CN109754422A - 基于灰度突变的扣件区域定位方法 - Google Patents
基于灰度突变的扣件区域定位方法 Download PDFInfo
- Publication number
- CN109754422A CN109754422A CN201910022600.0A CN201910022600A CN109754422A CN 109754422 A CN109754422 A CN 109754422A CN 201910022600 A CN201910022600 A CN 201910022600A CN 109754422 A CN109754422 A CN 109754422A
- Authority
- CN
- China
- Prior art keywords
- image
- gray scale
- value
- mutation
- gray
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Abstract
本发明公开了一种基于灰度突变的扣件区域定位方法,包括(1)图像预处理:采集不同时段的轨道图像,构造二维伽马函数,轨道图像进行伽马校正后进行边缘提取得到边缘图像;边缘图像通过小波变换分解后进行重构,重构后的图像进行边缘提取;(2)扣件区域定位:钢轨图像进行灰度突变统计,得到灰度突变点标记图和统计图,然后修正统计图;根据统计图谷底区域定位流程图计算统计图的谷底区域,根据图像上的位置关系找出扣件区域;(3)计算总体定位准确率。本发明通过对图像预处理过程中的伽马变换、小波变换,对于灰度统计图中行和列的极小值进行了拉伸,双轨扣件定位精确度高,能快速、有效定位出扣件区域,具有较强鲁棒性和实用性。
Description
技术领域
本发明属于轨道交通安全检测技术领域,尤其涉及一种基于灰度突变的扣件区域定位方法。
背景技术
扣件是连接钢轨和轨枕的关键部件,在保证轨道稳定性、可靠性方面发挥着重要作用。为检测扣件状态,计算机视觉技术因其快速、稳定等特点被广泛研究并予以应用,对于采集到的待处理钢轨图像中,道砟等非扣件区域占了很大一部分面积,这些冗余区域不仅会增加钢轨扣件检测过程中处理的数据量,延长算法的处理时间,还会对扣件检测结果造成干扰。所以在基于机器视觉的扣件检测方法中,能否对扣件区域进行准确定位关系到算法的实时性和准确性。
吴禄慎等研究了一种改进的十字交叉轨道扣件定位方法(铁道标准设计,2016,60(12):49-53),其通过十字交叉对扣件进行定位,在定位前首先利用先验信息得到扣件的初步区域,能解决因光照采集角度等问题对扣件定位的干扰,但是当扣件不在图像预定的位置时,其得到的初步区域会出现偏差进而影响后续对扣件区域的精确定位。刘甲甲等(铁道学报,2016,38(8):73-80)通过对图像灰度信息进行统计以实现对扣件区域的定位,但由于在钢轨图像中扣件区域与周围环境区域灰度不严格连续变化,很难选取合适的阈值以得到比较精确的定位结果。Feng H等(IEEE Transactions on Instrumentation&Measurement,2014,63(4):877-888)利用一种线段检测法对钢轨和轨枕边界进行检测,然后根据先验知识定位到扣件位置,但在寻找边缘时得到的边界不一定连续,算法的适应性较差。
现有的目标区域定位算法是利用对轨道图像分别进行列和行方向灰度统计,然后通过寻找灰度统计图中波谷位置实现对目标区域的定位。如图1所示的轨道图像,图1(a)为单轨枕轨道图像,图1(b)为双轨枕轨道图像,对图1(a)和(b)的轨道图像的灰度值进行统计得到灰度统计图分别如图2和图3所示。对图1(a)所示含单轨枕轨道图像而言,对其进行行方向灰度统计得到的统计图如图2(a)所示,由图2(a)可以快速确定谷底位置A和B,即图1(a)中的轨枕区域对应于图2(a)中A与B之间的区域;对于图2(b)轨道图像列方向灰度统计图,可先搜索统计图的最大值点即点C,然后搜索C点左、右两侧的最小值点,即图2(b)中点D与点E,但由于有砟轨道图像中存在大量道砟石造成统计图出现较多波动,对统计图中最小点位置的确定造成了一定的干扰。而对于图1(b)所示双轨枕轨道图像,也同样存在无法对目标区域进行准确定位的问题,而且由图3(a)行方向灰度统计图中也无法得到图1(b)轨道图像中存在双轨枕的信息。
由此可见,现有的轨道扣件区域定位算法对单轨枕图像的轨枕区域能取得较好的定位效果,但对于钢轨轨面以及含双轨枕轨道图像定位精确度还需进一步提高。
发明内容
为解决上述背景技术中指出的缺陷,本发明提供一种基于灰度突变的扣件区域定位方法。
本发明是这样实现的,一种基于灰度突变的扣件区域定位方法,包括以下步骤:
(1)图像预处理:
a.二维伽马变换:采集不同时段的轨道图像,构造二维伽马函数,其表达式如下:
式中,O(i,j)为像素点变换后的灰度值;f(i,j)为变换前像素点的灰度值;γ为用于亮度增强的指数值;avg为图像平均灰度值。
对所采集的轨道图像进行伽马校正,得到校正图像,对校正图像进行边缘提取,得到边缘图像。
b.小波变换:先将所述边缘图像通过小波变换分解为低频部分和高频部分,然后对图像低频部分和高频部分进行重构,在重构过程中增大图像高频子带的权重,对重构后的图像进行边缘提取,得到边缘图像。
(2)扣件区域定位:
对步骤(1)b得到的边缘图像进行灰度突变统计,具体如下,将相邻像素点间灰度突变标记数记位nq:
dif=|f(i,j)-f(i,j+1)| (2)
式中f(i,j)为(i,j)处灰度值,T为阈值;
当计算水平方向灰度突变时,取h=0,v=1,计算垂直方向灰度突变时,取h=1,v=0。
图像中第k行和第k列灰度突变统计值分别可由式(4)和式(5)得到:
式中I为图像行数,J为图像列数,k为常数,表示第k行或第k列,则图像水平方向和垂直方向灰度突变点数分别为:
进而得到灰度突变点标记图和统计图,然后修正统计图;根据统计图谷底区域定位流程图计算统计图的谷底区域,通过记录流程图中的start和end值即可完成对轨面区域和轨枕区域的定位,最后根据图像上的位置关系找出扣件区域;
(3)计算总体定位准确率:
步骤(2)得到的灰度突变点标记图的行方向与列方向定位准确度分别可由式(8)、(9)求得:
其中,LcHrf为水平方向左边线实际值,LcHmf为水平方向左边线定位值,LcHrs为水平方向右边线实际值,LcHms为水平方向左边线定位值,nH为图像行数。
其中,LcVrf为竖直方向上边线实际值,LcVmf为竖直方向上边线定位值,LcVrs为竖直方向下边线实际值,LcVms为竖直方向下边线定位值,nV为图像列数。
得到总体定位准确率为:
AcT=AcV×AcH (10)
优选地,步骤(1)b中,所述小波变换采用离散小波变换,所述离散小波变换的数学表达式为:
式中,j和k为整数,s0 j是扩张步长,t为像素灰度值,τ0为平移因子。
优选地,步骤(2)中,所述阈值T取值为图像平均灰度值的2/3,即
优选地,步骤(2)中,所述修正统计图时,选取4个不同的修正点,其定位效果最佳,修正图像每行灰度突变值N'Hi和每列灰度突变值N'Vi可分别由式(12)和式(13)得到为:
此时图像水平方向和垂直方向灰度突变点数分别为:
相比于现有技术的缺点和不足,本发明具有以下有益效果:本发明的定位准确率优于基于行灰度统计法和基于色相定位法,且算法运行时间明显缩短,本发明在图像预处理过程中通过对所采集的图像进行的伽马变换和小波变换,使图像边缘增强,有助于扣件区域的准确定位,对于灰度统计图中行和列的极小值进行了拉伸,所定位区域进行进一步的修正。本发明对双轨扣件定位精确度高,能快速、有效定位出扣件区域,具有较强鲁棒性和实用性。
附图说明
图1是本发明背景技术提供的轨道图像的结构示意图。
图2是图1中单轨枕轨道图像的灰度统计图。
图3是图1中双轨枕轨道图像的灰度统计图。
图4是本发明实施例提供的不同时段的轨道图像。
图5是图4的二维伽马变换校正图像。
图6是本发明实施例提供的二维伽马变换校正图像的边缘图像。
图7是本发明实施例提供的小波分解结构图。
图8是本发明实施例提供的钢轨图像小波分解图。
图9是本发明实施例提供的轨道图像重构前后对比图。
图10是本发明实施例提供的轨道图像重构后的边缘图像。
图11是本发明实施例提供的灰度突变点标记图。
图12是本发明实施例提供的灰度突变点统计图。
图13是本发明实施例提供的识别准确度与修正点数关系图。
图14是本发明实施例提供的修正后图像灰度突变点统计图。
图15是本发明实施例提供的统计图谷底区域定位流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一种基于灰度突变的扣件区域定位方法,包括以下步骤:
(1)图像预处理:
a.二维伽马变换:由于在不同的时间节点采集轨道图像时,图像受光照影响程度不一样,因此需采集不同时段的轨道图像,如图4所示,图4(a)为上午采集的轨道图像,图4(b)为正午采集的轨道图像,图4(c)为傍晚采集的轨道图像,根据采集轨道图像的光照情况对图像进行相应的二维伽马变换调整,构造二维伽马函数,其表达式如下:
式中,O(i,j)为像素点变换后的灰度值;f(i,j)为变换前像素点的灰度值;γ为用于亮度增强的指数值;avg为图像平均灰度值。
对所采集的轨道图像进行伽马校正,得到校正图像,如图5所示,图5(a)为上午采集的轨道图像的校正图像,图5(b)为正午采集的轨道图像的校正图像,图5(c)为傍晚采集的轨道图像的校正图像,经伽马变换后不同光照强度采集的轨道图像亮度基本趋于一致。对校正图像进行边缘提取,得到边缘图像,如图6所示。由图6可以看到在边缘图像中存在边缘断裂情况,如果直接对图6的边缘图像进行灰度统计得到的统计结果并不能准确地反映实际的图像信息,因此需要进一步对边缘图像进行增强处理以获得更为清晰和连续的边缘图像。
b.小波变换:图像中相邻像素点之间通常在很大程度上会呈现一定的相关性,根据图像在频率域的特点,先将边缘图像通过小波变换分解为低频部分和高频部分,然后对图像低频部分和高频部分进行重构,在重构过程中增大图像高频子带的权重,进而增强图像的细节,以对图像的边缘信息进行增强。对重构后的图像进行边缘提取,得到边缘图像。
由于连续小波变换运算量很大,且通常只能得到数值解,因此在应用时具有很大的局限性,本发明优选离散小波变换,通过去除了一些不必要且重复的系数,减少了变换中的运算量,离散小波变换的数学表达式为:
式中,j和k为整数,s0 j是扩张步长,t为像素灰度值,τ0为平移因子。
通过对步骤(1)a中的边缘图像进行一级小波分解后,图像被均分成四个子带成分:LL,LH,HL,HH,即每个子带的数据量为原图像的1/4,小波分解结构如图7所示,钢轨图像小波分解图如图8所示,由图7-8可知,图像的HL,LH子带图像中分别包含轨道图像水平和竖直方向大量的边缘信息,为了进一步凸显采集的轨道图像中的边缘信息以便于后续图像处理过程中对图像边缘特征的提取,在对图像进行重构时适当增大HL,LH子带在图像重构过程中的权重,轨道图像重构前后对比图如图9所示,图9(a)为图像重构前轨道图像,图9(b)为图像重构后轨道图像,由图9(b)可以看出在对图像进行边缘细节增强后得到重构图像比原图像具有更明显的边缘轮廓。对图9(b)图像求边缘,得到边缘图像如图10所示,由图10可以看出,对图像边缘增强后得到边缘更为清晰、连续,基本能准确地反映出图像的边缘信息。
(2)扣件区域定位:
在钢轨图像中,道砟石区域由于存在大量细碎的道砟石而形成众多边缘,而在钢轨轨面和轨枕区域则更为平滑仅存在少量边缘。图像中的边缘可表征为灰度值发生急剧变化的位置,因此对步骤(1)b得到的边缘图像进行灰度突变统计,具体如下,将相邻像素点间灰度突变标记数记位nq:
dif=|f(i,j)-f(i,j+1)| (2)
式中f(i,j)为(i,j)处灰度值,T为阈值;本发明中阈值T的取值为图像平均灰度值的2/3,即
当计算水平方向灰度突变时,取h=0,v=1,计算垂直方向灰度突变时,取h=1,v=0。
图像中第k行和第k列灰度突变统计值分别可由式(4)和式(5)得到:
式中I为图像行数,J为图像列数,k为常数,表示第k行或第k列,则图像水平方向和垂直方向灰度突变点数分别为:
进而得到灰度突变点标记图(如图11所示,图11(a)为水平方向灰度突变点标记图,图11(b)为垂直方向灰度突变点标记图)和统计图(如图12所示,图12(a)为水平方向图像灰度突变点统计图,图12(b)为垂直方向图像灰度突变点统计图),然后修正统计图。
在统计图12的基础上,取不同修正点得到识别准确度与修正点数关系图如图13所示。由图13可得,修正点选为4个时,其定位效果最佳,修正图像每行灰度突变值N'Hi和每列灰度突变值N'Vi可分别由式(13)和式(14)得到为:
此时图像水平方向和垂直方向灰度突变点数分别为:
修正后的统计图如图14所示,图14(a)为修正后水平方向图像灰度突变点统计图,图14(b)为修正后垂直方向图像灰度突变点统计图。
根据统计图谷底区域定位流程图(如图15所示)计算统计图的谷底区域,流程图中取A值为45,I和J分别表示图像的行数和列数,通过记录流程图中的start和end值即可完成对轨面区域和轨枕区域的定位,最后根据图像上的位置关系找出扣件区域。
(3)计算总体定位准确率:
灰度突变点标记图(图11)的行方向与列方向定位准确度分别可由式(8)、(9)求得:
其中,LcHrf为水平方向左边线实际值,LcHmf为水平方向左边线定位值,LcHrs为水平方向右边线实际值,LcHms为水平方向左边线定位值,nH为图像行数。
其中,LcVrf为竖直方向上边线实际值,LcVmf为竖直方向上边线定位值,LcVrs为竖直方向下边线实际值,LcVms为竖直方向下边线定位值,nV为图像列数。
得到总体定位准确率为:
AcT=AcV×AcH (10)
对本发明进行实验测试,从现场采集的钢轨图像中选取5000张图像作为测试对象,每张轨道图像均为216×288,在PC机上进行仿真实验,实验运行环境为Inter(R)Core(TM)2Duo CPU E7500@2.93GHz 2.94GHz,编程环境为Matlab。使用本发明与基于行灰度统计法、基于色相定位法对扣件区域进行提取后对扣件缺失情况进行检测,得到的检测结果如表1所示。
结果表明:1)结合本发明的扣件定位方法进行扣件缺失检测,由于对图像对比度增强,减少了自然因素对图像质量带来的影响,定位准确率优于基于行灰度统计法和基于色相定位法,相比分别上升9.72%和4.54%;2)算法运行时间相比行灰度统计法也有明显提升;3)本发明通过对图像预处理过程中的伽马变换、小波变换,对于灰度统计图中行和列的极小值进行了拉伸,对双轨扣件定位效果明显。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于灰度突变的扣件区域定位方法,其特征在于,包括以下步骤:
(1)图像预处理:
a.二维伽马变换:采集不同时段的轨道图像,构造二维伽马函数,其表达式如下:
式中,O(i,j)为像素点变换后的灰度值;f(i,j)为变换前像素点的灰度值;γ为用于亮度增强的指数值;avg为图像平均灰度值;
对所采集的轨道图像进行伽马校正,得到校正图像,对校正图像进行边缘提取,得到边缘图像;
b.小波变换:先将所述边缘图像通过小波变换分解为低频部分和高频部分,然后对图像低频部分和高频部分进行重构,在重构过程中增大图像高频子带的权重,对重构后的图像进行边缘提取,得到边缘图像;
(2)扣件区域定位:
对步骤(1)b得到的边缘图像进行灰度突变统计,具体如下,将相邻像素点间灰度突变标记数记位nq:
dif=|f(i,j)-f(i,j+1)| (2)
式中f(i,j)为(i,j)处灰度值,T为阈值;
当计算水平方向灰度突变时,取h=0,v=1,计算垂直方向灰度突变时,取h=1,v=0;
图像中第k行和第k列灰度突变统计值分别可由式(4)和式(5)得到:
式中I为图像行数,J为图像列数,k为常数,表示第k行或第k列,则图像水平方向和垂直方向灰度突变点数分别为:
进而得到灰度突变点标记图和统计图,然后修正统计图;根据统计图谷底区域定位流程图计算统计图的谷底区域,通过记录流程图中的start和end值即可完成对轨面区域和轨枕区域的定位,最后根据图像上的位置关系找出扣件区域;
(3)计算总体定位准确率:
所述步骤(2)中的灰度突变点标记图的行方向与列方向定位准确度分别可由式(8)、(9)求得:
其中,LcHrf为水平方向左边线实际值,LcHmf为水平方向左边线定位值,LcHrs为水平方向右边线实际值,LcHms为水平方向左边线定位值,nH为图像行数;
其中,LcVrf为竖直方向上边线实际值,LcVmf为竖直方向上边线定位值,LcVrs为竖直方向下边线实际值,LcVms为竖直方向下边线定位值,nV为图像列数;
得到总体定位准确率为:
AcT=AcV×AcH (10)。
2.如权利要求1所述的基于灰度突变的扣件区域定位方法,其特征在于,步骤(1)b中,所述小波变换采用离散小波变换,所述离散小波变换的数学表达式为:
式中,j和k为整数,s0 j是扩张步长,t为像素灰度值,τ0为平移因子。
3.如权利要求1所述的基于灰度突变的扣件区域定位方法,其特征在于,步骤(2)中,所述阈值T取值为图像平均灰度值的2/3,即
4.如权利要求1所述的基于灰度突变的扣件区域定位方法,其特征在于,步骤(2)中,所述修正统计图时,选取4个不同的修正点,其定位效果最佳,修正图像每行灰度突变值N'Hi和每列灰度突变值N'Vi可分别由式(12)和式(13)得到为:
此时图像水平方向和垂直方向灰度突变点数分别为:
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811275282 | 2018-10-30 | ||
CN2018112752820 | 2018-10-30 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109754422A true CN109754422A (zh) | 2019-05-14 |
CN109754422B CN109754422B (zh) | 2022-09-13 |
Family
ID=66404662
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910022600.0A Active CN109754422B (zh) | 2018-10-30 | 2019-01-10 | 基于灰度突变的扣件区域定位方法 |
CN201910773096.8A Active CN110517315B (zh) | 2018-10-30 | 2019-08-21 | 一种图像式铁路路基表面沉降高精度在线监测系统及方法 |
CN201910773427.8A Active CN110610518B (zh) | 2018-10-30 | 2019-08-21 | 一种基于特征点位置校正的靶标位姿测量系统及方法 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910773096.8A Active CN110517315B (zh) | 2018-10-30 | 2019-08-21 | 一种图像式铁路路基表面沉降高精度在线监测系统及方法 |
CN201910773427.8A Active CN110610518B (zh) | 2018-10-30 | 2019-08-21 | 一种基于特征点位置校正的靶标位姿测量系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN109754422B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688903A (zh) * | 2019-08-30 | 2020-01-14 | 陕西九域通创轨道系统技术有限责任公司 | 一种基于列车aeb系统摄像头数据的障碍物提取方法 |
CN111311567A (zh) * | 2020-02-12 | 2020-06-19 | 北京交通大学 | 对轨道线路图像进行扣件和钢轨病害识别的方法 |
CN111539436A (zh) * | 2020-04-20 | 2020-08-14 | 上海工程技术大学 | 一种基于一字模板匹配的轨道扣件定位方法 |
CN112014848A (zh) * | 2020-02-11 | 2020-12-01 | 深圳技术大学 | 一种轨枕定位方法、轨枕定位装置及电子设备 |
CN112116658A (zh) * | 2020-09-21 | 2020-12-22 | 北京世纪东方通讯设备有限公司 | 扣件定位方法、装置及可读存储介质 |
CN112344905A (zh) * | 2020-10-28 | 2021-02-09 | 孝感华中精密仪器有限公司 | 一种路基沉降检测装置以及延长其电池更换周期的方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113329181B (zh) * | 2021-06-08 | 2022-06-14 | 厦门四信通信科技有限公司 | 一种摄像头的角度切换方法、装置、设备和存储介质 |
CN115106295A (zh) * | 2022-07-14 | 2022-09-27 | 前海晶方云(深圳)测试设备有限公司 | 测试方法、存储装置、计算机设备和测试设备 |
CN116592899B (zh) * | 2023-04-28 | 2024-03-29 | 哈尔滨工业大学 | 一种基于模块化红外靶标的位姿测量系统 |
CN117139858B (zh) * | 2023-10-27 | 2023-12-29 | 西北师范大学 | 样品靶面激光烧蚀过程离焦量校正与调控装置及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010251874A (ja) * | 2009-04-13 | 2010-11-04 | Nippon Hoso Kyokai <Nhk> | 符号化画像補正装置及びそのプログラム |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN107527333A (zh) * | 2017-07-31 | 2017-12-29 | 湖北工业大学 | 一种基于伽马变换的快速图像增强方法 |
CN107618533A (zh) * | 2017-09-29 | 2018-01-23 | 兰州交通大学 | 一种钢轨表面离散缺陷的机器视觉检测装置及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101750012A (zh) * | 2008-12-19 | 2010-06-23 | 中国科学院沈阳自动化研究所 | 一种测量物体六维位姿的装置 |
CN102322816B (zh) * | 2011-06-13 | 2013-11-27 | 北京航空航天大学 | 一种三维冰形数字图像系统的标定靶装置及标定方法 |
CN102620673A (zh) * | 2012-03-16 | 2012-08-01 | 同济大学 | 基于图像分析的隧道变形在线监测系统及其应用 |
CN104880176B (zh) * | 2015-04-15 | 2017-04-12 | 大连理工大学 | 基于先验知识模型优化的运动物位姿测量方法 |
CN104897062B (zh) * | 2015-06-26 | 2017-10-27 | 北方工业大学 | 一种零件异面平行孔形位偏差的视觉测量方法及装置 |
CN107246866A (zh) * | 2017-06-24 | 2017-10-13 | 天津大学 | 一种高精度六自由度测量系统及方法 |
-
2019
- 2019-01-10 CN CN201910022600.0A patent/CN109754422B/zh active Active
- 2019-08-21 CN CN201910773096.8A patent/CN110517315B/zh active Active
- 2019-08-21 CN CN201910773427.8A patent/CN110610518B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010251874A (ja) * | 2009-04-13 | 2010-11-04 | Nippon Hoso Kyokai <Nhk> | 符号化画像補正装置及びそのプログラム |
CN106251361A (zh) * | 2016-08-30 | 2016-12-21 | 兰州交通大学 | 一种钢轨表面缺陷图像自适应分割方法 |
CN107527333A (zh) * | 2017-07-31 | 2017-12-29 | 湖北工业大学 | 一种基于伽马变换的快速图像增强方法 |
CN107618533A (zh) * | 2017-09-29 | 2018-01-23 | 兰州交通大学 | 一种钢轨表面离散缺陷的机器视觉检测装置及方法 |
Non-Patent Citations (4)
Title |
---|
吴禄慎等: "一种改进的十字交叉轨道扣件定位方法", 《铁道标准设计》 * |
闵永智等: "基于图像灰度梯度特征的钢轨表面缺陷检测", 《仪器仪表学报》 * |
闵永智等: "基于图像色相值突变特征的钢轨区域快速识别方法", 《交通运输工程学报》 * |
陈金胜等: "基于边缘特征的无砟轨道扣件定位方法", 《计算机测量与控制》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688903A (zh) * | 2019-08-30 | 2020-01-14 | 陕西九域通创轨道系统技术有限责任公司 | 一种基于列车aeb系统摄像头数据的障碍物提取方法 |
CN110688903B (zh) * | 2019-08-30 | 2023-09-26 | 湖南九域同创高分子新材料有限责任公司 | 一种基于列车aeb系统摄像头数据的障碍物提取方法 |
CN112014848A (zh) * | 2020-02-11 | 2020-12-01 | 深圳技术大学 | 一种轨枕定位方法、轨枕定位装置及电子设备 |
CN112014848B (zh) * | 2020-02-11 | 2023-06-23 | 深圳技术大学 | 一种轨枕定位方法、轨枕定位装置及电子设备 |
CN111311567A (zh) * | 2020-02-12 | 2020-06-19 | 北京交通大学 | 对轨道线路图像进行扣件和钢轨病害识别的方法 |
CN111539436A (zh) * | 2020-04-20 | 2020-08-14 | 上海工程技术大学 | 一种基于一字模板匹配的轨道扣件定位方法 |
CN111539436B (zh) * | 2020-04-20 | 2022-02-15 | 上海工程技术大学 | 一种基于一字模板匹配的轨道扣件定位方法 |
CN112116658A (zh) * | 2020-09-21 | 2020-12-22 | 北京世纪东方通讯设备有限公司 | 扣件定位方法、装置及可读存储介质 |
CN112116658B (zh) * | 2020-09-21 | 2023-11-21 | 北京世纪东方智汇科技股份有限公司 | 扣件定位方法、装置及可读存储介质 |
CN112344905A (zh) * | 2020-10-28 | 2021-02-09 | 孝感华中精密仪器有限公司 | 一种路基沉降检测装置以及延长其电池更换周期的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110610518B (zh) | 2022-09-20 |
CN109754422B (zh) | 2022-09-13 |
CN110517315A (zh) | 2019-11-29 |
CN110517315B (zh) | 2022-10-11 |
CN110610518A (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754422A (zh) | 基于灰度突变的扣件区域定位方法 | |
CN105809668B (zh) | 基于线扫描三维点云的物体表面变形特征提取方法 | |
CN101976437B (zh) | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 | |
CN105787937B (zh) | 一种基于osm的高分辨遥感影像道路变化检测方法 | |
CN103761743B (zh) | 一种基于图像融合分割的实木地板表面缺陷检测方法 | |
CN104992429B (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
CN109190624A (zh) | 基于图像处理的厨房油烟浓度检测方法 | |
CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
CN105093290B (zh) | 一种基于波形形态的层位自动追踪方法 | |
CN103824057B (zh) | 一种基于面积特征算子的猪的呼吸频率检测方法 | |
CN109829942A (zh) | 一种眼底图像视网膜血管管径自动量化方法 | |
CN108122221A (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
CN109447063A (zh) | 一种基于图像处理的厨房油烟浓度检测方法 | |
CN109269403A (zh) | 一种基于机器视觉的接触网导线磨耗测量方法及装置 | |
CN109785301A (zh) | 一种基于图像处理的钢轨波磨自动识别方法与评估方法 | |
CN106097317A (zh) | 一种基于离散余弦相位信息的多光斑检测和定位方法 | |
CN108921076A (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
CN108765327A (zh) | 一种基于景深和稀疏编码的图像去雨方法 | |
CN104298993B (zh) | 一种适用于轨道沿线复杂场景下的杆号定位和识别方法 | |
CN105631899A (zh) | 一种基于灰度纹理特征的超声图像运动目标跟踪方法 | |
CN109766892A (zh) | 一种基于边缘检测的射线检测图像标记信息字符分割方法 | |
CN111415349A (zh) | 一种基于图像处理技术的涤纶长丝毛丝检测方法 | |
CN112734729A (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
CN103810712A (zh) | 一种能谱ct图像质量的评价方法 | |
CN111127409A (zh) | 基于sift图像配准与余弦相似度的列车部件检测方法 |
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 |