CN108520521A - 基于图像处理的车轮踏面提取和拼接的方法 - Google Patents
基于图像处理的车轮踏面提取和拼接的方法 Download PDFInfo
- Publication number
- CN108520521A CN108520521A CN201810343064.XA CN201810343064A CN108520521A CN 108520521 A CN108520521 A CN 108520521A CN 201810343064 A CN201810343064 A CN 201810343064A CN 108520521 A CN108520521 A CN 108520521A
- Authority
- CN
- China
- Prior art keywords
- wheel
- tread
- image
- pixel
- wheel tread
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 239000000284 extract Substances 0.000 claims abstract description 12
- 238000003384 imaging method Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 14
- 239000011324 bead Substances 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 229910000831 Steel Inorganic materials 0.000 claims description 8
- 239000010959 steel Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000003137 locomotive effect Effects 0.000 abstract 2
- 238000003708 edge detection Methods 0.000 abstract 1
- 238000003709 image segmentation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像分割和图像融合的列车车轮踏面提取和拼接的方法,首先根据车轮图像采集设备定点成像的特性,划分车轮踏面初选区域,然后采用灰度投影技术,依据灰度投影值的大小以及变化速率,进一步定位踏面区域,在此基础上使用边缘检测方法检测车轮轮缘线,完成车轮踏面的提取,最后根据车轮踏面交叠区域的灰度差值计算最小平滑宽度,通过基于空间的像素匹配方法拼接车轮踏面,生成360度车轮踏面全景图像。本发明属于机车损伤检测系统的预处理技术,可以高效、快速地提取机车踏面区域,提升机车损伤检测系统的预处理速度,具有较强的实用性和广阔的应用前景。
Description
技术领域
本发明是一种基于图像处理的列车车轮踏面提取和拼接的方法,涉及列车车轮图像处理技术,更具体的涉及列车车轮踏面损伤检测的预处理方法。
背景技术
随着铁路交通日益发达,铁路运营里程在不断增长,年客运总量飞速提升,铁路交通成为我国运输交通重要方式。铁路交通有覆盖面广、载客量大的特点,因此铁路交通已经成为国民主要交通运输工具之一。列车轮对是列车运行部件中重要的部分之一,车轮的工作状态将会直接影响到列车的运行速度和安全,车轮出现问题会造成难以想象的后果,列车维修人员必须按时检测车轮状态,及时发现车轮问题,更换超限车轮,从而避免列车事故的发生。车轮最重要的一个状态参数就是踏面损伤情况,踏面损伤大小对车轮寿命影响最大。目前国内外在车轮踏面损伤检测与识别算法方面研究较多,大多是按照图像预处理、损伤定位和检测等算法步骤进行。其中踏面图像的预处理和踏面区域的提取是车轮损伤检测的重要步骤之一,近年来关于列车车轮踏面损伤检测的方法层出不穷,但是如何有效快速的提取高速运转的列车车轮踏面还是一个难点。以下将通过具体实施方法结合附图对本发明的目的和方法进行详细阐述。
发明内容
本发明所要解决的技术问题是针对常见的列车踏面损伤检测方法对高速运行的列车踏面分割方法鲁棒性低,本发明就是为了解决现有技术上的不足,提供一种鲁棒性高,效果好的列车车轮踏面提取和拼接方法。
本发明为解决上述技术问题采用以下技术方案:
基于图像处理的列车车轮踏面提取和拼接的方法,包括以下步骤:
步骤1),依据车轮图像采集设备定点成像的特性,将采集到的车轮图像按照采集设备的布局和拍摄顺序进行编号;
步骤2),在轨道上放置车轮进行静态标定,在车轮图像内划分车轮踏面初选区域S,记录车轮踏面边缘线位置的校对数值lfix,并通过最小二乘法拟合求得车轮踏面边缘线的曲线方程y;
步骤3),动态采集车轮图像,在车轮踏面初选区域S内进行灰度垂直投影,依据投影值的大小和变化速率检测判断车轮踏面一侧轮缘在车轮图像中的位置l;
步骤4),将步骤3)中检测获取车轮踏面一侧轮缘线位置l与步骤2中所记录的轮缘线位置的校对数值lfix进行比较,通过差值σ修正左侧轮缘位置l,精确定位车轮踏面一侧轮缘线位置;结合车轮初选区域S的边界值,使用车轮踏面边缘线的曲线方程y提取出车轮踏面的一侧的边缘线,将该边缘线平移踏面宽度ω获取车轮另一侧的边缘线,成功提取车轮踏面;
步骤5),提取车轮踏面后,根据车轮图像的编号,提取同一个车轮的多张车轮踏面图像,使用基于空间的像素匹配方法,将多张车轮踏面图像进行拼接和融合,生成完整的车轮踏面。
所述步骤1)中的车轮图像采集设备的详细布局和拍摄顺序如下:
在轨道两侧外沿对称布置图像采集设备,在列车进线方向放置磁钢测速开关,等距离间隔摆放若干台图像采集设备,所述图像采集设备的镜头方向与列车进线方向一致;当列车进线,驶入检测区域,图像采集设备根据磁钢测速开关检测到的车速依次触发相机,采集车轮图像;
所述步骤1)中的车轮图像的编号规则为Nwheel_Nside_Npic,其中Nwheel表示轮对号,Nside代表图像采集设备的相对于列车进线的方位,有0和1两个值,;Npic的取值范围决定于图像采集设备的数量,按照拍照顺序依次取值。
所述步骤2)静态标定的详细步骤如下:
步骤2.1),依据图像采集设备的布局,将样板轮对停放在预先设定好的拍摄位置,调整采集设备,使轮对出现在相机视场的中间;
步骤2.2),在静态标定获取的轮对图像上选取划分车轮踏面初选区域S;
步骤2.3),记录车轮踏面初选区域S相关数值,包括轮对踏面初选区域的上边界Uori,下边界Bori,左右边界Lori、Rori以及车轮踏面边缘线位置的校对数值lfix;
步骤2.4),点选车轮踏面左侧轮缘的轮缘线上的点,求出轮缘线的曲率公式y=ax2+bx+c。
所述步骤3)中的灰度垂直投影方法如下:
步骤3.1),计算车轮图像轮对踏面初选区域的灰度均值μ;
步骤3.2),在踏面初选区域内,逐列去统计灰度值大于μ的像素点个数;
所述步骤3)依据投影值的大小和变化速率检测判断车轮踏面左侧轮缘在车轮图像中的位置l的详细方法是:
车轮图像是i×j的二维像素矩阵,现将第j列的垂直投影结果,灰度值不为0的像素总数记为Pv(j),与第j+1列的垂直投影结果Pv(j+1)进行比较,取Pv(j+1)与Pv(j)差的绝对值为δ,Pv(j+1)与Pv(j)比值的绝对值为η,公式如下:
δ=|Pv(j+1)-Pv(j)|
找到垂直投影的最大值Pv(max),当Pv(j)大于Pv(max)的2/3时,且相邻两列之间投影差δ大于40或比值η大于2,则将该列标记为一侧轮缘线位置l。
所述步骤5)中所介绍的列车车轮踏面拼接方法详细步骤为:
步骤5.1),将同一轮对的踏面图像进行归一化处理,保证图像的宽度一致;
步骤5.2),输入两张踏面图像,基于空间的像素匹配方法进行踏面图像的拼接,对两幅待拼接踏面图像的交叠部分逐列进行检测,每一列交叠部分的灰度值对应相减并将差值存储,选择每一列中差值绝对值最小的点作为相关性最强的位置,这个位置即为两幅图像的最佳匹配点;
步骤5.3),按照最佳匹配点的位置,逐列将两幅踏面图像进行拼接,使用踏面拼接处平滑算法处理踏面拼接处的差异;
步骤5.4),将两幅图像拼接的结果作为输入图像,和下一幅图像进行拼接处理,不断重复上述步骤,直至不同踏面图像拼接为一张完整的图像。
步骤5.2)中涉及的基于空间的像素匹配方法,该方法具体为:
首先根据公式计算拼接点两侧的灰度值,公式如下:
INi=IAi+(IBi-IAi)×K
其中INi是完成图像拼接处差异消除后的像素灰度值,IAi、IBi分别是交叠部分同一位置的像素灰度值;W是灰度平滑宽度,;K为权重系数;
然后计算每一个拼接像素点两侧L像素距离内的灰度差值Δg,根据灰度插值Δg将像素两侧w距离内的像素灰度修改,参数w是改正宽度,其值与灰度插值Δg成正比,关系式如下:
参数d是修改像素点离拼接像素点之间的距离;修改像素点离拼接曲线上初始位置的像素点的距离d越大,灰度修改值Δg′越小;修改像素点离初始位置的像素点的距离d越小,灰度修改值Δg′越大;
通过基于空间的像素匹配方法可以确定每一个拼接点的最佳改正宽度,进而平滑拼接缝,平滑踏面拼接处的差异,完成踏面的拼接。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明提出了一种基于图像处理的列车车轮踏面提取和拼接的方法,通过分析车轮踏面的图像基本特征,能够以较快的速度提取车轮踏面区域踏面,提取结果的精准度达到了90%,鲁棒性高,同时本方法还能够实现车轮完整踏面区域的拼接,具有良好的实用性。踏面图像的预处理和踏面区域的提取是车轮损伤检测的重要步骤之一,本发明为车轮踏面损伤检测提供了鲁棒性高,效果好的踏面图像预处理方法,因此本方法具有广泛的应用前景。
附图说明
图1是车轮图像采集设备布局示意图;
图2是本发明基于图像处理的车轮踏面提取和拼接方法的流程示意图;
图3是车轮图像采集设备采集到的原始图像;
图4是车轮踏面初选区域划分结果示意图;
图5是车轮踏面图像灰度垂直投影结果示意图;
图6是车轮踏面提取分割结果示意图;
图7、图8是基于空间的像素匹配算法的车轮踏面拼接结果示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
图1所示为基于图像处理的车轮踏面提取和拼接方法的流程示意图,总体上来说,整个检测方法包括下述过程:
第一步:数据预处理
依据车轮图像采集设备定点成像的特性,将采集到的车轮图像按照采集设备的布局和拍摄顺序进行编号;
第二步:静态标定
在轨道上放置车轮进行静态标定,在车轮图像内划分车轮踏面初选区域S,记录车轮踏面边缘线位置的校对数值lfix,并通过最小二乘法拟合求得车轮踏面边缘线的曲线方程y;
第三步:灰度垂直投影
动态采集车轮图像,在车轮踏面初选区域S内进行灰度垂直投影,依据投影值的大小和变化速率检测判断车轮踏面左侧轮缘在车轮图像中的位置l;
第四步:提取踏面图像
将步骤3中检测获取车轮踏面左侧轮缘线位置l与步骤2中所记录的左侧轮缘线位置的校对数值lfix进行比较,通过差值σ修正左侧轮缘位置l,精确定位车轮踏面左侧轮缘线位置。结合车轮初选区域S的边界值,使用车轮踏面边缘线的曲线方程y提取出车轮踏面的左边缘线,进而提取车轮另一侧的边缘线,成功提取车轮踏面。
第五步:拼接完整踏面
成功提取车轮踏面后,根据车轮图像的编号,提取同一个车轮的多张车轮踏面图像,使用基于空间的像素匹配方法,将多张车轮踏面图像进行拼接和融合,生成完整的车轮踏面。
下面结合图示与具体实例对本发明作进一步说明。
图2所示为本发明在实际场景中的车轮图像采集设备布局示意图,其中,图像采集系统用于采集机车轮对踏面的实时图像,包括铺设在轨道两侧的图像采集箱头,控制箱,工控机以及磁钢触发器,本实施例在车轮的一侧布置了5台图像采集设备及对应的磁钢触发器。为了达到更好的踏面图像,可以根据精度要求增加或减少图像采集设备的数量。
图3为车轮图像采集设备采集到的车轮原始图像,是列车进线方向左侧某一相机车轮图像。
图4为车轮踏面初选区域划分结果示意图,图中红色的区域即通过静态标定确定的他面初选区域,踏面初选区域决定了车轮踏面的上下界以及左右两侧的动态范围,可以提高踏面提取的精确度。
图5为车轮踏面图像灰度垂直投影结果示意图,根据踏面中心区域会出现较强的光斑的图像特点,使用灰度垂直投影可以快速定位车轮踏面的左右边界。
图6为车轮踏面提取分割结果示意图,根据灰度垂直投影的结果,车轮踏面边缘线的曲线方程以及踏面初选区域的上下边界,可以确定顺利提取出车轮踏面区域。
图7为基于空间的像素匹配算法的车轮踏面拼接结果示意图,图7是列车进线方向左侧5台相机采集的车轮图像提取出来的5个踏面图像,图8是5个踏面拼接获得的完成踏面图像。
下面对本发明一些步骤进行更详细的解释与描述。
第一步中,本发明所涉及的车轮图像采集设备的详细布局和拍摄顺序如下:
在轨道两侧外沿,镜像布置两侧的图像采集设备,实际场景中的车轮图像采集设备布局示意图如图2所示。以单侧为例,在列车进线方向放置磁钢测速开关,然后以600mm为间隔依次摆放5台图像采集设备,图像采集设备的镜头方向与列车进线方向一致。当列车进线,驶入检测区域,图像采集设备根据磁钢测速开关检测到的车速依次触发相机,采集车轮图像。
因此在中的车轮图像的编号规则为Nwheel_Nside_Npic,其中Nwheel表示轮对号,取值范围决定于列车轮对总数;Nside有0和1两个值,0代表设备处于列车进线方向左侧,1代表设备处于列车进线方向右侧;Npic的取值范围决定于图像采集设备的数量,按照拍照顺序依次取值;
第二步中,本发明所涉及的静态标定的详细步骤如下:
步骤2.1),依据图像采集设备的布局,将样板轮对停放在预先设定好的拍摄位置,调整采集设备,使轮对出现在相机视场的中间;
步骤2.2),车轮图像采集设备采集到的车轮原始图像如图3所示,车轮踏面初选区域划分结果示意图如图4所示,红色方框为车轮踏面初选区域Si;
步骤2.3),记录车轮踏面初选区域S相关数值,包括轮对踏面初选区域的上边界Uori,下边界Bori,左右边界Lori、Rori以及车轮踏面边缘线位置的校对数值lfix;
步骤2.4),点选车轮踏面左侧轮缘的轮缘线上的点,求出轮缘线的曲率公式y=ax2+bx+c(y表示像素在图像里的纵坐标,x表示横坐标);
第三步中,本发明所涉及的根据灰度垂直投影方法确定车轮踏面左侧轮缘位置的详细步骤如下:
步骤3.1),计算车轮图像轮对踏面初选区域的灰度均值μ,灰度均值的计算方法根据下式计算:
步骤3.2),在踏面初选区域内,逐列去统计灰度值大于μ的像素点个数,并用Pv(j)记录每一列的垂直投影结果,垂直投影根据下式计算:
步骤3.3),自左向右,比较相邻两列的垂直投影结果,即Pv(j-1)与Pv(j)进行比较(j为列数),取Pv(j-1)与Pv(j)差的绝对值为δ,Pv(j-1)与Pv(j)比值的绝对值为η,公式如下:
δ=|Pv(j)-Pv(j-1)|
找到垂直投影的最大值Pv(max),当Pv(j)大于Pv(max)的2/3时,且相邻两列之间投影差δ大于40或比值η大于2,则将该列标记为踏面的左边界JR。车轮踏面图像灰度垂直投影结果示意图如图5所示,图像上方白色阴影为投影定位结果。
第五步中,本发明所涉及的列车车轮踏面拼接方法详细步骤为:
步骤5.1),将同一轮对的五张踏面图像进行归一化处理,保证图像的宽度一致,如图7所示;
步骤5.2),输入两张踏面图像,基于空间的像素匹配方法进行踏面图像的拼接,对两幅待拼接踏面图像的交叠部分逐列进行检测,对两幅待拼接踏面图像的交叠部分逐列进行检测,每一列交叠部分的灰度值对应相减并将差值存储,选择每一列中差值绝对值最小的点作为相关性最强的位置,这个位置即为两幅图像的最佳匹配点。
步骤5.4),按照最佳匹配点的位置,逐列将两幅踏面图像进行拼接,使用踏面拼接处平滑算法处理踏面拼接处的差异。
步骤5.5),将两幅图像拼接的结果作为输入图像,和下一幅图像进行拼接处理,不断重复上述步骤,直至五张踏面图像拼接为一张完整的图像,如图8所示。
第五步中,列车车轮踏面拼接过程中所涉及的基于空间的像素匹配方法具体步骤如下:
首先根据公式计算拼接点左右侧的灰度值,公式如下:
INi=IAi+(IBi-IAi)×K
其中INi是完成图像拼接处差异消除后的像素灰度值,IAi、IBi分别是交叠部分同一位置的像素灰度值。W是灰度平滑宽度,其值一般小于交叠区域的宽度。K为权重系数。
然后计算每一个拼接像素点两侧L像素距离内的灰度差值Δg,根据灰度插值Δg将像素两侧w距离内的像素灰度修改,参数w不同于W,是改正宽度,其值与灰度插值Δg成正比,关系式如下:
参数d是修改像素点离拼接像素点之间的距离。修改像素点离拼接曲线上初始位置的像素点的距离d越大,灰度修改值Δg′越小;修改像素点离初始位置的像素点的距离d越小,灰度修改值Δg′越大。
上述实施例仅为本发明技术方案的一种实现方式,不构成对本发明实施例的限定,本领域的技术人员在本发明公开的度分布设计方案的基础上,能够将其应用到其它的编译码方法中。
Claims (7)
1.基于图像处理的列车车轮踏面提取和拼接的方法,其特征在于,包括以下步骤:
步骤1),依据车轮图像采集设备定点成像的特性,将采集到的车轮图像按照采集设备的布局和拍摄顺序进行编号;
步骤2),在轨道上放置车轮进行静态标定,在车轮图像内划分车轮踏面初选区域S,记录车轮踏面边缘线位置的校对数值lfix,并通过最小二乘法拟合求得车轮踏面边缘线的曲线方程y;
步骤3),动态采集车轮图像,在车轮踏面初选区域S内进行灰度垂直投影,依据投影值的大小和变化速率检测判断车轮踏面一侧轮缘在车轮图像中的位置l;
步骤4),将步骤3)中检测获取车轮踏面一侧轮缘线位置l与步骤2中所记录的轮缘线位置的校对数值lfix进行比较,通过差值σ修正左侧轮缘位置l,精确定位车轮踏面一侧轮缘线位置;结合车轮初选区域S的边界值,使用车轮踏面边缘线的曲线方程y提取出车轮踏面的一侧的边缘线,将该边缘线平移踏面宽度ω获取车轮另一侧的边缘线,成功提取车轮踏面;
步骤5),提取车轮踏面后,根据车轮图像的编号,提取同一个车轮的多张车轮踏面图像,使用基于空间的像素匹配方法,将多张车轮踏面图像进行拼接和融合,生成完整的车轮踏面。
2.根据权利要求1所述的基于图像处理的列车车轮踏面提取和拼接的方法,其特征在于,所述步骤1)中的车轮图像采集设备的详细布局和拍摄顺序如下:
在轨道两侧外沿对称布置图像采集设备,在列车进线方向放置磁钢测速开关,等距离间隔摆放若干台图像采集设备,所述图像采集设备的镜头方向与列车进线方向一致;当列车进线,驶入检测区域,图像采集设备根据磁钢测速开关检测到的车速依次触发相机,采集车轮图像;
所述步骤1)中的车轮图像的编号规则为Nwheel_Nside_Npic,其中Nwheel表示轮对号,Nside代表图像采集设备的相对于列车进线的方位,有0和1两个值,;Npic的取值范围决定于图像采集设备的数量,按照拍照顺序依次取值。
3.根据权利要求1所述的基于图像处理的列车车轮踏面提取和拼接的方法,其特征在于,所述步骤2)静态标定的详细步骤如下:
步骤2.1),依据图像采集设备的布局,将样板轮对停放在预先设定好的拍摄位置,调整采集设备,使轮对出现在相机视场的中间;
步骤2.2),在静态标定获取的轮对图像上选取划分车轮踏面初选区域S;
步骤2.3),记录车轮踏面初选区域S相关数值,包括轮对踏面初选区域的上边界Uori,下边界Bori,左右边界Lori、Rori以及车轮踏面边缘线位置的校对数值lfix;
步骤2.4),点选车轮踏面左侧轮缘的轮缘线上的点,求出轮缘线的曲率公式y=ax2+bx+c。
4.根据权利要求1所述的基于图像处理的列车车轮踏面提取和拼接的方法,其特征在于,
所述步骤3)中的灰度垂直投影方法如下:
步骤3.1),计算车轮图像轮对踏面初选区域的灰度均值μ;
步骤3.2),在踏面初选区域内,逐列去统计灰度值大于μ的像素点个数。
5.根据权利要求1所述的基于图像处理的列车车轮踏面提取和拼接的方法,其特征在于,所述步骤3)依据投影值的大小和变化速率检测判断车轮踏面左侧轮缘在车轮图像中的位置l的详细方法是:
车轮图像是i×j的二维像素矩阵,现将第j列的垂直投影结果,灰度值不为0的像素总数记为Pv(j),与第j+1列的垂直投影结果Pv(j+1)进行比较,取Pv(j+1)与Pv(j)差的绝对值为δ,Pv(j+1)与Pv(j)比值的绝对值为η,公式如下:
δ=|Pv(j+1)-Pv(j)|
找到垂直投影的最大值Pv(max),当Pv(j)大于Pv(max)的2/3时,且相邻两列之间投影差δ大于40或比值η大于2,则将该列标记为一侧轮缘线位置l。
6.根据权利要求1所述的基于图像处理的列车车轮踏面提取和拼接的方法,其特征在于,所述步骤5)中所介绍的列车车轮踏面拼接方法详细步骤为:
步骤5.1),将同一轮对的踏面图像进行归一化处理,保证图像的宽度一致;
步骤5.2),输入两张踏面图像,基于空间的像素匹配方法进行踏面图像的拼接,对两幅待拼接踏面图像的交叠部分逐列进行检测,每一列交叠部分的灰度值对应相减并将差值存储,选择每一列中差值绝对值最小的点作为相关性最强的位置,这个位置即为两幅图像的最佳匹配点;
步骤5.3),按照最佳匹配点的位置,逐列将两幅踏面图像进行拼接,使用踏面拼接处平滑算法处理踏面拼接处的差异;
步骤5.4),将两幅图像拼接的结果作为输入图像,和下一幅图像进行拼接处理,不断重复上述步骤,直至不同踏面图像拼接为一张完整的图像。
7.根据权利要求6所述的基于图像处理的列车车轮踏面提取和拼接的方法,其特征在于,步骤5.2)中涉及的基于空间的像素匹配方法,该方法具体为:
首先根据公式计算拼接点两侧的灰度值,公式如下:
INi=IAi+(IBi-IAi)×K
其中INi是完成图像拼接处差异消除后的像素灰度值,IAi、IBi分别是交叠部分同一位置的像素灰度值;W是灰度平滑宽度,;K为权重系数;
然后计算每一个拼接像素点两侧L像素距离内的灰度差值Δg,根据灰度插值Δg将像素两侧w距离内的像素灰度修改,参数w是改正宽度,其值与灰度插值Δg成正比,关系式如下:
参数d是修改像素点离拼接像素点之间的距离;修改像素点离拼接曲线上初始位置的像素点的距离d越大,灰度修改值Δg′越小;修改像素点离初始位置的像素点的距离d越小,灰度修改值Δg′越大;
通过基于空间的像素匹配方法可以确定每一个拼接点的最佳改正宽度,进而平滑拼接缝,平滑踏面拼接处的差异,完成踏面的拼接。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2017102635243 | 2017-04-20 | ||
CN201710263524 | 2017-04-20 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108520521A true CN108520521A (zh) | 2018-09-11 |
Family
ID=63428755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810343064.XA Withdrawn CN108520521A (zh) | 2017-04-20 | 2018-04-17 | 基于图像处理的车轮踏面提取和拼接的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520521A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493278A (zh) * | 2018-10-24 | 2019-03-19 | 北京工业大学 | 一种基于sift特征的大场景图像拼接系统 |
CN109741238A (zh) * | 2018-11-23 | 2019-05-10 | 上海扩博智能技术有限公司 | 风机叶片图像拼接方法、系统、设备及存储介质 |
CN110276297A (zh) * | 2019-06-21 | 2019-09-24 | 中国神华能源股份有限公司 | 列车踏面磨损检测系统及方法 |
CN110288533A (zh) * | 2019-07-02 | 2019-09-27 | 河北农业大学 | 一种非旋转图像的快速拼接方法 |
CN111462091A (zh) * | 2020-04-02 | 2020-07-28 | 哈尔滨工业大学 | 一种探测设备的车轮检测方法及检测装置 |
CN112109769A (zh) * | 2020-09-28 | 2020-12-22 | 哈尔滨市科佳通用机电股份有限公司 | 一种城轨车辆车轮踏面损伤检测系统及方法 |
CN113160259A (zh) * | 2021-04-30 | 2021-07-23 | 重庆紫光华山智安科技有限公司 | 边缘检测方法、装置、计算机设备及存储介质 |
CN113418926A (zh) * | 2021-06-02 | 2021-09-21 | 南京航空航天大学 | 基于激光条中心线定位提取算法的轮对踏面损伤检测方法 |
CN117309899A (zh) * | 2023-08-17 | 2023-12-29 | 钛玛科(北京)工业科技有限公司 | 一种轮胎搭接质量检测系统 |
-
2018
- 2018-04-17 CN CN201810343064.XA patent/CN108520521A/zh not_active Withdrawn
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493278A (zh) * | 2018-10-24 | 2019-03-19 | 北京工业大学 | 一种基于sift特征的大场景图像拼接系统 |
US11466666B2 (en) | 2018-11-23 | 2022-10-11 | Shanghai Clobotics Technology Co., Ltd. | Method and device for stitching wind turbine blade images, and storage medium |
CN109741238A (zh) * | 2018-11-23 | 2019-05-10 | 上海扩博智能技术有限公司 | 风机叶片图像拼接方法、系统、设备及存储介质 |
CN109741238B (zh) * | 2018-11-23 | 2020-08-11 | 上海扩博智能技术有限公司 | 风机叶片图像拼接方法、系统、设备及存储介质 |
CN110276297A (zh) * | 2019-06-21 | 2019-09-24 | 中国神华能源股份有限公司 | 列车踏面磨损检测系统及方法 |
CN110288533A (zh) * | 2019-07-02 | 2019-09-27 | 河北农业大学 | 一种非旋转图像的快速拼接方法 |
CN110288533B (zh) * | 2019-07-02 | 2022-12-06 | 河北农业大学 | 一种非旋转图像的快速拼接方法 |
CN111462091A (zh) * | 2020-04-02 | 2020-07-28 | 哈尔滨工业大学 | 一种探测设备的车轮检测方法及检测装置 |
CN111462091B (zh) * | 2020-04-02 | 2023-06-06 | 哈尔滨工业大学 | 一种探测设备的车轮检测方法及检测装置 |
CN112109769B (zh) * | 2020-09-28 | 2021-07-16 | 哈尔滨市科佳通用机电股份有限公司 | 基于一种城轨车辆车轮踏面损伤检测系统的车轮踏面损伤检测方法 |
CN112109769A (zh) * | 2020-09-28 | 2020-12-22 | 哈尔滨市科佳通用机电股份有限公司 | 一种城轨车辆车轮踏面损伤检测系统及方法 |
CN113160259A (zh) * | 2021-04-30 | 2021-07-23 | 重庆紫光华山智安科技有限公司 | 边缘检测方法、装置、计算机设备及存储介质 |
CN113160259B (zh) * | 2021-04-30 | 2024-01-30 | 重庆紫光华山智安科技有限公司 | 边缘检测方法、装置、计算机设备及存储介质 |
CN113418926A (zh) * | 2021-06-02 | 2021-09-21 | 南京航空航天大学 | 基于激光条中心线定位提取算法的轮对踏面损伤检测方法 |
CN113418926B (zh) * | 2021-06-02 | 2022-02-18 | 南京航空航天大学 | 基于激光条中心线定位提取算法的轮对踏面损伤检测方法 |
CN117309899A (zh) * | 2023-08-17 | 2023-12-29 | 钛玛科(北京)工业科技有限公司 | 一种轮胎搭接质量检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520521A (zh) | 基于图像处理的车轮踏面提取和拼接的方法 | |
Chi et al. | Pedhunter: Occlusion robust pedestrian detector in crowded scenes | |
CN109376572A (zh) | 基于深度学习的交通视频中实时车辆检测与轨迹跟踪方法 | |
CN102222341B (zh) | 运动特征点检测方法及装置、运动目标检测方法及装置 | |
CN104517095B (zh) | 一种基于深度图像的人头分割方法 | |
CN102854191A (zh) | 高速铁轨表面缺陷的实时视觉检测与识别方法 | |
CN111080612B (zh) | 一种货车轴承破损检测方法 | |
CN108190774B (zh) | 一种基于投影的排绳故障检测方法及其装置 | |
CN106056648A (zh) | 一种智能机器人的图像绘制方法及系统 | |
CN103971524A (zh) | 一种基于机器视觉的交通流量检测方法 | |
CN106203336A (zh) | 一种基于灰度图像标记的矿井巷道灯识别方法 | |
CN107264570A (zh) | 钢轨光带分布检测装置与方法 | |
CN110460813A (zh) | 一种基于视频流的集装箱图像采集装置及采集方法 | |
CN113435336A (zh) | 一种基于人工智能的跑步智能计时系统及方法 | |
CN114092903A (zh) | 车道线标注、检测模型确定、车道线检测方法及相关设备 | |
CN105761507B (zh) | 一种基于三维轨迹聚类的车辆计数方法 | |
CN111561967A (zh) | 弓网运行状态实时在线检测方法及系统 | |
CN112907597A (zh) | 基于深度卷积神经网络的铁路轨道线检测方法 | |
CN111238365B (zh) | 基于立体视觉的地铁列车测距和定位方法及系统 | |
CN111855667A (zh) | 一种适用于地铁车辆的新型智慧列检系统和检测方法 | |
CN116242316A (zh) | 刚性接触网定位点实时检测的方法及装置 | |
CN104616321A (zh) | 一种基于尺度不变特征变换的行李图像运动行为描述方法 | |
CN112109769B (zh) | 基于一种城轨车辆车轮踏面损伤检测系统的车轮踏面损伤检测方法 | |
CN112733680B (zh) | 一种基于监控视频流生成高质量人脸图像的模型训练方法、提取方法、装置和终端设备 | |
CN110084171A (zh) | 一种地铁车顶异物检测装置及检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180911 |
|
WW01 | Invention patent application withdrawn after publication |