[发明专利]一种基于AEHAL特征的轨道扣件状态检测方法

说明书

本发明涉及一种基于AEHAL特征的轨道扣件状态检测方法，包括：获取轨道扣件图像的训练数据集；对训练数据集中的正样本和负样本进行图像预处理；对正样本提取HOG特征，并结合AE训练，得到降维编码器；对正样本和负样本提取对应的HOG特征和LBP特征，结合降维编码器以及串行融合方法，得到与正负样本相对应的AEHAL特征，再通过SVM训练，得到扣件状态分类器；对待检测的轨道扣件图像依次进行图像预处理、提取HOG特征和LBP特征、对HOG特征进行降维处理、将LBP特征与降维后的HOG特征串行融合，得到对应的AEHAL特征；将待检测轨道扣件图像的AEHAL特征输入扣件状态分类器，输出得到对应的扣件状态检测结果。与现有技术相比，本发明能够降低检测漏报率，同时提高检测准确率。

技术领域

本发明涉及轨道安全技术领域，尤其是涉及一种基于AEHAL特征的轨道扣件状态检测方法。

背景技术

轨道扣件是铁路轨道系统的重要部件，是铁路轨道安全的重要保障。由于轮毂和轨道之间的接触摩擦和振动冲击的影响，再加上自然环境的影响，使得轨道上的轨道扣件容易发生断裂或缺失问题，而列车运行过程中轨道扣件损坏或缺失会造成巨大安全隐患甚至酿成重大事故，历史事故数据表明，轨道扣件失效是不可忽视的危险因素。目前国际上主要是采用人工巡检的方式检测轨道扣件状态，人工巡检方式不仅效率低下而且人工巡检有许多不可控的危险因素，花费的代价巨大，已难以适应轨道交通事业的快速发展。因此轨道扣件检测技术的自动化，对于轨道运营维护来说具有重大的意义。

近年来，国内外学者纷纷对扣件的定位算法展开了深入研究，文献1(传感器与微系统，2013，32(10)：110-113)通过提取扣件图像的改进HOG(Histogram of OrientedGradient，方向梯度直方图)特征作为分类器依据，文献2(IEEE Signal ProcessingLetters，2018：788-792)通过提取扣件图像的改进LBP(Local Binary Pattern，局部二值模式)特征作为分类器依据，这两种方式都能在一定程度上提升分类精度，然而单独的特征提取对扣件图像的描述不够充分，使得在分类过程中仍然存在漏报的问题；文献3(图像识别技术在铁轨扣件异常检测中的应用研究[D].哈尔滨工程大学，2018)提出了融合HOG特征和LBP特征的方法来提高扣件检测的识别率，然而由于HOG特征维数过多，导致了分类器效果反而变差的结果，对此该研究提出了使用PCA(Principal Component Analysis，主成分分析)的降维方法，但是PCA是一种线性降维的方法，对于非线性的特征，其降维效果表现不好，也就导致了扣件状态检测的准确率较低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于AEHAL特征的轨道扣件状态检测方法，以降低扣件状态分类过程中的漏报率，同时提高扣件状态检测的准确率。

本发明的目的可以通过以下技术方案来实现：一种基于AEHAL特征的轨道扣件状态检测方法，包括以下步骤：

S1、获取轨道扣件图像的训练数据集，所述训练数据集包括多个对应于正常扣件图像的正样本以及多个对应于异常扣件图像的负样本；

S2、对训练数据集中的正样本和负样本进行图像预处理；

S3、基于图像预处理后的正样本，通过提取HOG特征，并结合AE(Auto Encode，自编码器)训练，得到降维编码器；

S4、基于图像预处理后的正样本和负样本，通过提取HOG特征和LBP特征，结合降维编码器以及串行融合方法，得到与正负样本相对应的AEHAL特征；

S5、基于与正负样本相对应的AEHAL特征，通过SVM(Support Vector Machine，支持向量机)训练，得到扣件状态分类器；