CN105389579A - 一种列车截断塞门把手丢失故障自动识别方法 - Google Patents
一种列车截断塞门把手丢失故障自动识别方法 Download PDFInfo
- Publication number
- CN105389579A CN105389579A CN201510769659.8A CN201510769659A CN105389579A CN 105389579 A CN105389579 A CN 105389579A CN 201510769659 A CN201510769659 A CN 201510769659A CN 105389579 A CN105389579 A CN 105389579A
- Authority
- CN
- China
- Prior art keywords
- matching
- image
- value
- train
- cutout cock
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种列车截断塞门把手丢失故障自动识别方法,将铁路货车运行故障动态图像检测系统所采集的图像进行预处理以消除拍摄环境对原始图像的影响,然后对去噪后的图像进行图像分割处理;在检测图像对应位置设定ROI感兴趣区域,使用基于Hu不变矩匹配值的把手变步长快速匹配方法,计算模板图像和ROI图像的匹配值,并与预先设定粗定位阈值对比,决定该对应位置是否为精匹配候选点,若是则将该位置存储于精匹配预选点序列中;对于匹配值小于粗定位阈值的非精匹配候选点,根据其匹配值计算下一步横向匹配步长;通过最终匹配结果判断截断塞门把手是否丢失。本发明的有益效果是能够精确快速的自动检测判断列车截断塞门把手丢失故障。
Description
技术领域
本发明属于图像分析和处理技术领域,涉及一种列车截断塞门把手丢失故障自动识别方法。
背景技术
长久以来,我国的列车技术检查(简称“列检”)一直依靠列检员的人工检测方式来完成。受人为主观因素如视力、疲劳程度和外界环境如气候、光照等影响,其检测效率低下且存在一定的误判。2014年我国铁路货运量高达38.1亿吨,位居世界第一位,而大批量、高密度的货物运输同时也给列车故障检测提出了更高的要求。于是,TFDS(TroubleofmovingFreightcarDetectionSystem,货车运行故障动态图像检测系统)逐渐应用于国内部分铁路干线上。该系统是一套集高速数字图像采集、大容量图像数据实时处理和精确定位、模式识别技术于一体的智能系统,由轨边图像采集站、列检检测中心两部分组成。其中轨边图像采集站由车轮传感器、车号采集系统、前置信息处理机、图像服务器、高速图像采集设备、光源补偿设备、轨边设备防护装置和网络传输设备组成;列检检测中心由网络传输设备、网络服务器、图像浏览终端组成。通过人机结合的方式判别出车辆转向架、制动装置、车钩缓冲装置等部件有无缺损、断裂、丢失等故障,从而实现列车技术检查由“人检人修”向“机检人修”的逐渐转变。
截断塞门把手是货运列车制动过程中的一个重要部件,位于货车底部,用于关闭或者打开制动管,塞门在制动时操纵端必须打开,而非制动时操纵端要求关闭。如果非制动操纵端塞门未关闭,而且自阀手把置于缓解位,此时如果施行制动,就不起制动作用,容易引发严重安全事故。现阶段国内学者对于TFDS故障检测与识别做出了大量研究,部分成熟技术已运用于地方铁路局列检所,但由于截断塞门把手操作是旋转运动,其位置存在一定不确定性,很难直接定位把手所在的区域。迄今为止,国内一些高等院校和科研院所致力于对TFDF系统进行研究和完善。哈尔滨工业大学蒋春明、杨旭东针对关门车和交叉杆两类故障的特点,采用窗口灰度映射算法实现故障部位的精确定位与分割,以提取灰度梯度特征实现故障识别;郑州大学范文兵等提出了基于自适应划分实例集的Q-relief算法,并成功运用于枕簧故障自动识别。该算法选择的特征集进行模式识别的正确率远高于Relief算法,但其计算复杂度会随着伪属性维数的增大而剧增。
发明内容
本发明的目的在于提供一种列车截断塞门把手丢失故障自动识别方法,解决了人工检测效率低下并且存在误判的问题。
本发明所采用的技术方案是按照以下步骤进行:
1)将铁路货车运行故障动态图像检测系统所采集的图像进行预处理以消除拍摄环境对原始图像的影响,然后对去噪后的图像进行图像分割处理;
2)在检测图像对应位置设定ROI(RegionsofInterest,感兴趣区域),使用基于Hu不变矩匹配值的把手变步长快速匹配方法,计算模板图像和ROI图像的匹配值,并与预先设定粗定位阈值对比,决定该对应位置是否为精匹配候选点,若是则将该位置存储于精匹配预选点序列中;
3)对于匹配值小于粗定位阈值的非精匹配候选点,根据其匹配值计算下一步横向匹配步长,重复上述匹配步骤;
4)通过最终匹配结果判断截断塞门把手是否丢失。
进一步,所述步骤1中,采集的图像为由列车故障轨边图像检测系统室外图像采集设备实时拍摄途经列车底部制动装置动态图像,并通过光纤网络传输;图像进行预处理的方法是采用高斯滤波消除拍摄环境对原始图像的影响;图像进行图像分割是采取二值化处理。
进一步,所述步骤2中基于Hu不变矩匹配值的把手变步长快速匹配方法步骤是:
①在检测图像对应位置设定ROI,计算模板图像和ROI的匹配值。
②将上一步骤所得匹配值与通过实验分析设定的粗定位阈值比较。若该位置匹配值大于阈值,则将此位置存于精匹配预选点序列中;若该位置匹配值小于阈值,则根据匹配值重新计算步长,并由该步长确定下一匹配位置;
③重复上述①②步骤,直至搜索匹配过程超出区域边界;
④遍历预选点序列,并于预选点邻域内设定动态ROI,计算其与模板的匹配值;
⑤获取该邻域内最大匹配值的对应点,并将该点位置与匹配值保存于极大值序列中;
⑥在步骤⑤所得极大值序列中搜索最大值及其对应位置,进而锁定把手区域,即匹配成功。
进一步,所述步骤2中粗定位阈值为T=0.99。
进一步,所述步骤3中,计算下一步横向匹配步长算法步骤为:①计算模板图像与动态ROI的匹配值;②匹配值若大于0.9,得出下一步横向匹配步长;匹配值若小于0.9,则设定下一步步长为2。
进一步,所述步骤4中判定截断塞门把手是否丢失的方法是:若最终锁定把手区域匹配成功,即截断塞门把手未丢失;否则截断塞门把手丢失。
本发明的有益效果是能够精确快速的自动检测判断列车截断塞门把手丢失故障。
附图说明
图1为本发明列车故障轨边图像检测系统的截断塞门把手丢失故障自动识别方法的实现流程图;
图2为本发明测试的图像预处理与图像分割效果图;
图3为本发明设计的精匹配示意图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明列车截断塞门把手丢失故障自动识别方法步骤如图1所示:
步骤1:由列车故障轨边图像检测系统室外图像采集设备实时拍摄途经列车底部制动装置动态图像,并通过光纤网络传输至列检所。
步骤2:对列车故障轨边图像检测系统采集到的原图像进行预处理,应用高斯滤波消除拍摄环境对原始图像的影响。
具体地,高斯平滑滤波是一种线性平滑滤波,对于服从或者近似服从正态分布的噪声具有良好的消除效果。其原理是计算某点像素邻域的加权均值来代替该点像素值。对原始图像进行高斯平滑滤波处理的过程为:设原始图像为f(x,y),经高斯平滑处理后的函数为fs(x,y),则可基于公式(1)将G(x,y,σ)与图像函数f(x,y)进行卷积运算,得到原始图像f(x,y)高斯平滑滤波后的图像fs(x,y),
fs(x,y)=f(x,y)*G(x,y,σ)(1)
其中,f(x,y)代表存在噪声干扰的原始图像,符号*表示卷积运算,G(x,y,σ)表示高斯函数的二维形式:
步骤3:对滤波后的图像进行图像分割,具体的是采取二值化处理。
具体地,设i和j为行列数,f(i,j)为(i,j)处灰度值,T为阈值,则可基于公式(3)得到g(i,j)为分割后(i,j)处灰度值。
由于不同的阈值设定方法对一幅图像进行处理会产生不同二值化处理结果,本发明使用的阈值T采用基本全局阈值法设定。高斯平滑和二值化后效果如图2所示。
步骤4:根据塞门把手在列车底部装配位置及其尺寸规格,设定先验ROI以减少搜索范围和时间。
步骤5:变步长粗匹配过程(精匹配候选点的确定)。
若采用逐像素点搜索匹配,大量时间会浪费在远离最佳匹配区域的像素点上。因匹配值相对小的位置,距离最佳匹配位置较远,可以适当放大匹配步长;匹配值越大,则越靠近最佳匹配位置,理所当然应该减小匹配步长。因此本发明采用变步长粗匹配过程来确定精匹配候选点,从而克服传统模板匹配中逐像素移动的缺陷,大大缩短了匹配时间。
Step1:计算模板图像与ROI匹配值。
具体地,采用归一化度量方法计算模板与ROI匹配值。计算公式如式(4)所示:
其中,Mi(i=1~7)表示模板图像的7个不变矩,Ni(i=1~7)表示检测图像中ROI的7个不变矩,Rvalue表示匹配值,其范围在(0,1)之间,且越接近1表示相似程度越高。
Step2:匹配值与粗定位阈值的比较。
具体地,若该位置匹配值大于粗定位阈值,则将其存入精匹配预选点序列;若该位置匹配值小于粗定位阈值,则根据公式(5)重新计算横向匹配步长。
其中,Rvalue为当前匹配值,Step为跳跃影响系数(本发明取Step=30),S为对应当前匹配值的下一步横向匹配步长。
Step3:根据上一步所得横向匹配步长确定下一步匹配位置,直至搜索完毕。
步骤6:精匹配过程。
Step1:遍历精匹配预选点序列。
Step2:每个预选点邻域设置动态ROI并根据公式(4)计算匹配值,该过程示意图如图3所示。
Step3:获取该邻域内最大匹配值对应像素点,并将该点位置与匹配值保存于极大值序列中,直至精匹配预选点遍历完毕。
Step4:在极大值序列中搜索出最大值及其对应位置,即可锁定把手区域。
步骤7:判断把手是否丢失。
若经过上述所有步骤后能锁定把手区域,则截断塞门把手未出现丢失故障;若最终未能锁定把手区域,则截断塞门把手丢失。
本发明方法不用依靠人工,能够精确快速的自动检测判断列车截断塞门把手丢失故障。对于列车运行安全提供了很好地保障。
以上所述仅是对本发明的较佳实施方式而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施方式所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (6)
1.一种列车截断塞门把手丢失故障自动识别方法,其特征在于按照以下步骤进行:
1)将铁路货车运行故障动态图像检测系统所采集的图像进行预处理以消除拍摄环境对原始图像的影响,然后对去噪后的图像进行图像分割处理;
2)在检测图像对应位置设定ROI感兴趣区域,使用基于Hu不变矩匹配值的把手变步长快速匹配方法,计算模板图像和ROI图像的匹配值,并与预先设定粗定位阈值对比,决定该对应位置是否为精匹配候选点,若是则将该位置存储于精匹配预选点序列中;
3)对于匹配值小于粗定位阈值的非精匹配候选点,根据其匹配值计算下一步横向匹配步长,重复上述匹配步骤;
4)通过最终匹配结果判断截断塞门把手是否丢失。
2.按照权利要求1所述一种列车截断塞门把手丢失故障自动识别方法,其特征在于:所述步骤1中,采集的图像为由列车故障轨边图像检测系统室外图像采集设备实时拍摄途经列车底部制动装置动态图像,并通过光纤网络传输;图像进行预处理的方法是采用高斯滤波消除拍摄环境对原始图像的影响;图像进行图像分割是采取二值化处理。
3.按照权利要求1所述一种列车截断塞门把手丢失故障自动识别方法,其特征在于:所述步骤2)中基于Hu不变矩匹配值的把手变步长快速匹配方法步骤是:
①在检测图像对应位置设定ROI,计算模板图像和ROI的匹配值;
②将上一步骤所得匹配值与通过实验分析设定的粗定位阈值比较;若该位置匹配值大于阈值,则将此位置存于精匹配预选点序列中;若该位置匹配值小于阈值,则根据匹配值重新计算步长,并由该步长确定下一匹配位置;
③重复上述①②步骤,直至搜索匹配过程超出区域边界;
④遍历预选点序列,并于预选点邻域内设定动态ROI,计算其与模板的匹配值;
⑤获取该邻域内最大匹配值的对应点,并将该点位置与匹配值保存于极大值序列中;
⑥在步骤⑤所得极大值序列中搜索最大值及其对应位置,进而锁定把手区域,即匹配成功。
4.按照权利要求1所述一种列车截断塞门把手丢失故障自动识别方法,其特征在于:所述步骤2中粗定位阈值为T=0.99。
5.按照权利要求1所述一种列车截断塞门把手丢失故障自动识别方法,其特征在于:所述步骤3中,计算下一步横向匹配步长算法步骤为:①计算模板图像与动态ROI的匹配值;②匹配值若大于0.9,得出下一步横向匹配步长;匹配值若小于0.9,则设定下一步步长为2。
6.按照权利要求1所述一种列车截断塞门把手丢失故障自动识别方法,其特征在于:所述步骤4中判定截断塞门把手是否丢失的方法是:若最终锁定把手区域匹配成功,即截断塞门把手未丢失;否则截断塞门把手丢失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510769659.8A CN105389579B (zh) | 2015-11-12 | 2015-11-12 | 一种列车截断塞门把手丢失故障自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510769659.8A CN105389579B (zh) | 2015-11-12 | 2015-11-12 | 一种列车截断塞门把手丢失故障自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105389579A true CN105389579A (zh) | 2016-03-09 |
CN105389579B CN105389579B (zh) | 2018-11-09 |
Family
ID=55421849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510769659.8A Expired - Fee Related CN105389579B (zh) | 2015-11-12 | 2015-11-12 | 一种列车截断塞门把手丢失故障自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105389579B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080608A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车脱轨自动制动阀塞门手把关闭故障图像识别方法 |
CN112907534A (zh) * | 2021-02-18 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于关门车部件位置图像的故障检测方法及装置 |
CN115901299A (zh) * | 2023-02-15 | 2023-04-04 | 慧铁科技有限公司 | 一种列车车钩钩缓部件故障分析处理的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110255743A1 (en) * | 2010-04-13 | 2011-10-20 | International Business Machines Corporation | Object recognition using haar features and histograms of oriented gradients |
CN102393908A (zh) * | 2011-06-29 | 2012-03-28 | 湖南大学 | 混合生产线上的基于机器视觉检测的三种瓶体识别方法 |
CN102982350A (zh) * | 2012-11-13 | 2013-03-20 | 上海交通大学 | 一种基于颜色和梯度直方图的台标检测方法 |
CN103971128A (zh) * | 2014-05-23 | 2014-08-06 | 北京理工大学 | 一种面向无人驾驶车的交通标志识别方法 |
CN104732211A (zh) * | 2015-03-19 | 2015-06-24 | 杭州电子科技大学 | 一种基于自适应阈值的交通标志检测方法 |
-
2015
- 2015-11-12 CN CN201510769659.8A patent/CN105389579B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110255743A1 (en) * | 2010-04-13 | 2011-10-20 | International Business Machines Corporation | Object recognition using haar features and histograms of oriented gradients |
CN102393908A (zh) * | 2011-06-29 | 2012-03-28 | 湖南大学 | 混合生产线上的基于机器视觉检测的三种瓶体识别方法 |
CN102982350A (zh) * | 2012-11-13 | 2013-03-20 | 上海交通大学 | 一种基于颜色和梯度直方图的台标检测方法 |
CN103971128A (zh) * | 2014-05-23 | 2014-08-06 | 北京理工大学 | 一种面向无人驾驶车的交通标志识别方法 |
CN104732211A (zh) * | 2015-03-19 | 2015-06-24 | 杭州电子科技大学 | 一种基于自适应阈值的交通标志检测方法 |
Non-Patent Citations (1)
Title |
---|
韩广海: "《基于不规则物体的视觉定位研究》", 《中国优秀硕士论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080608A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车脱轨自动制动阀塞门手把关闭故障图像识别方法 |
CN112907534A (zh) * | 2021-02-18 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于关门车部件位置图像的故障检测方法及装置 |
CN115901299A (zh) * | 2023-02-15 | 2023-04-04 | 慧铁科技有限公司 | 一种列车车钩钩缓部件故障分析处理的方法 |
CN115901299B (zh) * | 2023-02-15 | 2023-06-06 | 慧铁科技有限公司 | 一种列车车钩钩缓部件故障分析处理的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105389579B (zh) | 2018-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101800890B (zh) | 一种高速公路监控场景下多车辆视频跟踪方法 | |
CN105260744B (zh) | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 | |
CN102332089B (zh) | 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN102854191A (zh) | 高速铁轨表面缺陷的实时视觉检测与识别方法 | |
CN103745224A (zh) | 基于图像的铁路接触网鸟窝异常情况检测方法 | |
CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法 | |
CN111080602B (zh) | 铁路货车漏水孔异物检测方法 | |
CN103295027A (zh) | 一种基于支持向量机的铁路货车挡键丢失故障识别方法 | |
CN103886589A (zh) | 面向目标的自动化高精度边缘提取方法 | |
CN103345637A (zh) | 输电线路复合绝缘子憎水性在线检测系统及方法 | |
CN112419289B (zh) | 一种城市地铁轨道扣件缺陷智能检测方法 | |
CN105389579A (zh) | 一种列车截断塞门把手丢失故障自动识别方法 | |
CN102411709A (zh) | 一种虹膜分割识别方法 | |
CN105678341A (zh) | 一种基于Gabor小波分析的羊毛羊绒识别算法 | |
CN111080612A (zh) | 一种货车轴承破损检测方法 | |
CN107705256A (zh) | 一种基于接触网语义的前向车载视频图像增强方法 | |
Zhu et al. | A double-side filter based power line recognition method for UAV vision system | |
CN104778670A (zh) | 一种基于多元统计模型的分形小波自适应图像去噪方法 | |
CN103913464A (zh) | 一种基于机器视觉检测的高速铁路轨道表面缺陷匹配方法 | |
CN112733747A (zh) | 一种缓解阀拉杆脱落故障的识别方法、系统及装置 | |
CN103049762A (zh) | 一种用于检测心盘螺栓丢失故障的方法和装置 | |
CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及系统 | |
CN108960320B (zh) | 列车折角塞门故障图像实时检测方法 | |
CN105760828A (zh) | 一种基于视觉的静态手势识别方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181109 Termination date: 20191112 |
|
CF01 | Termination of patent right due to non-payment of annual fee |