[发明专利]一种基于图结构异常评价的轨枕细微裂纹检测方法

说明书

本发明公开了一种基于图结构异常评价的轨枕细微裂纹检测方法，包括以下步骤：将原始的多个无裂纹图像照片进行曲率滤波，再使用原始图片减去滤波后样本获得图片大曲率特征；将获得的图片大曲率特征均匀划分为多个互不重叠的子图像并计算其平均子图像；根据图理论建立平均子图像图连接矩阵；计算平均子图像图连接矩阵的特征向量；使用得到的特征向量对平均子图像图连接矩阵进行矩阵分解；将分解后的矩阵分解为对角矩阵和非对角矩阵；计算非对角矩阵的1范数，并设置30倍非对角矩阵的1范数为阈值；对于待检测的任一测试图像经过上述步骤后计算异常值，根据异常值和阈值判断测试图像是否含有裂纹。本发明具有无需较多数量的训练样本的特点。

技术领域

本发明涉及表面缺陷检测技术领域，特别涉及一种基于图结构异常评价的轨枕细微裂纹检测方法。

背景技术

铁路轨枕裂缝的监测对于保证列车运行的安全性和可靠性，防止发生灾难性故障，降低维修成本具有重要意义。尽管已有多种裂纹检测方法被提出，然而数据量和样本分布对实际工程样本的泛化能力仍有较大的影响。阈值提取、曲率分布、形态滤波等是常用的裂纹检测方法。近年来，基于机器学习实现裂纹特征提取的方法得到广泛关注。与传统方法相比，机器学习算法可以有效克服人工目视解译，人工劳动成本高和效率低等问题，自动建立起对应的映射关系。然而，一定数量的训练样本是实现机器学习的必要条件。

发明内容

本发明的目的在于，一种基于图结构异常评价的轨枕细微裂纹检测方法。本发明无需较多数量的训练样本即可自适应的识别局部裂纹特征，具有识别准确率高的优点。

本发明的技术方案：一种基于图结构异常评价的轨枕细微裂纹检测方法，包括以下步骤：

S1：将原始的多个无裂纹图像照片进行曲率滤波得到滤波后样本，再使用原始图片减去滤波后样本获得图片大曲率特征；

S2：将获得的图片大曲率特征均匀划分为多个互不重叠的子图像并计算其平均子图像；

S3：根据图理论建立平均子图像图连接矩阵；

S4：计算平均子图像图连接矩阵的特征向量；

S5：使用得到的特征向量对平均子图像图连接矩阵进行矩阵分解；

S6：将分解后的矩阵分解为对角矩阵和非对角矩阵；

S7：计算非对角矩阵的1范数，并设置30倍非对角矩阵的1范数为阈值；

S8：对于待检测的任一测试图像进行曲率滤波得到滤波后样本，使用测试图像的原始图片减去滤波后样本获得图片大曲率特征；

S9：将获得的图片大曲率特征均匀划分为多个互不重叠的子图像；

S10：建立平均子图像图连接矩阵；

S11：使用S4步骤得到的特征向量对平均子图像图连接矩阵进行矩阵分解，并计算异常值，根据异常值和阈值判断测试图像是否含有裂纹。

上述的基于图结构异常评价的轨枕细微裂纹检测方法，所述的步骤S1中,图片大曲率特征的建立算法为：

其中I为原始图像，为卷积运算操作，I_new为所获得的图片大曲率特征。

前述的基于图结构异常评价的轨枕细微裂纹检测方法，所述的步骤S3中,平均子图像图连接矩阵的建立算法为：

其中X为所建立的平均子图像图连接矩阵，d为相关像素点之间的欧几里得距离，下标为子图像对应序号，对于含有n个像素点的子图像，平均子图像图连接矩阵的总元素为n×n个。

前述的基于图结构异常评价的轨枕细微裂纹检测方法，所述的步骤S5中,使用获得的特征向量进行分解的算法为：