一種用于檢測心盤螺栓丟失故障的方法和裝置制造方法及圖紙

本發明專利技術針對現有技術中檢測心盤螺栓丟失故障時人員勞動強度過大、工作效率低、受生理或心理因素影響易造成漏檢、誤檢、作業質量控制難度大、作業流程無法回溯等問題，提供一種能夠克服上述缺陷的用于檢測心盤螺栓丟失故障的方法和裝置，該方法包括：采集待檢測心盤螺栓的圖像；基于小邊特征對所采集的圖像進行特征提取；以及將基于小邊特征所提取的特征輸入到已訓練完成的分類器中，并根據所述分類器的輸出來檢測心盤螺栓丟失故障。

【技術實現步驟摘要】

本專利技術涉及圖像識別領域，尤其涉及一種用于檢測心盤螺栓丟失故障的方法和裝置。
技術介紹
車輛檢修保養是確保鐵路安全運行的重要環節。目前，我國鐵路貨車的心盤結構 大多數為組合式心盤(或稱活心盤)。這種結構形式的心盤，檢修拆裝方便，因此廣泛用于主 型貨車上。心盤螺栓松動、磨損過限、折斷后，會造成心盤、心盤墊在搖枕上的位移，使得車 體在傳遞縱向水平力時，心盤與搖枕之間產生縱向沖擊，嚴重時還會發生上、下心盤脫出， 轉向架無法定位等現象。由于心盤螺栓的丟失屬于高發故障，因此非常有必要開發針對該 故障的檢測方法。目前的列檢作業主要采用人工室內看圖檢車，即檢車員需要對過車圖像進行逐車 逐圖的查看，這雖然相對于傳統的室外檢車作業已經有了明顯的進步，但是仍然存在人員 勞動強度過大、工作效率低、受生理或心理因素影響易造成漏檢、誤檢、作業質量控制難度 大、作業流程無法回溯等問題。
技術實現思路
本專利技術針對現有技術中存在的上述缺陷，提供一種能夠克服上述缺陷的用于檢測 心盤螺栓丟失故障的方法和裝置。本專利技術提供一種用于檢測心盤螺栓丟失故障的方法，該方法包括采集待檢測心盤螺栓的圖像；基于小邊特征對所采集的圖像進行特征提取；以及將基于小邊特征所提取的特征輸入到已訓練完成的分類器中，并根據所述分類器 的輸出來檢測心盤螺栓丟失故障。本專利技術還提供一種用于檢測心盤螺栓丟失故障的裝置，該裝置包括采集單元，用于采集待檢測心盤螺栓的圖像；提取單元，用于基于小邊特征對所采集的圖像進行特征提取；以及已訓練完成的分類器，用于接收基于小邊特征所提取的特征，對所述所提取的特 征進行處理并根據處理后的結果來檢測心盤螺栓丟失故障。由于根據本專利技術的檢測方法和裝置采用了同時考慮邊緣強度和方向的小邊特征 來進行圖像特征的提取，所以不僅克服了現有技術中人員勞動強度過大、工作效率低、受生 理或心理因素影響易造成漏檢、誤檢、作業質量控制難度大、作業流程無法回溯等問題，而 且能夠大大提高檢測質量和檢測效率。附圖說明圖1為由圖像采集、圖像預處理、特征提取、分類器設計及分類決策等組成的典型的故障識別系統；圖2是根據本專利技術的用于檢測心盤螺栓丟失故障的方法的流程圖；以及圖3是根據本專利技術的用于檢測心盤螺栓丟失故障的裝置的框圖。具體實施方式下面結合附圖來詳細描述根據本專利技術的用于檢測心盤螺栓丟失故障的方法和裝置。典型的故障識別系統一般由圖像采集、圖像預處理、特征提取、分類器設計及分類決策等五部分組成，如圖1所示。圖像采集主要是由圖像采集設備來獲取被檢測對象的圖像，圖像預處理的主要目的是對采集到的圖像進行相應的預處理以更好地進行特征提取。 特征提取主要是為了對要被識別的對象的特征進行提取并進行數據壓縮，以為分類器的設計做準備工作。分類器的設計是在訓練過程中完成，即利用樣本進行訓練，確定分類器的具體參數，而分類決策的作用是對待識別的樣本進行分類決策。下面結合圖2來描述根據本專利技術的用于檢測心盤螺栓丟失故障的方法，該方法包括S21、采集待檢測心盤螺栓的圖像。其中，在步驟S21中，可以采用高速連續數字照相技術來采集待檢測心盤螺栓的圖像，從而可以使攝像頭在高速情況下獲得穩定清晰的車輛部件圖像。當然，除了高速連續數字照相技術之外，也可以采用本領域技術人員公知的其他照相技術來采集待檢測心盤螺栓的圖像。S22、基于小邊(edgelet)特征對所采集的圖像進行特征提取。特征，即表示對象的某些標量特性，是決定相似性與分類的關鍵，當分類的目的決定之后，如何找到合適的特征就成為認知與知識的核心問題。由于小邊特征同時考慮了邊緣強度和方向，能夠更加有效地利用信息，所以本專利技術采用小邊特征作為描述心盤螺栓的主要特征。簡單地說，一個小邊特征是一小段直線或曲線。假設經過預處理后的圖像為I， 用M1 (P)和V1(P)表示圖像I的位置P處邊的強度和法向量。M1(P)和V1(P)通過3X3的 Sobel卷積核來計算。為了計算簡單，把法向量的方向量化為6個離散的值。S23、將基于小邊特征所提取的特征輸入到已訓練完成的分類器中，并根據所述分類器的輸出來檢測心盤螺栓丟失故障。分類器的訓練/決策過程是一個判決和分類的過程，相當于人們從感性認識上升到理性認識并做出判決結論的過程，即對分類器進行訓練之后，就可以利用所訓練的分類器進行判決。常見的分類器主要包括人工神經網絡、支持向量機(SVM)和Boosting分類器等。其中SVM由Cortes和Vapnik于1995年首先提出，該SVM在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，但在面對大樣本時，SVM會表現出占用內存大和訓練速度慢的缺陷，為此本申請采用基于徑向基核函數的支持向量機，該基于徑向基核函數的 支持向量機利用SVM的構造原理，只選擇靠近分類超平面的樣本，刪除無關樣本，從而大大 減少訓練樣本的數量。由于基于徑向基核函數的支持向量機的訓練過程與現有其他支持向 量機的訓練過程相同，所以此處不再贅述。在根據本專利技術的一個優選實施方式中，在步驟S21之后還可以包括對采集到的 圖像進行預處理。由于在在步驟S21中對待檢測心盤螺栓進行圖像采集的過程中，外界光 照條件和相機自身的因素都會造成采集到的圖像質量的下降，因此，在圖像特征提取之前 有必要對采集到的圖像進行預處理。優選地，對采集到的圖像進行預處理可以包括對采集到的圖像進行平滑去噪并 且對平滑去噪后的圖像進行圖像增強。其中，可以采用自適應濾波器對采集到的圖像進行 平滑去噪，而且，所述自適應濾波器可以是維納濾波器或其他類型的自適應濾波器。另外， 可以利用同態濾波方法對平滑去噪后的圖像進行圖像增強，從而強化圖像中待檢測心盤螺 栓的邊緣信息，以更有利于后期的特征表示。本領域技術人員應當理解的是，除了圖像平滑 和圖像增強之外，其他本領域技術人員公知的圖像預處理操作也是可取的。本專利技術還提供一種用于檢測心盤螺栓丟失故障的裝置，如圖3所示，該裝置包括 采集單元301，用于采集待檢測心盤螺栓的圖像；提取單元302，用于基于小邊特征對所采 集的圖像進行特征提取，由于上面已經結合根據本專利技術的檢測心盤螺栓丟失故障的方法對 基于小邊特征的提取進行了描述，所以此處不再贅述；以及已訓練完成的分類器303，用于 接收基于小邊特征所提取的特征，對所述所提取的特征進行處理并根據處理后的結果來檢 測心盤螺栓丟失故障。其中，采集單元301可以采用高速連續數字照相技術來采集待檢測心盤螺栓的圖 像，從而可以使攝像頭在高速情況下獲得穩定清晰的車輛部件圖像。當然，除了高速連續數 字照相技術之外，采集單元301也可以采用本領域技術人員公知的其他照相技術來采集待 檢測心盤螺栓的圖像。優選地，采集單元301在采集了心盤螺栓的圖像之后，還可以對采集到的圖像進 行預處理。而且由于外界光照條件和相機自身的因素都會造成采集單元301采集過程中所 采集到的圖像質量的下降，因此，在圖像特征提取之前采集單元301有必要對采集到的圖 像進行預處理。優選地，采集單元301可以通過對采集到的圖像進行平滑去噪并且對平滑去噪后 的圖像進行圖像增強來對采集到的圖像進行預處理。其中，采集單元301可以采用自適應 濾波器對采集到的圖像進行平滑去噪，而且，所述自適應濾波器可以是維納濾波器或其他 類型的自本文檔來自技高網...

【技術保護點】
一種用于檢測心盤螺栓丟失故障的方法，該方法包括：采集待檢測心盤螺栓的圖像；基于小邊特征對所采集的圖像進行特征提取；以及將基于小邊特征所提取的特征輸入到已訓練完成的分類器中，并根據所述分類器的輸出來檢測心盤螺栓丟失故障。

【技術特征摘要】
1.一種用于檢測心盤螺栓丟失故障的方法，該方法包括采集待檢測心盤螺栓的圖像；基于小邊特征對所采集的圖像進行特征提取；以及將基于小邊特征所提取的特征輸入到已訓練完成的分類器中，并根據所述分類器的輸出來檢測心盤螺栓丟失故障。2.根據權利要求1所述的方法，在采集待檢測心盤螺栓的圖像之后，該方法還包括對采集到的圖像進行預處理。3.根據權利要求2所述的方法，其中，所述對采集到的圖像進行預處理包括對采集到的圖像進行平滑去噪并對平滑去噪后的圖像進行圖像增強。4.根據權利要求3所述的方法，其中，采用自適應濾波器對采集到的圖像進行平滑去噪。5.根據權利要求4所述的方法，其中，所述自適應濾波器是維納濾波器。6.根據權利要求3所述的方法，其中，利用同態濾波方法對平滑去噪后的圖像進行圖像增強。7.根據權利要求1所述的方法，其中，所述分類器為人工神經網絡、支持向量機或 Boosting分類器。8.根據權利要求7所述的方法，其中，所述支持向量機使用基于徑向基的核函數。9.一種用于檢測心盤螺栓丟失故障的裝置，該裝置包括采...

【專利技術屬性】
技術研發人員：薛繼連，賈晉中，陳海濱，李曉建，賈晉軍，梁毅平，趙金利，趙俊彥，任崇巍，鄒迎偉，張閩東，張鵬，楊學超，
申請(專利權)人：中國神華能源股份有限公司，朔黃鐵路發展有限責任公司，北京京天威科技發展有限公司，
類型：發明
國別省市：