CN109993741B - 一种基于k均值聚类的钢轨焊缝轮廓自动定位方法 - Google Patents

一种基于k均值聚类的钢轨焊缝轮廓自动定位方法 Download PDF

Info

Publication number
CN109993741B
CN109993741B CN201910265242.6A CN201910265242A CN109993741B CN 109993741 B CN109993741 B CN 109993741B CN 201910265242 A CN201910265242 A CN 201910265242A CN 109993741 B CN109993741 B CN 109993741B
Authority
CN
China
Prior art keywords
welding seam
image
value
clustering
positioning
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
CN201910265242.6A
Other languages
English (en)
Other versions
CN109993741A (zh
Inventor
熊邦书
刘星武
雷鸰
陈新云
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.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
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 Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN201910265242.6A priority Critical patent/CN109993741B/zh
Publication of CN109993741A publication Critical patent/CN109993741A/zh
Application granted granted Critical
Publication of CN109993741B publication Critical patent/CN109993741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于K均值聚类的钢轨焊缝轮廓自动定位方法，包括步骤：1)采集单帧钢轨焊缝图像；2)对单帧钢轨焊缝图像进行预处理；3)利用K均值聚类算法对焊缝图像进行分割；4)粗定位焊缝轮廓；5)精定位焊缝轮廓。本发明的优点是：采用K均值聚类方法对不同进光量的焊缝图像进行分割，均可以得到精确的焊缝分割结果；采用粗定位和精定位两步法，能够自动定位焊缝轮廓。本发明能够实现钢轨焊缝轮廓的自动定位，具有定位效果好、抗干扰能力强和自动化程度高的特点。

Description

一种基于K均值聚类的钢轨焊缝轮廓自动定位方法
技术领域
本发明涉及一种钢轨焊缝检测方法，尤其涉及一种钢轨焊缝轮廓自动定位方法。
背景技术
高铁技术的快速发展不仅改变了居民的出行方式和时空观念，也为我国的经济发展注入了新的活力。
为保障高速列车安全、平稳地运行，铁路铺设常采用无缝线路。无缝线路需将钢轨焊接成固定长度后，再运输到铁路现场进行铺设。钢轨在焊接过程中，两个钢轨之间存在焊缝，如果焊缝错边量过大，轻则影响列车的舒适性，重则造成列车的安全隐患。钢轨焊缝错边量合格检测对保障高速列车安全运行具有重要意义，钢轨焊缝轮廓自动定位是实现错边量自动检测的关键环节。
目前，国内外常采用的钢轨焊缝定位方法主要有涡流检测、超声检测和视觉检测。涡流检测主要利用电磁原理在钢轨表面定位焊缝区域，该方法定位焊缝准确、速度快，但是必须保持探头与钢轨表面距离不变，操作不方便，实用性不强；超声检测主要利用超声波的反射和衍射特性定位焊缝，该方法具有焊缝定位准确的优点，但是对于焊缝表面光照反射非常严重的焊缝图片，无法精确定位；近年来，视觉检测成为了热门的检测技术，具有速度快和定位准的特点，但是目前的视觉检测方法仍然需要采用人工界入的方法，才能准确定位焊缝的左右边界，无法实现钢轨焊缝的自动定位。
发明内容
本发明的目的在于克服上述背景技术的不足，针对不同进光量的焊缝图像，提供一种基于K均值聚类的钢轨焊缝轮廓自动定位方法，旨在解决现有焊缝错边量视觉测量方法不能对焊缝轮廓自动定位的问题。
一种基于K均值聚类的钢轨焊缝轮廓自动定位方法，包括以下步骤：
(1)采集单帧钢轨焊缝图像；
(2)对单帧钢轨焊缝图像进行预处理；例如，采用中值滤波对焊缝图像进行预处理，去除图像中的噪声；
(3)利用K均值聚类算法对焊缝图像进行分割，具体包括以下步骤：
(3.1)生成一维数据矩阵A，矩阵的行为图像宽w与高h的乘积，矩阵的列为1，矩阵中元素的值为相应预处理后图像像素点的灰度值；
(3.2)定义一个与步骤(3.1)同样大小的标记矩阵B，用于存放数据矩阵中每个像素点所属簇的信息；
(3.3)确定K值大小，K为聚类数目；
(3.4)选择聚类中心μ1,μ2,...,μK∈R，μj表示第j类中心的灰度值，其中，j＝1,2,...,K；
(3.5)将一维数据矩阵A中所有元素归类；某一元素a(i1)归类的方法是利用式(1)计算矩阵中每个元素的灰度值与每个聚类中心μj的差值，并将该元素归为差值最小的那个聚类中心，
b(i1)＝argminj||a(i1)-μj||2 (1)
其中，i＝1,2,...,w×h，a(i1)为第i个像素点的灰度值，b(i1)为第i个元素的分类结果；
(3.6)更新聚类中心，根据步骤(3.5)的分类结果，利用式(2)重新计算每一个聚类中心，
Figure BDA0002016577740000021
其中，m为某个聚类中元素的数量，1{b(i1)＝j}是一个真值判断，若b(i1)＝j输出为1，否则为0；
(3.7)聚类迭代，重复步骤(3.5)和步骤(3.6)的过程，直至达到最大设定的迭代次数或者聚类中心的变化值小于设定的阈值时，聚类迭代结束；
(3.8)分割焊缝图像，根据数据矩阵元素的聚类结果，利用式(3)计算焊缝图像中第j类元素的灰度值，
Figure BDA0002016577740000022
其中，b(i1)的值为0～K-1；
(4)粗定位焊缝轮廓，具体包括以下步骤：
(4.1)对步骤(3)得到的焊缝分割图像，采用Canny算子进行边缘检测，得到具有多个轮廓的二值图像，其中，每个轮廓由多个连续的像素点所构成；
(4.2)对步骤(4.1)中得到的多个轮廓，删除多个轮廓中所有像素点个数之和小于某个设定阈值的轮廓，得到焊缝轮廓和大于或等于设定阈值的干扰轮廓，实现了焊缝轮廓的粗定位；
(5)精定位焊缝轮廓，具体包括以下步骤：
(5.1)对步骤(4)中粗定位后的每个轮廓，对比轮廓中每个像素点的y坐标值，得到最大的y坐标值；
(5.2)将步骤(5.1)中得到的所有最大y坐标值进行对比，得到最大的ymax，输出最大的ymax坐标值相对应的焊缝轮廓，实现了焊缝轮廓的定位。
本发明的方法的优点是：采用K均值聚类方法对不同进光量的焊缝图像进行分割，均可以得到精确的焊缝分割结果；采用粗定位和精定位两步法，能够自动定位焊缝轮廓。本发明能够实现钢轨焊缝轮廓的自动定位，具有定位效果好、抗干扰能力强和自动化程度高的特点。
附图说明
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
图1为本发明的方法的流程示意图。
图2A为本发明具体实施例中待定位的第一幅焊缝原始图像。
图2B为图2A的图像经过本发明步骤(2)图像预处理后得到的去噪图像。
图2C为图2B的图像经过本发明步骤(3)处理后得到的焊缝分割图像。
图2D为图2C的图像经过本发明步骤(4.1)处理后得到的具有多个轮廓的二值图像。
图2E为图2D的图像经过本发明步骤(4)处理后得到的粗定位后的焊缝轮廓图像。
图2F为图2E的图像经过本发明步骤(5)处理后得到的精定位后的焊缝轮廓图像。
图2G为图2F的焊缝轮廓图像与图2A中的焊缝原图进行叠加得到的定位效果图。
图3A为本发明具体实施例中待定位的第二幅焊缝原始图像。
图3B为本发明具体实施例中待定位的第三幅焊缝原始图像。
图4A为对图3A采用本发明的方法得到的最终的钢轨焊缝轮廓定位效果图。
图4B为对图3B采用本发明的方法得到的最终的钢轨焊缝轮廓定位效果图。
具体实施方式
图1为本发明的一种基于K均值聚类的钢轨焊缝轮廓自动定位方法的流程图，该方法能够实现钢轨焊缝轮廓的自动定位，其具体实施步骤如下：
(1)采集单帧钢轨焊缝图像
采用丹麦JAI公司生产的型号为go-5000-GE2的工业相机(分辨率为2560pixel×2048pixel，帧率为22f/s)和奥普特公司生产的型号为OPT-RIG12000-W-ZHY环形光源组成计算机视觉系统，其垂直视场大小为600mm。环形光源放在钢轨焊缝的上方200mm处，通过改变环形光源的位置或者在同一位置光的强度，从而改变焊缝的进光量；当焊缝在视觉视场范围内并且热传感器感应到焊缝的温度时，发出采集信号，触发工业相机采集焊缝图像。
(2)对单帧钢轨焊缝图像进行预处理
例如，采用中值滤波对单帧钢轨焊缝图像进行预处理，去除图像中的噪声；
在本实施例中，图2A所示的焊缝图像经过步骤(2)处理后的图像如图2B所示。
(3)利用K均值聚类算法对焊缝图像进行分割
利用K均值聚类算法能够对不同进光量的焊缝图像进行精确分割，具体包括以下步骤：
(3.1)生成一维数据矩阵A，矩阵的行为图像宽w与高h的乘积，列为1，矩阵中元素的值为相应预处理后图像像素点的灰度值；
在本实施例中，w的值为2560pixel，h的值为2048pixel；
(3.2)定义一个与步骤(3.1)同样大小的标记矩阵B，用于存放数据矩阵中每个像素点所属簇的信息；
(3.3)确定K值大小，K为聚类数目；
在本实施例中，针对不同进光量的焊缝图像，K值选择3，表示背景、轨身和焊缝三部分；
(3.4)选择聚类中心μ1,μ2,...,μK∈R，μj表示第j类中心的灰度值，其中，j＝1,2,...,K；
在本实施例中，聚类中心初始选择方式为随机选择初始聚类中心的值；
(3.5)将一维数据矩阵A中所有元素归类；某一元素a(i1)归类的方法是利用式(1)计算矩阵中每个元素的灰度值与每个聚类中心μj的差值，并将该元素归为差值最小的那个聚类中心，
b(i1)＝argminj||a(i1)-μj||2 (1)
其中，i＝1,2,...,w×h，a(i1)为第i个像素点的灰度值，b(i1)为第i个元素的分类结果；
(3.6)更新聚类中心，根据步骤(3.5)的分类结果，利用式(2)重新计算每一个聚类中心，
Figure BDA0002016577740000041
其中，m为某个聚类中元素的数量，1{b(i1)＝j}是一个真值判断，若b(i1)＝j输出为1，否则为0；
(3.7)聚类迭代，重复步骤(3.5)和步骤(3.6)的过程，直至达到最大设定的迭代次数或者聚类中心的变化值小于设定的阈值时，聚类迭代结束；
在本实施例中，迭代次数设定为10，聚类中心的变化阈值设定为1.0；
(3.8)分割焊缝图像，根据数据矩阵元素的聚类结果，利用式(3)计算焊缝图像中第j类元素的灰度值，
Figure BDA0002016577740000051
其中，b(i1)的值为0～K-1；
在本实施例中，图2B所示的图经过步骤(3)处理后，得到K均值聚类的焊缝分割图像如图2C所示。
(4)粗定位焊缝轮廓
(4.1)对步骤(3)得到的焊缝分割图像，采用Canny算子进行边缘检测，得到具有多个轮廓的二值图像，其中，每个轮廓由多个连续的像素点所构成；
在本实施例中，图2C所示的图经过步骤(4.1)处理后，得到具有多个轮廓的二值图像如图2D所示。
(4.2)对步骤(4.1)的二值图像中的多个轮廓，删除多个轮廓中所有像素点个数之和小于某个设定阈值的轮廓，得到焊缝轮廓和大于或等于设定阈值的干扰轮廓，实现了焊缝轮廓的粗定位；
在本实施例中，阈值设定为3000，粗定位效果最好；图2C所示的图经过步骤(4)处理后，得到粗定位后的焊缝轮廓图像如图2E所示。
(5)精定位焊缝轮廓
(5.1)对步骤(4)中粗定位后的每个轮廓，对比轮廓中每个像素点的y坐标值，得到最大的y坐标值；
(5.2)将步骤(5.1)中得到的所有最大y坐标值进行对比，得到最大的ymax，输出最大的ymax坐标值相对应的焊缝轮廓，实现了焊缝轮廓的定位；
在本实施例中，图2D所示的图经过步骤(5)处理后，得到精定位后的焊缝轮廓如图2F所示；为了验证本发明方法的定位效果，将精定位后的焊缝轮廓与原图2A进行叠加，得到最终的焊缝轮廓定位效果图如图2G所示。
为了验证本发明钢轨焊缝轮廓自动定位方法的优越性，在不同进光量的条件下，还对采集到的如图3A和如图3B所示的焊缝图像进行以上步骤(2)至步骤(5)的处理，得到最终的焊缝轮廓定位效果图分别如图4A和4B所示。

Claims (3)

1.一种基于K均值聚类的钢轨焊缝轮廓自动定位方法，包括以下步骤：
（1）采集单帧钢轨焊缝图像；
（2）对单帧钢轨焊缝图像进行预处理；
（3）利用K均值聚类算法对焊缝图像进行分割；
（4）粗定位焊缝轮廓，具体包括以下步骤：
(4.1) 对步骤(3)得到的焊缝分割图像，采用Canny算子进行边缘检测，得到具有多个轮廓的二值图像，其中，每个轮廓由多个连续的像素点所构成；
(4.2) 对步骤(4.1)中得到的多个轮廓，删除多个轮廓中所有像素点个数之和小于某个设定阈值的轮廓，得到焊缝轮廓和大于或等于设定阈值的干扰轮廓，实现了焊缝轮廓的粗定位；
（5）精定位焊缝轮廓，具体包括以下步骤：
(5.1) 对步骤(4)中粗定位后的每个轮廓，对比轮廓中每个像素点的y坐标值，得到最大的y坐标值；
(5.2) 将步骤(5.1)中得到的所有最大y坐标值进行对比，得到最大的ymax，输出最大的ymax坐标值相对应的焊缝轮廓，实现了焊缝轮廓的定位。
2.根据权利要求1所述的方法，其特征在于，步骤（2）采用中值滤波对焊缝图像进行预处理，去除图像中的噪声。
3.根据权利要求1所述的方法，其特征在于，步骤（3）利用K均值聚类算法对焊缝图像进行分割具体为：
(3.1) 生成一维数据矩阵A，矩阵的行为图像宽w与高h的乘积，矩阵的列为1，矩阵中元素的值为相应预处理后图像像素点的灰度值；
(3.2) 定义一个与步骤(3.1)同样大小的标记矩阵B，用于存放数据矩阵中每个像素点所属簇的信息；
(3.3) 确定K值大小，K为聚类数目；
(3.4) 选择聚类中心
Figure DEST_PATH_IMAGE001
，
Figure 413372DEST_PATH_IMAGE002
表示第
Figure DEST_PATH_IMAGE003
类中心的灰度值，其中，
Figure DEST_PATH_IMAGE005
；
(3.5) 将一维数据矩阵A中所有元素归类；某一元素
Figure DEST_PATH_IMAGE007
归类的方法是利用式(1)计算矩阵中每个元素的灰度值与每个聚类中心
Figure DEST_PATH_IMAGE009
的差值，并将该元素归为差值最小的那个聚类中心，
Figure DEST_PATH_IMAGE011
(1)
其中，
Figure DEST_PATH_IMAGE013
，
Figure DEST_PATH_IMAGE015
为第
Figure 284507DEST_PATH_IMAGE017
个像素点的灰度值，
Figure 595403DEST_PATH_IMAGE019
为第
Figure 177563DEST_PATH_IMAGE021
个元素的分类结果；
(3.6) 更新聚类中心，根据步骤(3.5)的分类结果，利用式(2)重新计算每一个聚类中心，
Figure 664039DEST_PATH_IMAGE023
(2)
其中，m为某个聚类中元素的数量，
Figure 643759DEST_PATH_IMAGE025
是一个真值判断，若
Figure 441950DEST_PATH_IMAGE027
输出为1，否则为0；
(3.7) 聚类迭代，重复步骤(3.5)和步骤(3.6)的过程，直至达到最大设定的迭代次数或者聚类中心的变化值小于设定的阈值时，聚类迭代结束；
(3.8) 分割焊缝图像，根据数据矩阵元素的聚类结果，利用式(3)计算焊缝图像中第
Figure 47375DEST_PATH_IMAGE029
类元素的灰度值，
Figure 903205DEST_PATH_IMAGE031
(3)
其中，
Figure DEST_PATH_IMAGE033
的值为
Figure DEST_PATH_IMAGE035
。
CN201910265242.6A 2019-04-03 2019-04-03 一种基于k均值聚类的钢轨焊缝轮廓自动定位方法 Active CN109993741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910265242.6A CN109993741B (zh) 2019-04-03 2019-04-03 一种基于k均值聚类的钢轨焊缝轮廓自动定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910265242.6A CN109993741B (zh) 2019-04-03 2019-04-03 一种基于k均值聚类的钢轨焊缝轮廓自动定位方法

Publications (2)

Publication Number Publication Date
CN109993741A CN109993741A (zh) 2019-07-09
CN109993741B true CN109993741B (zh) 2022-10-04

Family

ID=67132257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910265242.6A Active CN109993741B (zh) 2019-04-03 2019-04-03 一种基于k均值聚类的钢轨焊缝轮廓自动定位方法

Country Status (1)

Country Link
CN (1) CN109993741B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113777166A (zh) * 2021-09-06 2021-12-10 哈尔滨工业大学 一种基于超声平面波成像和时间反转算子相结合的高分辨缺陷无损检测方法
CN116511754B (zh) * 2023-07-04 2023-10-24 中国电子科技集团公司第二十八研究所 一种方舱大板骨架焊接路径规划方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3432469B2 (ja) * 1999-11-19 2003-08-04 富士通株式会社 画像処理装置及び方法、並びに画像処理プログラムを格納した記憶媒体
US7132617B2 (en) * 2002-02-20 2006-11-07 Daimlerchrysler Corporation Method and system for assessing quality of spot welds
US8958079B2 (en) * 2004-06-30 2015-02-17 Georgetown Rail Equipment Company System and method for inspecting railroad ties
CN102175700B (zh) * 2011-01-20 2012-07-25 山东大学 数字x射线图像焊缝分割和缺陷检测方法
CN102645219B (zh) * 2012-05-16 2014-12-03 航天科工哈尔滨风华有限公司 用于焊缝检测的爬壁机器人的视觉导航系统的焊缝的焊接定位方法及焊缝偏移量获取方法
CN102800094A (zh) * 2012-07-13 2012-11-28 南京邮电大学 一种快速彩色图像分割方法
CN104636760B (zh) * 2015-03-11 2017-09-05 西安科技大学 一种焊缝的定位方法
CN106323192A (zh) * 2015-06-23 2017-01-11 河南理工大学 一种基于激光扫描的直缝焊管焊缝噘嘴检测系统
CN105241384B (zh) * 2015-11-20 2017-09-29 南昌航空大学 一种基于计算机视觉的钢轨焊缝错边量测量方法
CN105574533B (zh) * 2015-12-15 2018-01-12 徐庆 一种图像特征提取方法和装置
CN109003275B (zh) * 2017-06-06 2023-04-28 中国商用飞机有限责任公司 焊缝缺陷图像的分割方法
CN108596880A (zh) * 2018-04-08 2018-09-28 东南大学 基于图像处理的焊接缺陷特征提取与焊接质量分析方法
CN108596190A (zh) * 2018-04-23 2018-09-28 福建师范大学 一种具有准确轮廓信息的对象提取方法
CN109175608B (zh) * 2018-09-30 2023-06-20 华南理工大学 焊缝特征点位置在线测量方法及焊缝轨迹自动测量系统

Also Published As

Publication number Publication date
CN109993741A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN103217111B (zh) 一种非接触式接触线几何参数检测方法
CN109060836B (zh) 基于机器视觉的高压油管接头外螺纹检测方法
Liang et al. Defect detection of rail surface with deep convolutional neural networks
CN110490842B (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN114049294B (zh) 基于三维轮廓的路面技术状况检测方法及设备
CN109993741B (zh) 一种基于k均值聚类的钢轨焊缝轮廓自动定位方法
CN103752992A (zh) 一种角焊缝识别装置及其焊接控制方法
CN109300125B (zh) 一种复杂环境下城轨列车受电弓滑板图像提取方法
CN115496746A (zh) 基于图像和点云数据融合的板材表面缺陷检测方法和系统
CN111539436B (zh) 一种基于一字模板匹配的轨道扣件定位方法
CN110009633B (zh) 一种基于反向高斯差分的钢轨表面缺陷检测方法
CN110567680A (zh) 一种基于角度比对的轨道扣件松动检测方法
CN108596909A (zh) 空心圆柱工件表面缺陷检测系统及方法
CN108876771B (zh) 一种咬边焊接缺陷的检测方法
CN103913464A (zh) 一种基于机器视觉检测的高速铁路轨道表面缺陷匹配方法
CN111524154B (zh) 一种基于影像的隧道管片自动化分割方法
CN115482195A (zh) 一种基于三维点云的列车部件变形检测方法
CN106813569A (zh) 一种基于线结构光的汽车轮胎三维定位方法
CN114820474A (zh) 一种基于三维信息的列车车轮缺陷检测方法
CN104240252A (zh) 一种机器视觉棒材高温钢坯表面裂纹检测算法
CN110490342B (zh) 一种基于Faster R-CNN的接触网静态几何参数检测方法
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
CN111795970B (zh) 一种不规则轮廓缺陷检测方法
CN116993804A (zh) 一种基于lsm算法的箍筋尺寸检测方法及系统
Goda et al. Rail joint gap measurement method using train frontal images captured by a handy video camcorder

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