【技术实现步骤摘要】
基于小样本图像特征提取的雨棚缺陷检测方法及系统
[0001]本专利技术属于雨棚视觉检测
,具体涉及基于小样本图像特征提取的雨棚缺陷检测方法及系统。
技术介绍
[0002]铁路站台设置有雨棚,为等车的人员遮风挡雨,但是随着使用年限的增加,会出现雨棚的损坏、脱落等安全缺陷问题。目前铁路站台雨棚安全缺陷检测主要依赖人工的目检,人工的目检存在着许多问题,比如需要实时性的重复工作,人工的目检对工作人员的视力要求很高,存在着漏检的风险,效率很低。现有技术中,虽然存在基于人工智能机器视觉的铁路站台雨棚缺陷自动检测的方法与系统,但是由于各种铁路站台雨棚安全缺陷图片图像种类繁多,并且铁路站台雨棚缺陷的图片很难快速大量采集到,且铁路站台雨棚缺陷图片图像集是一种小样本集,所以基于人工智能机器视觉的铁路站台雨棚缺陷自动检测的方法与系统并不适用。
[0003]因此,设计一种能够用少量的样本训练出较好的模型,节约检测成本,提高检测精度与工作效率的基于小样本图像特征提取的雨棚缺陷检测方法及系统,就显得十分必要。
[0004]例如,申请号为CN202211254426.0的中国专利文献描述的一种基于图像修复的铁路棚车车窗故障图像识别方法,将图像处理与深度学习算法应用到棚车车窗故障自动识别中,并采用图像修复去除真实故障中的红框、人工ps故障、故障图像增强等方式解决故障图像与正常样本不均衡问题。虽然提高了整体算法的稳定性及精度,以及模型的鲁棒性与稳定性,但是其缺点在于,上述图像识别方法,仅适用于棚车车窗故障识别,并不适用属于小样本
【技术保护点】
【技术特征摘要】
1.基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,包括如下步骤:S1,采集铁路站台雨棚缺陷的图像集和铁路站台雨棚完好的图像集,并对图像集进行预处理;S2,分别对预处理后的图像集进行特征提取,提取出不同的特征向量并进行归一化处理;S3,利用步骤S2中归一化后的特征向量构建出新的SVM分类器模型并训练;S4,将需要检测的图像集送入SVM分类器模型进行对比,并对所述图像集进行分类。2.根据权利要求1所述的基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,步骤S1包括如下步骤:S11,在不同环境下,采集铁路站台雨棚缺陷的图像集和铁路站台雨棚完好的图像集;S12,对图像集中的图像进行特征融合和拼接处理,得到平面拼接后的图像;S13,利用中值滤波非线性平滑技术对平面拼接后的图像进行降噪处理,具体过程如下:设定a1,a2,a
n
表示n个随机输入变量,按值大小降序排列为a
i1
>a
i2
>
…
a
in
,则n个随机输入变量的中值为S14,利用小波变换方法对降噪处理后图像进行增强处理,具体过程如下:对原始图像进行小波分解,得到图像低频成分和高频成分,对小波系数进行非线性增强,将增强后的小波系数进行小波逆变换,得到重构后增强图像;S15,对增强后的图像进行灰度化处理;S16,利用ROI算法对图像中的雨棚缺陷部分进行区域提取;S17,通过傅里叶变换、小波变换和以图像融合为基础的迭代算法对原始样本进行变换,使样本数量增加。3.根据权利要求2所述的基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,步骤S14中,所述对小波系数进行非线性增强,函数关系式满足:其中,WT代表小波变换;a为尺度因子,用于控制小波函数的伸缩;τ为位移,用于控制小波函数的平移;t代表时间;f(t)为周期性函数;ψ为尺度函数。4.根据权利要求2所述的基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,步骤S17中,所述以图像融合为基础的迭代算法的具体公式如下:步骤S17中,所述以图像融合为基础的迭代算法的具体公式如下:
式中,G
n
(x,y)为当前融合迭代结果图像的灰度函数;G
n
‑1(x,y)为原图像的灰度函数,其中G0(x,y)为伪影弱化图像的灰度函数W(x,y);n为算法迭代的次数,用于控制算法时间,取n=1、2、3;B为ROI图像融合系数,代表ROI图像灰度函数在每次迭代中的影响程度,具体取值为0.85;F0(x,y)为原始ROI图像的灰度函数;为当前融合图像所含白色像素数;C
all
为图像的总像素数。5.根据权利要求1所述的基于小样本图像特征提取的雨棚缺陷检测方法,其特征在于,步骤S2包括如下步骤:S21,对铁路站雨棚图像的纹理特征进行提取,分别提取原图像、傅里叶变化后图像和小波变换后图像的能量灰度、灰度熵、灰度系数和灰度对比度作为...
【专利技术属性】
技术研发人员:陈遥,陈来,黄坤,李万海,朱骁峰,项新建,
申请(专利权)人:浙江易时科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。