申请/专利权人：中国铁路总公司;中国铁道科学研究院集团有限公司;中国铁道科学研究院集团有限公司电子计算技术研究所;北京经纬信息技术公司

申请日：2018-11-07

公开（公告）日：2020-11-13

公开（公告）号：CN109740410B

主分类号：G06K9/00(20060101)

分类号：G06K9/00(20060101);G06K9/62(20060101)

优先权：

专利状态码：有效-授权

法律状态：2020.11.13#授权;2019.06.11#实质审查的生效;2019.05.10#公开

摘要：本发明实施例提供一种无需预设模板的列车组故障识别方法及装置，该方法包括：根据采集的列车组图像，识别列车组的车头和车尾，去除采集的列车组图像中车头前的图像和车尾后的图像，得到完整列车组图像；根据完整列车组图像，识别列车组的车厢连接处；根据车厢连接处，对完整列车组图像进行拼接，得到列车组的每一节车厢的完整图像；将目标车厢图像与参考车厢图像进行特征匹配，识别目标车厢故障位置，其中，目标车厢为待检测的车厢，参考车厢为列车组中除目标车厢外的其他车厢。本发明实施例提供的无需预设模板的列车组故障识别方法及装置，利用当前采集的列车组图像，在无需历史车辆模板库的前提下完成故障的实时分析与识别。

主权项：1.一种无需预设模板的列车组故障识别方法，其特征在于，包括：根据采集的列车组图像，识别列车组的车头和车尾，去除所述采集的列车组图像中车头前的图像和车尾后的图像，得到完整列车组图像；根据所述完整列车组图像，识别列车组的车厢连接处；根据所述车厢连接处，对所述完整列车组图像进行拼接，得到列车组的每一节车厢的完整图像；将目标车厢图像与参考车厢图像进行特征匹配，识别目标车厢故障位置，其中，所述目标车厢为待检测的车厢，参考车厢为列车组中除所述目标车厢外的其他车厢。

全文数据：一种无需预设模板的列车组故障识别方法及装置技术领域本发明涉及故障识别领域，尤其涉及一种无需预设模板的列车组故障识别方法及装置。背景技术为了满足人们日益增长的运输需求，铁路列车的运行速度逐步提高，密度也在不断加大，铁路运输生产对列车运行的可靠性要求越来越高。动车组列车是完成铁路高速运输任务最重要的移动设备，动车组开行密度大、运营里程长、运用环境复杂、运行速度快、运行图编排密集，在高速运行状态下，任何细小、细微的故障都有可能引发重大事故，影响高速铁路的运行安全，造成运输中断、线路阻塞，给国民经济造成较大损失，因此加强动车组故障识别准确率至关重要。然而目前的动车组故障自动识别方法，大多基于大量的预设模板库，根据列车车厢号，检索其相应的历史模板，进行特征匹配，从而判断是否存在潜在故障。现有的动车组故障识别方法存在如下问题：首先，预设模板库由于拍摄的时间不同，存在光照、行车速度等外在干扰因素，从而造成了虽是同一辆列车，但是采集的图像有较大的区别，从而造成了很高的误报率。其次，列车在修理时会出现一些零部件的位置变化，从而在很大程度上需要新增模板库，否则将有很大的误报出现。发明内容本发明实施例为克服上述技术缺陷，提供一种无需预设模板的列车组故障识别方法及装置。第一方面，本发明实施例提供一种无需预设模板的列车组故障识别方法，包括：根据采集的列车组图像，识别列车组的车头和车尾，去除所述采集的列车组图像中车头前的图像和车尾后的图像，得到完整列车组图像；根据所述完整列车组图像，识别列车组的车厢连接处；根据所述车厢连接处，对所述完整列车组图像进行拼接，得到列车组的每一节车厢的完整图像；将目标车厢图像与参考车厢图像进行特征匹配，识别目标车厢故障位置，其中，所述目标车厢为待检测的车厢，参考车厢为列车组中除所述目标车厢外的其他车厢。第二方面，本发明实施例提供一种无需预设模板的列车组故障识别装置，包括：第一处理模块，用于根据采集的列车组图像，识别列车组的车头和车尾，去除所述采集的列车组图像中车头前的图像和车尾后的图像，得到完整列车组图像；第二处理模块，用于根据所述完整列车组图像，识别列车组的车厢连接处；拼接模块，用于根据所述车厢连接处，对所述完整列车组图像进行拼接，得到列车组的每一节车厢的完整图像；识别模块，用于将目标车厢图像与参考车厢图像进行特征匹配，识别目标车厢故障位置，其中，所述目标车厢为待检测的车厢，参考车厢为列车组中除所述目标车厢外的其他车厢。第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如第一方面所述的方法。第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述无需预设模板的列车组故障识别方法。本发明实施例提供的无需预设模板的列车组故障识别方法及装置，无需任何预设车头车尾模板库，也无需识别列车车型，而是利用当前采集的本列列车图像，首先识别列车组的车头车尾，然后根据图像之间的相关性，图像自身的特性，识别列车组的车厢连接处，再与待检测列车组的其他车厢图像进行模板匹配，在无需根据列车车型寻找历史车辆模板库的前提下实现故障识别，完成运行动车组的可视结构异常情况的实时分析和自动预警。利用同一列车的当前采集图像进行故障识别，不仅在很大程度上避免了光照、行车速度等外在干扰因素的影响，也可以不受零部件位置调整等人工修理模式的影响，有效地解决了当前故障识别中由于光照、列车运行速度等外在因素造成的误报率、漏报率较高等问题，提高了动车组故障识别和检修作业的效率，提高了对运行过程中动车组隐蔽故障的发现和预警能力。附图说明图1为本发明实施例提供的无需预设模板的列车组故障识别方法的流程示意图；图2为本发明实施例提供的高斯混合模型的车头车尾识别算法的流程示意图；图3为本发明实施例提供的对称图像检测的车厢连接处识别算法的流程示意图；图4为本发明又一实施例提供的无需预设模板的列车组故障识别方法的流程示意图；图5为本发明实施例提供的无需预设模板的列车组故障识别装置的结构示意图；图6为本发明实施例提供的电子设备的实体结构示意图。具体实施方式为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。现有的列车组故障识别方法，大多基于大量的预设模板库，根据列车车厢号检索其相应的历史模板，进行特征匹配，从而判断是否存在潜在故障。由于预设模板库拍摄时间不同，光照、行车速度等外在干扰因素会使得采集的图像区别较大，误报率较大，同时列车零部件的位置变化，需要新增模板库。为了解决上述问题，本发明实施例提供一种列车组故障识别方法，无需预设模板库，而是直接现场采集需要检测的列车组图像，根据现场采集的列车组图像来进行故障识别，避免光照、行车和零部件位置变化等外在因素的影响。图1为本发明实施例提供的无需预设模板的列车组故障识别方法的流程示意图，如图1所示，包括：步骤11，根据采集的列车组图像，识别列车组的车头和车尾，去除所述采集的列车组图像中车头前的图像和车尾后的图像，得到完整列车组图像；步骤12，根据所述完整列车组图像，识别列车组的车厢连接处；步骤13，根据所述车厢连接处，对所述完整列车组图像进行拼接，得到列车组的每一节车厢的完整图像；步骤14，将目标车厢图像与参考车厢图像进行特征匹配，识别目标车厢故障位置，其中，所述目标车厢为待检测的车厢，参考车厢为列车组中除所述目标车厢外的其他车厢。本发明实施例提供的的无需预设模板的列车组故障识别方法，与现有的列车组故障识别方法不同之处在于，现有的列车组故障识别方法是基于大量的车头车尾预设模板库，在故障识别之前，需要采集各种不同类型的列车组的图像，在故障识别时根据待检测的列车组的型号来检测其车头车尾，并根据列车组的车厢号寻找相应的历史模板，从而进一步确定故障位置，而本发明实施例提供的无需预设模板的列车组故障识别方法，无需任何历史模板图像，只需要根据当前采集的列车组图像，自动识别列车组的车头和车尾位置，并将采集图像中的不属于列车图像的车头出现前的图像和车尾出现后的图像去除；根据修改后的完整列车组图像，识别列车组的车厢连接处，并按照车厢连接处位置，拼接采集图像，从而将采集的图像以车厢序号进行拼接分割，形成每一节车厢的完整图像。具体的操作是，对于一组待检测的列车组，待检测到该列车组出现时，采集当前的列车组图像，将采集到的图像作为视频图像的每一帧，分别从首张图像和尾张图像进行处理，找到车头出现的图像和车尾出现的图像，然后判断车头在车头出现的图像中的具体位置以及车尾在车尾出现的图像中的具体位置，提取车头和车尾的具体区域。在确定车头位置和车尾位置后，去除列车组图像中车头前的图像和车尾后的图像，这一步的目的是将列车组图像中与列车无关的图像部分去掉，得到完整列车组图像。识别出列车组的车头和车尾后，需要进一步识别列车组的车厢连接处，本发明实施例提供的无需预设模板的列车组故障识别方法，在识别车厢连接处时，同样无需任何历史模板库，而只需要当前采集的列车组图像即可完成。列车组具有一定的特点，可根据列车组自身的特点来实现车厢连接处的识别。以动车组为例，动车组是由至少两节带驱动力的车厢和若干节不带牵引力的车厢共同组成，其中两节带驱动力的车厢为两节反向对称的动力车厢，即动车组的车头和车尾，而若干节不带牵引力的车厢则为车头和车尾中间的车厢，中间的车厢是彼此对称的。在任意两节车厢中间，即为车厢连接处。在上一步已经将列车组图像中与列车无关的图像部分去掉，得到完整列车组图像。动车组的车厢、车厢连接处和背景的颜色图像是不相同的，可以在完整列车组图像上首先把动车组车厢识别出来，对于其他区域，为了分辨是车厢连接处还是背景图像，可以看该区域的两侧图像是否对称，若对称，则表示该区域为车厢连接处，反之则为背景图像。将每一幅图像的车厢连接处识别出来后，对图像进行拼接。若该幅图像中没有车厢连接处，则将该幅图像直接拼接，若该幅图像中有车厢连接处，则将该幅图像的左半段作为该节车厢进行拼接，右半段作为下一节车厢的起点，如此，完成动车组的每一节车厢的拼接。识别出列车组的车头车尾以及车厢连接处后，需要进行故障识别，本发明实施例中的故障识别仍然是采用现场采集的列车组图像，而不是预设模板。具体的操作是，对于某一节可能有故障的车厢，将其对应的拼接图像拿出来，作为目标车厢图像，列车组其他车厢对应的图像作为参考车厢图像，将目标车厢图像与参考车厢图像进行特征匹配，得到匹配值，将匹配值与预设阈值进行比较。若匹配值比预设阈值高，表明该目标车厢无故障；反之，则表明该目标车厢有故障，根据匹配结果，输出故障的位置。本发明实施例提供的无需预设模板的列车组故障识别方法，无需任何预设车头车尾模板库，也无需识别列车车型，而是利用当前采集的本列列车图像，首先识别列车组的车头车尾，然后根据图像之间的相关性，图像自身的特性，识别列车组的车厢连接处，再与待检测列车组的其他车厢图像进行模板匹配，在无需根据列车车型寻找历史车辆模板库的前提下实现故障识别，完成运行动车组的可视结构异常情况的实时分析和自动预警。利用同一列车的当前采集图像进行故障识别，不仅在很大程度上避免了光照、行车速度等外在干扰因素的影响，也可以不受零部件位置调整等人工修理模式的影响，有效地解决了当前故障识别中由于光照、列车运行速度等外在因素造成的误报率、漏报率较高等问题，提高了动车组故障识别和检修作业的效率，提高了对运行过程中动车组隐蔽故障的发现和预警能力。在上述实施例的基础上，所述列车组的车头和车尾是根据高斯混合模型的车头车尾识别算法识别得到。所述高斯混合模型的车头车尾识别算法，具体包括：基于高斯混合模型，对无列车信息的图像数据进行学习建模，得到背景图像；结合所述背景图像，对所述列车组图像进行背景差分，得到车头出现的图像和车尾出现的图像；在所述车头出现的图像中确定所述车头的具体位置，提取车头图像区域，在所述车尾出现的图像中确定所述车尾的具体位置，提取车尾图像区域。高斯模型就是用高斯概率密度函数正态分布曲线精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数形成的模型。在运动目标检测提取中，背景目标对于目标的识别和跟踪至关重要。而建模正是背景目标提取的一个重要环节。首先要提起背景和前景的概念，前景是指在假设背景为静止的情况下，任何有意义的运动物体即为前景。建模的基本思想是从当前帧中提取前景，其目的是使背景更接近当前视频帧的背景。即利用当前帧和视频序列中的当前背景帧进行加权平均来更新背景，但是由于光照突变以及其他外界环境的影响，一般的建模后的背景并非十分干净清晰，而高斯混合模型GaussianMixtureModel，以下简称GMM是建模最为成功的方法之一，同时GMM可以用在监控视频索引与检索。GMM使用K个基本为3到5个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点。首先初始化预先定义的几个高斯模型，对高斯模型中的参数进行初始化，并求出之后将要用到的参数。其次，对于每一帧中的每一个像素进行处理，看其是否匹配某个模型，若匹配，则将其归入该模型中，并对该模型根据新的像素值进行更新，若不匹配，则以该像素建立一个高斯模型，初始化参数，代替原有模型中最不可能的模型。最后选择前面几个最有可能的模型作为背景模型，为背景目标提取做铺垫。图2为本发明实施例提供的高斯混合模型的车头车尾识别算法的流程示意图，如图2所示，包括：步骤21，获取无列车信息的图像数据；步骤22，基于高斯混合模型对无列车信息的图像数据学习建模，得到背景图像；步骤23，对于车头，从第一张图像依次递加进行处理，对于车尾，从最后一张图像依次递减进行处理；步骤24，结合背景图像，采用高斯混合模型进行背景差分；步骤25，背景差分后，判断是否存在车头图像和车尾图像，若存在，则执行步骤26，若不存在，则执行步骤23；步骤26，输出车头所在的具体位置，输出车尾所在的具体位置。该算法无需预设车头车尾模板库，也无需识别列车车型，而是直接将当前采集的列车组图像比拟为视频帧进行操作，因此首先需要背景建模，即针对没有采集任何图像时，进行背景建模；随后背景差分，判断是否有前景图像出现，当前景图像出现时，定位前景图像的具体位置，从而确定车头车尾的具体位置。首先，将获取的无任何列车信息的图像数据作为背景图像，基于GMM进行建模，作为背景图像。随后，分别从第一张或者最后一张采集的列车图像开始，进行背景差分，寻找是否出现前景图像，如果出现，继续定位前景图像位置，并输出车头和车尾的具体位置。本发明实施例提供的无需预设模板的列车组故障识别方法，利用当前采集的本列列车图像，采用高斯混合模型来进行车头车尾的识别，无需任何预设车头车尾模板库，也无需识别列车车型，然后利用当前采集的全列列车图像，根据图像之间的相关性，图像自身的特性，识别列车组的车厢连接处，再与待检测列车组的其他车厢图像进行模板匹配，在无需根据列车车型寻找历史车辆模板库的前提下实现故障识别，完成运行动车组的可视结构异常情况的实时分析和自动预警，利用同一列车的当前采集图像进行故障识别，不仅在很大程度上避免了光照、行车速度等外在干扰因素的影响，也可以不受零部件位置调整等人工修理模式的影响，有效地解决了当前故障识别中由于光照、列车运行速度等外在因素造成的误报率、漏报率较高等问题，提高了动车组故障识别和检修作业的效率，提高了对运行过程中动车组隐蔽故障的发现和预警能力。在上述实施例的基础上，所述列车组的车厢连接处是根据对称图像检测的车厢连接处识别算法识别得到。从所述车头出现的图像开始，对所述完整列车组图像的每一目标图像进行车厢连接处判定；对所述完整列车组图像中的任一目标图像，若判断获知所述任一目标图像包括车厢连接处，则将所述任一目标图像的车厢连接处的左边部分作为本列车厢进行拼接，所述任一目标图像的车厢连接处的右边部分作为下一列车厢的起点；否则，将所述任一目标图像作为完整的一幅图像进行拼接。所述对所述完整列车组图像的每一目标图像进行车厢连接处判定，具体包括：对于所述每一目标图像，判断其中是否有垂直黑色区域，且所述垂直黑色区域范围是否在第一预设阈值范围内；对于具有所述垂直黑色区域且所述垂直黑色区域在所述第一预设阈值范围内的目标图像，判断所述目标图像在所述垂直黑色区域左右两侧图像是否相互对称；若判断获知所述目标图像在所述垂直黑色区域左右两侧图像相互对称，则所述目标图像的垂直黑色区域为车厢连接处。图3为本发明实施例提供的对称图像检测的车厢连接处识别算法的流程示意图，如图3所示，包括：步骤31，检测列车组车头图像；步骤32，判断是否存在车头图像，若存在，执行步骤33，若不存在，执行步骤31；步骤33，根据车头车尾提取方法，裁剪出列车组的车头和车尾位置，得到完整列车组图像；步骤34，继续读取完整列车组图像；步骤35，判断图像中是否含有垂直黑色区域，若有，则执行步骤36，若没有，则执行步骤37；步骤36，判断垂直黑色区域左右两侧是否对称，若对称，则执行步骤38，若不对称，则执行步骤37；步骤37，图像融合；步骤38，该图像中含有车厢连接处；步骤39，将已融合的列车图像作为一列车厢输出。首先基于上述采集到的列车车头位置图像开始，对每一目标图像进行车厢连接处的判定，如果任一目标图像包括车厢连接处，则将左半段作为该节车厢进行拼接，右半段作为下一节车厢起点，如若不是则将整幅图像进行拼接。本发明实施例提供的车厢连接处的识别，无需任何历史图像模板，无需识别列车车型，而是基于当前采集的待检测的列车组图像，根据列车组车厢的特点进行识别。车厢连接处具体判定方法是，判断任一目标图像是否存在垂直黑色区域，且垂直黑色区域范围在第一预设阈值范围内。如果存在，则判断垂直黑色区域左右两侧图像是否镜像对称，如果对称，该目标图像的黑色区域为车厢连接处，否则，该目标图像不包括车厢连接处。这样做的原因是，列车组具有一定的特点，可根据列车组自身的特点来实现车厢连接处的识别。以动车组为例，动车组是由至少两节带驱动力的车厢和若干节不带牵引力的车厢共同组成，其中两节带驱动力的车厢为两节反向对称的动力车厢，即动车组的车头和车尾，而若干节不带牵引力的车厢则为车头和车尾中间的车厢，中间的车厢是彼此对称的。在任意两节车厢中间，即为车厢连接处。根据采集的列车组图像，动车组的车厢、车厢连接处和背景的颜色图像是不相同的，可以在列车组图像上首先把动车组车厢识别出来，对于其他区域，为了分辨是车厢连接处还是背景图像，可以看该区域的两侧图像是否对称，若对称，则表示该区域为车厢连接处，反之则为背景图像。将其与已拼接的列车图像进行拼接，形成该车厢图像。本发明实施例提供的无需预设模板列车组故障识别方法，无需任何预设车头车尾模板库，也无需识别列车车型，而是利用当前采集的本列列车图像，首先识别列车组的车头车尾，然后根据图像之间的相关性，图像自身的特性，识别列车组的车厢连接处，再与待检测列车组的其他车厢图像进行模板匹配，在无需根据列车车型寻找历史车辆模板库的前提下实现故障识别，利用当前采集的全列列车图像，根据图像之间的相关性，图像自身的特性，完成运行动车组的可视结构异常情况的实时分析和自动预警，利用同一列车的当前采集图像进行故障识别，不仅在很大程度上避免了光照、行车速度等外在干扰因素的影响，也可以不受零部件位置调整等人工修理模式的影响，有效地解决了当前故障识别中由于光照、列车运行速度等外在因素造成的误报率、漏报率较高等问题，提高了动车组故障识别和检修作业的效率，提高了对运行过程中动车组隐蔽故障的发现和预警能力。在上述实施例的基础上，在所述将目标车厢图像与参考车厢图像进行特征匹配之前，所述方法还包括：提取所述目标车厢图像的尺度不变特征变换描述子SIFT特征，得到预设故障点；根据所述预设故障点的区域位置，确定所述目标车厢图像中的初步故障区域。所述根据所述预设故障点的区域位置，确定所述目标车厢图像中的初步故障区域，是通过非极大值抑制算法得到。尺度不变特征变换Scale-InvariantFeatureTransform，以下简称SIFT，是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。SIFT特征检测主要包括以下4个基本步骤：1、尺度空间极值检测，搜索所有尺度上的图像位置。通过高斯微分函数来识别潜在的对于尺度和旋转不变的兴趣点。2、关键点定位，在每个候选的位置上，通过一个拟合精细的模型来确定位置和尺度。关键点的选择依据于它们的稳定程度。3、方向确定，基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向。所有后面的对图像数据的操作都相对于关键点的方向、尺度和位置进行变换，从而提供对于这些变换的不变性。4、关键点描述，在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。非极大值抑制Non-MaximumSuppression，以下简称NMS，顾名思义就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。例如在对象检测中，滑动窗口经提取特征，经分类器分类识别后，每个窗口都会得到一个分类及分数。但是滑动窗口会导致很多窗口与其他窗口存在包含或者大部分交叉的情况。这时就需要用到NMS来选取那些邻域里分数最高是某类对象的概率最大，并且抑制那些分数低的窗口。在物体检测中，NMS非极大值抑制应用十分广泛，其目的是为了消除多余的框，找到最佳的物体检测的位置。所述将目标车厢图像与参考车厢图像进行特征匹配，识别目标车厢故障位置，具体包括：根据所述初步故障区域在所述目标车厢图像中的位置，在所述参考车厢图像中寻找相应的位置，与所述初步故障区域进行特征匹配，得到匹配阈值；若判断获知所述匹配阈值小于第二预设阈值，则所述初步故障区域中含有故障区域，输出所述故障区域的位置。图4为本发明又一实施例提供的无需预设模板的列车组故障识别方法的流程示意图，如图4所示，包括：步骤401，检测到列车组车辆出现；步骤402，获取列车组图像数据；步骤403，提取当前采集的列车组图像的尺度不变特征变换描述子SIFT特征；步骤404，基于非极大值抑制算法NMS，确定目标车厢图像的初步故障区域；步骤405，将目标车厢图像与当前采集的列车组图像的其他车厢进行目标匹配，得到匹配阈值；步骤406，判断匹配阈值是否在预设阈值范围内，即，匹配阈值是否小于第二预设阈值，若小于，则执行步骤407，若不小于，则执行步骤408；步骤407，没有故障，继续读取图像进行判断，并执行步骤402；步骤408，存在故障，将故障区域的位置信息保存，并继续读取图像进行判断；步骤409，判断是否为车尾图像，若是，则执行410，若不是，则执行402；步骤410，结束故障判断，输出故障区域位置。针对当前采集的完整列车组图像，基于预设故障点等感兴趣点的位置，初步定位图像中可能出现故障的区域；随后将该趟列车非本节车厢的其他图像数据作为图像模板库，将这些故障区域，在图像模板库中寻找其相应的位置，如果可以匹配成功，说明该图像为正常区域，如果匹配阈值很低，说明该图像中含有故障区域，并对故障区域进行定位。具体包括：首先提取当前采集的列车运行图像的尺度不变特征变换描述子SIFT特征；随后采用非极大抑制值NMS，根据图像中预设故障点等感兴趣点的区域位置及区域分数，定位图像中的初步故障区域；最后将故障初步区域，与当前列车图像的不同车厢进行匹配比较，从而判定该图像是否真正存在故障区域，并定位故障区域位置。本发明实施例提供的无需预设模板的列车组故障识别方法，无需任何历史模板图像，无需识别列车车型，而是根据当前采集的全列列车图像，采用SIFT和NMS来初步定位故障区域，再进一步确定故障的具体位置，根据图像之间的相关性，图像自身的特性，完成运行动车组的可视结构异常情况的实时分析和自动预警，利用同一列车的当前采集图像进行故障识别，不仅在很大程度上避免了光照、行车速度等外在干扰因素的影响，也可以不受零部件位置调整等人工修理模式的影响，有效地解决了当前故障识别中由于光照、列车运行速度等外在因素造成的误报率、漏报率较高等问题，提高了动车组故障识别和检修作业的效率，提高了对运行过程中动车组隐蔽故障的发现和预警能力。图5为本发明实施例提供的无需预设模板的列车组故障识别装置的结构示意图，如图5所示，包括第一处理模块51、第二处理模块52、拼接模块53和识别模块54，其中：第一处理模块51用于根据采集的列车组图像，识别列车组的车头和车尾，去除所述采集的列车组图像中车头前的图像和车尾后的图像，得到完整列车组图像；第二处理模块52用于根据所述完整列车组图像，识别列车组的车厢连接处；拼接模块53用于根据所述车厢连接处，对所述完整列车组图像进行拼接，得到列车组的每一节车厢的完整图像；识别模块54用于将目标车厢图像与参考车厢图像进行特征匹配，识别目标车厢故障位置，其中，所述目标车厢为待检测的车厢，参考车厢为列车组中除所述目标车厢外的其他车厢。现有的列车组故障识别方法是基于大量的车头车尾预设模板库，在故障识别之前，需要采集各种不同类型的列车组的图像，在故障识别时根据待检测的列车组的型号来检测其车头车尾，并根据列车组的车厢号寻找相应的历史模板，从而进一步确定故障位置，而本发明实施例提供的无需预设模板的列车组故障识别装置，无需任何历史模板图像，只需要根据当前采集的列车组图像，自动识别列车组的车头和车尾位置，并将采集图像中的不属于列车图像的车头出现前的图像和车尾出现后的图像去除；根据修改后的完整列车组图像，识别列车组的车厢连接处，并按照车厢连接处位置，拼接采集图像，从而将采集的图像以车厢序号进行拼接分割，形成每一节车厢的完整图像。具体的操作是，对于一组待检测的列车组，待检测到该列车组出现时，采集列车组图像，第一处理模块51将采集到的图像作为视频图像的每一帧，分别从首张图像和尾张图像进行处理，找到车头出现的图像和车尾出现的图像，然后判断车头在车头出现的图像中的具体位置以及车尾在车尾出现的图像中的具体位置，提取车头和车尾的具体区域。在确定车头位置和车尾位置后，去除列车组图像中车头前的图像和车尾后的图像，这一步的目的是将列车组图像中与列车无关的图像部分去掉，得到完整列车组图像。识别出列车组的车头和车尾后，需要进一步识别列车组的车厢连接处，本发明实施例提供的无需预设模板的列车组故障识别装置，在识别车厢连接处时，同样无需任何历史模板库，而只需要当前采集的列车组图像即可完成。列车组具有一定的特点，第二处理模块52可根据列车组自身的特点来实现车厢连接处的识别。以动车组为例，动车组是由至少两节带驱动力的车厢和若干节不带牵引力的车厢共同组成，其中两节带驱动力的车厢为两节反向对称的动力车厢，即动车组的车头和车尾，而若干节不带牵引力的车厢则为车头和车尾中间的车厢，中间的车厢是彼此对称的。在任一两节车厢中间，即为车厢连接处。在上一步已经将列车组图像中与列车无关的图像部分去掉，得到完整列车组图像。动车组的车厢、车厢连接处和背景的颜色图像是不相同的，可以在完整列车组图像上首先把动车组车厢识别出来，对于其他区域，为了分辨是车厢连接处还是背景图像，可以看该区域的两侧图像是否对称，若对称，则表示该区域为车厢连接处，反之则为背景图像。拼接模块53将每一幅图像的车厢连接处识别出来后，对图像进行拼接。若该幅图像中没有车厢连接处，则拼接模块53将该幅图像直接拼接，若该幅图像中有车厢连接处，则拼接模块53将该幅图像的左半段作为该列车厢进行拼接，右半段作为下一节车厢的起点，如此，完成动车组的每一节车厢的拼接。识别出列车组的车头车尾以及车厢连接处后，需要进行故障识别，本发明实施例中的故障识别仍然是采用现场采集的列车组图像，而不是预设模板。具体的操作是，识别模块54对于某一节可能有故障的车厢，将其对应的拼接图像拿出来，作为目标车厢图像，列车组其他车厢对应的图像作为为参考车厢图像，将目标车厢图像与参考车厢图像进行特征匹配，得到匹配值，将匹配值与预设阈值进行比较。若匹配值比预设阈值高，表明该目标车厢无故障；反之，则表明该目标车厢有故障，根据匹配结果，输出故障的位置。本发明实施例提供的装置是用于执行上述各方法实施例的，具体的流程和详细介绍请参见上述各方法实施例，此处不再赘述。本发明实施例提供的无需预设模板的列车组故障识别装置，无需任何预设车头车尾模板库，也无需识别列车车型，而是利用当前采集的本列列车图像，首先识别列车组的车头车尾，然后根据图像之间的相关性，图像自身的特性，识别列车组的车厢连接处，再与待检测列车组的其他车厢图像进行模板匹配，在无需根据列车车型寻找历史车辆模板库的前提下实现故障识别，完成运行动车组的可视结构异常情况的实时分析和自动预警。利用同一列车的当前采集图像进行故障识别，不仅在很大程度上避免了光照、行车速度等外在干扰因素的影响，也可以不受零部件位置调整等人工修理模式的影响，有效地解决了当前故障识别中由于光照、列车运行速度等外在因素造成的误报率、漏报率较高等问题，提高了动车组故障识别和检修作业的效率，提高了对运行过程中动车组隐蔽故障的发现和预警能力。图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器processor610、通信接口CommunicationsInterface620、存储器memory630和总线640，其中，处理器610，通信接口620，存储器630通过总线640完成相互间的通信。总线640可以用于电子设备与传感器之间的信息传输。处理器610可以调用存储器630中的逻辑指令，以执行如下方法：根据采集的列车组图像，识别列车组的车头和车尾，去除所述采集的列车组图像中车头前的图像和车尾后的图像，得到完整列车组图像；根据所述完整列车组图像，识别列车组的车厢连接处；根据所述车厢连接处，对所述完整列车组图像进行拼接，得到列车组的每一节车厢的完整图像；将目标车厢图像与参考车厢图像进行特征匹配，识别目标车厢故障位置，其中，所述目标车厢为待检测的车厢，参考车厢为列车组中除所述目标车厢外的其他车厢。此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备可以是个人计算机，服务器，或者网络设备等执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器ROM，Read-OnlyMemory、随机存取存储器RAM，RandomAccessMemory、磁碟或者光盘等各种可以存储程序代码的介质。本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行上述实施例所提供的一种无需预设模板的列车组故障识别方法，例如包括：根据采集的列车组图像，识别列车组的车头和车尾，去除所述采集的列车组图像中车头前的图像和车尾后的图像，得到完整列车组图像；根据所述完整列车组图像，识别列车组的车厢连接处；根据所述车厢连接处，对所述完整列车组图像进行拼接，得到列车组的每一节车厢的完整图像；将目标车厢图像与参考车厢图像进行特征匹配，识别目标车厢故障位置，其中，所述目标车厢为待检测的车厢，参考车厢为列车组中除所述目标车厢外的其他车厢。以上所述仅为本发明的优选实施例，并不用于限制本发明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充，但并不会偏离本发明的精神或者超越所附权利要求书定义的范围。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

权利要求：1.一种无需预设模板的列车组故障识别方法，其特征在于，包括：根据采集的列车组图像，识别列车组的车头和车尾，去除所述采集的列车组图像中车头前的图像和车尾后的图像，得到完整列车组图像；根据所述完整列车组图像，识别列车组的车厢连接处；根据所述车厢连接处，对所述完整列车组图像进行拼接，得到列车组的每一节车厢的完整图像；将目标车厢图像与参考车厢图像进行特征匹配，识别目标车厢故障位置，其中，所述目标车厢为待检测的车厢，参考车厢为列车组中除所述目标车厢外的其他车厢。2.根据权利要求1所述的方法，其特征在于，所述列车组的车头和车尾是根据高斯混合模型的车头车尾识别算法识别得到，具体包括：基于高斯混合模型，对无列车信息的图像数据进行学习建模，得到背景图像；结合所述背景图像，对所述列车组图像进行背景差分，得到车头出现的图像和车尾出现的图像；在所述车头出现的图像中确定所述车头的具体位置，提取车头图像区域，在所述车尾出现的图像中确定所述车尾的具体位置，提取车尾图像区域。3.根据权利要求2所述的方法，其特征在于，所述列车组的车厢连接处是根据对称图像检测的车厢连接处识别算法识别得到，具体包括：从所述车头出现的图像开始，对所述完整列车组图像的每一目标图像进行车厢连接处判定；对所述完整列车组图像中的任一目标图像，若判断获知所述任一目标图像包括车厢连接处，则将所述任一目标图像的车厢连接处的左边部分作为本列车厢进行拼接，所述任一目标图像的车厢连接处的右边部分作为下一列车厢的起点；否则，将所述任一目标图像作为完整的一幅图像进行拼接。4.根据权利要求3所述的方法，其特征在于，所述对所述完整列车组图像的每一目标图像进行车厢连接处判定，具体包括：对于所述每一目标图像，判断其中是否有垂直黑色区域，且所述垂直黑色区域范围是否在第一预设阈值范围内；对于具有所述垂直黑色区域且所述垂直黑色区域在所述第一预设阈值范围内的目标图像，判断所述目标图像在所述垂直黑色区域左右两侧图像是否相互对称；若判断获知所述目标图像在所述垂直黑色区域左右两侧图像相互对称，则所述目标图像的垂直黑色区域为车厢连接处。5.根据权利要求1所述的方法，其特征在于，在所述将目标车厢图像与参考车厢图像进行特征匹配之前，所述方法还包括：提取所述目标车厢图像的尺度不变特征变换描述子SIFT特征，得到预设故障点；根据所述预设故障点的区域位置，确定所述目标车厢图像中的初步故障区域。6.根据权利要求5所述的方法，其特征在于，所述根据所述预设故障点的区域位置，确定所述目标车厢图像中的初步故障区域，是通过非极大值抑制算法得到。7.根据权利要求5或6所述的方法，其特征在于，所述将目标车厢图像与参考车厢图像进行特征匹配，识别目标车厢故障位置，具体包括：根据所述初步故障区域在所述目标车厢图像中的位置，在所述参考车厢图像中寻找相应的位置，与所述初步故障区域进行特征匹配，得到匹配阈值；若判断获知所述匹配阈值小于第二预设阈值，则所述初步故障区域中含有故障区域，输出所述故障区域的位置。8.一种无需预设模板的列车组故障识别装置，其特征在于，包括：第一处理模块，用于根据采集的列车组图像，识别列车组的车头和车尾，去除所述采集的列车组图像中车头前的图像和车尾后的图像，得到完整列车组图像；第二处理模块，用于根据所述完整列车组图像，识别列车组的车厢连接处；拼接模块，用于根据所述车厢连接处，对所述完整列车组图像进行拼接，得到列车组的每一节车厢的完整图像；识别模块，用于将目标车厢图像与参考车厢图像进行特征匹配，识别目标车厢故障位置，其中，所述目标车厢为待检测的车厢，参考车厢为列车组中除所述目标车厢外的其他车厢。9.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述无需预设模板的列车组故障识别方法。

百度查询： 中国铁路总公司;中国铁道科学研究院集团有限公司;中国铁道科学研究院集团有限公司电子计算技术研究所;北京经纬信息技术公司 一种无需预设模板的列车组故障识别方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD