[发明专利]一种货车下拉杆故障图像识别方法

说明书

一种货车下拉杆故障图像识别方法，属于故障检测与图像识别领域。本发明解决了前工作人员在货车下拉杆故障检测过程中，易出漏检、错检而导致检测效率低，检测准确率低的问题。本发明通过获取的整车图像，结合轴距信息与先验知识对图像中下拉杆部件进行粗定位得到下拉杆粗定位图像；使用训练后的SVM模型对粗定位图像进行下拉杆两侧粗杆精确定位；若未定位到粗杆，则报警；依据下拉杆两侧粗杆精确位置从粗定位图像截取得到下拉杆中间细杆子图，采用霍夫变换检测直线获得细杆上下边缘线后判定中间细杆是否倾斜，对中间细杆发生倾斜的下拉杆部件进行上传报警，工作人员对识别结果进行相应处理，保证列车安全运行。本发明用于货车下拉杆故障的检测。

技术领域

本发明涉及一种货车下拉杆故障图像识别方法。属于图像识别与故障检测领域。

背景技术

下拉杆折断与脱落是铁路货车运用事故最为多发的因素之一，在下拉杆故障检测中，常规采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗漏等情况，造成漏检、错检的出现，影响检测效率以及准确率，进而影响行车安全。近几年，图像处理、机器学习与人工智能不断发展，在技术上不断成熟。因而，采用图像处理与机器学习进行下拉杆折断与脱落故障识别，可以有效提高检测准确率。

发明内容

本发明是为了解决目前工作人员在货车下拉杆故障检测过程中，易出漏检、错检而导致检测效率低，检测准确率低的问题。现提供一种货车下拉杆故障图像识别方法。

一种货车下拉杆故障图像识别方法，包括：

步骤一、获取整车灰度图像，基于整车灰度图像截取下拉杆图像；将下拉杆图像进行滑窗分割，得到多个下拉杆子图像；

步骤二、提取下拉杆子图像HOG特征向量，将下拉杆子图像HOG特征向量输入SVM支持向量机进行训练，得到训练好的下拉杆粗杆定位模型；

步骤三、获取待检测的整车灰度图像，从该灰度图像中截取下拉杆粗定位图像；利用训练好的下拉杆粗杆定位模型提取下拉杆粗杆子图像；若没有定位到下拉杆粗杆，则判定为下拉杆故障；

步骤四、若定位到了下拉杆粗杆，通过下拉杆粗杆子图得到下拉杆细杆子图，对下拉杆细杆子图进行霍夫直线检测，得到下拉杆细杆的上下边缘倾斜角度，设定一个阈值k，若倾斜角度大于k，则为下拉杆倾斜故障，若小于等于k，则下拉杆不存在故障；

可选的，步骤一获取整车灰度图像，基于整车灰度图像粗截取下拉杆图像；将下拉杆图像进行滑窗分割，得到多个下拉杆子图像；具体过程为：

假设下拉杆图像宽度为W₁，高度为H₁，从当前下拉杆图像的一端点向图像的宽高两边滑动截取宽度为w₁，高度为h₁的子图像，宽度步进为w₁/2，高度步进为h₁/2，若下拉杆图像截取最后一个下拉杆子图像的宽度不足，则将宽边截取最后一个下拉杆子图像时的起始位置设为W₁-w₁，若下拉杆图像截取最后一个下拉杆子图像的高度不足，则将高度边截取最后一个下拉杆子图像时的起始位置设为H₁-h₁；将截取到的子图像缩放为统一大小，构成下拉杆子图像数据集；

可选的，步骤一得到下拉杆子图像后，还包括对图像的扩增，所述扩增包括对图像的旋转、平移、缩放或镜像；

可选的，步骤三获取待检测的整车灰度图像，从该灰度图像中截取下拉杆粗定位图像；利用训练好的下拉杆粗杆定位模型得到下拉杆粗杆子图像；具体过程为：