[发明专利]一种基于SVM算法的机车轮对踏面损伤检测方法

说明书

本发明公开了一种基于SVM算法的机车轮对踏面损伤检测方法，选取损伤可疑区域的灰度共生矩阵作为损伤的特征表示。首先，需要确定灰度共生矩阵的生成参数，包括：生成灰度级L、生成间距d和生成方向θ，然后生成相应的灰度共生矩阵，作为SVM训练的特征向量。根据图像自身的特点选取合适的核函数以及核函数的参数，训练SVM分类器，对机车轮对踏面图像实现准确、快捷地判定，具有较强的实用性和广阔的应用前景。

技术领域

本发明涉及无损检测技术领域，具体而言涉及一种利用纹理特征，基于SVM算法的机车轮 对踏面损伤检测方法。

背景技术

车轮是机车行走运行的重要部件。在运行过程中，轮对直接受轨道的冲击作用，是工作条 件最恶劣的部件，也是机车最容易出故障的部件之一，轮对部分的故障常常是车辆系统和运行 线路系统技术状态发生恶化的原因。如果不及时对轮对故障进行处理，可能会引发严重的安全 事故，给铁路运输带来巨大的损失，给人们的财产和人身安全造成巨大威胁。因此，对机车轮 对的踏面检测至关重要。

常见的轮对故障主要是轮缘及踏面磨耗，其次是踏面剥离和擦伤，而整体钢轮发生裂纹的 情况比较少见。轮对的质量状况影响着机车车辆的安全运行，踏面缺陷状况是直接危及行车安 全的重要因素，因此，如何实时准确地对踏面损伤进行判别是迫切需要解决的问题。

目前，机车踏面损伤检测的传统方法由机车检修工作人员通过肉眼观察或者声音识别的方 法来进行踏面损伤的检测。这种方法检测效率低下，自动化程度低。随着机器视觉检测技术的 发展，通过机器学习的方法来对伤直接进行判别成为可能。目前，通过传统图像处理技术对踏 面损伤进行检测的方法精度还远未达到要求，研究一种更高精度，更准确的非接触式车轮损伤 在线检测方法对提高我国铁路机车轮对的检测技术水平有重要意义。

发明内容

本发明所要解决的技术问题是针对现有技术在机车踏面损伤检测方面的不足，利用机器学 习算法，提出了一种基于SVM算法的机车轮对踏面损伤检测的方法，高效、准确地对机车轮对 踏面的损伤进行检测。

本发明为解决上述技术问题采用以下技术方案：

1)将已有踏面图像进行人工标签，分别用0和1表示无损伤和有损伤。使用K折交叉验 证法将样本分成训练集和测试集；

2)为了使用不同尺寸的实验图像，将图像归一化为15*15大小；

3)确定灰度共生矩阵的生成参数，主要包括：生成灰度级L、生成间距d与生成方向θ， 通过对比试验，选取生成灰度级L为8，生成间距d为4，生成方向θ为0°、90°与135°的灰度共生矩阵；

4)通过对比试验，筛选纹理特征，选取对比度、相关性和同质性为纹理特征；

5)确定SVM参数，根据已有样本，选取RBF核函数作为核函数，然后利用遗传算法优化 核函数的参数σ以及惩罚因子C的值。

6)根据前一步获得的最佳参数，将纹理特征向量以及标签送入SVM进行训练，最终得到 踏面损伤检测模型。

采用上述技术方案与现有技术相比，其有益效果为：运用灰度共生矩阵的统计参数包括对 比度、相关性和同质性等，可以更好地描述机车轮对踏面损伤的纹理特征，从而达到更加准确 的损伤检测。

附图说明

图1-6分别为损伤图像与非损伤图像在L＝8、16、32、64、128、256下对比度纹理特征随着 生成间距d的变化曲线；

图7-10分别为在生成灰度级L取8，生成方向θ取0°情况下，样本的各个纹理特征随着生成间 距d的变化情况；

图11-18分别为生成方向θ为0°、45°、90°、135°四个生成方向时，两类图像在生成灰度级L取 8时，不同的纹理特征在不同生成方向θ下的区别；