CN107169951A - 一种基于图像的斜腕臂末端管帽的缺失检测方法及系统 - Google Patents
一种基于图像的斜腕臂末端管帽的缺失检测方法及系统 Download PDFInfo
- Publication number
- CN107169951A CN107169951A CN201610125846.7A CN201610125846A CN107169951A CN 107169951 A CN107169951 A CN 107169951A CN 201610125846 A CN201610125846 A CN 201610125846A CN 107169951 A CN107169951 A CN 107169951A
- Authority
- CN
- China
- Prior art keywords
- image
- inclined cantilever
- pipe cap
- region
- mrow
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像的斜腕臂末端管帽的缺失检测方法及系统,属于电气化高铁接触网安全检测领域。该方法包括:采集接触定位装置的图像,将图像进行二值化处理,对二值化图像进行边缘检测,得到二值化图像的边缘轮廓;根据斜腕臂的轮廓特征提取边缘轮廓中的斜腕臂的边缘轮廓,计算斜腕臂的轮廓方向角,根据方向角进行二值化图像的旋转,使旋转后的斜腕臂处于水平位置;最后裁剪出斜腕臂所在区域中斜腕臂末端管帽所在区域,判断斜腕臂末端管帽所在区域中管帽是否缺失。采用本发明的方法及系统,实现了基于图像的斜腕臂末端管帽是否存在的自动化检测,与现有的人工巡检方式相比,更快速准确,为高铁接触网的安全提供了保障,能够有效减少安全隐患。
Description
技术领域
本发明涉及电气化高铁接触网安全检测领域,具体涉及一种基于图像的斜腕臂末端管帽的缺失检测方法及系统。
背景技术
随着高速铁路运输技术的进一步发展及其广泛应用,高铁接触网作为向机车提供电能的重要设施,其是否处于安全工作状态也越来越受到关注。为了保证接触网处于良好工作状态,以利于电气化铁道的安全运营,需要尽快发现并处理接触网中出现的故障。实际中,高铁接触网故障主要由零部件的松、脱、缺、裂等造成。斜腕臂是接触网中支持装置的重要组成部分,其状态良好与否直接决定了电力机车的正常供电。而对于斜腕臂末端管帽是否存在直接影响着接触网的安全,如果斜腕臂末端管帽脱落不存在,下雨天的雨水或其它水分进入斜腕臂中,会给带电的接触网造成不安全的隐患。目前,接触网检测模式是在天窗作业时人工上线巡检,但由于线路所处环境复杂,人为观察危险性高以及职工素质不均等因素,及有可能会出现漏检的情况,从而造成安全隐患。因此,如何快速准确检测高铁接触网中斜腕臂末端管帽是否处于良好状态是一个亟待解决的问题。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种基于图像的斜腕臂末端管帽的缺失检测方法及系统,通过该方法及系统能够快速检测出斜腕臂末端管帽是否存在。
为实现上述目的,本发明采用的技术方案如下:
一种基于图像的斜腕臂末端管帽的缺失检测方法,包括以下步骤:
(1)采集高铁接触网的接触定位装置的图像;
(2)将所述图像进行二值化处理,并将二值化图像进行边缘检测,得到二值化图像的边缘轮廓;
(3)根据斜腕臂的轮廓特征提取所述边缘轮廓中的斜腕臂的边缘轮廓,计算斜腕臂的轮廓方向角,根据斜腕臂的轮廓方向角进行二值化图像的旋转,使旋转后的图像中斜腕臂处于水平位置;所述轮廓方向角是指斜腕臂的边缘轮廓的点所在的直线与水平线之间的夹角;夹角的范围为[0,π/2];
(4)确定出旋转后的图像中斜腕臂所在区域,并裁剪出斜腕臂所在区域中斜腕臂末端管帽所在区域,判断斜腕臂末端管帽所在区域中管帽是否缺失;
裁剪出斜腕臂所在区域中斜腕臂末端管帽所在区域,判断斜腕臂末端管帽所在区域中管帽是否缺失的方式为:
4.1)根据第一预设图像尺寸对斜腕臂末端管帽所在区域进行裁剪,得到第一裁剪图像;
4.2)计算第一裁剪图像的灰度均值GrayMean;
4.3)判断所述灰度均值GrayMean是否小于第一灰度阈值Threshold1,若是,则判断管帽存在,若否,则判断灰度均值GrayMean是否小于第二灰度阈值Threshold2,若是,则判断管帽缺失,若否,则进入下一步;其中,Threshold1<Threshold2;
4.4)根据第二预设图像尺寸对斜腕臂末端管帽所在区域进行裁剪,得到第二裁剪图像;所述第二预设图像尺寸大于所述第一预设图像尺寸;
4.5)对第二裁剪图像做卷积提取竖向边缘,根据竖向边缘的个数判断出管帽是否存在:若符合预设面积范围的竖向边缘为两个,则判断管帽存在,若符合预设面积范围的竖向边缘为一个,则判断管帽缺失。
进一步,如上所述的一种基于图像的斜腕臂末端管帽的缺失检测方法,步骤(3)中,所述斜腕臂的轮廓特征包括预设的斜腕臂的轮廓长度范围、轮廓方向角范围、纵坐标范围和横坐标范围。
进一步,如上所述的一种基于图像的斜腕臂末端管帽的缺失检测方法,步骤(4)中,采用仿射变换矩阵进行二值化图像的旋转,仿射变换旋转矩阵HomMat2DRotate为:
其中,θxie为斜腕臂的轮廓方向角。
进一步,如上所述的一种基于图像的斜腕臂末端管帽的缺失检测方法,步骤(4)中,确定出旋转后的图像中斜腕臂所在区域的方式为:
标记旋转后的二值化图像中的各连通域,各连通域中面积最大的连通域对应的区域为斜腕臂所在的区域。
进一步,如上所述的一种基于图像的斜腕臂末端管帽的缺失检测方法,步骤4.1)中,根据第一预设图像尺寸对斜腕臂末端管帽所在的区域进行裁剪的方式为:
记录旋转后的斜腕臂所在区域的左上角像素点坐标(minRows,minColumns)和右下角像素点的坐标(maxRows,maxColumns),分别以(minRows+r1,maxColumns-c1)和(minRows+r2,maxColumns-c2)为矩形的左上角点坐标和右下角坐标进行裁剪;其中,r1、c1、r2和c2均为正整数,且r1<r2,c1>c2。
进一步,如上所述的一种基于图像的斜腕臂末端管帽的缺失检测方法,步骤4.5)中,所述卷积操作的公式为:
g(x,y)=f(x,y)*C(u,v)
其中,g(x,y)表示卷积操作后的像素值,f(x,y)表示卷积操作前的像素值,C(u,v)为卷积操作矩阵。
进一步,如上所述的一种基于图像的斜腕臂末端管帽的缺失检测方法,步骤(2)中,将所述图像进行二值化处理之前,还包括:
对所述图像进行预处理,使处理后的图像中斜腕臂位于支柱的左侧。
本发明实施例中还提供了一种基于图像的斜腕臂末端管帽的缺失检测系统,包括:
图像采集模块,用于采集高铁接触网的接触定位装置的图像;
边缘提取模块,用于将所述图像进行二值化处理,并将二值化图像进行边缘检测,得到二值化图像的边缘轮廓;
图像旋转模块,用于根据斜腕臂的轮廓特征提取所述边缘轮廓中的斜腕臂的边缘轮廓,计算斜腕臂的轮廓方向角,根据斜腕臂的轮廓方向角进行二值化图像的旋转,使旋转后的图像中斜腕臂处于水平位置;所述轮廓方向角是指斜腕臂的边缘轮廓的点所在的直线与水平线之间的夹角;夹角的范围为[0,π/2];
管帽缺失判断模块,用于确定出旋转后的图像中斜腕臂所在区域,并裁剪出斜腕臂所在区域中斜腕臂末端管帽所在区域,判断斜腕臂末端管帽所在区域中管帽是否缺失;所述管帽缺失判断模块包括:
第一图像裁剪单元,用于根据第一预设图像尺寸对斜腕臂末端管帽所在区域进行裁剪,得到第一裁剪图像;
灰度均值计算单元,用于计算第一裁剪图像的灰度均值GrayMean;
第一管帽缺失判断单元,用于判断所述灰度均值GrayMean是否小于第一灰度阈值Threshold1,若是,则判断管帽存在,若否,则判断灰度均值GrayMean是否小于第二灰度阈值Threshold2;若是,则判断管帽缺失,若否,则进入第二图像裁剪单元;其中,Threshold1<Threshold2;
第二图像裁剪单元,用于根据第二预设图像尺寸对斜腕臂末端管帽所在区域进行裁剪,得到第二裁剪图像;所述第二预设图像尺寸大于所述第一预设图像尺寸;
第二管帽缺失判断单元,用于对第二裁剪图像做卷积提取竖向边缘,根据竖向边缘的个数判断出管帽是否存在:若符合预设面积范围的竖向边缘为两个,则判断管帽存在,若符合预设面积范围的竖向边缘为一个,则判断管帽缺失。
进一步,如上所述的一种基于图像的斜腕臂末端管帽的缺失检测系统,所述斜腕臂的轮廓特征包括预设的斜腕臂的轮廓长度范围、轮廓方向角范围、纵坐标范围和横坐标范围。
进一步,如上所述的一种基于图像的斜腕臂末端管帽的缺失检测系统,所述管帽缺失判断模块确定出旋转后的图像中斜腕臂所在区域的方式为:
标记旋转后的二值化图像中的各连通域,各连通域中面积最大的连通域对应的区域为斜腕臂所在的区域。
本发明的有益效果在于:本发明所提供的方法及系统,实现了基于图像的斜腕臂末端管帽是否存在的自动化检测,与现有的人工巡检方式相比,更快速准确,为高铁接触网的安全提供了保障,能够有效减少安全隐患。
附图说明
图1为本发明具体实施方式中提供的一种基于图像的斜腕臂末端管帽的缺失检测方法的流程图;
图2为具体实施方式中接触定位装置的图像;
图3为需要进行水平翻转预处理的接触定位装置的图像;
图4为根据斜腕臂方向角旋转后斜腕臂处于水平位置的图像;
图5为裁剪后得到的斜腕臂末端管帽所在区域的图像;
图6为本发明具体实施方式中提供的种基于图像的斜腕臂末端管帽的缺失检测系统的结构框图。
具体实施方式
下面结合说明书附图与具体实施方式对本发明做进一步的详细说明。
图1示出了本发明具体实施方式中提供的一种基于图像的斜腕臂末端管帽的缺失检测方法的流程图,由图中可以看出,该方法主要包括以下步骤:
步骤S100:采集高铁基础网的接触定位装置的图像;
首先,通过图像采集设备采集高铁基础网的接触定位装置的全局图像。如图2所示为一幅接触定位装置的图像,图像中包括了支柱、斜腕臂、斜腕臂末端的管帽(该图中管帽存在)、还包括由斜拉线、斜拉线定位管等其它部分。
为了提高后续图像处理的效率,采集到图像后,对图像进行统一格式的预处理,本实施方式中,判断采集到的图像中支柱是否图像的左侧,即判断斜腕臂等其它部分是否位于支柱的右侧,若是,则不需要进行处理,若否,则将图像进行水平翻转,使支柱位于图像的最左侧。如采集到的图像为图3中所示的图像,通过水平翻转,可以得到和图2中所示的统一格式的图像。
在采集图像时,可以根据需要预设采集的图像的尺寸,单位为像素个数。
步骤S200:将所述图像进行二值化处理,并将二值化图像进行边缘检测,得到二值化图像的边缘轮廓;
步骤S300:计算斜腕臂的轮廓方向角,根据斜腕臂的轮廓方向角进行二值化图像的旋转,使旋转后的图像中斜腕臂处于水平位置;
对步骤S100中采集到的图像,使用阈值法二值化所述图像,在进行图像二值化时,灰度阈值可以根据实际需要进行设定,本实施方式中,进行图像二值化时的灰度阈值为128,二值化处理后图像中的背景色的灰度值为0。
完成图像的二值化后,采用边缘检测算法(如canny边缘检测算法)得到二值化图像的边缘轮廓,根据斜腕臂的轮廓特征提取所述边缘轮廓中的斜腕臂的边缘轮廓。其中,所述斜腕臂的轮廓特征包括预设的斜腕臂的轮廓长度范围、轮廓方向角范围、纵坐标范围和横坐标范围。轮廓长度指的是斜腕臂的轮廓上像素点的数量和,即为周长。轮廓方向角是指斜腕臂的边缘轮廓上的像素点所在的直线与水平线之间的夹角,即斜腕臂的边缘轮廓上的像素点所近似的直线与水平方向的夹角,夹角的范围为[0,π/2]。
其中,所述预设的斜腕臂的轮廓长度LengthXLD、轮廓方向角θ、横坐标x、纵坐标y的具体范围并不是唯一的,可以根据实际情况进行设定。
通过计算二值图像的具有相同连通性的各边缘轮廓中各轮廓的长度、方向角、横坐标及纵坐标,将计算的结果与上述各预设的范围相比较,符合上述预设的所有范围条件的边缘轮廓即为斜腕臂的边缘轮廓。
本实施方式中,采用图像的二阶矩来计算具有相同连通性的各边缘轮廓的方向角,具体计算方式如下:
首先,标记二值化图像中具有相同连通性的各个边缘轮廓,本实施方式中,以二值图像C(x,y)中的任一具有相同连通性的轮廓R为例来计算该轮廓的轮廓方向角:
计算轮廓R的面积S,计算公式为:
其中,(x,y)∈R表示轮廓R上的所有像素点,x、y分别为像素点的横坐标和纵坐标,表示轮廓R上灰度值为1的像素点的数量和,即轮廓上的白色像素点的数量。
轮廓R的面积的归一化的(p+q)阶矩np,q的计算公式为:
其中,p≥0,q≥0;
轮廓R的面积的归一化的(p+q)阶中心矩up,q的计算公式为:
其中,p+q≥2
轮廓R的轮廓方向角θ的计算公式为:
得到斜腕臂的轮廓方向角之后,根据该轮廓方向角进行二值化图像的旋转,以使旋转后的图像中斜腕臂处于水平的位置,本实施方式中,采用仿射变换矩阵进行二值化图像的旋转,仿射变换旋转矩阵HomMat2DRotate为:
其中,θxie为斜腕臂的轮廓方向角。
如图4所示,为本实施方式中采用仿射变换矩阵将图2旋转后的示意图。
步骤S400:提取斜腕臂末端管帽所在的区域,判断斜腕臂末端管帽所在区域中管帽是否缺失。
完成二值化图像的旋转后,确定出旋转后的图像中斜腕臂所在的区域,确定方式为:标记旋转后的二值化图像中的各连通域,各连通域中面积最大的连通域对应的区域为斜腕臂所在的区域。
在确定出斜腕臂所在的区域后,为了进一步精确检测的区域,首先对图像进行裁剪,裁剪出斜腕臂所在区域中斜腕臂末端管帽所在区域,之后判断斜腕臂末端管帽所在区域中管帽是否缺失。
本实施方式中,裁剪出斜腕臂所在区域中斜腕臂末端管帽所在区域,判断斜腕臂末端管帽所在区域中管帽是否缺失的方式为:
1)根据第一预设图像尺寸对斜腕臂末端管帽所在区域进行裁剪,得到第一裁剪图像;
2)计算第一裁剪图像的灰度均值GrayMean;
3)判断所述灰度均值GrayMean是否小于第一灰度阈值Threshold1,若是,则判断管帽存在,若否,则判断灰度均值GrayMean是否小于第二灰度阈值Threshold2;若是,则判断管帽缺失,若否,则进入下一步;其中,Threshold1<Threshold2;第一灰度阈值Threshold1和第二灰度阈值Threshold2均为经验值;
4)根据第二预设图像尺寸对斜腕臂末端管帽所在区域进行裁剪,得到第二裁剪图像;所述第二预设图像尺寸大于所述第一预设图像尺寸;该步骤即重新裁剪斜腕臂末端管帽所在的区域,扩大裁剪范围。
5)对第二裁剪图像做卷积操作,突出图像的竖向纹理,提取图像的竖向边缘,根据卷积操作后图像中符合预设面积范围的竖向边缘的个数判断出管帽是否存在:若符合预设面积范围的竖向边缘为两个,则判断管帽存在,若符合预设面积范围的竖向边缘为一个,则判断管帽缺失;所述卷积操作的公式为:
g(x,y)=f(x,y)*C(u,v)
其中,g(x,y)表示卷积操作后的像素值,f(x,y)表示卷积操作前的像素值,C(u,v)为卷积操作矩阵。实际应用中,卷积操作矩阵C(u,v)可以根据不用的应用场景进行设置。
在实际处理中,所述第一预设图像尺寸和第一预设图像尺寸的大小均为经验值,根据需要处理的图像来确定。根据第一预设图像尺寸对斜腕臂末端管帽所在的区域进行裁剪的方式为:
记录旋转后的斜腕臂所在区域的左上角像素点坐标(minRows,minColumns)和右下角像素点的坐标(maxRows,maxColumns),分别以(minRows+r1,maxColumns-c1)和(minRows+r2,maxColumns-c2)为矩形的左上角点坐标和右下角坐标进行裁剪。如图5所示,为将图4中的斜腕臂所在的区域进行裁剪后,得到的斜腕臂末端管帽所在区域的示意图。本实施方式中,图像的左上角为坐标原点,原点向右为坐标系横轴的正半轴,原点向下为坐标系纵轴的正半轴,所述r1、c1、r2和c2均为正整数,且r1<r2,c1>c2。
本实施方式中,首先根据第一裁剪图像的灰度均值和预设的经验值即第一灰度阈值Threshold1和第二灰度阈值Threshold2来判断管帽是否缺失,而灰度均值处于第一灰度阈值Threshold1和第二灰度阈值Threshold2之间的图像则再进一步扩大感兴趣区域范围并做卷积处理,通过突出图像竖向纹理的卷积操作,根据卷积操作后的图像中的竖向边缘特征判断出管帽是否存在,通过这两种方式,更准确的保证了判断结果。由图5可以看出,如果图像中存在管帽,则卷积处理后的图像中的边缘中应该存在两个满足管帽竖向边缘特征的竖向边缘,即满足预设面积范围的竖向边缘,本实施方式中,预设面积范围可以根据需要进行设置,如果管帽存在,则卷积操作后的图像中应该有两个面积在预设面积范围内的竖向边缘,竖向边缘的面积指的是竖向边缘的像素值为1的像素点的个数。
与图1中所示的方法相对应,本发明还提供了一种基于图像的斜腕臂末端管帽的缺失检测系统,如图6所示,该系统主要包括图像采集模块100、边缘提取模块200、图像旋转模块300和管帽缺失判断模块400。其中:
图像采集模块100,用于采集高铁接触网的接触定位装置的图像;
边缘提取模块200,用于将所述图像进行二值化处理,并将二值化图像进行边缘检测,得到二值化图像的边缘轮廓;
图像旋转模块300,用于根据斜腕臂的轮廓特征提取所述边缘轮廓中的斜腕臂的边缘轮廓,计算斜腕臂的轮廓方向角,根据斜腕臂的轮廓方向角进行二值化图像的旋转,使旋转后的图像中斜腕臂处于水平位置;所述轮廓方向角是指斜腕臂的边缘轮廓的点所在的直线与水平线之间的夹角;夹角的范围为[0,π/2];所述斜腕臂的轮廓特征包括预设的斜腕臂的轮廓长度范围、轮廓方向角范围、纵坐标范围和横坐标范围;
管帽缺失判断模块400,用于确定出旋转后的图像中斜腕臂所在区域,并裁剪出斜腕臂所在区域中斜腕臂末端管帽所在区域,判断斜腕臂末端管帽所在区域中管帽是否缺失;管帽缺失判断模块400确定出旋转后的图像中斜腕臂所在区域的方式为:
标记旋转后的二值化图像中的各连通域,各连通域中面积最大的连通域对应的区域为斜腕臂所在的区域。
所述管帽缺失判断模块400包括:
第一图像裁剪单元401,用于根据第一预设图像尺寸对斜腕臂末端管帽所在区域进行裁剪,得到第一裁剪图像;
灰度均值计算单元402,用于计算第一裁剪图像的灰度均值GrayMean;
第一管帽缺失判断单元403,用于判断所述灰度均值GrayMean是否小于第一灰度阈值Threshold1,若是,则判断管帽存在,若否,则判断灰度均值GrayMean是否小于第二灰度阈值Threshold2;若是,则判断管帽缺失,若否,则进入第二图像裁剪单元;其中,Threshold1<Threshold2;
第二图像裁剪单元404,用于根据第二预设图像尺寸对斜腕臂末端管帽所在区域进行裁剪,得到第二裁剪图像;所述第二预设图像尺寸大于所述第一预设图像尺寸;
第二管帽缺失判断单元405,用于对第二裁剪图像做卷积提取竖向边缘,根据竖向边缘的个数判断出管帽是否存在:若符合预设面积范围的竖向边缘为两个,则判断管帽存在,若符合预设面积范围的竖向边缘为一个,则判断管帽缺失。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于图像的斜腕臂末端管帽的缺失检测方法,包括以下步骤:
(1)采集高铁接触网的接触定位装置的图像;
(2)将所述图像进行二值化处理,并将二值化图像进行边缘检测,得到二值化图像的边缘轮廓;
(3)根据斜腕臂的轮廓特征提取所述边缘轮廓中的斜腕臂的边缘轮廓,计算斜腕臂的轮廓方向角,根据斜腕臂的轮廓方向角进行二值化图像的旋转,使旋转后的图像中斜腕臂处于水平位置;所述轮廓方向角是指斜腕臂的边缘轮廓的点所在的直线与水平线之间的夹角;夹角的范围为[0,π/2];
(4)确定出旋转后的图像中斜腕臂所在区域,并裁剪出斜腕臂所在区域中斜腕臂末端管帽所在区域,判断斜腕臂末端管帽所在区域中管帽是否缺失;
裁剪出斜腕臂所在区域中斜腕臂末端管帽所在区域,判断斜腕臂末端管帽所在区域中管帽是否缺失的方式为:
4.1)根据第一预设图像尺寸对斜腕臂末端管帽所在区域进行裁剪,得到第一裁剪图像;
4.2)计算第一裁剪图像的灰度均值GrayMean;
4.3)判断所述灰度均值GrayMean是否小于第一灰度阈值Threshold1,若是,则判断管帽存在,若否,则判断灰度均值GrayMean是否小于第二灰度阈值Threshold2,若是,则判断管帽缺失,若否,则进入下一步;其中,Threshold1<Threshold2;
4.4)根据第二预设图像尺寸对斜腕臂末端管帽所在区域进行裁剪,得到第二裁剪图像;所述第二预设图像尺寸大于所述第一预设图像尺寸;
4.5)对第二裁剪图像做卷积提取竖向边缘,根据竖向边缘的个数判断出管帽是否存在:若符合预设面积范围的竖向边缘为两个,则判断管帽存在,若符合预设面积范围的竖向边缘为一个,则判断管帽缺失。
2.根据权利要求1所述的一种基于图像的斜腕臂末端管帽的缺失检测方法,其特征在于:步骤(3)中,所述斜腕臂的轮廓特征包括预设的斜腕臂的轮廓长度范围、轮廓方向角范围、纵坐标范围和横坐标范围。
3.根据权利要求1所述的一种基于图像的斜腕臂末端管帽的缺失检测方法,其特征在于:步骤(4)中,采用仿射变换矩阵进行二值化图像的旋转,仿射变换旋转矩阵HomMat2DRotate为:
<mrow>
<mi>H</mi>
<mi>o</mi>
<mi>m</mi>
<mi>M</mi>
<mi>a</mi>
<mi>t</mi>
<mn>2</mn>
<mi>D</mi>
<mi>R</mi>
<mi>o</mi>
<mi>t</mi>
<mi>a</mi>
<mi>t</mi>
<mi>e</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>cos</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>x</mi>
<mi>i</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>x</mi>
<mi>i</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>x</mi>
<mi>i</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>cos</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>x</mi>
<mi>i</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,θxie为斜腕臂的轮廓方向角。
4.根据权利要求1所述的一种基于图像的斜腕臂末端管帽的缺失检测方法,其特征在于:步骤(4)中,确定出旋转后的图像中斜腕臂所在区域的方式为:
标记旋转后的二值化图像中的各连通域,各连通域中面积最大的连通域对应的区域为斜腕臂所在的区域。
5.根据权利要求4所述的一种基于图像的斜腕臂末端管帽的缺失检测方法,其特征在于:步骤4.1)中,根据第一预设图像尺寸对斜腕臂末端管帽所在的区域进行裁剪的方式为:
记录旋转后的斜腕臂所在区域的左上角像素点坐标(minRows,minColumns)和右下角像素点的坐标(maxRows,maxColumns),分别以(minRows+r1,maxColumns-c1)和(minRows+r2,maxColumns-c2)为矩形的左上角点坐标和右下角坐标进行裁剪;其中,r1、c1、r2和c2均为正整数,且r1<r2,c1>c2。
6.根据权利要求1所述的一种基于图像的斜腕臂末端管帽的缺失检测方法,其特征在于:步骤4.5)中,所述卷积操作的公式为:
g(x,y)=f(x,y)*C(u,v)
其中,g(x,y)表示卷积操作后的像素值,f(x,y)表示卷积操作前的像素值,C(u,v)为卷积操作矩阵。
7.根据权利要求1至6之一所述的一种基于图像的斜腕臂末端管帽的缺失检测方法,其特征在于:步骤(2)中,将所述图像进行二值化处理之前,还包括:
对所述图像进行预处理,使处理后的图像中斜腕臂位于支柱的左侧。
8.一种基于图像的斜腕臂末端管帽的缺失检测系统,包括:
图像采集模块,用于采集高铁接触网的接触定位装置的图像;
边缘提取模块,用于将所述图像进行二值化处理,并将二值化图像进行边缘检测,得到二值化图像的边缘轮廓;
图像旋转模块,用于根据斜腕臂的轮廓特征提取所述边缘轮廓中的斜腕臂的边缘轮廓,计算斜腕臂的轮廓方向角,根据斜腕臂的轮廓方向角进行二值化图像的旋转,使旋转后的图像中斜腕臂处于水平位置;所述轮廓方向角是指斜腕臂的边缘轮廓的点所在的直线与水平线之间的夹角;夹角的范围为[0,π/2];
管帽缺失判断模块,用于确定出旋转后的图像中斜腕臂所在区域,并裁剪出斜腕臂所在区域中斜腕臂末端管帽所在区域,判断斜腕臂末端管帽所在区域中管帽是否缺失;所述管帽缺失判断模块包括:
第一图像裁剪单元,用于根据第一预设图像尺寸对斜腕臂末端管帽所在区域进行裁剪,得到第一裁剪图像;
灰度均值计算单元,用于计算第一裁剪图像的灰度均值GrayMean;
第一管帽缺失判断单元,用于判断所述灰度均值GrayMean是否小于第一灰度阈值Threshold1,若是,则判断管帽存在,若否,则判断灰度均值GrayMean是否小于第二灰度阈值Threshold2,若是,则判断管帽缺失,若否,则进入第二图像裁剪单元;其中,Threshold1<Threshold2;
第二图像裁剪单元,用于根据第二预设图像尺寸对斜腕臂末端管帽所在区域进行裁剪,得到第二裁剪图像;所述第二预设图像尺寸大于所述第一预设图像尺寸;
第二管帽缺失判断单元,用于对第二裁剪图像做卷积提取竖向边缘,根据竖向边缘的个数判断出管帽是否存在:若符合预设面积范围的竖向边缘为两个,则判断管帽存在,若符合预设面积范围的竖向边缘为一个,则判断管帽缺失。
9.根据权利要求8所述的一种基于图像的斜腕臂末端管帽的缺失检测系统,其特征在于:所述斜腕臂的轮廓特征包括预设的斜腕臂的轮廓长度范围、轮廓方向角范围、纵坐标范围和横坐标范围。
10.根据权利要求8所述的一种基于图像的斜腕臂末端管帽的缺失检测系统,其特征在于:所述管帽缺失判断模块确定出旋转后的图像中斜腕臂所在区域的方式为:
标记旋转后的二值化图像中的各连通域,各连通域中面积最大的连通域对应的区域为斜腕臂所在的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610125846.7A CN107169951B (zh) | 2016-03-03 | 2016-03-03 | 一种基于图像的斜腕臂末端管帽的缺失检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610125846.7A CN107169951B (zh) | 2016-03-03 | 2016-03-03 | 一种基于图像的斜腕臂末端管帽的缺失检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107169951A true CN107169951A (zh) | 2017-09-15 |
CN107169951B CN107169951B (zh) | 2019-08-30 |
Family
ID=59849206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610125846.7A Active CN107169951B (zh) | 2016-03-03 | 2016-03-03 | 一种基于图像的斜腕臂末端管帽的缺失检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169951B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399624A (zh) * | 2018-02-01 | 2018-08-14 | 中铁电气化局集团有限公司 | 一种腕臂定位标识的检测方法 |
CN108510469A (zh) * | 2018-02-08 | 2018-09-07 | 郑州瑞富德机电科技有限公司 | 一种腕臂检测方法及装置 |
CN110136142A (zh) * | 2019-04-26 | 2019-08-16 | 微梦创科网络科技(中国)有限公司 | 一种图像裁剪方法、装置、电子设备 |
CN110310276A (zh) * | 2019-07-05 | 2019-10-08 | 石家庄铁道大学 | 一种基于几何特性的电气化铁路支撑装置管帽定位方法 |
CN110322395A (zh) * | 2019-06-18 | 2019-10-11 | 电子科技大学中山学院 | 基于图像处理与仿射变换的零件轮廓形状检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7162089B2 (en) * | 2001-04-12 | 2007-01-09 | Tsinghua University | Method for segmenting and recognizing an image in industry radiation imaging |
CN103196372A (zh) * | 2013-04-11 | 2013-07-10 | 北京和润科仪科技有限公司 | 一种电气化铁路接触网支持装置的光学成像检测方法 |
CN104318582A (zh) * | 2014-11-14 | 2015-01-28 | 西南交通大学 | 一种基于图像不变性目标定位的高铁接触网旋转双耳部件销钉不良状态检测方法 |
CN104794720A (zh) * | 2015-05-04 | 2015-07-22 | 成都唐源电气有限责任公司 | 一种在接触网图像中定位出定位线夹的方法及系统 |
CN105321173A (zh) * | 2015-09-23 | 2016-02-10 | 电子科技大学 | 一种基于机器视觉的火车隧道电缆夹具自动缺陷检测方法 |
-
2016
- 2016-03-03 CN CN201610125846.7A patent/CN107169951B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7162089B2 (en) * | 2001-04-12 | 2007-01-09 | Tsinghua University | Method for segmenting and recognizing an image in industry radiation imaging |
CN103196372A (zh) * | 2013-04-11 | 2013-07-10 | 北京和润科仪科技有限公司 | 一种电气化铁路接触网支持装置的光学成像检测方法 |
CN104318582A (zh) * | 2014-11-14 | 2015-01-28 | 西南交通大学 | 一种基于图像不变性目标定位的高铁接触网旋转双耳部件销钉不良状态检测方法 |
CN104794720A (zh) * | 2015-05-04 | 2015-07-22 | 成都唐源电气有限责任公司 | 一种在接触网图像中定位出定位线夹的方法及系统 |
CN105321173A (zh) * | 2015-09-23 | 2016-02-10 | 电子科技大学 | 一种基于机器视觉的火车隧道电缆夹具自动缺陷检测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399624A (zh) * | 2018-02-01 | 2018-08-14 | 中铁电气化局集团有限公司 | 一种腕臂定位标识的检测方法 |
CN108510469A (zh) * | 2018-02-08 | 2018-09-07 | 郑州瑞富德机电科技有限公司 | 一种腕臂检测方法及装置 |
CN110136142A (zh) * | 2019-04-26 | 2019-08-16 | 微梦创科网络科技(中国)有限公司 | 一种图像裁剪方法、装置、电子设备 |
CN110322395A (zh) * | 2019-06-18 | 2019-10-11 | 电子科技大学中山学院 | 基于图像处理与仿射变换的零件轮廓形状检测方法及装置 |
CN110310276A (zh) * | 2019-07-05 | 2019-10-08 | 石家庄铁道大学 | 一种基于几何特性的电气化铁路支撑装置管帽定位方法 |
CN110310276B (zh) * | 2019-07-05 | 2022-11-18 | 石家庄铁道大学 | 一种基于几何特性的电气化铁路支撑装置管帽定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107169951B (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169951A (zh) | 一种基于图像的斜腕臂末端管帽的缺失检测方法及系统 | |
CN114119464B (zh) | 一种基于深度学习的锂电池电芯顶盖焊缝外观检测方法 | |
CN108107051B (zh) | 基于机器视觉的锂电池缺陷检测系统及方法 | |
CN105654461B (zh) | 一种多分裂导线间隔棒断裂的机器视觉检测方法 | |
CN104361314B (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN104794720B (zh) | 一种在接触网图像中定位出定位线夹的方法及系统 | |
CN107154034B (zh) | 一种高铁接触网斜拉线定位钩的状态检测方法及系统 | |
CN102980896B (zh) | 高铁接触网悬挂装置耳片断裂检测方法 | |
CN105987684A (zh) | 一种基于单目视觉的农业车辆导航线检测系统及方法 | |
CN104400265B (zh) | 一种激光视觉引导的焊接机器人角接焊缝特征的提取方法 | |
CN104318582A (zh) | 一种基于图像不变性目标定位的高铁接触网旋转双耳部件销钉不良状态检测方法 | |
WO2014139273A1 (zh) | 焊缝缺陷检测方法 | |
CN108764234B (zh) | 一种基于巡检机器人的液位仪表读数识别方法 | |
CN105354847A (zh) | 基于滑动比较窗口自适应分割的水果表面缺陷检测方法 | |
CN105719305A (zh) | 接触网中组件脱落缺陷识别方法及系统 | |
CN107154033B (zh) | 一种高铁接触网旋转双耳竖向开口销缺失检测方法及系统 | |
CN110288562A (zh) | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 | |
CN107367361B (zh) | 基于视频差异分析的复合绝缘子疲劳程度评价方法 | |
CN103196372A (zh) | 一种电气化铁路接触网支持装置的光学成像检测方法 | |
CN206920024U (zh) | 导线颜色测序系统 | |
CN109145413B (zh) | 重力管线泵站收水范围分析方法及装置 | |
CN105718964A (zh) | 一种输电线防振锤的视觉检测方法 | |
CN105354827A (zh) | 一种在接触网图像中智能识别线夹螺母脱落的方法及系统 | |
CN107610092A (zh) | 基于视频流的路面裂缝动态检测方法 | |
CN110197483A (zh) | 基于视频信号的深基坑裂缝检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |