基于Laws纹理特征的抗蛇形减震器漏油检测方法及系统

摘要

基于Laws纹理特征的抗蛇形减震器漏油检测方法及系统，属于轨道车辆图像处理领域，本发明为解决采用传统的图像分割方法对列车底部的抗蛇形减震器进行故障检测存在算法鲁棒性较低、检测效率低的问题。本发明方法包括以下步骤：步骤一、采集过车图像，并截取抗蛇形减震器子图作为原始图像并预处理；步骤二、基于图像熵的阈值分割算法初定位抗蛇形减震器原始图像中的油渍区域；步骤三、基于随机Hough变换算法定位抗蛇形减震器位置，将抗蛇形减震器区域外的阴影区域去除，得到初步分离后的油渍区域图像；步骤四、基于小波变换的Laws纹理测度算法进一步将抗蛇形减震器区域内的油渍区域和阴影区域分离，最终确定油渍位置，完成抗蛇形减震器漏油检测。

说明书

技术领域

本发明涉及轨道车辆底部背景复杂部件的故障检测方法及系统，属于轨道车辆图像处理领域。

背景技术

由于抗蛇形减震器图像位于列车底部，图像背景较为杂乱，背景阴影区域等对图像检测影响很大，采用传统的图像分割方法如阈值分割，边缘检测等算法鲁棒性较低，很难准确检测出漏油位置，检测效率低。

发明内容

本发明目的是为了解决采用传统的图像分割方法对列车底部的抗蛇形减震器进行故障检测存在算法鲁棒性较低、检测效率低的问题，提供了一种基于Laws纹理特征的抗蛇形减震器漏油检测方法及系统。

本发明所述基于Laws纹理特征的抗蛇形减震器漏油检测方法，该方法包括以下步骤：

步骤一、采集过车图像，并截取抗蛇形减震器子图作为原始图像，对原始图像进行预处理；

步骤二、基于图像熵的阈值分割算法初定位抗蛇形减震器原始图像中的油渍区域，获取初定位油渍区域的原始图像；

步骤三、基于随机Hough变换算法定位原始图像中抗蛇形减震器位置，根据本步骤确定的抗蛇形减震器位置将步骤二获取的图像中抗蛇形减震器区域外的阴影区域去除，得到初步分离后的油渍区域图像；

步骤四、基于小波变换的Laws纹理测度算法进一步将抗蛇形减震器区域内的油渍区域和阴影区域分离，最终确定油渍位置，完成抗蛇形减震器漏油检测。

优选地，步骤一的具体过程为：

步骤一一、在轨道两侧架设高清成像设备，用于获取轨道车辆的过车图像；

步骤一二、从过车图像中截图抗蛇形减震器子图作为原始图像；

步骤一三、采用高斯滤波或直方图均衡化算法对原始图像进行图像预处理。

优选地，步骤二的具体过程为：

步骤二一、基于图像熵的阈值分割算法对油渍区域进行分割，按如下规则确定分割阈值(i

当图像总熵值H(i,j)取得最大值时，即可获得最佳的分割阈值(i

总熵值H(i,j)按下式获取：

H(i,j)＝H

其中H

式中：i表示当前像素的灰度值0≤i≤255，j表示当前像素邻域灰度均值0≤j≤255，p(i,j)表示当前像素概率密度，P

步骤二二、根据步骤二一确定的分割阈值(i

Seg(i,j)为分割后图像的像素值，Seg(i,j)＝255表示该处为油渍区域，Seg(i,j)＝0表示为背景区域。

优选地，步骤三的具体过程为：

步骤三一、将图像空间离散化，初始化Hough参数空间；图像空间的像素点与参数空间的正弦曲线的映射关系为：

l＝x·cosθ+y-sinθ,-D≤l≤D,-90°≤θ≤90°

表示以直角坐标系表示的图像空间中的像素点的坐标，表示参数空间的直线表达式，其中l是原点到直线的距离，θ为该直线与正x轴的夹角，D是图像对角线最大距离；

步骤三二、随机采样两个像素点并扫描两点间核心像素点的数量，当满足M/N＞τ时，就在对应的的值累加，其中M为扫描过程中核心像素点的数量，N为两点间核心像素点的数量，τ为边缘检测阈值，τ＝0.5～0.6；

步骤三三、按步骤三二的方法遍历图像的所有像素，并重复K次，K≥10；

步骤三四、将参数空间中超过边缘检测阈值τ的点映射到图像空间中，并通过最小二乘法拟合直线输出；

步骤三五、根据步骤三四获取的多条直线将图像进行分割，分割出抗蛇形减震器区域及阴影区域；

步骤三六、根据步骤三五分割结果将抗蛇形减震器区域外的阴影区域去除，得到初步分离后的油渍区域。

优选地，步骤四的具体过程为：

步骤四一、采用Daubechies小波滤波器对步骤三获取的图像进行小波变换，将图像分解到不同的频率的尺度层和不同的频带方向上，得到的小波图像的尺寸为m/2×n/2，同一频率的尺度层上的小波图像由LL,HL,LH,HH四个频带组成，其中步骤三获取的图像尺寸为m×n；

步骤四二、设置Laws纹理的微分窗口和宏窗口的尺寸，通过Laws纹理的窗口对油渍区域中任一位置点在原始窗口和小波分解的LL,HL,LH,HH四个频带上提取相应的Laws纹理测度向量，构建该位置点的特征矢量空间；

步骤四三、根据获取的油渍区域中所有点的特征矢量空间，将阴影区域剔除，最终获取精确的油渍位置。

优选地，步骤四二中通过Laws纹理的窗口对油渍区域中任一位置点在原始窗口和小波分解的LL,HL,LH,HH四个频带上提取相应的Laws纹理测度向量为：

W

其中，d＝0,1,2,3,4，d＝0表示未进行小波分解的原始窗口，d＝1,2,3,4分别表示LL,HL,LH,HH四个频带；l

优选地，步骤四二中位置点的特征矢量空间表示为：

W(x,y)＝[W

优选地，步骤四三将阴影区域剔除的方法为：

判断每个位置点的特征矢量空间中的纹理测度向量，若W

本发明还提供另一个方案为：基于Laws纹理特征的抗蛇形减震器漏油检测系统，该检测系统利用前述方法实现。

本发明的有益效果：本发明采用改进的基于图像熵的阈值分割算法对油渍区域进行初定位；再采用基于随机Hough变换算法定位抗蛇形减震器边缘，根据油渍相对于减震器边缘的位置关系进行筛选；最后，采用基于小波变换的Laws纹理特征对油渍区域进行筛选与定位，相比于传统的采用人工查图的铁路动车故障检测方法，本发明基于数字图像处理的自动化故障检测的方法能够显著的提升检测的效率，降低成本，同时还能避免由于检车人员疲劳造成的漏检、误检现象。具体为：

1、基于图像熵的阈值分割算法，定位稳定；

2、基于随机Hough变换算法定位减震器，边缘直线更准确，分离效果好；

3、基于小波变换的Laws纹理特征对油渍区域和阴影区域进行分离，鲁棒性强。

附图说明

图1是本发明所述基于Laws纹理特征的抗蛇形减震器漏油检测方法的流程图；

图2～图7是油渍检测过程图，其中图2为原始图像，图3为阈值分割结果，图4为Hough变换结果，图5为小波变换结果，图6为Laws测量结果，图7为油渍检测结果。

具体实施方式

需要特别说明的是，在不冲突的情况下，本申请公开的各个实施例之间或者实施例包括的特征之间可以相互组合。

具体实施方式一：下面结合图1和图2说明本实施方式，本实施方式所述基于Laws纹理特征的抗蛇形减震器漏油检测方法，该方法包括以下步骤：

步骤一、采集过车图像，并截取抗蛇形减震器子图作为原始图像，对原始图像进行预处理；

步骤二、基于图像熵的阈值分割算法初定位抗蛇形减震器原始图像中的油渍区域，获取初定位油渍区域的原始图像；

步骤三、基于随机Hough变换算法定位原始图像中抗蛇形减震器位置，根据本步骤确定的抗蛇形减震器位置将步骤二获取的图像中抗蛇形减震器区域外的阴影区域去除，得到初步分离后的油渍区域图像；

步骤四、基于小波变换的Laws纹理测度算法进一步将抗蛇形减震器区域内的油渍区域和阴影区域分离，最终确定油渍位置，完成抗蛇形减震器漏油检测。

由于抗蛇形减震器图像位于列车底部，图像背景较为杂乱，背景阴影区域等对图像检测影响很大，采用传统的图像分割方法如阈值分割，边缘检测等算法鲁棒性较低，很难准确检测出漏油位置。本发明采用改进的基于图像熵的阈值分割算法对油渍区域进行初定位；再采用基于随机Hough变换算法定位抗蛇形减震器边缘，根据油渍相对于减震器边缘的位置关系进行筛选；最后，采用基于小波变换的Laws纹理特征对油渍区域进行筛选与定位。

当铁路动车经过架设在周围的高清成像设备后，获取过车图像，截取抗蛇形减震器部分图像，使用上述图像算法对其进行检测，如果检测到油渍，则该张图像为故障图像，上传故障报文，否则继续检测下一张图像。检车人员根据故障报文进行下一步处理。

具体实施方式二：本实施方式对实施方式一作进一步说明，步骤一的具体过程为：

步骤一一、在轨道两侧架设高清成像设备，用于获取轨道车辆的过车图像；

步骤一二、从过车图像中截图抗蛇形减震器子图作为原始图像；

步骤一三、采用高斯滤波或直方图均衡化算法对原始图像进行图像预处理。

在铁路动车轨道周围搭设高清成像设备，动车经过后，获取过车图像，截取抗蛇形减震器图像。原始图像存在白噪声，高亮白道，对比度低等图像质量缺陷，采用本实施方式所述的高斯滤波，直方图均衡化等算法对原始图像进行图像预处理，提升图像质量。

具体实施方式三：下面结合图3说明本实施方式，本实施方式对实施方式一或二作进一步说明，阈值分割是一种常用的图像分割方法基本思想是确定一个阈值，然后把每个像素点的灰度值和阈值相比较，根据比较的结果把该像素划分为两类：前景或者背景，阈值分割可以分成以下3步：

1)确定阈值

2)比较阈值和像素

3)像素归类

其中第1步确定阈值最重要。阈值的选择将直接影响分割的准确性以及由此产生的图像描述，分析的正确性。油渍区域的灰度值比背景区域小，适合采用阈值分割法进行图像区域分割。传统的阈值分割方法通过经验值选取阈值，鲁棒性低，容易造成误检，漏检。自动阈值分割算法如Otsu法采用最大间类方差原理确定阈值：假定图像包含两类像素(前景像素和背景像素)，直方图为双峰直方图，然后计算使得两类像素能分开的最佳阈值(类内方差)，或等价的间类间方差最大。然而，由于油渍区域面积较小，目标与背景比例较大，导致类间方差准则函数呈现多峰，阈值分割效果不理想。本实施方式采用基于图像熵的阈值分割算法，对油渍区域进行分割定位，步骤二的具体过程为：

步骤二一、基于图像熵的阈值分割算法对油渍区域进行分割，按如下规则确定分割阈值(i

当图像总熵值H(i,j)取得最大值时，即可获得最佳的分割阈值(i

总熵值H(i,j)按下式获取：

H(i,j)＝H

其中H

式中：i表示当前像素的灰度值0≤i≤255，j表示当前像素邻域灰度均值0≤j≤255，p(i,j)表示当前像素概率密度，P

步骤二二、根据步骤二一确定的分割阈值(i

Seg(i,j)为分割后图像的像素值，Seg(i,j)＝255表示该处为油渍区域，Seg(i,j)＝0表示为背景区域。

遍历原始图像的所有像素，按上式对像素进行归类，即将图像进行分割定位，判断出油渍区域，分割结果如图3所示。

具体实施方式四：下面结合图4说明本实施方式，本实施方式对实施方式一、二或三作进一步说明，由于油渍区域与阴影区域灰度较为相似，仅采用阈值分割方法很难准确定位油渍区域，因此需要对油渍区域的位置信息进行判断筛选。抗蛇形减震器漏油故障中，油渍出现位置必定在减震器表面，因此需要定位原始图像中减震器位置。原始减震器图像中，减震器边缘近似呈直线，本专利采用Hough变换算法对直线边缘进行检测。经典Hough变换根据对偶性将图像中的像素点映射到参数空间下一条正弦曲线，使用直线的法线表示：

l＝x·cosθ+y-sinθ,-D≤l≤D,-90°≤θ≤90°

其中l是原点到直线的距离，θ为该直线与正x轴的夹角，D是图像对角线最大距离；

根据对偶性可得Hough变换具有两大性质：

1)直角坐标系下的点映射到参数空间下是唯一一条正弦曲线

2)参数空间下的点映射到直角坐标系是唯一一条直线

经典Hough变换具有较好的鲁棒性和准确性，缺点为内存消耗大，受噪声干扰大等，不利于抗蛇形减震器的自动定位。本专利采用核心像素点结合随机Hough变换的算法改善其缺点。在Hough变换的两采样点间，用两条平行直线间的区域刻画这两个像素点所经过的直线所有可能的区域上的点，定义为采样点间的核心像素点，采样点组成的区域有50％以上直线都会通过核心像素所在区域。改进后的Hough变换步骤(步骤三)的具体过程为：

步骤三一、将图像空间离散化，初始化Hough参数空间；图像空间的像素点与参数空间的正弦曲线的映射关系为：

l＝x·cosθ+y-sinθ,-D≤l≤D,-90°≤θ≤90°

表示以直角坐标系表示的图像空间中的像素点的坐标，表示参数空间的直线表达式，

步骤三二、随机采样两个像素点并扫描两点间核心像素点的数量，当满足M/N＞τ时，就在对应的的值累加，其中M为扫描过程中核心像素点的数量，N为两点间核心像素点的数量，τ为边缘检测阈值，τ＝0.5～0.6；

步骤三三、按步骤三二的方法遍历图像的所有像素，并重复K次，K≥10；

步骤三四、将参数空间中超过边缘检测阈值τ的点映射到图像空间中，并通过最小二乘法拟合直线输出；

步骤三五、根据步骤三四获取的多条直线将图像进行分割，分割出抗蛇形减震器区域及阴影区域；

步骤三六、根据步骤三五分割结果将抗蛇形减震器区域外的阴影区域去除，得到初步分离后的油渍区域。

改进后的算法速度略慢于传统Hough变换算法，因为需要扫描核心像素点，并不是所有采样点都能在参数空间下累积，所以累积速度会降低，但是能提高采样的有效性，虚假直线被检测数量少于传统Hough变换算法。对抗蛇形减震器进行定位后，即可对阈值分割后区域进行分离，将减震器区域外的阴影区域去除，得到分离后的油渍区域。

具体实施方式五：下面结合图5～图7说明本实施方式，本实施方式对实施方式一、二、三或四作进一步说明，由于抗蛇形减震器边缘位置定位不准确、阴影区域面积过大等原因，按位置信息过滤后的分割结果中仍可能包含阴影区域，因此需对油渍区域和阴影区域进行分离。由于油渍出现在抗蛇形减震器的曲面表面，阴影部分多出在与车体的复杂表面上，因此其图像区域的纹理特征不同。本专利采用基于小波变换的Laws纹理测度算法分离油渍区域和阴影区域。

在纹理分割中，对图像进行小波变换主要是为了提取特征。本实施方式选用了具有正交性、紧支性和低复杂性的Daubechies小波滤波器进行小波变换，其构造过程如下：

设

其中{h

Laws纹理测量的基本思想是设置两个窗口:一个是微分窗口，可能为3×3,5×5或7×7，常取5×5，用来测量以像元为中心的小区域内灰度的不规则性，称之为微窗口滤波；二是宏窗口，可以为15×15或32×32，在窗口上求属性量的一些统计特性，常为均值或标准偏差，称之为能量变换。

步骤四的具体过程为：

步骤四一、采用Daubechies小波滤波器对步骤三获取的图像进行小波变换，将图像分解到不同的频率的尺度层和不同的频带方向上，得到的小波图像的尺寸为m/2×n/2，同一频率的尺度层上的小波图像由LL,HL,LH,HH四个频带组成，其中步骤三获取的图像尺寸为m×n；小波变换后的结果如图5所示。

步骤四二、设置Laws纹理的微分窗口和宏窗口的尺寸，通过Laws纹理的窗口对油渍区域中任一位置点在原始窗口和小波分解的LL,HL,LH,HH四个频带上提取相应的Laws纹理测度向量，构建该位置点的特征矢量空间；Laws测量结果如图6所示。

步骤四三、根据获取的油渍区域中所有点的特征矢量空间，将阴影区域剔除，最终获取精确的油渍位置，如图7所示。

具体实施方式六：本实施方式对实施方式五作进一步说明，步骤四二中通过Laws纹理的窗口对油渍区域中任一位置点在原始窗口和小波分解的LL,HL,LH,HH四个频带上提取相应的Laws纹理测度向量为：

W

其中，d＝0,1,2,3,4，d＝0表示未进行小波分解的原始窗口，d＝1,2,3,4分别表示LL,HL,LH,HH四个频带；l

具体实施方式七：本实施方式对实施方式六作进一步说明，步骤四二中位置点的特征矢量空间表示为：

W(x,y)＝[W

具体实施方式八：本实施方式对实施方式六或七作进一步说明，步骤四三将阴影区域剔除的方法为：

判断每个位置点的特征矢量空间中的纹理测度向量，若W

根据本实施方式给出的原则可将油渍区域进行精确定位，判断出油渍区域后即可作为抗蛇形减震器漏油的判断依据，完成是否漏油故障检测。

具体实施方式九：基于Laws纹理特征的抗蛇形减震器漏油检测系统，该检测系统利用实施方式一至八所述方法实现。

需要说明的是，本申请还可以包括其它多种实施例，在不背离本申请的精神及其实质的情况下，本领域技术人员可根据本申请作出各种相应的改变和变形，但这些相应的改变和变形都应属于本申请所附的权利要求的保护范围。