1.基于机器学习的铁路货车钩尾框托板脱落故障检测方法,其特征在于所述方法具体过程为:
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。
2.根据权利要求1所述的基于机器学习的铁路货车钩尾框托板脱落故障检测方法,其特征在于:所述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。
3.根据权利要求2所述的基于机器学习的铁路货车钩尾框托板脱落故障检测方法,其特征在于:所述步骤一一中获取铁路货车线阵图像,具体过程为:
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。
4.根据权利要求3所述的基于机器学习的铁路货车钩尾框托板脱落故障检测方法,其特征在于:所述训练好的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。
5.根据权利要求4所述的基于机器学习的铁路货车钩尾框托板脱落故障检测方法,其特征在于:所述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。
6.根据权利要求5所述的基于机器学习的铁路货车钩尾框托板脱落故障检测方法,其特征在于:所述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,
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:
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调整到64*128的大小;
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。
7.根据权利要求6所述的基于机器学习的铁路货车钩尾框托板脱落故障检测方法,其特征在于:所述步骤四三中
8.根据权利要求7所述的基于机器学习的铁路货车钩尾框托板脱落故障检测方法,其特征在于:所述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。
9.根据权利要求8所述的基于机器学习的铁路货车钩尾框托板脱落故障检测方法,其特征在于:所述最低分类准确率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。
10.根据权利要求9所述的基于机器学习的铁路货车钩尾框托板脱落故障检测方法,其特征在于:所述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。