CN102867182A

CN102867182A - 一种货车车辆水堵丢失故障的检测方法和***

Info

Publication number: CN102867182A
Application number: CN2012102957954A
Authority: CN
Inventors: 薛继连; 贾晋中; 陈海滨; 李晓建; 贾晋军; 梁毅平; 赵金利; 赵俊彦; 任崇巍; 邹迎伟; 张闽东; 张鹏; 杨学超
Original assignee: BEIJING GTV TECHNOLOGY DEVELOPMENT Co Ltd; China Shenhua Energy Co Ltd; Shuohuang Railway Development Co Ltd
Current assignee: BEIJING GTV TECHNOLOGY DEVELOPMENT Co Ltd; China Shenhua Energy Co Ltd; Shuohuang Railway Development Co Ltd
Priority date: 2012-08-17
Filing date: 2012-08-17
Publication date: 2013-01-09

Abstract

本发明公开了一种货车车辆水堵丢失故障的检测的方法和***，该方法包括：采集车辆图像并对采集的车辆图像进行预处理，得到预处理后的车辆图像；对预处理后的车辆图像进行特征提取，得到表示车辆图像的特征；采用预先确定的分类模型根据车辆图像的特征得到车辆水堵是否丢失的检测结果。本发明通过对采集到的车辆图像进行预处理和特征提取，再将提取的特征通过预先机器学习得到的模型对车辆图像进行分类，实现了针对货车车辆水堵丢失故障的自动识别与检测，使检车的时间大幅减少，大幅提高了线路的运量和货车的使用效率。

Description

一种货车车辆水堵丢失故障的检测方法和***

技术领域

本发明涉及动态图像的检测技术，具体地，涉及一种货车车辆水堵丢失故障的检测方法和***。

背景技术

图像识别技术的研究始于六十年代，其含义是利用计算机对图像进行加工处理，以得到某些预期的效果，并从中提取有用信息，实现人对事物或现象的分析、描述、判断和识别。图像识别技术的一个核心技术为模式识别技术，它的好坏直接影响最终的高层计算机视觉处理结果。在处理方法范畴里，模式识别主要包含四种方法：统计模式识别方法（也称作决策理论法）、结构（句法）模式识别方法、神经网络模式识别方法和模糊模式识别方法。其中神经网络方法是指用神经网络的算法对图像进行识别的方法，神经网络***是由大量简单的处理单元广泛的相互连接而形成的复杂的网络***，是人脑神经网络***的简化，抽象和模拟，侧重于模拟和实现人的认知过程中的感知过程、形象思维、分布式记忆和自学习自组织过程，特别适用于处理需要同时考虑许多因素和条件的，不精确和模糊的信息处理问题。而且，神经网络模式识别方法对输入模式信息的不完备或特征的缺损不太敏感，与传统的模式识别方法比较起来在背景噪声统计特性未知的情况下，其性能更好。因此，在识别正确率方面，神经网络模式识别分类器要比传统的分类器优越。

目前的图像分析***都是采用人工室内看图检车，检车员需要逐车逐图查看。如果按照一列车60辆编组，每辆车为标准的53幅图像计算，每列车需要浏览3180幅图像，按照每列车6分钟技检时间计算，平均每秒钟要看9幅图像，即使按照4人按部件分工看图，每人每秒也需要浏览2幅图像。因此检车员劳动强度很大，极容易疲劳，再加上环境、心理等众多因素的影响，难免会产生漏检、误检。此外，随着运量的不断增加，加之车辆在运用过程中逐渐老化，货车运行的安全风险也会越来越大，因此为确保行车安全急需更加先进可靠的检测方法或检测装置。

发明内容

本发明的目的是提供一种货车车辆水堵丢失故障的检测方法和***，用于解决自动对货车车辆水堵丢失故障的检测。

为了实现上述目的，本发明提供了一种货车车辆水堵丢失故障的检测方法，该方法包括：采集车辆图像并对采集的车辆图像进行预处理，得到预处理后的车辆图像；对预处理后的车辆图像进行特征提取，得到表示车辆图像的特征；采用预先确定的分类模型根据车辆图像的特征得到车辆水堵是否丢失的检测结果。

相应地，本发明还提供了一种货车车辆水堵丢失故障的检测***，该***包括：图像采集模块，用于采集车辆图像；图像预处理模块，用于对采集的车辆图像进行预处理，得到预处理后的车辆图像；特征提取模块，用于对预处理后的车辆图像进行特征提取，得到表示车辆图像的特征；分类决策模块，采用预先确定的分类模型根据车辆图像的特征得到车辆水堵是否丢失的检测结果。

通过上述技术方案，本发明通过对采集到的车辆图像进行预处理和特征提取，再将提取的特征通过预先机器学习得到的分类模型来实现针对货车车辆水堵丢失故障的自动识别与检测，使得检车的时间大幅减少，并大幅提高了线路的运量和货车的使用效率。

本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1为本发明提供的货车车辆水堵丢失故障的检测方法的流程图；以及

图2为本发明提供的货车车辆水堵丢失故障的检测***的框图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

图1为本发明提供的货车车辆水堵丢失故障的检测方法的流程图。如图1所示：采集车辆图像并对采集的车辆图像进行预处理，得到预处理后的车辆图像；对预处理后的车辆图像进行特征提取，得到表示车辆图像的特征；采用预先确定的分类模型根据车辆图像的特征得到车辆水堵是否丢失的检测结果。

其中，可利用高速连续数字照相技术进行车辆图像的采集，该技术可在高速情况下获取到稳定清晰的车辆部件图像。

其中，在车辆图像采集过程中，外界光照条件和相机自身因素会造成图像质量的下降，因此在特征提取之前需要对车辆图像进行预处理的操作，本发明采用的预处理操作主要包括车辆图像的增强和去噪，可采用邻域平均法对车辆图像进行平滑去噪，然后利用直方图均衡法对车辆图像进行增强，以增强车辆图像中部件的边缘信息，更有利于后期的特征表示。

在车辆图像进行预处理后，需要对车辆图像进行特征提取。表示物体的某些标量特性，称为特征。它是从模式中得到分类有用的度量、属性或基元。特征是决定相似性与分类的关键，当分类的目的决定之后，合适的特征是认知与知识的核心问题。本发明可以采用小边（edgelet）特征作为描述水堵的主要特征。简单地说，一个edgelet特征是一小段直线或曲线。将经过预处理后的车辆图像的某位置的强度和法向量通过3×3的Sobel卷积和来计算。为了计算简单，把法向量的方向量化为6个离散的值。[180°,360°)被均匀地分成6个管脚，分别对应0到5的整数。一个在[180°,360°)范围内的角度θ的量化值与它的对称360-θ的量化值相同。可将一个小边的长度定义为4个像素到12个像素之间，小边特征模板包括直线、1/8圆弧、1/4圆弧、1/2圆弧及与它们镜像对称的单元。可定义相关窗口的大小为128×128，可得到多维的edgelet特征来描述一幅水堵图像。

其中，在进行分类之前，首先要建立分类模型。分类模型的训练/学习过程是判决和分类的过程，相当于人们从感性认识上升到理性认识而做出判决结论的过程。分类模型要实现对未知类别属性样本的分类判决，为了设计分类模型，首先确定对分类错误率的要求，选用适当的判决规则。为了使分类模型有效进行分类判决，必须首先对分类模型进行训练，即分类模型首先要进行学习。分类模型的设计主要包括人工神经网络、支持向量机（SVM）和Boosting等几种常用的方法。人工神经网络是近些年来比较活跃的一个研究方向，它具有良好的自学习、自适应能力，特别是它的自学习能力在模式识别方面的表现尤为突出。因此，我们采用BP神经网络来作为水堵丢失故障检测的分类模型。将正常和故障样本的特征向量输入到BP神经网络中，这里我们选择3层标准的BP神经网络，即只有一个隐含层的BP神经网络。该网络输入层的节点数由输入向量的维数决定，由于输入向量的维数太大，增加了神经网络的复杂性，因此在特征输入前需要对特征进行降维处理。这里我们采用PCA（主成分分析）将特征降维到100维，设计BP神经网络的输入节点数为100。输出层节点数为1，用来表示水堵是否丢失。隐层节点数的选择在所有BP网络中目前还没有理论上的指导，这里隐含层节点数参考下式：m=(p+q)^0.5+α，其中m为隐层节点数，p为输入层节点数，q为输出层节点数，α为1-10之间的常数。经过反复训练，隐含层节点数定位12。这样就形成了一个100-12-1的神经网络。我们将连接权重及权值赋予(-1,+1)间的随机值，将提取的edgelet特征输入神经网络中，经过训练得到分类模型的参数，从而得到分类模型，以作为上述预先确定的分类模型。

其中，在对与处理后的车辆图像进行特征提取后，得到的特征的数量与预先确定的分类模型的输入层的节点个数不同，因此需要在特征提取后得到的特征中选择与预先确定的分类模型的输入层的节点个数相同的特征，即输入向量的维数，由此得到的为表示车辆图像的特征。

当分类模型训练完之后，我们将网络的权值进行保存。在进行水堵丢失检测时，对实时采集到的车辆图像进行图像预处理和特征提取的操作，然后将待识别车辆图像的edgelet特征输入到已训练完成的人工神经网络，观察神经网络输出层的输出，从而判断是否出现水堵丢失的故障。

图2为本发明提供的货车车辆水堵丢失故障的检测***的框图。如图2所示，该***包括图像采集模块、图像预处理模块、特征提取模块、分类模型建立模块和分类决策模块。

图像采集模块用于采集车辆图像。图像预处理模块用于对采集的车辆图像进行预处理，得到预处理后的车辆图像。特征提取模块用于对预处理后的车辆图像进行特征提取，得到表示车辆图像的特征。分类决策模块采用预先确定的分类模型根据车辆图像的特征得到车辆水堵是否丢失的检测结果。分类模型建立模块用于建立进行分类的分类模型。

其中，图像采集模块采集车辆图像后，图像预处理模块对采集到的车辆图像进行预处理，特征提取模块对预处理后的车辆图像进行特征提取后，选择与预先确定的分类模型的输入层节点数相适应数量的特征作为车辆图像的特征，然后，分类决策模块采用预先确定的分类模型根据车辆图像的特征得到车辆水堵是否丢失的检测结果。

其中，分类模型建立模块采用BP神经网络根据正常和故障的历史样本数据的特征向量对BP神经网络进行训练，得到分类模型。

***中各步骤的实施过程可参照方法中的描述进行。

需要说明的是，有关本发明提供的货车车辆水堵丢失故障的检测***的具体细节及益处与本发明提供的货车车辆水堵丢失故障的检测方法相对应，于此不再赘述。

通过本发明，实现了针对运行货车车辆水堵丢失故障的自动识别与检测，检车时间可以进一步大幅减少，只占传统图像分析***技检时间的一半左右，从而能够缩短列车的运转周期，大幅提高线路的运量和货车的使用效率。与传统的图像分析***作业方式相比，本发明的应用不再需要大量技检人员进行查图、挑图的工作，在运量不断增加的情况下，可以不增员甚至减员即可完成生产任务，从而大幅减少人员成本和支出。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。例如，可以将BP神经网络改变为RBF神经网络。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，例如采集车辆图像后可不进行预处理直接进行特征提取，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims

1.一种货车车辆水堵丢失故障的检测方法，其特征在于，该方法包括：

采集车辆图像并对采集的车辆图像进行预处理，得到预处理后的车辆图像；

对所述预处理后的车辆图像进行特征提取，得到表示车辆图像的特征；以及

采用预先确定的分类模型根据所述车辆图像的特征得到车辆水堵是否丢失的检测结果。

2.根据权利要求1所述的方法，其特征在于，所述对采集的车辆图像进行预处理包括：

采用邻域平均法对采集的车辆图像进行平滑去噪，得到平滑去噪的车辆图像；以及

采用直方图均衡法对所述平滑去噪的车辆图像的边缘信息进行增强，得到预处理后的车辆图像。

3.根据权利要求1所述的方法，其特征在于，所述对预处理后的车辆图像进行特征提取，得到表示车辆图像的特征，包括：

在对所述预处理后的车辆图像进行特征提取后，选择与所述预先确定的分类模型的输入层节点数相适应数量的特征作为所述车辆图像的特征。

4.根据权利要求1所述的方法，其特征在于，所述对预处理后的车辆图像进行特征提取包括：

提取所述预处理后的车辆图像的小边特征。

5.根据权利要求4所述的方法，其特征在于，所述进行特征提取的小边的长度为4个像素至12个像素之间。

6.根据权利要求1所述的方法，其特征在于，在所述采用预先确定的分类模型之前，该方法还包括：

建立所述分类模型。

7.根据权利要求6所述的方法，其特征在于，采用BP神经网络作为所述分类模型。

8.一种货车车辆水堵丢失故障的检测***，其特征在于，该***包括：

图像采集模块，用于采集车辆图像；

图像预处理模块，用于对采集的车辆图像进行预处理，得到预处理后的车辆图像；

特征提取模块，用于对所述预处理后的车辆图像进行特征提取，得到表示车辆图像的特征；以及

分类决策模块，采用预先确定的分类模型根据所述车辆图像的特征得到车辆水堵是否丢失的检测结果。

9.根据权利要求8所述的***，其特征在于，该***还包括：

分类模型建立模块，用于建立所述分类模型。

10.根据权利要求8所述的***，其特征在于，所述特征提取模块用于对所述预处理后的车辆图像进行特征提取后，选择与所述预先确定的分类模型的输入层节点数相适应数量的特征作为所述车辆图像的特征。