基于机器学习的铁路货车钩尾框托板脱落故障检测方法与流程

本发明涉及铁路货车故障检测领域，特别涉及基于机器学习的铁路货车钩尾框托板脱落故障检测方法。

背景技术：

随着铁路运输行业的发展，铁路货车的故障检测成为铁路运输领域关注的重点。铁路货车钩尾框属于货车的车钩部分，起到连接两节货车的作用。当铁路货车载重量较大时，会对铁路货车的钩尾框造成较重的损耗，进而容易造成钩尾框托板的脱落，因此合理的钩尾框托板脱落故障检测方法是十分必要的

目前铁路货车钩尾框托板脱落的故障检测主要采用人工检查图像的方式进行，人工检测效率较低，且检车人员在工作过程中极易出现疲劳、遗漏等情况，因此很容易造成漏检、错检的情况的发生，进而造成检测的准确率低，从而影响行车安全。

技术实现要素：

本发明目的是为了解决现有铁路货车钩尾框托板脱落的故障检测采用人工检查图像的方式进行效率和准确率低的问题，而提出了基于机器学习的铁路货车钩尾框托板脱落故障检测方法，具体过程为：

获取以车轴为参考位置的钩尾框托板上边缘子图和下边缘子图，利用训练好的adaboost-svm级联分类器对钩尾框托板上边缘子图和下边缘子图进行螺栓丢失检测，并将有丢失故障的图像中托板位置映射到整列货车图像上，生成报文后上传平台；

获得以车轴为参考位置的钩尾框托板上边缘子图和下边缘子图，具体过程为：

步骤一、定位钩尾框托板图像中钩尾框托板位置，提取roi区域：

步骤一一、获取铁路货车线阵图像：

步骤一二、定位钩尾框托板位置，提取roi区域：

根据整体铁路货车识别系统框架提供的轴距信息定位以车轴为参考位置的铁路货车线阵图像中钩尾框托板的位置，并提取roi区域；

步骤二、获取以车轴为参考位置的钩尾框托板上边缘子图和下边缘子图：

对钩尾框托板的roi区域图像进行上下边缘截取，获得上边缘带螺栓的区域子图和下边缘带螺栓的区域子图；

训练好的adaboost-svm级联分类器，通过以下方式获得：

步骤三、获取样本图像；

步骤四、提取样本图像的hog特征；

步骤五、运用提取到的hog特征训练adaboost-svm级联分类器。

本发明的有益效果为：

本发明利用图像自动识别的方式代替人工检测，并且选择改进hog算法对托板固定螺丝丢失时的空洞进行特征提取，提取出更加准确的特征信息，提高了故障识别算法的准确率。本发明对hog算法进行增强，提高特征之间的对比度，增加了算法的泛化能力。本发明将提取到的特征量训练好的adaboost-svm级联分类器对板固定螺丝丢失时的空洞进行检测和定位，减少了分类训练的时间和过拟合的风险，保证了分类的效率和识别程序的稳定性，提升了故障检测方法的效率和准确率。

附图说明

图1为故障识别总体流程图；

图2为故障识别具体流程图；

图3为adaboost-svm级联分类算法描述图。

具体实施方式

需要特别说明的是，在不冲突的情况下，本申请公开的各个实施方式之间可以相互组合。

具体实施方式一：结合图1、图3具体说明本实施方式。本实施方式基于机器学习的铁路货车钩尾框托板脱落故障检测方法，具体过程为：

获取以车轴为参考位置的钩尾框托板上边缘子图和下边缘子图，利用训练好的adaboost-svm级联分类器对钩尾框托板上边缘子图和下边缘子图进行螺栓丢失检测，并将有丢失故障的图像中托板位置映射到整列货车图像上，生成报文后上传平台。

具体实施方式二：本实施方式与具体实施方式一不同的是：获得以车轴为参考位置的钩尾框托板上边缘子图和下边缘子图，具体过程为：

步骤一、定位钩尾框托板图像中钩尾框托板位置，提取roi区域：

步骤一一、获取铁路货车线阵图像：

首先在列车轨道周围搭建成像设备，列车通过设备后，获取铁路货车图像；

然后，采用线扫描的方式处理铁路货车图像，得到铁路货车线阵图像；

步骤一二、定位钩尾框托板位置，提取roi区域：

根据整体铁路货车识别系统框架提供的轴距信息定位以车轴为参考位置的铁路货车线阵图像中钩尾框托板的位置，并提取roi区域；

步骤二、获取以车轴为参考位置的钩尾框托板上边缘子图和下边缘子图：

对钩尾框托板的roi区域图像进行上下边缘截取，获得上边缘带螺栓的区域子图和下边缘带螺栓的区域子图。

具体实施方式三、本实施方式与具体实施方式一至二不同的是：训练好的adaboost-svm级联分类器，通过以下方式获得：

步骤三、获取样本图像；

步骤四、提取样本图像的hog特征；

步骤五、运用提取到的hog特征训练adaboost-svm级联分类器。

具体实施方式四、如图2所示，本实施方式与具体实施方式一至三不同的是：步骤三中获取样本图像，具体过程为：

将上边缘带螺栓的区域子图和下边缘带螺栓的区域子图中，有螺栓丢失，存在空洞的图像作为正样本；没有螺栓丢失，不存在空洞的图像作为负样本。

具体实施方式五：本实施方式与具体实施方式一至四不同的是：步骤四中提取样本图像的hog特征，具体过程为：

步骤四一、分别构造水平方向、垂直方向、对角线方向的可控滤波器并利用所构造的可控滤波器计算样本图像中像素点的梯度：

水平反方向梯度：

gx(x,y)＝f⁰*i

垂直方向梯度：

对角线方向梯度：

其中，f⁰是构造的水平方向的可控滤波器，是构造的垂直方向的可控滤波器，是构造的对角线方向的可控滤波器，(x,y)是样本图像的某一像素点，i是截取的钩尾框托板上下边缘子图。

步骤四二、计算样本图像中像素点的梯度幅值：

步骤四三、计算样本图像中像素点的梯度方向：

其中，

步骤四四、将样本图像中的图像划分为大小相等的单元图像，并将划分好的单元图像分别组合成块图像；

首先，将钩尾框托板的样本图像的大小调整为64*128；

然后，将样本图像按照8*8的大小进行单元图像的划分；

最后，将划分好的单元图像中每4个单元图像组合为一个块图像；

步骤四五、计算每个块图像的梯度幅值的均值：

其中，gbavc代表一个块图像内单元图像的梯度幅值的均值，gcsum代表当前单元图像内的梯度值，n为当前块图像中单元图像的总数，c＝1是块图像内第1个单元图像。

步骤四六、根据梯度幅值的均值调整每一个块图像中每一个单元图像的梯度幅值：

其中，m1，m2，m3，m4，m5为调整梯度幅值的系数，g(x,y)是某一块图像内(x，y)位置单元图像的梯度幅值，gc是调整后的梯度幅值；

步骤四七、根据调整后的梯度幅值获得每个单元图像的梯度直方图，将每个块图像对应的单元图像直方图进行串联，得到块图像的梯度直方图；然后将获得的块图像的梯度直方图进行l2范数归一化处理获得归一化后的梯度直方图，即得到所有特征增强后的块图像的hog特征；

步骤四八、将所有特征增强后的块图像的hog特征组合为样本图像的hog特征。

具体实施方式六：本实施方式与具体实施方式不同的是：步骤五中运用提取到的hog特征训练adaboost-svm级联分类器，具体过程包括：

通过比较当前最低分类准确率di、总体误报率fi和初始化设定的最低分类准确率dl和总体误报率fl，判断总体误报率是否大于初始化设定的总体误报率，当总体误报率大于初始化设定的总体误报率时，跳到下一级分类器，对下一级分类器进行训练。

具体实施方式七：本实施方式与具体实施方式一至六不同的是：最低分类准确率di、总体误报率fi通过以下方式获得：

将hog特征分为训练集和测试集，将测试集输入到训练好的adaboost-svm级联分类器中进行分类，得到当前最低分类准确率di和总体误报率fi。

具体实施方式八：本实施方式与具体实施方式一至七不同的是：步骤五中运用提取到的hog特征训练adaboost-svm级联分类器，具体过程还包括：

当总体误报率fi小于或等于初始化设定的总体误报率时，确定当前分类器包括的弱分类器的个数是否达到阈值nh；若当前分类器包括的弱分类器的个数未达到阈值nh，加载当前分类器包括的弱分类器的数量；若当前分类器包括的弱分类器的个数达到预设的阈值nh，选择svm算法对当前分类器对应的各个hog特征以及hog特征对应的权重进行分类训练，直到总体误报率fi达到初始化设定的总体误报率fl时，当前分类器训练结束。

其中，初始化设定的总体误报率用于确定是否能够通过加载弱分类器来提高准确性，实践中，当误报率过大，具体大于初始化设定的总体误报率时，单纯地通过加载弱分类器，已经无法对准确度的提高产生明显效果，反而会增大级联分类器的复杂程度，降低级联分类器的训练效率。

需要说明的是，本申请还可包括其它多种实施例，在不背离本申请的精神及其实质的情况下，本领域技术人员可根据本申请作出各种相应的改变和变形，但这些相应的改变和变形都应属于本申请所附的权利要求的保护范围。