CN105242060B - 一种列车车轮空转及滑行的实时监测方法 - Google Patents
一种列车车轮空转及滑行的实时监测方法 Download PDFInfo
- Publication number
- CN105242060B CN105242060B CN201510663278.1A CN201510663278A CN105242060B CN 105242060 B CN105242060 B CN 105242060B CN 201510663278 A CN201510663278 A CN 201510663278A CN 105242060 B CN105242060 B CN 105242060B
- Authority
- CN
- China
- Prior art keywords
- wheel
- train
- represent
- maximum
- field picture
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种列车车轮空转及滑行的实时监测方法,包括以下步骤:步骤10)安装设备:将摄像机和平面镜分别固定安装在列车的底架,列车的车轮和轨枕上分别设置标定块;步骤20)调试摄像机焦距,固定拍摄范围,使车轮上的标定块在平面镜中成的虚像和轨枕上的标定块位于摄像机的拍摄范围内;步骤30)将视频中每帧图像转化成灰度图像,并分解灰度图像:步骤40)测算列车运行速度;步骤50)测算列车车轮转动速度;步骤60)判断车轮的运行状态。该监测方法利用一个摄像机即可实现监测,有效的解决双摄像机的检测需要严格进行时间同步的校准,提高了监测的效率。
Description
技术领域
本发明涉及列车车轮的实时监测领域,具体来说,涉及一种列车车轮空转及滑行的实时监测方法。
背景技术
在列车运行中,如果没有足够的粘着牵引力,其结果势必没有足够的速度。如果轮轨间的粘着失效,便会出现列车车轮发生空转的现象,导致轮轨擦伤,而严重的擦伤往往是钢轨疲劳失效的重要根源之一。铁路工务部门,每年仅仅为了修换擦伤的钢轨,就要花费大量资金。同时,当列车制动时,如果轮轨作用界面之间的粘着失效,将造成车轮滑行,形成车轮擦伤。车轮擦伤不仅使列车运行时车辆/轨道产生强烈的振动,轮轨间产生强烈的冲击噪声,而且会导致车轮轴承、车轴和轨道的损伤,增加轮轨维修费用。因此,在列车运行时,牵引力与制动力的施加都必须满足粘着条件,否则就会导致列车空转或滑行。列车车轮一旦发生空转或者滑行现象,将极大的破坏正常的轮轨接触关系,甚至导致脱轨事故的发生。因此对于列车的空转滑行监测具有十分重要的作用。
传统的检测手段主要是通过测速定位的方式来分析列车车轮的空转或滑行状态,主要测速方法有:测速电机、光电式速度传感器、多普勒雷达、激光测速、惯性加速度传感器、GPS测速等,这些方法存在检测精度不足的问题,同时在实际的检测中往往是多种测速方法间的组合应用,存在检测数据格式的差异和数据融合的问题,对后台数据处理设备要求极高。
随着数字图像技术的发展和视频图像分析处理的成熟,视频测速得到了广泛的应用,对于列车车轮的空转及滑行监测,主要采用双摄像机监测的手段,但其存在两台摄像机需要同步触发、摄像机更换维修麻烦等问题。
发明内容
技术问题:本发明所要解决的技术问题是:提供一种列车车轮空转及滑行的实时监测方法,利用一个摄像机即可实现监测,有效的解决双摄像机的检测需要严格进行时间同步的校准,提高了监测的效率。
技术方案:为解决上述技术问题,本发明实施例采用如下的技术方案:
一种列车车轮空转及滑行的实时监测方法,所述的监测方法包括以下步骤:
步骤10)安装设备:将摄像机和平面镜分别固定安装在列车的底架,列车的车轮位于轨枕上,在列车的车轮和轨枕上分别设置标定块;车轮上的标定块在平面镜中成的虚像与轨枕上的标定块处于同一水平面中;
步骤20)调试摄像机焦距,固定拍摄范围,使车轮上的标定块在平面镜中成的虚像和轨枕上的标定块位于摄像机的拍摄范围内,获取视频数据;
步骤30)将视频中每帧图像转化成灰度图像fk(i,j),并分解灰度图像:每帧图像的像素为n×m,其中,n、m均为偶数,fk(i,j)表示第k帧图像的二维矩阵中像素坐标点(i,j)的灰度值,像素坐标系原点位于图像的左上角,以向下为x轴的正方向,向右为y轴的正方向,i∈[1,n],j∈[1,m],k的取值范围为[1,sumframe]之间的整数,sumframe表示视频分解成图像的总帧数;
将fk(i,j)分为用于列车运行速度检测的和用于车轮转动速度检测的两个矩阵,其中,且i∈[1,n],j∈[1,m/2];且i∈[1,n],j∈[1,m/2];
步骤40)测算列车运行速度;
步骤50)测算列车车轮转动速度;
步骤60)判断车轮的运行状态。
作为优选方案,所述的步骤40)中,
利用式(1)计算的灰度平均值:
式(1)
其中,表示第k帧图像的灰度平均值,对集合中每一帧图像求取灰度平均值,得到第一散点序列对第一散点序列进行二阶差分,对差分结果取绝对值,得到第一序列数据g1(k),此处k取[1,sumframe-2],表示k+2帧图像的灰度平均值,表示第k+1帧图像的灰度平均值;
对第一序列数据g1(k)进行局部极大值检测,如果检测得到的极大值满足设定的阈值则记录该极大值的坐标Xnumber1,Xnumber1表示第number1个极大值点的帧坐标;
设置扫描范围R1,检验极大值点的帧坐标Xnumber1前后的R1帧坐标内是否存在其他极大值点,如果存在其它极大值点,则取这些极大值点帧坐标的均值,作为融合后的极大值点帧坐标,持续扫描并融合,直到在扫描范围内没有出现其他极大值点,对第一序列数据g1(k)进行扫描和融合后,获得最终融合后的第一极大值帧坐标序列表示在第一极大值帧坐标序列中,作为第No1次检测到轨枕标定块的第帧图像;
利用式(2)测算列车运行速度:
式(2)
其中,L表示相邻两个轨枕之间的距离;ΔT表示相邻两帧图像之间的时间间隔;表示在时间区间内的列车运行速度;表示轨枕标定块第j+1次被检测到时所在的帧图像在整个帧图像中的序号;表示轨枕标定块第j次被检测到时所在的帧图像在整个帧图像中的序号。
作为优选方案,所述的步骤50)包括:
利用式(3)计算的灰度平均值:
式(3)
其中,表示第k帧图像的灰度平均值,对集合中每一帧图像求取灰度平均值,得到第二散点序列对第二散点序列进行二阶差分,对差分结果取绝对值,得到第二序列数据g2(k),此处k取[1,sumframe-2],表示第k+2帧图像中的灰度平均值,表示第k+1帧图像中的灰度平均值;
对第二序列数据g2(k)进行局部极大值检测,如果检测得到的极大值满足设定的阈值则记录该极大值的坐标Xnumber2,Xnumber2表示第number2个极大值点的帧坐标;
设置扫描范围R2,检验极大值帧坐标Xnumber2前后的R2帧坐标内是否存在其他极大值点,如果存在其它极大值点,则取这些极大值点帧坐标的均值,作为融合后的极大值点帧坐标,持续扫描并融合,直到在扫描范围内没有出现其他极大值点;对第二序列数据g2(k)进行扫描和融合后,获得最终融合后的第二极大值帧坐标序列表示在第二极大值帧坐标序列中,作为第No2次检测到车轮标定块的第帧图像;
利用式(4)测算列车车轮转动速度:
式(4)
其中,r表示列车车轮的半径;ΔT表示相邻两帧图像之间的时间间隔;表示在时间区间内测算列车车轮转动速度;分子项中除以4,表示沿着车轮圆周4等分设置4个车轮标定块;表示车轮标定块第j+1次被检测到时所在的帧图像在整个帧图像中的序号;表示车轮标定块第j次被检测到时所在的帧图像在整个帧图像中的序号。
作为优选方案,所述步骤60)具体包括:
利用式(5)测算在同一时刻,列车运行速度与车轮转动速度的速度差值:
式(5)
利用式(6)测算在同一时刻,列车运行速度与车轮转动速度的滑移率:
式(6)
设速度差值阈值为Δv1,滑移率阈值为η1,则当Δv≥Δv1,且η≥η1时,则车轮处于滑行状态,当Δv≤-Δv1,且η≤-η1时,则车轮处于空转状态。
作为优选方案,所述的列车车轮空转及滑行实时监测方法,还包括步骤70):如果步骤60)检测出车轮处于滑行状态或者空转状态,且持续w秒检测中,车轮处于同一状态,则车轮发生空转或滑行。
作为优选方案,所述的步骤70)中,w为5。
作为优选方案,所述的步骤30)中,n,m均为偶数。
作为优选方案,所述的步骤60)中,Δv1为15千米/小时,η1为15%。
作为优选方案,所述的步骤40)中,
作为优选方案,所述的步骤50)中,
有益效果:与现有技术相比,本发明实施例具有以下优点:对于列车车轮转动速度和列车的运行速度的监测,现有技术需要采用两台摄像机分别对车轮标定块和轨枕标定块进行拍摄。本实施例采用一台摄像机即可实现上述功能。本实施例中,采用单摄像机进行实时检测。由于本实施例采用一台摄像机,就不存在双摄像机需同步拍摄的问题。采用单摄像机,也有利于降低成本。在设备需要更换和维护时,也更加方便。当摄像机存在损坏的情况,直接更换摄像机即可。而对于双摄像机的拍摄方式,摄像机更换后,必须对摄像机的时间进行同步校核处理。同时,数据处理简单,仅需进行简单的图像灰度化、求均值、二阶差分运算,不需要经过复杂的数学变换,处理效率较高,对数据处理设备性能要求较低。
附图说明
图1表示本发明实施例的流程框图;
图2表示本发明实施例中车轮上的标定块安装示意图;
图3表示本发明实施例中轨枕上的标定块安装示意图;
图4表示本发明实施例的安装示意图;
图5表示本发明实施例中的运行速度检测中图像灰度均值的二阶差分结果图;
图6表示本发明实施例中检测得到的运行速度变化曲线图;
图7表示本发明实施例中车轮转动速度检测中图像灰度均值的二阶差分结果图;
图8表示本发明实施例中检测得到的车轮转动速度变化曲线图。
图中有:摄像机1、平面镜2、第一固定杆3、第二固定杆4、轨枕5,车轮标定块6、轨枕标定块7。
具体实施方式
下面结合附图,对本发明实施例的技术方案进行详细的解释。
如图1至图图4所示,本发明实施例的一种列车车轮空转及滑行的实时监测方法,包括以下步骤:
步骤10)安装设备:将摄像机和平面镜分别固定安装在列车的底架,列车的车轮位于轨枕上,在列车的车轮和轨枕上分别设置标定块;车轮上的标定块在平面镜中成的虚像与轨枕上的标定块处于同一水平面中。
步骤20)调试摄像机焦距,固定拍摄范围,使车轮上的标定块在平面镜中成的虚像和轨枕上的标定块位于摄像机的拍摄范围内,获取视频数据。
步骤30)将视频中每帧图像转化成灰度图像fk(i,j),并分解灰度图像:每帧图像的像素为n×m,fk(i,j)表示第k帧图像的二维矩阵中像素坐标点(i,j)的灰度值,像素坐标系原点位于图像的左上角,以向下为x轴的正方向,向右为y轴的正方向,i∈[1,n],j∈[1,m],k的取值范围为[1,sumframe]之间的整数,sumframe表示视频分解成图像的总帧数。作为优选,n、m均为偶数。这样便于后续步骤将将fk(i,j)分为两个矩阵。
将fk(i,j)分为用于列车运行速度检测的和用于车轮转动速度检测的两个矩阵,其中,且i∈[1,n],j∈[1,m/2];且i∈[1,n],j∈[1,m/2]。
步骤40)测算列车运行速度。具体包括以下过程:利用式(1)计算的灰度平均值:
式(1)
其中,表示第k帧图像的灰度平均值,对集合中每一帧图像求取灰度平均值,得到第一散点序列对第一散点序列进行二阶差分,对差分结果取绝对值,得到第一序列数据g1(k),此处k取[1,sumframe-2],表示第k+2帧图像中的灰度平均值,表示第k+1帧图像中的灰度平均值。
对第一序列数据g1(k)进行局部极大值检测,如果检测得到的极大值满足设定的阈值则记录该极大值的坐标Xnumber1,Xnumber1表示第number1个极大值点的帧坐标。作为优选,
设置扫描范围R1,检验极大值点的帧坐标Xnumber1前后的R1帧坐标内是否存在其他极大值点,如果存在其它极大值点,则取这些极大值点帧坐标的均值,作为融合后的极大值点帧坐标,持续扫描并融合,直到在扫描范围内没有出现其他极大值点,对第一序列数据g1(k)进行扫描和融合后,获得最终融合后的第一极大值帧坐标序列表示在第一极大值帧坐标序列中,作为第No1次检测到轨枕标定块的第帧图像。
利用式(2)测算列车运行速度:
式(2)
其中,L表示相邻两个轨枕之间的距离;ΔT表示相邻两帧图像之间的时间间隔;表示在时间区间内的列车运行速度;表示轨枕标定块第j+1次被检测到时所在的帧图像在整个帧图像中的序号;表示轨枕标定块第j次被检测到时所在的帧图像在整个帧图像中的序号。
步骤50)测算列车车轮转动速度。具体包括以下过程:利用式(3)计算的灰度平均值:
式(3)
其中,表示第k帧图像的灰度平均值,对集合中每一帧图像求取灰度平均值,得到第二散点序列对第二散点序列进行二阶差分,对差分结果取绝对值,得到第二序列数据g2(k),此处k取[1,sumframe-2],表示第k+2帧图像的灰度平均值,表示第k+1帧图像中的灰度平均值。
对第二序列数据g2(k)进行局部极大值检测,如果检测得到的极大值满足设定的阈值则记录该极大值的坐标Xnumber2,Xnumber2表示第number2个极大值点的帧坐标。作为优选,
设置扫描范围R2,检验极大值帧坐标Xnumber2前后的R2帧坐标内是否存在其他极大值点,如果存在其它极大值点,则取这些极大值点帧坐标的均值,作为融合后的极大值点帧坐标,持续扫描并融合,直到在扫描范围内没有出现其他极大值点;对第二序列数据g2(k)进行扫描和融合后,获得最终融合后的第二极大值帧坐标序列表示在第二极大值帧坐标序列中,作为第No2次检测到车轮标定块的第帧图像。
利用式(4)测算列车车轮转动速度:
式(4)
其中,r表示列车车轮的半径;ΔT表示相邻两帧图像之间的时间间隔;表示在时间区间内测算列车车轮转动速度;分子项中除以4,表示沿着车轮圆周4等分设置4个车轮标定块;表示车轮标定块第j+1次被检测到时所在的帧图像在整个帧图像中的序号;表示车轮标定块第j次被检测到时所在的帧图像在整个帧图像中的序号。
步骤60)判断车轮的运行状态。具体包括以下过程:
利用式(5)测算在同一时刻,列车运行速度与车轮转动速度的速度差值:
式(5)
利用式(6)测算在同一时刻,列车运行速度与车轮转动速度的滑移率:
式(6)
设速度差值阈值为Δv1,滑移率阈值为η1,则当Δv≥Δv1,且η≥η1时,则车轮处于滑行状态,当Δv≤-Δv1,且η≤-η1时,则车轮处于空转状态。作为优选,
Δv1为15千米/小时,η1为15%。
为排除系统由于测量误差等原因发生误判的情况,所述的列车车轮空转及滑行实时监测方法,还包括步骤70):如果步骤60)检测出车轮处于滑行状态或者空转状态,且持续w秒检测中,车轮处于同一状态,则车轮发生了空转或滑行。也就是说,需要进行持续性检验,持续性时间为w秒,在连续5秒内判定列车处于空转状态或滑行状态,则列车发生了空转或滑行。作为优选,w为5。当然w也可以为其他数值,例如6、10、15。
在步骤10)安装设备时,作为优选方案,在车轮的边缘等间距的设置N个标定块,每个标定块边长为h的正方形,其中h∈[1cm,4cm],设车轮的半径为r;轨枕上的标定块标为边长为L3的正方形,其中L3∈[1cm,4cm];轨枕的标定块中心到车轮的标定块的水平距离为L=H+h+L2+L3/2。其中,H表示车轮标定块底端到轨枕标定块所在平面的高度,h表示车轮标定块的边长,L2表示车轮标定块在平面镜中的虚像标定块与轨枕标定块的距离;
平面镜的长度Lp1为:Lp1=d+2e;平面镜的宽度Lp2为:Lp2∈[1cm,5cm];平面镜的倾斜角度θ为45°;平面镜下端距车轮标定块的水平距离:d1=(H+h)-(d+e)*sin(θ);平面镜下端距轨枕标定块所在平面的高度h1为:h1=d1;其中,d表示将车轮标定块成像到与轨枕标定块所处平面的平面镜最小长度,e表示余量长度。
设置摄像机在距车轮标定块水平距离为(H+h+L2/2)cm正上面,设置摄像机高度h2∈[350mm,500mm],保证能够完全拍摄到轨枕标定块和车轮标定块在平面镜2中成的虚像,通过聚焦,使拍摄范围固定为width×height。摄像机在固定的高度拍摄,通过聚焦,可以使width×heightcm的范围在摄像机中满屏显示。这样做的目的是为了保证摄像机能够完全拍摄到轨枕标定块和车轮标定块平面镜2中成的虚像,必须保证摄像机的拍摄成像范围尺寸大于标定块的尺寸,并取固定的尺寸范围,便于后续的处理。假设两个标定块的总共尺寸大小为6cm*2cm,通过聚焦,使摄像机至少能够拍摄到6cm*2cm范围之内的目标,可以设置摄像机的成像范围为8cm*4cm,可满足要求。摄像机满屏拍摄,对应的可以拍摄到实际尺寸为width×height cm范围的景物,即在摄像机图像中x方向上的实际尺寸长度为width,y方向上的实际尺寸长度为height。
对于摄像机分辨率的选择是根据拍摄的范围和观察的精度来决定的。高速摄像机的分辨率可达7580*4320,当观察的精度要求为0.01mm时,拍摄的范围为75.8mm*43.2mm。对于本专利实施例中摄像机的拍摄范围可为8cm*4cm,理论上观察精度可以达到0.011mm。但考虑到成本因素和精度要求,实施例中选用摄像机的分辨率为1024*512,观察精度可以达到8/1024=0.0078cm=0.078mm。
下面例举一实施例。
如图3所示,摄像机1通过第一固定杆3连接在列车底架5上,平面镜2通过第二固定杆4连接在列车底架5上。H表示车轮标定块底端到轨枕标定块所在平面的高度;h表示车轮标定块的边长;a表示车轮标定块的上端点;b表示车轮标定块的下端点;a′表示车轮标定点所成虚像的上端点;b′表示车轮标定点所成虚像的下端点;L1表示车轮标定块所成虚像的边长,L1=h;L2表示车轮标定块在平面镜中的虚像标定块与轨枕标定块的距离;m表示轨枕标定块的左端点;n表示轨枕标定块的右端点;L3表示轨枕标定块的边长;L表示轨枕标定块的中心到车轮标定块所在平面的水平距离;d表示平面镜的最小长度;e表示余量长度;h1表示平面镜的下端点到轨枕标定块所在平面的垂直高度;h2表示摄像机距离轨枕标定块所在平面的高度,即摄像机1的安装高度;θ表示平面镜的安装角度;d1表示平面镜的下端点到车轮标定块所在平面的水平距离;d2表示平面镜的上端点到车轮标定块所在平面的水平距离;o表示第二固定杆与平面镜的安装接触点;g1、g2表示第二固定杆上的转折点;g3表示第二固定杆与底架的安装接触点。
列车车轮半径r=420mm,在车轮的边缘等间距的分布在圆周设置4个标记点,每个标记点的尺寸为2cm×2cm,标记颜色为白色。在轨枕上标记一个2cm×2cm正方形白色标定块。第二固定杆中og1之间的距离为5cm,g1g2之间的距离为10cm。og1与g1g2之间的夹角为90°,g1g2与g2g3之间的夹角为90°。
车轮标定块的高度为h,它的下端点b距轨枕标定块所在平面的高度为H,为了保证车轮标定块在平面镜中成的虚像与轨枕标定块处于同一水平面,根据平面镜成像的原理有:
h1=d1=(H+h)-(d+e)*sin(45°)
为了保证存在一定的振动干扰中,摄像机1能够完全拍摄到车轮标定块在平面镜2中的虚像,平面镜的长度必须要大于d,增加的余量长度e=2cm,对于平面镜的宽度只有稍微大于标定块的边长即可。
即平面镜的尺寸为:长度Lp1:d+2e;宽度Lp2:3cm;倾角θ:45°。
摄像机设置在距车轮标定块水平距离为(H+h+L2/2)cm正上面,设置的高度h2=400mm,保证能够完全拍摄到轨枕标定块和车轮标定块在平面镜2中成的虚像,通过聚焦,使拍摄的范围在8cm×4cm内。
本实施例通过采集摄像机拍摄的视频数据,分析部分视频实验数据,以2000帧图像为例进行分析,测试采用的帧速度为200帧/秒,当拍摄范围尺寸为8cm×4cm,即相当于1/200秒内运行距离最大只能为4cm,才能保证无缝拍摄,也就是能够检测的最大速度为28.8千米/小时。要保证无缝的拍摄,相邻两帧图片中必须存在重叠的部分或者保证相邻两帧图片拍摄范围恰好没有重叠,即相当于1/200秒内列车的运行距离最大只能为4cm,则检测的最大速度为4/(1/200)=800cm/s=28.8km/h
将视频中每帧图像转化成灰度图像fk(i,j),每帧图像的像素为512*1024,提取表示红色的二维矩阵,其中fk(i,j)表示第k帧图像的二维矩阵中像素坐标(i,j)点的取值,取值范围在0~255之间的整数。将二维矩阵fk(i,j)按均匀分为两个矩阵和且i∈[1,512],j∈[1,512]。
本实施例检测的路段铺设的轨枕为木枕,其相邻两木枕之间的间距为579mm。
计算的平均值:
集合中每一帧图像的灰度平均值,得到第一散点序列
对第一散点序列进行二阶差分,对差分结果取绝对值,得到第一序列数据g1(k)。结果如图6所示。图6中,横坐标表示图像的帧坐标,纵坐标表示图像灰度均值的二阶差分值。
对第一序列数据g1(k)进行局部极大值检测,检测得到的极大值满足设定的阈值记录该极大值的帧坐标Xnumber1。记录结果如表1所示。
表1
设置扫描范围R1=30,在表1中,第1个极值点和第2个极值点之间的帧坐标相差仅为2<30,第3个极值点的帧坐标与第2个极值点的帧坐标50>30,根据极值点融合的方法,对于帧坐标相差小于30帧的所有极值点进行融合。因此第1个极值点和第2个极值点融合,得到新的极值点的帧坐标为(25+27)/2=26,同理,一直判断直到没有极值点能够发生融合,其融合后的第一极大值帧坐标序列如表2所示。
表2
极值点序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
极值点帧坐标 | 26 | 77 | 129 | 181 | 228 | 283 | 327 | 379 | 430 | 486 |
极值点序号 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
极值点帧坐标 | 528 | 581 | 628 | 682 | 734 | 776 | 815 | 858 | 896 | 947 |
极值点序号 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
极值点帧坐标 | 999 | 1051 | 1098 | 1153 | 1197 | 1249 | 1300 | 1356 | 1398 | 1451 |
极值点序号 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 |
极值点帧坐标 | 1498 | 1552 | 1604 | 1646 | 1685 | 1728 | 1766 | 1817 | 1869 | 1921 |
极值点序号 | 41 | |||||||||
极值点帧坐标 | 1968 |
根据式(2)计算列车的运行速度,帧间隔ΔT=1/200s。计算得到的离散数据进行线形拟合连续化,其结果如图6所示。
计算且i∈[1,512],j∈[1,512]的平均值:
集合中每一帧图像的灰度平均值,得到第二散点序列
对第二散点序列进行二阶差分,对差分结果取绝对值,得到第二序列数据g2(k)。如图7所示,图7是图像灰度均值的二阶差分序列图。图7中,横坐标表示图像的帧坐标,纵坐标表示图像灰度均值的二阶差分值。
对第二序列数据g2(k)进行局部极大值检测,检测得到的极大值满足设定的阈值则记录该极大值的坐标Xnumber2,Xnumber2表示第Xnumber2个极大值点的帧坐标,否则不记录。如表3所示,共得到63个极值点。
表3
设置扫描半径R2=30,在表3中,第1个极值点和第2个极值点之间的帧坐标相差仅为2<30,第3个极值点的帧坐标与第2个极值点的帧坐标50>30,根据极值点融合规则,对于帧坐标相差小于30帧的所有极值点进行融合,因此第1个极值点和第2个极值点进行融合,得到新的极值点的帧坐标为(27+29)/2=28。同理,一直判断直到没有极值点能够发生融合,其融合后得到的新的极值点帧坐标如表4所示。
表4
序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
帧坐标 | 28 | 79 | 135 | 187 | 239 | 295 | 347 | 402 | 457 | 517 |
序号 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
帧坐标 | 562 | 620 | 667 | 725 | 782 | 828 | 871 | 917 | 955 | 1006 |
序号 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
帧坐标 | 1062 | 1114 | 1166 | 1222 | 1274 | 1329 | 1384 | 1444 | 1489 | 1547 |
序号 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | |
帧坐标 | 1594 | 1652 | 1709 | 1755 | 1798 | 1844 | 1882 | 1933 | 1989 |
从表4中可以看出:车轮标定块在2000帧图像序列中被检测到39次。
根据式(4)计算列车车轮转动速度,其中帧间时间差ΔT=1/200s,计算得到的离散数据进行线形拟合连续化,其结果如图8所示。
通过同一时刻列车运行速度与车轮转动速度的速度差值和滑移率两个指标来判断空转滑行。为了简化运算,每隔0.5s对Δv,η进行分析,得到结果如表5所示。
表5
当Δv≥15千米/小时且η≥15%,同时持续时间大于5秒时,表明车轮出现滑行,并进行预警,让列车控制系统采取相应的措施,使速度差值和滑移率出现在正常范围内,预警消除。当Δv≤-15千米/小时η≤-15%,同时持续时间大于5秒时,表明车轮出现空转,进行预警,并进行相应的操作,使速度差值和滑移率出现在正常范围内,预警消除。
通过判别阈值发现,本实施例虽然滑移率在某些时段超过了15%,当其速度差没有超过15千米/小时,同时也不满足持续性检验的要求。这表明车辆运行正常,没有出现空转和滑行的现象。
Claims (8)
1.一种列车车轮空转及滑行的实时监测方法,其特征在于,所述的监测方法包括以下步骤:
步骤10)安装设备:将摄像机和平面镜分别固定安装在列车的底架,列车的车轮位于轨枕上,在列车的车轮和轨枕上分别设置标定块;车轮上的标定块在平面镜中成的虚像与轨枕上的标定块处于同一水平面中;
步骤20)调试摄像机焦距,固定拍摄范围,使车轮上的标定块在平面镜中成的虚像和轨枕上的标定块位于摄像机的拍摄范围内,获取视频数据;
步骤30)将视频中每帧图像转化成灰度图像fk(i,j),并分解灰度图像:每帧图像的像素为n×m个,其中,n、m均为偶数,fk(i,j)表示第k帧图像的二维矩阵中像素坐标点(i,j)的灰度值,像素坐标系原点位于图像的左上角,以向下为x轴的正方向,向右为y轴的正方向,i∈[1,n],j∈[1,m],k的取值范围为[1,sumframe]之间的整数,sumframe表示视频分解成图像的总帧数;
将fk(i,j)分为用于列车运行速度检测的和用于车轮转动速度检测的两个矩阵,其中,且i∈[1,n],j∈[1,m/2];且i∈[1,n],j∈[1,m/2];
步骤40)测算列车运行速度;所述的步骤40)中,
利用式(1)计算的灰度平均值:
其中,表示第k帧图像的灰度平均值,对集合中每一帧图像求取灰度平均值,得到第一散点序列对第一散点序列进行二阶差分,对差分结果取绝对值,得到第一序列数据g1(k),k的取值范围为[1,sumframe-2],表示第k+2帧图像的灰度平均值,表示第k+1帧图像的灰度平均值;
对第一序列数据g1(k)进行局部极大值检测,如果检测得到的极大值满足设定的阈值则记录该极大值的坐标Xnumber1,Xnumber1表示第number1个极大值点的帧坐标;
设置扫描范围R1,检验极大值点的帧坐标Xnumber1前后的R1帧坐标内是否存在其他极大值点,如果存在其它极大值点,则取这些极大值点帧坐标的均值,作为融合后的极大值点帧坐标,持续扫描并融合,直到在扫描范围内没有出现其他极大值点,对第一序列数据g1(k)进行扫描和融合后,获得最终融合后的第一极大值帧坐标序列 表示在第一极大值帧坐标序列中,作为第No1次检测到轨枕标定块的第帧图像;
利用式(2)测算列车运行速度:
其中,L表示相邻两个轨枕之间的距离;ΔT表示相邻两帧图像之间的时间间隔;表示在时间区间内的列车运行速度;表示轨枕标定块第j+1次被检测到时所在的帧图像在整个帧图像中的序号;表示轨枕标定块第j次被检测到时所在的帧图像在整个帧图像中的序号;
步骤50)测算列车车轮转动速度;
步骤60)判断车轮的运行状态。
2.按照权利要求1所述的列车车轮空转及滑行的实时监测方法,其特征在于,所述的步骤50)包括:
利用式(3)计算的灰度平均值:
其中,表示第k帧图像的灰度平均值,对集合中每一帧图像求取灰度平均值,得到第二散点序列对第二散点序列进行二阶差分,对差分结果取绝对值,得到第二序列数据g2(k),k的取值范围为[1,sumframe-2],表示第k+2帧图像中的灰度平均值,表示第k+1帧图像中的灰度平均值;
对第二序列数据g2(k)进行局部极大值检测,如果检测得到的极大值满足设定的阈值则记录该极大值的坐标Xnumber2,Xnumber2表示第number2个极大值点的帧坐标;
设置扫描范围R2,检验极大值帧坐标Xnumber2前后的R2帧坐标内是否存在其他极大值点,如果存在其它极大值点,则取这些极大值点帧坐标的均值,作为融合后的极大值点帧坐标,持续扫描并融合,直到在扫描范围内没有出现其他极大值点;对第二序列数据g2(k)进行扫描和融合后,获得最终融合后的第二极大值帧坐标序列 表示在第二极大值帧坐标序列中,作为第No2次检测到车轮标定块的第帧图像;
利用式(4)测算列车车轮转动速度:
其中,r表示列车车轮的半径;ΔT表示相邻两帧图像之间的时间间隔;表示在时间区间内测算列车车轮转动速度;分子项中除以4,表示沿着车轮圆周4等分设置4个车轮标定块;表示车轮标定块第j+1次被检测到时所在的帧图像在整个帧图像中的序号;表示车轮标定块第j次被检测到时所在的帧图像在整个帧图像中的序号。
3.按照权利要求2所述的列车车轮空转及滑行的实时监测方法,其特征在于,所述步骤60)具体包括:
利用式(5)测算在同一时刻,列车运行速度与车轮转动速度的速度差值:
利用式(6)测算在同一时刻,列车运行速度与车轮转动速度的滑移率:
设速度差值阈值为Δv1,滑移率阈值为η1,则当Δv≥Δv1,且η≥η1时,则车轮处于滑行状态,当Δv≤-Δv1,且η≤-η1时,则车轮处于空转状态。
4.按照权利要求1所述的列车车轮空转及滑行的实时监测方法,其特征在于,还包括步骤70):如果步骤60)检测出车轮处于滑行状态或者空转状态,且持续w秒检测中,车轮处于同一状态,则车轮发生了空转或滑行。
5.按照权利要求4所述的列车车轮空转及滑行的实时监测方法,其特征在于,所述的步骤70)中,w为5。
6.按照权利要求3所述的列车车轮空转及滑行的实时监测方法,其特征在于,所述的步骤60)中,Δv1为15千米/小时,η1为15%。
7.按照权利要求1所述的列车车轮空转及滑行的实时监测方法,其特征在于,所述的步骤40)中,
8.按照权利要求2所述的列车车轮空转及滑行的实时监测方法,其特征在于,所述的步骤50)中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510663278.1A CN105242060B (zh) | 2015-10-14 | 2015-10-14 | 一种列车车轮空转及滑行的实时监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510663278.1A CN105242060B (zh) | 2015-10-14 | 2015-10-14 | 一种列车车轮空转及滑行的实时监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105242060A CN105242060A (zh) | 2016-01-13 |
CN105242060B true CN105242060B (zh) | 2018-05-15 |
Family
ID=55039778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510663278.1A Active CN105242060B (zh) | 2015-10-14 | 2015-10-14 | 一种列车车轮空转及滑行的实时监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105242060B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105891106A (zh) * | 2016-04-08 | 2016-08-24 | 重庆交通大学 | 公路路面抗滑性测量系统 |
CN111186423B (zh) * | 2020-02-17 | 2022-02-11 | 太原理工大学 | 一种基于机器视觉的车轮抱死制动判定系统及判定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201788188U (zh) * | 2010-08-19 | 2011-04-06 | 同济大学 | 一种列车绝对速度的测量装置 |
CN102607439A (zh) * | 2012-02-17 | 2012-07-25 | 上海交通大学 | 基于结构光的铁路轮轨接触关系在线监测系统与方法 |
DE102010022592B4 (de) * | 2010-05-31 | 2013-08-01 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zum Ermitteln der Geschwindigkeit eines Fahrzeugs |
JP5444879B2 (ja) * | 2009-06-25 | 2014-03-19 | 株式会社明電舎 | シャシーダイナモメータ |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPR529901A0 (en) * | 2001-05-28 | 2001-06-21 | Lynx Engineering Consultants Pty Ltd | Automated wheel skid detector |
-
2015
- 2015-10-14 CN CN201510663278.1A patent/CN105242060B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5444879B2 (ja) * | 2009-06-25 | 2014-03-19 | 株式会社明電舎 | シャシーダイナモメータ |
DE102010022592B4 (de) * | 2010-05-31 | 2013-08-01 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zum Ermitteln der Geschwindigkeit eines Fahrzeugs |
CN201788188U (zh) * | 2010-08-19 | 2011-04-06 | 同济大学 | 一种列车绝对速度的测量装置 |
CN102607439A (zh) * | 2012-02-17 | 2012-07-25 | 上海交通大学 | 基于结构光的铁路轮轨接触关系在线监测系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105242060A (zh) | 2016-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110095061B (zh) | 基于轮廓扫描的车辆形位检测系统及方法 | |
CN108592797B (zh) | 一种车辆外廓尺寸与轴距的动态测量方法与系统 | |
KR101111569B1 (ko) | 궤도차량을 이용한 철도시설물 감시시스템 및 방법 | |
CN104129404B (zh) | 一种高速动态实时检测铁轨扣件松动的方法及装置 | |
US6909514B2 (en) | Wheel profile inspection apparatus and method | |
CN102788803B (zh) | 列车轮对踏面和轮缘在线高速检测系统及其检测方法 | |
CN106978774B (zh) | 一种路面坑槽自动检测方法 | |
CN107187464B (zh) | 轨道板检测车、系统以及方法 | |
CN109242035B (zh) | 车底故障检测装置及方法 | |
CN104142127B (zh) | 一种铁路车轮直径动态测量装置及方法 | |
WO2014136976A1 (ja) | 架線位置計測装置及び方法 | |
CN113104063A (zh) | 一种网轨隧综合检测系统及方法 | |
CN104132943A (zh) | 一种车载高速动态轨道表面缺陷视频检测方法及装置 | |
CN110189363A (zh) | 一种机场场面移动目标低视角视频测速方法 | |
CN105242060B (zh) | 一种列车车轮空转及滑行的实时监测方法 | |
CN111429756A (zh) | 一种基于视频技术的公路隧道防追尾预警方法 | |
CN107621229B (zh) | 基于面阵黑白相机的实时铁路轨道宽度测量系统及方法 | |
Capece et al. | PANTOBOT-3D: An automatic vision-based inspection system for locomotive pantographs | |
CN113591643A (zh) | 一种基于计算机视觉的地下交通工具进出站检测系统及方法 | |
CN108317997A (zh) | 基于视频分析的轨道车辆在隧道内的振动检测系统 | |
CN113011252A (zh) | 轨道异物侵限检测系统及方法 | |
JP2009052907A (ja) | 異物検出システム | |
CN105510052A (zh) | 基于立体视觉的汽车制动时序检测装置及方法 | |
CN111551122A (zh) | 一种基于激光雷达的火车车皮数量和长度测量系统及方法 | |
JP2009174923A (ja) | 表面検査装置および表面検査方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |