本發(fā)明屬于計(jì)算機(jī)視覺和圖像識(shí)別領(lǐng)域，尤其涉及一種鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法及裝置。

背景技術(shù)：

為了保證鐵路列車的安全性，通常需要對(duì)鐵路列車進(jìn)行故障檢測(cè)，閘瓦釬環(huán)是列車基礎(chǔ)制動(dòng)裝置中的部件，閘瓦釬環(huán)的故障將會(huì)影響列車的制動(dòng)。

現(xiàn)有技術(shù)中，通常是由經(jīng)驗(yàn)豐富的列檢人員來檢測(cè)閘瓦釬環(huán)是否存在故障，例如丟失、位置偏移、有覆蓋物等，然而人工檢測(cè)的效率較低，為了提高閘瓦釬環(huán)故障的檢測(cè)效率，出現(xiàn)了貨車閘瓦故障的自動(dòng)識(shí)別方法，上述方法，首先采用圖像分割的方式確定貨車閘瓦特征區(qū)域，然后使用svm(supportvectormachine支持向量機(jī))算法進(jìn)行特征值計(jì)算，再通過比較提取的特征值與預(yù)置的故障識(shí)別值進(jìn)行比較，判定閘瓦是否存在故障。

然而，申請(qǐng)人發(fā)現(xiàn)，現(xiàn)有的貨車閘瓦故障的自動(dòng)識(shí)別方法，采用的svm算法進(jìn)行特征值計(jì)算，然而svm算法僅適用于訓(xùn)練樣本量較少的情況，對(duì)于大規(guī)模的訓(xùn)練樣本容易導(dǎo)致目標(biāo)漏檢或誤檢，則當(dāng)貨車車閘數(shù)量和種類較多時(shí)，無法保證故障檢測(cè)的準(zhǔn)確率。

可見，現(xiàn)有方法中閘瓦釬環(huán)故障檢測(cè)的準(zhǔn)確率不高的技術(shù)問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法及裝置，用以解決現(xiàn)有方法中閘瓦釬環(huán)故障檢測(cè)的準(zhǔn)確率不高的技術(shù)問題。

第一方面，本發(fā)明實(shí)施例提供了一種鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法，所述方法包括:

從所述鐵路列車的圖像中獲取所述鐵路列車的車輪軸線坐標(biāo)；

根據(jù)所述車輪軸線坐標(biāo)，從所述鐵路列車的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊；

采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型；

根據(jù)所述閘瓦釬環(huán)定位與識(shí)別模型，對(duì)所述與所述閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，以對(duì)所述鐵路列車閘瓦釬環(huán)故障進(jìn)行檢測(cè)。

本發(fā)明提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法，在所述根據(jù)所述車輪軸線坐標(biāo)，從所述鐵路列車的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊之前，還包括：

采用深度學(xué)習(xí)方法構(gòu)建車型識(shí)別模型；

根據(jù)所述車型識(shí)別模型，獲得所述鐵路列車的車型；

根據(jù)所述車型，判斷所述鐵路列車的圖像是否包含閘瓦釬環(huán)。

本發(fā)明提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法，所述采用深度學(xué)習(xí)方法構(gòu)建車型識(shí)別模型，包括：

獲取的車輪區(qū)域圖像塊和搖枕區(qū)域圖像塊；

對(duì)所述車輪區(qū)域圖像塊和所述搖枕區(qū)域圖像塊進(jìn)行分類，獲得車輪區(qū)域數(shù)據(jù)集和搖枕區(qū)域數(shù)據(jù)集；

當(dāng)所述車輪區(qū)域數(shù)據(jù)集達(dá)到所述第一預(yù)設(shè)值時(shí)，利用深度卷積神經(jīng)網(wǎng)絡(luò)獲取所述車輪區(qū)域數(shù)據(jù)集的第一分類特征；

當(dāng)所述搖枕區(qū)域數(shù)據(jù)集達(dá)到所述第二預(yù)設(shè)值時(shí)，利用深度卷積神經(jīng)網(wǎng)絡(luò)獲取所述搖枕區(qū)域數(shù)據(jù)集的第二分類特征；

分別根據(jù)所述第一分類特征和所述第二分類特征，獲得車輪識(shí)別模型和搖枕識(shí)別模型，以所述車輪識(shí)別模型和搖枕識(shí)別模型作為車型識(shí)別模型。

本發(fā)明提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法，所述從所述鐵路列車的圖像中獲取所述鐵路列車的車輪軸線坐標(biāo)，包括：

根據(jù)所述鐵路列車的車輪的先驗(yàn)信息，獲得第一定位車輪區(qū)域圖像；

對(duì)所述粗定位車輪區(qū)域圖像進(jìn)行預(yù)處理，獲得去除干擾信息的第二定位車輪區(qū)域圖像；

對(duì)所述第二定位車輪區(qū)域圖像進(jìn)行二值化，獲得第三定位車輪區(qū)域圖像；

將所述第三定位車輪區(qū)域圖像進(jìn)行水平方向投影，獲得投影曲線，以所述投影曲線的峰值所在位置作為所述鐵路列車的車輪軸線坐標(biāo)。

本發(fā)明提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法，所述采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型，包括：

構(gòu)建閘瓦釬環(huán)訓(xùn)練數(shù)據(jù)集；

采用深度學(xué)習(xí)方法從所述閘瓦釬環(huán)訓(xùn)練數(shù)據(jù)集中提取高層特征，獲得第一特征模型和第二特征模型；

以所述第一特征模型和所述第二特征模型作為支持向量機(jī)的輸入，從而獲得支持向量機(jī)方法的訓(xùn)練結(jié)果；

根據(jù)所述支持向量機(jī)方法的訓(xùn)練結(jié)果，構(gòu)建所述閘瓦釬環(huán)定位與識(shí)別模型。

本發(fā)明提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法，所述根據(jù)所述閘瓦釬環(huán)定位與識(shí)別模型，對(duì)所述與所述閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，以對(duì)所述鐵路列車閘瓦釬環(huán)故障進(jìn)行檢測(cè)，包括：

采用區(qū)域篩選算法從所述圖塊中搜索出候選區(qū)域；

利用所述閘瓦釬環(huán)定位與識(shí)別模型在所述候選區(qū)域內(nèi)進(jìn)行預(yù)測(cè)，判斷是否出現(xiàn)重疊框；

如出現(xiàn)，則閘瓦釬環(huán)正常；

如未出現(xiàn)，則閘瓦釬環(huán)發(fā)生故障。

基于與第一發(fā)明相同的發(fā)明構(gòu)思，本發(fā)明第二方面還提供了一種鐵路列車閘瓦釬環(huán)故障的檢測(cè)裝置，所述裝置包括:

第一獲取模塊，用于從所述鐵路列車的圖像中獲取所述鐵路列車的車輪軸線坐標(biāo)；

第二獲取模塊，用于根據(jù)所述車輪軸線坐標(biāo)，從所述鐵路列車的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊；

構(gòu)建模塊，用于采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型；

檢測(cè)模塊，用于根據(jù)所述閘瓦釬環(huán)定位與識(shí)別模型，對(duì)所述與所述閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，以對(duì)所述鐵路列車閘瓦釬環(huán)故障進(jìn)行檢測(cè)。

本發(fā)明提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)裝置中，所述第一獲取模塊還用于：

根據(jù)所述鐵路列車的車輪的先驗(yàn)信息，獲得第一定位車輪區(qū)域圖像；

對(duì)所述粗定位車輪區(qū)域圖像進(jìn)行預(yù)處理，獲得去除干擾信息的第二定位車輪區(qū)域圖像；

對(duì)所述第二定位車輪區(qū)域圖像進(jìn)行二值化，獲得第三定位車輪區(qū)域圖像；

將所述第三定位車輪區(qū)域圖像進(jìn)行水平方向投影，獲得投影曲線，以所述投影曲線的峰值所在位置作為所述鐵路列車的車輪軸線坐標(biāo)。

本發(fā)明提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)裝置中，所述構(gòu)建模塊還用于：

構(gòu)建閘瓦釬環(huán)訓(xùn)練數(shù)據(jù)集；

采用深度學(xué)習(xí)方法從所述閘瓦釬環(huán)訓(xùn)練數(shù)據(jù)集中提取高層特征，獲得第一特征模型和第二特征模型；

以所述第一特征模型和所述第二特征模型作為支持向量機(jī)的輸入，從而獲得支持向量機(jī)方法的訓(xùn)練結(jié)果；

根據(jù)所述支持向量機(jī)方法的訓(xùn)練結(jié)果，構(gòu)建所述閘瓦釬環(huán)定位與識(shí)別模型。

本發(fā)明提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)裝置中，所述檢測(cè)模塊還用于：

采用區(qū)域篩選算法從所述圖塊中搜索出候選區(qū)域；

利用所述閘瓦釬環(huán)定位與識(shí)別模型在所述候選區(qū)域內(nèi)進(jìn)行預(yù)測(cè)，判斷是否出現(xiàn)重疊框；

如出現(xiàn)，則閘瓦釬環(huán)正常；

如未出現(xiàn)，則閘瓦釬環(huán)發(fā)生故障。

本發(fā)明實(shí)施例中提供的一個(gè)或多個(gè)技術(shù)方案，至少具有如下技術(shù)效果或優(yōu)點(diǎn)：

本發(fā)明實(shí)施例提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法，首先從所述鐵路列車的圖像中獲取所述鐵路列車的車輪軸線坐標(biāo)；并根據(jù)所述車輪軸線坐標(biāo)，從所述鐵路列車的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊；然后采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型；再利用所述閘瓦釬環(huán)定位與識(shí)別模型，對(duì)與閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，以對(duì)所述鐵路列車閘瓦釬環(huán)故障進(jìn)行檢測(cè)。通過獲取車輪軸線坐標(biāo)，可以獲得車輪軸線的位置，然后根據(jù)車輪軸線與閘瓦釬環(huán)之間的位置關(guān)系可以準(zhǔn)確獲取與所述閘瓦釬環(huán)相關(guān)的圖塊，并利用采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型，對(duì)與閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，由于采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法，則可以適應(yīng)大規(guī)模的樣本，相較于現(xiàn)有技術(shù)，本發(fā)明的方法，可以準(zhǔn)確獲取與閘瓦釬環(huán)相關(guān)的圖塊，并且構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型可以適用于數(shù)量和種類較多的閘瓦釬環(huán)，因此可以提高故障檢測(cè)的準(zhǔn)確率，由此解決了現(xiàn)有方法中閘瓦釬環(huán)故障檢測(cè)的準(zhǔn)確率不高的技術(shù)問題。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例中一種鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法的流程圖；

圖2為本發(fā)明實(shí)施例中一種鐵路列車閘瓦釬環(huán)故障的檢測(cè)裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

本申請(qǐng)實(shí)施例通過提供一種鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法及裝置，用以解決現(xiàn)有方法中閘瓦釬環(huán)故障檢測(cè)的準(zhǔn)確率不高的技術(shù)問題。

本申請(qǐng)實(shí)施例中的技術(shù)方案，總體思路如下：

一種鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法，所述方法包括:從所述鐵路列車的圖像中獲取所述鐵路列車的車輪軸線坐標(biāo)；根據(jù)所述車輪軸線坐標(biāo)，從所述鐵路列車的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊；采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型；根據(jù)所述閘瓦釬環(huán)定位與識(shí)別模型，對(duì)所述與所述閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，以對(duì)所述鐵路列車閘瓦釬環(huán)故障進(jìn)行檢測(cè)。

在上述方法中，通過獲取車輪軸線坐標(biāo)，可以獲得車輪軸線的位置，然后根據(jù)車輪軸線與閘瓦釬環(huán)之間的位置關(guān)系可以準(zhǔn)確獲取與所述閘瓦釬環(huán)相關(guān)的圖塊，并利用采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型，對(duì)與閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，由于采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法，則可以適應(yīng)大規(guī)模的樣本，相較于現(xiàn)有技術(shù)，本發(fā)明提供的方法，可以準(zhǔn)確獲取與閘瓦釬環(huán)相關(guān)的圖塊，并且構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型可以適用于數(shù)量和種類較多的閘瓦釬環(huán)，因此可以提高故障檢測(cè)的準(zhǔn)確率，由此解決了現(xiàn)有方法中閘瓦釬環(huán)故障檢測(cè)的準(zhǔn)確率不高的技術(shù)問題。

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

實(shí)施例一

本實(shí)施例提供了一種鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法，請(qǐng)參考圖1，所述方法包括：

步驟s101：從所述鐵路列車的圖像中獲取所述鐵路列車的車輪軸線坐標(biāo)；

步驟s102：根據(jù)所述車輪軸線坐標(biāo)，從所述鐵路列車的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊；

步驟s103：采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型；

步驟s104：根據(jù)所述閘瓦釬環(huán)定位與識(shí)別模型，對(duì)所述與所述閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，以對(duì)所述鐵路列車閘瓦釬環(huán)故障進(jìn)行檢測(cè)

在本申請(qǐng)實(shí)施例中，鐵路列車可以是鐵路客車或鐵路貨車，步驟s102和步驟s103的執(zhí)行順序不分先后，可以先執(zhí)行步驟s102，也可以先執(zhí)行步驟s103。

下面，結(jié)合圖1，對(duì)本申請(qǐng)?zhí)峁┑蔫F路列車閘瓦釬環(huán)故障的檢測(cè)方法進(jìn)行詳細(xì)描述：

首先，執(zhí)行步驟s101，從所述鐵路列車的圖像中獲取所述鐵路列車的車輪軸線坐標(biāo)。

在具體的實(shí)施過程中，可以采用圖像處理軟件獲得鐵路列車的圖像，獲取鐵路列車的圖像后，再從圖像中獲得車輪軸線坐標(biāo)，由于閘瓦釬環(huán)的位置與車輪位置有一定的關(guān)系，以便后期定位閘瓦釬環(huán)的位置。

具體地，所述從所述鐵路列車的圖像中獲取所述鐵路列車的車輪軸線坐標(biāo)，包括：

根據(jù)所述鐵路列車的車輪的先驗(yàn)信息，獲得第一定位車輪區(qū)域圖像；

對(duì)所述粗定位車輪區(qū)域圖像進(jìn)行預(yù)處理，獲得去除干擾信息的第二定位車輪區(qū)域圖像；

對(duì)所述第二定位車輪區(qū)域圖像進(jìn)行二值化，獲得第三定位車輪區(qū)域圖像；

將所述第三定位車輪區(qū)域圖像進(jìn)行水平方向投影，獲得投影曲線，以所述投影曲線的峰值所在位置作為所述鐵路列車的車輪軸線坐標(biāo)。

具體來說，所述先驗(yàn)信息是由歷史知識(shí)和經(jīng)驗(yàn)知識(shí)確定的，例如可以利用數(shù)據(jù)庫存儲(chǔ)鐵路列車的車輪的先驗(yàn)信息。

在具體的實(shí)施過程中，可以采用區(qū)域截取、降采樣、去噪等圖像處理方法對(duì)粗定位車輪區(qū)域圖像進(jìn)行預(yù)處理，距離來說，區(qū)域截取可以截取車輪底部1/10的部分，而降采樣是對(duì)車輪區(qū)域圖像進(jìn)行比例因子為2的降采樣操作，從而將圖像縮小至原圖像的1/4大小，然后再進(jìn)行去噪處理，從而獲得去除干擾信息的第二定位車輪區(qū)域圖像。對(duì)所述第二定位車輪區(qū)域圖像進(jìn)行二值化可以采用常用的二值化方法，然后采用灰度投影法將第三定位車輪區(qū)域圖像做水平方向投影，可以得到投影曲線，該投影曲線的峰值對(duì)應(yīng)的位置即為車輪軸線坐標(biāo)。

接下來執(zhí)行步驟s102：根據(jù)所述車輪軸線坐標(biāo)，從所述鐵路列車的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊。

在具體的實(shí)施過程中，由于獲取了車輪軸線坐標(biāo)，即獲得了車輪的位置，然后根據(jù)閘瓦車環(huán)與車輪的相對(duì)位置關(guān)系，可以利用圖像分塊的方法，從列車圖像中獲取所述閘瓦釬環(huán)相關(guān)的圖塊，從而對(duì)閘瓦釬環(huán)進(jìn)行準(zhǔn)確定位，為后續(xù)的故障檢測(cè)提供基礎(chǔ)。

然后執(zhí)行步驟s103：采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型。

在具體的實(shí)施過程中，需要對(duì)閘瓦釬環(huán)進(jìn)行故障檢測(cè)，因此需要有故障檢測(cè)的依據(jù)，本實(shí)施例中采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型。

具體地，所述采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型，包括：

構(gòu)建閘瓦釬環(huán)訓(xùn)練數(shù)據(jù)集；

采用深度學(xué)習(xí)方法從所述閘瓦釬環(huán)訓(xùn)練數(shù)據(jù)集中提取高層特征，獲得第一特征模型和第二特征模型；

以所述第一特征模型和所述第二特征模型作為支持向量機(jī)的輸入，從而獲得支持向量機(jī)方法的訓(xùn)練結(jié)果；

根據(jù)所述支持向量機(jī)方法的訓(xùn)練結(jié)果，構(gòu)建所述閘瓦釬環(huán)定位與識(shí)別模型。

在具體的實(shí)施過程中，構(gòu)建閘瓦釬環(huán)訓(xùn)練數(shù)據(jù)集可以通過在與閘瓦釬環(huán)相關(guān)的圖像塊中通過手工標(biāo)注閘瓦釬環(huán)區(qū)域作為正樣本，在不包含閘瓦釬環(huán)的背景區(qū)域內(nèi)自動(dòng)產(chǎn)生與正樣本同樣大小的區(qū)域作為負(fù)樣本來實(shí)現(xiàn)，當(dāng)正、負(fù)樣本的數(shù)量達(dá)到設(shè)定的數(shù)量后，制作正、負(fù)樣本訓(xùn)練數(shù)據(jù)集，上述正、負(fù)樣本訓(xùn)練數(shù)據(jù)集即為閘瓦釬環(huán)訓(xùn)練數(shù)據(jù)集；優(yōu)選地，還可以對(duì)正負(fù)樣本訓(xùn)練集進(jìn)行歸一化操作，上述歸一化操作即是將樣本縮放到統(tǒng)一尺寸，以便后續(xù)處理。然后采用深度學(xué)習(xí)方法從所述閘瓦釬環(huán)訓(xùn)練數(shù)據(jù)集中提取高層特征，上述深度學(xué)習(xí)方法可以為深度卷積網(wǎng)絡(luò)，從而獲得第一特征模型和第二特征模型；接著利用特第一特征模型和第二特征模型訓(xùn)練支持向量機(jī)，得到支持向量機(jī)方法的訓(xùn)練結(jié)果，上述訓(xùn)練結(jié)果即為閘瓦釬環(huán)定位與識(shí)別模型。

最后執(zhí)行步驟s104：根據(jù)所述閘瓦釬環(huán)定位與識(shí)別模型，對(duì)所述與所述閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，以對(duì)所述鐵路列車閘瓦釬環(huán)故障進(jìn)行檢測(cè)。

具體地，所述根據(jù)所述閘瓦釬環(huán)定位與識(shí)別模型，對(duì)所述與所述閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，以對(duì)所述鐵路列車閘瓦釬環(huán)故障進(jìn)行檢測(cè)，包括：

采用區(qū)域篩選算法從所述圖塊中搜索出候選區(qū)域；

利用所述閘瓦釬環(huán)定位與識(shí)別模型在所述候選區(qū)域內(nèi)進(jìn)行預(yù)測(cè)，判斷是否出現(xiàn)重疊框；

如出現(xiàn)，則閘瓦釬環(huán)正常；

如未出現(xiàn)，則閘瓦釬環(huán)發(fā)生故障。

具體的實(shí)施過程中，采用區(qū)域篩選算法從所述圖塊中搜索出候選區(qū)域，然后判斷候選區(qū)域內(nèi)是否出現(xiàn)重疊框來判斷閘瓦釬環(huán)是否發(fā)生故障，如果征程，則會(huì)得到若干個(gè)重疊框，此時(shí)可以采用非極大值抑制算法消除重疊框，從而獲得閘瓦釬環(huán)位置。若閘瓦釬環(huán)丟失或者遮擋，將不會(huì)得到重疊框，此時(shí)可以將閘瓦釬環(huán)圖像塊存儲(chǔ)至故障庫，并將預(yù)警信息上傳，供列檢人員現(xiàn)場(chǎng)確認(rèn)。本實(shí)施例采用的基于候選區(qū)域的故障檢測(cè)方法，而現(xiàn)有的目標(biāo)檢測(cè)一般采取滑動(dòng)窗口的區(qū)域選擇策略，沒有針對(duì)性，從而時(shí)間復(fù)雜度高，窗口冗余。本實(shí)施例的候選區(qū)域選擇算法是首先對(duì)圖像等間距劃分，然后計(jì)算每個(gè)區(qū)域的灰度均值與方差，保留滿足條件的區(qū)域框作為最可能的候選區(qū)域，并對(duì)候選區(qū)域做圖像增強(qiáng)處理，然后利用閘瓦釬環(huán)定位與識(shí)別模型進(jìn)行預(yù)測(cè)，由于檢測(cè)區(qū)域減少，以及候選區(qū)域質(zhì)量也有所提升，可以獲得更好的故障檢測(cè)效果，進(jìn)一步提高了故障檢測(cè)的準(zhǔn)確率。

在本申請(qǐng)?zhí)峁┑蔫F路列車閘瓦釬環(huán)故障的檢測(cè)方法中，在所述根據(jù)所述車輪軸線坐標(biāo)，從所述鐵路列車的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊之前，還包括：

采用深度學(xué)習(xí)方法構(gòu)建車型識(shí)別模型；

根據(jù)所述車型識(shí)別模型，獲得所述鐵路列車的車型；

根據(jù)所述車型，判斷所述鐵路列車的圖像是否包含閘瓦釬環(huán)。

具體地，所述采用深度學(xué)習(xí)方法構(gòu)建車型識(shí)別模型，包括：

獲取的車輪區(qū)域圖像塊和搖枕區(qū)域圖像塊；

對(duì)所述車輪區(qū)域圖像塊和所述搖枕區(qū)域圖像塊進(jìn)行分類，獲得車輪區(qū)域數(shù)據(jù)集和搖枕區(qū)域數(shù)據(jù)集；

當(dāng)所述車輪區(qū)域數(shù)據(jù)集達(dá)到所述第一預(yù)設(shè)值時(shí)，利用深度卷積神經(jīng)網(wǎng)絡(luò)獲取所述車輪區(qū)域數(shù)據(jù)集的第一分類特征；

當(dāng)所述搖枕區(qū)域數(shù)據(jù)集達(dá)到所述第二預(yù)設(shè)值時(shí)，利用深度卷積神經(jīng)網(wǎng)絡(luò)獲取所述搖枕區(qū)域數(shù)據(jù)集的第二分類特征；

分別根據(jù)所述第一分類特征和所述第二分類特征，獲得車輪識(shí)別模型和搖枕識(shí)別模型，以所述車輪識(shí)別模型和搖枕識(shí)別模型作為車型識(shí)別模型。

在具體的實(shí)施過程中，由于車輪和搖枕的類型可以確定列車的車型，因此通過分別構(gòu)建車輪識(shí)別模型和搖枕識(shí)別模型，來作為車型識(shí)別模型，根據(jù)車輪的軸線坐標(biāo)信息，然后可以精確剪切車輪區(qū)域和搖枕區(qū)域，并利用車輪識(shí)別模型和搖枕識(shí)別模型，可以得到車輪類型和搖枕類型；然后綜合車輪類型結(jié)果和搖枕類型結(jié)果，確定車型類別。確定車型類別的作用是在檢測(cè)列車是否出現(xiàn)閘瓦釬環(huán)故障之前，首先篩選出包含閘瓦釬環(huán)的車型，剔除不包含含閘瓦釬環(huán)的車型，因?yàn)椴话l瓦釬環(huán)的車型的列車不在檢測(cè)的范圍之內(nèi)，從而減少了檢測(cè)的目標(biāo)，有利于提高故障檢測(cè)的效率。

在上述介紹了本發(fā)明實(shí)施例提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法之后，下面通過一個(gè)具體的實(shí)例來說明本發(fā)明方法的具體應(yīng)用，對(duì)來自不同探測(cè)站的tvds(客車故障軌邊圖像檢測(cè)系統(tǒng)traincoachmachinevisiondetectionsystem，tvds)現(xiàn)場(chǎng)采集的總共31015張大小在2048*8500和2048*12000之間包含車輪的列車圖像進(jìn)行檢測(cè)，通過構(gòu)建的車型識(shí)別模型可以識(shí)別出7135張包含閘瓦釬環(huán)的圖像，與實(shí)際數(shù)量完全吻合，然后通過閘瓦釬環(huán)定位與識(shí)別模型，一種檢測(cè)出345個(gè)閘瓦釬環(huán)存在故障(包含丟失與遮擋)，其中確認(rèn)故障有316個(gè)，實(shí)際故障為322個(gè)。實(shí)驗(yàn)效果為：檢測(cè)準(zhǔn)確率99.5％，漏識(shí)率1.8％，誤識(shí)率8.4％。平均每張圖的處理時(shí)間為0.5s，達(dá)到了現(xiàn)場(chǎng)實(shí)際使用的標(biāo)準(zhǔn)。其中對(duì)方法性能的評(píng)價(jià)上，我們采用了準(zhǔn)確率(accuracy)、漏識(shí)率(miss)和誤報(bào)率(mistake)三個(gè)性能指標(biāo)。其定義如下：

其中，#truepositive代表實(shí)際正常閘瓦釬環(huán)數(shù)，#truenegtive代表實(shí)際故障的閘瓦釬環(huán)數(shù)，#falsepositive代表誤判正常閘瓦釬環(huán)數(shù)；#falsenegtive代表誤判故障閘瓦釬環(huán)數(shù)。

基于與實(shí)施例一同樣的發(fā)明構(gòu)思，本發(fā)明實(shí)施例二提供了一種鐵路列車閘瓦釬環(huán)故障的檢測(cè)裝置，請(qǐng)參見圖2，所述裝置包括：

第一獲取模塊201，用于從所述鐵路列車的圖像中獲取所述鐵路列車的車輪軸線坐標(biāo)；

第二獲取模塊202，用于根據(jù)所述車輪軸線坐標(biāo)，從所述鐵路列車的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊；

構(gòu)建模塊203，用于采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型；

檢測(cè)模塊204，用于根據(jù)所述閘瓦釬環(huán)定位與識(shí)別模型，對(duì)所述與所述閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，以對(duì)所述鐵路列車閘瓦釬環(huán)故障進(jìn)行檢測(cè)。

在本發(fā)明實(shí)施例提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)裝置中，所述第一獲取模塊還用于：

根據(jù)所述鐵路列車的車輪的先驗(yàn)信息，獲得第一定位車輪區(qū)域圖像；

對(duì)所述粗定位車輪區(qū)域圖像進(jìn)行預(yù)處理，獲得去除干擾信息的第二定位車輪區(qū)域圖像；

對(duì)所述第二定位車輪區(qū)域圖像進(jìn)行二值化，獲得第三定位車輪區(qū)域圖像；

將所述第三定位車輪區(qū)域圖像進(jìn)行水平方向投影，獲得投影曲線，以所述投影曲線的峰值所在位置作為所述鐵路列車的車輪軸線坐標(biāo)。

在本發(fā)明實(shí)施例提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)裝置中，所述構(gòu)建模塊還用于：

構(gòu)建閘瓦釬環(huán)訓(xùn)練數(shù)據(jù)集；

采用深度學(xué)習(xí)方法從所述閘瓦釬環(huán)訓(xùn)練數(shù)據(jù)集中提取高層特征，獲得第一特征模型和第二特征模型；

以所述第一特征模型和所述第二特征模型作為支持向量機(jī)的輸入，從而獲得支持向量機(jī)方法的訓(xùn)練結(jié)果；

根據(jù)所述支持向量機(jī)方法的訓(xùn)練結(jié)果，構(gòu)建所述閘瓦釬環(huán)定位與識(shí)別模型。

在本發(fā)明實(shí)施例提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)裝置中，所述檢測(cè)模塊還用于：

采用區(qū)域篩選算法從所述圖塊中搜索出候選區(qū)域；

利用所述閘瓦釬環(huán)定位與識(shí)別模型在所述候選區(qū)域內(nèi)進(jìn)行預(yù)測(cè)，判斷是否出現(xiàn)重疊框；

如出現(xiàn)，則閘瓦釬環(huán)正常；

如未出現(xiàn)，則閘瓦釬環(huán)發(fā)生故障。

在本發(fā)明實(shí)施例提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)裝置，所述檢測(cè)裝置還包括處理模塊，所述處理模塊用于：在所述根據(jù)所述車輪軸線坐標(biāo)，從所述鐵路列車的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊之前，

采用深度學(xué)習(xí)方法構(gòu)建車型識(shí)別模型；

根據(jù)所述車型識(shí)別模型，獲得所述鐵路列車的車型；

根據(jù)所述車型，判斷所述鐵路列車的圖像是否包含閘瓦釬環(huán)。

在本發(fā)明實(shí)施例提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)裝置，所述處理模塊還用于：

獲取的車輪區(qū)域圖像塊和搖枕區(qū)域圖像塊；

對(duì)所述車輪區(qū)域圖像塊和所述搖枕區(qū)域圖像塊進(jìn)行分類，獲得車輪區(qū)域數(shù)據(jù)集和搖枕區(qū)域數(shù)據(jù)集；

當(dāng)所述車輪區(qū)域數(shù)據(jù)集達(dá)到所述第一預(yù)設(shè)值時(shí)，利用深度卷積神經(jīng)網(wǎng)絡(luò)獲取所述車輪區(qū)域數(shù)據(jù)集的第一分類特征；

當(dāng)所述搖枕區(qū)域數(shù)據(jù)集達(dá)到所述第二預(yù)設(shè)值時(shí)，利用深度卷積神經(jīng)網(wǎng)絡(luò)獲取所述搖枕區(qū)域數(shù)據(jù)集的第二分類特征；

分別根據(jù)所述第一分類特征和所述第二分類特征，獲得車輪識(shí)別模型和搖枕識(shí)別模型，以所述車輪識(shí)別模型和搖枕識(shí)別模型作為車型識(shí)別模型。

實(shí)施例1中所示的鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法的各種變化方式和具體實(shí)例同樣適用于本實(shí)施例中的鐵路列車閘瓦釬環(huán)故障的檢測(cè)裝置，通過前述對(duì)鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法的詳細(xì)描述，本領(lǐng)域技術(shù)人員可以清楚的知道本實(shí)施例中鐵路列車閘瓦釬環(huán)故障的檢測(cè)裝置，所以為了說明書的簡潔，在此不再詳述。

本發(fā)明實(shí)施例中提供的一個(gè)或多個(gè)技術(shù)方案，至少具有如下技術(shù)效果或優(yōu)點(diǎn)：

本發(fā)明實(shí)施例提供的鐵路列車閘瓦釬環(huán)故障的檢測(cè)方法，首先從所述鐵路列車的圖像中獲取所述鐵路列車的車輪軸線坐標(biāo)；并根據(jù)所述車輪軸線坐標(biāo)，從所述鐵路列車的圖像中獲取與所述閘瓦釬環(huán)相關(guān)的圖塊；然后采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型；再利用所述閘瓦釬環(huán)定位與識(shí)別模型，對(duì)與閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，以對(duì)所述鐵路列車閘瓦釬環(huán)故障進(jìn)行檢測(cè)。通過獲取車輪軸線坐標(biāo)，可以獲得車輪軸線的位置，然后根據(jù)車輪軸線與閘瓦釬環(huán)之間的位置關(guān)系可以準(zhǔn)確獲取與所述閘瓦釬環(huán)相關(guān)的圖塊，并利用采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型，對(duì)與閘瓦釬環(huán)相關(guān)的圖塊進(jìn)行檢測(cè)，由于采用深度學(xué)習(xí)和支持向量機(jī)相結(jié)合的方法，則可以適應(yīng)大規(guī)模的樣本，相較于現(xiàn)有技術(shù)，本發(fā)明提供的方法，可以準(zhǔn)確獲取與閘瓦釬環(huán)相關(guān)的圖塊，并且構(gòu)建閘瓦釬環(huán)定位與識(shí)別模型可以適用于數(shù)量和種類較多的閘瓦釬環(huán)，因此可以提高故障檢測(cè)的準(zhǔn)確率，由此解決了現(xiàn)有方法中閘瓦釬環(huán)故障檢測(cè)的準(zhǔn)確率不高的技術(shù)問題。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、系統(tǒng)、或計(jì)算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個(gè)或多個(gè)其中包含有計(jì)算機(jī)可用程序代碼的計(jì)算機(jī)可用存儲(chǔ)介質(zhì)(包括但不限于磁盤存儲(chǔ)器、cd-rom、光學(xué)存儲(chǔ)器等)上實(shí)施的計(jì)算機(jī)程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實(shí)施例的方法、設(shè)備(系統(tǒng))、和計(jì)算機(jī)程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計(jì)算機(jī)程序指令實(shí)現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合。可提供這些計(jì)算機(jī)程序指令到通用計(jì)算機(jī)、專用計(jì)算機(jī)、嵌入式處理機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個(gè)機(jī)器，使得通過計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的裝置。

這些計(jì)算機(jī)程序指令也可存儲(chǔ)在能引導(dǎo)計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計(jì)算機(jī)可讀存儲(chǔ)器中，使得存儲(chǔ)在該計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能。

這些計(jì)算機(jī)程序指令也可裝載到計(jì)算機(jī)或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的處理，從而在計(jì)算機(jī)或其他可編程設(shè)備上執(zhí)行的指令提供用于實(shí)現(xiàn)在流程圖一個(gè)流程或多個(gè)流程和/或方框圖一個(gè)方框或多個(gè)方框中指定的功能的步驟。

盡管已描述了本發(fā)明的優(yōu)選實(shí)施例，但本領(lǐng)域內(nèi)的技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對(duì)這些實(shí)施例作出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實(shí)施例以及落入本發(fā)明范圍的所有變更和修改。

顯然，本領(lǐng)域的技術(shù)人員可以對(duì)本發(fā)明實(shí)施例進(jìn)行各種改動(dòng)和變型而不脫離本發(fā)明實(shí)施例的精神和范圍。這樣，倘若本發(fā)明實(shí)施例的這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動(dòng)和變型在內(nèi)。