[發明專利]一種基于圖結構異常評價的軌枕細微裂紋檢測方法有效
| 申請號： | 202110265616.1 | 申請日： | 2021-03-11 |
| 公開（公告）號： | CN112950603B | 公開（公告）日： | 2023-05-02 |
| 發明（設計）人： | 羅西玲;陳晨;康蕊 | 申請（專利權）人： | 領偉創新智能系統（浙江）有限公司 |
| 主分類號： | G06T7/00 | 分類號： | G06T7/00 |
| 代理公司： | 杭州萬合知識產權代理事務所(特殊普通合伙) 33294 | 代理人： | 余冬;萬珠明 |
| 地址： | 325024 浙江省溫州*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 結構 異常 評價 軌枕 細微 裂紋 檢測 方法 | ||
本發明公開了一種基于圖結構異常評價的軌枕細微裂紋檢測方法，包括以下步驟：將原始的多個無裂紋圖像照片進行曲率濾波，再使用原始圖片減去濾波后樣本獲得圖片大曲率特征；將獲得的圖片大曲率特征均勻劃分為多個互不重疊的子圖像并計算其平均子圖像；根據圖理論建立平均子圖像圖連接矩陣；計算平均子圖像圖連接矩陣的特征向量；使用得到的特征向量對平均子圖像圖連接矩陣進行矩陣分解；將分解后的矩陣分解為對角矩陣和非對角矩陣；計算非對角矩陣的1范數，并設置30倍非對角矩陣的1范數為閾值；對于待檢測的任一測試圖像經過上述步驟后計算異常值，根據異常值和閾值判斷測試圖像是否含有裂紋。本發明具有無需較多數量的訓練樣本的特點。
技術領域
本發明涉及表面缺陷檢測技術領域，特別涉及一種基于圖結構異常評價的軌枕細微裂紋檢測方法。
背景技術
鐵路軌枕裂縫的監測對于保證列車運行的安全性和可靠性，防止發生災難性故障，降低維修成本具有重要意義。盡管已有多種裂紋檢測方法被提出，然而數據量和樣本分布對實際工程樣本的泛化能力仍有較大的影響。閾值提取、曲率分布、形態濾波等是常用的裂紋檢測方法。近年來，基于機器學習實現裂紋特征提取的方法得到廣泛關注。與傳統方法相比，機器學習算法可以有效克服人工目視解譯，人工勞動成本高和效率低等問題，自動建立起對應的映射關系。然而，一定數量的訓練樣本是實現機器學習的必要條件。
發明內容
本發明的目的在于，一種基于圖結構異常評價的軌枕細微裂紋檢測方法。本發明無需較多數量的訓練樣本即可自適應的識別局部裂紋特征，具有識別準確率高的優點。
本發明的技術方案：一種基于圖結構異常評價的軌枕細微裂紋檢測方法，包括以下步驟：
S1：將原始的多個無裂紋圖像照片進行曲率濾波得到濾波后樣本，再使用原始圖片減去濾波后樣本獲得圖片大曲率特征；
S2：將獲得的圖片大曲率特征均勻劃分為多個互不重疊的子圖像并計算其平均子圖像；
S3：根據圖理論建立平均子圖像圖連接矩陣；
S4：計算平均子圖像圖連接矩陣的特征向量；
S5：使用得到的特征向量對平均子圖像圖連接矩陣進行矩陣分解；
S6：將分解后的矩陣分解為對角矩陣和非對角矩陣；
S7：計算非對角矩陣的1范數，并設置30倍非對角矩陣的1范數為閾值；
S8：對于待檢測的任一測試圖像進行曲率濾波得到濾波后樣本，使用測試圖像的原始圖片減去濾波后樣本獲得圖片大曲率特征；
S9：將獲得的圖片大曲率特征均勻劃分為多個互不重疊的子圖像；
S10：建立平均子圖像圖連接矩陣；
S11：使用S4步驟得到的特征向量對平均子圖像圖連接矩陣進行矩陣分解，并計算異常值，根據異常值和閾值判斷測試圖像是否含有裂紋。
上述的基于圖結構異常評價的軌枕細微裂紋檢測方法，所述的步驟S1中,圖片大曲率特征的建立算法為：
其中I為原始圖像，為卷積運算操作，Inew為所獲得的圖片大曲率特征。
前述的基于圖結構異常評價的軌枕細微裂紋檢測方法，所述的步驟S3中,平均子圖像圖連接矩陣的建立算法為：
其中X為所建立的平均子圖像圖連接矩陣，d為相關像素點之間的歐幾里得距離，下標為子圖像對應序號，對于含有n個像素點的子圖像，平均子圖像圖連接矩陣的總元素為n×n個。
前述的基于圖結構異常評價的軌枕細微裂紋檢測方法，所述的步驟S5中,使用獲得的特征向量進行分解的算法為：
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于領偉創新智能系統（浙江）有限公司，未經領偉創新智能系統（浙江）有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110265616.1/2.html，轉載請聲明來源鉆瓜專利網。
