[发明专利]基于图像特征配准的铁路电力机车故障检测方法

说明书

一种基于图像特征配准的铁路电力机车故障检测方法，属于机车故障图像识别技术领域。本发明针对现有电力机车故障检测中，基于深度学习的图像特征配准网络检测方法在电力机车车型发生变换时，检测精度差的问题。包括获取待检测部位的模板图像和采集待检测部位图像，采用SIFT算法获得相应图像的特征点描述信息；再通过KNN算法进行匹配，并过滤离群特征点，得到过滤后待检测图像特征点位置信息和模板图像特征点位置信息；进行聚类，得到对应图像的核心特征点位置信息，再采用随机采样仿射变换算法对待检测部位图像进行仿射变换，得到矫正后待检测图像。本发明在车型变换时，可以保证故障的检测精度。

技术领域

本发明涉及基于图像特征配准的铁路电力机车故障检测方法，属于机车故障图像识别技术领域。

背景技术

在传统图像处理的图像特征配准技术中，对大小不同的图像，可通过提取两幅图像上相同的特征点对图像进行定位；对相同大小的图像，可通过提取两幅图像上相同的特征点对图像进行拼接；对任意大小的图像，还可通过提取两幅图像上相同的特征点对图像进行矫正。在电力机车故障检测中，常常应用图像特征配准中的矫正技术进行故障识别，但经过矫正后的图像往往产生一定的变形，因此在后续的故障识别中，很难获得准确的检测结果。

采用基于深度学习的图像特征配准网络可以对两幅图像进行高精度的配准，进而实现故障检测。但是深度学习算法实现的前提是需要大量的样本数据作为支撑。而在实际应用中，真实数据的数据量很难满足训练数据的数量要求。并且，当电力机车车型发生变换时，基于深度学习的图像特征配准网络检测精度会明显下降。

发明内容

针对现有电力机车故障检测中，基于深度学习的图像特征配准网络检测方法在电力机车车型发生变换时，检测精度差的问题，本发明提供一种基于图像特征配准的铁路电力机车故障检测方法。

本发明的一种基于图像特征配准的铁路电力机车故障检测方法，包括，

步骤一：获取待检测部位的模板图像和待检测部位图像；

步骤二：将待检测部位图像和对应的模板图像采用SIFT算法进行处理分别得到待检测图像特征点描述信息和模板图像特征点描述信息，特征点描述信息包括特征点位置信息；

步骤三：将待检测图像特征点描述信息和模板图像特征点描述信息通过KNN算法进行匹配，得到最邻近待检测图像特征点描述信息和最邻近模板图像特征点描述信息；根据所得到的最邻近待检测图像特征点描述信息中的特征点位置信息和最邻近模板图像特征点描述信息中的特征点位置信息过滤离群特征点，得到过滤后待检测图像特征点位置信息和过滤后模板图像特征点位置信息；

步骤四：对过滤后待检测图像特征点位置信息和过滤后模板图像特征点位置信息分别进行聚类，得到待检测图像核心特征点位置信息和模板图像核心特征点位置信息；再根据检测图像核心特征点位置信息和模板图像核心特征点位置信息，采用随机采样仿射变换算法对待检测部位图像进行仿射变换，得到矫正后待检测图像；

步骤五：对矫正后待检测图像进行处理，实现待检测部位的故障检测。

根据本发明的基于图像特征配准的铁路电力机车故障检测方法，步骤五中对矫正后待检测图像进行处理，实现待检测部位的故障检测包括：

步骤五一：将矫正后待检测图像与步骤一中模板图像再按照步骤二至步骤四的方式进行处理，得到矫正后待检测图像核心特征点位置信息和模板图像核心特征点位置信息；

步骤五二：根据核心特征点位置信息在待检测部位图像和步骤一中模板图像上对应截取目标区域，获得待检测目标区域图像和模板目标区域图像；

步骤五三：基于待检测目标区域图像和模板目标区域图像，实现待检测部位的故障检测。

根据本发明的基于图像特征配准的铁路电力机车故障检测方法，步骤五一中的矫正后待检测图像核心特征点位置信息为模板图像核心特征点位置信息为