[发明专利]基于关门车部件位置图像的故障检测方法及装置

权利要求书

1.基于关门车部件位置图像的故障检测方法，其特征在于，所述方法具体步骤如下：

步骤1、获取待检测图像；所述待检测图像包括实时过车的关门车部件位置图像；

所述关门车部件位置图像的类别包括截断塞门部件图像、塞门手把图像和其他图像；所述其他图像包括除截断塞门部件图像与塞门手把图像以外的图像；

步骤2、计算所述待检测图像的特征点；

步骤3、对所述待检测图像的特征点进行聚类，提取所述待检测图像的特征向量；

步骤4、将所述待检测图像的特征向量输入到支持向量机SVM分类器中，通过导入最终训练的支持向量机SVM特征模型，得到待检测图像的分类结果：所述支持向量机SVM分类器通过支持向量机SVM特征模型对待检测图像进行分类；

如果所述待检测图像的类别为截断塞门部件图像或其他图像，则判断所述待检测图像所对应的关门车无故障；

如果所述待检测图像的类别为塞门手把图像，则判断所述待检测图像所对应的关门车有故障。

2.根据权利要求1所述的基于关门车部件位置图像的故障检测方法，其特征在于，获取步骤4中经过训练的支持向量机SVM特征模型的步骤具体如下：

步骤41、获取预先采集的关门车部件位置图像和所述关门车部件位置图像对应的类别标签，并组成样本训练集；

步骤42、获取样本训练集中每张关门车部件位置图像对应的训练集特征向量集合；

步骤43、通过训练集特征向量集合和对应关门车部件位置图像的类别标签对支持向量机SVM特征模型进行训练，得到最终训练的支持向量机SVM特征模型。

3.根据权利要求2所述的基于关门车部件位置图像的故障检测方法，其特征在于，步骤42具体如下：

步骤421、计算所述样本训练集中所有关门车部件位置图像的特征点，并将所有关门车部件位置图像的特征点组合成训练集特征点集合；

步骤422、采用K均值K-means聚类算法，将训练集特征点集合中所有特征点归为K个类别，并得到对应的K个聚类中心；K为正整数；

步骤423、分别将训练集中每张关门车部件位置图像的特征点按照K个聚类中心进行归类，得到每张关门车部件位置图像的特征向量，并将每张关门车部件位置图像的特征向量组合成训练集特征向量集合。

4.根据权利要求3所述的基于关门车部件位置图像的故障检测方法，其特征在于，步骤422具体如下；

步骤4221、从训练集特征点集合中找出K个特征点作为K个聚类中心，所述K个聚类中心对应K个类别；

步骤4222、分别计算训练集特征点集合中K个聚类中心与其他特征点的距离，并将每个其他特征点划分到与该其他特征点距离最小的聚类中心所在的类别中；其他特征点为除聚类中心以外的特征点；

步骤4223、分别计算每个类别中所有特征点的均值，并将所述均值作为新的聚类中心；

步骤4224、用新的聚类中心替代原聚类中心，并返回执行步骤4222和步骤4223，直至聚类中心不再改变，输出最终的K个聚类中心和对应的类别。

5.根据权利要求4所述的基于关门车部件位置图像的故障检测方法，其特征在于，

步骤41还包括：获取预先采集的关门车部件位置图像和所述关门车部件位置图像对应的类别标签，并组成测试集；所述测试集中的关门车部件位置图像与样本训练集中的关门车部件位置图像不同；以及

步骤43具体如下：

步骤431、创建支持向量机SVM分类器，设置支持向量机SVM特征模型的训练参数；

步骤432、将训练集特征向量集合和对应关门车部件位置图像的类别标签输入支持向量机SVM分类器中，对支持向量机SVM特征模型进行训练，得到初步训练的支持向量机SVM特征模型；

步骤433、使用测试集对初步训练的支持向量机SVM特征模型进行测试；

如果分类准确率未达到100％，则返回步骤431并重新设置所述训练参数，

如果分类准确率达到100％，则结束支持向量机SVM特征模型的训练，得到最终训练的支持向量机SVM特征模型。