本发明公开了一种货车闸瓦故障的识别方法，包括：从当前图像中提取三个角度的分割特征；根据所述三个角度的分割特征确定当前图像的货车闸瓦特征区域；从当前图像的货车闸瓦特征区域中提取货车闸瓦的特征；使用支持向量机(SVM)算法对货车闸瓦的特征计算得出当前图像的特征值，根据所述特征值以及预置的故障识别值判定货车闸瓦是否存在故障。本发明还公开了一种货车闸瓦故障的识别装置，采用本发明能避免人工操作的失误，保证故障的识别率，及时的防止事故发生，从而保证运营安全。
一种货车闸瓦故障的识别方法及装置
技术领域
[0001] 本发明涉及图像处理领域，尤其涉及一种货车闸瓦故障的识别方法及装置。
背景技术
[0002] 目前，货车闸瓦制动是国内铁路货车普遍采用的踏面制动方式，货车闸瓦上的闸瓦钎主要用来防止货车闸瓦脱落，一旦闸瓦钎丢失，货车运行过程中货车闸瓦就极有可能脱落，导致制动失灵，更严重的是若货车闸瓦正好脱落在钢轨上，则会造成脱轨事故。近年来，铁道部大力推广货车运行故障图像动态检测系统(TFDS)对运行中的列车各关键部位进行成像，并由人工浏览图像完成故障识别。这种由人工进行故障识别的方式存在低效率，识别率不稳定等问题，已无法满足列车安全运行的发展要求。
[0003] 可见，现有技术中使用TFDS进行闸瓦故障识别，过于依赖人工操作，因此无法保证故障的识别率，进而无法及时的防止事故发生，从而无法保证运营安全。
发明内容
[0004] 有鉴于此，本发明的目的在于提供一种货车闸瓦故障的识别方法及装置，能避免人工操作的失误，保证故障的识别率，及时的防止事故发生，从而保证运营安全。
[0005] 为达到上述目的，本发明的技术方案是这样实现的：
[0006] 本发明提供了一种货车闸瓦故障的识别方法，该方法包括：
[0007] 从当前图像中提取三个角度的分割特征；
[0008] 根据所述三个角度的分割特征确定当前图像的货车闸瓦特征区域；
[0009] 从当前图像的货车闸瓦特征区域中提取货车闸瓦的特征；
[0010] 使用支持向量机(SVM，Support Vector Machine)算法对货车闸瓦的特征计算得出当前图像的特征值，根据所述特征值以及预置的故障识别值判定货车闸瓦是否存在故障。
[0011] 上述方案中，所述从当前图像中提取三个角度的分割特征，包括：从TDFS中周期性提取当前图像，对当前图像进行三个角度的灰度投影得到三条投影曲线；对所有投影曲线进行滤波，将滤波后的各个投影曲线中的最大值均作为当前图像三个角度的分割特征。
[0012] 上述方案中，所述根据三个角度的分割特征确定当前图像的货车闸瓦特征区域，包括：使用Canny算子提取当前图像的边缘信息，根据角度为零度的分割特征，确定货车闸瓦特征区域的左边界和右边界的坐标值；根据角度为-25°和25°的分割特征，确定货车闸瓦特征区域的上边界和下边界的坐标值。
[0013] 上述方案中，所述从当前图像的货车闸瓦特征区域中提取货车闸瓦的特征，包括：使用基于背景面积预估的方法，将当前图像的货车闸瓦特征区域中的图像分割得到货车闸瓦区域二进制图像；使用像素标记法，从所述货车闸瓦区域二进制图像中提取最大连通区域；使用Canny算子，从最大连通区域中的二进制图像中提取货车闸瓦边缘轮廓；根据所述货车闸瓦边缘轮廓提取货车闸瓦的特征。
[0014] 上述方案中，所述货车闸瓦的特征包括：货车闸瓦边缘轮廓的平滑特征值、货车闸瓦边缘轮廓的凹凸特征值、货车闸瓦边缘轮廓的锯齿度、货车闸瓦边缘轮廓的固靠值、货车闸瓦边缘轮廓的致密性、货车闸瓦边缘轮廓的圆形性、货车闸瓦边缘轮廓的长宽比、货车闸瓦边缘轮廓的面积和货车闸瓦边缘轮廓的周长。
[0015] 上述方案中，所述从当前图像中提取三个角度的分割特征之前，该方法还包括：使用不存在故障的货车闸瓦钎图像和存在故障的货车闸瓦钎图像分别建立正、负样本训练集；分别提取正、负样本训练集中的所有图像的特征，组成正、负样本训练集对应的九维特征向量，使用SVM算法计算得出的正、负样本对应的值，将负样本训练集对应的值作为故障识别值。
[0016] 本发明还提供了一种货车闸瓦故障的识别装置，该装置包括：特征提取模块和识别模块；其中，
[0017] 特征提取模块，用于从当前图像中提取三个角度的分割特征，根据所述三个角度的分割特征确定当前图像的货车闸瓦特征区域，从当前图像的货车闸瓦特征区域中提取货车闸瓦的特征，将所述货车闸瓦的特征发送给识别模块；
[0018] 识别模块，用于使用SVM算法对特征提取模块发来的所述货车闸瓦的特征计算得出当前图像的特征值，根据所述特征值以及预置的故障识别值判定货车闸瓦是否存在故障。
[0019] 上述方案中，所述特征提取模块，具体用于从所在的TDFS中周期性提取当前图像，对当前图像进行三个角度的灰度投影得到三条投影曲线；对所有投影曲线进行滤波，将滤波后的各个投影曲线中的最大值均作为当前图像三个角度的分割特征。
[0020] 上述方案中，所述特征提取模块，具体用于使用Canny算子提取当前图像的边缘信息，根据角度为零度的分割特征，确定货车闸瓦特征区域的左边界和右边界的坐标值；根据角度为-25°和25°的分割特征，确定货车闸瓦特征区域的上边界和下边界的坐标值。
[0021] 上述方案中，所述特征提取模块，具体用于使用基于背景面积预估的方法，将当前图像的货车闸瓦特征区域中的图像分割得到货车闸瓦区域二进制图像；使用像素标记法，从所述货车闸瓦区域二进制图像中提取最大连通区域；使用Canny算子，从最大连通区域中的二进制图像中提取货车闸瓦边缘轮廓；根据所述货车闸瓦边缘轮廓提取货车闸瓦的特征。
[0022] 上述方案中，所述特征提取模块，具体用于提取货车闸瓦边缘轮廓的平滑特征值、货车闸瓦边缘轮廓的凹凸特征值、货车闸瓦边缘轮廓的锯齿度、货车闸瓦边缘轮廓的固靠值、货车闸瓦边缘轮廓的致密性、货车闸瓦边缘轮廓的圆形性、货车闸瓦边缘轮廓的长宽比、货车闸瓦边缘轮廓的面积和货车闸瓦边缘轮廓的周长作为货车闸瓦的特征。
[0023] 上述方案中，所述识别模块，还用于使用不存在故障的货车闸瓦钎图像和存在故障的货车闸瓦钎图像分别建立正、负样本训练集；分别提取正、负样本训练集中的所有图像的特征，组成正、负样本训练集对应的九维特征向量，使用SVM算法计算得出的正、负样本对应的值，将负样本训练集对应的值作为故障识别值。
[0024] 本发明所提供的货车闸瓦故障的识别方法及装置，能自动从当前图像中提取三个角度的分割特征；根据所述三个角度的分割特征确定当前图像的货车闸瓦特征区域；从当前图像的货车闸瓦特征区域中提取货车闸瓦的特征；进而根据所述货车闸瓦的特征，以及故障识别条件确定货车闸瓦是否存在故障。如此，就能够避免人工操作的失误，保证故障的识别率，及时的防止事故发生，从而保证运营安全。
附图说明
[0025] 图1为本发明的货车闸瓦故障的识别方法流程示意图；
[0026] 图2为本发明的货车闸瓦故障的识别装置组成结构示意图；
[0027] 图3为测试结果表。
具体实施方式
[0028] 本发明的基本思想是：从当前图像中提取三个角度的分割特征；根据所述三个角度的分割特征确定当前图像的货车闸瓦特征区域；从当前图像的货车闸瓦特征区域中提取货车闸瓦的特征；使用SVM算法对货车闸瓦的特征计算得出当前图像的特征值，根据所述特征值以及预置的故障识别值判定货车闸瓦是否存在故障。
[0029] 下面结合附图及具体实施例对本发明再作进一步详细的说明。
[0030] 本发明的货车闸瓦故障的识别方法，如图1所示，包括以下步骤：
[0031] 步骤101：从当前图像中提取三个角度的分割特征。
[0032] 具体的，从TDFS中周期性提取当前图像，对当前图像进行三个角度的灰度投影得到三条投影曲线；对所有投影曲线进行滤波，将滤波后的各个投影曲线中的最大值均作为当前图像三个角度的分割特征；
[0033] 这里，所述三个角度为设定的-25°0°和25°三个角度；
[0034] 所述灰度投影包括：将当前图像进行扩展，得到扩展后的图像；将扩展后的图像进行投影计算，对投影计算得到的图像进行离散得到投影曲线。
[0035] 所述将当前图像进行扩展为在图像边缘补灰度为零的像素点，避免投影时图像边缘所造成的误差，可以使用以下公式进行计算：
[0036] 其中，Ω表示无限大。
[0037] 其中，所述投影计算可以使用公式：
[0038] 其中， 假设建立坐标系，坐标原点为o，设当前图像I高度为m，宽度为n，为投影方向，二维图像I将被投影到投影线 起点为o，与 相互垂直。r为投影线上任意一点，p为过r点，且与 平行的直线，l为其上任意一点(i，j)离投影线 的垂直距离，I(i，j)为图像在点(i，j)处的像素灰度值，设投影线与x轴夹角θ为投影方向角，θ为-25°0°或25°。
[0039] 所述对投影计算得到的图像进行离散可以使用下述公式计算：
[0040] 其中， θ为-25°0°和25°， 当前图像I高度为m，宽度为n，δθ(r)表示图像在投影方向角θ上的灰度投影，它能反映图像在投影方向角θ方向的灰度变化。
[0041] 所述对所有投影曲线进行滤波可以使用公式：
[0042] 其中，x1，x2，x3，x4为常数，满足H为分割特征宽度预估。
[0043] 步骤102：根据所述三个角度的分割特征确定当前图像的货车闸瓦特征区域。
[0044] 具体为：使用Canny算子提取当前图像的边缘信息，根据角度为零度的分割特征，确定货车闸瓦特征区域的左边界和右边界的坐标值；根据角度为-25°和25°的分割特征，确定货车闸瓦特征区域的上边界和下边界的坐标值。
[0045] 这里，所述根据角度为零度的分割特征，确定货车闸瓦特征区域的左边界和右边界的坐标值包括：使用角度为零度的分割特征将当前图像的边缘信息分割为左右两个子图像，分别计算两个子图像的像素灰度值之和，比较所述两个子图像的像素灰度值之和的大小，若左边子图像的像素灰度值之和较大，则货车闸瓦特征区域的右边界的坐标值等于零度的分割特征的横坐标值、减去预置的右边界距离值，货车闸瓦特征区域的左边界的坐标值等于其右边界的坐标值减去预置的宽度值；否则，货车闸瓦特征区域的左边界的坐标值等于零度的分割特征的横坐标值、加预置的左边界距离值，货车闸瓦特征区域的右边界的坐标值等于其左边界的坐标值加上预置的宽度值；
[0046] 比如，假设当前图像的边缘信息为I，角度为零度的分割特征为图中l2，将当前图像的边缘信息I分割为左右两个子图像分别为I1和I2；分别计算两个子图像I1和I2的像素灰度值之和edge1和edge2；若edge1＞edge2，则Brigth＝l2-h1，Bleft＝Brigth-N；当edge1＜edge2时，Bleft＝l2+h2，Bright＝Bleft+N；其中，l2为零度的分割特征的横坐标值，h1为预置的右边界距离值，h2为预置的左边界距离值，N为预置的宽度值；
[0047] 其中， 其中I1(i，j)为子图像I1在点(i，j)处的像素灰度值，M1，N1为I1高度和宽度；I2(i，j)为子图像I2在点(i，j)处的像素灰度值，M2，N2为子图像I2高度和宽度。
[0048] 所述根据角度为-25°和25°的分割特征，确定货车闸瓦特征区域的上边界和下边界的坐标值，包括：设角度为-25°的分割特征所对应的直线l1与图像上边界交点横坐标值为top1，下边界交点横坐标值为bot1；角度为25°的分割特征所对应的直线l3与图像上边界交点横坐标值为top3，下边界交点横坐标值为bot3，计算比率ratio＝|(top1-top3)/(bot1-bot3)|；当ratio＜1时，货车闸瓦钎区域位于当前图像的顶部位置；当ratio＞1时，货车闸瓦钎区域位于当前图像的底部位置；根据货车闸瓦钎区域的机械结构特点，根据松弛原则提取出上边界和下边界的坐标值。其中，所述松弛原则为现有技术，用于保证所选货车闸瓦特征区域能完全表示货车闸瓦，其实现方式这里不做赘述。
[0049] 步骤103：从当前图像的货车闸瓦特征区域中提取货车闸瓦的特征。
[0050] 具体的，使用基于背景面积预估的方法，将当前图像的货车闸瓦特征区域中的图像分割得到货车闸瓦区域二进制图像；使用像素标记法，从所述货车闸瓦区域二进制图像中提取最大连通区域；使用Canny算子，从最大连通区域中的二进制图像中提取货车闸瓦边缘轮廓；根据所述货车闸瓦边缘轮廓提取货车闸瓦的特征。
[0051] 这里，所述背景面积预估的方法为现有技术，这里不做赘述；像素标记法为现有技术，这里不做赘述；Canny算子为现有技术，这里不做赘述。
[0052] 所述货车闸瓦的特征包括：货车闸瓦边缘轮廓的平滑特征值、货车闸瓦边缘轮廓的凹凸特征值、货车闸瓦边缘轮廓的锯齿度、货车闸瓦边缘轮廓的固靠值、货车闸瓦边缘轮廓的致密性、货车闸瓦边缘轮廓的圆形性、货车闸瓦边缘轮廓的长宽比、货车闸瓦边缘轮廓的面积和货车闸瓦边缘轮廓的周长。
[0053] 其中，所述货车闸瓦边缘轮廓的平滑特征值的计算包括：计算得出货车闸瓦边缘轮廓的中心点，以所述中心点为中心将货车闸瓦边缘轮廓表示为极坐标；对所述表示为极坐标形式的货车闸瓦边缘轮廓进行离散化计算，得到离散化的货车闸瓦边缘轮廓；对所述离散化的货车闸瓦边缘轮廓进行归一化计算后，根据预置的规则进行排序，再对排序后得到的结果进行小波分解得到小波系数，使用小波系数计算得出平滑特征值；
[0054] 所述计算得出货车闸瓦边缘轮廓的中心点可以包括：假设货车闸瓦边缘轮廓为x，则以相对弧长s为参数，则货车闸瓦边缘轮廓可表示为： 其中0≤s≤1， 为货车闸瓦边缘轮廓；则货车闸瓦边缘轮廓的中心点计算公式为
其中0≤s≤1。
[0055] 所述以中心点为中心将货车闸瓦边缘轮廓表示为极坐标可以表示为：
[0056] 其中，∠表示极坐标系下向量的极角。
[0057] 所述对所述表示为极坐标形式的货车闸瓦边缘轮廓进行离散化计算可以为得到轮廓上每个离散点的极坐标(r(si)，θ(si))，其中 i＝0，1，...N-1，N为离散点个数。
[0058] 所述归一化计算可以使用公式：
[0059] 所述根据预置的规则进行排序可以包括：记θ′(si)为θ′(i)，r′(si)为r′(i)，对r′(i)进行重新排序，得：R(i)＝r′(η(i))，使得对 有θ(η(i))＜θ(η(j))；
[0060] 所述对排序后得到的结果进行小波分解得到小波系数可以包括：
[0061] 所述使用小波系数计算得出平滑特征值可以为：E＝||d(i)||2。
[0062] 所述货车闸瓦边缘轮廓的凹凸特征值的计算使用的公式为： 其中，c(n)，n＝1，2····N货车闸瓦边缘轮廓的序列点，c(n)＝||c(n)-c0||，n＝1，2，…，N，
[0063] 所述货车闸瓦边缘轮廓的矩形度计算公式可以为： 其中A0是轮廓的面积，AMER是轮廓的最小外接矩形的面积，获取方法均为现有技术，这里不做赘述。
[0064] 所述货车闸瓦边缘轮廓的固靠性计算公式可以为： 其中，A表示轮廓的面积，CA为其最小凸多边形的面积，获取方法均为现有技术，这里不做赘述。
[0065] 所述货车闸瓦边缘轮廓的致密性计算公式可以为： 其中，P表示轮廓的周长，A表示面积，获取方法均为现有技术，这里不做赘述。
[0066] 所述货车闸瓦边缘轮廓的圆形性计算公式可以为：
[0067] 其中， μR是从区域重心到边界点的平均距离。δR是从区域重心到边界点的距离均方差。
[0068] 所述货车闸瓦边缘轮廓的长宽比为货车闸瓦边缘轮廓的最小外接矩形的宽与长之比值；
[0069] 所述货车闸瓦边缘轮廓的面积可以为：货车闸瓦边缘轮廓范围内的像素个数进行统计获得。
[0070] 所述货车闸瓦边缘轮廓的周长可以为：货车闸瓦边缘轮廓的边界长度。
[0071] 步骤104：使用SVM算法对货车闸瓦的特征计算得出当前图像的特征值，根据所述特征值以及预置的故障识别值判定货车闸瓦是否存在故障。
[0072] 这里，所述故障识别值的确定方法为：使用不存在故障的货车闸瓦图像和存在故障的货车闸瓦图像分别建立正、负样本训练集；分别提取正、负样本训练集中的所有图像的特征，组成正、负样本训练集对应的九维特征向量，使用SVM算法计算得出的正、负样本对应的值，将负样本训练集对应的值作为故障识别值。其中，所述SVM算法的实现为现有技术，这里不做赘述。
[0073] 所述根据特征值以及预置的故障识别值判定货车闸瓦是否存在故障包括：若当前图像的特征值等于故障识别值，则确定货车闸瓦出现故障；否则，确定货车闸瓦没有出现故障。
[0074] 如图2所示，本发明提供了一种货车闸瓦故障的识别装置，该装置包括：特征提取模块21和识别模块22；其中，
[0075] 特征提取模块21，用于从当前图像中提取三个角度的分割特征，根据所述三个角度的分割特征确定当前图像的货车闸瓦特征区域，从当前图像的货车闸瓦特征区域中提取货车闸瓦的特征，将所述货车闸瓦的特征发送给识别模块22；
[0076] 识别模块22，用于使用SVM算法对特征提取模块21发来的所述货车闸瓦的特征计算得出当前图像的特征值，根据所述特征值以及预置的故障识别值判定货车闸瓦是否存在故障。
[0077] 所述特征提取模块21，具体用于从所在的TDFS中周期性提取当前图像，对当前图像进行三个角度的灰度投影得到三条投影曲线，对所有投影曲线进行滤波，将滤波后的各个投影曲线中的最大值均作为当前图像三个角度的分割特征。其中，所述三个角度为设定的-25°0°和25°三个角度。
[0078] 所述特征提取模块21，具体用于将当前图像进行扩展，得到扩展后的图像；将扩展后的图像进行投影计算，对投影计算得到的图像进行离散得到投影曲线。
[0079] 所述特征提取模块21，具体用于在图像边缘补灰度为零的像素点，避免投影时图像边缘所造成的误差，将当前图像进行扩展，可以使用以下公式进行计算：
[0080] 其中，Ω表示无限大。
[0081] 所述特征提取模块21，具体用于使用以下公式进行投影计算：
[0082] 其中， 假设建立坐标系，坐标原点为o，设当前图像I高度为m，宽度为n，为投影方向，二维图像I将被投影到投影线 起点为o，与 相互垂直。r为投影线上任意一点，p为过r点，且与 平行的直线，l为其上任意一点(i，j)离投影线 的垂直距离，I(i，j)为图像在点(i，j)处的像素灰度值，设投影线与x轴夹角θ为投影方向角，θ为-25°0°或25°。
[0083] 所述特征提取模块21，具体用于使用下述公式对投影计算得到的图像进行离散：
[0084] 其中， θ为-25°0°和25°， 当前图像I高度为m，宽度为n，δθ(r)表示图像在投影方向角θ上的灰度投影，它能反映图像在投影方向角θ方向的灰度变化。
[0085] 所述特征提取模块21，具体用于使用以下公式对所有投影曲线进行滤波：
[0086] 其中，x1，x2，x3，x4为常数，满足H为分割特征宽度预估。
[0087] 所述特征提取模块21，具体用于使用Canny算子提取当前图像的边缘信息，根据角度为零度的分割特征，确定货车闸瓦特征区域的左边界和右边界的坐标值；根据角度为-25°和25°的分割特征，确定货车闸瓦特征区域的上边界和下边界的坐标值。
[0088] 所述特征提取模块21，具体用于使用角度为零度的分割特征将当前图像的边缘信息分割为左右两个子图像，分别计算两个子图像的像素灰度值之和，比较所述两个子图像的像素灰度值之和的大小，若左边子图像的像素灰度值之和较大，则货车闸瓦特征区域的右边界的坐标值等于零度的分割特征的横坐标值、减去预置的右边界距离值，货车闸瓦特征区域的左边界的坐标值等于其右边界的坐标值减去预置的宽度值；否则，货车闸瓦特征区域的左边界的坐标值等于零度的分割特征的横坐标值、加预置的左边界距离值，货车闸瓦特征区域的右边界的坐标值等于其左边界的坐标值加上预置的宽度值；
[0089] 比如，假设当前图像的边缘信息为I，角度为零度的分割特征为图中l2，将当前图像的边缘信息I分割为左右两个子图像分别为I1和I2；分别计算两个子图像I1和I2的像素灰度值之和edge1和edge2；若edge1＞edge2，则Brigth＝l2-h1，Bleft＝Brigth-N；当edge1＜edge2时，Bleft＝l2+h2，Bright＝Bleft+N；其中，l2为零度的分割特征的横坐标值，h1为预置的右边界距离值，h2为预置的左边界距离值，N为预置的宽度值；
[0090] 其中， 其中I1(i，j)为子图像I1在点(i，j)处的像素灰度值，M1，N1为I1高度和宽度；I2(i，j)为子图像I2在点(i，j)处的像素灰度值，M2，N2为子图像I2高度和宽度。
[0091] 所述特征提取模块21，具体用于设角度为-25°的分割特征所对应的直线l1与图像上边界交点横坐标值为top1，下边界交点横坐标值为bot1；角度为25°的分割特征所对应的直线l3与图像上边界交点横坐标值为top3，下边界交点横坐标值为bot3，计算比率ratio＝|(top1-top3)/(bot1-bot3)|；当ratio＜1时，货车闸瓦钎区域位于当前图像的顶部位置；当ratio＞1时，货车闸瓦钎区域位于当前图像的底部位置；根据货车闸瓦钎区域的机械结构特点，根据松弛原则提取出上边界和下边界的坐标值。
[0092] 所述特征提取模块21，具体用于使用基于背景面积预估的方法，将当前图像的货车闸瓦特征区域中的图像分割得到货车闸瓦区域二进制图像；使用像素标记法，从所述货车闸瓦区域二进制图像中提取最大连通区域；使用Canny算子，从最大连通区域中的二进制图像中提取货车闸瓦边缘轮廓；根据所述货车闸瓦边缘轮廓提取货车闸瓦的特征。
[0093] 这里，所述背景面积预估的方法为现有技术，这里不做赘述；像素标记法为现有技术，这里不做赘述；Canny算子为现有技术，这里不做赘述。
[0094] 所述特征提取模块21，具体用于计算得出货车闸瓦边缘轮廓的中心点，以所述中心点为中心将货车闸瓦边缘轮廓表示为极坐标；对所述表示为极坐标形式的货车闸瓦边缘轮廓进行离散化计算，得到离散化的货车闸瓦边缘轮廓；对所述离散化的货车闸瓦边缘轮廓进行归一化计算后，根据预置的规则进行排序，再对排序后得到的结果进行小波分解得到小波系数，使用小波系数计算得出平滑特征值；
[0095] 其中，所述计算得出货车闸瓦边缘轮廓的中心点可以包括：假设货车闸瓦边缘轮廓为x，则以相对弧长s为参数，则货车闸瓦边缘轮廓可表示为： 其中0≤s≤1， 为货车闸瓦边缘轮廓；则货车闸瓦边缘轮廓的中心点计算公式为
其中0≤s≤1。
[0096] 所述以中心点为中心将货车闸瓦边缘轮廓表示为极坐标可以表示为：
[0097] 其中，∠表示极坐标系下向量的极角。
[0098] 所述对所述表示为极坐标形式的货车闸瓦边缘轮廓进行离散化计算可以为得到轮廓上每个离散点的极坐标(r(si)，θ(si))，其中 i＝0，1，...N-1，N为离散点个数。
[0099] 所述归一化计算可以使用公式：
[0100] 所述根据预置的规则进行排序可以包括：记θ′(si)为θ′(i)，r′(si)为r′(i)，对r′(i)进行重新排序，得：R(i)＝r′(η(i))，使得对 有θ(η(i))＜θ(η(j))；
[0101] 所述对排序后得到的结果进行小波分解得到小波系数可以包括：
[0102] 所述使用小波系数计算得出平滑特征值可以为：E＝||d(i)||2。
[0103] 所述货车闸瓦边缘轮廓的凹凸特征值的计算使用的公式为： 其中，c(n)，n＝1，2····N货车闸瓦边缘轮廓的序列点，c′(n)＝||c(n)-c0||，n＝1，
2，···，N，
[0104] 所述货车闸瓦边缘轮廓的矩形度计算公式可以为： 其中A0是轮廓的面积，AMER是轮廓的最小外接矩形的面积。
[0105] 所述货车闸瓦边缘轮廓的固靠性计算公式可以为： 其中，A表示轮廓的面积，CA为其最小凸多边形的面积。
[0106] 所述货车闸瓦边缘轮廓的致密性计算公式可以为： 其中，P表示轮廓的周长，A表示面积。
[0107] 所述货车闸瓦边缘轮廓的圆形性计算公式可以为：
[0108] 其中， μR是从区域重心到边界点的平均距离。
[0109] δR是从区域重心到边界点的距离均方差。
[0110] 所述货车闸瓦边缘轮廓的长宽比为货车闸瓦边缘轮廓的最小外接矩形的宽与长之比值；
[0111] 所述货车闸瓦边缘轮廓的面积可以为：货车闸瓦边缘轮廓范围内的像素个数进行统计获得。
[0112] 所述货车闸瓦边缘轮廓的周长可以为：货车闸瓦边缘轮廓的边界长度。
[0113] 所述识别模块22，具体用于保存故障识别值。
[0114] 所述识别模块22，具体用于若当前图像的特征值等于故障识别值，则确定货车闸瓦出现故障；否则，确定货车闸瓦没有出现故障。
[0115] 所述识别模块22，还用于使用不存在故障的货车闸瓦图像和存在故障的货车闸瓦图像分别建立正、负样本训练集；分别提取正、负样本训练集中的所有图像的特征，组成正、负样本训练集对应的九维特征向量，使用SVM算法计算得出的正、负样本对应的值，将负样本训练集对应的值作为故障识别值。
[0116] 上述装置可以作为逻辑模块安装于TDFS的管理设备中。
[0117] 通过使用本发明提供的方法及装置，测试选取货车闸瓦故障样本图像75张，非故障样本图像75张建立样本集进行分类器训练，为测试识别算法的适应性，采用交叉验证的思想(交叉验证又叫做交叉对比，首先将训练样本v等分，其中一份用作测试集，另外v-1份用作训练集。依次轮换，直到每份样本都作了一次测试集，即进行了v次训练和预测的过程。因此，交叉验证的准确率是v次的平均值)进行故障识别试验，共作10次实验，取实验结果的平均值为最终识别结果如图3所示。可见，使用本发明提供的货车闸瓦故障的识别方法及装置后，识别时间低于两秒，明显要少于人工通过图像进行辨别，且漏检率、误检率非常低。
[0118] 以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
