CN105891217A - 基于智能小车的钢轨表面缺陷检测系统及方法 - Google Patents
基于智能小车的钢轨表面缺陷检测系统及方法 Download PDFInfo
- Publication number
- CN105891217A CN105891217A CN201610269971.5A CN201610269971A CN105891217A CN 105891217 A CN105891217 A CN 105891217A CN 201610269971 A CN201610269971 A CN 201610269971A CN 105891217 A CN105891217 A CN 105891217A
- Authority
- CN
- China
- Prior art keywords
- image
- represent
- rail
- intelligent carriage
- frequency domain
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于智能小车的钢轨表面缺陷检测系统，包括智能小车和上位机，智能小车包括获取图像装置、通信模块、电机驱动装置和控制装置，所述获取图像装置、通信模块、电机驱动装置分别与控制装置连接，智能小车和上位机通过通信模块进行通信。改变了传统人工对钢轨缺陷的巡检，采用智能小车和上位机的结合，完成对钢轨缺陷数据的准确获取，有效避免了人为因素带来的误差，准确度高，提高了检测速度，降低了工人劳动强度，在保证铁路线路安全的同时，可以节省检测成本，提高线路维护效率。
Description
技术领域
本发明涉及铁路安全防护与检测技术领域，特别涉及一种钢轨表面缺陷检测系统及方法。
背景技术
目前，随着轨道交通运行速度的提高，钢轨在线质量的监测技术越来越受到重视，轨道交通的发展方向和趋势是高速、重载以及高密度。如何保证列车行车安全则成了首要问题。钢轨作为轨道中最基础的部分，直接影响着列车行车的安全。因此如何确保钢轨在线状态的质量成了铁路工务部门面临的一项艰巨的任务。
列车的高速、重载、高密度的运行，在给人民群众的生活带来极大便利的同时，对钢轨的损害也随之加重，钢轨发生裂纹等损伤的可能性也越来越大。钢轨的故障直接威胁着列车的正常运行。这些年来出现的因为钢轨裂纹等故障导致的列车脱轨事故则更加说明了监测钢轨状态质量的重要性。所以，为了列车运行安全，避免列车运行事故，实现铁路管理科学化，需要对关键设备(轨道)的状态进行实时监控，尽可能及时发现轨道表面缺陷，便于轨道维护与管理。人工巡检工作量大，时间长，容易出现漏检现象。
发明内容
鉴于此，本发明要解决的技术问题之一在于提供一种基于智能小车的钢轨表面缺陷检测系统，检测效率高、准确度高，减轻工人的劳动量。
本发明通过以下技术手段解决上述技术问题：
本发明的智能小车的钢轨表面缺陷检测系统，包括智能小车和上位机，智能小车包括获取图像装置、通信模块、电机驱动装置和控制装置，所述获取图像装置、通信模块、电机驱动装置分别与控制装置连接，智能小车和上位机通过通信模块进行通信。
进一步，上位机包括图像处理装置，所述图像处理装置包括图像预处理模块、钢轨图像表面缺陷信息提取模块和分析判断钢轨表面是否存在缺陷的分析模块。
进一步，上述图像预处理模块的处理方法包括采用二维变分模态分解法和自适应中值滤波处理相结合进行图像去噪；图像增强；边缘检测和图像二值化处理。
进一步，分析模块包括矩形度分析模块、圆形度分析模块、细度比例分析模块和面积周长比分析模块。
进一步，上述二维变分模态分解法具体步骤为最小化下列函数
(1)
式（1）中，表示原始图像信号，表示分解的子模态，表示第k个模态的中心频率，uk（x）表示分解的模态，αk表示带宽限制，
为将约束性变分问题变为非约束性变分问题，引入二次乘法因子和拉格朗日乘子，则扩展的拉格朗日表达式为：
(2)
式（2）中，λ（x）表示拉格朗日乘子,
模态的计算
(3)
将上述式（3）转化到频域
(4)
式（4）中， QUOTE 表示在频域内原图像， QUOTE 表示频域内的拉格朗日乘子， QUOTE 表示频域内的分解的子模态，表示频域内的带宽限制， QUOTE 表示频域内的第k个模态的中心频率，
计算中心频率
（6）
(7)。
本发明还提供了一种基于智能小车的钢轨表面缺陷检测方法，具体包括以下步骤：
S1：智能小车拍摄钢轨表面原始图像，并通过通信模块将所述图像发送到上位机；
S2：上位机读取图像信息，对所述图像信息进行预处理，所述预处理包括二维变分模态分解、自适应中值滤波、图像增强、边缘检测和图像二值化处理；
S3：根据特征阈值提取钢轨图像表面缺陷信息，完整提取钢轨表面缺陷信息；
S4：上位机根据所述提取的钢轨表面缺陷信息计算出钢轨缺陷参数，将所述参数与设定的阈值进行对比，判断出钢轨表面是否存在缺陷。
进一步，所述S2中的二维变分模态分解法具体步骤为最小化下列函数
(1)
式（1）中，表示原始图像信号，表示分解的子模态，表示的是中心频率，uk（x）表示分解的模态，αk表示带宽限制，
为将约束性变分问题变为非约束性变分问题，引入二次乘法因子和拉格朗日乘子，则扩展的拉格朗日表达式为：
(2)
式（2）中，λ（x）表示的是拉格朗日乘子，
模态的计算
(3)
将上述式（3）转化到频域
(4)
式（4）中， QUOTE 表示的是在频域内原图像， QUOTE 表示的频域内拉格朗日乘子， QUOTE 表示频域内分解的子模态， QUOTE 表示频域内带宽限制， QUOTE 表示频域内第k个模态的中心频率，
计算中心频率
（6）
(7)。
进一步，S2中自适应中值滤波的具体步骤：设表示图像中心像素点在滤波时所对应的掩模窗口，令为中的灰度最小值，为中的灰度最大值，为中的灰度中值，为在坐标上的灰度，为允许的最大尺寸，自适应中值滤波工作的两个层面可定义为A层和B层，
A层： (8)
(9)
B层： (10)
(11)
如果并且，转到B层，否则增加滤波窗口的尺寸大小，如果滤波窗口，则重复执行A层，否则把作为输出值，如果并且，把作为输出值，否则作为输出值。
进一步，S3中钢轨表面缺陷参数包括矩形度、圆形度、细度比例和面积周长比。
进一步，智能小车包括获取图像装置、通信模块、电机驱动装置和控制装置，所述获取图像装置、通信模块、电机驱动装置分别与控制装置连接。
本发明的有益效果：
本发明的基于智能小车的钢轨表面缺陷检测系统，包括智能小车和上位，智能小车包括获取图像装置、通信模块、电机驱动装置和控制装置，所述获取图像装置、通信模块、电机驱动装置分别与控制装置连接，智能小车和上位机通过通信模块进行通信。改变了传统人工对钢轨缺陷的巡检，采用智能小车和上位机的结合，完成对钢轨缺陷数据的准确获取，有效避免了人为因素带来的误差，准确度高，提高了检测速度，降低了工人劳动强度，在保证铁路线路安全的同时，可以节省检测成本，提高线路维护效率。
本发明的基于智能小车的钢轨表面缺陷检测方法，通过上位机控制智能小车对钢轨表面缺陷信息进行原始图像获取，有效避免了人工巡检存在的弊端，降低工人劳动强度，提高检测效率。获取的钢轨表面缺陷原始图像经过上位机内部的图像处理装置将原始图像采用二维变分模态分解法和自适应中值滤波进行图像去噪、图像增强、边缘检测和二值化处理，原始图像经过一系列的预处理后，使图像变得更清晰，便于后期准确阈值分割获取钢轨表面缺陷信息，提高图像处理准确度。通过特征阈值完整准确获取钢轨表面缺陷信息，对钢轨表面缺陷信息进行轮廓跟踪，计算出表征钢轨表面缺陷信息的相关参数，再设定阈值，与相关的参数相对比，判断出钢轨是否存在表面缺陷。本发明通过小车与上位机的有机结合，代替传统的人工巡检方式，通过小车对钢轨表面原始图像的获取，避免了人为因素带来的误差、漏检等情况，提高了检测速度，降低了劳动强度，节省检测成本。采用图像处理技术对钢轨原始图像进行处理，提高了钢轨表面缺陷数据获取的准确性，提高检测结果的准确性。
附图说明
下面结合附图和实施例对本发明作进一步描述。
图1为本发明一实施例的结构示意图；
图2为图1中的图像预处理模块的结构示意图；
图3 为本发明另一实施例的流程图。
具体实施方式
以下将结合附图对本发明进行详细说明。
如图1、2所示：本发明的基于智能小车的钢轨表面缺陷检测系统，智能小车的钢轨表面缺陷检测系统，包括智能小车和上位，智能小车包括获取图像装置、通信模块、电机驱动装置和控制装置，所述获取图像装置、通信模块、电机驱动装置分别与控制装置连接，智能小车和上位机通过通信模块进行通信。智能小车通过图像获取装置可实时采集钢轨表面图像信息，通信模块用于智能小车与上位机进行通信，电机驱动电路用于控制小车的行进，控制装置用于控制小车正常工作。上位机可以是PC、手机或平板电脑等电子设备，上位机将录像或拍照命令通过通信模块发送给控制装置，控制装置控制电机驱动电路工作驱动小车运动，小车实时采集钢轨表面图像，并将图像信息通过通信模块反馈给上位机。小车获取的数据是钢轨表面缺陷，不能获取到缺陷的深度信息，所以本发明对钢轨表面缺陷的识别主要是识别剥落掉块和裂纹缺陷。采用小车采集钢轨表面图像数据，有效避免人工巡检的漏检，提高了检测速度，降低了工人的劳动强度。
上位机包括图像处理装置，所述图像处理装置包括图像预处理模块、钢轨图像表面缺陷信息提取模块和分析判断钢轨表面是否存在缺陷的分析模块。图像预处理模块的处理方法包括采用二维变分模态分解法将原始图像分解为不同中心频率的子模态，保留低频模态，再进行自适应中值滤波，由于图像信息保留在低频模态，噪声在整个频带中存在，因此保留分解后的低频模态，再进行自适应中值滤波，达到图像去噪的目的，为后期图像处理奠定基础；图像增强；边缘检测和图像二值化处理，使图像变得清晰，提高获取图像的准确性，便于后期准确阈值分割获取钢轨表面缺陷信息，提高图像处理准确度。
分析模块用于根据钢轨图像分析判断钢轨表面是否存在缺陷，其包括矩形度分析模块、圆形度分析模块、细度比例分析模块和面积周长比分析模块。
基于智能小车的钢轨表面缺陷检测系统，改变了传统人工对钢轨缺陷的巡检，采用智能小车和上位机的结合，完成对钢轨缺陷数据的准确获取，有效避免了人为因素带来的误差，准确度高，提高了检测速度，降低了工人劳动强度，在保证铁路线路安全的同时，可以节省检测成本，提高线路维护效率。
如图3所示，本发明的基于智能小车的钢轨表面缺陷检测方法，具体包括以下步骤：
S1：智能小车拍摄钢轨表面原始图像，并通过通信模块将所述图像发送到上位机；智能小车上包括图像获取装置、通信模块、电机驱动电路和控制装置，图像获取装置、通信模块、电机驱动电路分别与控制装置连接。智能小车通过图像获取装置可实时采集钢轨表面图像信息，通信模块用于智能小车与上位机进行通信，电机驱动电路用于控制小车的行进，控制装置用于控制小车正常工作。上位机可以是PC、手机或平板电脑等电子设备，上位机将录像或拍照命令通过通信模块发送给控制装置，控制装置控制电机驱动电路工作驱动小车运动，小车实时采集钢轨表面图像，并将图像信息通过通信模块反馈给上位机。采用小车采集钢轨表面图像数据，有效避免人工巡检的漏检，提高了检测速度，降低了工人的劳动强度。
S2：上位机读取图像信息，对所述图像信息进行预处理，所述预处理包括采用二维变分模态分解法将原始图像分解为不同中心频率的子模态，保留低频模态、自适应中值滤波、图像增强、边缘检测和图像二值化处理；二维变分模态分解法具体步骤为最小化下列函数
(1)
式（1）中，表示原始图像信号，表示分解的子模态，表示的是中心频率，uk（x）表示分解的模态，αk表示带宽限制，
为将约束性变分问题变为非约束性变分问题，引入二次乘法因子和拉格朗日乘子，则扩展的拉格朗日表达式为：
(2)
式（2）中，λ（x）表示的是拉格朗日乘子，
模态的计算
(3)
将上述式（3）转化到频域
(4)
式（4）中， QUOTE 表示的是在频域内原图像， QUOTE 表示频域内的拉格朗日乘子， QUOTE 表示频域内的分解的子模态， QUOTE 表示频域内的带宽限制， QUOTE 表示频域内的第k个模态的中心频率，
根据式（4）计算中心频率
（6）
(7)。
二维变分模态分解是一种新的自适应非递归方法，它是将图像分解为一系列不同中心频率的子模态，而图像信息一般分布在低频区域，噪声分布在整个频带内。本发明采用的去噪方法先选取二维变分模态分解后的低频模态再对低频模态采取自适应中值滤波的方法来达到去除噪声的目的，自适应中值滤波在进行滤波处理过程中，依赖一定条件来改变掩模的大小，来达到去噪的目的。设表示原始图像中心像素点在滤波时所对应的掩模窗口，令为中的灰度最小值，为中的灰度最大值，为中的灰度中值，为在坐标上的灰度，为允许的最大尺寸，自适应中值滤波算法工作的两个层面可定义为A层和B层。
A层： (8)
(9)
B层： (10)
(11)
如果并且，转到B层，否则增加滤波窗口的尺寸大小，如果滤波窗口，则重复执行A层，否则把作为输出值。如果并且，把作为输出值，否则作为输出值。中值滤波的原理是将掩模窗口的中间值代替图像的灰度值，这就会改变非噪声点的大小，自适应中值滤波是在其基础上的改进，去除噪声的效果更好。通过自适应中值滤波进行图像去噪，处理图像在获取、传送、存储等过程中存在的噪声。图像增强是在图像去噪之后，使图像边缘变得更清晰，方便后期处理。边缘检测是根据灰度级别的不同来识别钢轨上的裂纹。通过图像二值化处理，使钢轨裂纹与图像背景进一步分离，虽然在边缘检测中，阈值分割也已经使目标物与背景分割，但效果不是很明显。由二值化处理的定义知，小于某个灰度级全变黑，大于它的全变白，这可以使裂纹与背景有效分离。通过图像预处理的几个处理步骤，可以将小车运行中的抖动、速度不均、光照不均等外在因素造成采集图像噪声点等，以及光电信号转换的过程中信号不均匀产生的噪声点，对获取的钢轨图像信息会有干扰，该发明的检测方法经过图像预处理对图像进行去噪、增强等便于后期获取裂纹信息，从而完整提取钢轨缺陷信息，提高钢轨裂纹信息获取的准确度。
S3：根据特征阈值提取钢轨图像表面缺陷信息，完整提取钢轨表面缺陷信息。将预处理后的图像通过特征阈值提取裂纹信息，特征阈值根据相关的标准进行选定。由于小车获取的数据是钢轨表面缺陷，不能获取到缺陷的深度信息，所以本发明对钢轨表面缺陷的识别主要是识别剥落掉块和裂纹缺陷，掉块的长宽比相差不是很大，而裂纹的长宽比则差距较大，所以采用矩形度、圆形度、细度比例、面积周长比这几个特征参数来综合考证，采取先设定特征阈值。
S4：上位机根据所述提取的钢轨表面缺陷信息计算出表征钢轨缺陷参数，将所述参数与特征阈值进行对比，判断出钢轨表面是否存在缺陷。采用链码跟踪算法对钢轨表面缺陷轮廓进行跟踪，保存该缺陷轮廓信息并进行特征计算，提取出裂纹的相关参数，包括矩形度、圆形度、细度比例、面积周长比这4个特征参数。如果计算出的特征参数超过特征阈值则认为有掉块或是裂纹，否则认为没有缺陷。其中，矩形度R= AO/AR (12)
式（12）中，R代表矩形度，AO为目标区域包围的面积，AR为最小外接矩形的面积；
圆形度 C=P2/A (13)
式（13）中，C代表圆形度，P为目标区域的周长，A为该目标围绕的面积；
细度比例tr=4π（A/B2） (14)
式（14）中，tr代表细度比例，A为该目标围绕的面积，B为该目标区域的面积；
面积周长比r=A/B (15)
式（15）中，r代表面积周长比，A为该目标围绕的面积，B为该目标区域的面积。
将计算出的4个特征参数与设定的特征阈值进行对比，计算出的特征参数大于对应的特征阈值，说明钢轨表面存在缺陷。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于智能小车的钢轨表面缺陷检测系统，其特征在于：包括智能小车和上位机，智能小车包括获取图像装置、通信模块、电机驱动装置和控制装置，所述获取图像装置、通信模块、电机驱动装置分别与控制装置连接，智能小车和上位机通过通信模块进行通信。
2.如权利要求1所述的基于智能小车的钢轨表面缺陷检测系统，其特征在于：所述上位机包括图像处理装置，所述图像处理装置包括图像预处理模块、钢轨图像表面缺陷信息提取模块和分析判断钢轨表面是否存在缺陷的分析模块。
3.如权利要求2所述的基于智能小车的钢轨表面缺陷检测系统，其特征在于：所述图像预处理模块的处理方法包括采用二维变分模态分解和自适应中值滤波的方法相结合的方式进行图像去噪；图像增强；边缘检测和图像二值化处理。
4.如权利要求2所述的基于智能小车的钢轨表面缺陷检测系统，其特征在于：所述分析模块包括矩形度分析模块、圆形度分析模块、细度比例分析模块和面积周长比分析模块。
5.如权利要求3所述的基于智能小车的钢轨表面缺陷检测系统，其特征在于：所述二维变分模态分解法具体步骤为最小化下列函数
(1)
式（1）中，表示原始图像信号，表示分解的子模态，表示第k个模态的中心频率，uk（x）表示分解的模态，αk表示带宽限制，
为将约束性变分问题变为非约束性变分问题，引入二次乘法因子和拉格朗日乘子，则扩展的拉格朗日表达式为：
(2)
式（2）中，λ（x）表示拉格朗日乘子,
模态的计算
(3)
将上述式（3）转化到频域
(4)
式（4）中，表示在频域内原图像，表示频域内的拉格朗日乘子，表示频域内的分解的子模态，表示频域内的带宽限制，表示频域内的第k个模态的中心频率，
计算中心频率
（6）
(7)。
6.基于智能小车的钢轨表面缺陷检测方法，其特征在于：具体包括以下步骤：
S1：智能小车拍摄钢轨表面原始图像，并通过通信模块将所述图像发送到上位机；
S2：上位机读取图像信息，对所述图像信息进行预处理，所述预处理包括二维变分模态分解、自适应中值滤波、图像增强、边缘检测和图像二值化处理；
S3：根据特征阈值提取钢轨图像表面缺陷信息，完整提取钢轨表面缺陷信息；
S4：上位机根据所述提取的钢轨表面缺陷信息计算出钢轨缺陷参数，将所述参数与设定的阈值进行对比，判断出钢轨表面是否存在缺陷。
7.如权利要求6所述的基于智能小车的钢轨表面缺陷检测方法，其特征在于：所述S2中的二维变分模态分解法具体步骤为最小化下列函数
(1)
式（1）中，表示原始图像信号，表示分解的子模态，表示第k个模态的中心频率，uk（x）表示分解的模态，αk表示带宽限制，
为将约束性变分问题变为非约束性变分问题，引入二次乘法因子和拉格朗日乘子，则扩展的拉格朗日表达式为：
(2)
式（2）中，λ（x）表示拉格朗日乘子,
模态的计算
(3)
将上述式（3）转化到频域
(4)
式（4）中，表示在频域内原图像，表示频域内的拉格朗日乘子，表示频域内的分解的子模态，表示的带宽限制，表示的是第k个模态的中心频率，
计算中心频率
（6）
(7)。
8.如权利要求6所述的基于智能小车的钢轨表面缺陷检测方法，其特征在于：所述S2中自适应中值滤波的具体步骤：设表示图像中心像素点在滤波时所对应的掩模窗口，令为中的灰度最小值，为中的灰度最大值，为中的灰度中值，为在坐标上的灰度，为允许的最大尺寸，自适应中值滤波工作的两个层面可定义为A层和B层，
A层： (8)
(9)
B层： (10)
(11)
如果并且，转到B层，否则增加滤波窗口的尺寸大小，如果滤波窗口，则重复执行A层，否则把作为输出值，如果并且，把作为输出值，否则作为输出值。
9.如权利要求6所述的基于智能小车的钢轨表面缺陷检测方法，其特征在于：所述S3中钢轨表面缺陷参数包括矩形度、圆形度、细度比例和面积周长比。
10.如权利要求6所述的基于智能小车的钢轨表面缺陷检测方法，其特征在于：所述智能小车包括获取图像装置、通信模块、电机驱动装置和控制装置，所述获取图像装置、通信模块、电机驱动装置分别与控制装置连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610269971.5A CN105891217A (zh) | 2016-04-27 | 2016-04-27 | 基于智能小车的钢轨表面缺陷检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610269971.5A CN105891217A (zh) | 2016-04-27 | 2016-04-27 | 基于智能小车的钢轨表面缺陷检测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105891217A true CN105891217A (zh) | 2016-08-24 |
Family
ID=56701940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610269971.5A Pending CN105891217A (zh) | 2016-04-27 | 2016-04-27 | 基于智能小车的钢轨表面缺陷检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105891217A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106226157A (zh) * | 2016-08-31 | 2016-12-14 | 孙金更 | 混凝土构件裂缝自动检测装置及方法 |
| CN109556863A (zh) * | 2018-06-13 | 2019-04-02 | 南京工业大学 | 一种基于mspao-vmd的大型转盘轴承微弱振动信号采集与处理方法 |
| CN109978828A (zh) * | 2019-02-26 | 2019-07-05 | 山东师范大学 | 一种基于图像处理的火车轨道质量判别方法及系统 |
| CN110254468A (zh) * | 2019-06-20 | 2019-09-20 | 吉林大学 | 一种轨道表面缺陷智能在线检测装置及检测方法 |
| CN110873720A (zh) * | 2018-08-30 | 2020-03-10 | 上海铁路通信有限公司 | 一种基于三维成像的铁轨检测系统 |
| CN114987564A (zh) * | 2022-06-16 | 2022-09-02 | 西南交通大学 | 一种基于双目识别的便携式高速道岔检测小车及检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080007724A1 (en) * | 2006-07-10 | 2008-01-10 | Wing Yeung Chung | Rail Vehicle Mounted Rail Measurement System |
| CN102507587A (zh) * | 2011-09-20 | 2012-06-20 | 株洲南车时代电气股份有限公司 | 巡视检测系统及方法 |
| CN102854191A (zh) * | 2012-07-18 | 2013-01-02 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
-
2016
- 2016-04-27 CN CN201610269971.5A patent/CN105891217A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080007724A1 (en) * | 2006-07-10 | 2008-01-10 | Wing Yeung Chung | Rail Vehicle Mounted Rail Measurement System |
| CN102507587A (zh) * | 2011-09-20 | 2012-06-20 | 株洲南车时代电气股份有限公司 | 巡视检测系统及方法 |
| CN102854191A (zh) * | 2012-07-18 | 2013-01-02 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| KONSTANTIN DRAGOMIRETSKIY, E.T.AL: ""Variational Mode Decomposition"", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
| 余胜威等: "《MATLAB图像滤波去躁分析及应用》", 30 September 2015, 北京航空航天大学出版社 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106226157A (zh) * | 2016-08-31 | 2016-12-14 | 孙金更 | 混凝土构件裂缝自动检测装置及方法 |
| CN109556863A (zh) * | 2018-06-13 | 2019-04-02 | 南京工业大学 | 一种基于mspao-vmd的大型转盘轴承微弱振动信号采集与处理方法 |
| CN110873720A (zh) * | 2018-08-30 | 2020-03-10 | 上海铁路通信有限公司 | 一种基于三维成像的铁轨检测系统 |
| CN109978828A (zh) * | 2019-02-26 | 2019-07-05 | 山东师范大学 | 一种基于图像处理的火车轨道质量判别方法及系统 |
| CN110254468A (zh) * | 2019-06-20 | 2019-09-20 | 吉林大学 | 一种轨道表面缺陷智能在线检测装置及检测方法 |
| CN114987564A (zh) * | 2022-06-16 | 2022-09-02 | 西南交通大学 | 一种基于双目识别的便携式高速道岔检测小车及检测方法 |
| CN114987564B (zh) * | 2022-06-16 | 2023-10-20 | 西南交通大学 | 一种基于双目识别的便携式高速道岔检测小车及检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105891217A (zh) | 基于智能小车的钢轨表面缺陷检测系统及方法 | |
| CN110261436B (zh) | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 | |
| CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
| CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
| Rizvi et al. | Crack detection in railway track using image processing | |
| CN103985182B (zh) | 一种公交客流自动计数方法及自动计数系统 | |
| CN104535356A (zh) | 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统 | |
| CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
| CN106290388A (zh) | 一种绝缘子故障自动检测方法 | |
| CN104008550A (zh) | 晶圆表面缺陷特征分析方法、系统、分类方法和系统 | |
| 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 | |
| CN104730091A (zh) | 基于区域分割探测的燃气轮机叶片缺陷提取与分析方法 | |
| CN103745224A (zh) | 基于图像的铁路接触网鸟窝异常情况检测方法 | |
| CN112465706A (zh) | 一种闸口集装箱自动验残方法 | |
| CN110493574B (zh) | 基于流媒体和ai技术的安监可视化系统 | |
| CN114897908B (zh) | 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及系统 | |
| Chen et al. | Automatic pavement crack detection based on image recognition | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
| CN107729814A (zh) | 一种检测车道线的方法及装置 | |
| CN115908263A (zh) | 道路路面损伤智能检测系统及其检测方法和存储介质 | |
| CN111127450B (zh) | 一种基于图像的桥梁裂缝检测方法及系统 | |
| Saini et al. | Feature-based template matching for joggled fishplate detection in railroad track with drone images | |
| CN109934172B (zh) | 高速列车受电弓免gps全运行线故障视觉检测定位方法 | |
| CN109344705B (zh) | 一种行人行为检测方法和系统 | |
| CN115792919B (zh) | 一种气溶胶激光雷达水平扫描监测污染热点区域识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination |