[发明专利]一种基于机器视觉的信号机故障监测方法

权利要求书

1.一种基于机器视觉的信号机故障监测方法，其特征在于，包括以下步骤：

S1、通过图像采集模块采集原始信号；

S2、通过通信模块将原始信号传输至监测及预警模块；

S3、通过监测及预警模块将原始信号按帧处理作为原始输入图像；

S4、将原始输入图像进行小波去噪，得到增强了信号机特征的图像；

S5、将经步骤S4处理后的图像作为Alex Net分类器的输入，进行实际输出状态监测；

S6、判断Alex Net分类器的实际输出状态与理想输出状态是否相同；若不相同，则进入步骤S7；若相同，则返回步骤S2；

S7、在监测及预警模块操作界面显示故障预警。

2.根据权利要求1所述的基于机器视觉的信号机故障监测方法，其特征在于，所述图像采集模块为地铁或轻轨安装的行车记录仪；

所述通信模块为中国交通轨道的CBTC通信系统；

所述监测及预警模块为计算机。

3.根据权利要求1所述的基于机器视觉的信号机故障监测方法，其特征在于，所述步骤S1中的原始信号为信号机工作过程的视频信息。

4.根据权利要求1所述的基于机器视觉的信号机故障监测方法，其特征在于，所述步骤S4中的特征为信号机的轮廓特征。

5.根据权利要求1所述的基于机器视觉的信号机故障监测方法，其特征在于，所述小波去噪使用MATLAB软件中的小波工具箱完成，其具体方法为：

S4-1、选择dog2小波基，分解层次为5，对含有噪声的原始输入图像进行5层分解计算，得到每层相应的高频系数和低频系数；

S4-2、对分解后的每层高频系数进行阈值量化处理；

S4-3、根据原始输入图像分解后的第5层的低频系数和经阈值量化处理的每层对应的高频系数，运用重构算法进行小波重构，得到增强了信号机特征的图像。

6.根据权利要求5所述的基于机器视觉的信号机故障监测方法，其特征在于，所述步骤S4-2中的阈值为MATLAB软件进行阈值量化处理时的默认阈值。

7.根据权利要求1所述的基于机器视觉的信号机故障监测方法，其特征在于，所述步骤S5中Alex Net分类器是经过信号机状态识别预训练后的网络参数固定的Alex Net分类器；

所述预训练的方法具体为：

A1、采集信号机不同环境下多种状态的图像各100张，随机形成210训练样本集和90张测试样本集；

A2、将210张训练样本集样本集图像经过小波去噪处理加工后输入未训练的Alex Net分类器中，进行Alex Net网络初始化；

A3、将90张测试样本集输入网络初始化的Alex Net分类器中，监测Alex Net网络分类的准确性，并进行网络参数优化。

8.根据权利要求7所述的基于机器视觉的信号机故障监测方法，其特征在于，所述AlexNet分类器的网络结构包括5层卷积层、全连接层、soft分类层和分类输出层；

所述5层卷积层用于对输入Alex Net分类器中的图像进行逐层特征提取；

所述全连接层用于将特征提取后的图像处理成向量；

所述soft分类层用于将向量的映射为概率分布；

所述分类输出层用于保存训练网络后的多种分类名称，输出的大小及分类标签。

9.根据权利要求7所述的基于机器视觉的信号机故障监测方法，其特征在于，所述步骤S6中理想输出状态包括红色、黄色和绿色；

所述红色：禁止越过该信号机；

所述黄色：当区间预告信号机出现黄灯表示慢行；当进展信号机出现黄灯表示该车辆经由该车站侧线通过；

所述绿色：可以通过该信号机运行。