CN108830891B - 一种钢轨鱼尾板紧固件松动检测方法 - Google Patents

一种钢轨鱼尾板紧固件松动检测方法 Download PDF

Info

Publication number
CN108830891B
CN108830891B CN201810571029.3A CN201810571029A CN108830891B CN 108830891 B CN108830891 B CN 108830891B CN 201810571029 A CN201810571029 A CN 201810571029A CN 108830891 B CN108830891 B CN 108830891B
Authority
CN
China
Prior art keywords
fastener
region
depth image
height
fishplate
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
Application number
CN201810571029.3A
Other languages
English (en)
Other versions
CN108830891A (zh
Inventor
左丽玛
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.)
Chengdu Jinggong Huayao Technology Co ltd
Original Assignee
Chengdu Jinggong Huayao Technology 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 Chengdu Jinggong Huayao Technology Co ltd filed Critical Chengdu Jinggong Huayao Technology Co ltd
Priority to CN201810571029.3A priority Critical patent/CN108830891B/zh
Publication of CN108830891A publication Critical patent/CN108830891A/zh
Application granted granted Critical
Publication of CN108830891B publication Critical patent/CN108830891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes

Abstract

本发明公开一种钢轨鱼尾板紧固件松动检测方法,属于铁路基础设施检测领域。本发明的主要步骤为:采用三维成像系统获取轨道侧面三维形貌数据,以垂直于轨道平面、与轨道方向平行的竖直面为深度图像水平基准面,将三维形貌数据转换为二维深度图像;根据钢轨侧面尺寸先验,采用阈值分割方法,检测出鱼尾板区域;在鱼尾板区域内,根据鱼尾板厚度先验,采用阈值分割方法,检测出紧固件区域;在紧固件区域内,计算紧固件活动部件的高度和角度;以紧固件未松动时的高度和角度为参考进行高度和旋转角度比对,判定紧固件是否松动。本发明所提出的检测方法使用方便,不会改变现有铁路扣件结构,可有效保障铁路运行安全。

Description

一种钢轨鱼尾板紧固件松动检测方法
技术领域
本发明涉及铁路基础设施检测领域,具体指一种钢轨鱼尾板紧固件松动检测方法。
背景技术
鱼尾板是连接钢轨和钢轨的重要部件,通过鱼尾板可将两根钢轨首尾相连。具体连接方式是:钢轨头部开孔,鱼尾板表面开孔,螺杆穿过鱼尾板和钢轨,通过螺帽将鱼尾板和两根钢轨连接和固定。在列车运行过程中,钢轨接头处受到冲击和挤压,容易使鱼尾板的紧固件松动,降低两根钢轨连接和固定效果,影响轨道运行安全。为此,迫切需要一种用于对钢轨鱼尾板紧固件动检测方法。
发明内容
本发明的目的是提供一种钢轨鱼尾板紧固件松动检测方法,用以精确检测钢轨鱼尾板紧固件松动程度,尽早采取加固措施,保证轨道安全运行。
为解决上述技术问题,本发明的技术方案如下:一种钢轨鱼尾板紧固件松动检测方法。其特征在于,包括以下步骤:
步骤1:采用三维成像系统获取钢轨侧面三维形貌数据;
步骤2:以垂直于轨道平面、与轨道方向平行的竖直面为深度图像水平基准面,将三维形貌数据转换为二维深度图像;
步骤3:在二维深度图像上,根据钢轨侧面腰部尺寸信息,采用阈值分割方法,检测出鱼尾板区域;
步骤4:在二维深度图像上、鱼尾板区域内,根据鱼尾板厚度信息,采用阈值分割方法,检测出紧固件区域;
步骤5:在二维深度图像上、紧固件区域内,计算紧固件活动部件的高度hc和角度βc
步骤6:根据紧固件活动部件的参考高度hb和参考角度βb,判定活动部件是否松动:设定高度阈值Th、角度阈值Tβ,当hc-hb>Th或|βcb|>Tβ时,判定紧固件松动,否则,判定紧固件未松动,Th的取值范围为0-1000,Tβ的取值范围为0~360度。
所述紧固件为螺帽和螺杆;所述螺帽外形为正多边形,包括正六边形和四方形,螺帽内圈为圆形螺孔;螺帽套装在螺杆上,用于将鱼尾板固定在连段钢轨上;所述活动部件高度hc是指螺帽顶部到基准面的高度;所述轨道平面是指钢轨的底部平面;所述轨道方向为钢轨的纵向。
所述步骤1中三维成像系统包括线结构光扫描三维成像系统,面结构光三维成像系统,单目激光散斑三维成像系统,双目激光散斑三维成像系统,双目立体视觉三维成像系统,TOF三维成像系统,光场成像三维成像系统;当采用线结构光扫描三维成像系统时,需对获取的三维形貌数据进行扫描方向校准,以保证转化后的二维深度图像中像素横坐标与纵坐标单位像素所代表的物理尺寸相等;所述二维深度图像的位宽为8~24bits,二维深度图像单位像素值所代表的实际物理高度不大于1mm。
所述步骤5中,在二维深度图像上、紧固件区域内,计算螺帽的高度hc和角度βc的第一种方法是:
步骤a-5-1:对紧固件区域中深度像素进行阈值分割,得到区域R:
Figure BDA0001685862910000021
其中,f(x,y)表示紧固件区域中(x,y)处的深度图像像素灰度值,vmax是紧固件区域中深度图像像素灰度最大值,a为固定常数,a的取值范围为0~50;
步骤a-5-2:计算区域R非零元素中心位置C(xc,yc);
步骤a-5-3:设定C(xc,yc)为圆点、r1为半径的圆环,在二维深度图像上进行采样,得到采样序列S={s1,s2,...,sn},r1的取值是:r2<r1<r3,r2是螺杆半径,r3是螺帽正多边形外接圆半径,r2、r3可通过事先计算得到;
步骤a-5-4:设定阈值
Figure BDA0001685862910000022
对采样序列S={s1,s2,...,sn}进行阈值化处理
Figure BDA0001685862910000023
得到新的采样序列S'={s'1,s'2,...,s'n};
步骤a-5-5:计算采样序列S'={s'1,s'2,...,s'n}的均值或中值作为螺帽高度hc
步骤a-5-6:设定C(xc,yc)为圆点、r4为半径的圆盘O,对圆盘O内深度图像像素进行分割,得到区域G:
Figure BDA0001685862910000024
其中,fo(x,y)表示圆盘O区域内(x,y)处的深度图像像素灰度值,b为固定常数,b的取值范围为0~50,r4=r3+e1,e1是偏移量,取值范围为0~50;
步骤a-5-7:对区域G进行形态学滤波消除孤立噪声后,再进行正多边形拟合,以拟合的正多边形对称顶点连线中、与轨道纵向夹角最小的顶点连线作为螺帽角度βc
计算螺帽角度βc的第二种方法是:在方法一的步骤a-5-7中,以外接圆半径为r3的正多边形黑白图案为模板T,白色区域为正多边形,黑色区域为背景,以C(xc,yc)为圆点,设定-k1~k1度的角度搜索范围,搜索步长为k2度,对区域G和模板T进行相似性比较,找到最相似的角度,作为螺帽角度βc,k1的取值范围为0~120度,k2的取值范围为0~60度。
计算螺帽的高度hc的第二种方法是:
步骤b-5-1:与步骤a-5-1相同;
步骤b-5-2:对区域R进行形态学滤波,消除孤立噪声,计算区域R的外接圆半径r5,当r5>r2+e2时,计算区域R内像素均值或中值,作为螺帽高度hc,否则转步骤b-5-3;
步骤b-5-3:对区域R进行圆形拟合,以该圆形的中心为圆心,设定半径为r6、r7的同心圆环,r6=r2+e3,r7=r3-e3,在深度图像上取圆环区域内像素均值或中值,作为螺帽高度hc
其中,e2、e3是偏差量,取值范围为0~50;r2是螺帽螺孔半径,r3是螺帽正多边形外接圆半径,通过事先计算得到。
计算螺帽的高度hc的第三种方法是,在方法二的步骤b-5-2中,当r5>r2+e2时,取区域R中非零的、出现次数最多的像素值作为螺帽高度hc
计算螺帽的高度hc的第四种方法是,在方法二的步骤b-5-2中,当r5>r2+e2时,以区域R内像素均值或中值M1作为参考,对螺帽和螺杆区域中像素进行分割:
Figure BDA0001685862910000031
其中,f(x,y)表示紧固件区域内(x,y)处的像素灰度值,取深度图像上、分割区域内非零像素的均值或中值作为螺帽高度hc,c为固定常数,c的取值范围为0~50。
计算螺帽的高度hc的第五种方法是,在方法二的步骤b-5-3中,对区域R进行圆形拟合,以该圆形的中心为圆心,设定半径为r8的圆周O,r8=r2+e4,e4是偏差量,取值范围为0~50,取位于圆周O上的深度像素均值或中值M2作为参考,对紧固件区域内像素进行分割:
Figure BDA0001685862910000032
其中,f(x,y)表示紧固件区域中(x,y)处的深度图像像素灰度值,取深度图像上、分割区域内非零像素的均值或中值作为螺帽高度hc,d为固定常数,d的取值范围为0~50。
步骤6中所述紧固件活动部件的参考高度hb和参考角度βb为当前紧固件在未松动情况下的测量值,计算方法与计算hc、βc相同。
在检测时,通过鱼尾板计数得到当前鱼尾板编号K,从参考高度和参考角度数据集中,选取编号为K的参考高度hb和参考角度βb
本发明有益效果:本发明提供一种钢轨鱼尾板紧固件松动检测方法,通过三维成像系统获取鱼尾板深度图像,基于历史数据,判定螺帽高度或角度是否发生变化,进而判定螺帽是否松动。该方法具有直观、简单、可靠、高效等优点,可用于钢轨鱼尾板紧固件松动检测,保证轨道运动安全。
附图说明
图1是本发明方法流程图。
图2是三维成像示意图。
图3是钢轨鱼尾板示意图。
图中,1是三维成像系统,2是钢轨,3是螺帽,4是螺杆,5是鱼尾板,6是深度图像水平基准面。
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。
如图1所示,本实施例提供一种钢轨鱼尾板紧固件松动检测方法,具体实施方式如下:
实施例1
一种钢轨鱼尾板紧固件松动检测方法,具体如下:
步骤1:采用三维成像系统获取钢轨侧面三维形貌数据。
如图2所示,采用两套三维成像系统1对钢轨2两侧区域进行三维成像,获取包含钢轨2、鱼尾板5、螺帽3、螺杆4等结构三维形貌数据。这里的三维成像系统为线结构三维扫描系统。
步骤2:如图2所示,以垂直于轨道平面、与轨道方向平行的竖直面为深度图像水平基准面6,将三维形貌数据转换为二维深度图像;二维深度图像的位宽为8bits,单位像素值高度分辨率为0.1mm。
步骤3:在二维深度图像上,根据钢轨侧面腰部尺寸信息,采用阈值分割方法,检测出鱼尾板5。
步骤4:在二维深度图像上、鱼尾板5区域内,根据鱼尾板5厚度信息,采用阈值分割方法,检测出螺帽区域。
步骤5:在二维深度图像上、螺帽3区域内,计算螺帽3的高度hc和角度βc,具体如下:
步骤a-5-1:对螺帽3区域中深度像素进行阈值分割,得到区域R:
Figure BDA0001685862910000051
其中,f(x,y)表示螺帽3区域中(x,y)处的深度图像像素灰度值,vmax是螺帽3区域中深度图像像素灰度最大值,a=5;
步骤a-5-2:计算区域R非零元素中心位置C(xc,yc);
步骤a-5-3:设定C(xc,yc)为圆点、r1为半径的圆环,在二维深度图像上进行采样,得到采样序列S={s1,s2,...,sn},r1的取值是:r2<r1<r3,r2是螺杆4半径,r3是螺帽3正多边形外接圆半径,r2、r3可通过事先计算得到;
步骤a-5-4:设定阈值
Figure BDA0001685862910000052
对采样序列S={s1,s2,...,sn}进行阈值化处理
Figure BDA0001685862910000053
得到新的采样序列S'={s'1,s'2,...,s'n};
步骤a-5-5:计算采样序列S'={s'1,s'2,...,s'n}的均值或中值作为螺帽3高度hc
步骤a-5-6:设定C(xc,yc)为圆点、r4为半径的圆盘O,对圆盘O内深度图像像素进行分割,得到区域G:
Figure BDA0001685862910000054
其中,fo(x,y)表示圆盘O区域内(x,y)处的深度图像像素灰度值,b为固定常数,b=10,r4=r3+e1,e1=6;
步骤a-5-7:对区域G进行形态学滤波消除孤立噪声后,再进行正多边形拟合,以拟合的正多边形对称顶点连线中、与轨道纵向夹角最小的顶点连线作为螺帽3角度βc
步骤6:根据螺帽3的参考高度hb和参考角度βb,判定紧固件是否松动:设定高度阈值Th、角度阈值Tβ,当hc-hb>Th或|βcb|>Tβ时,判定紧固件松动,否则,判定紧固件未松动,Th=10,Tβ=20。
步骤6中所述螺帽3的参考高度hb和参考角度βb为当前螺帽3未松动情况下的测量值,计算方法与计算hc、βc相同。
在检测时,通过鱼尾板计数得到当前鱼尾板编号K,从参考高度和参考角度数据集中,选取编号为K的参考高度hb和参考角度βb
实施例2
与实施例1不同之处在于,在步骤a-5-7中,以外接圆半径为r3的正多边形黑白图案为模板T,白色区域为正多边形,黑色区域为背景,以C(xc,yc)为圆点,设定-k1~k1度的角度搜索范围,搜索步长为k2度,对区域G和模板T进行相似性比较,找到最相似的角度,作为螺帽角度βc,k1的取值范围为0~120度,k2的取值范围为0~60度。
实施例3
与实施例1不同之处在于,在步骤5中计算螺帽3的高度hc的方法是:
步骤b-5-1:对紧固件区域中深度像素进行阈值分割,得到区域R:
Figure BDA0001685862910000061
其中,f(x,y)表示紧固件区域中(x,y)处的深度图像像素灰度值,vmax是紧固件区域中深度图像像素灰度最大值,a=10;
步骤b-5-2:对区域R进行形态学滤波,消除孤立噪声,计算区域R的外接圆半径r5,当r5>r2+e2时,计算区域R内像素均值或中值,作为螺帽高度hc,否则转步骤b-5-3;
步骤b-5-3:对区域R进行圆形拟合,以该圆形的中心为圆心,设定半径为r6、r7的同心圆环,r6=r2+e3,r7=r3-e3,在深度图像上取圆环区域内像素均值或中值,作为螺帽高度hc
其中,e2=5,e3=5;r2是螺帽螺孔半径,r3是螺帽正多边形外接圆半径,通过事先计算得到。
实施例4
与实施例3不同之处在于,在步骤b-5-2中,当r5>r2+e2时,取区域R中非零的、出现次数最多的像素值作为螺帽高度hc
实施例5
与实施例3不同之处在于,在步骤b-5-2中,当r5>r2+e2时,以区域R内像素均值或中值M1为参考,对螺帽和螺杆区域中像素进行分割:
Figure BDA0001685862910000071
其中,f(x,y)表示紧固件区域内(x,y)处的像素灰度值,取深度图像上、分割区域内非零像素的均值或中值作为螺帽高度hc,c=10。
实施例6
与实施例3不同之处在于,在步骤b-5-3中,对区域R进行圆形拟合,以该圆形的中心为圆心,设定半径为r8的圆周O,r8=r2+e4,e4=5,取位于圆周O上的深度像素均值或中值M2,对紧固件区域内像素进行分割:
Figure BDA0001685862910000072
其中,f(x,y)表示紧固件区域中(x,y)处的深度图像像素灰度值,取深度图像上、分割区域内非零像素的均值或中值作为螺帽高度hc,d=10。
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 (10)

1.一种钢轨鱼尾板紧固件松动检测方法,其特征在于:包括以下步骤:
步骤1:采用三维成像系统获取钢轨侧面三维形貌数据;
步骤2:以垂直于轨道平面、与轨道方向平行的竖直面为深度图像水平基准面,将三维形貌数据转换为二维深度图像;
步骤3:在二维深度图像上,根据钢轨侧面尺寸先验,采用阈值分割方法,检测出鱼尾板区域;
步骤4:在二维深度图像上、鱼尾板区域内,根据鱼尾板厚度先验,采用阈值分割方法,检测出紧固件区域;
步骤5:在二维深度图像上、紧固件区域内,计算紧固件活动部件的高度hc和角度βc
步骤6:根据紧固件活动部件的参考高度hb和参考角度βb,判定紧固件是否松动:设定高度阈值Th、角度阈值Tβ,当hc-hb>Th或|βcb|>Tβ时,判定紧固件松动,否则,判定紧固件未松动,Th的取值范围为0-1000,Tβ的取值范围为0~360度。
2.根据权利要求1所述的钢轨鱼尾板紧固件松动检测方法,其特征在于:所述紧固件为螺帽和螺杆;所述螺帽外形为正多边形,包括正六边形和四方形,螺帽内圈为圆形螺孔;螺帽套装在螺杆上,用于将鱼尾板固定在钢轨上;所述活动部件高度hc是指螺帽顶部到基准面的高度;所述轨道平面是指钢轨的底部平面;所述轨道方向为钢轨纵向。
3.根据权利要求1所述的钢轨鱼尾板紧固件松动检测方法,其特征在于:所述步骤1中三维成像系统包括线结构光扫描三维成像系统,面结构光三维成像系统,单目激光散斑三维成像系统,双目激光散斑三维成像系统,双目立体视觉三维成像系统,TOF三维成像系统,光场三维成像系统;当采用线结构光扫描三维成像系统时,需对获取的三维形貌数据进行扫描方向校准,以保证二维深度图像中像素横坐标与纵坐标单位像素所代表的物理尺寸相等;所述二维深度图像的位宽为8~24bits、单位像素值所代表的实际物理高度不大于1mm。
4.根据权利要求2所述的钢轨鱼尾板紧固件松动检测方法,其特征在于:计算螺帽的高度hc和角度βc的方法是:
步骤a-5-1:对紧固件区域中深度图像像素进行阈值分割,得到区域R:
Figure FDA0003253084600000011
其中,f(x,y)表示紧固件区域中(x,y)处的深度图像像素灰度值,vmax是紧固件区域中深度图像像素灰度最大值,a为固定常数,a的取值范围为0~50;
步骤a-5-2:计算区域R非零元素中心位置C(xc,yc);
步骤a-5-3:设定C(xc,yc)为圆点、r1为半径的圆环,在二维深度图像上进行采样,得到采样序列S={s1,s2,…,sn},r1的取值是:r2<r1<r3,r2是螺杆半径,r3是螺帽正多边形外接圆半径,r2、r3可通过事先计算得到;
步骤a-5-4:设定阈值
Figure FDA0003253084600000021
对采样序列S={s1,s2,…,sn}进行阈值化处理
Figure FDA0003253084600000022
得到新的采样序列S′={s′1,s′2,...,s′n};
步骤a-5-5:计算采样序列S′={s′1,s′2,…,s′n}的均值或中值作为螺帽高度hc
步骤a-5-6:设定C(xc,yc)为圆点、r4为半径的圆盘O,对圆盘O内深度图像像素进行分割,得到区域G:
Figure FDA0003253084600000023
其中,fo(x,y)表示圆盘O区域内(x,y)处的深度图像像素灰度值,b为固定常数,b的取值范围为0~50,r4=r3+e1,e1是偏移量,取值范围为0~50;
步骤a-5-7:对区域G进行形态学滤波消除孤立噪声后,再进行正多边形拟合,以拟合的正多边形对称顶点连线中、与轨道纵向夹角最小的顶点连线作为螺帽角度βc
5.根据权利要求4所述的钢轨鱼尾板紧固件松动检测方法,其特征在于:所述在步骤5中,计算螺帽角度βc的方法是:在步骤a-5-7中,以外接圆半径等于r3的正多边形黑白图案为模板T,白色区域为正多边形,黑色区域为背景,以C(xc,yc)为圆点,设定-k1~k1度的角度搜索范围,搜索步长为k2度,对区域G和模板T进行相似性比较,找到最相似的角度,作为螺帽角度βc,k1的取值范围为0~120度,k2的取值范围为0~60度。
6.根据权利要求4所述的钢轨鱼尾板紧固件松动检测方法,其特征在于:所述在步骤5中计算螺帽的高度hc的方法是:
步骤b-5-1:与步骤a-5-1相同;
步骤b-5-2:对区域R进行形态学滤波,消除孤立噪声,计算区域R的外接圆半径r5,当r5>r2+e2时,计算区域R内像素均值或中值,作为螺帽高度hc,否则转步骤b-5-3;
步骤b-5-3:对区域R进行圆形拟合,以该圆形的中心为圆心,设定半径为r6、r7的同心圆环,r6=r2+e3,r7=r3-e3,在深度图像上取圆环区域内像素均值或中值,作为螺帽高度hc
其中,e2、e3是偏差量,取值范围为0~50。
7.根据权利要求6所述的钢轨鱼尾板紧固件松动检测方法,其特征在于:在所述步骤b-5-2中,当r5>r2+e2时,取区域R中非零的、出现次数最多的像素值作为螺帽高度hc
8.根据权利要求6所述的钢轨鱼尾板紧固件松动检测方法,其特征在于:在所述步骤b-5-2中,当r5>r2+e2时,以区域R内像素均值或中值M1作为参考,对螺帽和螺杆区域中像素进行分割:
Figure FDA0003253084600000031
其中,f(x,y)表示紧固件区域内(x,y)处的深度图像像素灰度值,取深度图像上、分割区域内非零像素的均值或中值作为螺帽高度hc,b为固定常数,b的取值范围为0~50。
9.根据权利要求6所述的钢轨鱼尾板紧固件松动检测方法,其特征在于:在步骤b-5-3中,对区域R进行圆形拟合,以该圆形的中心为圆心,设定半径为r8的圆周O,r8=r2+e4,e4是偏差量,取值范围为0~50,取位于圆周O上的深度像素均值或中值M2作为参考,对紧固件区域内像素进行分割:
Figure FDA0003253084600000032
其中,f(x,y)表示紧固件区域中(x,y)处的深度图像像素灰度值,取深度图像上、分割区域内非零像素的均值或中值作为螺帽高度hc,c为固定常数,c的取值范围为0~50。
10.根据权利要求1~9任一所述的钢轨鱼尾板紧固件松动检测方法,其特征在于:步骤6中所述紧固件活动部件的参考高度hb和参考角度βb为当前紧固件在未松动情况下的测量值,计算方法与计算hc、βc相同;在检测时,通过鱼尾板计数得到当前鱼尾板编号K,从参考高度和参考角度数据集中,选取编号为K的参考高度hb和参考角度βb
CN201810571029.3A 2018-06-05 2018-06-05 一种钢轨鱼尾板紧固件松动检测方法 Active CN108830891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810571029.3A CN108830891B (zh) 2018-06-05 2018-06-05 一种钢轨鱼尾板紧固件松动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810571029.3A CN108830891B (zh) 2018-06-05 2018-06-05 一种钢轨鱼尾板紧固件松动检测方法

Publications (2)

Publication Number Publication Date
CN108830891A CN108830891A (zh) 2018-11-16
CN108830891B true CN108830891B (zh) 2022-01-18

Family

ID=64143992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810571029.3A Active CN108830891B (zh) 2018-06-05 2018-06-05 一种钢轨鱼尾板紧固件松动检测方法

Country Status (1)

Country Link
CN (1) CN108830891B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884753A (zh) * 2021-03-10 2021-06-01 杭州申昊科技股份有限公司 一种基于卷积神经网络的轨道扣件检测及分类方法
CN113469940B (zh) * 2021-05-26 2023-08-04 成都唐源电气股份有限公司 基于三维点云结合二维图像处理技术的扣件松动检测方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004107268A1 (en) * 2003-05-30 2004-12-09 Zen Voce Manufacturing Pte Ltd Method and system for detecting top surface non-uniformity of fasteners
CN102737370A (zh) * 2011-04-02 2012-10-17 株式会社理光 检测图像前景的方法及设备
CN103593641A (zh) * 2012-08-16 2014-02-19 株式会社理光 基于立体摄像机的物体检测方法和装置
CN103839040A (zh) * 2012-11-27 2014-06-04 株式会社理光 基于深度图像的手势识别方法和装置
CN103926999A (zh) * 2013-01-16 2014-07-16 株式会社理光 手掌开合手势识别方法和装置、人机交互方法和设备
CN104005325A (zh) * 2014-06-17 2014-08-27 武汉武大卓越科技有限责任公司 基于深度和灰度图像的路面裂缝检测装置和方法
CN105335968A (zh) * 2015-10-13 2016-02-17 南京邮电大学 一种基于置信度传播算法的深度图提取方法及装置
CN105354850A (zh) * 2015-11-16 2016-02-24 华中科技大学 基于电场性质的复杂曲面零件尺寸三维匹配检测方法
CN107063099A (zh) * 2017-04-11 2017-08-18 吉林大学 一种基于视觉系统的机械制造业在线质量监测方法
CN107368778A (zh) * 2017-06-02 2017-11-21 深圳奥比中光科技有限公司 人脸表情的捕捉方法、装置及存储装置
CN107527335A (zh) * 2017-09-11 2017-12-29 广东欧珀移动通信有限公司 图像处理方法和装置、电子装置和计算机可读存储介质
CN107680678A (zh) * 2017-10-18 2018-02-09 北京航空航天大学 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统
CN107688024A (zh) * 2017-10-13 2018-02-13 成都精工华耀机械制造有限公司 一种基于单目视觉与激光散斑的铁轨扣件异常检测系统
CN108053476A (zh) * 2017-11-22 2018-05-18 上海大学 一种基于分段三维重建的人体参数测量系统及方法
CN108090896A (zh) * 2017-12-14 2018-05-29 北京木业邦科技有限公司 木板平整度检测及其机器学习方法、装置及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9025252B2 (en) * 2011-08-30 2015-05-05 Microsoft Technology Licensing, Llc Adjustment of a mixed reality display for inter-pupillary distance alignment
EP3234685B1 (en) * 2014-12-18 2021-02-03 Facebook Technologies, LLC System, device and method for providing user interface for a virtual reality environment

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004107268A1 (en) * 2003-05-30 2004-12-09 Zen Voce Manufacturing Pte Ltd Method and system for detecting top surface non-uniformity of fasteners
CN102737370A (zh) * 2011-04-02 2012-10-17 株式会社理光 检测图像前景的方法及设备
CN103593641A (zh) * 2012-08-16 2014-02-19 株式会社理光 基于立体摄像机的物体检测方法和装置
CN103839040A (zh) * 2012-11-27 2014-06-04 株式会社理光 基于深度图像的手势识别方法和装置
CN103926999A (zh) * 2013-01-16 2014-07-16 株式会社理光 手掌开合手势识别方法和装置、人机交互方法和设备
CN104005325A (zh) * 2014-06-17 2014-08-27 武汉武大卓越科技有限责任公司 基于深度和灰度图像的路面裂缝检测装置和方法
CN105335968A (zh) * 2015-10-13 2016-02-17 南京邮电大学 一种基于置信度传播算法的深度图提取方法及装置
CN105354850A (zh) * 2015-11-16 2016-02-24 华中科技大学 基于电场性质的复杂曲面零件尺寸三维匹配检测方法
CN107063099A (zh) * 2017-04-11 2017-08-18 吉林大学 一种基于视觉系统的机械制造业在线质量监测方法
CN107368778A (zh) * 2017-06-02 2017-11-21 深圳奥比中光科技有限公司 人脸表情的捕捉方法、装置及存储装置
CN107527335A (zh) * 2017-09-11 2017-12-29 广东欧珀移动通信有限公司 图像处理方法和装置、电子装置和计算机可读存储介质
CN107688024A (zh) * 2017-10-13 2018-02-13 成都精工华耀机械制造有限公司 一种基于单目视觉与激光散斑的铁轨扣件异常检测系统
CN107680678A (zh) * 2017-10-18 2018-02-09 北京航空航天大学 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统
CN108053476A (zh) * 2017-11-22 2018-05-18 上海大学 一种基于分段三维重建的人体参数测量系统及方法
CN108090896A (zh) * 2017-12-14 2018-05-29 北京木业邦科技有限公司 木板平整度检测及其机器学习方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
D Peng等.Modelling of the lock-in thermography process through finite element method for estimating the rail squat defects.《engineering failure analysis 28》.2013,第1-3页. *
铁轨缺陷自动检测系统的研究;徐瑞梅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20030915(第3期);第I140-152页 *

Also Published As

Publication number Publication date
CN108830891A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN110634123A (zh) 一种采用深度图像的轨道扣件紧固件松动检测方法
CN107798330B (zh) 一种焊缝图像特征信息提取方法
CN108132025B (zh) 一种车辆三维轮廓扫描构建方法
CN109029283B (zh) 一种基于高度比对的轨道扣件螺栓浮起检测方法
CN112991347B (zh) 一种基于三维的列车螺栓松动检测方法
CN106557764B (zh) 一种基于二进制编码字符水尺和图像处理的水位识别方法
CN108797241B (zh) 一种基于高度比对的轨道扣件螺帽松动检测方法
CN108830891B (zh) 一种钢轨鱼尾板紧固件松动检测方法
CN110567680A (zh) 一种基于角度比对的轨道扣件松动检测方法
CN108759670B (zh) 一种基于非接触式检测技术的接触线磨耗动态检测装置
CN108335291B (zh) 一种隧道病害影像预处理方法
CN105809715B (zh) 一种基于帧间累计变化矩阵的视觉运动目标检测方法
CN110853081B (zh) 基于单木分割的地面和机载LiDAR点云配准方法
CN109190483B (zh) 一种基于视觉的车道线检测方法
CN109059775B (zh) 具有图像边缘提取步骤的钢轨磨耗检测方法
CN1680072A (zh) 一种静态刀具图像的精密测量方法
CN110378957B (zh) 面向冶金作业的鱼雷罐车视觉识别与定位方法及其系统
CN110322428B (zh) 检测隧道病害的方法、装置及电子设备
CN112184725B (zh) 一种沥青路面图像的结构光光条中心提取方法
CN111462066A (zh) 一种基于机器视觉的螺纹参数检测方法
CN110619328A (zh) 基于图像处理和深度学习的船舶水尺读数智能识别方法
CN113554667A (zh) 一种基于图像识别的三维位移检测方法及装置
CN113947583B (zh) 基于深度学习二维时间序列图像的焊缝无损检测方法
CN103837537A (zh) 一种无砂目金属喷墨印版网点面积率测量方法
CN109115172B (zh) 基于机器视觉的采煤机机身位姿检测方法

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