CN108596968B - 一种基于轨道3d深度图像的轨枕计数方法 - Google Patents
一种基于轨道3d深度图像的轨枕计数方法 Download PDFInfo
- Publication number
- CN108596968B CN108596968B CN201810284073.6A CN201810284073A CN108596968B CN 108596968 B CN108596968 B CN 108596968B CN 201810284073 A CN201810284073 A CN 201810284073A CN 108596968 B CN108596968 B CN 108596968B
- Authority
- CN
- China
- Prior art keywords
- track
- image
- depth image
- sampling
- sleeper
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/514—Depth or shape recovery from specularities
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于轨道3D深度图像的轨枕计数方法,属于铁轨检测技术领域。对轨道3D深度图像进行二值化处理,对轨道二值化图像进行膨胀填充处理,对膨胀填充处理后的图像进行列采样,并填补采样序列中的奇异点,由填补后采样序列中的方波数量计算图像中轨枕数量,求和计算轨道中轨枕总数量。本发明提出的数据处理方法,具有处理简单,计算量小,抗干扰强等优点,可提供准确的轨枕计数信息,并进而实现高精度里程计数,为轨道巡检系统提供精准的位置信息,方便轨道巡检结果准确定位,和在后期维护中快速查找。
Description
技术领域
本发明涉及轨道巡检技术领域,特指一种基于轨道3D深度图像的轨枕计数方法。
背景技术
轨道交通包括普通铁路、高速铁路、地铁等,在国民经济发展、人民生活出行中发挥着重大作用。为保证轨道交通运行安全,轨道交通运营部门需定期对轨道安全进行巡检。具体巡检内容包括:铁轨几何参数检测,铁轨扣件松动、缺失、裂纹等异常检测,铁轨磨损检测,弓网线路检测,路面异物检测等。
目前,铁轨几何参数检测,主要采用惯导系统、激光图像测量系统,用于自动检测轨道几何参数;扣件异常检测,主要采用人工巡检。近期,也有学者将图像检测、惯性导航、激光测量等自动检测技术引入轨道巡检中。
在自动巡检系统中,通常需将所检测的异常结果与里程关联,作为事后维修时定位依据。目前,我国轨道巡检系统多常采用光电编码器、GPS定位系统用于里程计数。由于GPS在隧道、山区等环境下定位会受到严重影响,目前,多采用光电编码器用于里程计数,再采用间隔x Km处设置RFID电子标签对里程计数进行修正,x的取值为1~10。但是,在x Km以内,采用光电编码器进行里程计数时,还存在这样的问题:1)当光电编码器安装在列车或检测平台的驱动轮上时,在列车或检测平台启动或刹车时,驱动轮在铁轨上容易打滑,产生里程计数误差;2)当光电编码器安装于列车或检测平台的随动轮(随动轮自身不具备驱动能力,跟随列车或检测平台在铁轨上滚动)时,虽然在列车或检测平台启动或刹车时,随动轮不会有明显打滑现象发生,但是,在列车或检测平台运动过程中,随动轮与铁轨之间存在一定的相对运动,即存在轻微打滑现象,从而使里程计数存在累积误差。当我们采用随动轮驱动的线阵摄像机对轨道路面进行线阵扫描成像时,在扫描的初期,2次线阵扫描成像结果基本可以重合,如图1所示,但是,随着扫描距离的增加,光电编码器的累积误差效应变得非常明显,如图2所示(图1所位置到图2所示位置的距离仅有20m)。对于扣件、轨道损伤等异常检测而言,定位精度小于0.5m。当x=1且光电编码器累积误差为1%时,里程定位偏差将达到10m,这显然不能满足实际应用需求。
由于铁路轨枕安装位置固定,而且间隔已知,因此,可通过对轨枕或扣件计数实现高精度里程计数。为此,专利CN2016112135719提出一种利用机器视觉对铁轨扣件计数,进行里程计数的方法。该方法同光电编码器、光电测距传感器及GPS定位系统等扣件定位方法相比,具有定位精度高、无累积误差等优势。但是,专利CN2016112135719中采用面阵摄像机用于获取扣件图像,需要精准的扣件触发成像控制系统,才能保证所扣件拍摄图像中同一扣件只出现一次。在没有扣件触发成像控制系统时,当检测平台运行速度大于摄像机拍摄速度时,拍摄图像中会遗漏扣件,导致里程计数错误;当检测平台运行速度小于摄像机拍摄速度时,同一个扣件会出现在多幅图像中,需要在拍摄图像中剔除多余的扣件图像,从而增加计算复杂度。此外,该专利采用拍摄的扣件纹理图像用于扣件检测和识别,容易受到扣件不同状态(扣件缺少、扣件变形)、成像亮度变化等因素干扰,从而影响扣件检测结果可靠性。为此,迫切需要一种可为自动巡检系统提供高精度里程计数的方法。
发明内容
本发明的目的是提供一种基于轨道3D深度图像的轨枕计数方法,以用于轨道交通自动巡检系统高精度里程计数,以解决现有里程计数方法精度低、可靠性差等问题。
为解决上述技术问题,本发明的技术方案如下:
一种基于轨道3D深度图像的轨枕计数方法,其特征在于:采用线结构光3D扫描装置,沿铁轨方向对轨道路面进行线扫描3D测量,获取轨道3D深度图像序列Q,利用轨道3D深度图像进行轨枕计数,对轨道3D深度图像进行如下处理:
步骤1:从轨道3D深度图像序列Q中,读取第q帧轨道3D深度图像I,采用固定阈值分割方法对轨道3D深度图像I进行二值化处理,得到轨道二值化图像B,3D深度图像I的尺寸为w*h,w、h分别为图像宽度和高度,取值范围为:1~10000;
所述二值化处理的具体公式为:
其中,th表示设定的阈值,i和j表示图像的像素坐标,f(i,j)表示轨道3D深度图像中坐标(i,j)处像素点的灰度值。
当所述步骤1中图像I中边缘处轨枕被相邻帧图像截断时,截取相邻帧轨道3D深度图像中截断轨枕部分与当前帧图像I拼接后,再进行图像二值化处理。
步骤2:对轨道二值化图像B进行膨胀填充处理,得到膨胀填充处理后二值化图像C;
步骤3:在图像C中,平行于铁轨方向,在轨枕区域中抽取k列像素,用于构建采样序列S,S的大小为h*1,k的取值范围为1~10000;
所述抽取k列像素构建采用序列S的方法是:当>1时,对k列像素中具有相同纵坐标元素进行逻辑或操作,得到采样序列S;当k=1时,直接用该列像素填充采样序列S。
步骤4:填充采样序列S的奇异点;
所述奇异点的判定条件是:该采样值为0,且该采样值[-s s]局部邻域内采样值中存在y个采样值为1,s的取值范围为:1~10000,y的取值范围为:1~10000。
所述奇异点的填充方法是:当某个采样值被判定为奇异点时,采用1填充该采样点,否则不填充。
步骤5:计算填充后采样序列S中方波数量,作为该帧图像中的轨枕数量;
步骤6:依次执行步骤1~5,提取Q幅轨道3D深度图像中轨枕数量,再求和,作为检测轨道中轨枕数量。
为解决步骤5中采用方波计数方法无法处理图像边缘处出现轨枕的问题,在步骤5中直接计算采样序列S中由0到1的跳变次数由1到0的跳变次数在步骤6中,对Q幅轨道3D深度图像中由0到1跳变次数求和由1到0跳变次数求和以或作为所检测轨道中轨枕数量,其中分别表示第q幅轨道3D深度图像中检测的由0到1跳变次数和由1到0跳变次数。
本发明的有益效果为:
1)本发明采用线结构光3D扫描装置获取轨道路面3D深度图像,相比现有技术采用2D纹理图像,具有更好的判别性,更有利于轨枕计数。
2)本发明提出的数据处理方法处理过程简单,计算量小,抗干扰强;
3)本发明根据轨枕间隔恒定的先验信息,在获取轨枕计数结果后,即可实现精度优于1m的里程计数,可完全满足轨道巡检系统缺陷检测定位精度需求。
附图说明
图1是同一轨道2次线阵扫描图像始端区域均值;
图2是同一轨道2次线阵扫描图像末端区域均值;
图3是本发明方法的流程图;
图4是轨道路面3D深度图像;
图5是轨道3D深度图像的二值化图像;
图6是膨胀填充处理后二值化图像;
图7是采样序列S。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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。
实施例1
如图1所示,本实施例提供一种基于轨道3D深度图像的轨枕计数方法,具体实施方式如下:
采用线结构光3D扫描装置,沿铁轨方向对轨道路面进行线扫描3D测量,获取20幅轨道路面3D深度图像序列,图2是获取的轨道3D深度图示例,轨道3D深度图像I的尺寸为500*500。
对3D深度图像进行如下处理:
步骤1:从20幅轨道3D深度图像中,读取第1帧轨道路面3D深度图像I,采用固定阈值分割方法对轨道3D深度图像I进行二值化处理,得到轨道二值化图像B,如图3所示。二值化处理的具体公式为:
其中,th表示设定的阈值,本实施例中th=100,i和j表示图像的像素坐标,f(i,j)表示轨道3D深度图像中坐标处(i,j)像素点的灰度值。
当步骤1中图像I中边缘处轨枕被相邻帧图像截断时,截取相邻帧轨道路面3D深度图像中截断轨枕部分与当前帧图像I拼接后,再进行图像二值化处理。
步骤2:对轨道二值化图像B进行膨胀填充处理,以消除空洞,得到膨胀填充处理后二值化图像C,如图4所示,为方便观察,图2-图4进行了90°旋转。
步骤3:在图像C中,平行于铁轨方向,在图像C轨枕区域中抽取k列像素,用于构建采样序列S,S的大小为h*1。
抽取k列像素构建采用序列S的方法是:当k>1时,对k列像素中具有相同纵坐标元素进行逻辑或操作,得到采样序列S;当k=1时,直接用该列像素填充采样序列S。
在本实施例中,取k=1,得到的采样序列如图5所示。
步骤4:填充采样序列S的奇异点。
奇异点的判定条件是:该采样值为0,且该采样值[-s s]局部邻域内采样值中存在y个采样值为1,s、y的取值范围为:1~10000。本实施例中,s=50,y=30。
奇异点的填充方法是:当某个采样值被判定为奇异点时,采用1填充该采样点,否则不填充。
步骤5:计算补充后采样序列S中方波数量,作为该帧图像中的轨枕数量。
步骤6:依次执行步骤1~5,提取Q幅轨道3D深度图像中轨枕数量,再求和,作为检测轨道中轨枕数量。
实施例2
与实施例1不同之处在于,在步骤3中,取k=10列像素,用于构建采样序列S。
实施例3
与实施例1不同之处在于,在步骤5中,直接计算采样序列中由0到1的跳变次数由1到0的跳变次数计算方法为:设的初值为0,遍历采样序列S,当S(i)=0、S(i+1)=1时,使当S(i)=1、S(i+1)=0时,使在步骤6中,对Q幅轨道3D深度图像中由0到1跳变次数求和由1到0跳变次数求和以或作为所检测轨道中轨枕数量,其中分别表示第q幅轨道3D深度图像中检测的由0到1跳变次数和由1到0跳变次数。
以上所揭露的仅为本发明几种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (8)
1.一种基于轨道3D深度图像的轨枕计数方法,其特征在于:采用线结构光3D扫描装置,沿铁轨方向对轨道路面进行线扫描3D测量,获取轨道3D深度图像序列Q,利用轨道3D深度图像进行轨枕计数;
其中,对轨道3D深度图像进行如下处理:
步骤1:从轨道3D深度图像序列Q中,读取第q帧轨道3D深度图像I,采用固定阈值分割方法对轨道3D深度图像I进行二值化处理,得到轨道二值化图像B,3D深度图像I的尺寸为w*h,w、h分别为图像宽度和高度,取值范围为:1~10000;
步骤2:对轨道二值化图像B进行膨胀填充处理,得到膨胀填充处理后二值化图像C;
步骤3:在图像C中,平行于铁轨方向,在图像C轨枕区域中抽取k列像素,用于构建采样序列S,S的大小为h*1,k的取值范围为1~10000;
步骤4:填充采样序列S的奇异点;
步骤5:计算填充后采样序列S中方波数量,作为该帧图像中的轨枕数量;
步骤6:依次执行步骤1~5,提取Q幅轨道3D深度图像中轨枕数量,再求和,作为检测轨道中轨枕数量。
3.根据权利要求1所述的基于轨道3D深度图像的轨枕计数方法,其特征在于:所述步骤3中,抽取k列像素构建采样序列S的方法是:当>1时,对k列像素中具有相同纵坐标元素进行逻辑或操作,得到采样序列S;当k=1时,直接以该列像素填充采样序列S。
4.根据权利要求1所述的基于轨道3D深度图像的轨枕计数方法,其特征在于:当所述步骤1中图像I中边缘处轨枕被相邻帧图像截断时,截取相邻帧轨道3D深度图像中截断轨枕部分与当前帧图像I拼接后,再进行图像二值化处理。
5.根据权利要求1所述的基于轨道3D深度图像的轨枕计数方法,其特征在于:所述步骤4中奇异点的判定条件是:该采样值为0,且该采样值[-s s]局部邻域内采样值中存在y个采样值为1,s的取值范围为:1~10000,y的取值范围为:1~10000。
6.根据权利要求1所述的基于轨道3D深度图像的轨枕计数方法,其特征在于:所述步骤4中奇异点的填充方法是:当某个采样值被判定为奇异点时,采用1填充该采样点,否则不填充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810284073.6A CN108596968B (zh) | 2018-04-02 | 2018-04-02 | 一种基于轨道3d深度图像的轨枕计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810284073.6A CN108596968B (zh) | 2018-04-02 | 2018-04-02 | 一种基于轨道3d深度图像的轨枕计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596968A CN108596968A (zh) | 2018-09-28 |
CN108596968B true CN108596968B (zh) | 2022-04-19 |
Family
ID=63625158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810284073.6A Active CN108596968B (zh) | 2018-04-02 | 2018-04-02 | 一种基于轨道3d深度图像的轨枕计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596968B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109470262A (zh) * | 2018-11-12 | 2019-03-15 | 成都精工华耀科技有限公司 | 一种轨道巡检车里程计数方法 |
CN112258484B (zh) * | 2020-10-23 | 2024-03-19 | 常州路航轨道交通科技有限公司 | 一种轨道检测方法、装置及计算机可读存储介质 |
CN116993676B (zh) * | 2023-07-03 | 2024-05-07 | 中铁九局集团电务工程有限公司 | 一种基于深度学习的地铁轨道扣件计数与定位方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103061219A (zh) * | 2013-01-14 | 2013-04-24 | 武汉汉宁科技有限公司 | 铁路弹条扣件紧固状态自动检查方法及其装置 |
CN103675868A (zh) * | 2012-09-12 | 2014-03-26 | 国际商业机器公司 | 用于使用视觉数据确定对象位置的方法和系统 |
CN104266592A (zh) * | 2014-09-29 | 2015-01-07 | 樊晓莉 | 基于枕木的隧道内移动装置的移位测量方法 |
CN105133471A (zh) * | 2015-05-15 | 2015-12-09 | 南京航空航天大学 | 一种基于线结构光路面检测系统的路面深度图像生产方法 |
CN106709911A (zh) * | 2016-12-26 | 2017-05-24 | 西北工业大学 | 一种基于机器视觉的高铁扣件检测与计数方法及系统 |
CN107505334A (zh) * | 2017-10-13 | 2017-12-22 | 成都精工华耀机械制造有限公司 | 一种基于点光源阵列线阵成像的铁轨扣件异常检测系统 |
CN107576666A (zh) * | 2017-10-13 | 2018-01-12 | 成都精工华耀机械制造有限公司 | 一种双光谱成像铁轨及扣件异常检测方法 |
CN107576667A (zh) * | 2017-10-13 | 2018-01-12 | 成都精工华耀机械制造有限公司 | 一种基于线阵红外摄像机的铁轨扣件异常检测系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2542115B (en) * | 2015-09-03 | 2017-11-15 | Rail Vision Europe Ltd | Rail track asset survey system |
CN108648171A (zh) * | 2018-04-02 | 2018-10-12 | 成都精工华耀科技有限公司 | 一种采用线阵图像二值化区域投影的轨枕定位及计数方法 |
-
2018
- 2018-04-02 CN CN201810284073.6A patent/CN108596968B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675868A (zh) * | 2012-09-12 | 2014-03-26 | 国际商业机器公司 | 用于使用视觉数据确定对象位置的方法和系统 |
CN103061219A (zh) * | 2013-01-14 | 2013-04-24 | 武汉汉宁科技有限公司 | 铁路弹条扣件紧固状态自动检查方法及其装置 |
CN104266592A (zh) * | 2014-09-29 | 2015-01-07 | 樊晓莉 | 基于枕木的隧道内移动装置的移位测量方法 |
CN105133471A (zh) * | 2015-05-15 | 2015-12-09 | 南京航空航天大学 | 一种基于线结构光路面检测系统的路面深度图像生产方法 |
CN106709911A (zh) * | 2016-12-26 | 2017-05-24 | 西北工业大学 | 一种基于机器视觉的高铁扣件检测与计数方法及系统 |
CN107505334A (zh) * | 2017-10-13 | 2017-12-22 | 成都精工华耀机械制造有限公司 | 一种基于点光源阵列线阵成像的铁轨扣件异常检测系统 |
CN107576666A (zh) * | 2017-10-13 | 2018-01-12 | 成都精工华耀机械制造有限公司 | 一种双光谱成像铁轨及扣件异常检测方法 |
CN107576667A (zh) * | 2017-10-13 | 2018-01-12 | 成都精工华耀机械制造有限公司 | 一种基于线阵红外摄像机的铁轨扣件异常检测系统 |
Non-Patent Citations (2)
Title |
---|
基于线阵CCD相机的轨道图像采集系统设计;吴禄慎等;《铁道标准设计》;20140820;第58卷(第8期);正文第3节 * |
基于视觉测量的轨道静态检测关键技术研究;李硕;《中国优秀博硕士学位论文全文数据库(硕士)_信息科技辑》;20150315(第03期);正文第2.3节、3.1.1节、5.3.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108596968A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112433203B (zh) | 一种基于毫米波雷达数据的车道线形检测方法 | |
CN108648171A (zh) | 一种采用线阵图像二值化区域投影的轨枕定位及计数方法 | |
CN108596968B (zh) | 一种基于轨道3d深度图像的轨枕计数方法 | |
CN103630088B (zh) | 基于双激光带的高精度隧道断面检测方法及装置 | |
CN105203552A (zh) | 一种360°踏面图像检测系统及其检测方法 | |
CN108564627B (zh) | 一种基于多区域灰度投影的线阵图像轨枕定位及计数方法 | |
CN103217111A (zh) | 一种非接触式接触线几何参数检测方法 | |
CN112731440B (zh) | 高速铁路边坡形变检测方法及装置 | |
CA3067782C (en) | Running location identification system, running location identification apparatus, and running location identification method for railroad cars | |
CN103863357A (zh) | 一种轨道交通接触轨测量装置及测量方法 | |
CN109242035B (zh) | 车底故障检测装置及方法 | |
CN109489724A (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
CN110736999B (zh) | 基于激光雷达的铁路道岔检测方法 | |
CN111539436B (zh) | 一种基于一字模板匹配的轨道扣件定位方法 | |
CN105387801A (zh) | 一种地铁隧道管片错台量检测方法 | |
CN110567680A (zh) | 一种基于角度比对的轨道扣件松动检测方法 | |
CN103486971A (zh) | 一种地铁隧道裂缝宽度检测及校正算法 | |
CN111754460A (zh) | 一种转辙机缺口自动检测方法、系统及存储介质 | |
CN109653045A (zh) | 轨距测量方法及装置 | |
Zheng et al. | Rail detection based on LSD and the least square curve fitting | |
CN208887650U (zh) | 一种轨道巡检车里程计数装置 | |
CN108846824B (zh) | 一种基于梯度投影的线阵扫描图像轨枕定位及计数方法 | |
CN112435289B (zh) | 钢轨接头轨缝宽度的检测方法及装置 | |
CN117309903B (zh) | 一种隧道内缺陷定位方法及装置 | |
CN101718527A (zh) | 一种基于图像识别计算尾矿库干滩长度的方法 |
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 |