貨車典型故障圖像識別算法研究.pdf

1、隨著我國鐵路運輸事業(yè)的蓬勃發(fā)展，貨運列車(貨車)大幅提速、運量急劇增加，傳統(tǒng)的人工巡檢安全保障模式已不能滿足需求。因此，對貨車進行圖像采集，并應(yīng)用基于圖像信息的模式識別理論對貨車機械故障進行機器識別，有著廣闊的理論研究前景和重要的工程應(yīng)用價值。
　　在貨車機械故障檢修的研究中，基于圖像信息進行機器識別的研究工作目前在國內(nèi)外都處于起步階段。本文以車廂鉤尾扁銷螺栓丟失、轉(zhuǎn)向架心盤螺栓丟失、轉(zhuǎn)向架安全鏈脫落以及交叉桿彎曲四類典型故障在圖

2、像信息中的模式特征為研究背景，著重研究了特征快速提取算法、形狀特征描述算子以及故障特征辨識分類器的設(shè)計與實現(xiàn)，并對故障識別系統(tǒng)的整體設(shè)計和算法集成策略進行了研究。本文的主要研究內(nèi)容包括：
　　對車廂鉤尾扁銷螺栓丟失故障識別算法進行了研究。分析了鉤尾扁銷螺栓圖像的分割特征，并針對特征設(shè)計了鉤尾扁銷螺栓區(qū)域的兩步分割策略。針對鉤尾扁銷螺栓安裝區(qū)域的分割，利用灰度投影算法在實時性上的突出優(yōu)勢，設(shè)計了一種逐級局部分割子區(qū)域，通過對子區(qū)域進

3、行灰度投影分析定位特征區(qū)域的分割方法。針對從安裝區(qū)域提取扁銷螺栓區(qū)域的問題，采用基于非平均加權(quán)因子的紋理模板匹配算法實現(xiàn)了螺栓區(qū)域的精確定位。針對螺栓丟失故障形態(tài)特征的描述，提出了一種基于背景面積預(yù)估的閾值分割算法。將該算法和最大類間方差(Ostu)法進行了比較，證明了算法在處理背景分布較為一致的圖像樣本序列時在實時性和適應(yīng)性上的突出優(yōu)勢。應(yīng)用該分割算法描述螺栓丟失故障模態(tài)，獲得了線性可分的故障特征參數(shù)。
　　針對轉(zhuǎn)向架心盤螺栓丟

4、失故障識別問題，對心盤區(qū)域分割、心盤螺栓區(qū)域特征描述以及心盤螺栓丟失故障辨識分類器的設(shè)計進行了研究。根據(jù)心盤螺栓圖像的轉(zhuǎn)向架類型，將圖像進行分類并針對兩大類別分別歸納了五種分割特征。針對圖像共有的線性分割特征快速提取問題，將窗函數(shù)和灰度投影算法相結(jié)合求取圖像的灰度投影分布曲線，并對曲線極值點進行梯度關(guān)系分析，提出了一種心盤螺栓圖像線性分割特征快速提取算法。將該分割算法與傳統(tǒng)的灰度投影算法以及模板匹配算法相結(jié)合，實現(xiàn)了心盤區(qū)域的準(zhǔn)確分割。

5、采用基于背景區(qū)域面積的閾值分割算法對心盤區(qū)域進行處理，建立了心盤螺栓特征模態(tài)的描述參數(shù)圖形。針對心盤螺栓丟失特征的描述，提出了一種封閉連通區(qū)域形狀描述子。該描述子通過定義約束矩形及等高測度矩陣來解析圖形，并基于該解析策略定義了偏心率參數(shù)族。通過和傳統(tǒng)的傅里葉描述子進行比較驗證了算子的有效性。將該形狀描述子與灰度分析、廣義 Hough變換相結(jié)合，建立了心盤螺栓丟失故障模態(tài)的特征參數(shù)集?；谀：碚搶⑻卣鲄?shù)集轉(zhuǎn)化為模糊向量集，基于模糊向量

6、集定義決策樹，并設(shè)計IF-THEN規(guī)則實現(xiàn)了心盤螺栓丟失故障的辨識。
　　針對轉(zhuǎn)向架安全鏈脫落故障識別算法進行了研究。根據(jù)安全鏈非剛性機械結(jié)構(gòu)的特征，設(shè)計了應(yīng)用直方圖線性均衡算法對圖像進行預(yù)處理并進行自適應(yīng)閾值分割，再采用改進Sobel算子提取圖像邊緣的特征提取方法。針對邊緣圖像中凸多邊形的描述問題，提出了一種基于Hough變換和集合分類器的凸多邊形檢測算子。論文闡述了算法的設(shè)計原理和完備性，通過實驗論證了算法在對邊緣連續(xù)性差及破

7、碎嚴(yán)重的凸多邊形形狀進行描述時的精確性。引入包含極角約束的Hough變換執(zhí)行該凸多邊形檢測算子，并結(jié)合圖像特征的先驗知識進行分析，實現(xiàn)了對安全鏈區(qū)域的精確定位。針對安全鏈脫落由非剛性機械結(jié)構(gòu)形成從而不易直接描述的難點，通過對正常態(tài)的安全鏈進行特征模式的檢測，基于閾值分割結(jié)果中安全鏈區(qū)域內(nèi)前景與背景的面積比實現(xiàn)故障判別。
　　針對轉(zhuǎn)向架交叉桿彎曲故障識別算法進行了研究。分析了交叉桿區(qū)域的分割特征，基于預(yù)選區(qū)域的水平梯度垂直投影提取分

8、割特征。結(jié)合該分割特征以及圖像的先驗知識，實現(xiàn)了圖像中交叉桿區(qū)域的提取。針對圖像中彎曲故障的特征描述，提出了一種應(yīng)用Sobel算子提取特征對象邊緣分布圖，對邊緣圖形進行分塊后應(yīng)用Hough變換求取子圖中主邊緣線段的極角均值，然后以該極角均值為特征參數(shù)對彎曲故障進行辨識的方法。通過計算不同子圖邊緣極角均值的歐氏距離，結(jié)合相關(guān)先驗知識設(shè)計條件分段判別函數(shù)實現(xiàn)彎曲故障辨識。針對判別函數(shù)中判定閾值的優(yōu)選問題，應(yīng)用最小錯誤概率的Bayes決策模型