论文部分内容阅读
列车运行故障动态图像检测系统(TFDS)是一套我国自主研发的基于机器视觉的故障检测系统。由于TFDS故障类型繁多,以及全天候的采集环境,导致采集到的图像容易出现背景复杂、亮度较低和噪声突出等问题。针对以上问题,提出基于稀疏编码空间金字塔匹配和遗传算法优化的支持向量机(GA-SVM)的低照度列车故障图像增强与识别方法,通过对低照度TFDS图像进行增强并提取多尺度编码特征,从而实现低照度环境下列车典型故障的自动识别。从人眼视觉系统(HVS)模型入手,提出基于精确光照图像估计的图像增强算法。首先利用HVS模型对图像建立分解关系,通过寻找图像R、G、B三个颜色通道中的最大值来构建映射关系,然后通过光照结构的映射关系并结合一阶导数滤波和增广拉格朗日乘子法来精确估计光照图像,再根据Retinex理论得到增强图像。此外,利用BM3D算法对反射图像中放大的噪声进行降噪处理,最后通过将降噪图像和增强图像进行融合获得最后的结果。实验结果表明,本文算法计算速度较快,在相同速度级对比中,该算法在峰值信噪比(PSNR)、结构相似性(SSIM)、亮度顺序误差(LOE)和梯度相似度偏差(GMSD)四种图像评价指标中的表现效果优于传统算法,增强后的图像在主观视觉的色彩饱和度和对比度更加突出,边缘轮廓细节清晰,符合图像增强的实际需求。鉴于TFDS图像故障类型的多样性,提出一种基于稀疏编码空间金字塔匹配和GA-SVM相结合的通用故障自动识别算法。首先在不同尺度空间对样本图像进行划分,对每个部分提取尺度不变特征变换(SIFT)特征,利用随机抽取样本的SIFT特征通过迭代学习生成字典并进行稀疏编码;其次利用主成分分析法对编码特征进行降维;然后利用降维后的特征结合遗传算法对线性SVM分类器进行训练;最后用训练好的分类器模型对车轮挡键、集尘器和安全链的故障进行识别。实验结果表明,本文提出的算法在常见的三类典型的故障识别中,识别率分别为97.25%、99.00%和97.50%,能满足列车故障的实际检测需求。依据TFDS的实际检测环境,结合基于精确光照图像估计的图像增强算法和基于稀疏编码空间金字塔匹配和GA-SVM的列车故障自动识别算法,实现了对低照度场景下的车轮挡键、集尘器和安全链锁紧螺栓的故障识别,该算法识别准确率高,鲁棒性好,能有效的应用于低照度的复杂环境TFDS故障检测中。