CN112651343B - 一种基于图像处理的铁路货车制动梁折断故障识别方法 - Google Patents
一种基于图像处理的铁路货车制动梁折断故障识别方法 Download PDFInfo
- Publication number
- CN112651343B CN112651343B CN202011589227.6A CN202011589227A CN112651343B CN 112651343 B CN112651343 B CN 112651343B CN 202011589227 A CN202011589227 A CN 202011589227A CN 112651343 B CN112651343 B CN 112651343B
- Authority
- CN
- China
- Prior art keywords
- brake beam
- image
- linear array
- fault
- area
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- 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
- G06V2201/08—Detecting or categorising vehicles
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
一种基于图像处理的铁路货车制动梁折断故障识别方法,涉及铁路货车故障检测领域。本发明是为了解决现有铁路货车制动梁折断的故障检测采用人工检查图像的方式进行效率和准确率低的问题。本发明包括:获取制动梁区域图像;获取制动梁区域图像上制动梁位置图像;分别提取制动梁位置3D图像中的制动梁轮廓信息和制动梁位置线阵图像上待检测裂纹特征;根据制动梁轮廓信息对3D图像进行制动梁错位故障识别,若有制动梁错误故障则进行上报识别结果;若没有故障则继续根据裂纹特征对线阵图像进行裂纹故障识别,识别后上传识别结果。本发明用于识别铁路货车制动梁折断故障。
Description
技术领域
本发明涉及铁路货车故障检测领域,特别涉及一种基于图像处理的铁路货车制动梁折断故障识别方法。
背景技术
制动梁是铁路车辆基础制动装置的最重要部分,当车辆制动时,制动力通过制动梁传到闸瓦,使车辆停止前进。在列车运行过程中,制动梁承受较大的交变载荷及冲击力,制动时承受制动力以及车轮对闸瓦的反作用力,受力状况较为恶劣。制动梁折断故障对行车安全影响极大,制动梁的折断故障将直接威胁着车辆的行驶安全。
目前铁路货车制动梁折断的故障检测主要采用人工检查图像的方式进行,人工检测效率较低,且检车人员在工作过程中极易出现疲劳、遗漏等情况,因此很容易造成漏检、错检的情况的发生,进而造成检测的准确率低,从而影响行车安全。
发明内容
本发明目的是为了解决现有铁路货车制动梁折断的故障检测采用人工检查图像的方式进行效率和准确率低的问题,而提出了一种基于图像处理的铁路货车制动梁折断故障识别方法,具体过程为:
步骤一、获取制动梁区域3D图像和线阵图像;
步骤二、获取制动梁区域3D图像和线阵图像上制动梁位置图像;
步骤三、分别提取制动梁位置3D图像中的制动梁轮廓信息和制动梁位置线阵图像上待检测的裂纹特征;
步骤四、根据制动梁轮廓信息对3D图像进行制动梁错位故障识别,若有制动梁错误故障则进行上报识别结果;若没有故障则继续根据裂纹特征对线阵图像进行裂纹故障识别,识别后上传识别结果。
可选的,步骤一中获取制动梁区域3D图像和线阵图像,具体过程为:
步骤一一、获取铁路货车的3D图像和线阵图像:
3D图像和线阵图像通过3D相机和线阵相机分别获得;
步骤一二、对3D图像和线阵图像中制动梁区域粗定位:
利用硬件的轴距信息和部件的位置的先验知识,粗略定位到制动梁部件,进而可以从整列车的3D和线阵图像中获取出制动梁区域图像。
可选的,步骤二中获取制动梁区域3D图像和线阵图像上制动梁位置图像,具体过程为:
步骤二一、获取制动梁区域3D图像上的制动梁位置3D图像:
首先,根据制动梁区域3D图像中的高度信息,获取制动梁梁体的位置区域,生成初步定位信息;
然后,根据部件位置的先验知识,去除中间的制动梁支柱区域以及制动梁安全链区域,得到最终的制动梁位置3D图像;
步骤二二、获取制动梁区域线阵图像上的制动梁位置线阵图像:
首先,根据轴距信息分别计算制动梁位置3D图像两轴间的距离和制动梁区域线阵图像两轴间的距离,得到制动梁位置3D图像和制动梁区域线阵图像间的映射关系;
然后,将制动梁位置3D图像映射到制动梁区域线阵图像上,进而得到制动梁区域线阵图像中制动梁位置线阵图像。
可选的,步骤三中分别提取制动梁位置3D图像中的制动梁轮廓信息,具体过程为:
首先,采用Canny算子在制动梁位置3D图像上提取边缘信息得到二值边缘图像,根据二值边缘图像中制动梁梁体的宽度,设置制动梁轮廓的平行线间最大距离Nma'x=80,制动梁轮廓的平行线间最小距离Nmin=50;
然后,将二值边缘图像上的每一像素点记为原始像素点,按照水平方向在左右Nma'x个像素范围内搜索边缘点,如果搜索到的边缘点和原始像素点间的距离大于Nmin个像素,则认为这两个点为平行线上的两个点,保存这两个点的中心点坐标,获得的所有中心坐标的集合即为轮廓中心点集合;
二值边缘图像中边缘点的像素为1,非边缘点的像素为0。
可选的,步骤三中和制动梁位置线阵图像上待检测的裂纹特征,具体过程为:
步骤三一、建立滤波器组:
滤波器组包括:方向滤波器组、高斯各向同性滤波器组;
方向滤波器组有48个多方向多尺度拉普拉斯高斯滤波器,分为2组,每组有24个滤波器分为3个尺度、8个方向;
高斯各向同性滤波器组有2个高斯各向同性滤波器,分别为:
步骤三二、获取制动梁位置线阵图像上待检测的裂纹特征表示,具体过程为:
步骤三二一、获得方向滤波器组的特征表示:
首先,获得方向滤波器组的上的最大滤波器响应,并记录取得的最大响应的滤波器组索引值;
然后,根据制动梁部件的结构特征,将得到的最大响应滤波器索引值分为两类进行编码:一类为表示梁体边缘的方向滤波器;另一类为表示裂纹的方向滤波器;
最后,将每一尺度的方向滤波器组对制动梁位置线阵图像进行滤波操作,得到6个最大滤波器响应的特征图像,以及对应的最大响应滤波器索引值编码对应的编码图像,即得到了方向滤波器组的特征表示;
步骤三二二、获得高斯各向同性滤波器特征表示:
用2个高斯各向同性滤波器分别对制动梁位置线阵图像进行滤波操作,得到2个特征图;
步骤三二三、获得制动梁位置线阵图像上的裂纹特征表示:
首先,将步骤三二一获得6个编码图像进行“或”操作,再同制动梁位置3D图像和制动梁位置线阵图像“与”操作,获得二值图像;
然后,再根据编码值去除二值图像中梁体的边缘信息,计算编码值为1的连通区域的面积,编码值为1的连通区域即为裂纹的特征表示;
对于面积大于预设阈值的裂纹疑似区域,裁剪出对应的8个特征图即为待检测的裂纹特征;
剪裁方法为:对连通区域取外接矩形,获得矩形的顶点坐标,根据坐标值从步骤三二一和步骤三二二的特征图上进行裁剪;
编码值为对获得的最大响应滤波器组索引值进行编码得到的编码值。
可选的,步骤四中根据制动梁轮廓信息和裂纹特征分别对线阵图像和3D图像进行故障识别,具体过程为:
步骤四一、对3D图像进行制动梁错位识别:
遍历收集到的轮廓中心点集合,每隔M个点进行采样,依次计算相邻三点间连线的夹角θ;相邻三点间连线的夹角θ取0°~90°之间的夹角;
当θ>20°时认为发生了梁体错位,再判断制动梁梁体图像中三角形区域中三角形的顶点位置是否在阈值内,若超出阈值则发生梁体折断,则上传报警信息,若没有超出阈值则没有发生梁体折断,则执行步骤四二;
步骤四二、对线阵图像进行制动梁裂纹识别:
将提取的待检测的裂纹特征输入到训练好的随机森林中,按照多棵树分类器投票决定最终分类结果,即判断是否为折断故障,如果是,则上传报警信息。
可选的,步骤四二中的随机森林通过以下方式训练得到:
步骤四二一、获取训练样本数据集:
首先,获取与待检测裂纹特征对应的的8个特征图,将获取的8个特征图分为故障图像集和非故障图像集;
然后,使用Bootstraping方法分别在故障图像集和非故障图像集随机有放回的进行N次采样,每次采样取出m个样本,生成N个训练样本数据集;
步骤四二二、利用N个训练样本数据集分别训练N个决策树模型;
步骤四二三、对于单个决策树模型,每次分裂时根据信息增益,选择基尼指数最小的特征进行分裂,直到该节点的所有训练样本都属于同一类;
步骤四二四、将训练好的N个决策树组成随机森林。
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,提高检测效率、准确率。本发明利用线阵和3D图像的特点分别检测不同形态的制动梁折断故障,提高了故障检测的准确率。
附图说明
图1为故障识别总体流程图;
图2为故障识别具体流程图;
图3(a)为3D图像原图;
图3(b)为根据高度信息初定位的图像;
图3(c)为制动梁梁体位置图像;
图4为方向滤波器组图像。
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:本实施方式一种基于图像处理的铁路货车制动梁折断故障识别方法,具体过程为:
步骤一、获取制动梁区域3D图像和线阵图像;
步骤二、获取制动梁区域3D图像和线阵图像上制动梁位置图像;
步骤三、分别提取制动梁位置3D图像中的制动梁轮廓信息和制动梁位置线阵图像上待检测的裂纹特征;
步骤四、根据制动梁轮廓信息对3D图像进行制动梁错位故障识别,若有制动梁错误故障则进行上报识别结果;若没有故障则继续根据裂纹特征对线阵图像进行裂纹故障识别,识别后上传识别结果。
具体实施方式二:本实施方式与具体实施方式一不同的:步骤一中获取制动梁区域3D图像和线阵图像,具体过程为:
步骤一一、获取铁路货车的3D图像和线阵图像:
3D图像和线阵图像通过线阵相机和3D相机分别获得;
步骤一二、对3D图像和线阵图像中制动梁区域粗定位:
利用硬件的轴距信息和部件的位置的先验知识,粗略定位到制动梁部件,进而可以从整列车的3D和线阵图像中获取出制动梁区域图像。
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:步骤二中获取制动梁区域3D图像和线阵图像上制动梁位置图像,具体过程为:
步骤二一、获取制动梁区域3D图像上的制动梁位置3D图像:
首先,根据制动梁区域3D图像中的高度信息,获取制动梁梁体的位置区域,生成初步定位信息;
然后,根据部件位置的先验知识,去除中间的制动梁支柱区域以及制动梁安全链区域,得到最终的制动梁位置3D图像;
步骤二二、获取制动梁区域线阵图像上的制动梁位置线阵图像:
首先,根据轴距信息分别计算制动梁位置3D图像两轴间的距离和制动梁区域线阵图像两轴间的距离,得到制动梁位置3D图像和制动梁区域线阵图像间的映射关系;
然后,将制动梁位置3D图像映射到制动梁区域线阵图像上,进而得到制动梁区域线阵图像中制动梁位置线阵图像。
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:步骤三中提取制动梁3D图像中的制动梁轮廓信息,具体过程为:
首先,采用Canny算子在制动梁位置3D图像上提取边缘信息得到二值边缘图像,根据二值边缘图像中制动梁梁体的宽度,设置制动梁轮廓中的平行线间最大距离Nma'x=80,制动梁轮廓中的平行线间最小距离Nmin=50;
然后,将二值边缘图像上的每一像素点记得原始像素点,按照水平方向在左右Nma'x个像素范围内搜索边缘点,如果搜索到的边缘点和原始像素点间的距离大于Nmin个像素,则认为这两个点为平行线上的两个点,保存这两个点的中心点坐标,获得的所有点的中心坐标的集合即为轮廓中心点集合,其余像素点则是噪声,进行剔除。
其中,二值边缘图像中边缘点的像素为1,非边缘点的像素为0;
其中,制动梁梁体轮廓为平行线。
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:步骤三中提取制动梁位置线阵图像上待检测的裂纹特征,具体过程为:
步骤三一、建立滤波器组:
其中,滤波器组包括:方向滤波器组、高斯各向同性滤波器组;
其中,方向滤波器组有48个多方向多尺度拉普拉斯高斯滤波器,分为2组,每组有24个滤波器分为3个尺度、8个方向,如图3中1-6行所示,前三行为一组,第4-6行为另一组;每一列代表一个方向,共8个方向。
其中,高斯各向同性滤波器组有2个高斯各向同性滤波器,分别为:
步骤三二、获取制动梁位置线阵图像上待检测的裂纹特征表示:
步骤三二一、获得方向滤波器组的特征表示:
首先,获得方向滤波器组的上的最大滤波器响应,并记录取得的最大响应的滤波器组索引值;
然后,根据制动梁部件的结构特征,将得到的最大响应滤波器索引值分为两类进行编码:一类为表示梁体边缘的方向滤波器0、1、7;另一类为表示裂纹的方向滤波器2、3、4、5、6,这样既简化了运算,又保证了特征的旋转不变性。最大响应索引值编码如表1所示:
表1最大响应索引值编码表
最大响应索引值 | 编码 | 含义 |
0、1、7 | 0 | 表示梁体边缘 |
2、3、4、5、6 | 1 | 表示裂纹 |
最后,将每一行方向滤波器组对制动梁位置线阵图像进行滤波操作,得到6个最大滤波器响应的特征图像,以及对应的最大响应滤波器索引值编码对应的编码图像,即得到了方向滤波器组的特征表示。
步骤三二二、获得高斯各向同性滤波器特征表示:
用2个高斯各向同性滤波器分别对制动梁位置线阵图像进行滤波操作,得到2个特征图。
步骤三二三、获得制动梁位置线阵图像上的待检测裂纹特征:
首先,将步骤三二一获得6个编码图像进行“或”操作,再同制动梁位置3D图像和制动梁位置线阵图像“与”操作,获得二值图像;
然后,再根据编码值去除二值图像中梁体的边缘信息,计算编码值为1的连通区域的面积,编码值为1的连通区域即为裂纹的特征表示;
对于面积大于预设阈值的裂纹疑似区域,裁剪出对应的8个特征图即为待检测的裂纹特征图;
剪裁方法为:对连通区域取外接矩形,获得矩形的顶点坐标,根据坐标值从步骤三二一和步骤三二二的特征图上进行裁剪;
编码值为对获得的最大响应滤波器组索引值进行编码得到的编码值。
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:步骤四中根据制动梁轮廓信息和裂纹特征分别对线阵图像和3D图像进行故障识别,具体过程:
步骤四一、对3D图像进行制动梁错位识别:
遍历收集到的轮廓中心点集合,每隔M个点进行采样,依次计算相邻三点间连线的夹角θ(取0°~90°之间的夹角)。当θ>20°时认为发生了梁体错位,再判断制动梁梁体图像中三角形区域中三角形的顶点位置是否在阈值内,若超出阈值则发生梁体折断,则上传报警信息(如图3(b)),若没有超出阈值则没有发生梁体折断则执行步骤四二。
步骤四二、对线阵图像进行制动梁裂纹识别:
将提取的待检测的裂纹特征图输入到训练好的随机森林中,按照多棵树分类器投票决定最终分类结果,即判断是否为折断故障,如果是,则上传报警信息。
具体实施方式七:本实施方式与具体实施方式一至六不同的是:随机森林通过以下方式训练得到:
步骤四二一、获取训练样本数据集:
首先,获取与待检测裂纹特征对应的8个特征图,将获取的8个特征图分为故障图像集和非故障图像集;
然后,使用Bootstraping方法分别在故障图像集和非故障图像集随机有放回的进行N次采样,每次采样取出m个样本,生成N个训练样本数据集;
步骤四二二、利用N个训练样本数据集分别训练N个决策树模型;
步骤四二三、对于单个决策树模型,每次分裂时根据信息增益,选择基尼指数最小的特征进行分裂,直到该节点的所有训练样本都属于同一类;
步骤四二四、将训练好的N个决策树组成随机森林;
需要说明的是,本申请还可以包括其它多种实施例,在不背离本申请的精神及其实质的情况下,本领域技术人员可根据本申请作出各种相应的改变和变形,但这些相应的改变和变形都应属于本申请所附的权利要求的保护范围。
Claims (7)
1.一种基于图像处理的铁路货车制动梁折断故障识别方法,其特征在于所述方法具体过程为:
步骤一、获取制动梁区域3D图像和线阵图像;
步骤二、获取制动梁区域3D图像和线阵图像上制动梁位置图像;
步骤三、分别提取制动梁位置3D图像中的制动梁轮廓信息和制动梁位置线阵图像上待检测的裂纹特征;
步骤四、根据制动梁轮廓信息对3D图像进行制动梁错位故障识别,若有制动梁错误故障则进行上报识别结果;若没有故障则继续根据待检测的裂纹特征对线阵图像进行裂纹故障识别,识别后上传识别结果;
根据制动梁轮廓信息和裂纹特征分别对线阵图像和3D图像进行故障识别,具体过程为:
步骤四一、对3D图像进行制动梁错位识别:
遍历收集到的轮廓中心点集合,每隔M个点进行采样,依次计算相邻三点间连线的夹角θ;所述相邻三点间连线的夹角θ取0°~90°之间的夹角;
当θ>20°时认为发生了梁体错位,再判断制动梁梁体图像中三角形区域中三角形的顶点位置是否在阈值内,若超出阈值则发生梁体折断,若没有超出阈值则没有发生梁体折断,则执行步骤四二;
步骤四二、对线阵图像进行制动梁裂纹识别:
将提取的待检测的裂纹特征输入到训练好的随机森林中,按照多棵树分类器投票决定最终分类结果,即判断是否为折断故障。
2.根据权利要求1所述的一种基于图像处理的铁路货车制动梁折断故障识别方法,其特征在于:所述步骤一中获取制动梁区域3D图像和线阵图像,具体过程为:
步骤一一、获取铁路货车的3D图像和线阵图像:
所述3D图像和线阵图像通过3D相机和线阵相机分别获得;
步骤一二、对3D图像和线阵图像中制动梁区域粗定位:
利用硬件的轴距信息和部件的位置的先验知识,粗略定位到制动梁部件,进而可以从整列车的3D和线阵图像中获取出制动梁区域图像。
3.根据权利要求2所述的一种基于图像处理的铁路货车制动梁折断故障识别方法,其特征在于:所述步骤二中获取制动梁区域3D图像和线阵图像上制动梁位置图像,具体过程为:
步骤二一、获取制动梁区域3D图像上的制动梁位置3D图像:
首先,根据制动梁区域3D图像中的高度信息,获取制动梁梁体的位置区域,生成初步定位信息;
然后,根据部件位置的先验知识,去除中间的制动梁支柱区域以及制动梁安全链区域,得到最终的制动梁位置3D图像;
步骤二二、获取制动梁区域线阵图像上的制动梁位置线阵图像:
首先,根据轴距信息分别计算制动梁位置3D图像两轴间的距离和制动梁区域线阵图像两轴间的距离,得到制动梁位置3D图像和制动梁区域线阵图像间的映射关系;
然后,将制动梁位置3D图像映射到制动梁区域线阵图像上,进而得到制动梁区域线阵图像中制动梁位置线阵图像。
4.根据权利要求3所述的一种基于图像处理的铁路货车制动梁折断故障识别方法,其特征在于:所述步骤三中提取制动梁位置3D图像中的制动梁轮廓信息,具体过程为:
首先,采用Canny算子在制动梁位置3D图像上提取边缘信息得到二值边缘图像,根据二值边缘图像中制动梁梁体的宽度,设置制动梁轮廓的平行线间最大距离和制动梁轮廓的平行线间最小距离;
然后,将二值边缘图像上的每一像素点记为原始像素点,按照水平方向在左右Nma'x个像素范围内搜索边缘点,如果搜索到的边缘点和原始像素点间的距离大于Nmin个像素,则认为这两个点为平行线上的两个点,保存这两个点的中心点坐标,获得的所有中心坐标的集合即为轮廓中心点集合;
所述二值边缘图像中边缘点的像素为1,非边缘点的像素为0。
5.根据权利要求4所述的一种基于图像处理的铁路货车制动梁折断故障识别方法,其特征在于:所述设置的制动梁轮廓的平行线间最大距离Nma'x=80,制动梁轮廓的平行线间最小距离Nmin=50。
6.根据权利要求5所述的一种基于图像处理的铁路货车制动梁折断故障识别方法,其特征在于:所述步骤三中提取制动梁位置线阵图像上待检测的裂纹特征,具体过程为:
步骤三一、建立滤波器组:
所述滤波器组包括:方向滤波器组、高斯各向同性滤波器组;
所述方向滤波器组有48个多方向多尺度拉普拉斯高斯滤波器,分为2组,每组有24个滤波器分为3个尺度、8个方向;
所述高斯各向同性滤波器组有2个高斯各向同性滤波器,分别为:
步骤三二、获取制动梁位置线阵图像上待检测的裂纹特征表示,具体过程为:
步骤三二一、获得方向滤波器组的特征表示:
首先,获得方向滤波器组的上的最大滤波器响应,并记录取得的最大响应的滤波器组索引值;
然后,根据制动梁部件的结构特征,将得到的最大响应滤波器索引值分为两类进行编码:一类为表示梁体边缘的方向滤波器;另一类为表示裂纹的方向滤波器;
最后,将每一尺度的方向滤波器组对制动梁位置线阵图像进行滤波操作,得到6个最大滤波器响应的特征图像,以及对应的最大响应滤波器索引值编码对应的编码图像,即得到了方向滤波器组的特征表示;
步骤三二二、获得高斯各向同性滤波器特征表示:
用2个高斯各向同性滤波器分别对制动梁位置线阵图像进行滤波操作,得到2个特征图;
步骤三二三、获得制动梁位置线阵图像上的待检测裂纹特征:
首先,将步骤三二一获得6个编码图像进行“或”操作,再同制动梁位置3D图像和制动梁位置线阵图像“与”操作,获得二值图像;
然后,再根据编码值去除二值图像中梁体的边缘信息,计算编码值为1的连通区域的面积,编码值为1的连通区域即为裂纹的特征表示;
对于面积大于预设阈值的裂纹疑似区域,裁剪出对应的8个特征图即为待检测的裂纹特征;
所述裁剪方法为:对连通区域取外接矩形,获得矩形的顶点坐标,根据坐标值从步骤三二一和步骤三二二的特征图上进行裁剪;
所述编码值为对获得的最大响应滤波器组索引值进行编码得到的编码值。
7.根据权利要求6所述的一种基于图像处理的铁路货车制动梁折断故障识别方法,其特征在于:所述随机森林通过以下方式训练得到:
步骤四二一、获取训练样本数据集:
首先,获取与待检测裂纹特征对应的8个特征图,将获取的8个特征图分为故障图像集和非故障图像集;
然后,使用Bootstraping方法分别在故障图像集和非故障图像集随机有放回的进行N次采样,每次采样取出m个样本,生成N个训练样本数据集;
步骤四二二、利用N个训练样本数据集分别训练N个决策树模型;
步骤四二三、对于单个决策树模型,每次分裂时根据信息增益,选择基尼指数最小的特征进行分裂,直到每次分裂的特征的所有训练样本都属于同一类;
步骤四二四、将训练好的N个决策树组成随机森林。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011589227.6A CN112651343B (zh) | 2020-12-28 | 2020-12-28 | 一种基于图像处理的铁路货车制动梁折断故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011589227.6A CN112651343B (zh) | 2020-12-28 | 2020-12-28 | 一种基于图像处理的铁路货车制动梁折断故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651343A CN112651343A (zh) | 2021-04-13 |
CN112651343B true CN112651343B (zh) | 2021-08-24 |
Family
ID=75363508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011589227.6A Active CN112651343B (zh) | 2020-12-28 | 2020-12-28 | 一种基于图像处理的铁路货车制动梁折断故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651343B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160161B (zh) * | 2021-04-14 | 2023-07-11 | 歌尔股份有限公司 | 目标边缘处缺陷的检测方法和装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8485035B2 (en) * | 2011-08-22 | 2013-07-16 | Herzog Services, Inc. | Method of detecting defects |
CN106940884B (zh) * | 2015-12-15 | 2020-11-24 | 北京康拓红外技术股份有限公司 | 一种包含深度信息的动车组运行故障图像检测系统及检测方法 |
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
FR3074343B1 (fr) * | 2017-11-30 | 2020-02-28 | Sncf Reseau | Procede et systeme de detection des defauts de geometrie d'une voie ferree |
JP7068956B2 (ja) * | 2018-07-31 | 2022-05-17 | 東日本旅客鉄道株式会社 | レール検査方法 |
CN109242035B (zh) * | 2018-09-25 | 2019-12-24 | 北京华开领航科技有限责任公司 | 车底故障检测装置及方法 |
CN111080613B (zh) * | 2019-12-12 | 2020-11-03 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车浴盆破损故障图像识别方法 |
CN111091548B (zh) * | 2019-12-12 | 2020-08-21 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的铁路货车承载鞍错位故障图像识别方法及系统 |
CN111079627A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车制动梁梁体折断故障图像识别方法 |
CN111198371A (zh) * | 2020-03-03 | 2020-05-26 | 杭州中车数字科技有限公司 | 前视障碍物检测系统 |
CN111397516B (zh) * | 2020-04-03 | 2020-12-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路机车信号接收线圈高度的测量装置及测量方法 |
CN111942434A (zh) * | 2020-06-30 | 2020-11-17 | 北京康拓红外技术股份有限公司 | 一种铁路货车关键部件故障图像智能检测装置 |
CN111832571B (zh) * | 2020-07-09 | 2021-03-05 | 哈尔滨市科佳通用机电股份有限公司 | 一种货车制动梁支柱故障自动检测方法 |
CN112085723B (zh) * | 2020-09-09 | 2021-04-02 | 哈尔滨市科佳通用机电股份有限公司 | 一种货车摇枕弹簧窜出故障自动检测方法 |
-
2020
- 2020-12-28 CN CN202011589227.6A patent/CN112651343B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112651343A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chaiyasarn et al. | Crack detection in masonry structures using convolutional neural networks and support vector machines | |
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN109444169B (zh) | 一种轴承缺陷检测方法及系统 | |
CN111091541B (zh) | 一种铁路货车横跨梁组装螺母丢失故障识别方法 | |
CN113516629A (zh) | Tfds通过作业智能检测系统 | |
CN110276295B (zh) | 车辆识别号码检测识别方法及设备 | |
Ali et al. | Pavement crack detection and localization using convolutional neural networks (CNNs) | |
CN115688018A (zh) | 一种多工况下轴承的状态监测与故障诊断方法 | |
CN104077594A (zh) | 一种图像识别方法和装置 | |
CN112651343B (zh) | 一种基于图像处理的铁路货车制动梁折断故障识别方法 | |
CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
CN114926410A (zh) | 制动盘外观缺陷检测方法 | |
CN112419298A (zh) | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 | |
Zhao et al. | Image-based comprehensive maintenance and inspection method for bridges using deep learning | |
CN110853091A (zh) | 一种发动机保险丝绕向缺陷图像识别方法与系统 | |
CN112488995A (zh) | 列车自动化检修的智能判伤方法及系统 | |
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 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN112712495A (zh) | 防松件断裂识别方法、系统、终端及存储介质 | |
CN112528740A (zh) | 一种压板状态识别方法 | |
CN111753725A (zh) | 一种指纹修复方法及装置 | |
CN112950566B (zh) | 一种风挡破损故障检测方法 | |
CN113639685B (zh) | 位移检测方法、装置、设备和存储介质 | |
CN112949644B (zh) | 一种货车下拉杆故障图像识别方法 | |
CN107066985B (zh) | 一种基于快速霍夫变换的路口斑马线检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |