[发明专利]一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法

权利要求书

1.一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法，其特征在于，包含以下步骤：

(1)列车通过时，获取运行中铁路货车车体的图像、车型和车辆信息；

车辆信息为货车包括车辆数，图像和车型存入货车车体图像库，对图像进行命名，通过图像的命名能够获知图像中是否含有车辆的制动梁部位，即是否含有闸瓦钎；

(2)读入待识别图像；

根据车辆车型和车体图像的命名从货车车体图像库中提取出此辆列车含有闸瓦钎部件的图像作为待识别图像；

(3)根据图像命名进行初定位，得到初步定位后的图像；

根据图像命名初步从待识别图像中框选闸瓦钎在图像中的范围，得到初步定位后的图像；

(4)等比例缩小初步定位后的图像尺寸；

采用图像处理算法对初步定位后的图像的尺寸进行等比例缩小，得到缩小后图像；

(5)缩小后图像的初步预处理；

首先将缩小后图像的彩色图像变换成灰度图像，然后对灰度图像依次进行亮度调整、对比度拉伸、图像求反，完成图像的初步预处理；

(6)对初步预处理后图像定位候选区域；

计算初步预处理后的图像的水平方向和垂直方向梯度值，通过判断两个方向梯度值总和的大小来精确定位闸瓦钎的位置，闸瓦钎的位置即为候选区域；

(7)提取候选区域的图像特征向量；

利用特征提取方法对候选区域进行特征提取，得到特征数据；

(8)对特征数据进行识别运算；

采用BP神经网络作为基于人工神经网络分类器，获取训练样本，训练样本分为故障样本和非故障样本，故障样本为包括特征数据以及其对应的故障、故障的位置信息，非故障样本包括无故障时候对应的特征数据；把从候选区域中提取的特征数据输入基于人工神经网络分类器进行识别，得到闸瓦钎是否存在故障以及故障的位置信息；所述的故障为闸瓦钎窜出的故障，故障的位置信息为闸瓦钎窜出的位置；

(9)输出识别结果；

把识别出的闸瓦钎窜出的故障的位置标记在图像上，输出显示。

2.根据权利要求1所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法，其特征在于，所述的(1)中铁路货车车体的图像、车型和车辆信息通过高速图像采集器获取。

3.根据权利要求1所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法，其特征在于，所述的(1)中图像的命名规则为：x_y_z，x为车辆在车次列车中的编号，从1开始编排；y为该车辆的部位，x_1_z表示车辆的转向架部位，x_2_z表示车辆的制动梁部位，x_3_z表示车辆中间部部位，x_4_z表示车钩勾缓部；z为列车该部位图像的编号，从1开始编排。

4.根据权利要求1或者3所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法，其特征在于，所述的(2)中待识别图像为x_2_0、x_2_2、x_2_3、x_2_5、x_2_6、x_2_8、x_2_9和x_2_11。

5.根据权利要求1所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法，其特征在于，所述的(3)中，具体为：x_2_0和x_2_6的图像中，闸瓦钎大致在原图像中(221-784，377-700)的范围内；x_2_2和x_2_8的图像中，闸瓦钎大致在原图像中(784-1024，700-1170)的范围内；x_2_3和x_2_9的图像中，闸瓦钎大致在原图中(194-324，240-700)的范围内；x_2_5和x_2_11的图像中，闸瓦钎大致在原图中(700-1024，240-1180)的范围内。其中，(m，n)里，m表示图像的行高，n表示图像的列宽，(a-c，b-d)里表示m的范围为a到c，n的范围为b到d。

6.根据权利要求1所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法，其特征在于，所述的(5)中图像处理算法为图像降采样算法。

7.根据权利要求1所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法，其特征在于，所述的(5)中等比例缩小为：缩放比例为1/4，长宽各变为原来的1/2，面积变为原为原来的1/4。