[发明专利]一种铁路货车地板破损故障检测方法

说明书

一种铁路货车地板破损故障检测方法，它属于铁路货车地板破损故障检测技术领域。本发明解决了传统基于深度学习的故障自动检测方法的检测成本高，以及传统基于特征提取的故障自动检测方法的检测准确率低的问题。本发明提出一种对比度能量特征提取算法，对图像的对比度能量特征进行提取，针对地板破损故障在图像中会发生地板颜色变黑的特点，提取图像中的颜色能量特征，将颜色能量特征与对比度能量特征、SHIFT特征相结合进行故障检测，在降低检测成本的同时，提高了故障检测的准确率。本发明可以应用于铁路货车地板破损故障检测。

技术领域

本发明属于铁路货车地板破损故障检测技术领域，具体涉及一种铁路货车地板破损故障检测方法。

背景技术

传统的铁路货车地板破损故障检测中，大多数采用人工查看过车图像的方法进行故障检测，存在着检测效率低，人工成本高，同时易受检车人员经验、疲劳程度等的影响产生误检与漏检的问题。采用计算机的故障自动检测方法可以很好的提升地板破损故障检测的效率与准确程度，降低故障检测成本。故障自动检测方法可以大致分为采用深度学习的故障自动检测方法与采用传统特征提取的故障自动检测方法，虽然基于深度学习的故障自动检测方法准确率更高，但算法运行需要的设备成本也较高。而传统基于特征提取的故障自动检测方法虽然检测成本较低，但是又未充分考虑到图像的特征，因此对地板破损故障检测的准确率仍然较低。因此，设计出一种兼顾故障检测的准确率和检测成本的方法是十分必要的。

发明内容

本发明的目的是为解决传统基于深度学习的故障自动检测方法的检测成本高，以及传统基于特征提取的故障自动检测方法的检测准确率低的问题，而提出了一种铁路货车地板破损故障检测方法。

本发明为解决上述技术问题所采取的技术方案是：一种铁路货车地板破损故障检测方法，所述方法包括以下步骤：

步骤一、采集铁路货车的过车图像，从采集的过车图像中获取感兴趣区域图像；

步骤二、在感兴趣区域图像上设置用于框选地板的候选框，获得候选框图像；

步骤三、提取步骤二获得的候选框图像的对比度能量特征、颜色能量特征和SIFT特征；

步骤四、将步骤三提取出的对比度能量特征、颜色能量特征和SIFT特征进行级联，将级联结果输入训练好的SVM分类网络，训练好的SVM分类网络输出对地板破损故障的检测结果。

本发明的有益效果是：本发明提出一种对比度能量特征提取算法，对图像的对比度能量特征进行提取，针对地板破损故障在图像中会发生地板颜色变黑的特点，提取图像中的颜色能量特征，将颜色能量特征与对比度能量特征、SIFT特征相结合进行故障检测，在降低检测成本的同时，提高了故障检测的准确率。克服了传统基于深度学习的故障自动检测方法的检测成本高，以及传统基于特征提取的故障自动检测方法的检测准确率低的问题。

附图说明

图1为本发明方法流程图；

图2为铁路货车地板破损故障检测流程图。

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。本实施方式的一种铁路货车地板破损故障检测方法，该方法具体通过以下步骤实现：

步骤一、采集铁路货车的过车图像，从采集的过车图像中获取感兴趣区域图像；

步骤二、在感兴趣区域图像上设置用于框选地板的候选框，获得候选框图像；

步骤三、提取步骤二获得的候选框图像的对比度能量特征、颜色能量特征和SIFT特征；