换后图像和所述撒砂管模板小波变换后图像上的特征点；

步骤43、对步骤42提取的所有特征点用最近邻方法进行匹配，得到无噪声图像与撒砂管模板图像匹配的多个特征点对；

步骤44、判断每个特征点对中的两个特征点是否同时在无噪声图像和撒砂管模板图像中边缘轮廓内或外，若否，剔除特征点对，根据剔除后留下的特征点对，计算得到匹配矩阵，由匹配矩阵计算无噪声图像中撒砂管接头位置，根据所述撒砂管接头位置得到撒砂管接头图像。

5.根据权利要求1所述基于图像处理动车组撒砂管接头断开故障检测方法，其特征在于，步骤5中，撒砂管接头图像的特征包括纹理特征、原始像素值特征、梯度特征、形状特征和相对梯度特征。

6.根据权利要求5所述基于图像处理动车组撒砂管接头断开故障检测方法，其特征在于，所述步骤5中包括提取撒砂管接头图像的梯度特征，具体过程为：

对撒砂管接头图像进行颜色空间归一化处理，得到处理后的图像，利用梯度算子计算处理后的图像水平方向和垂直方向的梯度，

将处理后的图像分割成有重叠的若干块，利用计算得到的梯度在每个块内统计梯度方向直方图；

采用重叠块直方图归一化方法对统计的梯度方向直方图进行处理，得到撒砂管接头图像的梯度特征。

7.根据权利要求5所述基于图像处理动车组撒砂管接头断开故障检测方法，其特征在于，所述步骤5中包括：提取撒砂管接头图像的纹理特征，具体过程为：

计算撒砂管接头图像的共生矩阵，根据该共生矩阵得到纹理特征。

8.根据权利要求5所述基于图像处理动车组撒砂管接头断开故障检测方法，其特征在于，所述步骤5中包括：提取撒砂管接头图像的相对梯度特征，所述相对梯度特征的幅值为：

式中，I表示亮度，

为梯度特征的幅值，

为相对梯度特征的幅值，(x₁,y₁)为撒砂管接头图像中各像素点坐标。

9.根据权利要求1所述基于图像处理动车组撒砂管接头断开故障检测方法，其特征在于，所述步骤1，还包括对每个撒砂管部件图像进行扩增操作，具体为：

对动车组撒砂管部件图像分别进行旋转、平移、缩放和镜像操作，得到多个撒砂管部件图像，

提取多个撒砂管部件图像的特征作为训练特征。

10.根据权利要求1所述基于图像处理动车组撒砂管接头断开故障检测方法，其特征在于，步骤1中，利用训练特征对支持向量机进行训练，得到训练好的分类器，具体过程为：

选用径向基函数作为支持向量机的核函数，利用核函数将训练特征映射到一个高维特征空间，在高维特征空间中构造分类超平面，根据每次训练得到的分类超平面得到损失函数值，当损失函数值低于预设损失函数值时，此时的分类超平面为训练好的分类器；或者，

选用径向基函数作为支持向量机的核函数，利用核函数将训练特征映射到一个高维特征空间，在高维特征空间中构造分类超平面，当训练次数达到预设次数时，当前的分类超平面为训练好的分类器。

Images