基于多特征融合和BP-AdaBoost算法的列車關(guān)鍵零件故障自動識別

孫國棟 湯漢兵 林 凱 張 楊 趙大興

1.湖北工業(yè)大學(xué)機(jī)械工程學(xué)院，武漢，430068 2.南京大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系，南京，210023

基于多特征融合和BP-AdaBoost算法的列車關(guān)鍵零件故障自動識別

孫國棟1湯漢兵1林 凱1張 楊2趙大興1

1.湖北工業(yè)大學(xué)機(jī)械工程學(xué)院，武漢，430068 2.南京大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系，南京，210023

針對列車集塵器和安全鏈鎖緊螺栓的故障檢測，提出了一種基于多特征融合和BP-AdaBoost的故障自動識別算法。首先提取故障區(qū)域與非故障區(qū)域的局部二進(jìn)制模式(LBP)、方向梯度直方圖(HOG)和Haar-like三類特征；其次利用主成分分析(PCA)定義不同特征對故障識別準(zhǔn)確率的貢獻(xiàn)值，并據(jù)此對這三種特征進(jìn)行降維和融合；再次利用融合特征來訓(xùn)練BP-AdaBoost分類器；最后用訓(xùn)練好的分類器結(jié)合不同的識別算法，對集塵器和安全鏈鎖緊螺栓的故障進(jìn)行定位和識別。實(shí)驗(yàn)結(jié)果表明，該算法能較好地識別兩種不同故障，故障識別率高，誤檢率和漏檢率低，對于光照不均和遮擋情況有一定的魯棒性。

集塵器；安全鏈鎖緊螺栓；特征融合；BP-AdaBoost算法

0 引言

貨車運(yùn)行故障動態(tài)圖像檢測系統(tǒng)(trouble of moving freight car detection system, TFDS)是針對我國復(fù)雜鐵路運(yùn)輸狀況提出的一種列車軌邊故障的圖像識別與檢測系統(tǒng)。它利用高速攝像機(jī)采集列車各部位圖像，然后結(jié)合機(jī)器視覺檢測技術(shù)識別影響列車安全行駛的故障零件。TFDS能有效克服人工檢測的局限性，提升故障識別準(zhǔn)確率[1-3]。國內(nèi)很多學(xué)者對TFDS圖像進(jìn)行了深入的研究：艾廣等[4]利用改進(jìn)的Hough變換提取車輪特征，并采用基于相似度量實(shí)現(xiàn)車輪擋鍵丟失的識別，該方法能快速定位故障并進(jìn)行識別；孫國棟等[5]提出利用形狀上下文檢測擋鍵丟失故障，該算法本質(zhì)是模板匹配，方法較新穎但效率較低；鄒榮等[6]采用直線段特征形成稀疏表達(dá)來描述物體，能有效識別鎖緊板的偏轉(zhuǎn)故障，但其算法準(zhǔn)確率不高；LI等[7]提出了一種基于圖像輪廓的形狀描述子和支持向量機(jī)(support vector machine, SVM)的方法來檢測火車閘瓦插銷故障，其算法準(zhǔn)確率較高；周富強(qiáng)等[8]通過離散小波變換分析火車制動梁的投影曲線，用以在復(fù)雜背景下快速分割制動梁，算法速度快，在復(fù)雜背景下表現(xiàn)良好，能為進(jìn)一步的故障檢測提供基礎(chǔ)；GUO等[9]利用方向梯度直方圖(histogram of oriented gradient,HOG)和SVM對列車鎖緊板進(jìn)行定位，之后用直線段檢測(line segment detector,LSD)方法提取鎖緊板的線段特征以進(jìn)行故障識別，其算法定位準(zhǔn)確且效率較高；LIU等[10]提出了一種制動梁安全鏈丟失識別算法，該算法首先利用灰度投影法獲得目標(biāo)區(qū)域，然后提取目標(biāo)區(qū)域的梯度方向共生矩陣特征，利用SVM完成故障的識別，該算法的準(zhǔn)確率較高。此外，學(xué)者們還對鉤尾銷[11]、制動缸[12]、折角塞門把手[13]、車輪軸承螺栓[14]、閘瓦[15]等列車關(guān)鍵零部件的故障進(jìn)行了廣泛研究。

上述學(xué)者提出的識別算法主要針對TFDS中某一特定故障，但TFDS故障種類繁多，在某一類故障上效果良好的算法通常無法適用于另一類故障。本文綜合現(xiàn)有的研究結(jié)果，提出了一種多特征融合的列車關(guān)鍵零件故障檢測算法。

1 算法結(jié)構(gòu)

TFDS中涉及的列車型號較多，車輛底部結(jié)構(gòu)復(fù)雜，故障常集中在轉(zhuǎn)向架、制動系統(tǒng)和車體兩側(cè)等部位，其中，制動系統(tǒng)及其相關(guān)部件的故障檢修難度較大，對列車運(yùn)行安全的危害程度也較大。本文主要針對TFDS制動系統(tǒng)中的集塵器(dust collector, DC)、安全鏈鎖緊螺栓(fastening bolt, FB)這兩類關(guān)鍵部件進(jìn)行分析。TFDS相機(jī)采集的各部分圖像如圖1所示，矩形標(biāo)記的區(qū)域?yàn)楦髂繕?biāo)區(qū)域。

(a)DC圖像

(b)FB圖像圖1 TFDS采集的集塵器和安全鏈鎖緊螺栓圖像Fig.1 DC and FB images captured by TFDS

算法流程主要包括訓(xùn)練過程和識別過程。整個算法結(jié)構(gòu)如圖2所示。

圖2 算法流程圖Fig.2 Flowchart of the algorithm

訓(xùn)練過程中，首先提取正負(fù)目標(biāo)區(qū)域樣本圖片的局部二進(jìn)制模式(local binary pattern, LBP)、HOG和Haar-like特征，然后結(jié)合這些特征來訓(xùn)練AdaBoost分類器。識別過程中，輸入的圖片為TFDS采集的完整圖片，首先設(shè)計(jì)一個與訓(xùn)練樣本大小相同的窗口遍歷圖片，提取得到各窗口圖片的特征；其次，將總特征矩陣輸入到已經(jīng)訓(xùn)練好的分類器中，可以得到目標(biāo)區(qū)域特征矩陣在總特征矩陣的位置；再次，根據(jù)特征矩陣和圖片的對應(yīng)關(guān)系可得到目標(biāo)區(qū)域的位置，從而完成定位；最后，進(jìn)一步根據(jù)不同故障選取不同識別算法完成識別。

2 訓(xùn)練過程

2.1特征提取

2.1.1 LBP特征提取

LBP最早是由OJALA等[16]在1996年提出的，是一種圖像局部紋理的特征描述子，其分類能力強(qiáng)，簡單有效，被廣泛用于人臉識別和紋理分類。

原始LBP算子定義在一中心像素及其周圍的3×3的鄰域內(nèi)，以中心像素的灰度值為閾值與8個相鄰像素的灰度值進(jìn)行對比，灰度值高于此值標(biāo)記為1，否則標(biāo)記為0。處理之后，3×3的鄰域內(nèi)就會得到8位二進(jìn)制數(shù)，對這8位二進(jìn)制數(shù)進(jìn)行十進(jìn)制的編碼可得到一個十進(jìn)制數(shù)，該數(shù)值即中心點(diǎn)像素的LBP值。根據(jù)編碼順序不同，同一像素點(diǎn)會得到不同的LBP值。TFDS圖像中的原始LBP算子計(jì)算原理如圖3所示。

圖3 原始LBP算子Fig.3 The original LBP operator

這種定義在3×3的鄰域內(nèi)的原始LBP存在很大的缺陷。首先，3×3的鄰域過于局部，無法在大尺度上描述圖像的紋理特征；其次，正方形的鄰域不具有旋轉(zhuǎn)不變性。故OJALA等[17]在原始的LBP基礎(chǔ)上提出了改進(jìn)的LBP算子，將正方形鄰域用圓形鄰域代替，改進(jìn)后LBP可以設(shè)定任意的鄰域半徑R和相鄰像素個數(shù)N。

圖4 圓形LBP算子Fig.4 Circular LBP operator

從定義可知LBP算子具有灰度不變性，為實(shí)現(xiàn)旋轉(zhuǎn)不變性，OJALA等[17]在前述研究基礎(chǔ)上繼續(xù)提出了旋轉(zhuǎn)不變LBP算子。當(dāng)圖片旋轉(zhuǎn)時，周圍像素的編碼會發(fā)生改變，此時會得到不同的LBP值，從而大大增加了特征的維數(shù)。圖5描述了R=1、N=8時旋轉(zhuǎn)不變LBP模型的原理，首先將圓形鄰域以45°為間隔旋轉(zhuǎn)8次，然后比較8個不同編碼順序的LBP值，取其中的最小值作為此處的LBP值，圖5中8種位置的LBP值均為15。

圖5 旋轉(zhuǎn)不變性LBP算子Fig.5 Rotational invariance LBP operator

旋轉(zhuǎn)不變LBP算子大大降低了特征矩陣的維數(shù)，能有效提升算法效率，故本文選用旋轉(zhuǎn)不變LBP算子riLBP。提取圖像riLBP(算法1)特征步驟如下：

(1)輸入。原圖像I，子區(qū)域大小D×D，相鄰像素?cái)?shù)N。

(2)讀取圖像I，將圖像劃分為若干個大小為D×D的子區(qū)域。

(3)對每個子區(qū)域中的像素點(diǎn)，將其像素值與相鄰的N個像素的灰度值進(jìn)行比較，按上述規(guī)則即可得到此處的LBP值。

(4)計(jì)算得到每個子區(qū)域的頻率直方圖，即每個子區(qū)域中每個LBP值出現(xiàn)的頻率，并進(jìn)行歸一化。

(5)將每個子區(qū)域的頻率直方圖串聯(lián)連接成一個向量，即整幅圖像的LBP特征向量。

(6)輸出riLBP特征向量。

由于不同庫樣本圖片大小不同，故提取不同庫中riLBP特征時，參數(shù)設(shè)計(jì)也不同，具體見表1。

表1 不同庫LBP參數(shù)Tab.1 LBP parameters in different libraries

2.1.2 HOG特征提取

HOG是圖片中某個區(qū)域灰度梯度方向的統(tǒng)計(jì)直方圖，用來描述圖像的一種特征描述子，能對圖像的邊緣信息和形狀信息進(jìn)行很好的描述，最初由DALAL等[18]應(yīng)用于行人檢測，之后被廣泛應(yīng)用于人臉檢測和目標(biāo)識別。本文提取圖像HOG特征(算法2)的步驟如下：

(1) 輸入原圖像I，梯度方向個數(shù)M，Cell大小C×C，Block大小B×B。

(2) 讀取圖像I，將灰度圖像進(jìn)行Gamma校正，以調(diào)節(jié)圖像的對比度，降低光照變化和噪聲對圖像的影響。

(3) 將圖像劃分為若干個Cell，以Cell為單位計(jì)算其M個方向的梯度直方圖。

(4) 將每個Block中所有Cell的方向梯度直方圖整合到一個行向量中，然后將所有Block的向量串聯(lián)連接，得到該圖像的HOG描述子。

(5) 輸出HOG特征向量。

由于不同庫樣本圖片大小不同，故提取不同庫中HOG特征參數(shù)設(shè)置如下：方向個數(shù)M均取9，B值均取2，DC和FB中Cell的大小分別取36×36和40×40。

2.1.3 Haar-like特征提取

Haar-like特征被廣泛應(yīng)用于人臉識別[19-20]，根據(jù)模板形式的不同可分為4類：邊緣特征、線性特征、中心特征和對角線特征。如圖6所示。每種特征模板均由黑白兩種矩形組成，定義模板的特征值為模板內(nèi)黑色像素灰度值之和減去白色像素灰度值之和。由于這種方法計(jì)算復(fù)雜且特征維數(shù)高，所以Haar-like特征的計(jì)算多采用積分圖法。

A B C D圖6 Haar-like四類模板Fig.6 Four types of Haar-like templates

Haar-like特征能準(zhǔn)確反映圖像灰度的變化情況，能較好地描述圖像局部的邊緣和線段信息。LBP和HOG特征描述本文所述列車故障區(qū)域效果并不理想，因此，提取Haar-like特征作為上述兩種特征的補(bǔ)充。

2.2特征降維融合

2.1節(jié)中3種特征在單獨(dú)應(yīng)用于TFDS故障圖片識別時效果并不理想，為了進(jìn)一步提高識別率，使3種特征的優(yōu)勢互補(bǔ)，考慮將這3種特征進(jìn)行融合。由于這3種特征維數(shù)都較大，直接進(jìn)行簡單拼接會造成“維數(shù)災(zāi)難”，同時，直接融合后的特征維數(shù)過高，輸入AdaBoost分類器中訓(xùn)練耗時較長，效率低，故考慮將特征進(jìn)行降維處理。

主成分分析法(principal component analysis，PCA)是一種被廣泛應(yīng)用的降維方法。其原理是計(jì)算給定的特征矩陣F(矩陣大小為X×Y,X為樣本數(shù)，Y為特征維數(shù))的協(xié)方差矩陣C，然后計(jì)算C的特征值和特征向量，按特征值大小將對應(yīng)的特征向量排序組成一個新的矩陣，此時降維方法有兩種：①直接選取新矩陣的前P列(P

圖7 貢獻(xiàn)值與準(zhǔn)確率關(guān)系Fig.7 The relationship between the contribution value and the accuracy rate

從圖7可以看出，隨著貢獻(xiàn)值的提升，在一定范圍內(nèi)準(zhǔn)確率會提升，當(dāng)所取貢獻(xiàn)值在0.90以上時，準(zhǔn)確率提升并不大，有時甚至?xí)陆担⑶矣捎谪暙I(xiàn)率的提高，特征矩陣維數(shù)也會隨之上升，算法效率將會受到影響，故根據(jù)實(shí)驗(yàn)結(jié)果綜合考慮算法效率和準(zhǔn)確率，取貢獻(xiàn)值為0.90。

2.3分類器訓(xùn)練

將2.1節(jié)中所述的三種特征riLBP、HOG和Haar-like，經(jīng)過2.2節(jié)所述的降維融合操作后得到特征矩陣，并將特征矩陣輸入基于AdaBoost的BP分類算法(BP-AdaBoost[21])中進(jìn)行訓(xùn)練。AdaBoost算法的思想是對給定的特征集通過訓(xùn)練一定數(shù)量的弱分類器組成一個強(qiáng)分類器，而在BP-AdaBoost中弱分類器即BP神經(jīng)網(wǎng)絡(luò)，具體步驟如下：首先對各弱分類器設(shè)定一個初始權(quán)值，然后根據(jù)各弱分類器對特征集的誤差更新權(quán)值，誤差大的分類器的權(quán)值提高，誤差小的分類器的權(quán)值降低，循環(huán)多次后將最后得到的權(quán)值和對應(yīng)的弱分類器組合起來，得到強(qiáng)分類器。

BP-AdaBoost算法由20個BP神經(jīng)網(wǎng)絡(luò)組成，每個BP神經(jīng)網(wǎng)絡(luò)為一個弱分類器，20個BP網(wǎng)絡(luò)組成一個強(qiáng)分類器。

3 識別過程

識別過程輸入為TFDS實(shí)際采集得到的列車圖片，包括設(shè)定窗口遍歷、提取特征融合、應(yīng)用BP-AdaBoost進(jìn)行定位和識別4個步驟。

3.1安全鏈鎖緊螺栓識別

安全鏈由鎖緊螺栓固定于列車制動梁上，是貨車上用來連接各重要零件的一個零件，安全鏈丟失會導(dǎo)致列車結(jié)構(gòu)出現(xiàn)問題而發(fā)生事故。對于安全鏈故障，其正常和故障樣本圖片如圖8所示，觀察可知兩者結(jié)構(gòu)差別較大，考慮到算法簡潔性，采用正常判別模式來進(jìn)行故障識別，即在用無故障的樣本圖片進(jìn)行匹配定位時，對于正常圖片，若定位到正常零件即視為判斷正確；而對于故障圖片，若定位偏離正常零件位置則視為判斷正確。這種模式無需額外設(shè)計(jì)識別算法，在定位的同時即可完成識別。

(a)正常圖片 (b)故障圖片圖8 FB正常與故障圖片F(xiàn)ig.8 Normal image and fault image of FB

3.2集塵器識別過程

集塵器位于列車底部，用于防止粉塵進(jìn)入制動管內(nèi)，進(jìn)而影響列車制動。對于集塵器故障，其正常樣本和故障樣本如圖9所示，與安全鏈不同，集塵器兩者結(jié)構(gòu)相似，無法用正常識別模式，故需設(shè)計(jì)識別算法。

(a)正常圖片 (b)故障圖片圖9 DC正常與故障圖片F(xiàn)ig.9 Normal image and fault image of DC

對比集塵器正常和故障圖片可知，集塵器發(fā)生故障時中心位置存在一個孔，顯示在灰度圖中，即此中心處的灰度值明顯低于正常時的灰度值，故考慮以此孔位置處的灰度值作為判據(jù)來判斷零件故障與否。觀察可知，正常零件和故障零件在相同位置均存在圓形輪廓，為了定位得到中心孔洞位置，可先提取圖中零件的圓形輪廓，其圓心位置即可視為孔洞中心位置。

算法原理示意圖如圖10所示，具體算法流程如下。

圖10 算法原理示意圖Fig.10 Schematic diagram of the algorithm

(1)定位得到目標(biāo)區(qū)域子圖像；

(2)提取子圖像圓形輪廓，得到圓心坐標(biāo)與半徑R；

(3)以圓心為中心、R/2為邊長作一正方形，統(tǒng)計(jì)正方形內(nèi)像素的灰度值低于90的像素點(diǎn)數(shù)量Np，考慮到光照和噪聲的影響，設(shè)定當(dāng)Np>50為故障，反之則為正常。

4 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)環(huán)境如下：Windows 7(64位)操作系統(tǒng)，Intel(R) Xeon(R) CPU E5-2640 v4 @2.40GHz和64GB的RAM，MATLAB R2015b軟件。實(shí)驗(yàn)基于DC、FB兩個庫進(jìn)行。

4.1定位算法測試實(shí)驗(yàn)

每類故障數(shù)據(jù)庫分別有正負(fù)兩組樣本庫，正樣本中包含不同位置、不同角度和不同光照下的目標(biāo)區(qū)域的圖像，負(fù)樣本則為不含目標(biāo)區(qū)域的其他位置的圖像，部分樣本如圖11和圖12所示。各數(shù)據(jù)庫定位實(shí)驗(yàn)訓(xùn)練圖片樣本數(shù)量及測試樣本數(shù)量見表2。

圖11 DC正負(fù)樣本庫部分樣本Fig.11 positive and negative samples of DC

圖12 FB正負(fù)樣本庫部分樣本Fig.12 positive and negative samples of FB

庫圖片總數(shù)樣本數(shù)(正/負(fù))測試用樣本數(shù)(正/負(fù))DC1123610000/12361236/1236FB1360010000/36003600/3600

分別提取正負(fù)樣本的LBP、HOG和Haar-like特征，將各單獨(dú)特征與本文提出的融合特征FH輸入到BP-AdaBoost分類器進(jìn)行對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果見表3。

表3各對比實(shí)驗(yàn)結(jié)果
Tab.3Resultsofthecomparisonexperiments

實(shí)驗(yàn)序號特征+分類器準(zhǔn)確率(%)DCFB1HOG+BP-AdaBoost98.3998.102LBP+BP-AdaBoost95.5593.713LBP+HOG+BP-AdaBoost99.5598.714FH+BP-AdaBoost99.8499.155FH+SVM94.5494.20

由表3可知，單獨(dú)選取HOG作為特征時，DC、FB兩個數(shù)據(jù)庫上的分類準(zhǔn)確率在98%左右。單獨(dú)選取LBP作為特征時，在DC樣本庫的分類準(zhǔn)確率為95.5%，而在FB庫的準(zhǔn)確率僅有93.71%。當(dāng)選取LBP+HOG為特征時，F(xiàn)B和DC的準(zhǔn)確率分別為98.71%和99.55%，相比各單獨(dú)特征有較大提升。以混合特征FH作為特征輸入時，F(xiàn)B庫上準(zhǔn)確率達(dá)到99.15%，在DC庫的準(zhǔn)確率更是達(dá)到99.84%，準(zhǔn)確率進(jìn)一步提升。綜上所述，混合特征相比各單獨(dú)特征能更有效提升分類的準(zhǔn)確率。

為了驗(yàn)證BP-AdaBoost分類算法的有效性，基于混合特征FH設(shè)計(jì)了以SVM為分類算法的對比實(shí)驗(yàn)，由表3中實(shí)驗(yàn)結(jié)果可知，當(dāng)以SVM為分類器時，DC和FB的分類準(zhǔn)確率分別為94.54%和94.20%，相比BP-AdaBoost算法的準(zhǔn)確率效果較差。

4.2完整圖像實(shí)驗(yàn)

將TFDS獲取的完整圖像作為輸入檢驗(yàn)本文算法的故障檢測效果。測試數(shù)據(jù)庫圖片組成見表4，檢測結(jié)果見表5。

表4 測試數(shù)據(jù)庫圖片組成Tab.4 Image composition of the test library

表5 識別結(jié)果Tab.5 Inspection results

觀察表5可知，算法對兩種故障有較好的檢測效果，檢出率高，誤檢率(誤檢數(shù)/總樣本數(shù))和漏檢率(漏檢數(shù)/總樣本數(shù))[22]低。部分檢測結(jié)果如圖13所示。從圖13可以看出，對于存在遮擋和光照不均的情況，本文識別算法仍能作出有效識別，證明本文算法具有一定魯棒性。由于貨車經(jīng)過TFDS時車速較慢，而算法對兩類故障圖片平均識別時間分別為41 s和68 s，可以滿足實(shí)時檢測要求。

圖13 部分檢測結(jié)果Fig.13 Part of inspection results

5 結(jié)語

實(shí)驗(yàn)結(jié)果表明，本文提出的算法能實(shí)現(xiàn)DC和FB兩種不同故障的識別，DC和FB檢出率分別高達(dá)96.3%和97.3%，DC庫漏檢率和誤檢率分別為1.2%和2.5%，F(xiàn)B庫漏檢率和誤檢率分別為0.8%和1.9%。該方法識別準(zhǔn)確率高，漏檢率和誤檢率低，對于光照不均和遮擋情況，本文識別算法仍然有效，有一定的魯棒性?？紤]到機(jī)器學(xué)習(xí)算法復(fù)雜度較高，今后將研究改善算法以提升檢測效率。

[1] 劉瑞揚(yáng). 貨車運(yùn)行故障動態(tài)圖像檢測系統(tǒng)(TFDS)的原理與應(yīng)用[J]. 中國鐵路,2005(5)：26-37.

LIU Ruiyang. Principle and Application of Trouble of Moving Freight Car Detection System (TFDS)[J]. Chinese Railways,2005(5):26-37.

[2] 孫國棟, 楊林杰, 梅術(shù)正, 等. 一種基于幾何特征的列車集塵器形狀匹配算法[J]. 中國機(jī)械工程,2016,27(2):230-234.

SUN Guodong, YANG Linjie, MEI Shuzheng, et al. A Shape Matching Method for Train Collector Based on Geometrical Features[J]. China Mechanical Enginnering,2016,27(2):230-234.

[3] 趙大興, 王博, 周唯倜, 等. 基于有向線段重構(gòu)輪廓與成對幾何直方圖的緩解閥蓋圖像匹配算法[J]. 中國機(jī)械工程,2017,28(6):721-727.

ZHAO Daxing, WANG Bo, ZHOU Weiti, et al. Image Matching Algorithm of Release Valve Bonnet Based on Contours Reconstructed by Oriented Line Segment and Pairwise Geometrical Histogram[J]. China Mechanical Engineering,2017,28(6):721-727.

[4] 艾廣, 張金敏, 王思明, 等. 基于Hough變換的擋鍵丟失故障識別方法[J]. 微電子學(xué)與計(jì)算機(jī),2017,34(3):90-94.

AI Guang, ZHANG Jinmin, WANG Siming, et al. Fault Recognition Method for Bogie Block Key Losing Based on Hough Transform[J]. Microelectronics and Computer,2017,34(3):90- 94.

[5] 孫國棟, 徐威, 梁永強(qiáng), 等. 基于形狀上下文的列車擋鍵丟失圖像識別算法[J]. 鐵道科學(xué)與工程學(xué)報(bào),2014,11(6):127-131.

SUN Guodong, XU Wei, LIANG Yongqiang, et al. Image Recognition Algorithm for Side Frame Key of Train Based on Shape Context[J]. Journal of Railway Science and Engineering,2014,11(6):127-131.

[6] 鄒榮, 李健康, 徐家祥, 等. 復(fù)雜場景下鐵路貨車鎖緊板偏轉(zhuǎn)故障檢測[J]. 鐵道科學(xué)與工程學(xué)報(bào),2015,12(4):917-922.

ZOU Rong, LI Jiankang, XU Jiaxiang, et al. Deflectionfault Detection for Locking Plate of Freight Trains under Complex Scene[J]. Journal of Railway Science and Engineering,2015,12(4):917-922.

[7] LI Nan, WEI Zhenzhong, CAO Zhipeng. Automatic Fault Recognition for Brake-shoe-key Losing of Freight Train[J]. Optik-International Journal for Light and Electron Optics,2015,126(23):4735-4742.

[8] 周富強(qiáng), 郭卉. 復(fù)雜背景下貨車制動梁的快速分割方法[J]. 光學(xué)技術(shù),2013,39(5):387-392.

ZHOU Fuqiang, GUO Hui. Fast Segmentation Method for Brake Beam of Freight Train under Complex Background[J]. Optical Technique,2013,39(5):387-392.

[9] GUO N, YAO J E. A Real-time Visual Inspection Method of Fastening Bolts in Freight Car Operation[J]. Applied Optics and Photonics China,2015,9675:96752G.

[10] LIU L, ZHOU F, HE Y. Automated Status Inspection of Fastening Bolts on Freight Trains Using a Machine Vision Approach[J]. Proceedings of the Institution of Mechanical Engineers Part F: Journal of Rail and Rapid Transit,2016,230(7):1159-1166.

[11] ZHENG C, WEI Z. Automatic Online Vision-based Inspection System of Coupler Yoke for Freight Trains[J]. Journal of Electronic Imaging,2016,25(6):061602.

[12] CAO Y, ZHANG B, LIU J, et al. Weighted Margin Sparse Embedded Classifier for Brake Cylinder Detection[J]. Neurocomputing,2013,120(10):560-568.

[13] ZHOU F, ZOU R, QIU Y, et al. Automated Visual Inspection of Angle Cocks during Train Operation[J].Proceedings of the Institution of Mechanical Engineers Part F: Journal of Rail and Rapid Transit,2013,228(7):794-806.

[14] LI C, WEI Z, XING J. Online Inspection System for the Automatic Detection of Bolt Defects on a Freight Train[J]. Proceedings of the Institution of Mechanical Engineers Part F: Journal of Rail and Rapid Transit,2016,230(4):271-288.

[15] LU S, LIU Z, NAN G, et al. Automated Visual Inspection of Brake Shoe Wear[J]. Applied Optics and Photonics China,2015:96752F.

[16] OJALA T, HARWOOD I. A Comparative Study of Texture Measures with Classification Based on Feature Distributions[J]. Pattern Recognition,1996,29(1):51-59.

[17] OJALA T, PIETIKINEN M. Multiresolution Gray Scale and Rotation Invariant Texture Classification with Local Binary Patterns[J]. IEEE Trans. Pattern Analysis and Machine Intelligence,2002,24(7):971-987.

[18] DALAL N, TRIGGS B. Histograms of Oriented Gradients for Human Detection[J]. IEEE Conference on Computer Vision and Pattern Recognition,2005,1(12):886-893.

[19] 王慶偉, 應(yīng)自爐. 一種基于 Haar-like T 特征的人臉檢測算法[J]. 模式識別與人工智能,2015,28(1):35-41.

WANG Qingwei, YING Zilu. A Face Detection Algorithm Based on Haar-like T Features[J]. Pattern Recognition and Artificial Intelligence,2015,28(1):35-41.

[20] 段曉東, 王存睿, 李志潔, 等. 基于Haarlike的人臉民族特征分析[J]. 微電子學(xué)與計(jì)算機(jī),2011,28(7):17-20.

DUAN Xiaodong, WANG Cunrui, LI Zhijie, et al. The Ethnic Facial Research Based on Haarlike Features[J]. Microelectronics and Computer,2011,28(7):17-20.

[21] FREUND Y. Experiments with a New Boosting Algorithm[J].Proceedings of Thirteenth International Conference on Machine Learning,1996,13:148-156.

[22] 張楊. 基于改進(jìn)馬爾科夫隨機(jī)場與精確高度函數(shù)的列車故障圖像層次特征匹配[D]. 武漢: 湖北工業(yè)大學(xué),2017.

ZHANG Yang. Hierarchical Feature Matching of the Fault Image Based Improved Markov Random Field and Exact Height Function in TFDS[D].Wuhan: Hubei University of Technology,2017.

AutomaticFaultRecognitionforKeyPartsofTrainBasedonMulti-featureFusionandBP-AdaBoostAlgorithm

SUN Guodong1TANG Hanbing1LIN Kai1ZHANG Yang2ZHAO Daxing1

1.School of Mechanical Engineering, Hubei University of Technology, Wuhan, 430068 2.Department of Computer Science, Nanjing University, Nanjing, 210023

An automatic fault recognition method was proposed for the fault detection of the fastening bolts and dust collectors based on multi-feature fusion and BP-AdaBoost algorithm. Firstly, the local binary pattern (LBP), histogram of oriented gradient (HOG) and Haar-like features of the faulty and non-faulty areas were extracted. Then, the principal component analysis (PCA) was used to define the contribution of different features to the fault recognition accuracy, the three features metioned above were fused, and the dimensionality reduction was conducted to the fusion feature. Then the BP-AdaBoost classifier was trained by the fusion features. Finally, the trained classifier and the recognition algorithm were used to detect the dust collector and fastening bolt faults. The experimental results show that the algorithm may adapt to the recognition of two different faults. High recognition accuracy rate, low false ratios and low omission ratios are obtained, and the algorithm is robust to light unevenness and occlusion.

dust collector; fastening bolt; feature fusion; BP-AdaBoost algorithm

TP29

10.3969/j.issn.1004-132X.2017.21.013

2017-06-19

國家自然科學(xué)基金資助項(xiàng)目(51775177,51205115)

(編輯陳勇)

孫國棟，男，1981年生。湖北工業(yè)大學(xué)機(jī)械工程學(xué)院教授、博士。研究方向?yàn)橛?jì)算機(jī)視覺和機(jī)器學(xué)習(xí)。E-mail: sgdeagle@163.com。湯漢兵，男，1995年生。湖北工業(yè)大學(xué)機(jī)械工程學(xué)院碩士研究生。林凱，男，1993年生。湖北工業(yè)大學(xué)機(jī)械工程學(xué)院碩士研究生。張楊，男，1992年生。南京大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系博士研究生。趙大興，男，1962年生。湖北工業(yè)大學(xué)機(jī)械工程學(xué)院教授、博士。