基于图像处理的钩尾框折断识别方法

技术领域

发明属于图像检测技术领域，具体涉及一种钩尾框折断识别方法。

背景技术

为了保证铁路列车的安全运行，铁路检测技术人员需要对铁路列车各个部件进行检查。传统的方法为探测设备对列车或各个部件进行拍照，拍到照片后通过人工观察的方式确定列车故障点所在。这种方法可以在车行进中进行故障检测，而无需停靠。但是人工检查图像的故障检测方法效率低，而且需要花费大量的人力，并且存在易疲劳、强度大、需要培训等缺点。

对于有着明显特征且可以固定标准的故障，可以使用图像处理的方式进行识别，能够大大节省人力，并缩短检测时间，还不易因为疲劳等原因影响检测准确率，所以使用图像处理技术进行钩尾框托板故障的识别是一种更好的检测方法。但是直接利用现有的图像处理技术进行钩尾框托板的故障识别时仍然存在检测准确率低的问题，或者利用神经网络识别存在训练模型时间长的问题和检测时间较长的问题。

发明内容

本发明是为了解决现有的钩尾框折断检测方法存在准确率较低的问题。

基于图像处理的钩尾框折断识别方法，包括以下步骤：

S1、获取包含待检测部件的目标图像；并对目标图像进行增强得到增强后的目标图像；

S2、采用局部自适应阈值分割提取托板与背景的边界区域；按水平方向统计分割结果并以增强后的目标图像竖直中心点为基准向上下两端查找上下边界；

根据上边界或下边界在增强后的目标图像中的位置对钩尾框进行定位和截取，作为精确定位截取图像，对精确定位截取图像按列方向计算像素方差，得到方差曲线，遍历方差曲线，找到方差曲线跳变点的起始位置与结束位置，对应在精确定位截取图像中将起始位置外扩L个像素作为疑似故障区域的起始坐标，根据获取的起始坐标截取疑似故障区域子图；

S3、提取疑似故障区域子图的特征；

S4、基于提取到的疑似故障区域子图的特征，利用SVM分类器对钩尾框故障进行识别。

进一步地，对目标图像进行增强的过程包括以下步骤：

对目标图像进行归一化，然后以0.1为步长统计归一化后图像的灰度值在0到1之间的10个区间像素值个数，选取像素值个数最多的区间上界作为增强曲线中心；并按照如下公式对目标图像进行增强：

式中img

根据增强后的图像恢复得到增强后的目标图像。

进一步地，S2中按水平方向统计分割结果并以增强后的目标图像竖直中心点分别向上下两端查找上下边界的过程包括以下步骤：

以增强后的目标图像竖直中心点分别向上下两端查找，找到某行像素中白色像素点个数超过增强后目标图像宽度一半的行所在的位置记做A1，继续进行查找，若连续5行满足超过增强后目标图像宽度一半的条件则选择A1为边界停止查找，否者继续进行查找；

若向上下两端同时找到两条满足条件的线，则找到上下边界；若只找到一条边界，则根据找到的上边界或下边界补全另一条边界。

进一步地，S2中对应在精确定位截取图像中将起始位置外扩20像素作为疑似故障区域的起始坐标。

进一步地，S3提取疑似故障区域子图的特征之前需要将疑似故障区域子图调整到固定尺寸，然后再提取疑似故障区域子图的特征。

进一步地，提取疑似故障区域子图特征之前需要将疑似故障区域子图调整到128*128。

进一步地，S3中提取疑似故障区域子图的特征包括疑似故障区域子图的灰度、纹理、LBP特征。

进一步地，灰度特征为统计灰度的分布，纹理特征为选用Sobel算子对图像求取的边缘统计梯度。

进一步地，S4中基于提取到疑似故障区域子图的特征，利用SVM分类器对故障进行识别的过程包括以下步骤：

将提取到疑似故障区域子图的特征进行归一化处理，然后输入SVM分类器对故障进行识别。

进一步地，将提取到疑似故障区域子图的特征进行归一化处理之后，在输入SVM分类器之前，需要对归一化处理后的特征进行3西格玛性质的处理得到处理后的特征cls：

其中，cls为处理后的特征，f

将经过3西格玛性质处理后的特征cls输入SVM分类器对故障进行识别；

3西格玛性质为SVM分类器训练过程中确定的3西格玛性质，u为训练过程中的样本数据的均值，v为训练过程中样本的标准差；在训练SVM分类器过程中，利用训练集中的图像提取疑似故障区域子图的特征，并对提取的特征进行归一化处理，将每个疑似故障区域子图对应归一化后的特征作为样本数据，分别计算每个特征对应样本数据的均值u与标准差v。

有益效果：

1、本发明利用图像处理技术进行故障识别，可以实现钩尾框折断的自动检测，能够极大地节省人力，减少人工的作业量，极大地提高故障识别的发现率及检测准确率。

2、本发明使用改进的自适应的图像增强方法能够增强图像细节，从而保证检测准确率。

3、本发明中将提取到特征的均值作为目标对应特征的中心点位置，离均值越近说明相似程度越高，越远差距越大。使用3西格玛性质对数据进行处理，根据3西格玛性质对提特征处理得到处理后的特征cls实现了加大离中心点位置的权重，减少远离中心点位置的权重，能够减少预测时差异大的特征对分类的影响。

4、本发明的图像处理中利用SVM机器学习的方法进行识别，保证了检测速度，保证了处理时间和训练时间。

附图说明

图1为具体实施方式一的基于图像处理的钩尾框折断识别方法流程示意图；

图2a为增强前的图像，图2b为增强后的图像；

图3为局部自适应分割结果；

图4为水平方向统计结果；

图5为实施例的流程图；

图6为增强曲线。

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：结合图1说明本实施方式，

本实施方式为基于图像处理的钩尾框折断识别方法，包括以下步骤：

S1、获取包含待检测部件的目标图像；并对目标图像进行增强得到增强后的目标图像；

S2、采用局部自适应阈值分割提取托板与背景的边界区域；按水平方向统计分割结果并以增强后的目标图像竖直中心点为基准分别向上下两端查找上下边界；

根据上边界或下边界在增强后的目标图像中的位置对钩尾框进行定位和截取，作为精确定位截取图像，对精确定位截取图像按列方向计算像素方差，得到方差曲线，遍历方差曲线，找到方差曲线跳变点的起始位置与结束位置，对应在精确定位截取图像中，将起始位置外扩L个像素作为疑似故障区域的起始坐标，根据获取的起始坐标截取疑似故障区域子图；

S3、提取疑似故障区域子图的特征；

S4、基于提取到的疑似故障区域子图的特征，利用SVM分类器对钩尾框故障进行识别。

具体实施方式二：

本实施方式为基于图像处理的钩尾框折断识别方法，本实施方式中对目标图像进行增强的过程包括以下步骤：

对目标图像进行归一化，然后以0.1为步长统计归一化后图像的灰度值在0到1之间的10个区间像素值个数，选取像素值个数最多的区间上界作为增强曲线中心；并按照如下公式对目标图像进行增强：

式中img

根据增强后的图像恢复得到增强后的目标图像。

其他步骤和参数与具体实施方式一相同。

具体实施方式三：

本实施方式为基于图像处理的钩尾框折断识别方法，本实施方式的S2中按水平方向统计分割结果并以增强后的目标图像竖直中心点分别向上下两端查找上下边界的过程包括以下步骤：

以增强后的目标图像竖直中心点分别向上下两端查找，找到某行像素中白色像素点个数超过增强后目标图像宽度一半的行所在的位置记做A1，继续进行查找，若连续5行满足超过增强后目标图像宽度一半的条件则选择A1为边界停止查找，否者继续进行查找；

若向上下两端同时找到两条满足条件的线，则找到上下边界；若只找到一条边界，则根据找到的为上边界或下边界补全另一条边界；若一条边界也定位不到则说明图像质量有问题报警处理。

其他步骤和参数与具体实施方式一或二相同。

具体实施方式四：

本实施方式为基于图像处理的钩尾框折断识别方法，本实施方式的S2中对应在精确定位截取图像中将起始位置外扩20像素作为疑似故障区域的起始坐标。

其他步骤和参数与具体实施方式一至三之一相同。

具体实施方式五：

本实施方式为基于图像处理的钩尾框折断识别方法，本实施方式的S3提取疑似故障区域子图的特征之前需要将疑似故障区域子图调整到固定尺寸，然后再提取疑似故障区域子图的特征。

其他步骤和参数与具体实施方式一至四之一相同。

具体实施方式六：

本实施方式为基于图像处理的钩尾框折断识别方法，本实施方式中提取疑似故障区域子图特征之前需要将疑似故障区域子图调整到128*128。

其他步骤和参数与具体实施方式一至五之一相同。

具体实施方式七：

本实施方式为基于图像处理的钩尾框折断识别方法，本实施方式的S3中提取疑似故障区域子图的特征包括疑似故障区域子图的灰度、纹理、LBP特征。

其他步骤和参数与具体实施方式一至六之一相同。

具体实施方式八：

本实施方式为基于图像处理的钩尾框折断识别方法，本实施方式中灰度特征为统计灰度的分布，纹理特征为选用Sobel算子对图像求取的边缘统计梯度。

其他步骤和参数与具体实施方式七相同。

具体实施方式九：

本实施方式为基于图像处理的钩尾框折断识别方法，本实施方式的S4中基于提取到疑似故障区域子图的特征，利用SVM分类器对故障进行识别的过程包括以下步骤：

将提取到疑似故障区域子图的特征进行归一化处理，然后输入SVM分类器对故障进行识别。

其他步骤和参数与具体实施方式一至八之一相同。

具体实施方式十：

本实施方式为基于图像处理的钩尾框折断识别方法，本实施方式中将提取到疑似故障区域子图的特征进行归一化处理之后，在输入SVM分类器之前，需要对归一化处理后的特征进行3西格玛性质的处理得到处理后的特征cls；将经过3西格玛性质处理后的特征cls输入SVM分类器对故障进行识别；

3西格玛性质为SVM分类器训练过程中确定的3西格玛性质，u为训练过程中的样本数据的均值，v为训练过程中样本的标准差；在训练SVM分类器过程中，利用训练集中的图像提取疑似故障区域子图的特征，并对提取的特征进行归一化处理，将每个疑似故障区域子图对应归一化后的特征作为样本数据，分别计算每个特征对应样本数据的均值u与标准差v。

SVM分类器的训练过程包括以下步骤：

S401、获取包含待检测部件的目标图像，构建训练集；并对训练集中的目标图像进行增强得到增强后的目标图像；

S402、采用局部自适应阈值分提取托板与背景的边界区域；按水平方向统计分割结果并以增强后的目标图像竖直中心点向上下两端查找上下边界；

根据上边界或下边界在增强后的目标图像中对钩尾框进行定位和截取，作为精确定位截取图像，对精确定位截取图像按列方向计算像素方差，得到方差曲线，遍历像素方差曲线，找到方差曲线跳变点的开始与结束位置，对应在精确定位截取图像中将起始位置外扩L个像素作为疑似故障区域的起始坐标，根据获取的坐标截取疑似故障区域子图；

S403、提取疑似故障区域子图的特征；

S404、对提取的特征进行归一化处理，将每个疑似故障区域子图对应归一化后的特征作为样本数据，分别计算每个特征对应样本数据的均值u与标准差v，根据3西格玛性质，对归一化后的特征进行处理，得到处理后的特征cls：

其中，cls为处理后的特征，f

使用处理后的特征训练SVM分类器。

其他步骤和参数与具体实施方式九相同。

实施例

结合图5说明本实施例，本实施例为基于图像处理的钩尾框折断识别方法，包括以下步骤：

1、图像获取

利用探测站点设置的图像获取装置获取2D线阵过车图像。为了保证数据的多样性，高最终设计算法的稳定性，需要采集不同时间、不同天气的图像，构建过车图像集。2、样本子图粗截取

通过使用先验知识与硬件数据、轴距等，在过车图像中截取包含车端链接部位的图像，即目标图像，该目标图像包含车端链接部位，其上下左右皆有预留部分防止发生因硬件轴距等误差截取不全的情况。截取目标图像可以加快程序识别速度。

3、算法设计及改进

1)改进的图像增强

在传统的图像增强中总是整体增强图像的亮度等。钩尾框折断故障发生时，故障区域图像灰度发生改变，出现亮的断裂反光或暗的阴影区域，本发明重点增强图像灰度高低两端灰度，中间区域灰度保持。采用新的增强方式，主要增强灰度两端附近像素点，可以使得图像特征更加清晰明显。室外环境下的图像亮度不一，所以对不同的图像使用相同的参数显然不合理。本发明根据图像的灰度众数，来设置增强曲线中心来优化不同亮度的问题。对目标图进行归一化，本实施例采用直接将像素值除以255的归一化方式进行归一化；然后以0.1为步长统计归一化后图像的灰度值在0到1之间的10个区间像素值个数，选取像素值个数最多的区间上界作为增强曲线中心F

式中img

将增强后的图像乘以255得到的增强后的目标图像。

通过本发明的增强方法可以实现增强两端灰度，中部区域抑制的作用，对故障增强效果较好，增强效果对比如图2a和图2b所示，其中图2a为增强前的图像，图2b为增强后的图像。

2)故障识别

精确定位，采用局部自适应阈值分割加水平投影的方法，定位钩尾框在竖直方向具体位置：

精确定位时使用纹理特征误干扰较多，本发明采用局部自适应阈值分割来提取钩尾框与背景的边界区域，局部自适应分割结果如图3所示。将图3按水平(行)统计像素点的灰度值和，然后以行为单位按照行所在像素值的和整理成图像，即图4所示，以增强后的目标图像竖直中心点为基准分别向上下两端查找，当找到某行像素中白色像素点个数超过增强后目标图像宽度一半的行所在的位置记做A1，继续进行查找，若连续5行满足超过增强后目标图像宽度一半的条件则选择A1为边界停止查找，否者继续进行查找。若同时找到两条满足条件的线，则找到上下边界；若只找到一条边界，则根据找到的为上边界或下边界补全另一条边界；若一条边界也定位不到则说明图像质量有问题报警处理。

根据确定的上边界或下边界在增强后的目标图像中的位置对钩尾框进行精确定位和截取，作为精确定位截取图像，对精确定位截取图像按列方向计算像素方差，得到方差曲线。方差代表着一列像素变化的程度，当产生折断的时候方差曲线会出现波动。遍历方差曲线，找到方差曲线跳变点的起始位置与结束位置，对应在精确定位截取图像中将起始位置外扩20像素作为疑似故障区域的起始坐标，以保证截取完整的疑似故障区域。根据以上获取的起始坐标截取疑似故障区域子图，将疑似故障区域子图resize到(128*128)统一大小。

对疑似故障区域子图进行进一步的处理，提取疑似故障区域子图的灰度、纹理、LBP特征。灰度特征为统计灰度的分布，纹理特征选用Sobel算子对图像求取边缘统计梯度。不同特征区间可能不同，所以分别对提取的特征进行归一化处理：

f

f

对归一化后的特征进一步处理，将每个疑似故障区域子图对应归一化后的特征作为样本数据，分别计算每个特征对应样本数据的均值u与标准差v，根据每个特征对应样本数据的3西格玛性质，对提取到的特征进一步处理得到处理后的特征cls，作为训练使用的数据集以增加分类准确性；

其中，cls为处理后的特征，f

使用处理后的特征训练SVM分类器，得到二分类模型。当得到新的图像时采用同样的处理方法进行故障识别。

数据集包含正、负样本，正样本为正常图像、负样本为故障图像，每种样本包含图像提取到的灰度、纹理、lbp三个特征，分别计算正、负样本的三种特征的均值与方差，分别对三种数据进行处理得到处理后的特征cls，将正负样本的这三个特征数据作为训练数据集训练SVM分类器。

对数据行处理得到处理后的特征cls的过程中，因为正负样本的均值与方差不同，所以依据3西格玛性质，根据以上公式增加特征值离均值近的权重，远离均值的为0，这样能够有效地减少异常特征的干扰，增加准确性。

4、故障识别整体流程

当货车通过探测基站时，利用相机获取过车图像(2D线阵图像)，并根据硬件获取轴距信息。使用轴距信息截取包含目标的子图，即目标图像，然后定位钩尾框上下边所在位置精确定位截取图像，对精确定位截取图像按列方向计算像素方差，得到方差曲线，遍历像素方差曲线，找到方差曲线跳变点的开始与结束位置，对应在精确定位截取图像中将起始位置外扩20个像素作为疑似故障区域的起始坐标，根据获取的坐标截取疑似故障区域子图，并提取疑似故障区域子图的特征。将提取的疑似故障区域子图的特征进行归一化，将归一化后的特征作为样本数据，根据每个特征对应样本数据的3西格玛性质对提取到的特征进一步处理得到处理后的特征(训练集统计好的均值方差保存在模型中，在预测的时候直接使用训练集里面的均值方差对预测数据进行相同的处理)，然后输入SVM分类器对故障进行识别。若识别为故障则输出报警信息，若识别结果为无故障则跳过此图像识别下一张直到全部识别结束。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明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发明所附的权利要求的保护范围。