一种基于级联分类器的高铁接触网双套管连接器六边形螺母脱落不良状态检测方法与流程

技术特征：

1.一种基于级联分类器的高铁接触网双套管连接器六边形螺母脱落不良状态检测方法，其特征在于，具体的工作步骤包括：

A、专用综合列检车在一定运行速度下，对高速铁路接触网支撑及悬挂装置进行成像，将上行和下行的高清图像分别存储在两个图像库中；

B、对采集的图像进行筛选，建立关于双套管连接器部件的样本库，正样本是双套管连接器部件的图像，负样本是不包含双套管连接器部件的图像；

C、计算样本的HOG特征，利用AdaBoost算法和支持向量机算法训练分类器，实现双套管连接器部件的准确定位；

a、HOG特征的提取过程：每一个检测窗口图像按空间位置被均匀分成若干个细胞单元，每个细胞单元的大小为8×8像素；对于每一个像素点I(x,y)，采用简单的一阶模板在细胞单元中计算梯度大小m(x,y)和方向θ(x,y)，

$\left\{\begin{array}{c}m(x,y)={({\left(f\right(x+1,y)-f(x-1,y\left)\right)}^2+{\left(f\right(x,y+1)-f(x,y-1\left)\right)}^2)}^{\frac{1}{2}}\\ \mathrm{\θ}(x,y)=\arctan \left\{\frac{f(x,y+1)-f(x,y-1)}{f(x+1,y)-f(x-1,y)}\right\}\end{array}\right.---\left(1\right)$

在细胞单元内，按预先设定的量化间隔统计梯度直方图，梯度方向将0°～360°分为9个方向块，每个方向块大小为20°；将每四个相邻的细胞单元按滑动的方式合并为一个块，相邻的块会有细胞单元重叠；对每一个细胞单元计算HOG积分描述子，将同一块中4个细胞单元的梯度直方图连接在在一起，形成一个9×4＝36维的特征向量；为了消除光照变化等带来的影响，在一个块内进行直方图归一化，如式2；

$v\←v/\sqrt{\left|\right|v|{|}_2^2+{\mathrm{\ϵ}}^2}---\left(2\right)$

其中，ε为一个很小的常数，目的是避免分母为0；归一化后的特征向量v对应于一个块的HOG积分描述子；

b、AdaBoost算法中，被错分样本的权值依靠因子β_t增加，使得该样本对下一个弱分类器的影响变大；AdaBoost算法采用加权多数表决的原则，即对错误率较低的分类器赋予较高的权值，使得它们在决策中发挥更大的作用；

定位过程中，检测窗口在待检测图像表面滑动，计算窗口内图像的HOG特征，将特征向量通过级联分类器，若其中某一子分类器判定为非检测目标，则该窗口被拒绝，不进入下一个分类器的判定；如果窗口包含检测目标，则会通过每一级AdaBoost分类器，直到最后一级；

c、在级联的AdaBoost分类器后再级联SVM分类器，以降低误匹配率；SVM学习目标是解决训练数据集线性不可分时寻找最优分类超平面的问题，即式3中的凸二次规划问题：

$\begin{array}{c}{\min }_{w,b,\mathrm{\ξ}}\frac{1}{2}{w}^{T}w+C\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\ξ}}_i\\ \begin{array}{cc}s.t.& y_k(w^T+b)\≥1-{\mathrm{\ξ}}_k\\ & {\mathrm{\ξ}}_k\≥0\end{array}\end{array}---\left(3\right)$

D、双套管连接器的分割：

a、为了便于分析双套管连接器大螺母的工作状态，首先通过对提取到的双套管连接器图像进行平滑滤波和增强对比度的处理，使得套管连接的平腕臂和斜腕臂的两侧边缘更接近直线段，以便于确定分割点；

b、利用Hough变换检测直线，提取Hough矩阵中前5个灰度峰值点，取角度小于30的峰值点的平均值作为平腕臂的两侧边缘平行线段的倾角，并将平腕臂旋转至水平方向；

c、选用Canny算子对旋转后的图像检测边缘，并对同一纵坐标上的像素点的灰度值累加得到统计曲线；曲线中像素累加值的两个最大值分别为平腕臂的两个边缘；根据像素累加值最大值对应的水平坐标确定平腕臂的分割直线；

d、将剪切后的图像根据平腕臂的倾角旋转回原来的方向；取Hough矩阵角度大于45°的峰值点的倾角平均值作为斜腕臂的倾角，并将斜腕臂旋转至竖直方向；

e、选用Canny算子对旋转后的图像检测边缘，并对同一横坐标上的像素点的灰度值累加得到统计曲线；曲线中像素累加值的两个最大值分别为斜腕臂的两个边缘；根据像素累加值最大值对应的水平坐标确定斜腕臂的分割直线；

E、六边形大螺母脱落不良状态的检测：

采用横向灰度奇异值检测的方法实现六边形螺母脱落的检测，

利用小波变换来分析信号的奇异性及奇异性位置；小波变换的模极大值点与信号的奇异性的确切关系根据Lipschitz指数判定；函数在某一点的Lipschitz指数γ表征了该点的奇异性大小；γ越大，该点平滑度就越高；反之，该点奇异性越大；

若函数f(t)在区间[t₁,t₂]中|W_f(a,t)|≤ka^γ成立，k为常数，则γ值恒定；奇异点t₀的γ值小于(t₀,ε)内其他点的γ值，当a→0时t₀处小波变换值衰减最慢，(t₀,ε)内其他点的小波变换值不断收敛，使得t₀处小波变换值成为模极大值，从而信号的奇异性检测转变为小波变换的模极大值检测；

横向灰度值信号在突变点的奇异性通过小波变换模的局部极大值来描述；模极大值的检测过程：

1)在图像进行横向基线标定，基线上像素点与小波高斯函数卷积，进行图像的小波变换；为避免光斑的干扰，将基线设置于光斑的切线以上；

2)计算每个像素点的模值，并求出图像小波变换后的模极大值点；

3)对模极大值进行归一化处理；

4)设定阈值，去除较小的模极大值点；

5)找出模极大值区域间离散时间间距，进行相关比较分析，从而检测异常区域。