铁路货车闸瓦钎丢失故障的自动检测方法
【专利摘要】本发明提供了一种铁路货车闸瓦钎丢失故障的自动检测方法，首先训练出区域分类器、定位分类器、故障判别分类器；然后利用区域分类器对待测闸瓦钎图像进行分割，在分割出的区域内，采用多层次多层级级联检测思路，先利用定位分类器定位闸瓦钎位置，再利用故障判别分类器对闸瓦钎是否丢失进行故障判别，实现铁路货车闸瓦钎丢失故障的全自动检测。本发明所述的自动检测方法的故障检测率达到了99％，检测速度达到了5帧/秒，满足了实际应用的需求。
【专利说明】铁路货车闸瓦钎丢失故障的自动检测方法
【技术领域】
[0001] 本发明涉及的是一种图像处理【技术领域】的方法，具体是一种铁路货车闸瓦钎丢失 故障的自动检测方法。
【背景技术】
[0002] 为确保安全运营，故障检测在交通领域扮演了一个主要角色。铁路、航空、航海以 及公路桥梁维护中存在着运用故障检测的大量典型事例。由于交通领域责任重大，一旦重 要设备出现故障，将引起人员和财产的巨大损失，因此世界上许多国家都投入了大量的人 力、物力和财力进行故障检测的研究。故障检测已经成为了当今交通领域的研究热点之一。
[0003] 故障检测通常采用无损检测手段来实现。无损检测是包含各种手段和方法的非常 宽泛的名称，其根本原则是所检测目标的所有方面不会因检测过程而发生损坏。在常用的 故障检测技术中，图像信息是一类重要的故障信息形式，随着计算机视觉技术的发展，视觉 图像检测已逐渐成为无损检测的最佳手段。
[0004] 闸瓦钎是货车基础制动装置中的一个部件。随着货车速度的提高，对货车行车安 全的要求也随之提高，而制动性能的好坏是一个关键因素。闸瓦钎丢失会造成闸瓦脱落，导 致列车制动失灵，以致发生出轨或颠覆事故。因此对故障检测也提出了较高的要求，即尽最 大可能地避免漏判和误判现象的存在。正是由于闸瓦钎的重要性，为检查闸瓦钎是否丢失， 常由经验丰富的列检员人工检测闸瓦钎是否处于正确位置，由于货车在行进过程中长期的 颠簸震动，常造成闸瓦钎丢失，是一类多发且较为严重的故障。在中国，铁路货车闸瓦钎丢 失故障的检测目前仍主要由人工进行，这种检测方式费时费力且维护成本高。对铁路部门 来说，需要采用能有效保持维护成本的最小化方式来进行这种故障的检测。鉴于以上问题， 该铁路货车闸瓦钎丢失故障的自动检测方法应运而生以解决上述问题。
【发明内容】
[0005] 本发明针对现有技术存在的上述不足，提供一种铁路货车闸瓦钎丢失故障的自动 检测方法，既可降低铁路货车故障检测的成本，又提高了铁路货车故障检测的效率，为铁路 提速提供了可靠的安全保障。
[0006] 本发明是通过以下技术方案实现的。
[0007] -种铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，包括以下步骤：
[0008] 1)将所采集的闸瓦钎部位图像划分为大小相等的四块图像区域；利用四块图像 区域的图片样本库，提取多尺度中心变换编码直方图特征作为输入数据，并采用多类线性 支持向量机的学习方法对多尺度中心变换编码直方图特征分类，训练出区域分类器；
[0009] 2)利用闸瓦钎目标物体的图片样本库，提取闸瓦钎目标物体的低层次梯度编码直 方图特征作为输入数据，并利用线性支持向量机的学习方法对梯度编码直方图特征分类， 训练出定位分类器；
[0010] 3)利用闸瓦钎丢失和未丢失的图片样本库，提取闸瓦钎丢失与未丢失图像的低层 次中心变换编码块特征，并采用编码汇聚方式学习生成中等层次特征作为输入数据，在空 间金字塔算法框架下采用线性支持向量机的学习方法对中等层次特征分类，训练出故障判 别分类器；
[0011] 4)利用图像采集模块采集闸瓦钎的图像，利用区域分类器分割出闸瓦钎所在的图 像区域；
[0012] 5)在已分割出的闸瓦钎所在的图像区域内，采用多层次多层级的级联检测方法， 先利用定位分类器定位闸瓦钎位置，再利用故障判别分类器对闸瓦钎是否丢失进行故障判 另IJ，实现铁路货车闸瓦钎丢失故障的全自动检测。
[0013] 进一步地，所述步骤（1)中所述的划分大小相等的四块图像区域是指以一幅完整 闸瓦钎部位图像的长和宽的一半为图像区域的尺寸标准，在原图像上无重叠地划分出四块 图像区域。
[0014] 进一步地，所述步骤（1)中所述的多尺度中心变换编码直方图特征是通过以下方 式得到：针对划分出的图像区域，利用具有尺度缩放的中心变换编码转换为编码图像，从所 得到的编码图像中进行直方图统计获得。
[0015] 进一步地，所述步骤（2)中提取低层次梯度编码直方图特征的方式为：在分割出 的闸瓦钎所在图像区域，针对闸瓦钎目标物体图像，通过高斯梯度算子转换为梯度图像，并 针对所生成的梯度图像，采用中心变换编码转换为编码图像，从所得到的编码图像中进行 直方图统计，得到梯度编码直方图特征。
[0016] 进一步地，所述步骤（3)中所述的提取低层次中心变换编码块特征的方法是：在 获取中心矩形块的平均灰度和其相邻的9个矩形块的平均灰度后，利用中心变换方式编码 这些矩形区域，以形成矩形块特征。
[0017] 进一步地，所述步骤（3)的所述编码汇聚方式是指最大汇聚模型，在图像的不同 位置和不同空间尺度下进行特征最大汇聚。
[0018] 本发明所述的铁路货车闸瓦钎丢失故障的自动检测方法的原理是，考虑到铁路货 车闸瓦钎丢失故障检测的实时性和高准确性要求，采用从整幅图像中首先分割出闸瓦钎所 在区域，排除了大多数复杂背景的干扰，减小了后续步骤的计算量以及误检的可能性。同 时，针对所采集的闸瓦钎部件图像光照变化明显、故障形态复杂多变的特点，既采用了梯度 域特征，又采用了低层次特征和中等层次特征相组合的方式，定位闸瓦钎位置、对闸瓦钎是 否丢失进行故障判别，实现铁路货车闸瓦钎丢失故障的全自动检测。梯度域能够揭示出潜 在的图像数据的固有结构，且不受光照变化影响；低层次特征和中等层次特征相组合能够 避免单一特征以及同一层次特征的局限性和片面性，满足了高准确性要求。
[0019] 与现有技术相比，本发明在目标区域分割的前提下，以低层次和中等层次特征这 种不同层次特征相组合方式构建故障检测所需的特征向量，并采用定位和故障判别分类器 级联方式实现闸瓦钎丢失故障检测，实现了铁路货车闸瓦钎丢失故障的全自动检测，有效 降低了铁路货车的维护成本，提高了故障检测的效率。
【专利附图】
【附图说明】
[0020] 图1是本发明所述铁路货车闸瓦钎丢失故障的自动检测方法的原理流程图。
【具体实施方式】
[0021] 下面结合附图及实施例对本发明的技术方案做详细说明，但本发明的保护范围不 限于下述的实施例。
[0022] 如图1所示，本实施例对铁路现场采集的闸瓦钎部位图像（1400X 1024像素）进 行处理。这些图像光照变化显著，背景和闸瓦钎形态复杂。本实施例包括如下步骤：
[0023] 第一步，由于高速摄像机在拍摄时与闸瓦钎部位的相对位置基本保持不变，使得 闸瓦钎基本都呈现于闸瓦钎部位图像中的四分之一区域。因此实际执行检测过程中，一幅 完整的闸瓦钎图像首先被等大小的划分为4个区域（700X512像素），并对这四个区域分别 进行检测。
[0024] 本发明采用多尺度中心变换编码直方图特征作为输入数据，检测闸瓦钎所在图像 区域。定义f s(x，y)为原始图像中（X，y)处尺度为3sX3s的多尺度中心变换编码的值， 图像l(x，y)中所有像素的fs(·，·）所形成的直方图可定义为
【权利要求】
1. 一种铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，包括以下步骤： (1) 将所采集的闸瓦钎部位图像划分为大小相等的四块图像区域；利用四块图像区域 的图片样本库，提取多尺度中心变换编码直方图特征作为输入数据，并采用多类线性支持 向量机的学习方法对多尺度中心变换编码直方图特征分类，训练出区域分类器； (2) 利用闸瓦钎目标物体的图片样本库，提取闸瓦钎目标物体的低层次梯度编码直方 图特征作为输入数据，并利用线性支持向量机的学习方法对梯度编码直方图特征分类，训 练出定位分类器； (3) 利用闸瓦钎丢失和未丢失的图片样本库，提取闸瓦钎丢失与未丢失图像的低层次 中心变换编码块特征，并采用编码汇聚方式学习生成中等层次特征作为输入数据，在空间 金字塔算法框架下采用线性支持向量机的学习方法对中等层次特征分类，训练出故障判别 分类器； (4) 利用区域分类器分割出闸瓦钎所在的图像区域； (5) 在已分割出的闸瓦钎所在的图像区域内，采用多层次多层级的级联检测思路，先利 用定位分类器定位闸瓦钎位置，再利用故障判别分类器对闸瓦钎是否丢失进行故障判别， 实现铁路货车闸瓦钎丢失故障的全自动检测。
2. 根据权利要求1所述的铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，所 述步骤（1)中所述的整幅图像划分为大小相等的四块图像区域通过以下方式得到：以整幅 图像长和宽的一半为图像区域的尺寸标准，无重叠地划分出四块图像区域。
3. 根据权利要求1所述的铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，所 述步骤（1)中所述的多尺度中心变换编码直方图特征通过以下方式得到：针对划分出的图 像区域，利用具有尺度缩放的中心变换编码转换为编码图像，从所得到的编码图像中进行 直方图统计，得到多尺度中心变换编码直方图特征。
4. 根据权利要求1所述的铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，所 述步骤（2)中提取低层次梯度编码直方图特征的方式为：针对分割出的闸瓦钎所在图像区 域，通过高斯梯度算子转换为梯度图像，并针对所生成的梯度图像，采用中心变换编码转换 为编码图像，从所得到的编码图像中进行直方图统计，得到梯度编码直方图特征。
5. 根据权利要求1所述的铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，所 述步骤（3)中所述的提取低层次中心变换编码块特征的方法是：在获取中心矩形块的平均 灰度和其相邻的9个矩形块的平均灰度后，利用中心变换方式编码这些矩形区域，以形成 矩形块特征。
6. 根据权利要求1所述的铁路货车闸瓦钎丢失故障的自动检测方法，其特征在于，所 述步骤（3)的所述编码汇聚方式是指最大汇聚模型，在图像的不同位置和不同空间尺度下 进行特征最大汇聚。
【文档编号】G06K9/00GK104268588SQ201410277858
【公开日】2015年1月7日 申请日期:2014年6月19日 优先权日:2014年6月19日
【发明者】邹荣 申请人:江苏大学