CN103500347A - 铁路货车折角塞门把手丢失故障的自动检测方法 - Google Patents
铁路货车折角塞门把手丢失故障的自动检测方法 Download PDFInfo
- Publication number
- CN103500347A CN103500347A CN201310484637.8A CN201310484637A CN103500347A CN 103500347 A CN103500347 A CN 103500347A CN 201310484637 A CN201310484637 A CN 201310484637A CN 103500347 A CN103500347 A CN 103500347A
- Authority
- CN
- China
- Prior art keywords
- angle cock
- sorter
- fault
- gradient
- histogram feature
- 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
Landscapes
- Image Analysis (AREA)
Abstract
一种图像处理技术领域的铁路货车折角塞门把手丢失故障的自动检测方法,采用梯度编码直方图特征构建故障检测所需的特征向量;并采用线性支持向量机训练出检测所需的定位分类器以及验证分类器;采用层次化级联检测思路,先利用定位分类器定位折角塞门整体,然后利用验证分类器对折角塞门上的把手是否丢失进行验证,实现折角塞门把手丢失故障的全自动检测,无需任何人工参与过程。本发明的故障检测率达到了99.8%,检测速度达到了6帧/秒,满足了实际应用的需求。
Description
技术领域
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折角塞门把手丢失故障的自动检测。
背景技术
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。
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。
折角塞门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。一旦折角塞门被非正常关闭,会阻断气体通路使其后车辆的制动***失灵,在货车需制动时,使空气制动功能受到影响,制动力下降,严重时将造成货车冒进,追尾等事故。正是由于折角塞门的重要性,为确保折角塞门安全,常由经验丰富的列检员人工检测折角塞门把手是否处于正确位置,由于货车在行进过程中长期的颠簸震动,常造成折角塞门把手丢失,这给正确判别及更改折角塞门的状态造成困难,是一类多发且较为严重的故障。在中国,货车折角塞门把手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,该铁路货车折角塞门把手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
本发明针对现有技术存在的上述不足,提供一种铁路货车折角塞门把手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。
本发明是通过以下技术方案实现的,本发明采用梯度编码直方图特征构建故障检测所需的特征向量;并采用线性支持向量机训练出检测所需的定位分类器以及验证分类器;采用层次化级联检测思路,先利用定位分类器定位折角塞门整体,然后利用验证分类器对折角塞门上的把手是否丢失进行验证,实现折角塞门把手丢失故障的全自动检测。
所述的梯度编码直方图特征通过以下方式得到:针对待分析的固定高速相机所采集的折角塞门部位图像,通过高斯梯度算子转换为梯度图像,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。
所述的定位分类器是指:利用折角塞门图片样本库,提取图片的梯度编码直方图特征作为输入数据,采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,训练得到定位分类器。
所述的验证分类器是指:利用折角塞门把手图片样本库,提取图片的梯度编码直方图特征作为输入数据,采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,训练得到验证分类器。
所述的层次化级联检测是指:将训练所生成的定位分类器和验证分类器相级联,待检测图像依次经过定位分类器和验证分类器。
本发明的原理是,考虑到图像采集设备是安装在户外环境中,所采集的图像光照变化明显。如果直接采用灰度图必定无法可靠地提取特征,而梯度图像包含了物体的轮廓信息,在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。
与现有技术相比,本发明以梯度编码直方图特征构建故障检测所需的特征向量。采用定位和验证分类器级联方式实现折角塞门故障检测,体现了先整体后局部的层次化故障检测思路,实现了铁路货车折角塞门把手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。
附图说明
图1是本发明的工作流程图。
图2是梯度编码直方图特征生成示意图。
图3是折角塞门定位结果图。
图4是折角塞门把手丢失故障检测结果图。
具体实施方式
下面对本发明的实施例做详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
如图1所示,本实施例对铁路现场采集的折角塞门部位图像(1400×1024像素)进行处理。这些图像光照变化显著,背景复杂。本实施例包括如下步骤:
第一步,针对待分析的折角塞门部位图像,以4个像素位移进行采样,截取192×128像素的窗口,并提取梯度编码直方图特征,具体为:
①通过将折角塞门部位图像I和高斯核函数卷积来获取平滑图像I′:I′=I*G(x,y,σ),其中*表示卷积操作,标准偏差为σ的高斯核函数为
本实施例取σ=1。
②通过将平滑后的图像I′和x方向上的高斯核函数的微分Gx(x,y,σ)进行卷积计算x方向上图像梯度Ix=I′*Gx(x,y,σ);同时,将平滑后的图像I′和y方向上的高斯核函数的微分Gy(x,y,σ)进行卷积计算y方向上图像梯度Iy=I′*Gy(x,y,σ)。
④在由梯度幅值所形成的梯度图像上计算中心变换其中N(x,y)为位于(x,y)处像素的局部空间邻域,通常为一个3×3区域,且比较函数ζ(I′′(x,y),I′′(x′,y′))当I′′(x,y)<I′′(x′,y′)时为1,表示串联操作。
⑤获取中心变换编码图像的直方图,形成特征表达。
第二步,利用铁路现场采集的折角塞门部位图像,裁剪出图像中的折角塞门以及背景区域,并提取它们的梯度编码直方图特征作为输入数据。采用线性支持向量机学习方法生成折角塞门定位分类器。
本实施例采用铁路现场采集的1400幅1400×1024像素的图像数据,对这些图像,人工裁剪出192×128像素的折角塞门作为正样本。负样本从这些图像中不包含折角塞门物体的背景区域随意裁剪,大小同样为192×128像素。最终的折角塞门定位训练集共有正样本1400个,负样本2000个。
本发明采用积分直方图技术加速计算梯度编码直方图特征。对任一左上角坐标为(x,y),高度为h,宽度为w的矩形图像块R(x,y,h,w),图像块的b维直方图hCT(R,j)按维序号j顺序排列的向量表示为xCT(R)□[hCT(R,0),L,hCT(R,b-1)]T,其中:
b=256
hCT(R,j)=IICT(x+w,y+h,j)+IICT(x,y,j)
-(IICT(x+w,y,j)+IICT(x,y+h,j))
由于IICT(x,y,j)是对每一个中心变换数值在整个图像上所做的积分操作。该积分图像使得直方图的求解减少为只需3次加减运算,时间复杂度变为常数阶,即O(1),提高了算法的运行速度,并节省了存储空间。
本发明选用线性支持向量机的学***面参数来最小化一个l2代价函数和l2正则项的和: 其中C为惩罚参数,X□{x1,…,xN}为各训练样本的特征集合,N为正负样本的数目之和,y□{y1,…,yN}则为各训练样本相应的标注。
本实施例取C=2,N=1400,yi∈{-1,1}。
第三步,利用192×128像素的折角塞门正样本,裁剪出把手以及把手丢失图像,并提取它们的梯度编码直方图特征作为输入数据,采用线性支持向量机学习方法生成把手验证分类器。
本实施例采用1400幅192×128像素的折角塞门正样本,人工裁剪出400幅96×128像素的把手丢失图像作为训练把手验证分类器的正样本和1000幅96×128像素的把手图像作为训练把手验证分类器的负样本。提取正、负样本的梯度编码直方图特征作为输入数据,采用线性支持向量机学习方法生成把手验证分类器。
第四步,在移位采样所截取的192×128像素的窗口区域提取梯度编码直方图特征,依次送入训练好的折角塞门定位分类器以及把手验证分类器中进行识别,通过这种级联方式精确判别出折角塞门把手丢失故障。
实施效果
依据上述步骤,对铁路现场采集的1496幅1400x1024像素的折角塞门部位图像进行检测。图2是梯度编码直方图特征生成示意图。可以看出,梯度编码直方图特征并不受光照变化影响,能够准确地提取折角塞门的特征。
图3是折角塞门定位结果图,每幅图像的定位结果都用白色窄线方框标识出来。可以看出折角塞门定位分类器能够比较准确地定位折角塞门物体。
图4是在折角塞门成功定位基础上,利用把手验证分类器进行故障检测的结果。针对每个最终检测结果,采用黑色粗线框标志出把手存在区域(无故障区域),而采用白色粗线框标志处把手丢失区域(故障区域)。
本实施例的故障检测率为99.8%。
Claims (5)
1.一种铁路货车折角塞门把手丢失故障的自动检测方法,其特征在于,采用梯度编码直方图特征构建故障检测所需的特征向量;并采用线性支持向量机训练出检测所需的定位分类器以及验证分类器;采用层次化级联检测思路,先利用定位分类器定位折角塞门整体,然后利用验证分类器对折角塞门上的把手是否丢失进行验证,实现折角塞门把手丢失故障的全自动检测。
2.根据权利要求1所述的铁路货车折角塞门把手丢失故障的自动检测方法,其特征是,所述的梯度编码直方图特征通过以下方式得到:针对待分析的固定高速相机所采集的折角塞门部位图像,通过高斯梯度算子转换为梯度图像,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。
3.根据权利要求1所述的铁路货车折角塞门把手丢失故障的自动检测方法,其特征是,所述的定位分类器是指:利用折角塞门图片样本库,提取图片的梯度编码直方图特征作为输入数据,采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,训练得到定位分类器。
4.根据权利要求1所述的铁路货车折角塞门把手丢失故障的自动检测方法,其特征是,所述的验证分类器是指:利用折角塞门把手图片样本库,提取图片的梯度编码直方图特征作为输入数据,采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,训练得到验证分类器。
5.根据权利要求1所述的铁路货车折角塞门把手丢失故障的自动检测方法,其特征是,所述的层次化级联检测是指:将训练所生成的定位分类器和验证分类器相级联,待检测图像依次经过定位分类器和验证分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310484637.8A CN103500347B (zh) | 2013-10-16 | 2013-10-16 | 铁路货车折角塞门把手丢失故障的自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310484637.8A CN103500347B (zh) | 2013-10-16 | 2013-10-16 | 铁路货车折角塞门把手丢失故障的自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103500347A true CN103500347A (zh) | 2014-01-08 |
CN103500347B CN103500347B (zh) | 2018-02-02 |
Family
ID=49865552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310484637.8A Active CN103500347B (zh) | 2013-10-16 | 2013-10-16 | 铁路货车折角塞门把手丢失故障的自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103500347B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268588A (zh) * | 2014-06-19 | 2015-01-07 | 江苏大学 | 铁路货车闸瓦钎丢失故障的自动检测方法 |
CN106778833A (zh) * | 2016-11-28 | 2017-05-31 | 北京航天控制仪器研究所 | 一种复杂背景下小目标丢失故障的自动识别方法 |
CN108717711A (zh) * | 2018-05-23 | 2018-10-30 | 深圳市阡丘越科技有限公司 | 一种轨道交通故障图像分析方法、装置和*** |
CN111080605A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车人力制动机轴链脱落故障图像识别方法 |
CN111091552A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车折角塞门把手关闭故障图像识别方法 |
CN112488039A (zh) * | 2020-12-15 | 2021-03-12 | 哈尔滨市科佳通用机电股份有限公司 | 基于机器学习的铁路货车钩尾框托板脱落故障检测方法 |
CN112733940A (zh) * | 2021-01-12 | 2021-04-30 | 哈尔滨市科佳通用机电股份有限公司 | 一种截断塞门手把关闭故障图像识别方法 |
CN112907534A (zh) * | 2021-02-18 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于关门车部件位置图像的故障检测方法及装置 |
CN115170828A (zh) * | 2022-07-15 | 2022-10-11 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的折角塞门卡子丢失故障检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887524A (zh) * | 2010-07-06 | 2010-11-17 | 湖南创合制造有限公司 | 基于视频监控的行人检测方法 |
CN102693427A (zh) * | 2011-03-22 | 2012-09-26 | 日电(中国)有限公司 | 形成和使用用于检测图像的检测器的方法和设备 |
-
2013
- 2013-10-16 CN CN201310484637.8A patent/CN103500347B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887524A (zh) * | 2010-07-06 | 2010-11-17 | 湖南创合制造有限公司 | 基于视频监控的行人检测方法 |
CN102693427A (zh) * | 2011-03-22 | 2012-09-26 | 日电(中国)有限公司 | 形成和使用用于检测图像的检测器的方法和设备 |
Non-Patent Citations (1)
Title |
---|
马姗等: "基于汉明距离最近邻算法在铁路扣件识别中的应用", 《中国科技论文在线》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268588B (zh) * | 2014-06-19 | 2018-02-27 | 江苏大学 | 铁路货车闸瓦钎丢失故障的自动检测方法 |
CN104268588A (zh) * | 2014-06-19 | 2015-01-07 | 江苏大学 | 铁路货车闸瓦钎丢失故障的自动检测方法 |
CN106778833A (zh) * | 2016-11-28 | 2017-05-31 | 北京航天控制仪器研究所 | 一种复杂背景下小目标丢失故障的自动识别方法 |
CN108717711B (zh) * | 2018-05-23 | 2021-09-24 | 深圳市阡丘越科技有限公司 | 一种轨道交通故障图像分析方法、装置和*** |
CN108717711A (zh) * | 2018-05-23 | 2018-10-30 | 深圳市阡丘越科技有限公司 | 一种轨道交通故障图像分析方法、装置和*** |
CN111080605A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车人力制动机轴链脱落故障图像识别方法 |
CN111091552A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车折角塞门把手关闭故障图像识别方法 |
CN112488039A (zh) * | 2020-12-15 | 2021-03-12 | 哈尔滨市科佳通用机电股份有限公司 | 基于机器学习的铁路货车钩尾框托板脱落故障检测方法 |
CN112488039B (zh) * | 2020-12-15 | 2021-08-06 | 哈尔滨市科佳通用机电股份有限公司 | 基于机器学习的铁路货车钩尾框托板脱落故障检测方法 |
CN112733940A (zh) * | 2021-01-12 | 2021-04-30 | 哈尔滨市科佳通用机电股份有限公司 | 一种截断塞门手把关闭故障图像识别方法 |
CN112907534A (zh) * | 2021-02-18 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于关门车部件位置图像的故障检测方法及装置 |
CN115170828A (zh) * | 2022-07-15 | 2022-10-11 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的折角塞门卡子丢失故障检测方法 |
CN115170828B (zh) * | 2022-07-15 | 2023-03-14 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的折角塞门卡子丢失故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103500347B (zh) | 2018-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103500347A (zh) | 铁路货车折角塞门把手丢失故障的自动检测方法 | |
US11884310B2 (en) | Systems and methods for detecting tanks in railway environments | |
CN108765235A (zh) | 基于交通事故案例解构的自动驾驶车辆测试场景构建方法和测试方法 | |
CN104268588B (zh) | 铁路货车闸瓦钎丢失故障的自动检测方法 | |
CN102902974B (zh) | 一种基于图像的铁路接触网杆柱标识信息的识别方法 | |
CN103279756A (zh) | 基于集成分类器的车辆检测分析***及其检测分析方法 | |
CN103679205B (zh) | 基于阴影假设和分层hog对称特征验证的前车检测方法 | |
CN107273802A (zh) | 一种铁路列车闸瓦钎环故障的检测方法及装置 | |
CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN108090459A (zh) | 一种适用于车载视觉***的交通标志检测识别方法 | |
CN109101932A (zh) | 基于目标检测的多任务及临近信息融合的深度学习算法 | |
CN104732236A (zh) | 一种基于分层处理的人群异常行为智能检测方法 | |
Arivazhagan et al. | Railway track derailment inspection system using segmentation based fractal texture analysis | |
CN114248819A (zh) | 基于深度学习的铁路侵限异物无人机检测方法、装置及*** | |
Manikandan et al. | Machine vision based missing fastener detection in rail track images using SVM classifier | |
CN106446929B (zh) | 基于边缘梯度势能的车辆类型检测方法 | |
CN105225499B (zh) | 一种基于卫星定位型数据的超***方法 | |
CN103661491B (zh) | 站台屏蔽门智能控制***及方法 | |
CN102749335B (zh) | 基于二代曲波系数形态学条带能量法的绝缘子破损故障检测方法 | |
CN110516551B (zh) | 一种基于视觉的巡线位置偏移识别***、方法及无人机 | |
Yang et al. | Railway comprehensive monitoring and warning system framework based on space-air-vehicle-ground integration network | |
CN114743166A (zh) | 一种铁路货车的制动机检测方法 | |
CN103208009B (zh) | 一种输电线路车载巡检的图像分类方法 | |
Pradeep et al. | Automatic railway detection and tracking inspecting system | |
Ma et al. | [Retracted] Design of Faster R‐CNN‐Based Fault Detection Method for Subway Vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210204 Address after: 5 / F, building 2, Aosheng building, 1166 Xinluo street, high tech Industrial Development Zone, Jinan City, Shandong Province Patentee after: SHANDONG ZHENGCHEN POLYTRON TECHNOLOGIES Co.,Ltd. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |
|
TR01 | Transfer of patent right |