專利名稱:一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法
技術(shù)領(lǐng)域:
本發(fā)明屬于鐵路貨車運(yùn)行故障檢測(cè)領(lǐng)域,涉及TFDS貨車運(yùn)行故障動(dòng)態(tài)圖像檢測(cè)領(lǐng)域,具體涉及鐵路貨車閘瓦釬竄出故障的圖像自動(dòng)識(shí)別方法。
背景技術(shù):
鐵路貨車運(yùn)行故障軌邊圖像檢測(cè)系統(tǒng)是一套集高速數(shù)字圖像采集,大容量圖像實(shí)時(shí)處理技術(shù),精確定位技術(shù),網(wǎng)絡(luò)化技術(shù)以及自動(dòng)控制技術(shù)于一體的系統(tǒng),簡(jiǎn)稱TFDS。目前TFDS系統(tǒng)主要以人工看圖的方式對(duì)采集的圖像進(jìn)行故障識(shí)別,人力成本高, 勞動(dòng)強(qiáng)度大。故障識(shí)別的效果受到檢車員的生理狀態(tài)和檢車經(jīng)驗(yàn)等主觀因素的制約。圖像自動(dòng)識(shí)別技術(shù)的運(yùn)用,可以大大降低列檢人員的工作強(qiáng)度,顯著提高工作效率,也可以減少圖像列檢人員的數(shù)量,從而降低系統(tǒng)的運(yùn)行成本。圖像自動(dòng)識(shí)別理論已經(jīng)在人臉識(shí)別、指紋識(shí)別、生產(chǎn)線安檢等多個(gè)領(lǐng)域得到了廣泛的應(yīng)用,但是在貨車故障圖像自動(dòng)識(shí)別領(lǐng)域內(nèi)的研究還相對(duì)有限,還未出現(xiàn)此類應(yīng)用。神經(jīng)網(wǎng)絡(luò)算法是模擬人類神經(jīng)元活動(dòng)的一種智能算法,在系統(tǒng)辨識(shí)、模式識(shí)別、智能控制等領(lǐng)域有廣泛的應(yīng)用。神經(jīng)網(wǎng)絡(luò)算法以神經(jīng)元的數(shù)學(xué)模型為基礎(chǔ)進(jìn)行描述,由網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、節(jié)點(diǎn)特征、學(xué)習(xí)規(guī)則進(jìn)行表示。具有如下幾個(gè)優(yōu)點(diǎn)1、并行處理能力;2、高度魯棒性和容錯(cuò)能力;3、分布式存儲(chǔ)和學(xué)習(xí)能力;4、充分逼近復(fù)雜的非線性關(guān)系能力。自從20世紀(jì)40年代出現(xiàn)以來(lái),神經(jīng)網(wǎng)絡(luò)算法經(jīng)歷了 70年的發(fā)展,形成了數(shù)十種算法模型,比較典型的有BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、ART網(wǎng)絡(luò)、Kohonen網(wǎng)絡(luò)等。從目前對(duì)已有文獻(xiàn)和專利的檢索結(jié)果來(lái)看,還沒(méi)有對(duì)截?cái)嗳T手把關(guān)閉這類故障的相關(guān)研究和專利。本文方法填補(bǔ)了這一空白。
發(fā)明內(nèi)容
本發(fā)明的目的是為了解決上述問(wèn)題,提出一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法。一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法,其特征在于,包含以下步驟(1)列車通過(guò)時(shí),獲取運(yùn)行中鐵路貨車車體的圖像、車型和車輛信息;車輛信息為貨車包括車輛數(shù),圖像和車型存入貨車車體圖像庫(kù),對(duì)圖像進(jìn)行命名, 通過(guò)圖像的命名能夠獲知圖像中是否含有車輛的制動(dòng)梁部位,即是否含有閘瓦釬;(2)讀入待識(shí)別圖像;根據(jù)車輛車型和車體圖像的命名從貨車車體圖像庫(kù)中提取出此輛列車含有閘瓦
4釬部件的圖像作為待識(shí)別圖像;(3)根據(jù)圖像命名進(jìn)行初定位,得到初步定位后的圖像;根據(jù)圖像命名初步從待識(shí)別圖像中框選閘瓦釬在圖像中的范圍,得到初步定位后的圖像;(4)等比例縮小初步定位后的圖像尺寸;采用圖像處理算法對(duì)初步定位后的圖像的尺寸進(jìn)行等比例縮小,得到縮小后圖像;(5)縮小后圖像的初步預(yù)處理;首先將縮小后圖像的彩色圖像變換成灰度圖像,然后對(duì)灰度圖像依次進(jìn)行亮度調(diào)整、對(duì)比度拉伸、圖像求反,完成圖像的初步預(yù)處理;(6)對(duì)初步預(yù)處理后圖像定位候選區(qū)域;計(jì)算初步預(yù)處理后的圖像的水平方向和垂直方向梯度值,通過(guò)判斷兩個(gè)方向梯度值總和的大小來(lái)精確定位閘瓦釬的位置,閘瓦釬的位置即為候選區(qū)域;(7)提取候選區(qū)域的圖像特征向量;利用特征提取方法對(duì)候選區(qū)域進(jìn)行特征提取,得到特征數(shù)據(jù);(8)對(duì)特征數(shù)據(jù)進(jìn)行識(shí)別運(yùn)算;采用BP神經(jīng)網(wǎng)絡(luò)作為基于人工神經(jīng)網(wǎng)絡(luò)分類器,獲取訓(xùn)練樣本,訓(xùn)練樣本分為故障樣本和非故障樣本,故障樣本為包括特征數(shù)據(jù)以及其對(duì)應(yīng)的故障、故障的位置信息,非故障樣本包括無(wú)故障時(shí)候?qū)?yīng)的特征數(shù)據(jù);把從候選區(qū)域中提取的特征數(shù)據(jù)輸入基于人工神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行識(shí)別,得到閘瓦釬是否存在故障以及故障的位置信息;所述的故障為閘瓦釬竄出的故障,故障的位置信息為閘瓦釬竄出的位置;(9)輸出識(shí)別結(jié)果;把識(shí)別出的閘瓦釬竄出的故障的位置標(biāo)記在圖像上,輸出顯示。本發(fā)明的優(yōu)點(diǎn)在于(1)不影響列檢人員在現(xiàn)有的TFDS系統(tǒng)上的正常工作;(2)以友好的方式保存自動(dòng)識(shí)別結(jié)果,給列檢人員提供便捷的復(fù)檢方式;(3)全自動(dòng)啟動(dòng)、停止,運(yùn)行中不需要人工干預(yù);(4)對(duì)車輛類型進(jìn)行細(xì)致分類,適應(yīng)能力強(qiáng),也很容易增加新的車輛類型;
(5)圖像的命名有預(yù)定義規(guī)則,使得自動(dòng)識(shí)別算法比較簡(jiǎn)捷。
圖1為本發(fā)明的方法流程圖。圖中
具體實(shí)施例方式下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。本發(fā)明是一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法,流程如圖 1所示,包含以下步驟(1)列車通過(guò)時(shí),接收從高速圖像采集器發(fā)出的運(yùn)行中鐵路貨車車體的圖像、車型和車輛信息;車輛信息為貨車包括車輛數(shù),一列貨車大概由40-70輛車和1輛機(jī)車構(gòu)成,圖像和車型存入貨車車體圖像庫(kù),圖像的命名規(guī)則為X_y_z,χ為車輛在車次列車中的編號(hào),從 1開(kāi)始編排;y為該車輛的部位,χ_1_ζ表示車輛的轉(zhuǎn)向架部位,χ_2_ζ表示車輛的制動(dòng)梁部位,χ_3_ζ表示車輛中間部部位,χ_4_ζ表示車鉤勾緩部;ζ為列車該部位圖像的編號(hào),從1 開(kāi)始編排,車輛型號(hào)不同,其車輛長(zhǎng)短不同,因此圖像數(shù)量也不同。如3_2_8. jpg表示該列車的第3輛車制動(dòng)梁部位的第8張圖像。(2)讀入待識(shí)別圖像;根據(jù)車輛車型和車體圖像的命名從貨車車體圖像庫(kù)中提取出此輛列車含有閘瓦釬部件的圖像作為待識(shí)別圖像。閘瓦釬是制動(dòng)梁部位的部件,因此閘瓦釬只會(huì)出現(xiàn)在x_2_z圖像里,更進(jìn)一步,本方法通過(guò)大量的統(tǒng)計(jì),該部件一般存在于x_2_0、x_2_2、x_2_3、x_2_5、x_2_6、x_2_8、x_2_9、 x_2_ll的圖像里;(3)根據(jù)圖像命名進(jìn)行初定位,得到初步定位后的圖像;根據(jù)圖像命名初步從待識(shí)別圖像中框選閘瓦釬在圖像中的大致范圍,得到初步定位后的圖像。具體為x_2_0和x_2_6的圖像中,閘瓦釬大致在原圖像中(221-784,377-700)的范圍內(nèi);x_2_2和x_2_8的圖像中,閘瓦釬大致在原圖像中(784-1024,700-1170)的范圍內(nèi);x_2_3和x_2_9的圖像中,閘瓦釬大致在原圖中(194-324,M0-700)的范圍內(nèi);x_2_5和 x_2_ll的圖像中,閘瓦釬大致在原圖中(700-1024,240-1180)的范圍內(nèi)。其中,(m, η)里, m表示圖像的行高,η表示圖像的列寬,(a-c,b_d)里表示m的范圍為a到c,η的范圍為b 到d。經(jīng)過(guò)分析大量貨車類型和查閱數(shù)千萬(wàn)故障圖像后證明用這種對(duì)應(yīng)關(guān)系判斷故障候選區(qū)域的位置是可行的。(4)等比例縮小初步定位后的圖像尺寸;采用圖像處理算法對(duì)初步定位后的圖像的尺寸進(jìn)行等比例縮小,得到縮小后圖像。所述的圖像處理算法為圖像降采樣算法,等比例縮放得縮放比例為1/4(長(zhǎng)寬各變?yōu)樵瓉?lái)的1/2,面積變?yōu)樵瓉?lái)的1/4)。在該比例下識(shí)別速度和識(shí)別準(zhǔn)確度可以達(dá)到最佳的平衡。(5)縮小后圖像的初步預(yù)處理;首先將縮小后圖像的彩色圖像變換成灰度圖像,然后對(duì)灰度圖像依次進(jìn)行亮度調(diào)整、對(duì)比度拉伸、圖像求反,完成圖像的初步預(yù)處理。對(duì)比度拉伸是一個(gè)圖像處理的概念,一般為了增加前景和背景的區(qū)別度,具體的方法根據(jù)需求不同而設(shè)計(jì),本發(fā)明中主要便于在圖像中閘瓦釬部件特征向量的提取。圖像求反可用公式來(lái)描述y (i,j) = 255-x(i, j),y表示輸出圖像,χ表示輸入圖像,χ (i,j)表示坐標(biāo)為i,j的輸入圖像像素值,y(i,j)表示坐標(biāo)為i,j的輸出圖像像素值。該預(yù)處理方法把圖像從彩色圖像變化為灰度圖像,在轉(zhuǎn)換的過(guò)程中可以做到丟棄顏色信息,但是不丟失故障特征信息。(6)對(duì)初步預(yù)處理后圖像定位候選區(qū)域;計(jì)算初步預(yù)處理后的圖像的水平方向和垂直方向梯度值,通過(guò)判斷兩個(gè)方向梯度值總和的大小來(lái)精確定位閘瓦釬的位置,閘瓦釬的位置即為候選區(qū)域。
具體為獲取初步預(yù)處理后圖像的水平方向和垂直方向梯度值(sobel值),通過(guò)判斷圖像中的每個(gè)點(diǎn)在上、下、左、右四個(gè)方向相鄰的100 200像素值內(nèi)水平方向和垂直方向的梯度值總和的大小,當(dāng)總和的值大于185時(shí),成為候選點(diǎn),所有候選點(diǎn)的集合構(gòu)成閘瓦釬的位置即為候選區(qū)域。(7)提取候選區(qū)域的圖像特征向量;利用多種特征提取方法對(duì)候選區(qū)域進(jìn)行特征提取,得到特征數(shù)據(jù)。所述的特征提取方法為邊緣特征提取,角特征提取,脊檢測(cè)特征提取或者區(qū)域特征提取。數(shù)學(xué)上,脊定義為最大面曲率方向上的極值點(diǎn),可通過(guò)計(jì)算Hessian矩陣的特征值進(jìn)行檢測(cè)。固定尺度脊向量對(duì)目標(biāo)寬度是非常敏感的。它使得尺度參數(shù)隨著圖像中脊結(jié)構(gòu)進(jìn)行自動(dòng)調(diào)節(jié)。(8)對(duì)特征數(shù)據(jù)進(jìn)行識(shí)別運(yùn)算;把從候選區(qū)域中提取的特征數(shù)據(jù)輸入基于人工神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行識(shí)別,得到閘瓦釬是否存在故障以及故障的位置信息。本發(fā)明中基于人工神經(jīng)網(wǎng)絡(luò)分類器采用BP神經(jīng)網(wǎng)絡(luò),神經(jīng)網(wǎng)絡(luò)算法是采用的神經(jīng)元模型和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),具有學(xué)習(xí)功能,可以根據(jù)訓(xùn)練樣本的情況調(diào)整其學(xué)習(xí)方式,以取得更好的效果。BP神經(jīng)網(wǎng)絡(luò),由信息的正向傳播和誤差的反向傳播兩個(gè)過(guò)程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息,并傳遞給中間層各神經(jīng)元;中間層是內(nèi)部信息處理層,負(fù)責(zé)信息變換,根據(jù)信息變化能力的需求,中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu);最后一個(gè)隱層傳遞到輸出層,各神經(jīng)元的信息經(jīng)進(jìn)一步處理后,完成一次學(xué)習(xí)的正向傳播處理過(guò)程,由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時(shí),進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層,按誤差梯度下降的方式修正各層權(quán)值,向隱層、輸入層逐層反傳。 周而復(fù)始的信息正向傳播和誤差反向傳播過(guò)程,是各層權(quán)值不斷調(diào)整的過(guò)程,也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程,此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度,或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。所述的訓(xùn)練樣本分為故障樣本和非故障樣本,均通過(guò)人工挑圖的方式從列車圖像數(shù)據(jù)中獲??;故障樣本為包括特征數(shù)據(jù)以及其對(duì)應(yīng)的故障、故障的位置信息。非故障樣本包括無(wú)故障時(shí)候?qū)?yīng)的特征數(shù)據(jù)。根據(jù)訓(xùn)練樣本對(duì)基于人工神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行訓(xùn)練,訓(xùn)練完成后,將特征數(shù)據(jù)輸入基于人工神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行識(shí)別,得到閘瓦釬是否存在故障以及故障的位置信息。所述的故障為閘瓦釬竄出的故障,故障的位置信息為閘瓦釬竄出的位置。(9)輸出識(shí)別結(jié)果;把識(shí)別出的閘瓦釬竄出的故障的位置標(biāo)記在圖像上,輸出顯示。數(shù)據(jù)結(jié)果可以被人工直接查看,也可以被其他系統(tǒng)以可編程的方式自動(dòng)訪問(wèn)。前一種便于人工直接觀看,后一種便于把本裝置結(jié)合在其他系統(tǒng)中構(gòu)成更為復(fù)雜的應(yīng)用系統(tǒng)。本發(fā)明綜合應(yīng)用了圖像處理和模式識(shí)別中人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論,并進(jìn)行了改進(jìn)和整合,對(duì)鐵路貨車閘瓦釬竄出故障圖像進(jìn)行識(shí)別,降低了貨車安全運(yùn)行系統(tǒng)的人力成本和安檢人員勞動(dòng)強(qiáng)度,強(qiáng)化了列檢的安全控制能力,對(duì)于保證運(yùn)輸安全暢通,提高運(yùn)輸效率具有非常重要的意義。
權(quán)利要求
1.一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法,其特征在于,包含以下步驟(1)列車通過(guò)時(shí),獲取運(yùn)行中鐵路貨車車體的圖像、車型和車輛信息;車輛信息為貨車包括車輛數(shù),圖像和車型存入貨車車體圖像庫(kù),對(duì)圖像進(jìn)行命名,通過(guò)圖像的命名能夠獲知圖像中是否含有車輛的制動(dòng)梁部位,即是否含有閘瓦釬;(2)讀入待識(shí)別圖像;根據(jù)車輛車型和車體圖像的命名從貨車車體圖像庫(kù)中提取出此輛列車含有間瓦釬部件的圖像作為待識(shí)別圖像;(3)根據(jù)圖像命名進(jìn)行初定位,得到初步定位后的圖像;根據(jù)圖像命名初步從待識(shí)別圖像中框選閘瓦釬在圖像中的范圍,得到初步定位后的圖像;(4)等比例縮小初步定位后的圖像尺寸;采用圖像處理算法對(duì)初步定位后的圖像的尺寸進(jìn)行等比例縮小,得到縮小后圖像;(5)縮小后圖像的初步預(yù)處理;首先將縮小后圖像的彩色圖像變換成灰度圖像,然后對(duì)灰度圖像依次進(jìn)行亮度調(diào)整、 對(duì)比度拉伸、圖像求反,完成圖像的初步預(yù)處理;(6)對(duì)初步預(yù)處理后圖像定位候選區(qū)域;計(jì)算初步預(yù)處理后的圖像的水平方向和垂直方向梯度值,通過(guò)判斷兩個(gè)方向梯度值總和的大小來(lái)精確定位閘瓦釬的位置,閘瓦釬的位置即為候選區(qū)域;(7)提取候選區(qū)域的圖像特征向量;利用特征提取方法對(duì)候選區(qū)域進(jìn)行特征提取,得到特征數(shù)據(jù);(8)對(duì)特征數(shù)據(jù)進(jìn)行識(shí)別運(yùn)算;采用BP神經(jīng)網(wǎng)絡(luò)作為基于人工神經(jīng)網(wǎng)絡(luò)分類器,獲取訓(xùn)練樣本,訓(xùn)練樣本分為故障樣本和非故障樣本,故障樣本為包括特征數(shù)據(jù)以及其對(duì)應(yīng)的故障、故障的位置信息,非故障樣本包括無(wú)故障時(shí)候?qū)?yīng)的特征數(shù)據(jù);把從候選區(qū)域中提取的特征數(shù)據(jù)輸入基于人工神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行識(shí)別,得到閘瓦釬是否存在故障以及故障的位置信息;所述的故障為閘瓦釬竄出的故障,故障的位置信息為閘瓦釬竄出的位置;(9)輸出識(shí)別結(jié)果;把識(shí)別出的閘瓦釬竄出的故障的位置標(biāo)記在圖像上,輸出顯示。
2.根據(jù)權(quán)利要求1所述的一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法,其特征在于,所述的(1)中鐵路貨車車體的圖像、車型和車輛信息通過(guò)高速圖像采集器獲取。
3.根據(jù)權(quán)利要求1所述的一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法,其特征在于,所述的(1)中圖像的命名規(guī)則為x_y_z,x為車輛在車次列車中的編號(hào),從 1開(kāi)始編排;y為該車輛的部位,χ_1_ζ表示車輛的轉(zhuǎn)向架部位,χ_2_ζ表示車輛的制動(dòng)梁部位,χ_3_ζ表示車輛中間部部位,χ_4_ζ表示車鉤勾緩部;ζ為列車該部位圖像的編號(hào),從1 開(kāi)始編排。
4.根據(jù)權(quán)利要求1或者3所述的一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法,其特征在于,所述的O)中待識(shí)別圖像為x_2_0、x_2_2、x_2_3、x_2_5、x_2_6、x_2_8、x_2_9 禾口 x_2_ll。
5.根據(jù)權(quán)利要求1所述的一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法,其特征在于,所述的(3)中,具體為x_2_0和x_2_6的圖像中,閘瓦釬大致在原圖像中(221-784,377-700)的范圍內(nèi);x_2_2和x_2_8的圖像中,閘瓦釬大致在原圖像中(784-1024,700-1170)的范圍內(nèi);x_2_3和x_2_9的圖像中,閘瓦釬大致在原圖中(194-324,240-700)的范圍內(nèi);x_2_5和x_2_l 1的圖像中,閘瓦釬大致在原圖中 (700-1024,240-1180)的范圍內(nèi)。其中,(m, η)里,m表示圖像的行高,η表示圖像的列寬, (a-c, b-d)里表示m的范圍為a到c,η的范圍為b到d。
6.根據(jù)權(quán)利要求1所述的一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法,其特征在于,所述的(5)中圖像處理算法為圖像降采樣算法。
7.根據(jù)權(quán)利要求1所述的一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法,其特征在于,所述的(5)中等比例縮小為縮放比例為1/4,長(zhǎng)寬各變?yōu)樵瓉?lái)的1/2,面積變?yōu)樵瓰樵瓉?lái)的1/4。
8.根據(jù)權(quán)利要求1所述的一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法,其特征在于,所述的(6)具體為獲取初步預(yù)處理后圖像的水平方向和垂直方向梯度值 (sobel值),通過(guò)判斷圖像中的每個(gè)點(diǎn)在上、下、左、右四個(gè)方向相鄰的100 200像素值內(nèi)水平方向和垂直方向的梯度值總和的大小,當(dāng)總和的值大于185時(shí),成為候選點(diǎn),所有候選點(diǎn)的集合構(gòu)成閘瓦釬的位置即為候選區(qū)域
9.根據(jù)權(quán)利要求1所述的一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法,其特征在于,所述的(7)中特征提取方法為邊緣特征提取,角特征提取,脊檢測(cè)特征提取或者區(qū)域特征提取。
全文摘要
本發(fā)明公開(kāi)了一種基于人工神經(jīng)網(wǎng)絡(luò)的鐵路貨車閘瓦釬竄出故障識(shí)別方法,包括以下步驟(1)列車通過(guò)時(shí),獲取運(yùn)行中鐵路貨車車體的圖像、車型和車輛信息;(2)讀入待識(shí)別圖像;(3)根據(jù)圖像命名進(jìn)行初定位,得到初步定位后的圖像;(4)等比例縮小初步定位后的圖像尺寸;(5)縮小后圖像的初步預(yù)處理;(6)對(duì)初步預(yù)處理后圖像定位候選區(qū)域;(7)提取候選區(qū)域的圖像特征向量;(8)對(duì)特征數(shù)據(jù)進(jìn)行識(shí)別運(yùn)算;(9)輸出識(shí)別結(jié)果。本發(fā)明不影響列檢人員在現(xiàn)有的TFDS系統(tǒng)上的正常工作;以友好的方式保存自動(dòng)識(shí)別結(jié)果,給列檢人員提供便捷的復(fù)檢方式;全自動(dòng)啟動(dòng)、停止,運(yùn)行中不需要人工干預(yù)。
文檔編號(hào)G06N3/02GK102332089SQ20111017211
公開(kāi)日2012年1月25日 申請(qǐng)日期2011年6月23日 優(yōu)先權(quán)日2011年6月23日
發(fā)明者張益 , 趙新國(guó), 韓濤 申請(qǐng)人:北京康拓紅外技術(shù)股份有限公司