CN107194921A - 钢轨轨面光带的自动识别方法和装置 - Google Patents
钢轨轨面光带的自动识别方法和装置 Download PDFInfo
- Publication number
- CN107194921A CN107194921A CN201710360990.3A CN201710360990A CN107194921A CN 107194921 A CN107194921 A CN 107194921A CN 201710360990 A CN201710360990 A CN 201710360990A CN 107194921 A CN107194921 A CN 107194921A
- Authority
- CN
- China
- Prior art keywords
- rail
- image
- light belt
- edge
- light
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
Abstract
本发明提供了钢轨轨面光带的自动识别方法和装置,包括:通过激光器和高速摄像机采集图片,并从图片中获取钢轨图像;从钢轨图像上标记包括钢轨轨面的图像,并将包括钢轨轨面的图像作为轨面模板;根据轨面模板确定第一搜索图像,并对第一搜索图像进行预处理,得到第二搜索图像;从第二搜索图像中提取光带边缘;从光带边缘和轨面模板边缘中提取钢轨图像边缘;根据光带边缘和钢轨图像边缘确定光带的位置,并根据预设条件,确定光带的状态,从而可以采用激光光源辅助图像采集,极大地提高了铁轨轨面光带缺陷的检出率,并且以图像的钢轨轨面位置作为搜索区域,降低计算复杂度。
Description
技术领域
本发明涉及交通技术领域,尤其是涉及钢轨轨面光带的自动识别方法和装置。
背景技术
随着铁路的高速发展,铁路渐渐成为人们日常生活的常用交通工具。铁路交通安全对轨道状态有严格的要求,对轨道平稳性的要求也在不断提高。
车轮轮缘与钢轨间相互作用,会在钢轨上留下亮痕,这种亮痕称为钢轨光带。钢轨光带宽度的增大或减小,可以反映轨道的状态。钢轨光带发生异常,直接原因是轮轨间作用力和作用点发生了改变。因此定量检测钢轨光带可以反映轮轨关系。
目前,通过视觉图像检测技术进行钢轨光带检测,使用高速摄像机采集图像,然后对图像进行预处理、特征提取和缺陷分类等步骤,从而实现钢轨光带的状态检测。其中,预处理步骤中是对所有图像进行处理,计算复杂度较高;特征提取步骤为关键步骤,特征提取的好坏直接影响检测的效果。但是,采集的图像受不均匀光照和相机视角等条件的限制,特别是光带的呈像质量差异较大,进而影响钢轨光带识别的处理,检测速度和缺陷检出率受到严重制约。
发明内容
有鉴于此,本发明的目的在于提供钢轨轨面光带的自动识别方法和装置,可以采用激光光源辅助图像采集,极大地提高了铁轨轨面光带缺陷的检出率,并且以图像的钢轨轨面位置作为搜索区域,降低计算复杂度。
第一方面,本发明实施例提供了钢轨轨面光带的自动识别方法,所述方法包括:
通过激光器和高速摄像机采集图片,并从所述图片中获取钢轨图像;
从所述钢轨图像上标记包括所述钢轨轨面的图像,并将包括所述钢轨轨面的图像作为轨面模板;
根据所述轨面模板确定第一搜索图像,并对所述第一搜索图像进行预处理,得到第二搜索图像;
从所述第二搜索图像中提取光带边缘;
从所述光带边缘和所述轨面模板边缘中提取钢轨图像边缘;
根据所述光带边缘和所述钢轨图像边缘确定所述光带的位置,并根据预设条件,确定所述光带的状态。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述根据预设条件,确定所述光带的状态包括:
如果所述光带中存在长度大于第一像素阈值的第一区域,则所述光带处于中断状态;
如果所述光带的平均中心线位置与轨面中心线位置的偏离值大于第二像素阈值,则所述光带处于偏心状态;
如果所述光带中存在所述长度大于第三像素阈值的第二区域,并且所述第二区域的所述光带的平均宽度大于第四像素阈值或者小于第五像素阈值,则所述光带处于过宽状态或过窄状态。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述从所述第二搜索图像中提取光带边缘包括:
将所述第二搜索图像根据光带区域的颜色分布特征,得到光带区域和非光带区域;
将所述光带区域和所述非光带区域通过图像边缘提取算法,得到所述光带区域和所述非光带区域交界的所述光带边缘。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,光带边缘包括所述光带边缘的左边界和所述光带边缘的右边界,所述从所述光带边缘和所述轨面模板边缘中提取钢轨图像边缘包括:
将所述光带边缘的左边界和所述轨面模板的左边界作为第三搜索图像,并将所述第三搜索图像通过图像边缘提取算法,得到所述钢轨图像的左边界;
将所述光带边缘的右边界和所述轨面模板的右边界作为第四搜索图像,并将所述第四搜索图像通过所述图像边缘提取算法,得到所述钢轨图像的右边界;
根据所述钢轨图像的左边界和所述钢轨图像的右边界,得到所述钢轨图像边缘。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述根据所述轨面模板确定第一搜索图像包括:
将与所述轨面模板的横坐标相同且宽度相同的纵向区域作为所述第一搜索图像。
第二方面,本发明实施例还提供钢轨轨面光带的自动识别装置,所述装置包括:
获取模块,用于通过激光器和高速摄像机采集图片,并从所述图片中获取钢轨图像;
标记模块,用于从所述钢轨图像上标记包括所述钢轨轨面的图像,并将包括所述钢轨轨面的图像作为轨面模板;
预处理模块,用于根据所述轨面模板确定第一搜索图像,并对所述第一搜索图像进行预处理,得到第二搜索图像;
第一提取模块,用于从所述第二搜索图像中提取光带边缘;
第二提取模块,用于从所述光带边缘和所述轨面模板边缘中提取钢轨图像边缘;
确定模块,用于根据所述光带边缘和所述钢轨图像边缘确定所述光带的位置,并根据预设条件,确定所述光带的状态。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述确定模块包括:
如果所述光带中存在长度大于第一像素阈值的第一区域,则所述光带处于中断状态;
如果所述光带的平均中心线位置与轨面中心线位置的偏离值大于第二像素阈值,则所述光带处于偏心状态;
如果所述光带中存在所述长度大于第三像素阈值的第二区域,并且所述第二区域的所述光带的平均宽度大于第四像素阈值或者小于第五像素阈值,则所述光带处于过宽状态或过窄状态。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,所述第一提取模块包括:
将所述第二搜索图像根据光带区域的颜色分布特征,得到光带区域和非光带区域;
将所述光带区域和所述非光带区域通过图像边缘提取算法,得到所述光带区域和所述非光带区域交界的所述光带边缘。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,其中,光带边缘包括所述光带边缘的左边界和所述光带边缘的右边界,所述第二提取模块包括:
将所述光带边缘的左边界和所述轨面模板的左边界作为第三搜索图像,并将所述第三搜索图像通过图像边缘提取算法,得到所述钢轨图像的左边界;
将所述光带边缘的右边界和所述轨面模板的右边界作为第四搜索图像,并将所述第四搜索图像通过所述图像边缘提取算法,得到所述钢轨图像的右边界;
根据所述钢轨图像的左边界和所述钢轨图像的右边界,得到所述钢轨图像边缘。
结合第二方面,本发明实施例提供了第二方面的第四种可能的实施方式,其中,所述预处理模块包括:
将与所述轨面模板的横坐标相同且宽度相同的纵向区域作为所述第一搜索图像。
本发明实施例提供了钢轨轨面光带的自动识别方法和装置,包括:通过激光器和高速摄像机采集图片,并从图片中获取钢轨图像;从钢轨图像上标记包括钢轨轨面的图像,并将包括钢轨轨面的图像作为轨面模板;根据轨面模板确定第一搜索图像,并对第一搜索图像进行预处理,得到第二搜索图像;从第二搜索图像中提取光带边缘;从光带边缘和轨面模板边缘中提取钢轨图像边缘;根据光带边缘和钢轨图像边缘确定光带的位置,并根据预设条件,确定光带的状态,从而可以采用激光光源辅助图像采集,极大地提高了铁轨轨面光带缺陷的检出率,并且以图像的钢轨轨面位置作为搜索区域,降低计算复杂度。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的钢轨轨面光带的自动识别方法流程图;
图2为本发明实施例一提供的钢轨轨面光带的自动识别方法中步骤S104流程图;
图3为本发明实施例一提供的钢轨轨面光带的自动识别方法中步骤S105流程图;
图4为本发明实施例一提供的光带区域和非光带区域示意图;
图5为本发明实施例二提供的钢轨轨面光带的自动识别装置示意图。
图标:
10-获取模块;20-标记模块;30-预处理模块;40-第一提取模块;50-第二提取模块;60-确定模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为便于对本实施例进行理解,下面对本发明实施例进行详细介绍。
实施例一:
图1为本发明实施例一提供的钢轨轨面光带的自动识别方法流程图。
参照图1,步骤S101,通过激光器和高速摄像机采集图片,并从所述图片中获取钢轨图像;
这里,将激光器和高速摄像机进行组合采集图片,可以提高铁轨轨面光带缺陷的检出率。
步骤S102,从所述钢轨图像上标记包括所述钢轨轨面的图像,并将包括所述钢轨轨面的图像作为轨面模板;
这里,从所述钢轨图像上标记包括所述钢轨轨面的图像,且标记宽度大于钢轨轨面宽度,即将钢轨轨面覆盖在标记的图像范围内,标记的图像称为轨面模板。
步骤S103,根据所述轨面模板确定第一搜索图像,并对所述第一搜索图像进行预处理,得到第二搜索图像;
这里,当轨面模板确定后,根据轨面模板即可确定第一搜索图像,即将与轨面模板的横坐标相同且宽度相同的纵向区域作为第一搜索图像,这样可以缩小筛选图像的范围,不是对轨道所有图像进行搜索匹配,而是直接定位到图像的轨面位置作为搜索区域,从而使计算复杂度大大降低。
对第一搜索图像进行灰度化和二值化处理后,再进行滤波处理,对第一搜索图像的每一行都采用零相位数字滤波方法,可以降低第一搜索图像中的噪声干扰,也可以有效消除滤波处理对第一搜索图像的失真影响。
步骤S104,从所述第二搜索图像中提取光带边缘;
步骤S105,从所述光带边缘和轨面模板边缘中提取钢轨图像边缘;
步骤S106,根据所述光带边缘和所述钢轨图像边缘确定所述光带的位置,并根据预设条件,确定所述光带的状态。
这里,在确定光带的位置后,分析光带的位置是否满足预设条件,判断光带是正常光带还是异常光带。其中,预设条件为异常报警条件。根据光带的几何参数特征,设定预设条件作为光带的异常报警条件。
进一步的,步骤S106包括:
如果所述光带中存在长度大于第一像素阈值的第一区域,则所述光带处于中断状态;
如果所述光带的平均中心线位置与轨面中心线位置的偏离值大于第二像素阈值,则所述光带处于偏心状态;
如果所述光带中存在所述长度大于第三像素阈值的第二区域,并且所述第二区域的所述光带的平均宽度大于第四像素阈值或者小于第五像素阈值,则所述光带处于过宽状态或过窄状态。
这里,第一像素阈值A为1-10厘米的像素值,第二像素阈值B为1-10毫米的像素值,第三像素阈值C为1-10厘米的像素值,第四像素阈值D为1-10厘米的像素值,第五像素阈值E为1-10厘米的像素值。
下面以采集图像参数为例,对光带的状态进行说明。
图像参数包括图像分辨率、图像实际宽度和图像的空间分辨率,其中,图像分辨率:2048像素*2048像素;图像实际宽度:600mm*600mm;图像的空间分辨率:600/2048≈0.3mm。
第一种情况:如果光带中存在长度大于第一像素阈值A的第一区域,则光带处于中断状态。一般情况下,在10mm左右没有光带的情况下,光带处于中断状态,那么A的值为10/0.3≈33。
第二种情况:如果光带的平均中心线位置与轨面中心线位置的偏离值大于第二像素阈值B,则光带处于偏心状态。一般情况下,光带位置偏离轨面中心位置5mm左右,光带处于偏心状态,那么B的值为5/0.3≈17。
第三种情况:如果光带中存在长度大于第三像素阈值C的第二区域,并且第二区域的光带的平均宽度在第四像素阈值D~第五像素阈E外,则分析光带是否处于过宽状态或过窄状态。一般情况下,计算光带宽度异常的截取长度为10mm,那么C的值为10/0.3≈33。
光带宽度异常的检测标准和钢轨打磨的作业要求是一样的,比如平均宽度第四像素阈值D~第五像素阈值E在20~30mm之间的打磨廓面设计,那么D的值为20/0.3≈66,E的值为:30/0.3=100。
进一步的,参照图2,步骤S104包括以下步骤:
步骤S201,将所述第二搜索图像根据光带区域的颜色分布特征,得到光带区域和非光带区域;
步骤S202,将所述光带区域和所述非光带区域通过图像边缘提取算法,得到所述光带区域和所述非光带区域交界的所述光带边缘。
具体地,将第二搜索图像根据光带区域的颜色分布特征,得到光带区域和非光带区域,具体可参照图4。
由于钢轨轨面图像边缘的阶跃性会使得二阶微分在边缘处出现0值,这是因为边缘点的一阶微分(斜率)先升后降,中间有最高点或最低点,再求导(二阶微分)就会过0点。
数字图像中,f(x,y)可表示成一个M*N的二维数字阵列,由公式(1)可知:
对于数字图像f(i,j),用差分来近似代替导数,则在点(i,j)处沿x方向进行一阶差分,得到一阶差分数组,具体由公式(2)可知:
Δxf(i,j)=f(i+1,j)-f(i,j) (2)
对于数字图像f(i,j),利用差分方程沿x方向进行二阶差分,得到二阶差分数组,具体由公式(3)可知:
在第二搜索图像中,对于每一行来说,先沿x方向进行一阶差分,得到一阶差分数组,再沿x方向进行二阶差分,得到二阶差分数组。
对于边缘点(i,j),如果并且判断Δxf(i,j)>0且是否连续递增,则得到光带边缘的左边界。
对于边缘点(i,j),如果并且判断Δxf(i,j)<0且是否连续递减,则得到光带边缘的右边界。
在第二搜索图像的纵向区域中,汇集光带边缘的左边界和光带边缘的右边界,得到光带区域和非光带区域交界的光带边缘。
进一步的,参照图3,光带边缘包括所述光带边缘的左边界和所述光带边缘的右边界,步骤S105包括以下步骤:
步骤S301,将所述光带边缘的左边界和所述轨面模板的左边界作为第三搜索图像,并将所述第三搜索图像通过图像边缘提取算法,得到所述钢轨图像的左边界;
步骤S302,将所述光带边缘的右边界和所述轨面模板的右边界作为第四搜索图像,并将所述第四搜索图像通过所述图像边缘提取算法,得到所述钢轨图像的右边界;
步骤S303,根据所述钢轨图像的左边界和所述钢轨图像的右边界,得到所述钢轨图像边缘。
具体地,从光带边缘和轨面模板边缘中提取钢轨图像边缘,光带边缘的左边界(光带边缘左边界=光带边缘左边界-5像素,为了消除光带的噪声影响)和轨面模板的左边界作为第三搜索图像,并将第三搜索图像通过图像边缘提取算法,得到钢轨图像的左边界;
光带边缘的右边界(光带边缘右边界=光带边缘右边界+5像素,为了消除光带的噪声影响)和轨面模板的右边界作为第四搜索图像,并将第四搜索图像通过图像边缘提取算法,得到钢轨图像的右边界。
进一步的,步骤S103包括:
将与所述轨面模板的横坐标相同且宽度相同的纵向区域作为所述第一搜索图像。
本发明实施例提供了钢轨轨面光带的自动识别方法,包括:通过激光器和高速摄像机采集图片,并从图片中获取钢轨图像;从钢轨图像上标记包括钢轨轨面的图像,并将包括钢轨轨面的图像作为轨面模板;根据轨面模板确定第一搜索图像,并对第一搜索图像进行预处理,得到第二搜索图像;从第二搜索图像中提取光带边缘;从光带边缘和轨面模板边缘中提取钢轨图像边缘;根据光带边缘和钢轨图像边缘确定光带的位置,并根据预设条件,确定光带的状态,从而可以采用激光光源辅助图像采集,极大地提高了铁轨轨面光带缺陷的检出率,并且以图像的钢轨轨面位置作为搜索区域,降低计算复杂度。
实施例二:
图5为本发明实施例二提供的钢轨轨面光带的自动识别装置示意图。
参照图5,该装置包括:获取模块10、标记模块20、预处理模块30、第一提取模块40、第二提取模块50和确定模块60。
获取模块10,用于通过激光器和高速摄像机采集图片,并从所述图片中获取钢轨图像;
标记模块20,用于从所述钢轨图像上标记包括所述钢轨轨面的图像,并将包括所述钢轨轨面的图像作为轨面模板;
预处理模块30,用于根据所述轨面模板确定第一搜索图像,并对所述第一搜索图像进行预处理,得到第二搜索图像;
第一提取模块40,用于从所述第二搜索图像中提取光带边缘;
第二提取模块50,用于从所述光带边缘和轨面模板边缘中提取钢轨图像边缘;
确定模块60,用于根据所述光带边缘和所述钢轨图像边缘确定所述光带的位置,并根据预设条件,确定所述光带的状态。
进一步的,确定模块60包括:
如果所述光带中存在长度大于第一像素阈值的第一区域,则所述光带处于中断状态;
如果所述光带的平均中心线位置与轨面中心线位置的偏离值大于第二像素阈值,则所述光带处于偏心状态;
如果所述光带中存在所述长度大于第三像素阈值的第二区域,并且所述第二区域的所述光带的平均宽度大于第四像素阈值或者小于第五像素阈值,则所述光带处于过宽状态或过窄状态。
进一步的,第一提取模块40包括:
将所述第二搜索图像根据光带区域的颜色分布特征,得到光带区域和非光带区域;
将所述光带区域和所述非光带区域通过图像边缘提取算法,得到所述光带区域和所述非光带区域交界的所述光带边缘。
进一步的,光带边缘包括所述光带边缘的左边界和所述光带边缘的右边界,第二提取模块50包括:
将所述光带边缘的左边界和所述轨面模板的左边界作为第三搜索图像,并将所述第三搜索图像通过图像边缘提取算法,得到所述钢轨图像的左边界;
将所述光带边缘的右边界和所述轨面模板的右边界作为第四搜索图像,并将所述第四搜索图像通过所述图像边缘提取算法,得到所述钢轨图像的右边界;
根据所述钢轨图像的左边界和所述钢轨图像的右边界,得到所述钢轨图像边缘。
进一步的,预处理模块30包括:
将与所述轨面模板的横坐标相同且宽度相同的纵向区域作为所述第一搜索图像。
本发明实施例提供了钢轨轨面光带的自动识别装置,包括:通过激光器和高速摄像机采集图片,并从图片中获取钢轨图像;从钢轨图像上标记包括钢轨轨面的图像,并将包括钢轨轨面的图像作为轨面模板;根据轨面模板确定第一搜索图像,并对第一搜索图像进行预处理,得到第二搜索图像;从第二搜索图像中提取光带边缘;从光带边缘和轨面模板边缘中提取钢轨图像边缘;根据光带边缘和钢轨图像边缘确定光带的位置,并根据预设条件,确定光带的状态,从而可以采用激光光源辅助图像采集,极大地提高了铁轨轨面光带缺陷的检出率,并且以图像的钢轨轨面位置作为搜索区域,降低计算复杂度。
本发明实施例所提供的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种钢轨轨面光带的自动识别方法,其特征在于,所述方法包括:
通过激光器和高速摄像机采集图片,并从所述图片中获取钢轨图像;
从所述钢轨图像上标记包括所述钢轨轨面的图像,并将包括所述钢轨轨面的图像作为轨面模板;
根据所述轨面模板确定第一搜索图像,并对所述第一搜索图像进行预处理,得到第二搜索图像;
从所述第二搜索图像中提取光带边缘;
从所述光带边缘和所述轨面模板边缘中提取钢轨图像边缘;
根据所述光带边缘和所述钢轨图像边缘确定所述光带的位置,并根据预设条件,确定所述光带的状态。
2.根据权利要求1所述的钢轨轨面光带的自动识别方法,其特征在于,所述根据预设条件,确定所述光带的状态包括:
如果所述光带中存在长度大于第一像素阈值的第一区域,则所述光带处于中断状态;
如果所述光带的平均中心线位置与轨面中心线位置的偏离值大于第二像素阈值,则所述光带处于偏心状态;
如果所述光带中存在所述长度大于第三像素阈值的第二区域,并且所述第二区域的所述光带的平均宽度大于第四像素阈值或者小于第五像素阈值,则所述光带处于过宽状态或过窄状态。
3.根据权利要求1所述的钢轨轨面光带的自动识别方法,其特征在于,所述从所述第二搜索图像中提取光带边缘包括:
将所述第二搜索图像根据光带区域的颜色分布特征,得到光带区域和非光带区域;
将所述光带区域和所述非光带区域通过图像边缘提取算法,得到所述光带区域和所述非光带区域交界的所述光带边缘。
4.根据权利要求1所述的钢轨轨面光带的自动识别方法,其特征在于,光带边缘包括所述光带边缘的左边界和所述光带边缘的右边界,所述从所述光带边缘和所述轨面模板边缘中提取钢轨图像边缘包括:
将所述光带边缘的左边界和所述轨面模板的左边界作为第三搜索图像,并将所述第三搜索图像通过图像边缘提取算法,得到所述钢轨图像的左边界;
将所述光带边缘的右边界和所述轨面模板的右边界作为第四搜索图像,并将所述第四搜索图像通过所述图像边缘提取算法,得到所述钢轨图像的右边界;
根据所述钢轨图像的左边界和所述钢轨图像的右边界,得到所述钢轨图像边缘。
5.根据权利要求1所述的钢轨轨面光带的自动识别方法,其特征在于,所述根据所述轨面模板确定第一搜索图像包括:
将与所述轨面模板的横坐标相同且宽度相同的纵向区域作为所述第一搜索图像。
6.一种钢轨轨面光带的自动识别装置,其特征在于,所述装置包括:
获取模块,用于通过激光器和高速摄像机采集图片,并从所述图片中获取钢轨图像;
标记模块,用于从所述钢轨图像上标记包括所述钢轨轨面的图像,并将包括所述钢轨轨面的图像作为轨面模板;
预处理模块,用于根据所述轨面模板确定第一搜索图像,并对所述第一搜索图像进行预处理,得到第二搜索图像;
第一提取模块,用于从所述第二搜索图像中提取光带边缘;
第二提取模块,用于从所述光带边缘和所述轨面模板边缘中提取钢轨图像边缘;
确定模块,用于根据所述光带边缘和所述钢轨图像边缘确定所述光带的位置,并根据预设条件,确定所述光带的状态。
7.根据权利要求6所述的钢轨轨面光带的自动识别装置,其特征在于,所述确定模块包括:
如果所述光带中存在长度大于第一像素阈值的第一区域,则所述光带处于中断状态;
如果所述光带的平均中心线位置与轨面中心线位置的偏离值大于第二像素阈值,则所述光带处于偏心状态;
如果所述光带中存在所述长度大于第三像素阈值的第二区域,并且所述第二区域的所述光带的平均宽度大于第四像素阈值或者小于第五像素阈值,则所述光带处于过宽状态或过窄状态。
8.根据权利要求6所述的钢轨轨面光带的自动识别装置,其特征在于,所述第一提取模块包括:
将所述第二搜索图像根据光带区域的颜色分布特征,得到光带区域和非光带区域;
将所述光带区域和所述非光带区域通过图像边缘提取算法,得到所述光带区域和所述非光带区域交界的所述光带边缘。
9.根据权利要求6所述的钢轨轨面光带的自动识别装置,其特征在于,光带边缘包括所述光带边缘的左边界和所述光带边缘的右边界,所述第二提取模块包括:
将所述光带边缘的左边界和所述轨面模板的左边界作为第三搜索图像,并将所述第三搜索图像通过图像边缘提取算法,得到所述钢轨图像的左边界;
将所述光带边缘的右边界和所述轨面模板的右边界作为第四搜索图像,并将所述第四搜索图像通过所述图像边缘提取算法,得到所述钢轨图像的右边界;
根据所述钢轨图像的左边界和所述钢轨图像的右边界,得到所述钢轨图像边缘。
10.根据权利要求6所述的钢轨轨面光带的自动识别装置,其特征在于,所述预处理模块包括:
将与所述轨面模板的横坐标相同且宽度相同的纵向区域作为所述第一搜索图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710360990.3A CN107194921B (zh) | 2017-05-19 | 2017-05-19 | 钢轨轨面光带的自动识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710360990.3A CN107194921B (zh) | 2017-05-19 | 2017-05-19 | 钢轨轨面光带的自动识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194921A true CN107194921A (zh) | 2017-09-22 |
CN107194921B CN107194921B (zh) | 2020-04-07 |
Family
ID=59874736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710360990.3A Active CN107194921B (zh) | 2017-05-19 | 2017-05-19 | 钢轨轨面光带的自动识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194921B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490416A (zh) * | 2018-12-10 | 2019-03-19 | 上海市东方海事工程技术有限公司 | 一种应用于双轨式钢轨探伤的焊缝识别方法 |
CN111105409A (zh) * | 2019-12-27 | 2020-05-05 | 中国铁道科学研究院集团有限公司 | 基于图像处理的钢轨光带自动检测方法、设备及系统 |
CN114113107A (zh) * | 2021-11-18 | 2022-03-01 | 万岩铁路装备(成都)有限责任公司 | 一种基于激光扫描的360°铁轨损伤识别系统及方法 |
CN114166855A (zh) * | 2022-02-11 | 2022-03-11 | 南京邮电大学 | 一种实时铁轨缺陷检测方法 |
CN117253066A (zh) * | 2023-11-20 | 2023-12-19 | 西南交通大学 | 钢轨表面状态的识别方法、装置、设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628814A (zh) * | 2012-02-28 | 2012-08-08 | 西南交通大学 | 一种基于数字图像处理的钢轨光带异常自动检测方法 |
CN105466941A (zh) * | 2015-11-27 | 2016-04-06 | 中国铁道科学研究院 | 一种基于钢轨的光带图像的钢轨检测方法及设备 |
CN106274979A (zh) * | 2016-08-30 | 2017-01-04 | 大连民族大学 | 钢轨磨耗自动检测装置 |
CN106441107A (zh) * | 2016-08-30 | 2017-02-22 | 大连民族大学 | 钢轨磨耗自动检测方法 |
-
2017
- 2017-05-19 CN CN201710360990.3A patent/CN107194921B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628814A (zh) * | 2012-02-28 | 2012-08-08 | 西南交通大学 | 一种基于数字图像处理的钢轨光带异常自动检测方法 |
CN105466941A (zh) * | 2015-11-27 | 2016-04-06 | 中国铁道科学研究院 | 一种基于钢轨的光带图像的钢轨检测方法及设备 |
CN106274979A (zh) * | 2016-08-30 | 2017-01-04 | 大连民族大学 | 钢轨磨耗自动检测装置 |
CN106441107A (zh) * | 2016-08-30 | 2017-02-22 | 大连民族大学 | 钢轨磨耗自动检测方法 |
Non-Patent Citations (3)
Title |
---|
A.ANDAMUTHU: "A Robust Rail Surface Defect Analysis And Monitoring System", 《ASIAN JOURNAL OF INFORMATION SCIENCE AND TECHNOLOGY (AJIST)》 * |
李唯一等: "铁路钢轨光带异常检测系统", 《计算机工程与应用》 * |
李真花: "钢轨断面高精度动态监测系统设计", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109490416A (zh) * | 2018-12-10 | 2019-03-19 | 上海市东方海事工程技术有限公司 | 一种应用于双轨式钢轨探伤的焊缝识别方法 |
CN111105409A (zh) * | 2019-12-27 | 2020-05-05 | 中国铁道科学研究院集团有限公司 | 基于图像处理的钢轨光带自动检测方法、设备及系统 |
CN111105409B (zh) * | 2019-12-27 | 2023-08-08 | 中国铁道科学研究院集团有限公司 | 基于图像处理的钢轨光带自动检测方法、设备及系统 |
CN114113107A (zh) * | 2021-11-18 | 2022-03-01 | 万岩铁路装备(成都)有限责任公司 | 一种基于激光扫描的360°铁轨损伤识别系统及方法 |
CN114113107B (zh) * | 2021-11-18 | 2024-01-23 | 万岩铁路装备(成都)有限责任公司 | 一种基于激光扫描的360°铁轨损伤识别系统及方法 |
CN114166855A (zh) * | 2022-02-11 | 2022-03-11 | 南京邮电大学 | 一种实时铁轨缺陷检测方法 |
CN117253066A (zh) * | 2023-11-20 | 2023-12-19 | 西南交通大学 | 钢轨表面状态的识别方法、装置、设备及可读存储介质 |
CN117253066B (zh) * | 2023-11-20 | 2024-02-27 | 西南交通大学 | 钢轨表面状态的识别方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107194921B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194921A (zh) | 钢轨轨面光带的自动识别方法和装置 | |
CN106556940B (zh) | 一种tft-lcd屏自动光学检测中的背景抑制方法 | |
US10168526B2 (en) | Cell contour formation apparatus and method of the same, and non-transitory computer readable storage medium storing a cell contour formation program | |
CN101793501B (zh) | 一种基于图像的输电线覆冰状态检测方法 | |
CN107588733A (zh) | 一种基于图像的受电弓滑板磨耗在线检测装置与方法 | |
CN110954968B (zh) | 一种机场跑道异物检测装置及方法 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN109507192A (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN102183525A (zh) | 基于ccd阵列摄像技术的桥梁表观状态自动检测装置及其方法 | |
CN101739549B (zh) | 人脸检测方法及系统 | |
CN107578397A (zh) | 一种新型非接触式接触线磨损检测方法 | |
CN101739548A (zh) | 人眼检测方法及系统 | |
Li et al. | Automatic saw-mark detection in multicrystalline solar wafer images | |
CN102842203B (zh) | 基于视频图像的桥梁病害监测方法 | |
CN109300125B (zh) | 一种复杂环境下城轨列车受电弓滑板图像提取方法 | |
CN109886937B (zh) | 基于超像素分割图像识别的绝缘子缺陷检测方法 | |
CN111061231B (zh) | 焊接装配间隙和错边前馈的熔池监控系统及熔透监测方法 | |
CN102915640A (zh) | 基于Hough变换的安全带检测方法 | |
CN106702870A (zh) | 一种道路裂缝检测系统 | |
CN205229061U (zh) | 一种基于线扫描相机的lcd导光板缺陷检测系统 | |
CN108921132A (zh) | 无人机机载电缆探测系统 | |
CN103679656A (zh) | 一种图像自动锐化方法 | |
CN105139397A (zh) | 一种pcb板检测方法及装置 | |
CN105336035B (zh) | 一种脏污冠字号图像分类的方法与系统 | |
CN103824078A (zh) | 复杂场景多车牌定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Xu Haiyong Inventor before: Cai Fuwen Inventor before: Wang Yufei Inventor before: Xie Hui |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |