基于图像处理的铁路货车防火板故障检测方法

技术领域

本发明属于基于图像处理的故障检测领域。

背景技术

对于货车防火板故障检测，现阶段一般采用人工排查的方式进行故障检修。由于检测作业受作业人员的业务素质、责任心、劳动强度等因素影响较大，容易发生漏检或简化作业等情况。且人工检测工作效率低，一旦出现作业质量问题，不利于查找作业过程中产生问题的原因和问题发生的时间。

发明内容

本发明目的是为了解决现有货车防火板排查检测采用人工处理，存在易发生漏检或简化作业的情况不利于故障原因排查的问题，提供了一种基于图像处理的铁路货车防火板故障检测方法。

本发明一种基于图像处理的铁路货车防火板故障检测方法，具体包括：

步骤一、建立防火板正常子图集合、防火板丢失子图集合和防火板破损子图集合；

步骤二、利用防火板正常子图集和防火板丢失子图集合，建立丢失故障的判定模型；

利用防火板正常子图集合和防火板破损子图集合，建立破损故障的判定模型；

计算每个正常子图与每个丢失子图的灰度共生矩阵，确定丢失故障的判定区间；

计算每个正常子图与每个破损子图的灰度共生矩阵，确定破损故障的判定区间；

步骤三、截取待检测图像的防火板区域，将所述防火板区域水平方向平均分成n个待检测子图；使用LBP算子提取待检测子图的特征；

步骤四、将步骤六提取的待检测子图的特征输入至丢失故障的判定模型；判断待检测图像中的防火板是否丢失，若是，则完成该次货车防火板故障检测，否则，执行步骤六；

步骤五、计算每个待检测子图的纹理参数，利用丢失故障的判定区间，再次判断待检测图像中的防火板是否丢失；若是，则确定待检测图像中的防火板丢失，完成该次货车防火板故障检测，否则执行步骤六；

步骤六、将步骤四提取的待检测子图的特征输入至破损故障的判定模型，判断待检测图像中的防火板是否破损，若是，则完成该次货车防火板故障检测，否则，执行步骤七；

步骤七、计算每个待检测子图的纹理参数，利用破损故障的判定区间，再次判定待检测图像中的防火板是否破损；若是，则确定待检测图像中的防火板破损，完成该次货车防火板故障检测。

进一步地，步骤四中截取摄像机采集的待检测图像的防火板区域的具体方法为：

以采集的图像中阴影区域中像素点灰度均值向上浮动50％为阈值，将像素大于阈值的像素点像素设置为0，小于阈值的像素点置为255；获得二值图，在二值图中，获取阴影区域在图像中的位置，根据该位置在原图中阴影区域上方截取防火板区域图像。

进一步地，建立防火板正常子图集合、防火板丢失子图集合和防火板破损子图集合的方法相同，建立防火板正常子图集合具体为：截取防火板正常状态的图像，并将截取的图像水平方向平均分成n个部分，获得具有n个子图像的防火板正常子图集合。

进一步地，步骤二中利用防火板正常子图集和防火板丢失子图集合，建立丢失故障的判定模型的具体方法为：使用LBP算子分别提取防火板正常子图集合和防火板丢失子图集合中每个子图的特征，用SVM对提取特征分类进行训练，得到丢失故障的判定模型。

进一步地，步骤二中利用防火板正常子图集合和防火板破损子图集合，建立破损故障的判定模型的具体方法为：使用LBP算子分别提取正常子图集合和破损区域子图集合中每个子图的特征，使用SVM对提取的特征进行分类训练，得到破损故障的判定模型。

进一步地，步骤五和步骤七中每个待检测子图的纹理参数包括能量、熵、对比度和相关度。

进一步地，步骤三中计算每个正常子图与每个丢失子图的灰度共生矩阵，确定丢失故障的判定区间的具体方法为：

计算每个防火板正常子图与每个防火板丢失子图的灰度共生矩阵，提取每个灰度共生矩阵的纹理参数:能量、熵、对比度和相关度四个；并分别计算每个参数的平均值；确定能量、熵、对比度和相关度四个参数的判定区间；

四个参数的判定区间确定方法相同，能量判定区间的确定具体方法为：当丢失子图的能量平均值均值a，正常子图的能量均值b；若a

若a>b时，待检测子图的能量值小于b判定为防火板丢失，待检测子图的能量值大于a判定为防火板正常；待检测子图像的能量值位于a和b之间时，将(a/2+b/2，3a/2-b/2)作为丢失故障的能量判定区间，其中，a、b均大于0。

进一步地，步骤三中计算每个正常子图与破损子图的灰度共生矩阵，确定破损故障的判定区间的具体方法为：

计算每个防火板正常子图与防火板破损子图的灰度共生矩阵，提取每个灰度共生矩阵的纹理参数：能量、熵、对比度和相关度四个；并分别计算每个参数的平均值；确定能量、熵、对比度和相关度四个参数的判定区间；

判定区间确定方法相同，丢失故障的能量判定区间确定的具体方法为：丢失子图的能量平均值均值c，正常子图的能量均值d；

若c

若c>d时，待检测子图的能量值小于d判定为防火板丢失，待检测子图的能量值大于c判定为防火板正常；待检测子图像的能量值位于c和d之间时，将(c/2+d/2，3c/2-d/2)作为丢失故障的能量判定区间，其中，c、d均大于0。

进一步地，步骤五中判定待检测图像中的防火板是否丢失的方法为：

当同一个待检测子图的两个参数被判定为丢失时，判定该子图为丢失子图，当待检测图像中被判定为丢失的子图的数量超过3时，判定待检测图像中防火板丢失。

进一步地，步骤七判定待检测图像中的防火板是否破损的方法为：

当同一个待检测子图的两个参数被判定为破损时，判定该子图为破损子图，当任意一个子图被判断为破损子图，判定待检测图像中防火板破损。

本发明中，利用图像自动识别的方式代替人工检测，提高故障识别检测效率、准确率，降低人力成本。先采用常规方式提取可能存在的故障区域，然后进行分类识别，可以有效提高运行效率。采用LBP特征计算与灰度共生矩阵相结合的方式进行故障判定，提高故障识别的准确率，避免漏报，减少误报。

附图说明

图1是货车防火板正常图像；

图2是货车防火板丢失图像；

图3是本发明方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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本发明一部分实施例，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作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。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

具体实施方式一：下面结合图1至图3说明本实施方式，本实施方式一种基于图像处理的铁路货车防火板故障检测方法，具体包括：

步骤一、建立防火板正常子图集合、防火板丢失子图集合和防火板破损子图集合；

步骤二、利用防火板正常子图集和防火板丢失子图集合，建立丢失故障的判定模型；

利用防火板正常子图集合和防火板破损子图集合，建立破损故障的判定模型；

计算每个正常子图与每个丢失子图的灰度共生矩阵，确定丢失故障的判定区间；

计算每个正常子图与每个破损子图的灰度共生矩阵，确定破损故障的判定区间；

步骤三、截取待检测图像的防火板区域，将所述防火板区域水平方向平均分成n个待检测子图；使用LBP算子提取待检测子图的特征；

步骤四、将步骤六提取的待检测子图的特征输入至丢失故障的判定模型；判断待检测图像中的防火板是否丢失，若是，则完成该次货车防火板故障检测，否则，执行步骤六；

步骤五、计算每个待检测子图的纹理参数，利用丢失故障的判定区间，再次判断待检测图像中的防火板是否丢失；若是，则确定待检测图像中的防火板丢失，完成该次货车防火板故障检测，否则执行步骤六；

步骤六、将步骤四提取的待检测子图的特征输入至破损故障的判定模型，判断待检测图像中的防火板是否破损，若是，则完成该次货车防火板故障检测，否则，执行步骤七；

步骤七、计算每个待检测子图的纹理参数，利用破损故障的判定区间，再次判定待检测图像中的防火板是否破损；若是，则确定待检测图像中的防火板破损，完成该次货车防火板故障检测。

进一步地，步骤四中截取摄像机采集的待检测图像的防火板区域的具体方法为：

以采集的图像中阴影区域中像素点灰度均值向上浮动50％为阈值，将像素大于阈值的像素点像素设置为0，小于阈值的像素点置为255；获得二值图，在二值图中，获取阴影区域在图像中的位置，根据该位置在原图中阴影区域上方截取防火板区域图像。

本实施方式中，采用以采集的图像中阴影区域中像素点灰度均值向上浮动50％为阈值的方式对图像进行二值化处理，将像素大于阈值的像素点像素设置为0，小于阈值的像素点置为255，实现了使图像中的阴影区域经过处理后在二值图中为白色区域，这样便于快速找到阴影区域，同时能够快速截取图像中的防火板区域图像。

进一步地，建立防火板正常子图集合、防火板丢失子图集合和防火板破损子图集合的方法相同，建立防火板正常子图集合具体为：截取防火板正常状态的图像，并将截取的图像水平方向平均分成n个部分，获得具有n个子图像的防火板正常子图集合，n为正整数。

进一步地，步骤二中利用防火板正常子图集和防火板丢失子图集合，建立丢失故障的判定模型的具体方法为：使用LBP算子分别提取防火板正常子图集合和防火板丢失子图集合中每个子图的特征，用SVM对提取特征分类进行训练，得到丢失故障的判定模型。

本实施方式中，手动截取图像中防火板区域子图，将防火板识别区域水平方向平均分成8个部分，制作为正常子图集合。同时手动截取图像中防火板丢失后区域子图，将该区域水平方向平均分成8个部分，制作为故障子图集合。分别使用LBP算子提取正常子图集和丢失区域子图的特征，使用SVM对提取特征进行分类训练，得到丢失故障的判定模型。考虑到灰度共生矩阵对于图像的位置、亮度、颜色等具有较好的鲁棒性，分别计算正常子图与丢失子图的灰度共生矩阵，提取灰度共生矩阵的能量、熵、对比度和相关度四个纹理参数作为判定故障的度量参数。分别计算正常子图与丢失子图这些参数的平均值，将正常图像的平均值与丢失故障子图的平均值作为丢失故障判定的参考。以能量为例，获取丢失子图的能量均值a与正常子图的能量均值b。两个均值的中间值当ab时，将(a/2+b/2，3a/2-b/2)作为丢失故障的能量判定区间。

进一步地，步骤二中利用防火板正常子图集合和防火板破损子图集合，建立破损故障的判定模型的具体方法为：使用LBP算子分别提取正常子图集合和破损区域子图集合中每个子图的特征，使用SVM对提取的特征进行分类训练，得到破损故障的判定模型。

本实施方式中，训练破损故障判定模型，手动截取图像中防火板区域子图，将防火板识别区域水平方向平均分成8个部分，制作为正常子图集合。找到存在破损故障的防火板图像。当破损区域宽度小于防火板宽度1/8时，截取破损区域图像，宽度为防火板宽度1/8。当破损故障宽度超过防火板宽度1/8时，将破损区域平均分配到左右两个宽度为防火板宽度1/8的子图内。分别使用LBP算子提取正常子图集和破损区域子图的特征，使用SVM对提取特征进行分类训练，得到破损故障的判定模型。分别计算正常子图与破损子图的灰度共生矩阵，提取灰度共生矩阵的能量、熵、对比度和相关度四个纹理参数作为判定故障的度量参数。分别计算正常子图与破损子图这些参数的平均值，将正常图像的平均值与破损故障子图的平均值作为破损故障判定的参考。分别计算正常子图与破损子图这些参数的平均值，将正常图像的平均值与破损故障子图的平均值作为破损故障判定的参考。以能量为例，获取破损子图的能量均值a与正常子图的能量均值b。两个均值的中间值当ab时，将(a/2+b/2，3a/2-b/2)作为破损故障的能量判定区间。

进一步地，步骤三中计算每个正常子图与每个丢失子图的灰度共生矩阵，确定丢失故障的判定区间的具体方法为：

计算每个防火板正常子图与每个防火板丢失子图的灰度共生矩阵，提取每个灰度共生矩阵的纹理参数：能量、熵、对比度和相关度；并分别计算每个参数的平均值；确定能量、熵、对比度和相关度四个参数的判定区间；

四个参数的判定区间确定方法相同，能量判定区间的确定具体方法为：当丢失子图的能量平均值均值a，正常子图的能量均值b；若a

若a>b时，待检测子图的能量值小于b判定为防火板丢失，待检测子图的能量值大于a判定为防火板正常；待检测子图像的能量值位于a和b之间时，将(a/2+b/2，3a/2-b/2)作为丢失故障的能量判定区间，其中，a、b均大于0。

本实施方式中，对防火板丢失故障判定，防火板位于转向架上方货车底板下方，如图1所示,由于相机采用仰角拍摄的原因。在转向架上方与防火板之间会形成一块黑色阴影区域,如图2所示。以图像中阴影区域中点的均值为阈值，对图像进行阈值分割，大于阈值的区域像素点置为255。在该图像中位于图像下方的长条行区域即为转向架位置。在转向架上方区域即为防火板安装位置。

根据获取的下方转向架水平宽度和位置，向上截取防火板区域，截取防火板区域作为故障识别区域。将该区域分成8个部分，分别获取8个子图。使用LBP算子提取子图的特征，读入预先训练好的丢失故障判定模型，判断子图是否属于防火板丢失子图。分别提取8个子图的灰度共生矩阵，计算灰度共生矩阵的能量、熵、对比度和相关度，当这些值位于丢失故障判定区间内，判断子图属于防火板丢失子图。当同一个子图两次都被判定为丢失时，判断该字图为丢失子图。当判定为丢失子图的数量超过3时，判定防火板丢失。

防火板位于转向架上方货车底板下方。由于相机采用仰角拍摄的原因。在转向架上方与防火板之间会形成一块黑色阴影区域。以图像中阴影区域中点的均值为阈值，对图像进行阈值分割，大于阈值的区域像素点置为255。在该图像中位于图像下方的长条行区域即为转向架位置。在转向架上方区域即为防火板安装位置。

根据获取的下方转向架水平宽度和位置，向上截取防火板区域，截取防火板区域作为故障识别区域。将该区域分成8个部分，分别获取8个子图。使用LBP算子提取子图的特征，读入预先训练好的丢失故障判定模型，判断子图是否属于防火板丢失子图。再分别提取8个子图的灰度共生矩阵，计算灰度共生矩阵的能量、熵、对比度和相关度，当这些值位于丢失故障判定区间内，判断子图属于防火板丢失子图。当同一个子图两次都被判定为丢失时，判断该字图为丢失子图。当判定为丢失子图的数量超过3时，判定防火板丢失。

进一步地，步骤三中计算每个正常子图与破损子图的灰度共生矩阵，确定破损故障的判定区间的具体方法为：

计算每个防火板正常子图与防火板破损子图的灰度共生矩阵，提取每个灰度共生矩阵的纹理参数：能量、熵、对比度和相关度；并分别计算每个参数的平均值；确定能量、熵、对比度和相关度四个参数的判定区间；

判定区间确定方法相同，丢失故障的能量判定区间确定的具体方法为：丢失子图的能量平均值均值c，正常子图的能量均值d；

若c

若c>d时，待检测子图的能量值小于d判定为防火板丢失，待检测子图的能量值大于c判定为防火板正常；待检测子图像的能量值位于c和d之间时，将(c/2+d/2，3c/2-d/2)作为丢失故障的能量判定区间，其中，c、d均大于0。

进一步地，步骤五中判定待检测图像中的防火板是否丢失的方法为：

当同一个待检测子图的两个参数被判定为丢失时，判定该子图为丢失子图，当待检测图像中被判定为丢失的子图的数量超过3时，判定待检测图像中防火板丢失。

进一步地，步骤七判定待检测图像中的防火板是否破损的方法为：

当同一个待检测子图的两个参数被判定为破损时，判定该子图为破损子图，当任意一个子图被判断为破损子图，判定待检测图像中防火板破损。

本实施方式中，当判定防火板没有丢失时，需要判定防火板是否存在破损故障。分别对8个子图使用OTSU算法进行阈值分割，当图像中较亮的连通区域差值与较暗的连通区域灰度差值超过阈值时，判断子图防火板是否破损。

使用LBP算子提取子图的特征，读入预先训练好的破损故障判定模型，判断子图是否属于防火板破损子图。提取子图的灰度共生矩阵，计算灰度共生矩阵的能量、熵、对比度和相关度，当这些值位于破损故障判定区间内，判定子图是否属于防火板破损子图。当同一个子图两次都被判定为破损时，判断该字图为破损子图。

进一步地，步骤四中的将防火板区域水平方向平均分成n个子图中的n＝8。

本发明在铁路两侧安装高清的成像设备拍摄经过设备的货车，获取图像。使用图像处理技术检测图像中防火板是否丢失或破损，然后上传至网络。以便人工查阅。工作人员根据图像的识别结果做出相应的处理，保证机车安全运行。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他实施例中。