CN103500328B - 铁路货车锁紧板偏转故障的自动检测方法 - Google Patents
铁路货车锁紧板偏转故障的自动检测方法 Download PDFInfo
- Publication number
- CN103500328B CN103500328B CN201310484641.4A CN201310484641A CN103500328B CN 103500328 B CN103500328 B CN 103500328B CN 201310484641 A CN201310484641 A CN 201310484641A CN 103500328 B CN103500328 B CN 103500328B
- Authority
- CN
- China
- Prior art keywords
- fault
- deflection
- latch
- straightway
- railway freight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明涉及铁路货车锁紧板偏转故障的自动检测方法,属于铁路检测领域。采用无故障目标自动识别模式,基于物体的近直线段轮廓,采用直线段特征描述,有效减小了对内存的需求,并在直线段特征基础上对直线段的方向进行方向编码,而方向编码的间隔为锁紧板的最大正常偏转角度,最后利用有向Chamfer匹配实现偏转范围估计。本发明使用的特征简单,不受目标位置、表面纹理变化影响,具有很强的鲁棒性和抗噪声能力,在复杂场景下可准确估计偏转角度范围并定位出无故障的锁紧板位置,整个过程仅需一个模板,保证了识别效率,为铁路货车故障图像识别的工程化应用奠定了基础。
Description
技术领域
本发明涉及的是一种图像处理技术领域的方法,具体是一种铁路货车锁紧板偏转故障的视觉图像检测方法,属于铁路检测领域。
背景技术
为确保安全运营,故障检测在交通领域扮演了一个主要角色。铁路,航空,航海以及公路桥梁维护中存在着运用故障检测的大量典型事例。由于交通领域责任重大,一旦重要设备出现故障,将引起人员和财产的巨大损失,因此世界上许多国家都投入了大量的人力、物力和财力进行故障检测的研究。故障检测已经成为了当今交通领域的研究热点之一。
故障检测通常采用无损检测手段来实现。无损检测是包含各种手段和方法的非常宽泛的名称,其根本原则是所检测目标的所有方面不会因检测过程而发生损坏。在常用的故障检测技术中,图像信息是一类重要的故障信息形式,随着计算机视觉技术的发展,视觉图像检测已逐渐成为无损检测的最佳手段。
转向架是铁路货车安全检测的重点部件,因为转向架的状态,特别是转向架中交叉支撑装置的状态是否良好,将直接影响到铁路车辆的安全运行。而在铁路货车行驶时,在频繁震动的工况条件下,交叉杆端部螺栓往往会发生松动,其外在表现为锁紧板发生偏转。如果不及时检测出这种故障并加以维修,会进一步造成螺栓的脱落和断裂,从而导致重大行车事故的发生。
通常国内铁路货车锁紧板偏转故障的检测主要由人工进行,这种检测方式费时费力且维护成本高。由于铁路货车在行进过程中长期的颠簸震动,常造成锁紧板偏转故障的发生,是一类多发且较为严重的故障。对铁路部门来说,需要采用能有效保持维护成本的最小化方式来进行这种故障的检测。鉴于以上问题,该铁路货车锁紧板偏转故障的自动检测方法应运而生以解决上述问题。
发明内容
本发明针对现有铁路故障检测方式存在的不足,提供一种铁路货车锁紧板偏转故障的自动检测方法,既可降低铁路货车故障检测的成本,又提高了铁路货车故障检测的效率,为铁路提速提供了可靠的安全保障。
本发明是通过以下技术方案实现的,本发明对轨边固定高速摄像机所采集的锁紧板部位图像,采用无故障目标自动识别模式来实现铁路货车锁紧板偏转故障的自动识别,其特征在于:1)基于锁紧板的近直线段轮廓,采用直线段特征描述;2)为实现对偏转角度的估计,在直线段特征基础上对直线段的方向进行方向编码,方向编码的间隔为锁紧板最大正常偏转角度;3)利用有向Chamfer匹配实现偏转范围估计,并判定出无偏转故障的锁紧板图像,从而分离出有偏转故障的锁紧板图像。
按上述方案,所述的无故障目标自动识别模式是指对所采集的锁紧板部位图像,从中识别出那些无偏转故障的锁紧板图像,以实现故障图像和无故障图像的分离。
所述的直线段特征描述是指:对所采集的锁紧板图像,采用一种快速直线段检测算法。可在线性计算时间内提供无虚假检测的直线段特征,并能在杂乱的背景下给出整洁的直线段特征图像,十分接近人类感官描述。
所述的对直线段的方向进行方向编码是指:根据直线段特征输出列表中的直线段的方向角,对方向角进行量化从而获得方向编码。更具体地,在180°范围内依据锁紧板最大正常偏转角度为间隔进行量化,生成方向编码图。
所述的有向Chamfer匹配是指:在对直线段特征进行匹配时,采用Chamfer匹配方法。即在距离变换图像基础上,通过计算锁紧板特征模板覆盖下距离变换图像中的各像素值总和的均值来衡量匹配的优劣程度。但由于基本Chamfer匹配不能很好地胜任复杂场景下的图像匹配任务,因此在匹配中加入方向因素。
本发明的原理是,考虑到锁紧板所具有的近直线段轮廓,采用直线段特征描述方式,相对于边缘点特征,直线段特征可看作点特征的稀疏表示,有效减小了对内存的需求。为实现对偏转角度的估计,在直线段特征基础上对直线段的方向进行方向编码,并使方向编码的间隔为锁紧板最大正常偏转角度。利用有向Chamfer匹配实现偏转范围估计。
与现有技术相比,本发明使用的特征简单,不受目标位置、表面纹理变化影响,具有很强的鲁棒性和抗噪声能力,在复杂场景下可准确估计偏转角度范围并定位出无故障的锁紧板位置,整个过程仅需一个模板,保证了故障识别的效率,为货车故障图像识别的工程化应用奠定了基础。
附图说明
图1是本发明的工作流程图。
图2是直线段特征生成示意图。
图3是方向编码生成示意图。
图4是锁紧板无故障检测结果图。
具体实施方式
下面对本发明的实施例做详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
如图1所示,本实施例对铁路现场采集的包含锁紧板的关键部位图像进行故障判别。本实施例包括如下步骤:
第一步,针对所采集的锁紧板部位图像,参考Rafael Grompone von Gioi等人于2010年在《Pattern Analysis and Machine Intelligence》(模式分析与机器智能)期刊第32卷第4期722页至732页上发表的论文“LSD:A fast line segment detector with afalse detection control”(LSD:具有误差检测控制的一种快速直线段检测器),并采用其提出的快速直线段检测算法来提取锁紧板的直线段特征,生成直线段输出列表。
第二步,根据直线段输出列表中的直线段方向角φ,生成方向编码图。在180°范围内依据锁紧板姿态正常时可允许的最大偏转角度为间隔进行量化,将直线段方向角φ∈[0,π)均匀地量化为K个区间,对应每个区间的方向编码相应取值m为0,1,...,K-1,具体计算为
第三步,考虑到直线段特征是边缘的简化和抽象,对直线段特征进行匹配,同样可采用边缘匹配的方法,本发明采用有向Chamfer匹配方法,具体为:
①对直线段特征,匹配的优劣程度可表达为 式中φ(·)为像素点所在直线段的真实方向,λ为权重系数,U={ui}和V={vi}分别为模板和待检测图像中所有直线段上像素点的集合。n=|U|为模板中这些像素点的总数。上述匹配度量往往通过距离变换实现。
②以三维张量描述三维距离变换,三维张量的前两维表示图像平面中的位置X,第三维表示该位置处方向编码的值则每个张量元素表示待检索图像中每一像素在该三维空间中到与其最近的直线段上像素的最小距离。三维距离变换公式 实际计算时采用按方向编码分解的方式进行,因此改写为 其中是V中方向的直线段上像素点的二维距离变换。采用标准距离变换算法求解然后对每个位置以动态规划方式计算三维距离变换张量。以二维距离变换为初始值,即对每个位置X,分别以前向递归方式 及后向递归方式 更新。
③三维距离变换DT3V构建完成后,则基于模板U的有向Chamfer匹配可按公式 计算。令 为模板U的直线段表示,这里sj和ej是第j条直线段的开始和终止位置,用直线段的序号表示在一条直线段上的所有的点,表示该直线段的方向编码值,因此该式表明方向编码值为的张量可通过该方向直线段上所有像素点的和来计算。
④为了快速计算直线段上所有的像素点的和,引入直线积分图像计算思想,计算沿方向编码值为的一维积分。令X0是图像边界与通过点X,方向编码值为的直线段的交点,直线积分距离变换IDT3V的计算公式为因此,模板U的有向Chamfer匹配可表示为 在执行匹配时,仅保留匹配代价最低的假设。
第三步,判定所采集的锁紧板图像是否存在偏转故障,实现故障图像与非故障图像的分离。
实施效果
依据上述步骤,对铁路现场采集的锁紧板部位图像进行检测。图2是直线段特征描述示意图。可以看出,快速直线段检测算法能够准确地提取锁紧板部位图像中的直线段特征。图3是直线段方向编码示意图,以锁紧板最大正常偏转角度△φ为间隔的方向量化编码简化了角度判别问题。
图4是锁紧板偏转故障检测的结果图,在锁紧板部位图像中,偏转角度正常的锁紧板被定位且用白色粗线方框标识出来。可以看出本发明能够准确地判定无偏转故障的锁紧板,实现故障图像与无故障图像的分离。
所有实验均在PC计算机上实现,计算机的参数为:中央处理器Core TMi7-870@2.93GHz,内存4GB。处理速度为2帧/秒。
本实施例的故障检测率为95.8%。
Claims (5)
1.一种铁路货车锁紧板偏转故障的自动检测方法,其特征在于:针对轨边固定高速摄像机所采集的锁紧板部位图像,基于锁紧板的近直线段轮廓,采用直线段特征描述;为实现对偏转角度的估计,在直线段特征基础上对直线段的方向进行方向编码,方向编码的间隔为最大正常偏转角度;利用有向Chamfer匹配实现偏转范围估计;采用无故障目标识别模式判定出无偏转故障的锁紧板,从而分离出有偏转故障的锁紧板图像,实现铁路货车锁紧板偏转故障的自动识别。
2.根据权利要求1所述的铁路货车锁紧板偏转故障的自动检测方法,其特征是,所述的直线段特征描述通过以下方式得到:针对轨边固定高速摄像机所采集的锁紧板部位图像,通过一种快速直线段提取算法获取锁紧板部位图像中的直线段特征,生成直线段特征输出列表。
3.根据权利要求1所述的铁路货车锁紧板偏转故障的自动检测方法,其特征是,所述的直线段的方向进行方向编码是指:根据直线段特征输出列表中的直线段的方向角,以锁紧板最大正常偏转角度为间隔,对方向角进行量化从而获得方向编码。
4.根据权利要求1所述的铁路货车锁紧板偏转故障的自动检测方法,其特征是,所述的有向Chamfer匹配是指:对直线段特征进行匹配时,在距离变换图像基础上,通过计算锁紧板直线段特征模板所覆盖下的距离变换图像中各像素值总和的均值来衡量匹配优劣程度。
5.根据权利要求1所述的铁路货车锁紧板偏转故障的自动检测方法,其特征是,所述的无故障目标识别模式是指:从所采集的锁紧板部位图像中识别出那些无偏转故障的锁紧板图像,以实现故障图像和无故障图像的分离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310484641.4A CN103500328B (zh) | 2013-10-16 | 2013-10-16 | 铁路货车锁紧板偏转故障的自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310484641.4A CN103500328B (zh) | 2013-10-16 | 2013-10-16 | 铁路货车锁紧板偏转故障的自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103500328A CN103500328A (zh) | 2014-01-08 |
CN103500328B true CN103500328B (zh) | 2017-02-01 |
Family
ID=49865533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310484641.4A Active CN103500328B (zh) | 2013-10-16 | 2013-10-16 | 铁路货车锁紧板偏转故障的自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103500328B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268588B (zh) * | 2014-06-19 | 2018-02-27 | 江苏大学 | 铁路货车闸瓦钎丢失故障的自动检测方法 |
CN104880160B (zh) * | 2015-05-27 | 2017-05-17 | 西安交通大学 | 一种工件表面轮廓的二维激光实时探测方法 |
CN106558048B (zh) * | 2016-11-28 | 2019-05-24 | 湖南挚新科技发展有限公司 | 螺钉阵列异位故障检测方法与系统 |
CN108898574A (zh) * | 2018-05-09 | 2018-11-27 | 江苏大学 | 列车转向架交叉支撑装置端头螺栓松动故障自动检测方法 |
CN110634121A (zh) * | 2018-06-05 | 2019-12-31 | 成都精工华耀科技有限公司 | 一种基于纹理与深度图像的轨道扣件紧固件松动检测方法 |
CN110132990A (zh) * | 2019-06-15 | 2019-08-16 | 梁帆 | 一种基于图像识别的钢轨廓形检测方法 |
CN112233095B (zh) * | 2020-10-16 | 2021-05-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车锁紧板装置多种故障形态检测方法 |
CN112232243B (zh) * | 2020-10-21 | 2021-05-07 | 哈尔滨市科佳通用机电股份有限公司 | 基于3d图像信息的锁紧板故障识别方法 |
CN112257599B (zh) * | 2020-10-22 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车紧固螺栓松动图像识别方法 |
CN112434695B (zh) * | 2020-11-20 | 2021-07-16 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于深度学习的上拉杆故障检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021417A (zh) * | 2007-03-21 | 2007-08-22 | 于起峰 | 一种长直轨道几何参数的摄像测量方法 |
CN101894271A (zh) * | 2010-07-28 | 2010-11-24 | 重庆大学 | 汽车偏离车道线角度和距离的视觉计算及预警方法 |
CN102735208A (zh) * | 2012-06-20 | 2012-10-17 | 东软集团股份有限公司 | 一种实现车辆前照灯照射角度检测的方法、装置及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3883529B2 (ja) * | 2003-08-28 | 2007-02-21 | アイシン精機株式会社 | 車両後退支援装置 |
-
2013
- 2013-10-16 CN CN201310484641.4A patent/CN103500328B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021417A (zh) * | 2007-03-21 | 2007-08-22 | 于起峰 | 一种长直轨道几何参数的摄像测量方法 |
CN101894271A (zh) * | 2010-07-28 | 2010-11-24 | 重庆大学 | 汽车偏离车道线角度和距离的视觉计算及预警方法 |
CN102735208A (zh) * | 2012-06-20 | 2012-10-17 | 东软集团股份有限公司 | 一种实现车辆前照灯照射角度检测的方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
《复杂场景下铁路货车锁紧板》;邹容等;《铁道科学与工程学报》;20150831;第12卷(第4期);917-922 * |
Also Published As
Publication number | Publication date |
---|---|
CN103500328A (zh) | 2014-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103500328B (zh) | 铁路货车锁紧板偏转故障的自动检测方法 | |
CN104809732B (zh) | 一种基于图像比对的电力设备外观异常检测方法 | |
Bosché et al. | The value of integrating Scan-to-BIM and Scan-vs-BIM techniques for construction monitoring using laser scanning and BIM: The case of cylindrical MEP components | |
Rathinam et al. | Vision based following of locally linear structures using an unmanned aerial vehicle | |
CN103593678B (zh) | 一种大跨度桥梁车辆动态荷载分布检测方法 | |
CN105204411B (zh) | 一种基于双目立体视觉的船舶靠泊辅助系统及方法 | |
CN111476767B (zh) | 一种基于异源图像融合的高铁扣件缺陷识别方法 | |
CN103383776B (zh) | 一种基于分段匹配和贝叶斯估计的递进式立体匹配算法 | |
Chi et al. | A methodology for object identification and tracking in construction based on spatial modeling and image matching techniques | |
CN103196372B (zh) | 一种电气化铁路接触网支持装置的光学成像检测方法 | |
CN103208117A (zh) | 一种多功能智能皮带表面斑块边缘检测方法 | |
CN105387801B (zh) | 一种地铁隧道管片错台量检测方法 | |
CN102496232A (zh) | 一种输电设施监控方法及系统 | |
CN103824080A (zh) | 动态稀疏环境下机器人slam物体状态检测方法 | |
Gui et al. | Automated defect detection and visualization for the robotic airport runway inspection | |
Guldur et al. | Condition assessment of bridges using terrestrial laser scanners | |
CN107239746A (zh) | 一种面向道路救援安全监控的障碍物识别跟踪方法 | |
CN108898574A (zh) | 列车转向架交叉支撑装置端头螺栓松动故障自动检测方法 | |
CN104156946B (zh) | 一种空间绳系机器人抓捕区域内的障碍物检测方法 | |
CN104616321A (zh) | 一种基于尺度不变特征变换的行李图像运动行为描述方法 | |
El Ansari et al. | A real-time spatio-temporal stereo matching for road applications | |
Choi et al. | Vehicle tracking using template matching based on feature points | |
CN105469421A (zh) | 一种基于周视系统实现地面运动目标监测的方法 | |
Prukpitikul et al. | Shoreline change prediction model for coastal zone management in Thailand | |
Jampana et al. | An image differencing method for interface level detection in separation cells |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210201 Address after: 250000 5th floor, building 2, Aosheng building, 1166 Xinluo street, high tech Industrial Development Zone, Jinan City, Shandong Province Patentee after: SHANDONG ZHENGCHEN POLYTRON TECHNOLOGIES Co.,Ltd. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |