本发明涉及地铁列车故障检测领域，具体涉及一种基于相关系数的地铁列车外观图像故障检测方法。
背景技术：
：近几年各大城市的城轨进入大规模建设的阶段，已开通运行的线路日渐增多，给人们出行带来方便的同时。也给地铁列车的运营维护带来巨大的挑战。一般地铁车辆运行完回库后，需要检修班组人员以目视的方式进行巡查。地铁列车的需目视检查部件零部件多，极易造成漏检，这对传统检修作业方式提出了新的挑战，问题急需解决。传统人工检修作业方式存在以下问题：(1)存在安全隐患：长期以来，对于机车车体外观检查，基本依托检查人员钻车底地沟、登顶作业去完成目视作业，作业环境艰苦，且机车检查质量受检查人员技术能力、身心状态、责任心、外部环境等复杂因素的影响，难以保证繁重工作下机车质量的可靠性要求，存在漏检的风险，为行车安全埋下隐患。(2)检查效率低：列车高频次、大密度地开行，大大增加了列车检查工作量和检查人员劳动强度，仅依靠检查人员来检查完所有的检测项点，花费时间长，检修效率低。技术实现要素：本发明为了解决上述问题而提出的，本发明的其中一个目的在于提供一种基于相关系数的地铁列车外观图像故障检测方法，以降低人工劳动强度。本发明通过下述技术方案实现：基于相关系数的地铁列车图像故障检测方法，包括以下步骤：s1，获取标准图片集：按照时间戳的顺序同时对多个部件进行拍摄获得若干张初始图片构成初始图片集，所述若干张初始图片中包括正常部件图片和异常部件图片，从初始图片集中选取同一部件的多张正常部件图片构成该部件的标准图片集；s2，正常部件图片的预处理：对标准图片集里的每张正常部件图片分别进行归一化处理和缩小处理得到第一预处理图片；s3，生成标准图片的模板：将第一预处理图片进行灰度值相加后求平均值得到标准图片的模板；s4，构造故障检测分类器：将标准图片的模板与标准图片集中每张正常部件图片做相关计算后得到第一相关系数，再对第一相关系数进行处理后构造一个基于阈值判断的分类器；s5，获取待检测图片集：从初始图片集中随机选取多张图片构成待检测图片集；s6，待检测图片的预处理：对待检测图片集中的每一张图片进行归一化处理和缩小处理得到第二预处理图片；s7，进行故障检测识别：将第二预处理图片与标准图片的模板进行相关计算后得到第二相关系数，再将第二相关系数输入至分类器进行检测，检测后输出故障检测结果。进一步的，所述s1中多张正常部件图片由不同工况下的正常部件图片构成，所述不同工况下的正常部件图片包括带有雨水的正常部件图片和不同光照强度下的正常部件图片。进一步的，所述s1中的多个部件包括地铁列车内侧壁、地铁列车外侧壁和地铁列车车顶。进一步的，所述异常部件图片包括部件缺失图片、部件断裂图片、部件松动图片、部件表面有异物图片、部件表面裂纹图片、部件线缆脱落图片、部件异位图片、部件表面油渍污染图片和部件变形图片。进一步的，所述s1中，地铁列车中同一部件的若干张照片的获取方法包括同一相机在同一光源、同一地铁车型及相同参数设置下拍的照片。优选的，所述s1中，照片集中照片数量大于3张。优选的，所述s1中，照片集中照片数量为5-20张。优选的，所述s2中的缩小处理包括降低图片分辨率，图片横向分辨率和纵向分辨率同时降低为原来的一半或三分之一。优选的，所述第一相关系数和第二相关系数的结果保留至小数点后4位。优选的，所述s1中，对同一部件进行拍摄的时间间隔为10-30min。本发明具有如下的优点和有益效果：1、本发明基于相关系数的地铁列车图像故障检测方法，利用正常图片进行学习生成正常图片的模板，再根据故障图片与正常图片之间灰度值的差异，分别与模板做相关性计算，运用基本的数值处理方法构造分类器，对地铁车辆外观的部件图像进行故障检测，降低了人工劳动强度。2、本发明基于相关系数的地铁列车图像故障检测方法，在s1中，选取的多张正常部件图片由不同工况下的正常部件图片构成，包括带有雨水的正常部件图片和不同光照强度下的正常部件图片。区别于传统的视觉检测方法，可以适应不同的工况，有效的降低误报的概率，适用于推广应用。附图说明此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：图1为本发明的地铁集电靴部件的标准图片集。图2为本发明的第一预处理图片。图3为本发明的标准图片的模板。图4为本发明的实施例1中待检测图片的正常部件图片。图5为本发明的实施例1中待检测图片的异常部件图片。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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。实施例1基于相关系数的地铁列车图像故障检测方法，包括以下步骤：s1，获取标准图片集：按照时间戳的顺序同时对多个部件进行拍摄获得若干张初始图片构成初始图片集，所述若干张初始图片中包括正常部件图片和异常部件图片，从初始图片集中选取同一部件的多张正常部件图片构成该部件的标准图片集；s2，正常部件图片的预处理：对标准图片集里的每张正常部件图片分别进行归一化处理和缩小处理得到第一预处理图片；s3，生成标准图片的模板：将第一预处理图片进行灰度值相加后求平均值得到标准图片的模板；s4，构造故障检测分类器：将标准图片的模板与标准图片集中每张正常部件图片做相关计算后得到第一相关系数，再对第一相关系数进行处理后构造一个基于阈值判断的分类器；s5，获取待检测图片集：从初始图片集中随机选取多张图片构成待检测图片集；s6，待检测图片的预处理：对待检测图片集中的每一张图片进行归一化处理和缩小处理得到第二预处理图片；s7，进行故障检测识别：将第二预处理图片与标准图片的模板进行相关计算后得到第二相关系数，再将第二相关系数输入至分类器进行检测，检测后输出故障检测结果。具体的，以地铁集电靴部件的故障检测为例，图1为本发明的地铁集电靴部件的标准图片集，图2为本发明的第一预处理图片，图3为本发明的标准图片的模板，图4为本发明的实施例1中待检测图片的异常部件图片，图5为本发明的实施例1中待检测图片的正常部件图片。具体方法由以下步骤实现：s1，获取标准图片集；如图1所示，在拍摄的集电靴部件图片中，选区10张正常的部件图片作为该部件的标准图片集；s2，正常部件图片的预处理；首先对标准图片集里的图片做归一化处理，公式如下：其中x表示归一化处理之前的图片，x表示归一化处理之后的图片，它们分辨率的大小都为m乘n(m和n都为偶数)。再对图片做缩小处理，图片缩小处理的过程是将m乘n大小的图片切成m/2乘n/2个2*2大小的矩阵，将每个2*2矩阵内4个像素的灰度值求均值，赋给m/2乘n/2分辨率大小对应的空白图像灰度矩阵。由此图像的分辨率就有原来的m*n变为m/2乘n/2，图像缩小为原来的二倍。s3、生成标准图片的模板；将第一预处理图片进行灰度值相加后求平均值公式如下：其中x为标准图片的模板，i是标准图片的数量。s4、构造故障检测分类器，将标准图片的模板与标准图片集中每张正常部件图片做相关计算后得到第一相关系数，再对第一相关系数进行处理后构造一个基于阈值判断的分类器相关计算公式如下：其中a和b为分辨率大小相同的图像矩阵，和分别为其对应的均值。计算得到的相关系数如表1：表1将标准图片的模板与10张正常部件图片进行相关计算，得到10个相关系数，组成矩阵为r，计算r＝(rmax rmin)/2和δ＝(rmax-rmin)/2(rmax表示最大值，rmin表示最小值)。设模板与待检测图像的相关系数为rc，则有如下分类器：若|rc-r|≤δ，则待检测的图片为正常图片，否则为异常部件图片。s5，获取待检测图片集：从初始图片集中随机选取多张图片构成待检测图片集；s6，待检测图片的预处理：对待检测图片集中的每一张图片进行归一化处理和缩小处理得到第二预处理图片；s7，进行故障检测识别；如表1所示，图4和图5的相关系数分别为0.9382、0.5448，计算结果如表2：表2rcrδ是否为故障图片图40.93820.92190.0243否图50.54480.92190.0243是测试结果：通过测试表明，此方法能准确地分类检测出正常部件图片和异常部件图片。以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3
技术特征：1.基于相关系数的地铁列车图像故障检测方法，其特征在于，包括以下步骤：
s1，获取标准图片集：按照时间戳的顺序同时对多个部件进行拍摄获得若干张初始图片构成初始图片集，所述若干张初始图片中包括正常部件图片和异常部件图片，从初始图片集中选取同一部件的多张正常部件图片构成该部件的标准图片集；
s2，正常部件图片的预处理：对标准图片集里的每张正常部件图片分别进行归一化处理和缩小处理得到第一预处理图片；
s3，生成标准图片的模板：将第一预处理图片进行灰度值相加后求平均值得到标准图片的模板；
s4，构造故障检测分类器：将标准图片的模板与标准图片集中每张正常部件图片做相关计算后得到第一相关系数，再对第一相关系数进行处理后构造一个基于阈值判断的分类器；
s5，获取待检测图片集：从初始图片集中随机选取多张图片构成待检测图片集；
s6，待检测图片的预处理：对待检测图片集中的每一张图片进行归一化处理和缩小处理得到第二预处理图片；
s7，进行故障检测识别：将第二预处理图片与标准图片的模板进行相关计算后得到第二相关系数，再将第二相关系数输入至分类器进行检测，检测后输出故障检测结果。
2.根据权利要求1所述的基于相关系数的地铁列车图像故障检测方法，其特征在于，所述s1中多张正常部件图片由不同工况下的正常部件图片构成，所述不同工况下的正常部件图片包括带有雨水的正常部件图片和不同光照强度下的正常部件图片。
3.根据权利要求1所述的基于相关系数的地铁列车图像故障检测方法，其特征在于，所述s1中的多个部件包括地铁列车内侧壁、地铁列车外侧壁和地铁列车车顶。
4.根据权利要求1所述的基于相关系数的地铁列车图像故障检测方法，其特征在于，所述异常部件图片包括部件缺失图片、部件断裂图片、部件松动图片、部件表面有异物图片、部件表面裂纹图片、部件线缆脱落图片、部件异位图片、部件表面油渍污染图片和部件变形图片。
5.根据权利要求1所述的基于相关系数的地铁列车图像故障检测方法，其特征在于，所述s1中，地铁列车中同一部件的若干张照片的获取方法包括同一相机在同一光源、同一地铁车型及相同参数设置下拍的照片。
6.根据权利要求1所述的基于相关系数的地铁列车图像故障检测方法，其特征在于，所述s1中，照片集中照片数量大于3张。
7.根据权利要求1所述的基于相关系数的地铁列车图像故障检测方法，其特征在于，所述s1中，照片集中照片数量为5-20张。
8.根据权利要求1所述的基于相关系数的地铁列车图像故障检测方法，其特征在于，所述s2中的缩小处理包括降低图片分辨率，图片横向分辨率和纵向分辨率同时降低为原来的一半或三分之一。
9.根据权利要求1所述的基于相关系数的地铁列车图像故障检测方法，其特征在于，所述第一相关系数和第二相关系数的结果保留至小数点后4位。
10.根据权利要求1所述的基于相关系数的地铁列车图像故障检测方法，其特征在于，所述s1中，对同一部件进行拍摄的时间间隔为10-30min。
技术总结本发明公开了基于相关系数的地铁列车图像故障检测方法，降低人工劳动强度。本发明包括从初始图片集中选取同一部件的多张正常部件图片构成该部件的标准图片集；对标准图片集里的每张图片进行归一化处理和缩小处理得到第一预处理图片；将第一预处理图片进行灰度值相加后求平均值得到标准图片的模板；将标准图片的模板与每张正常部件图片做相关计算后得到第一相关系数及分类器；从初始图片集中随机选取多张图片构成待检测图片集并进行预处理第二预处理图片；将第二预处理图片与标准图片的模板进行相关计算后得到第二相关系数并输入至分类器进行检测，检测后输出故障检测结果。本发明具有降低了人工劳动强度、有效的降低误报的概率等优点。
技术研发人员：邹梦;李兆新;胡远江;陆其波;卜显利;曾玲;刘正一;黄峻;刘晓曼;卢康;陈健;王梁;贾朋磊;冉春燕
受保护的技术使用者：广州运达智能科技有限公司;广州地铁集团有限公司
技术研发日：2020.01.16
技术公布日：2020.06.05
