CN109238756B - 货车运行故障动态图像检测设备及检测方法 - Google Patents

货车运行故障动态图像检测设备及检测方法 Download PDF

Info

Publication number
CN109238756B
CN109238756B CN201811198381.3A CN201811198381A CN109238756B CN 109238756 B CN109238756 B CN 109238756B CN 201811198381 A CN201811198381 A CN 201811198381A CN 109238756 B CN109238756 B CN 109238756B
Authority
CN
China
Prior art keywords
image
train
fault
gray level
detection
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
CN201811198381.3A
Other languages
English (en)
Other versions
CN109238756A (zh
Inventor
霍连庆
马凌宇
张延明
朱金良
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.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical 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 Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN201811198381.3A priority Critical patent/CN109238756B/zh
Publication of CN109238756A publication Critical patent/CN109238756A/zh
Application granted granted Critical
Publication of CN109238756B publication Critical patent/CN109238756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00Testing of vehicles
    • G01M17/08Railway vehicles

Abstract

本发明的货车运行故障动态图像检测设备及检测方法涉及基于货车运行故障动态图像检测系统和货车故障检测方法,目的是为了克服仅采用高速工业线阵相机采集图像检测结果有误差的问题,所述设备包括计算机、车轮传感器、自动识别服务器及3D图像采集模块;利用所述设备的检测方法步骤如下:步骤一、车辆信息采集;步骤二、图像信息采集;步骤三、故障识别;步骤四、故障处理。本发明在货车运行故障动态图像检测系统检车作业流程的基础上,增加3D图像进行图像识别,可以不受车体表面水渍、污渍,昼夜间光照不同,对检测结果造成影响,可以有效提高检测稳定性和准确率达到近99%;且增加了故障自动识别,工作人员人眼的疲惫程度大大降低。

Description

货车运行故障动态图像检测设备及检测方法
技术领域
本发明涉及铁路车辆故障的检测设备和方法,具体涉及基于货车运行故障动态图像检测系统和货车故障检测方法。
背景技术
目前的铁路货车检车方法采用高速工业线阵相机配合红外线性激光光源对运行的列车进行图像采集,通过计算机进行分析与处理,计算出列车运行速度、判断出列车车种车型。该方法通过人机结合的方式判别出车辆故障,从而达到动态检测车辆质量的目的。
但是,目前检车作业流程主要由检车员的人工检查为主,当货车很多的时候检车员的作业量会非常大,再加上人眼检查的疲惫,不免会产生漏检故障的情况;并且,仅采用高速工业线阵相机采集图像,受到车体表面水渍、污渍和昼夜间光照的影响,检测结果也会有误差。
发明内容
本发明的目的是为了克服仅采用高速工业线阵相机采集图像检测结果有误差的问题,提供了一种货车运行故障动态图像检测设备及检测方法。
本发明的货车运行故障动态图像检测设备,所述设备包括计算机、车轮传感器、自动识别服务器及3D图像采集模块;
利用所述设备的检测方法步骤如下:
步骤一、车辆信息采集:所述车轮传感器感应经过所述设备的列车、利用所述计算机采集所述列车的信息,所述列车的信息包括列车轴距和车速;
步骤二、图像信息采集:启动所述3D图像采集模块,采集所述列车的灰度图像、3D图像或二者的结合,处理后传输至所述自动识别服务器存储;
步骤三、故障识别:利用所述灰度图像、3D图像或二者的结合进行所述列车的故障识别;
步骤四、故障处理:工作人员根据判断故障是否为真实故障,并对真实故障进行后续处理。
本发明的有益效果是:
1、在货车运行故障动态图像检测系统检车作业流程的基础上,增加3D图像进行图像识别,可以不受车体表面水渍、污渍,昼夜间光照不同,对检测结果造成影响,可以有效提高检测稳定性和准确率达到近99%;
2、增加了故障自动识别,工作人员只需要检查自动识别的故障,人眼的疲惫程度大大降低,优化了检车的操作步骤。
附图说明
图1为利用货车运行故障动态图像设备的检测方法步骤流程图。
具体实施方式
具体实施方式一
本发明的货车运行故障动态图像检测设备,包括计算机、车轮传感器、自动识别服务器及3D图像采集模块;
本发明的装置基于原有TFDS-3模块增加了3D图像采集模块,TFDS-3模块为现行采用的货车运行故障动态图像检测系统,
TFDS-3模块包括线阵相机,采用的线阵相机取景时只需扫描一条线,所以取景口可以做的很窄,系统通过窄缝取景、采用风机吹尘、底箱平开门等方式有效降低了风沙雨雪等外界环境对设备的影响。
TFDS-3模块由轨边设备、探测站设备、列检中心设备三部分构成。
1)轨边设备主要包括:沉箱、侧箱、分线箱、车号天线、车轮传感器等。
2)探测站设备主要包括:计算机、控制箱、智能磁钢板、KVM切换器、车号主机、信号防雷箱、网络设备等。
3)列检中心设备主要包括:自动识别服务器、磁盘阵列柜、网络设备、打印机等。
利用所述货车运行故障动态图像检测设备的检测方法步骤如下:
步骤一、车辆信息采集:所述车轮传感器感应经过所述设备的列车、利用所述计算机采集所述列车的信息,所述列车的信息包括列车轴距和车速;
计算机通过布置于钢轨上的车轮传感器采集车辆信息,当有列车经过时,车轮传感器产生正弦脉冲信号,经过智能磁钢板整形滤波,输入计算机,并通过持续的磁钢信号可以得到该列车的机车数量、总辆数、总轴数、平均速度等信息,并经过计算、车辆匹配,判断是否为货车;
步骤二、图像信息采集:启动所述3D图像采集模块,采集所述列车的灰度图像、3D图像或二者的结合,处理后传输至所述自动识别服务器存储;
由于线阵相机和所述3D图像采集模块安装在沉箱和侧箱中被保护起来,因此进行图像采集时,需要打开沉箱和侧箱的保护门、打开补偿光源、打开风机用于吹尘;
计算机将采集到的灰度图像和3D图像进行数字化滤波、压缩、管理,并通过网络传输至自动识别服务器存储。
步骤三、故障识别:利用所述灰度图像、3D图像或二者的结合进行所述列车的故障识别;
步骤四、故障处理:工作人员根据判断故障是否为真实故障,并对真实故障进行后续处理。
具体实施方式二
本具体实施方式二与具体实施方式一的区别在于,步骤三具体如下:
步骤三一、利用深度学习模型处理所述灰度图像、或所述3D图像、或所述灰度图像与所述3D图像的结合,识别出列车的类型;
通过预先建立的基准数据库存储不同类型的列车的基准灰度图像、基准3D图像、列车各部件在所述基准灰度图像中和在所述基准3D图像中的位置标记;并根据所述基准灰度图像和所述基准3D图像训练深度学习模型、用于预测不同类型的列车;
基准灰度图像可以是通过线阵相机采集后并进行灰度化和二值化的图像;
通过预先采集的一定数量的基准灰度图像和基准3D图像进行深度学习模型的训练,两种图像的数量依据所采用深度学习模型的需要,深度学习模型,可以采用现有的深度学习模型卷积神经网络CNN、循环神经网络RNN与自动编码器AutoEncoder等;
步骤三二、将所述3D图像与对应类型的列车的所述基准3D图像进行配准;
图像的配准可以采用现有的基于灰度信息法、变换域法和基于特征法等,令3D图像与对应类型的列车的所述基准3D图像的坐标达到一致;
步骤三三、根据所述列车各部件的图像特征综合识别故障、并根据位置标记识别出的所述3D图像上的故障的位置;
列车各部件的图像特征利用图像处理、模式识别、深度学习方法进行故障识别;
步骤三四:利用所述列车轴距对所述灰度图像和所述3D图像进行图像配准,并将3D图像上的故障的位置映射并显示在所述灰度图像的相应位置。
工作人员通过调取灰度图像判断故障是否为真实故障。
具体实施方式三
本具体实施方式三与具体实施方式一或二的区别在于,所述3D图像包括高度图像和强度图像,且所述高度图像和所述强度图像之间为完全映射。
带有每个通道的图像的像素灰度值的图像即为强度图像,该强度图像可以为灰度图像,灰度图像的图像强度就是像素灰度值。
3D图像的高度图像带有三维坐标,强度图像带有像素灰度值,高度图像每点与强度图像每点对应带有像素灰度值。
具体实施方式四
本具体实施方式四与具体实施方式二的区别在于,所述基准灰度图像通过所述3D图像采集模块采集。
具体实施方式五
本具体实施方式五与具体实施方式一的区别在于,还包括补偿光源模块,用于对所述3D图像采集模块进行光补偿,所述补偿光源模块为红外线性激光光源,所述红外线性激光光源分别安装于所述3D图像采集模块的侧箱和沉箱中。
具体实施方式六
本具体实施方式六与具体实施方式二的区别在于,所述3D图像采集模块为三维3D相机,所述3D相机分别安装于所述3D图像采集模块的侧箱和沉箱中。
线阵相机和3D相机所采集的图像为列车的车辆转向架、制动装置、车钩缓冲装置等部件图像。

Claims (3)

1.货车运行故障动态图像检测设备,其特征在于,所述设备包括计算机、车轮传感器、自动识别服务器及3D图像采集模块;
利用所述设备的检测方法步骤如下:
步骤一、车辆信息采集:所述车轮传感器感应经过所述设备的列车、利用所述计算机采集所述列车的信息,所述列车的信息包括列车轴距和车速;
步骤二、图像信息采集:启动所述3D图像采集模块,采集所述列车的灰度图像、3D图像或二者的结合,处理后传输至所述自动识别服务器存储;所述3D图像包括高度图像和强度图像,且所述高度图像和所述强度图像之间为完全映射;
步骤三、故障识别:利用所述灰度图像、3D图像或二者的结合进行所述列车的故障识别;
步骤三一、利用深度学习模型处理所述灰度图像、或所述3D图像、或所述灰度图像与所述3D图像的结合,识别出列车的类型;
通过预先建立的基准数据库存储不同类型的列车的基准灰度图像、基准3D图像、列车各部件在所述基准灰度图像中和在所述基准3D图像中的位置标记;并根据所述基准灰度图像和所述基准3D图像训练深度学习模型、用于预测不同类型的列车;所述基准灰度图像通过所述3D图像采集模块采集;
步骤三二、将所述3D图像与对应类型的列车的所述基准3D图像进行配准;
步骤三三、根据所述列车各部件的图像特征综合识别故障、并根据位置标记识别出的所述3D图像上的故障的位置;
列车各部件的图像特征利用深度学习方法进行故障识别;
步骤三四:利用所述列车轴距对所述灰度图像和所述3D图像进行图像配准,并将3D图像上的故障的位置映射并显示在所述灰度图像的相应位置;
步骤四、故障处理:工作人员根据判断故障是否为真实故障,并对真实故障进行后续处理。
2.根据权利要求1所述的货车运行故障动态图像检测设备,其特征在于,还包括补偿光源模块,用于对所述3D图像采集模块进行光补偿,所述补偿光源模块为红外线性激光光源,所述红外线性激光光源分别安装于所述3D图像采集模块的侧箱和沉箱中。
3.根据权利要求1所述的货车运行故障动态图像检测设备,其特征在于,所述3D图像采集模块为三维3D相机,所述3D相机分别安装于所述3D图像采集模块的侧箱和沉箱中。
CN201811198381.3A 2018-10-15 2018-10-15 货车运行故障动态图像检测设备及检测方法 Active CN109238756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811198381.3A CN109238756B (zh) 2018-10-15 2018-10-15 货车运行故障动态图像检测设备及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811198381.3A CN109238756B (zh) 2018-10-15 2018-10-15 货车运行故障动态图像检测设备及检测方法

Publications (2)

Publication Number Publication Date
CN109238756A CN109238756A (zh) 2019-01-18
CN109238756B true CN109238756B (zh) 2021-05-25

Family

ID=65052881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811198381.3A Active CN109238756B (zh) 2018-10-15 2018-10-15 货车运行故障动态图像检测设备及检测方法

Country Status (1)

Country Link
CN (1) CN109238756B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080609B (zh) * 2019-12-12 2020-12-15 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的闸瓦插销丢失检测方法
CN112393617B (zh) * 2020-03-26 2022-06-03 中冶长天国际工程有限责任公司 一种环冷机台车车轮检测方法、装置、设备及介质
CN111942434A (zh) * 2020-06-30 2020-11-17 北京康拓红外技术股份有限公司 一种铁路货车关键部件故障图像智能检测装置
CN112613560A (zh) * 2020-12-24 2021-04-06 哈尔滨市科佳通用机电股份有限公司 一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法
CN112785561A (zh) * 2021-01-07 2021-05-11 天津狮拓信息技术有限公司 一种基于改进Faster RCNN预测模型的二手商用车车况检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809427A (zh) * 2014-12-31 2015-07-29 朱金良 基于3d信息的故障自动识别检测系统及检测方法
CN107687953A (zh) * 2017-09-12 2018-02-13 哈尔滨市科佳通用机电股份有限公司 一种货车故障自动检测设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105067287A (zh) * 2015-07-23 2015-11-18 北京京天威科技发展有限公司 动车组运行故障动态图像检测系统及方法
CN105241679B (zh) * 2015-09-21 2017-12-15 中国铁道科学研究院电子计算技术研究所 一种动车组隐蔽故障检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809427A (zh) * 2014-12-31 2015-07-29 朱金良 基于3d信息的故障自动识别检测系统及检测方法
CN107687953A (zh) * 2017-09-12 2018-02-13 哈尔滨市科佳通用机电股份有限公司 一种货车故障自动检测设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的TEDS系统车号识别算法研究;王欣蔚;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160815(第8期);第6-40页 *

Also Published As

Publication number Publication date
CN109238756A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN109238756B (zh) 货车运行故障动态图像检测设备及检测方法
CN102759347B (zh) 一种高铁接触网在线巡检装置、巡检方法以及其检测系统
CN103034850B (zh) 一种tfds挡键丢失故障自动识别方法
CN108491758B (zh) 一种轨道检测方法及机器人
Liu et al. A review of applications of visual inspection technology based on image processing in the railway industry
WO2004046644A2 (en) Wheel profile inspection apparatus and method
CN111079734B (zh) 铁路货车三角孔异物检测方法
CN109658397A (zh) 一种轨道巡检方法及系统
CN109447090B (zh) 一种屏蔽门障碍物检测方法及检测系统
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
CN110363742B (zh) 一种基于cnn和图像处理的转辙机缺口检测方法
CN110562292A (zh) 一种铁路车辆轮对直径动态检测系统
CN109299723A (zh) 一种铁路货车运行监测系统
CN207725421U (zh) 车辆轮对动态检测系统
CN111942434A (zh) 一种铁路货车关键部件故障图像智能检测装置
CN110954005B (zh) 一种基于图像处理的中低速磁悬浮列车悬浮间隙检测方法
CN103390259A (zh) 视觉导引agv中的地面图像处理方法
CN110646801A (zh) 一种用于铁路货车车厢的检测装置及其检测方法
CN109934135B (zh) 一种基于低秩矩阵分解的铁轨异物检测方法
CN103661491A (zh) 站台屏蔽门智能控制系统及方法
CN113487561A (zh) 基于灰度梯度异常投票的受电弓异物检测方法及装置
CN112949483B (zh) 一种基于Faster R-CNN的非接触式铁轨伸缩位移实时测量方法
CN113112501A (zh) 一种基于深度学习的车载轨道巡检装置及方法
CN104504713A (zh) 一种动车组运行状态图像监控故障自动识别方法
CN113516629A (zh) Tfds通过作业智能检测系统

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