CN107248156A - 分段点自动提取的踏面轮廓拟合方法 - Google Patents

分段点自动提取的踏面轮廓拟合方法 Download PDF

Info

Publication number
CN107248156A
CN107248156A CN201710436161.9A CN201710436161A CN107248156A CN 107248156 A CN107248156 A CN 107248156A CN 201710436161 A CN201710436161 A CN 201710436161A CN 107248156 A CN107248156 A CN 107248156A
Authority
CN
China
Prior art keywords
point
coordinate
mrow
msub
fitting
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
Application number
CN201710436161.9A
Other languages
English (en)
Inventor
苏钊颐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Metro Group Co Ltd
Original Assignee
Guangzhou Metro Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Metro Group Co Ltd filed Critical Guangzhou Metro Group Co Ltd
Priority to CN201710436161.9A priority Critical patent/CN107248156A/zh
Publication of CN107248156A publication Critical patent/CN107248156A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种分段点自动提取的踏面轮廓拟合方法，包括如下步骤：根据镜面对称方式，在轨道内、外侧安装激光位移传感器；获取踏面探测点的坐标数据，并将各自的所述坐标数据转换至平行于轨道方向的铅垂面的坐标系；对两激光位移传感器对应的所述转换后的坐标数据进行融合至同一坐标中；特征点提取；根据所述提取的特征点，确定初始分段区间；根据所述初始分段区间进行曲线拟合，并求取拟合决定系数；根据所述拟合确定系数与预设曲线拟合决定系数的阈值进行比较，确定精确分段点；根据所述精确分段点，确定拟合区间，并且分别对每个区间进行曲线拟合，得到完整的踏面轮廓。采用本发明，具有自动提取、拟合精度高、拟合速度快的特点。

Description

分段点自动提取的踏面轮廓拟合方法
技术领域
本发明属于轨道车辆在线监测技术领域，具体涉及一种分段点自动提取的踏面轮廓拟合方法。
背景技术
城轨交通系统中，轮对是列车走行结构中极其重要的部件，它承载着列车的全部动、静载荷，是影响列车安全运行的重要因素。列车在长时间的运行过程中，车轮的磨耗会越来越严重，当轮缘高和轮缘厚等参数异常时，列车的安全性能会下降。为保证列车运行的安全，需定期对车轮轮缘参数进行检测，而车轮踏面是轮缘计算的基础。因此，获取完整的踏面轮廓显得十分重要。
目前，我国轮对尺寸的测量引进了基于激光测距的检测方法，但获取精确的车轮踏面轮廓是基于激光测距技术的轮对尺寸检测技术的一大难点。
发明内容
为了解决上述问题，本发明的目的在于提供一种分段点自动提取的踏面轮廓拟合方法，具有自动提取、拟合精度高、拟合速度快的特点。
为实现上述目的，本发明按以下技术方案予以实现的：
本发明所述的分段点自动提取的踏面轮廓拟合方法，其特征在于，包括如下步骤：
根据镜面对称方式，在轨道内、外侧安装激光位移传感器S1、S2；
根据所述激光位移传感器S1、S2获取各自踏面探测点的坐标数据，并将各自的所述坐标数据转换至平行于轨道方向的铅垂面的坐标系；
对两激光位移传感器S1、S2对应的所述转换后的坐标数据进行融合至同一坐标中；
将融入同一坐标中的坐标数据进行特征点提取；
根据所述提取的特征点，确定初始分段区间；
根据所述初始分段区间进行曲线拟合，并求取拟合决定系数；
根据所述拟合确定系数与预设曲线拟合决定系数的阈值进行比较，确定精确分段点；
根据所述精确分段点，确定拟合区间，并且分别对每个区间进行曲线拟合，得到完整的踏面轮廓。
进一步地，所述根据所述激光位移传感器S1、S2获取各自踏面探测点的坐标，并将各自的所述坐标转换至平行于轨道方向的铅垂面的坐标系的步骤，具体如下：
所述激光位移传感器S1、S2以激光发射方向为y轴，垂直于激光发射方向为x轴，激光源为坐标原点建立自身坐标系；
对内侧激光位移传感器S1，在自身坐标系下，激光位移传感器S1输出的坐标值为(x1,y1)，根据下式进行坐标转换：
u(1)＝x1cosβ1+y1sinβ1
v(1)＝x1cosβ1-y1sinβ1
其中，β1为内侧传感器S1与铅垂线的夹角，(u(1),v(1))为原始坐标进行变换后坐标系内的坐标值；
对外侧激光位移传感器S2，在自身坐标系下，外侧激光传感器S2输出的坐标值为(x2,y2)，根据下式进行坐标数据转换：
u(2)＝-x2sinβ2+y2cos β2
v(2)＝x2sinβ2+y2cosβ2
其中，β2为外侧传感器S2与铅垂线的夹角，(u(2),v(2))为原始坐标进行变换后坐标系内的坐标值。
进一步地，所述对两激光位移传感器S1、S2对应的所述转换后的坐标进行融合至同一坐标中的步骤之前，还包括对转换后的坐标进行预处理的步骤：
获取踏面部分坐标数据点：根据步骤2中得到的坐标变换后的数据点，对传感器S1、S2，分别提取满足下式的点：
ui≥-385
vi≤350
式中ui、vi分别为坐标变换后数据点的横轴、纵轴坐标；
干扰点滤除：根据所述踏面部分坐标数据点，对激光位移传感器S1、S2，分别提取满足下式的点：
|ui-ui+1|≤5
式中ui、ui+1为坐标变换后数据点的横轴坐标。
进一步地，所述对两激光位移传感器S1、S2对应的所述转换后的坐标进行融合至同一坐标中的步骤，具体是对所述预处理后的坐标进行融合：
按照以下公式对预处理后的坐标数据进行坐标融合：
un＝u(1)+a un＝u(2)
vn＝v(1)+b vn＝v(2)
其中，(a,b)为内侧传感器的原始坐标原点在外侧传感器变换后的坐标系中的坐标值，(un,vn)为这两点在融合坐标系中的坐标值。
进一步地，对所述预处理后的坐标数据进行坐标融合的步骤之后，还包括平滑处理的步骤，具体如下：
假设融合后的坐标数据点为{z1,z2,…,zm}，{z1,z2,…,zm}，其横轴坐标分别为{u1,u2,…,um}，纵轴坐标分别为{v1,v2,…,vm}；
采用滑动平均法对所述坐标数据点进行数据平滑处理，滑动平均法的基本计算公式如下：
其中，v为采样数据，v′为平滑处理后的数据；m为数据点数；2N为平均点数；h为加权平均因子，并且
进一步地，所述提取特征点的步骤，具体包括拐点的提取、曲率极值点的提取和折痕点等特征点的提取；
对所述平滑处理的坐标数据点为{z1,z2,…,zm}，根据下式获得踏面轮廓数据点的离散曲率K＝{k1,k2,…,km}；
其中，li为zi-1与zi之间的弦长，li+1为zi+1与zi之间的弦长，l′为zi+1与zi-1之间的弦长，Δzi-1zizi+1为zi-1、zi、zi+1三点构成的三角形的有向面积，当zi-1、zi和zi+1是逆时针排列是为正，反之为负；
其中，所述拐点的提取：平滑处理后的坐标数据点中任意一点zi及其附近的点的离散曲率同时满足下列条件：
①kiki+1<0；
②ki-2、ki-1、ki同号，ki+1、ki+2、ki+3同号；
若|ki|≤|ki+1|，则将zi作为拐点，反之，则将zi+1作为拐点；
所述曲率极值点的提取：对于曲率极大值点，选择点列中离散曲率最大的点zi0作为曲率极值点的备选点，然后以点zi0作为凝聚点对其附近的点进行聚类，将区间(ui0-5,ui0+5)与zi0曲率同号的点作为zi0的凝聚点集，若该点集内有1～3个点，则将zi0作为曲率极大值点，否则，则将该点去除，重复上述操作，其中ui0为点zi0的横轴坐标；
对于曲率极小值点，选择点列中离散曲率最小的点zi1作为曲率极值点的备选点，然后以点zi1作为凝聚点对其附近的点进行聚类，将区间(ui1-3,ui1+3)与zi1曲率同号的点作为zi1的凝聚点集，若该点集内有1～3个点，则将zi0作为曲率极小值点，否则，则将该点去除，重复上述操作，其中ui1为点zi1的横轴坐标；
所述折痕点的提取：坐标融合后的数据点中任意一点zi及其附近的点的离散曲率满足下列条件之一：
①|ki-3|、|ki-2|、|ki-1|、|ki|均小于0.01，|ki+1|、|ki+2|、|ki+3|、|ki+4|均大于0.01；
②|ki-3|、|ki-2|、|ki-1|、|ki|均大于0.01，|ki+1|、|ki+2|、|ki+3|、|ki+4|均小于0.01
若|ki|≤|ki+1|，则将zi作为折痕点，反之，则将zi+1作为折痕点。
进一步地，所述确定初始分段区间的步骤，具体如下：
以所述特征点为初始分段点，对于曲率极大值点，将ui2-8.5，ui2+8.5作为两个初始分段点，其中ui2为曲率极大值点对应点的横坐标；
若两个同一类型特征点相距较近，取均值作为初始分段点，根据初始分段点确定初始分段区间。
进一步地，所述曲线拟合的步骤，具体如下：
拟合函数：采用最小二乘多项式拟合，确定m次多项式：
Pm(u)＝a0+a1u+a2u2+…+amum
其中，a0,a1,a2…am为待求系数；
使m次多项式满足求得a0,a1,a2…am，得到多项式拟合方程P(u)；
拟合决定系数：采用决定系数R作为拟合效果的评价标准，假设为{v′1,v′2,…,v′m}的均值，根据1)得到的多项式拟合方程，求得{u1,u2,…,um}拟合后的数据{v′1,v′2,…,v′m}
其中，SST为总平方和，SSE为残差平方和；
进一步地，所述确定精确分段点的步骤，具体如下：
设定曲线拟合决定系数的阈值ξ；
将所述求取的拟合确定系数的平均拟合误差与ξ比较，若大于阈值ξ，该点认定为精确分段点，若小于阈值ξ，分段点往前移动δ，重复求取拟合决定系数并比较，直到拟合决定系数大于阈值ξ，再根据确定的分段点重新划分分段区间，并对下一个区间执行求取拟合决定系数并比较的步骤，得到所有的精确分段点。
进一步地，根据所述所有的精确分段点，确定分段区间，对每个分段区间进行最小二乘多项式拟合，得到完整踏面轮廓。
与现有技术相比，本发明的有益效果是：
(1)采用分段曲线拟合提高了车轮踏面轮廓线的拟合精度和效果；
(2)实现了分段点的自动提取，减小了因主观经验确定分段点而带来的拟合误差；
(3)具有拟合效果好等优点，为实现车轮轮缘参数的计算提供了便利。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明，其中：
图1是本发明所述的分段点自动提取的踏面轮廓拟合方法的流程图；
图2是本发明所述的分段点自动提取的踏面轮廓拟合方法中传感器安装侧视图；
图3是本发明所述的分段点自动提取的踏面轮廓拟合方法中传感器安装示意图；
图4是本发明所述的分段点自动提取的踏面轮廓拟合方法中特征点的提取图；
图5是本发明所述的分段点自动提取的踏面轮廓拟合方法中精确分段点的提取图；
图6是本发明所述的分段点自动提取的踏面轮廓拟合方法获得踏面轮廓线的最终效果图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明所述的分段点自动提取的踏面轮廓拟合方法，通过数据预处理、坐标变换、坐标融合、平滑处理等操作将传感器获取的数据进行滤波并转换到同一坐标系中，提取踏面数据点的特征点作为初始分段点，得到初始分段区间，在初始分段区间进行曲线拟合，将拟合决定系数作为拟合效果的评判标准，结合滑动窗口法确定精确分段点，得到最终的分段区间，通过分段曲线拟合，获得完整的踏面轮廓。
下面结合附图及具体实施例对本发明作进一步详细说明。
如图1～图6所示，本发明所述的分段点自动提取的踏面轮廓拟合方法，具体步骤如下：
步骤1：激光位移传感器的布设，在轨道内外侧根据镜面对称方式安装激光位移传感器S1、S2，传感器S1、S2与铅垂线的夹角分别为β1、β2，与沿轨道方向的纵向水平线夹角分别为α1、α2，与轨道的相对安装距离分别为l1、l2；
步骤2：激光位移传感器数据获取及坐标转换，激光位移传感器S1、S2以激光发射方向为y轴，垂直于激光发射方向为x轴，激光源为坐标原点建立自身坐标系；
对内侧激光位移传感器S1，在自身坐标系下，激光位移传感器输出的坐标值为(x1,y1)，根据下式进行坐标转换：
u(1)＝x1cosβ1+y1sinβ1
v(1)＝x1cosβ1-y1sinβ1
其中，β1为内侧传感器S1与铅垂线的夹角，(u(1),v(1))为原始坐标进行变换后坐标系内的坐标值；
对外侧激光位移传感器S2，在自身坐标系下，激光位移传感器输出的坐标值为(x2,y2)，根据下式进行坐标转换：
u(2)＝-x2sinβ2+y2cosβ2
v(2)＝x2sinβ2+y2cosβ2
其中，β2为外侧传感器S2与铅垂线的夹角，(u(2),v(2))为原始坐标进行变换后坐标系内的坐标值；
步骤3：对坐标转换的后的数据进行踏面轮廓数据点的提取以及干扰点的滤除，具体过程如下：
1)获取踏面部分数据点
根据步骤2中得到的坐标变换后的数据点，对激光位移传感器S1、S2，分别提取满足下式的点：
ui≥-385
vi≤350
式中ui、vi分别为坐标变换后数据点的横轴、纵轴坐标；
2)干扰点滤除
根据1)获得的数据点，对激光位移传感器S1、S2，分别提取满足下式的点：
|ui-ui+1|≤5
式中ui、ui+1为坐标变换后数据点的横轴坐标；
步骤4：坐标数据的融合：根据步骤3中得到的数据，按照以下公式对转换后的数据进行坐标融合：
un＝u(1)+a un＝u(2)
vn＝v(1)+b vn＝v(2)
其中，(a,b)为内侧传感器的原始坐标原点在外侧传感器变换后的坐标系中的坐标值，(un,vn)为这两点在融合坐标系中的坐标值；
步骤5：坐标数据平滑处理：对踏面轮廓数据点进行平滑处理，减小噪声的干扰，具体过程如下：
根据步骤4获得的数据，假设数据融合后的数据点为{z1,z2,…,zm}，{z1,z2,…,zm}的横轴坐标分别为{u1,u2,…,um}，纵轴坐标分别为{v1,v2,…,vm}，采用滑动平均法对踏面数据点进行多次数据平滑处理，滑动平均法的基本计算公式如下：
其中，v为采样数据，v′为平滑处理后的数据；m为数据点数；2N为平均点数；h为加权平均因子(滤波因子)，必须满足
步骤6：特征点的提取，步骤5获得的踏面数据点为{z1,z2,…,zm}，根据以下公式获得踏面轮廓数据点的离散曲率K＝{k1,k2,…,km}；
其中，li为zi-1与zi之间的弦长，li+1为zi+1与zi之间的弦长，l′为zi+1与zi-1之间的弦长，Δzi-1zizi+1为zi-1、zi、zi+1三点构成的三角形的有向面积，当zi-1、zi和zi+1是逆时针排列是为正，反之为负；
1)拐点的提取
平滑处理后的数据点中任意一点zi及其附近的点的离散曲率同时满足下列条件：
①kiki+1<0；
②ki-2、ki-1、ki同号，ki+1、ki+2、ki+3同号；
若|ki|≤|ki+1|，则将zi作为拐点，反之，则将zi+1作为拐点；
2)曲率极值点的提取
对于曲率极大值点，选择点列中离散曲率最大的点zi0作为曲率极值点的备选点，然后以点zi0作为凝聚点对其附近的点进行聚类，将区间(ui0-5,ui0+5)与zi0曲率同号的点作为zi0的凝聚点集，若该点集内有1～3个点，则将zi0作为曲率极大值点，否则，则将该点去除，重复上述操作，其中ui0为点zi0的横轴坐标；
对于曲率极小值点，选择点列中离散曲率最小的点zi1作为曲率极值点的备选点，然后以点zi1作为凝聚点对其附近的点进行聚类，将区间(ui1-3,ui1+3)与zi1曲率同号的点作为zi1的凝聚点集，若该点集内有1～3个点，则将zi0作为曲率极小值点，否则，则将该点去除，重复上述操作，其中ui1为点zi1的横轴坐标；
3)折痕点的提取
坐标融合后的数据点中任意一点zi及其附近的点的离散曲率满足下列条件之一：
①|ki-3|、|ki-2|、|ki-1|、|ki|均小于0.01，|ki+1|、|ki+2|、|ki+3|、|ki+4|均大于0.01；
②|ki-3|、|ki-2|、|ki-1|、|ki|均大于0.01，|ki+1|、|ki+2|、|ki+3|、|ki+4|均小于0.01
若|ki|≤|ki+1|，则将zi作为折痕点，反之，则将zi+1作为折痕点；
步骤7：初始分段点的提取，将步骤6获得的特征点作为初始分段点，对于曲率极大值点，将ui2-8.5，ui2+8.5作为两个初始分段点，其中ui2为曲率极大值点对应点的横坐标；若两个同一类型特征点相距较近，取均值作为初始分段点，根据初始分段点确定初始分段区间；
步骤8：曲线拟合，对第一个分段区间进行曲线拟合，具体过程如下：
1)拟合函数
采用最小二乘多项式拟合，确定m次多项式：
Pm(u)＝a0+a1u+a2u2+…+amum
其中，a0,a1,a2…am为待求系数；
使m次多项式满足求得a0,a1,a2…am，得到多项式拟合方程P(u)；
2)拟合决定系数
采用决定系数R作为拟合效果的评价标准，假设为{v′1,v′2,…,v′m}的均值，根据1)得到的多项式拟合方程，求得{u1,u2,…,um}拟合后的数据{v′1,v′2,…,v′m}
其中，SST为总平方和，SSE为残差平方和；
步骤9：精确分段点的确定，设定曲线拟合决定系数的阈值ξ，将步骤8获得的平均拟合误差与ξ比较，若大于阈值ξ，该点认定为精确分段点，若小于阈值ξ，分段点往前移动δ，重复步骤8-9，直到拟合决定系数大于阈值ξ，再根据确定的分段点重新划分分段区间，并对下一个区间执行步骤8-9，以此类推，得到所有精确分段点；
步骤10：完整踏面轮廓的获取，根据步骤9获取的精确分段点，确定分段区间，对每个分段区间进行最小二乘多项式拟合，从而得到完整踏面轮廓。
为了更深入理解本发明的原理，下面结合具体实施例对本发明作进一步详细说明。
实施例1
结合图2～3，在轨道内外侧根据镜面对称方式安装激光位移传感器S1、S2，传感器S1、S2与铅垂线的夹角为42°～48°，则β1、β2为42°～48°，传感器S1、S2与沿轨道方向的纵向水平线成42°～48°角安装，则α1、α2为42°～48°，传感器S1、S2与轨道的垂直安装距离均为300mm，则l1、l2为300mm。取β1＝β2＝45°、α1＝α2＝45°，对经过的车轮进行探测，将采集到的数据点坐标按照以下公式进行坐标变换。
u(1)＝x1cos 45°+y1sin 45° v(1)＝x1cos45°-y1sin 45°
u(2)＝-x2sin 45°+y2cos 45° v(2)＝x2sin 45°+y2cos 45°
对坐标转换的后的数据进行踏面轮廓数据点的提取以及干扰点的滤除，具体过程如下：
1)获取踏面部分数据点
根据步骤2中得到的坐标变换后的数据点，对传感器S1、S2，分别提取满足下式的点：
ui≥-385
vi≤350
式中ui、vi分别为坐标变换后数据点的横轴、纵轴坐标；
2)干扰点滤除
根据1)获得的数据点，对传感器S1、S2，分别提取满足下式的点：
|ui-ui+1|≤5
式中ui、ui+1为坐标变换后数据点的横轴坐标；
根据步骤3中得到的数据，按照以下公式对转换后的数据进行坐标融合：
un＝u(1)-642.6 un＝u(2)
vn＝v(1)+38.44 vn＝v(2)
根据步骤4获得的数据，采用五点滑动平均法对融合后的数据进行平滑处理，其中N＝2。
对平滑后的数据点进行离散曲率的计算，根据步骤6，分析得到拐点(-359.26,329.19)、(-326.42,328.51)、(-321.59.26,328.35)、(-282.02,314.62)，曲率极大值点(-266.41,299.76)，曲率极小值点(-286.78,321.74)，折痕点(-309.61,327.60)、(-255.20,322.86)。
将步骤6获得的特征点(除了曲率极大值点)及端点作为初始分段点，对于曲率极大值点，将-274.91，-257.91作为两个初始分段点，其中第一个和第二个拐点相距较近，取均值-324.01作为初始分段点，所以初始分段区间为(-384.31,-359.26)、(-359.26,-324.01)、(-324.01,-309.61)、(-309.61,-286.78)、(-286.78,-282.02)、(-282.02,-274.91)、(-274.91,-257.91)、(-257.91,-255.20)、(-255.20,-254.79)。
设定拟合决定系数阈值ξ＝0.9，在第一个区间(-384.31,-359.26)进行最小二乘多项式曲线拟合，拟合决定系数为0.9990，大于阈值ξ，所以-359.26是精确分段点；同理，在第二个区间(-359.26,-324.01)进行最小二乘多项式曲线拟合，拟合决定系数为0.9995，大于阈值ξ，所以-324.01是精确分段点；以此类推得到其他精确分段点。
根据步骤9获取的精确分段点，确定分段区间为(-384.31,-359.26)、(-359.26,-324.01)、(-324.01,-309.61)、(-309.61,-286.78)、(-286.78,-282.02)、(-282.02,-274.91)、(-274.91,-257.91)、(-257.91,-255.20)、(-255.20,-254.79)，对每个分段区间进行最小二乘多项式拟合，从而得到完整踏面轮廓。
本发明所述的分段点自动提取的踏面轮廓拟合方法的其它结构参见现有技术，在此不再赘述。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，故凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何修改、等同变化与修饰,均仍属于本发明技术方案的范围内。

Claims (10)

1.一种分段点自动提取的踏面轮廓拟合方法，其特征在于，包括如下步骤：
根据镜面对称方式，在轨道内、外侧安装激光位移传感器S1、S2；
根据所述激光位移传感器S1、S2获取各自踏面探测点的坐标数据，并将各自的所述坐标数据转换至平行于轨道方向的铅垂面的坐标系；
对两激光位移传感器S1、S2对应的所述转换后的坐标数据进行融合至同一坐标中；
将融入同一坐标中的坐标数据进行特征点提取；
根据所述提取的特征点，确定初始分段区间；
根据所述初始分段区间进行曲线拟合，并求取拟合决定系数；
根据所述拟合确定系数与预设曲线拟合决定系数的阈值进行比较，确定精确分段点；
根据所述精确分段点，确定拟合区间，并且分别对每个区间进行曲线拟合，得到完整的踏面轮廓。
2.根据权利要求1所述的分段点自动提取的踏面轮廓拟合方法，其特征在于：
所述根据所述激光位移传感器S1、S2获取各自踏面探测点的坐标，并将各自的所述坐标转换至平行于轨道方向的铅垂面的坐标系的步骤，具体如下：
所述激光位移传感器S1、S2以激光发射方向为y轴，垂直于激光发射方向为x轴，激光源为坐标原点建立自身坐标系；
对内侧激光位移传感器S1，在自身坐标系下，激光位移传感器S1输出的坐标值为(x1,y1)，根据下式进行坐标转换：
u(1)＝x1cosβ1+y1sinβ1
v(1)＝x1cosβ1-y1sinβ1
其中，β1为内侧传感器S1与铅垂线的夹角，(u(1),v(1))为原始坐标进行变换后坐标系内的坐标值；
对外侧激光位移传感器S2，在自身坐标系下，外侧激光传感器S2输出的坐标值为(x2,y2)，根据下式进行坐标数据转换：
u(2)＝-x2sinβ2+y2cosβ2
v(2)＝x2sinβ2+y2cosβ2
其中，β2为外侧传感器S2与铅垂线的夹角，(u(2),v(2))为原始坐标进行变换后坐标系内的坐标值。
3.根据权利要求2所述的分段点自动提取的踏面轮廓拟合方法，其特征在于：
所述对两激光位移传感器S1、S2对应的所述转换后的坐标进行融合至同一坐标中的步骤之前，还包括对转换后的坐标进行预处理的步骤：
获取踏面部分坐标数据点：根据步骤2中得到的坐标变换后的数据点，对传感器S1、S2，分别提取满足下式的点：
ui≥-385
vi≤350
式中ui、vi分别为坐标变换后数据点的横轴、纵轴坐标；
干扰点滤除：根据所述踏面部分坐标数据点，对激光位移传感器S1、S2，分别提取满足下式的点：
|ui-ui+1|≤5
式中ui、ui+1为坐标变换后数据点的横轴坐标。
4.根据权利要求3所述的分段点自动提取的踏面轮廓拟合方法，其特征在于：
所述对两激光位移传感器S1、S2对应的所述转换后的坐标进行融合至同一坐标中的步骤，具体是对所述预处理后的坐标进行融合：
按照以下公式对预处理后的坐标数据进行坐标融合：
un＝u(1)+a un＝u(2)
vn＝v(1)+b vn＝v(2)
其中，(a,b)为内侧传感器的原始坐标原点在外侧传感器变换后的坐标系中的坐标值，(un,vn)为这两点在融合坐标系中的坐标值。
5.根据权利要求4所述的分段点自动提取的踏面轮廓拟合方法，其特征在于：
对所述预处理后的坐标数据进行坐标融合的步骤之后，还包括平滑处理的步骤，具体如下：
假设融合后的坐标数据点为{z1,z2,…,zm}，{z1,z2,…,zm}，其横轴坐标分别为{u1,u2,…,um}，纵轴坐标分别为{v1,v2,…,vm}；
采用滑动平均法对所述坐标数据点进行数据平滑处理，滑动平均法的基本计算公式如下：
<mrow> <msubsup> <mi>v</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mo>-</mo> <mi>N</mi> </mrow> <mi>N</mi> </munderover> <msub> <mi>h</mi> <mi>n</mi> </msub> <msub> <mi>v</mi> <mrow> <mi>i</mi> <mo>-</mo> <mi>n</mi> </mrow> </msub> <mo>,</mo> <mrow> <mo>(</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>m</mi> <mo>)</mo> </mrow> </mrow>
其中，v为采样数据，v′为平滑处理后的数据；m为数据点数；2N为平均点数；h为加权平均因子，并且
6.根据权利要求5所述的分段点自动提取的踏面轮廓拟合方法，其特征在于：
所述提取特征点的步骤，具体包括拐点的提取、曲率极值点的提取和折痕点等特征点的提取；
对所述平滑处理的坐标数据点为{z1,z2,…,zm}，根据下式获得踏面轮廓数据点的离散曲率K＝{k1,k2,…,km}；
<mrow> <msub> <mi>k</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <mn>4</mn> <msub> <mi>&amp;Delta;z</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <msub> <mi>z</mi> <mi>i</mi> </msub> <msub> <mi>z</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> </mrow> <mrow> <msub> <mi>l</mi> <mi>i</mi> </msub> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <msup> <mi>l</mi> <mo>&amp;prime;</mo> </msup> </mrow> </mfrac> </mrow>
其中，li为zi-1与zi之间的弦长，li+1为zi+1与zi之间的弦长，l′为zi+1与zi-1之间的弦长，Δzi-1zizi+1为zi-1、zi、zi+1三点构成的三角形的有向面积，当zi-1、zi和zi+1是逆时针排列是为正，反之为负；
其中，所述拐点的提取：平滑处理后的坐标数据点中任意一点zi及其附近的点的离散曲率同时满足下列条件：
①kiki+1<0；
②ki-2、ki-1、ki同号，ki+1、ki+2、ki+3同号；
若|ki|≤|ki+1|，则将zi作为拐点，反之，则将zi+1作为拐点；
所述曲率极值点的提取：对于曲率极大值点，选择点列中离散曲率最大的点zi0作为曲率极值点的备选点，然后以点zi0作为凝聚点对其附近的点进行聚类，将区间(ui0-5,ui0+5)与zi0曲率同号的点作为zi0的凝聚点集，若该点集内有1～3个点，则将zi0作为曲率极大值点，否则，则将该点去除，重复上述操作，其中ui0为点zi0的横轴坐标；
对于曲率极小值点，选择点列中离散曲率最小的点zi1作为曲率极值点的备选点，然后以点zi1作为凝聚点对其附近的点进行聚类，将区间(ui1-3,ui1+3)与zi1曲率同号的点作为zi1的凝聚点集，若该点集内有1～3个点，则将zi0作为曲率极小值点，否则，则将该点去除，重复上述操作，其中ui1为点zi1的横轴坐标；
所述折痕点的提取：坐标融合后的数据点中任意一点zi及其附近的点的离散曲率满足下列条件之一：
①|ki-3|、|ki-2|、|ki-1|、|ki|均小于0.01，|ki+1|、|ki+2|、|ki+3|、|ki+4|均大于0.01；
②|ki-3|、|ki-2|、|ki-1|、|ki|均大于0.01，|ki+1|、|ki+2|、|ki+3|、|ki+4|均小于0.01
若|ki|≤|ki+1|，则将zi作为折痕点，反之，则将zi+1作为折痕点。
7.根据权利要求6述的分段点自动提取的踏面轮廓拟合方法，其特征在于：
所述确定初始分段区间的步骤，具体如下：
以所述特征点为初始分段点，对于曲率极大值点，将ui2-8.5，ui2+8.5作为两个初始分段点，其中ui2为曲率极大值点对应点的横坐标；
若两个同一类型特征点相距较近，取均值作为初始分段点，根据初始分段点确定初始分段区间。
8.根据权利要求7所述的分段点自动提取的踏面轮廓拟合方法，其特征在于：
所述曲线拟合的步骤，具体如下：
拟合函数：采用最小二乘多项式拟合，确定m次多项式：
Pm(u)＝a0+a1u+a2u2+…+amum
其中，a0,a1,a2…am为待求系数；
使m次多项式满足求得a0,a1,a2…am，得到多项式拟合方程P(u)；
拟合决定系数：采用决定系数R作为拟合效果的评价标准，假设为{v′1,v′2,…,v′m}的均值，根据1)得到的多项式拟合方程，求得{u1,u2,…,um}拟合后的数据{v′1,v′2,…,v′m}
<mrow> <msup> <mi>R</mi> <mn>2</mn> </msup> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <mi>S</mi> <mi>S</mi> <mi>E</mi> </mrow> <mrow> <mi>S</mi> <mi>S</mi> <mi>T</mi> </mrow> </mfrac> </mrow>
其中，SST为总平方和，SSE为残差平方和；
<mrow> <mi>S</mi> <mi>S</mi> <mi>E</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msup> <mrow> <mo>(</mo> <mi>P</mi> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>)</mo> <mo>-</mo> <msubsup> <mi>v</mi> <mi>i</mi> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>
<mrow> <mi>S</mi> <mi>S</mi> <mi>T</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msup> <mrow> <mo>(</mo> <mi>P</mi> <mo>(</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>)</mo> <mo>-</mo> <mover> <mi>v</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>.</mo> </mrow>
9.根据权利要求8所述的分段点自动提取的踏面轮廓拟合方法，其特征在于：
所述确定精确分段点的步骤，具体如下：
设定曲线拟合决定系数的阈值ξ；
将所述求取的拟合确定系数的平均拟合误差与ξ比较，若大于阈值ξ，该点认定为精确分段点，若小于阈值ξ，分段点往前移动δ，重复求取拟合决定系数并比较，直到拟合决定系数大于阈值ξ，再根据确定的分段点重新划分分段区间，并对下一个区间执行求取拟合决定系数并比较的步骤，得到所有的精确分段点。
10.根据权利要求9所述的分段点自动提取的踏面轮廓拟合方法，其特征在于：
根据所述所有的精确分段点，确定分段区间，对每个分段区间进行最小二乘多项式拟合，得到完整踏面轮廓。
CN201710436161.9A 2017-05-27 2017-05-27 分段点自动提取的踏面轮廓拟合方法 Pending CN107248156A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710436161.9A CN107248156A (zh) 2017-05-27 2017-05-27 分段点自动提取的踏面轮廓拟合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710436161.9A CN107248156A (zh) 2017-05-27 2017-05-27 分段点自动提取的踏面轮廓拟合方法

Publications (1)

Publication Number Publication Date
CN107248156A true CN107248156A (zh) 2017-10-13

Family

ID=60018895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710436161.9A Pending CN107248156A (zh) 2017-05-27 2017-05-27 分段点自动提取的踏面轮廓拟合方法

Country Status (1)

Country Link
CN (1) CN107248156A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647638A (zh) * 2018-05-09 2018-10-12 东软集团股份有限公司 一种车辆位置检测方法及装置
CN109353372A (zh) * 2018-08-31 2019-02-19 南京理工大学 一种有轨电车轮对尺寸在线监测系统及方法
CN109559305A (zh) * 2018-11-26 2019-04-02 易思维（杭州）科技有限公司 一种基于soc-fpga的线结构光图像快速处理系统
CN110378417A (zh) * 2019-07-19 2019-10-25 东南大学 一种获取施工边界的方法
CN110555188A (zh) * 2019-09-24 2019-12-10 西南交通大学 一种动车组车轮参数磨耗趋势的分析方法
CN111168678A (zh) * 2020-01-09 2020-05-19 上海丛远机械有限公司 行走机器人、控制行走机器人的方法和行走机器人系统
CN111310106A (zh) * 2020-01-19 2020-06-19 浙江工业大学 一种基于逐步逼近原始轮廓的b样条拟合优化方法
CN111859245A (zh) * 2020-07-06 2020-10-30 东南数字经济发展研究院 一种社交电商用户群体阶层划分方法
CN112699566A (zh) * 2021-01-08 2021-04-23 深圳市佳士科技股份有限公司 一种基于焊机静外特性曲线的分析方法及装置
CN113450262A (zh) * 2020-03-25 2021-09-28 武汉金山办公软件有限公司 一种实现图像处理的方法、装置、计算机存储介质及终端
CN114426039A (zh) * 2022-03-14 2022-05-03 浙江师范大学 一种基于城轨列车车轮踏面的点云数据处理方法
CN114545863A (zh) * 2022-03-07 2022-05-27 中南大学 一种基于b样条曲线拟合的数控加工的轨迹平滑方法
CN115588006A (zh) * 2022-11-11 2023-01-10 四川大学 一种标准化牙弓形态的提取方法
CN116610897A (zh) * 2023-07-14 2023-08-18 矿冶科技集团有限公司 一种尾矿库泄流数据拟合方法、系统、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310481A (zh) * 2013-05-20 2013-09-18 东南大学 一种基于模糊熵迭代的点云精简方法
US20140207411A1 (en) * 2013-01-21 2014-07-24 Systèmes Pavemetrics Inc. Method and apparatus for compensating lateral displacements and low speed variations in the measure of a longitudinal profile of a surface
CN104163188A (zh) * 2014-08-28 2014-11-26 南京理工大学 一种城轨列车轮对踏面轮廓线的获取方法及装置
US20150174731A1 (en) * 2013-12-20 2015-06-25 United Technologies Corporation Systems and methods for dressing grinding wheels
CN105235713A (zh) * 2015-11-13 2016-01-13 南京理工大学 基于激光位移传感器的城轨车辆车轮直径在线检测方法
CN106225710A (zh) * 2016-07-26 2016-12-14 广州地铁集团有限公司 基于误差修正的列车轮踏面三维轮廓自动化测量方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140207411A1 (en) * 2013-01-21 2014-07-24 Systèmes Pavemetrics Inc. Method and apparatus for compensating lateral displacements and low speed variations in the measure of a longitudinal profile of a surface
CN103310481A (zh) * 2013-05-20 2013-09-18 东南大学 一种基于模糊熵迭代的点云精简方法
US20150174731A1 (en) * 2013-12-20 2015-06-25 United Technologies Corporation Systems and methods for dressing grinding wheels
CN104163188A (zh) * 2014-08-28 2014-11-26 南京理工大学 一种城轨列车轮对踏面轮廓线的获取方法及装置
CN105235713A (zh) * 2015-11-13 2016-01-13 南京理工大学 基于激光位移传感器的城轨车辆车轮直径在线检测方法
CN106225710A (zh) * 2016-07-26 2016-12-14 广州地铁集团有限公司 基于误差修正的列车轮踏面三维轮廓自动化测量方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙以材等: "《Maple软件在工程计算中的应用》", 30 April 2017, 天津大学出版社 *
徐进等: "基于特征点自动识别的B样条曲线逼近技术", 《机械工程学报》 *
谷清贤等: "《数控编程与数值计算》", 28 February 2006, 上海交通大学出版社 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647638A (zh) * 2018-05-09 2018-10-12 东软集团股份有限公司 一种车辆位置检测方法及装置
CN109353372A (zh) * 2018-08-31 2019-02-19 南京理工大学 一种有轨电车轮对尺寸在线监测系统及方法
CN109559305A (zh) * 2018-11-26 2019-04-02 易思维（杭州）科技有限公司 一种基于soc-fpga的线结构光图像快速处理系统
CN110378417A (zh) * 2019-07-19 2019-10-25 东南大学 一种获取施工边界的方法
CN110378417B (zh) * 2019-07-19 2023-10-31 东南大学 一种获取施工边界的方法
CN110555188B (zh) * 2019-09-24 2023-01-03 西南交通大学 一种动车组车轮参数磨耗趋势的分析方法
CN110555188A (zh) * 2019-09-24 2019-12-10 西南交通大学 一种动车组车轮参数磨耗趋势的分析方法
CN111168678B (zh) * 2020-01-09 2023-07-07 上海山科机器人有限公司 行走机器人、控制行走机器人的方法和行走机器人系统
CN111168678A (zh) * 2020-01-09 2020-05-19 上海丛远机械有限公司 行走机器人、控制行走机器人的方法和行走机器人系统
CN111310106A (zh) * 2020-01-19 2020-06-19 浙江工业大学 一种基于逐步逼近原始轮廓的b样条拟合优化方法
CN111310106B (zh) * 2020-01-19 2024-02-06 浙江工业大学 一种基于逐步逼近原始轮廓的切割轮廓拟合优化方法
CN113450262A (zh) * 2020-03-25 2021-09-28 武汉金山办公软件有限公司 一种实现图像处理的方法、装置、计算机存储介质及终端
CN111859245A (zh) * 2020-07-06 2020-10-30 东南数字经济发展研究院 一种社交电商用户群体阶层划分方法
CN112699566A (zh) * 2021-01-08 2021-04-23 深圳市佳士科技股份有限公司 一种基于焊机静外特性曲线的分析方法及装置
CN112699566B (zh) * 2021-01-08 2023-06-02 深圳市佳士科技股份有限公司 一种基于焊机静外特性曲线的分析方法及装置
CN114545863A (zh) * 2022-03-07 2022-05-27 中南大学 一种基于b样条曲线拟合的数控加工的轨迹平滑方法
CN114545863B (zh) * 2022-03-07 2024-02-13 中南大学 一种基于b样条曲线拟合的数控加工的轨迹平滑方法
CN114426039A (zh) * 2022-03-14 2022-05-03 浙江师范大学 一种基于城轨列车车轮踏面的点云数据处理方法
CN115588006A (zh) * 2022-11-11 2023-01-10 四川大学 一种标准化牙弓形态的提取方法
CN115588006B (zh) * 2022-11-11 2023-11-21 四川大学 一种标准化牙弓形态的提取方法
CN116610897A (zh) * 2023-07-14 2023-08-18 矿冶科技集团有限公司 一种尾矿库泄流数据拟合方法、系统、设备及存储介质
CN116610897B (zh) * 2023-07-14 2023-10-17 矿冶科技集团有限公司 一种尾矿库泄流数据拟合方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN107248156A (zh) 分段点自动提取的踏面轮廓拟合方法
CN105946898B (zh) 一种基于激光测距的城轨列车车轮直径检测方法及系统
CN107607044B (zh) 一种基于激光位移传感器的车轮踏面磨耗检测方法
WO2021098161A1 (zh) 一种路面平整度检测方法及系统
CN105292181B (zh) 一种基于两种传感器的轮对尺寸在线检测方法及装置
CN105235713A (zh) 基于激光位移传感器的城轨车辆车轮直径在线检测方法
CN103591899B (zh) 传感器圆弧法线安装的城轨车辆车轮直径检测装置及方法
CN105835902B (zh) 一种基于激光位移传感器的车轮直径的检测方法
CN107685748B (zh) 基于激光位移传感器的列车车轮尺寸参数在线检测方法
CN105292180A (zh) 基于多种传感器的非接触式轮对尺寸在线检测方法和装置
CN110688710A (zh) 一种基于轨道交通车辆轮对寿命统计学模型的镟修方法
CN103587551A (zh) 传感器直线垂直安装的城轨车辆车轮直径检测装置及方法
CN105303832A (zh) 基于微波车辆检测器的高架桥路段交通拥堵指数计算方法
CN109353372A (zh) 一种有轨电车轮对尺寸在线监测系统及方法
CN105292182A (zh) 一种基于多种传感器的轮对尺寸在线检测方法和装置
CN107144234A (zh) 一种城轨车辆轮对踏面轮廓拟合方法
CN104590314B (zh) 一种基于多种传感器的城轨车辆车轮直径测量装置及方法
CN107128330B (zh) 传感器圆弧垂直安装的有轨电车轮径在线检测装置及方法
CN107202543A (zh) 城轨列车车轮直径的检测方法
CN113312715B (zh) 一种有轨电车槽型轨扭曲不平顺预测方法
CN103591902A (zh) 一种基于激光传感器的城轨车辆车轮直径检测装置及方法
CN109323675B (zh) 一种直线电机气隙在线检测方法
CN203601294U (zh) 传感器直线垂直安装的城轨车辆车轮直径检测装置
CN108839676B (zh) 一种列车车轮几何参数在线动态测量装置及测量方法
CN112197743A (zh) 一种地铁隧道轮廓-包络线最短距离分析方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171013

RJ01 Rejection of invention patent application after publication