[發明專利]一種基于AEHAL特征的軌道扣件狀態檢測方法

在審

• 申請號: 202110777965.1
• 申請日: 2021-07-09
• 公開（公告）號: CN113505695A
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 呂照民;陳興杰;邱一晉
• 申請（專利權）人: 上海工程技術大學;上海工業控制安全創新科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 葉敏華

本發明涉及一種基于AEHAL特征的軌道扣件狀態檢測方法，包括：獲取軌道扣件圖像的訓練數據集；對訓練數據集中的正樣本和負樣本進行圖像預處理；對正樣本提取HOG特征，并結合AE訓練，得到降維編碼器；對正樣本和負樣本提取對應的HOG特征和LBP特征，結合降維編碼器以及串行融合方法，得到與正負樣本相對應的AEHAL特征，再通過SVM訓練，得到扣件狀態分類器；對待檢測的軌道扣件圖像依次進行圖像預處理、提取HOG特征和LBP特征、對HOG特征進行降維處理、將LBP特征與降維后的HOG特征串行融合，得到對應的AEHAL特征；將待檢測軌道扣件圖像的AEHAL特征輸入扣件狀態分類器，輸出得到對應的扣件狀態檢測結果。與現有技術相比，本發明能夠降低檢測漏報率，同時提高檢測準確率。

技術領域

本發明涉及軌道安全技術領域，尤其是涉及一種基于AEHAL特征的軌道扣件狀態檢測方法。

背景技術

軌道扣件是鐵路軌道系統的重要部件，是鐵路軌道安全的重要保障。由于輪轂和軌道之間的接觸摩擦和振動沖擊的影響，再加上自然環境的影響，使得軌道上的軌道扣件容易發生斷裂或缺失問題，而列車運行過程中軌道扣件損壞或缺失會造成巨大安全隱患甚至釀成重大事故，歷史事故數據表明，軌道扣件失效是不可忽視的危險因素。目前國際上主要是采用人工巡檢的方式檢測軌道扣件狀態，人工巡檢方式不僅效率低下而且人工巡檢有許多不可控的危險因素，花費的代價巨大，已難以適應軌道交通事業的快速發展。因此軌道扣件檢測技術的自動化，對于軌道運營維護來說具有重大的意義。

近年來，國內外學者紛紛對扣件的定位算法展開了深入研究，文獻1(傳感器與微系統，2013，32(10)：110-113)通過提取扣件圖像的改進HOG(Histogram of OrientedGradient，方向梯度直方圖)特征作為分類器依據，文獻2(IEEE Signal ProcessingLetters，2018：788-792)通過提取扣件圖像的改進LBP(Local Binary Pattern，局部二值模式)特征作為分類器依據，這兩種方式都能在一定程度上提升分類精度，然而單獨的特征提取對扣件圖像的描述不夠充分，使得在分類過程中仍然存在漏報的問題；文獻3(圖像識別技術在鐵軌扣件異常檢測中的應用研究[D].哈爾濱工程大學，2018)提出了融合HOG特征和LBP特征的方法來提高扣件檢測的識別率，然而由于HOG特征維數過多，導致了分類器效果反而變差的結果，對此該研究提出了使用PCA(Principal Component Analysis，主成分分析)的降維方法，但是PCA是一種線性降維的方法，對于非線性的特征，其降維效果表現不好，也就導致了扣件狀態檢測的準確率較低。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于AEHAL特征的軌道扣件狀態檢測方法，以降低扣件狀態分類過程中的漏報率，同時提高扣件狀態檢測的準確率。

本發明的目的可以通過以下技術方案來實現：一種基于AEHAL特征的軌道扣件狀態檢測方法，包括以下步驟：

S1、獲取軌道扣件圖像的訓練數據集，所述訓練數據集包括多個對應于正常扣件圖像的正樣本以及多個對應于異?？奂D像的負樣本；

S2、對訓練數據集中的正樣本和負樣本進行圖像預處理；

S3、基于圖像預處理后的正樣本，通過提取HOG特征，并結合AE(Auto Encode，自編碼器)訓練，得到降維編碼器；

S4、基于圖像預處理后的正樣本和負樣本，通過提取HOG特征和LBP特征，結合降維編碼器以及串行融合方法，得到與正負樣本相對應的AEHAL特征；

S5、基于與正負樣本相對應的AEHAL特征，通過SVM(Support Vector Machine，支持向量機)訓練，得到扣件狀態分類器；