一种用于检测心盘螺栓丢失故障的方法和装置制造方法及图纸

本发明专利技术针对现有技术中检测心盘螺栓丢失故障时人员劳动强度过大、工作效率低、受生理或心理因素影响易造成漏检、误检、作业质量控制难度大、作业流程无法回溯等问题，提供一种能够克服上述缺陷的用于检测心盘螺栓丢失故障的方法和装置，该方法包括：采集待检测心盘螺栓的图像；基于小边特征对所采集的图像进行特征提取；以及将基于小边特征所提取的特征输入到已训练完成的分类器中，并根据所述分类器的输出来检测心盘螺栓丢失故障。

【技术实现步骤摘要】

本专利技术涉及图像识别领域，尤其涉及一种用于检测心盘螺栓丢失故障的方法和装置。
技术介绍
车辆检修保养是确保铁路安全运行的重要环节。目前，我国铁路货车的心盘结构 大多数为组合式心盘(或称活心盘)。这种结构形式的心盘，检修拆装方便，因此广泛用于主 型货车上。心盘螺栓松动、磨损过限、折断后，会造成心盘、心盘垫在摇枕上的位移，使得车 体在传递纵向水平力时，心盘与摇枕之间产生纵向冲击，严重时还会发生上、下心盘脱出， 转向架无法定位等现象。由于心盘螺栓的丢失属于高发故障，因此非常有必要开发针对该 故障的检测方法。目前的列检作业主要采用人工室内看图检车，即检车员需要对过车图像进行逐车 逐图的查看，这虽然相对于传统的室外检车作业已经有了明显的进步，但是仍然存在人员 劳动强度过大、工作效率低、受生理或心理因素影响易造成漏检、误检、作业质量控制难度 大、作业流程无法回溯等问题。
技术实现思路
本专利技术针对现有技术中存在的上述缺陷，提供一种能够克服上述缺陷的用于检测 心盘螺栓丢失故障的方法和装置。本专利技术提供一种用于检测心盘螺栓丢失故障的方法，该方法包括采集待检测心盘螺栓的图像；基于小边特征对所采集的图像进行特征提取；以及将基于小边特征所提取的特征输入到已训练完成的分类器中，并根据所述分类器 的输出来检测心盘螺栓丢失故障。本专利技术还提供一种用于检测心盘螺栓丢失故障的装置，该装置包括采集单元，用于采集待检测心盘螺栓的图像；提取单元，用于基于小边特征对所采集的图像进行特征提取；以及已训练完成的分类器，用于接收基于小边特征所提取的特征，对所述所提取的特 征进行处理并根据处理后的结果来检测心盘螺栓丢失故障。由于根据本专利技术的检测方法和装置采用了同时考虑边缘强度和方向的小边特征 来进行图像特征的提取，所以不仅克服了现有技术中人员劳动强度过大、工作效率低、受生 理或心理因素影响易造成漏检、误检、作业质量控制难度大、作业流程无法回溯等问题，而 且能够大大提高检测质量和检测效率。附图说明图1为由图像采集、图像预处理、特征提取、分类器设计及分类决策等组成的典型的故障识别系统；图2是根据本专利技术的用于检测心盘螺栓丢失故障的方法的流程图；以及图3是根据本专利技术的用于检测心盘螺栓丢失故障的装置的框图。具体实施方式下面结合附图来详细描述根据本专利技术的用于检测心盘螺栓丢失故障的方法和装置。典型的故障识别系统一般由图像采集、图像预处理、特征提取、分类器设计及分类决策等五部分组成，如图1所示。图像采集主要是由图像采集设备来获取被检测对象的图像，图像预处理的主要目的是对采集到的图像进行相应的预处理以更好地进行特征提取。 特征提取主要是为了对要被识别的对象的特征进行提取并进行数据压缩，以为分类器的设计做准备工作。分类器的设计是在训练过程中完成，即利用样本进行训练，确定分类器的具体参数，而分类决策的作用是对待识别的样本进行分类决策。下面结合图2来描述根据本专利技术的用于检测心盘螺栓丢失故障的方法，该方法包括S21、采集待检测心盘螺栓的图像。其中，在步骤S21中，可以采用高速连续数字照相技术来采集待检测心盘螺栓的图像，从而可以使摄像头在高速情况下获得稳定清晰的车辆部件图像。当然，除了高速连续数字照相技术之外，也可以采用本领域技术人员公知的其他照相技术来采集待检测心盘螺栓的图像。S22、基于小边(edgelet)特征对所采集的图像进行特征提取。特征，即表示对象的某些标量特性，是决定相似性与分类的关键，当分类的目的决定之后，如何找到合适的特征就成为认知与知识的核心问题。由于小边特征同时考虑了边缘强度和方向，能够更加有效地利用信息，所以本专利技术采用小边特征作为描述心盘螺栓的主要特征。简单地说，一个小边特征是一小段直线或曲线。假设经过预处理后的图像为I， 用M1 (P)和V1(P)表示图像I的位置P处边的强度和法向量。M1(P)和V1(P)通过3X3的 Sobel卷积核来计算。为了计算简单，把法向量的方向量化为6个离散的值。S23、将基于小边特征所提取的特征输入到已训练完成的分类器中，并根据所述分类器的输出来检测心盘螺栓丢失故障。分类器的训练/决策过程是一个判决和分类的过程，相当于人们从感性认识上升到理性认识并做出判决结论的过程，即对分类器进行训练之后，就可以利用所训练的分类器进行判决。常见的分类器主要包括人工神经网络、支持向量机(SVM)和Boosting分类器等。其中SVM由Cortes和Vapnik于1995年首先提出，该SVM在解决小样本、非线性及高维模式识别中表现出许多特有的优势，但在面对大样本时，SVM会表现出占用内存大和训练速度慢的缺陷，为此本申请采用基于径向基核函数的支持向量机，该基于径向基核函数的 支持向量机利用SVM的构造原理，只选择靠近分类超平面的样本，删除无关样本，从而大大 减少训练样本的数量。由于基于径向基核函数的支持向量机的训练过程与现有其他支持向 量机的训练过程相同，所以此处不再赘述。在根据本专利技术的一个优选实施方式中，在步骤S21之后还可以包括对采集到的 图像进行预处理。由于在在步骤S21中对待检测心盘螺栓进行图像采集的过程中，外界光 照条件和相机自身的因素都会造成采集到的图像质量的下降，因此，在图像特征提取之前 有必要对采集到的图像进行预处理。优选地，对采集到的图像进行预处理可以包括对采集到的图像进行平滑去噪并 且对平滑去噪后的图像进行图像增强。其中，可以采用自适应滤波器对采集到的图像进行 平滑去噪，而且，所述自适应滤波器可以是维纳滤波器或其他类型的自适应滤波器。另外， 可以利用同态滤波方法对平滑去噪后的图像进行图像增强，从而强化图像中待检测心盘螺 栓的边缘信息，以更有利于后期的特征表示。本领域技术人员应当理解的是，除了图像平滑 和图像增强之外，其他本领域技术人员公知的图像预处理操作也是可取的。本专利技术还提供一种用于检测心盘螺栓丢失故障的装置，如图3所示，该装置包括 采集单元301，用于采集待检测心盘螺栓的图像；提取单元302，用于基于小边特征对所采 集的图像进行特征提取，由于上面已经结合根据本专利技术的检测心盘螺栓丢失故障的方法对 基于小边特征的提取进行了描述，所以此处不再赘述；以及已训练完成的分类器303，用于 接收基于小边特征所提取的特征，对所述所提取的特征进行处理并根据处理后的结果来检 测心盘螺栓丢失故障。其中，采集单元301可以采用高速连续数字照相技术来采集待检测心盘螺栓的图 像，从而可以使摄像头在高速情况下获得稳定清晰的车辆部件图像。当然，除了高速连续数 字照相技术之外，采集单元301也可以采用本领域技术人员公知的其他照相技术来采集待 检测心盘螺栓的图像。优选地，采集单元301在采集了心盘螺栓的图像之后，还可以对采集到的图像进 行预处理。而且由于外界光照条件和相机自身的因素都会造成采集单元301采集过程中所 采集到的图像质量的下降，因此，在图像特征提取之前采集单元301有必要对采集到的图 像进行预处理。优选地，采集单元301可以通过对采集到的图像进行平滑去噪并且对平滑去噪后 的图像进行图像增强来对采集到的图像进行预处理。其中，采集单元301可以采用自适应 滤波器对采集到的图像进行平滑去噪，而且，所述自适应滤波器可以是维纳滤波器或其他 类型的自本文档来自技高网...

【技术保护点】
一种用于检测心盘螺栓丢失故障的方法，该方法包括：采集待检测心盘螺栓的图像；基于小边特征对所采集的图像进行特征提取；以及将基于小边特征所提取的特征输入到已训练完成的分类器中，并根据所述分类器的输出来检测心盘螺栓丢失故障。

【技术特征摘要】
1.一种用于检测心盘螺栓丢失故障的方法，该方法包括采集待检测心盘螺栓的图像；基于小边特征对所采集的图像进行特征提取；以及将基于小边特征所提取的特征输入到已训练完成的分类器中，并根据所述分类器的输出来检测心盘螺栓丢失故障。2.根据权利要求1所述的方法，在采集待检测心盘螺栓的图像之后，该方法还包括对采集到的图像进行预处理。3.根据权利要求2所述的方法，其中，所述对采集到的图像进行预处理包括对采集到的图像进行平滑去噪并对平滑去噪后的图像进行图像增强。4.根据权利要求3所述的方法，其中，采用自适应滤波器对采集到的图像进行平滑去噪。5.根据权利要求4所述的方法，其中，所述自适应滤波器是维纳滤波器。6.根据权利要求3所述的方法，其中，利用同态滤波方法对平滑去噪后的图像进行图像增强。7.根据权利要求1所述的方法，其中，所述分类器为人工神经网络、支持向量机或 Boosting分类器。8.根据权利要求7所述的方法，其中，所述支持向量机使用基于径向基的核函数。9.一种用于检测心盘螺栓丢失故障的装置，该装置包括采...

【专利技术属性】
技术研发人员：薛继连，贾晋中，陈海滨，李晓建，贾晋军，梁毅平，赵金利，赵俊彦，任崇巍，邹迎伟，张闽东，张鹏，杨学超，
申请(专利权)人：中国神华能源股份有限公司，朔黄铁路发展有限责任公司，北京京天威科技发展有限公司，
类型：发明
国别省市：