CN105243381B - 基于3d信息的故障自动识别检测系统及方法 - Google Patents
基于3d信息的故障自动识别检测系统及方法 Download PDFInfo
- Publication number
- CN105243381B CN105243381B CN201510829892.0A CN201510829892A CN105243381B CN 105243381 B CN105243381 B CN 105243381B CN 201510829892 A CN201510829892 A CN 201510829892A CN 105243381 B CN105243381 B CN 105243381B
- Authority
- CN
- China
- Prior art keywords
- information
- image
- vehicle
- failure
- automatic identification
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000009877 rendering Methods 0.000 claims abstract description 45
- 230000003137 locomotive effect Effects 0.000 claims abstract description 39
- 238000005096 rolling process Methods 0.000 claims abstract description 31
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 abstract description 4
- 230000007812 deficiency Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 230000009885 systemic effect Effects 0.000 abstract description 2
- 230000005856 abnormality Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
基于3D信息的故障自动识别检测系统及方法,涉及铁路车辆和机车故障自动识别检测领域。本发明现有技术存在一定的局限性,系统性和全面性不足的问题。本发明在3D信息故障自动识别过程中,采用降维的方式,将3D图像降维成2D图像进行处理;并在故障判别流程中,采用多种检测序列并存、互补的方式实现故障判别。本发明适用于铁路车辆或机车的故障自动识别。
Description
技术领域
本发明涉及铁路车辆和机车故障自动识别检测领域。
背景技术
随着铁路客运与货运量的不断增大,铁路车辆和机车作为铁路运输的核心部分,车体零部件等出现故障或异常的将严重影响行车安全,因此铁路车辆和机车的安全检测变得更加重要。传统的人工检车存在不及时、工作量大、容易漏检、盲区多等问题,存在极大的安全隐患。
目前也存在某些故障自动识别检测的系统及方法,但多采用线阵相机和面阵相机拍摄的2D图像,容易受到光线、灰尘、雨雪天气等外界环境因素的影响而产生大量的漏报与误报,加大了人工确认的工作量与难度,影响检车效率。
公开号为:CN104200464、名称为《一种识别列车异常的检测方法及系统》公开了一种识别车辆异常的检测方法及装置,但其仅仅使用了图像深度的信息判别故障,但是对于高度或深度信息度化不明显的故障,如:漏油故障等,则难以进行准确的判别。该文件难以覆盖铁路车辆或机车的所有类型的故障的判别。
公开号为:CN103077526、名称为《具有深度检测功能的列车异常检测方法及系统》也公开了一种能够识别车辆异常的检测方法及装置,但其对于故障检测,仅仅是运用图像灰度信息检测故障,而后再利用图像深度信息对灰度信息异常的区域进行验证。也就是说该专利只定义了一种检测顺序:先灰度,再深度。这也是本领域的一种通用检测方法,但实质上是一种技术偏见。
发明内容
本发明是为了现有技术存在一定的局限性,系统性和全面性不足的问题,现提供基于3D信息的故障自动识别检测系统及方法。
基于3D信息的故障自动识别检测系统,它包括:3D信息获取模块、车型和车号识别模块、检索模块、信息配准模块和故障自动识别模块;
3D信息获取模块:用于获取铁路车辆或机车各角度3D图像,所述3D图像包括三维空间信息及灰度信息;
车型和车号识别模块:用于利用3D或2D图像的信息识别得出铁路车辆或机车的车型和车号;
检索模块:用于利用3D或2D图像的信息或只使用车号检索得出当前过车对应的各种模板和历史数据信息;
信息配准模块:用于利用3D或2D图像的信息配准当前过车对应的各种模板和历史数据信息;
故障自动识别模块:利用3D或2D图像的信息特征识别得出各个部件是否存在异常及异常程度;
故障自动识别模块包括降维子模块和故障自动识别子模块;
所述降维子模块:用于将3D图像转换为两类2D图像,所述两类二维图像分别是:第一类2D图像和第二类2D图像;所述第一类2D图像包含平面位置信息和高度信息;第二类2D图像包含平面位置信息和灰度信息;
故障自动识别子模块:用于按下面方式之一的方式进行故障自动识别:
1)、仅利用第一类2D图像进行故障自动识别;
2)、利用第一类2D图像进行故障自动识别,再利用第二类2D图像进行故障验证;
3)、仅利用第二类2D图像进行故障自动识别;
4)、利用第二类2D图像进行故障自动识别,再利用第一类2D图像进行故障验证;
5)、利用3D图像信息进行故障自动识别。
基于3D信息的故障自动识别检测方法,它包括:
用于获取铁路车辆或机车各角度3D图像,所述3D图像包括三维空间信息及灰度信息的3D信息获取步骤;
用于利用3D或2D图像的信息识别得出铁路车辆或机车的车型和车号的车型和车号识别步骤;
用于利用3D或2D图像的信息或只使用车号检索得出当前过车对应的各种模板和历史数据信息的检索步骤;
用于利用3D或2D图像的信息配准当前过车对应的各种模板和历史数据信息的信息配准步骤;
利用3D或2D图像的信息特征识别得出各个部件是否存在异常及异常程度的故障自动识别步骤;
故障自动识别步骤中还包括:
用于将3D图像转换为两类2D图像,所述两类二维图像分别是:第一类2D图像和第二类2D图像;所述第一类2D图像包含平面位置信息和高度信息;第二类2D图像包含平面位置信息和灰度信息的降维子步骤;
用于按下面方式之一的方式进行故障自动识别:
1)、仅利用第一类2D图像进行故障自动识别;
2)、利用第一类2D图像进行故障自动识别,再利用第二类2D图像进行故障验证;
3)、仅利用第二类2D图像进行故障自动识别;
4)、利用第二类2D图像进行故障自动识别,再利用第一类2D图像进行故障验证;
5)、利用3D图像信息进行故障自动识别;
的故障自动识别子步骤。
本发明基于各种铁路车辆和机车的3D信息,能够克服光线、灰尘、雨雪天气等外界环境因素对故障检测准确性的影响,在保证检测准确率的同时显著降低误报率,提高作业效率。并且,本发明能够涵盖全部铁路车辆和机车3D图像可视范围内的故障自动检测,根据不同部件出现故障后所引起的3D图相数据变化,充分利用3D图像数据中的位置信息、高度信息以及灰度信息,采取级联验证、互补、并存等方式在保证不漏报的前提下大幅降低误报警数量。此外,3D图像降维至2D图像进行数据处理,在保证同样检测精度的同时降低了图像处理运算时间以及对计算服务器硬件的要求,同时具备准确性、高效性与经济性。相对于现有技术,本发明是一种系统的、全面的铁路车辆和机车故障自动识别方法。
附图说明
图1为本发明所述的基于3D信息的故障自动识别检测系统的功能模块构架示意图;
图2为具体实施方式十所述的基于3D信息的故障自动识别检测系统的功能模块构架示意图;
图3是本发明所述的基于3D信息的故障自动识别检测方法的流程示意图。
具体实施方式
具体实施方式一:参照图1和图2说明具体说明本实施方式,基于3D信息的故障自动识别检测系统,它包括:3D信息获取模块、车型和车号识别模块、检索模块、信息配准模块和故障自动识别模块;
3D信息获取模块:用于获取铁路车辆或机车各角度3D图像,所述3D图像包括三维空间信息及灰度信息;
车型和车号识别模块:用于利用3D或2D图像的信息识别得出铁路车辆或机车的车型和车号;
检索模块:用于利用3D或2D图像的信息或只使用车号检索得出当前过车对应的各种模板和历史数据信息;
信息配准模块:用于利用3D或2D图像的信息配准当前过车对应的各种模板和历史数据信息;
故障自动识别模块:利用3D或2D图像的信息特征识别得出各个部件是否存在异常及异常程度;
故障自动识别模块包括降维子模块和故障自动识别子模块;
所述降维子模块:用于将3D图像转换为两类2D图像,所述两类二维图像分别是:第一类2D图像和第二类2D图像;所述第一类2D图像包含平面位置信息和高度信息;第二类2D图像包含平面位置信息和灰度信息;
故障自动识别子模块:用于按下面方式之一的方式进行故障自动识别:
1)、仅利用第一类2D图像进行故障自动识别;
2)、利用第一类2D图像进行故障自动识别,再利用第二类2D图像进行故障验证;
3)、仅利用第二类2D图像进行故障自动识别;
4)、利用第二类2D图像进行故障自动识别,再利用第一类2D图像进行故障验证;
5)、利用3D图像信息进行故障自动识别。
具体实施方式二、本具体实施方式是具体实施方式一所述的基于3D信息的故障自动识别检测系统的进一步限定,它还包括报警模块和入库模块;
报警模块:用于将报警信息以二维或三维图形的形式显示给用户,在图形显示中以不同颜色、不同深浅程度、不同形状的标识展示不同等级的故障和异常;
入库模块:用于将当前过车的3D图像的信息及对应故障和异常存入数据库中,并能够在数据库中对所述故障信息进行动态跟踪。
具体实施方式三、本具体实施方式是具体实施方式一所述的基于3D信息的故障自动识别检测系统的进一步限定,信息配准模块包括一号调用子模块和信息配准子模块;
所述一号调用子模块用于调用故障自动识别模块中转换的两类2D图像;
所述信息配准子模块按下述三种方式之一进行信息配准:
1)、利用3D图像的信息配准当前过车对应的各种模板和历史数据信息;
2)、利用第一类2D图像的信息配准当前过车对应的各种模板和历史数据信息;
3)、利用第二类2D图像的信息配准当前过车对应的各种模板和历史数据信息。
因为三维数据由于其本身维度的复杂性直接进行配准计算会非常耗时,计算复杂度也高、算法设计较为困难,因此,本发明在配准时,也引入“降维”的办法进行处理。
本发明可以根据需求采用下列两种方式之一:1)、利用纯3D图像的信息直接进行配准;2)利用降维后的2D图像的信息进行配准,最佳方式是采用第一类2D图像(高度)进行配准,因为相对于第二类2D图像(灰度),第一类2D图像受环境气候等的影响要小的多,比如夏天下雨或冬天下雪时就只能用第一类2D图像进行配准。
具体实施方式四、本具体实施方式是具体实施方式一所述的基于3D信息的故障自动识别检测系统的进一步限定,车型和车号识别模块包括二号调用子模块和车型和车号识别子模块;
所述二号调用子模块用于调用故障自动识别模块中转换的两类2D图像;
所述车型和车号识别子模块用于按下述方式中的一种或多种的组合进行车型和车号识别:
1)、利用3D图像的信息识别得出铁路车辆或机车的车型和车号;
2)、利用第一类2D图像的信息识别得出铁路车辆或机车的车型;
3)、利用第二类2D图像的信息识别得出铁路车辆或机车的车型和车号;
4)、读取电子标签的方式识别得出铁路车辆或机车的车号;
5)、利用现有2D车号图像别得出铁路车辆或机车的车号。
这些方式可以互补,在一种或几种失灵的情况下仍然能够正确的识别车型。
但对于车号的识别,只能通过读取电子标签和现有2D车号图像两种方式实现。
具体实施方式五、基于3D信息的故障自动识别检测方法,它包括:
用于获取铁路车辆或机车各角度3D图像,所述3D图像包括三维空间信息及灰度信息的3D信息获取步骤;
用于利用3D或2D图像的信息识别得出铁路车辆或机车的车型和车号的车型和车号识别步骤;
用于利用3D或2D图像的信息或只使用车号检索得出当前过车对应的各种模板和历史数据信息的检索步骤;
用于利用3D或2D图像的信息配准当前过车对应的各种模板和历史数据信息的信息配准步骤;
利用3D或2D图像的信息特征识别得出各个部件是否存在异常及异常程度的3D信息故障自动识别步骤;
3D信息故障自动识别步骤中还包括:
用于将3D图像转换为两类2D图像,所述两类二维图像分别是:第一类2D图像和第二类2D图像;所述第一类2D图像包含平面位置信息和高度信息;第二类2D图像包含平面位置信息和灰度信息的降维子步骤;
用于按下面方式之一的方式进行故障自动识别:
1)、仅利用第一类2D图像进行故障自动识别;
2)、利用第一类2D图像进行故障自动识别,再利用第二类2D图像进行故障验证;
3)、仅利用第二类2D图像进行故障自动识别;
4)、利用第二类2D图像进行故障自动识别,再利用第一类2D图像进行故障验证;
5)、利用3D图像信息进行故障自动识别;
的故障自动识别子步骤。
具体实施方式六、本具体实施方式是具体实施方式五所述的基于3D信息的故障自动识别检测系统的进一步限定,3D信息故障自动识别步骤中,在将3D图像降为2D图像后,对于故障伴随着高度信息发生明显变化的2D图像,则仅仅采用2D图像中的平面位置信息和高度信息进行故障识别;
或者采用2D图像中的平面位置信息和高度信息进行故障识别,然后再采用灰度信息进行验证实现;
对于故障伴随着高度信息发生不明显变化的2D图像,则仅仅采用2D图像中的平面位置信息和灰度信息进行故障识别;
或者采用2D图像中的平面位置信息和灰度信息进行故障识别,然后再采用高度信息进行验证实现;
或者综合利用3D图像所包含的所有信息进行故障识别;
所述明显变化的判断通过预设阈值的方式确定。
具体实施方式七、本具体实施方式是具体实施方式五或六所述的基于3D信息的故障自动识别检测系统的进一步限定,它还包括:
用于将报警信息以二维或三维图形的形式显示给用户,在图形显示中以不同颜色、不同深浅程度、不同形状的标识展示不同等级的故障和异常的报警步骤;
用于将当前过车的3D图像的信息及对应故障和异常存入数据库中,并能够在数据库中对所述故障信息进行动态跟踪的入库步骤。
具体实施方式八、本具体实施方式是具体实施方式五、六或七所述的基于3D信息的故障自动识别检测系统的进一步限定,3D信息获取步骤中,获取3D信息的方法是:获取当前铁路车辆或机车各个角度的3D信息,以及同一部件从各个角度获得不同的3D信息;每个3D信息均包含空间中一点的三维坐标及灰度信息。
具体实施方式九、本具体实施方式是具体实施方式五、六、七或八所述的基于3D信息的故障自动识别检测系统的进一步限定,检索步骤中,检索的方法是:利用车型和具体车辆为检索条件,与对应的模板和历史数据进行检索;
模板和历史信息数据为是以下任意一种:
1)、信息数据库中该车型对应的统型模板;
2)、信息数据库中该车辆或机车对应的统型模板;
3)、信息数据库中该过车在同一探测站最近一次的过车数据信息;
4)、信息数据库中该过车在同一探测站一段时期内的历史过车数据信息;
5)、信息数据库中该过车在其他探测站最近一次的过车数据信息;
6)、信息数据库中该过车在其他探测站一段时期内的历史过车数据信息。
所述的模板或历史数据信息与当前铁路车辆或机车的3D信息同向或异向,能够实现双向接车。
具体实施方式十、本具体实施方式是具体实施方式五、六、七、八或九所述的基于3D信息的故障自动识别检测系统的进一步限定,信息配准步骤中,采用3D信息配准的方法具体为:
步骤1)、特征点提取:
提取方法为:根据3D信息中的三维空间坐标提取,或根据3D信息中的灰度信息提取,或综合三维空间坐标信息和灰度信息提取;
步骤2)、生成特征描述子:
对于步骤1)提取的每个特征点,生成基于三维空间坐标的特征描述子,或生成基于灰度信息的特征描述子,或综合3D信息中的三维空间坐标信息和灰度信息生成综合特征描述子;
步骤3)、匹配特征点:
匹配步骤2)生成的特征描述子,进而匹配步骤1)中的特征点;
步骤4)、插值运算:
根据步骤3)匹配的特征点对获取的3D信息进行插值运算,完成整车配准。
上述的四个配准步骤还可以结合现有的线阵相机和面阵相机拍摄的二级灰度图像进行配准,即根据图像生成灰度特征描述子并与3D信息中的三维空间信息和灰度信息进行匹配。
具体实施方式十一、本具体实施方式是具体实施方式五、六、七、八、九或十所述的基于3D信息的故障自动识别检测系统的进一步限定,报警步骤的具体方法是:
对于识别出的故障,根据部件位置、重点程度、故障程度作为判定因素,输出二维或三维图形,其中以不同颜色、不同深浅程度、不同形状的标识使用户直观的观测故障报警信息;
对于入库步骤的具体方法是:将当前铁路车辆或机车所获取的3D信息加入到信息数据库中,并能够在数据库中对所述故障信息进行动态跟踪。例如:当前故障在下一次过车时是否已经恢复等。
本发明中,采用的技术方案主要是将复杂的3D图像处理问题“降维”,采用相对简单的2D图像处理方式解决。且,该降维时序先于车型和车号识别和信息配准。
基于3D图像的故障自动识别检测系统所利用的3D图像信息包含:平面位置(车行方向与垂直车行方向)信息、高度信息、灰度信息。也可以归纳为在空间中的三维坐标点加一维灰度信息。
如果将所有信息整合考虑或计算将涉及到十分复杂的高维计算问题,这将对算法的设计难度、复杂度和计算机的硬件提出很高的要求。
因此,本发明的思路是将复杂的三维图像处理问题,通过“降维(降低维度)”转化成二维图像处理问题,其优势在于:降低了算法设计的复杂度和对于计算机硬件的要求。
“降维”的具体方法是:将3D图像包含的信息(平面位置信息、高度信息、灰度信息)转化为两类二维图像,分别包含平面位置信息+高度信息(以下简称第一类2D图像),和平面位置信息+灰度信息(以下简称第二类2D图像)。
根据调研和经验,绝大部分3D故障仅通过第一类2D图像即可检测,因为一般来讲部件发生故障都会伴随着高度信息发生变化,因此完全可以在舍弃灰度信息的情况下对于故障进行判断。当然,也可以将第二类2D图像作为辅助手段对第一类2D图像的判别结果进行确认或者修正。
与之对应,一小部分故障发生时不会引起第一类2D图像发生明显变化,比如部件的漏油,因为漏油只会导致在器件表面形成一层液态薄膜,高度信息的变化非常细微。但是,类似于漏油的这类故障在第二类2D图像中就会有明显体现,例如,漏油在第二类2D图像中会表现为器件表面灰度值发生明显变化。
综合以上“第一类2D图像”和“第二类图像”分别对应的故障表征,即可将原来复杂的3D图像处理问题转化为两类2D图像处理,实现“降维”的目的。
本发明的另一重要发明点是故障判别流程。
公开号为:CN103077526、名称为《具有深度检测功能的列车异常检测方法及系统》中采用的方案是:首先运用图像灰度信息检测故障,而后再利用图像深度信息对灰度信息异常的区域进行验证。也就是说该发明只定义了一种检测顺序:先灰度,再深度。
这种方式是本领域的一种技术偏见。在该文件的指引下,本领域的科研方向一直处于对如果更精确的提炼灰度信息,来进行故障判断。
而本发明的方案并不局限于“先灰度,再深度”的检测序列,而是多种检测序列并存、互补。
具体来讲,检测序列可细分为:
(1)、只利用深度信息,即只利用“第一类2D图像”检测故障,原因上面已经提及,因为一般来讲部件发生故障都会伴随着高度信息发生变化,因此完全可以在舍弃灰度信息的情况下对于故障进行判断。该方式的数学描述为函数:f(x,y,h);(x,y)表示平面位置信息,h表示深度(高度)信息;
(2)、先利用深度信息,而后利用灰度信息验证。该方式的数学描述为:先利用函数:f(x,y,h)求取,再利用函数:f(x,y,g)验证;g表示灰度信息;
(3)、只利用灰度信息,即只利用“第二类2D图像”检测故障,例如漏油等故障的检测。该方式的数学描述为函数:f(x,y,g)。
(4)、先利用灰度信息,而后利用深度信息验证;该方式的数学描述为:先利用函数:f(x,y,g)求取,再利用函数:f(x,y,h)验证;
(5)、利用3D图像信息中的高度信息和灰度信息进行故障自动识别,该方式的数学描述为函数:f(x,y,g,h)。
Claims (10)
1.基于3D信息的故障自动识别检测系统,它包括:3D信息获取模块、车型和车号识别模块、检索模块、信息配准模块和故障自动识别模块;
3D信息获取模块:用于获取铁路车辆或机车各角度3D图像,所述3D图像包括三维空间信息及灰度信息;
车型和车号识别模块:用于利用3D或2D图像的信息识别得出铁路车辆或机车的车型和车号;
检索模块:用于利用3D或2D图像的信息或只使用车号检索得出当前过车对应的各种模板和历史数据信息;
信息配准模块:用于利用3D或2D图像的信息配准当前过车对应的各种模板和历史数据信息;
故障自动识别模块:利用3D或2D图像的信息特征识别得出各个部件是否存在异常及异常程度;
其特征是:故障自动识别模块包括降维子模块和故障自动识别子模块;
所述降维子模块:用于将3D图像转换为两类2D图像,所述两类2D图像分别是:第一类2D图像和第二类2D图像;所述第一类2D图像包含平面位置信息和高度信息;第二类2D图像包含平面位置信息和灰度信息;
故障自动识别子模块:用于按下面方式之一的方式进行故障自动识别:
1)、仅利用第一类2D图像进行故障自动识别;
2)、利用第一类2D图像进行故障自动识别,再利用第二类2D图像进行故障验证;
3)、利用第二类2D图像进行故障自动识别,再利用第一类2D图像进行故障验证。
2.根据权利要求1所述的基于3D信息的故障自动识别检测系统,其特征在于它还包括报警模块和入库模块;
报警模块:用于将报警信息以二维或三维图形的形式显示给用户,在图形显示中以不同颜色、不同深浅程度、不同形状的标识展示不同等级的故障和异常;
入库模块:用于将当前过车的3D图像的信息及对应故障和异常存入数据库中,并能够在数据库中对故障信息进行动态跟踪。
3.根据权利要求1所述的基于3D信息的故障自动识别检测系统,其特征在于信息配准模块包括一号调用子模块和信息配准子模块;
所述一号调用子模块用于调用故障自动识别模块中转换的两类2D图像;
所述信息配准子模块按下述三种方式之一进行信息配准:
1)、利用3D图像的信息配准当前过车对应的各种模板和历史数据信息;
2)、利用第一类2D图像的信息配准当前过车对应的各种模板和历史数据信息;
3)、利用第二类2D图像的信息配准当前过车对应的各种模板和历史数据信息。
4.根据权利要求1所述的基于3D信息的故障自动识别检测系统,其特征在于车型和车号识别模块包括二号调用子模块和车型和车号识别子模块;
所述二号调用子模块用于调用故障自动识别模块中转换的两类2D图像;
所述车型和车号识别子模块用于按下述方式中的一种或多种的组合进行车型和车号识别:
1)、利用3D图像的信息识别得出铁路车辆或机车的车型和车号;
2)、利用第一类2D图像的信息识别得出铁路车辆或机车的车型;
3)、利用第二类2D图像的信息识别得出铁路车辆或机车的车型和车号;
4)、读取电子标签的方式识别得出铁路车辆或机车的车号;
5)、利用现有2D车号图像别得出铁路车辆或机车的车号。
5.基于3D信息的故障自动识别检测方法,它包括:
用于获取铁路车辆或机车各角度3D图像,所述3D图像包括三维空间信息及灰度信息的3D信息获取步骤;
用于利用3D或2D图像的信息识别得出铁路车辆或机车的车型和车号的车型和车号识别步骤;
用于利用3D或2D图像的信息或只使用车号检索得出当前过车对应的各种模板和历史数据信息的检索步骤;
用于利用3D或2D图像的信息配准当前过车对应的各种模板和历史数据信息的信息配准步骤;
利用3D或2D图像的信息特征识别得出各个部件是否存在异常及异常程度的故障自动识别步骤;
其特征是:故障自动识别步骤中还包括:
用于将3D图像转换为两类2D图像,所述两类2D图像分别是:第一类2D图像和第二类2D图像;所述第一类2D图像包含平面位置信息和高度信息;第二类2D图像包含平面位置信息和灰度信息的降维子步骤;
用于按下面方式之一的方式进行故障自动识别的故障自动识别子步骤:
1)、仅利用第一类2D图像进行故障自动识别;
2)、利用第一类2D图像进行故障自动识别,再利用第二类2D图像进行故障验证;
3)、利用第二类2D图像进行故障自动识别,再利用第一类2D图像进行故障验证。
6.根据权利要求5所述的基于3D信息的故障自动识别检测方法,其特征在于故障自动识别步骤中,在将3D图像降为2D图像后,对于故障伴随着高度信息发生明显变化的2D图像,则仅仅采用2D图像中的平面位置信息和高度信息进行故障识别;
或者采用2D图像中的平面位置信息和高度信息进行故障识别,然后再采用灰度信息进行验证实现;
对于故障伴随着高度信息发生不明显变化的2D图像,则仅仅采用2D图像中的平面位置信息和灰度信息进行故障识别;
或者采用2D图像中的平面位置信息和灰度信息进行故障识别,然后再采用高度信息进行验证实现;
或者综合利用3D图像所包含的所有信息进行故障识别;
所述明显变化的判断通过预设阈值的方式确定。
7.根据权利要求5所述的基于3D信息的故障自动识别检测方法,其特征在于它还包括:
用于将报警信息以二维或三维图形的形式显示给用户,在图形显示中以不同颜色、不同深浅程度、不同形状的标识展示不同等级的故障和异常的报警步骤;
用于将当前过车的3D图像的信息及对应故障和异常存入数据库中,并能够在数据库中对所述故障信息进行动态跟踪的入库步骤。
8.根据权利要求5所述的基于3D信息的故障自动识别检测方法,其特征在于3D信息获取步骤中,获取3D信息的方法是:获取当前铁路车辆或机车各个角度的3D信息,以及同一部件从各个角度获得不同的3D信息;每个3D信息均包含空间中一点的三维坐标及灰度信息。
9.根据权利要求5所述的基于3D信息的故障自动识别检测方法,其特征在于检索步骤中,检索的方法是:利用车型和具体车辆为检索条件,与对应的模板和历史数据进行检索;
模板和历史信息数据为是以下任意一种:
1)、信息数据库中该车型对应的统型模板;
2)、信息数据库中该车辆或机车对应的统型模板;
3)、信息数据库中该过车在同一探测站最近一次的过车数据信息;
4)、信息数据库中该过车在同一探测站一段时期内的历史过车数据信息;
5)、信息数据库中该过车在其他探测站最近一次的过车数据信息;
6)、信息数据库中该过车在其他探测站一段时期内的历史过车数据信息;
所述的模板或历史数据信息与当前铁路车辆或机车的3D信息同向或异向,能够实现双向接车。
10.根据权利要求5所述的基于3D信息的故障自动识别检测方法,其特征在于报警步骤的具体方法是:
对于识别出的故障,根据部件位置、重点程度、故障程度作为判定因素,输出二维或三维图形,其中以不同颜色、不同深浅程度、不同形状的标识使用户直观的观测故障报警信息;
对于入库步骤的具体方法是:将当前铁路车辆或机车所获取的3D信息加入到信息数据库中,并能够在数据库中对所述故障信息进行动态跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510829892.0A CN105243381B (zh) | 2015-11-25 | 2015-11-25 | 基于3d信息的故障自动识别检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510829892.0A CN105243381B (zh) | 2015-11-25 | 2015-11-25 | 基于3d信息的故障自动识别检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105243381A CN105243381A (zh) | 2016-01-13 |
CN105243381B true CN105243381B (zh) | 2019-04-19 |
Family
ID=55041022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510829892.0A Active CN105243381B (zh) | 2015-11-25 | 2015-11-25 | 基于3d信息的故障自动识别检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105243381B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106292490A (zh) * | 2016-08-23 | 2017-01-04 | 成都乾威科技有限公司 | 基于尾气处理液加注一体机的故障监控方法及系统 |
CN106340060B (zh) * | 2016-08-30 | 2019-03-05 | 四川大学 | 一种鼻子再造术前数字化模板的制作方法 |
CN106504187A (zh) * | 2016-11-17 | 2017-03-15 | 乐视控股(北京)有限公司 | 视频识别方法以及装置 |
CN107145849B (zh) * | 2017-04-27 | 2021-03-26 | 努比亚技术有限公司 | 目标物体状态检测方法、移动终端及计算机可读存储介质 |
CN107392197A (zh) * | 2017-07-27 | 2017-11-24 | 武汉汉云亚信科技有限公司 | 一种机车车号识别及机车部件故障检测方法及系统 |
CN107403275B (zh) * | 2017-08-01 | 2020-12-22 | 贺州学院 | 吊装风险预警方法及装置 |
CN110580748A (zh) * | 2018-06-08 | 2019-12-17 | 苏交科集团股份有限公司 | 基于图像处理的承重支架日常巡查和评估系统及其方法 |
CN109299723A (zh) * | 2018-09-18 | 2019-02-01 | 四川大学 | 一种铁路货车运行监测系统 |
CN110395290A (zh) * | 2019-08-09 | 2019-11-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路车辆信息采集方法及采集装置 |
CN112132824B (zh) * | 2020-09-30 | 2021-03-30 | 哈尔滨市科佳通用机电股份有限公司 | 一种货车轴箱弹簧故障自动检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004034946A (ja) * | 2002-07-08 | 2004-02-05 | Toyota Motor Corp | 画像処理装置、駐車支援装置、及び画像処理方法 |
CN101694472A (zh) * | 2009-10-23 | 2010-04-14 | 郭震 | 缺陷孔图像识别方法 |
CN104200464A (zh) * | 2014-08-19 | 2014-12-10 | 苏州华兴致远电子科技有限公司 | 一种识别列车异常的检测方法及系统 |
CN104567725A (zh) * | 2014-12-17 | 2015-04-29 | 苏州华兴致远电子科技有限公司 | 车辆运行故障检测系统及方法 |
CN104809427A (zh) * | 2014-12-31 | 2015-07-29 | 朱金良 | 基于3d信息的故障自动识别检测系统及检测方法 |
-
2015
- 2015-11-25 CN CN201510829892.0A patent/CN105243381B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004034946A (ja) * | 2002-07-08 | 2004-02-05 | Toyota Motor Corp | 画像処理装置、駐車支援装置、及び画像処理方法 |
CN101694472A (zh) * | 2009-10-23 | 2010-04-14 | 郭震 | 缺陷孔图像识别方法 |
CN104200464A (zh) * | 2014-08-19 | 2014-12-10 | 苏州华兴致远电子科技有限公司 | 一种识别列车异常的检测方法及系统 |
CN104567725A (zh) * | 2014-12-17 | 2015-04-29 | 苏州华兴致远电子科技有限公司 | 车辆运行故障检测系统及方法 |
CN104809427A (zh) * | 2014-12-31 | 2015-07-29 | 朱金良 | 基于3d信息的故障自动识别检测系统及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105243381A (zh) | 2016-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105243381B (zh) | 基于3d信息的故障自动识别检测系统及方法 | |
Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
CN106919915B (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
CN104809427B (zh) | 基于3d信息的故障自动识别检测系统及检测方法 | |
CN103512762B (zh) | 图像处理方法、装置及列车故障检测系统 | |
CN103077526B (zh) | 具有深度检测功能的列车异常检测方法及系统 | |
Zhang et al. | Ripple-GAN: Lane line detection with ripple lane line detection network and Wasserstein GAN | |
CN102323070B (zh) | 列车异常检测方法和系统 | |
CN103324913B (zh) | 一种基于形状特征和轨迹分析的行人事件检测方法 | |
CN105260712B (zh) | 一种车辆前方行人检测方法及系统 | |
CN111476767B (zh) | 一种基于异源图像融合的高铁扣件缺陷识别方法 | |
CN202793389U (zh) | 一种高铁接触网在线巡检装置 | |
Zhangyu et al. | A camera and LiDAR data fusion method for railway object detection | |
CN102915433B (zh) | 基于字符组合的车牌定位和识别方法 | |
CN106951898B (zh) | 一种车辆候选区域推荐方法及系统、电子设备 | |
CN105575125A (zh) | 一种车流视频侦测分析系统 | |
CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
CN103632376A (zh) | 一种两级框架的车辆部分遮挡消除方法 | |
CN104200213B (zh) | 一种基于多部件的车辆检测方法 | |
CN111598855B (zh) | 一种基于深度学习和迁移学习的2c设备高铁接触网吊弦缺陷检测方法 | |
CN115600124A (zh) | 地铁隧道巡检系统及巡检方法 | |
Zheng et al. | Rail detection based on LSD and the least square curve fitting | |
CN115857040A (zh) | 一种机车车顶异物动态视觉检测装置及方法 | |
Wolf et al. | Asset Detection in Railroad Environments using Deep Learning-based Scanline Analysis. | |
Song et al. | An accurate vehicle counting approach based on block background modeling and updating |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20191217 Address after: 150069 No.2, Weifang Road, Haiping road concentration area, economic development zone, Harbin City, Heilongjiang Province Patentee after: Harbin Kejia general electrical Limited by Share Ltd Address before: 150069 Heilongjiang Province, Harbin City Economic Development Zone haping Road District No. 2 Weifang Road Patentee before: Zhu Jinliang |
|
TR01 | Transfer of patent right |