CN111080668A - 一种闸片磨损故障检测的方法及系统 - Google Patents
一种闸片磨损故障检测的方法及系统 Download PDFInfo
- Publication number
- CN111080668A CN111080668A CN201911283954.7A CN201911283954A CN111080668A CN 111080668 A CN111080668 A CN 111080668A CN 201911283954 A CN201911283954 A CN 201911283954A CN 111080668 A CN111080668 A CN 111080668A
- Authority
- CN
- China
- Prior art keywords
- image
- brake lining
- brake pad
- connected domain
- brake
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012706 support-vector machine Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005299 abrasion Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 9
- 239000000523 sample Substances 0.000 description 25
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种闸片磨损故障检测的方法及系统。先获取待处理闸片图像;再对待处理闸片图像进行二值化处理,得到二值化图像;接着对二值化图像进行连通域分析,剔除噪点及其他的干扰连通域,仅保留闸片目标的连通域;再对得到的连通域进行投影,计算投影的最大值;最后将最大值与预设阈值进行比较,判断出闸片是否磨损,有效解决了现有技术中由经验丰富的列检人员来检测闸片是否存在故障的技术问题,实现了提高检测效率、检测准确率和降低列车的运行成本与运行风险的技术效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种闸片磨损故障检测的方法及系统。
背景技术
为了保证铁路列车的安全性,通常需要对铁路列车进行故障检测。闸片是列车制动系统中的重要部件,闸片的故障将会直接影响列车制动的有效性,从而严重影响列车的安全运行。
目前,通常是由经验丰富的列检人员来检测闸片是否存在故障的,例如脱落、磨损、夹杂异物等,但是,这种检测方式主要存在人工检测效率低,且检测人员易出现疲劳,增加了列车的运行成本与运行风险的缺点。
发明内容
本发明通过提供一种闸片磨损故障检测的方法及系统,解决了现有技术中由经验丰富的列检人员来检测闸片是否存在故障的技术问题,实现了提高检测效率、检测准确率和降低列车的运行成本与运行风险的技术效果。
本发明提供了一种闸片磨损故障检测的方法,包括:
获取待处理闸片图像;
对所述待处理闸片图像进行二值化处理,得到二值化图像;
对所述二值化图像进行连通域分析,剔除噪点及其他的干扰连通域,仅保留闸片目标的连通域;
对得到的连通域进行投影,计算所述投影的最大值;
将所述最大值与预设阈值进行比较,判断出闸片是否磨损。
进一步地,所述获取待处理闸片图像,包括:
获取原始闸片图像、原始闸片托图像及原始背景图像;
分别提取所述原始闸片图像、所述原始闸片托图像、所述原始背景图像的第一HOG特征;
将得到的第一HOG特征输入到支持向量机,得到闸片及闸片托检测模型;
通过所述闸片及闸片托检测模型对所述原始闸片图像、所述原始闸片托图像、所述原始背景图像进行扫描定位,得到所述待处理闸片图像。
进一步地,所述通过所述闸片及闸片托检测模型对所述原始闸片图像、所述原始闸片托图像、所述原始背景图像进行扫描定位,得到所述待处理闸片图像,包括:
通过所述闸片及闸片托检测模型对所述原始闸片图像、所述原始闸片托图像、所述原始背景图像进行扫描定位,得到定位后的闸片图像和定位后的闸片托图像;
分别提取所述定位后的闸片图像和所述定位后的闸片托图像的第二HOG特征;
将得到的第二HOG特征输入到支持向量机,得到闸片检测模型;
通过所述闸片检测模型对所述定位后的闸片图像和所述定位后的闸片托图像进行扫描定位,得到所述待处理闸片图像。
进一步地,所述对所述二值化图像进行连通域分析,剔除噪点及其他的干扰连通域,仅保留闸片目标的连通域,包括:
对所述二值化图像进行连通域分析,标记各个连通域及位置;
对标记的各个连通域求面积;
将求得的各面积与预设面积进行比较;
若求得的面积小于所述预设面积,将与该面积对应的连通域标记为噪点;
将所述各个连通域的位置与预设的闸片位置进行比较;
若连通域的位置与所述预设的闸片位置不匹配,将与该位置对应的连通域标记为干扰连通域;
将所述噪点和所述干扰连通域剔除,仅保留闸片目标的连通域。
进一步地,所述对得到的连通域进行投影,计算所述投影的最大值,包括:
对得到的连通域进行投影,获得投影曲线;
对所述投影曲线进行中值滤波;
计算滤波后的曲线的最大值。
本发明还提供了一种闸片磨损故障检测的系统,包括:
图像获取模块,用于获取待处理闸片图像;
二值化模块,用于对所述待处理闸片图像进行二值化处理,得到二值化图像;
图像处理模块,用于对所述二值化图像进行连通域分析,剔除噪点及其他的干扰连通域,仅保留闸片目标的连通域;
计算模块,用于对得到的连通域进行投影,计算所述投影的最大值;
分析模块,用于将所述最大值与预设阈值进行比较,判断出闸片是否磨损。
进一步地,所述图像获取模块,包括:
图像获取单元,用于获取原始闸片图像、原始闸片托图像及原始背景图像;
第一特征提取单元,用于分别提取所述原始闸片图像、所述原始闸片托图像、所述原始背景图像的第一HOG特征;
第一数据处理单元,用于将得到的第一HOG特征输入到支持向量机,得到闸片及闸片托检测模型;
第一定位单元,用于通过所述闸片及闸片托检测模型对所述原始闸片图像、所述原始闸片托图像、所述原始背景图像进行扫描定位,得到所述待处理闸片图像。
进一步地,所述第一定位单元,具体用于通过所述闸片及闸片托检测模型对所述原始闸片图像、所述原始闸片托图像、所述原始背景图像进行扫描定位,得到定位后的闸片图像和定位后的闸片托图像;
所述图像获取模块,还包括:
第二特征提取单元,用于分别提取所述定位后的闸片图像和所述定位后的闸片托图像的第二HOG特征;
第二数据处理单元,用于将得到的第二HOG特征输入到支持向量机,得到闸片检测模型;
第二定位单元,用于通过所述闸片检测模型对所述定位后的闸片图像和所述定位后的闸片托图像进行扫描定位,得到所述待处理闸片图像。
进一步地,所述图像处理模块,包括:
图像标记单元,用于对所述二值化图像进行连通域分析,标记各个连通域及位置;
运算单元,用于对标记的各个连通域求面积;
第一比较单元,用于将求得的各面积与预设面积进行比较;
噪点标记单元,用于若所述第一比较单元的比较结果为求得的面积小于所述预设面积,将与该面积对应的连通域标记为噪点;
第二比较单元,用于将所述各个连通域的位置与预设的闸片位置进行比较;
干扰连通域标记单元,用于若所述第二比较单元的比较结果为连通域的位置与所述预设的闸片位置不匹配,将与该位置对应的连通域标记为干扰连通域;
剔除单元,用于将所述噪点和所述干扰连通域剔除,仅保留闸片目标的连通域。
进一步地,所述计算模块,包括:
投影单元,用于对得到的连通域进行投影,获得投影曲线;
滤波单元,用于对所述投影曲线进行中值滤波;
计算执行单元,用于对所计算滤波后的曲线的最大值。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
先获取待处理闸片图像;再对待处理闸片图像进行二值化处理,得到二值化图像;接着对二值化图像进行连通域分析,剔除噪点及其他的干扰连通域,仅保留闸片目标的连通域;再对得到的连通域进行投影,计算投影的最大值;最后将最大值与预设阈值进行比较,判断出闸片是否磨损,有效解决了现有技术中由经验丰富的列检人员来检测闸片是否存在故障的技术问题,实现了提高检测效率、检测准确率和降低列车的运行成本与运行风险的技术效果。
附图说明
图1为本发明实施例提供的闸片磨损故障检测的方法的流程图;
图2为本发明实施例提供的闸片磨损故障检测的方法的原理图;
图3为本发明实施例中获取到的闸片及闸片托区域图像块例图;
图4为本发明实施例中获取到的闸片与闸片托连接处检测例图;
图5为本发明实施例中获取到的闸片图像;
图6为本发明实施例中二值化后的闸片图像;
图7为本发明实施例中进行连通性区域分析后,剔除干扰连通域后获得的闸片连通域例图;
图8为本发明实施例中投影计算闸片厚度后,在闸片与闸片托例图上标记闸片轮廓以及闸片厚度的结果图例;
图9为本发明实施例提供的闸片磨损故障检测的系统的模块图。
具体实施方式
本发明实施例通过提供一种闸片磨损故障检测的方法及系统,解决了现有技术中由经验丰富的列检人员来检测闸片是否存在故障的技术问题,实现了提高检测效率、检测准确率和降低列车的运行成本与运行风险的技术效果。
本发明实施例中的技术方案为解决上述问题,总体思路如下:
先获取待处理闸片图像;再对待处理闸片图像进行二值化处理,得到二值化图像;接着对二值化图像进行连通域分析,剔除噪点及其他的干扰连通域,仅保留闸片目标的连通域;再对得到的连通域进行投影,计算投影的最大值;最后将最大值与预设阈值进行比较,判断出闸片是否磨损,有效解决了现有技术中由经验丰富的列检人员来检测闸片是否存在故障的技术问题,实现了提高检测效率、检测准确率和降低列车的运行成本与运行风险的技术效果。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参见图1,本发明实施例提供的闸片磨损故障检测的方法,包括:
步骤S110:获取待处理闸片图像;
对本步骤进行具体说明,获取待处理闸片图像,包括:
获取原始闸片图像、原始闸片托图像及原始背景图像;
分别提取原始闸片图像、原始闸片托图像、原始背景图像的第一HOG特征;
将得到的第一HOG特征输入到支持向量机,得到闸片及闸片托检测模型;
通过闸片及闸片托检测模型对原始闸片图像、原始闸片托图像、原始背景图像进行扫描定位,得到待处理闸片图像。
具体地,对已获取的包含闸片及闸片托相关的图像块进行样本采集并分类,获得闸片及闸片托区域数据集及第一背景区域数据集;
分别提取闸片及闸片托区域数据集及第一背景区域数据集的HOG特征;
将提取的闸片及闸片托区域数据集及第一背景区域数据集的HOG特征作为输入,利用支持向量机获取闸片及闸片托区域数据集及第一背景区域数据集的分类模型,即闸片及闸片托检测模型;
根据闸片及闸片托检测模型对获得的闸片及闸片托区域数据集及第一背景区域数据集进行滑动窗口扫描检测,根据检测结果计算检测标志位;
如检测标志位为1,则说明闸片及闸片托存在,并准确定位切取闸片及闸片托图块;
如检测标志位不为1,则说明无法定位到闸片及闸片托,说明闸片及闸片托丢失。
为了提高闸片磨损检测的准确性,通过闸片及闸片托检测模型对原始闸片图像、原始闸片托图像、原始背景图像进行扫描定位,得到待处理闸片图像,包括:
通过闸片及闸片托检测模型对原始闸片图像、原始闸片托图像、原始背景图像进行扫描定位,得到定位后的闸片图像和定位后的闸片托图像;
分别提取定位后的闸片图像和定位后的闸片托图像的第二HOG特征;
将得到的第二HOG特征输入到支持向量机,得到闸片检测模型;
通过闸片检测模型对定位后的闸片图像和定位后的闸片托图像进行扫描定位,得到待处理闸片图像。
具体地,针对由闸片及闸片托检测模型定位并切取的闸片及闸片托图块,可进行二次样本采集,考虑到闸片磨损所造成的闸片形状的不确定性,集中采集闸片与闸片托连接处的区域数据集及第二背景区域数据集;
分别提取闸片与闸片托连接处的区域数据集及第二背景区域数据集的HOG特征;
将提取的闸片与闸片托连接处的区域数据集及第二背景区域数据集的HOG特征作为输入,利用支持向量机获取闸片与闸片托连接处的区域数据集及第二背景区域数据集的分类模型,即闸片检测模型;
根据闸片检测模型对获得的闸片与闸片托连接处的区域数据集及第二背景区域数据集进行滑动窗口扫描检测,根据检测结果计算检测标志位;
如检测标志位为1,则准确定位到闸片与闸片托连接处的位置,并获取闸片图块;
如检测标志位不为1,则说明无法定位到闸片与闸片托连接处,说明闸片丢失。
步骤S120:对待处理闸片图像进行二值化处理,得到二值化图像;
具体地,对获取的待处理闸片图像进行自适应阈值二值化,采用最大类间方差法计算阈值。最大类间方差法采用聚类的思想,把图像的灰度值按灰度级分成两个类别,使得两个类别像素之间的灰度值差异最大,每个类别像素灰度值之间的差异最小,通过方差的计算来寻找一个合适的灰度阈值来划分,从而实现对图像的二值化处理,得到二值化后的图像。
步骤S130:对二值化图像进行连通域分析,剔除噪点及其他的干扰连通域,仅保留闸片目标的连通域;
对本步骤进行具体说明,对二值化图像进行连通域分析,剔除噪点及其他的干扰连通域,仅保留闸片目标的连通域,包括:
对二值化图像进行连通域分析,标记各个连通域及位置;
对标记的各个连通域求面积;
将求得的各面积与预设面积进行比较;
若求得的面积小于预设面积,将与该面积对应的连通域标记为噪点;
将各个连通域的位置与预设的闸片位置进行比较;
若连通域的位置与预设的闸片位置不匹配,将与该位置对应的连通域标记为干扰连通域;
将噪点和干扰连通域剔除,仅保留闸片目标的连通域。
步骤S140:对得到的连通域进行投影,计算投影的最大值;
对本步骤进行具体说明,对得到的连通域进行投影,计算投影的最大值,包括:
对得到的连通域进行投影,获得投影曲线;
具体地,对仅保留闸片区域的二值化图像进行水平方向的投影,获得投影曲线。
对投影曲线进行中值滤波,平滑曲线;
计算滤波后的曲线的最大值,该最大值即为计算得到的闸片厚度。
步骤S150:将最大值与预设阈值进行比较,判断出闸片是否磨损。
具体地,根据闸片磨损数据集与未磨损数据集计算闸片厚度判定阈值thresh,该阈值使得闸片磨损数据集与未磨损数据集判定误差最小,以闸片厚度判定阈值thresh作为判定标准,具体的判定规则如下:
其中,Pmax为投影曲线最大值,即为计算得到的闸片厚度,BrakepadType为闸片磨损故障判定结果:
如BrakepadType为1,则说明闸片正常;
如BrakepadType为0,则说明闸片出现磨损故障。
下面,结合图2,对本发明实施例提供的铁路列车闸瓦钎环故障的检测方法进行详细描述:
采用支持向量机方法精确定位闸片及闸片托部件位置,获得闸片及闸片托图块,具体步骤包括:
获取闸片及闸片托区域图像块,获取到的图像如图3所示;
对闸片及闸片托区域图像块进行样本采集,截取闸片及闸片托目标前景及背景,获得目标前景数据集,即闸片及闸片托目标图像正样本集,获得目标背景数据集,即闸片及闸片托目标图像负样本集;
利用支持向量机获取闸片及闸片托目标图像正样本集与闸片及闸片托目标图像负样本集的分类特征;
分别根据分类特征,获得闸片及闸片托检测模型。
在具体的实施过程中,构建闸片及闸片托训练数据集可以通过在闸片及闸片托区域图像块中通过手工标注闸片及闸片托区域作为正样本,在不包含闸片及闸片托的背景区域内自动产生与正样本同样大小的区域作为负样本来实现。当正、负样本的数量达到设定的数量后,制作正、负样本训练数据集,上述正、负样本训练数据集即为闸片及闸片托训练数据集。优选地,还可以对正负样本训练集进行归一化操作,上述归一化操作即是将样本缩放到统一尺寸,以便后续处理。然后提取闸片及闸片托训练数据集的HOG特征;接着利用闸片及闸片托训练数据集的HOG特征训练支持向量机,得到支持向量机方法的训练结果,上述训练结果即为闸片及闸片托检测模型。
根据闸片及闸片托检测模型对获得的图块进行滑动窗口扫描检测,根据检测结果计算检测标志位;
如检测标志位为1,则说明闸片及闸片托存在,并准确定位切取闸片及闸片托图块,此图像包含闸片和闸片托。
如检测标志位不为1,则说明无法定位到闸片及闸片托,说明闸片及闸片托丢失。
接下来第二次采用支持向量机方法检测闸片目标,判断是否出现闸片丢失故障,并获取闸片图块,包括:
针对由闸片及闸片托检测模型定位并切取的闸片及闸片托图块,可进行二次样本采集,考虑到闸片磨损所造成的闸片形状的不确定性,集中采集闸片与闸片托连接处的区域数据集及第二背景区域数据集,获取到的图像如图4所示。构建数据集的方式可与上述步骤相同,采用手工标注的方式获取闸片与闸片托连接处的前景图像作为正样本训练集,同时获取与前景图像尺寸一样的背景图像作为负样本训练集;
分别将正样本训练集与负样本训练集归一化为统一尺寸,并分别计算正样本训练集与负样本训练集的HOG特征集合;
将正样本训练集与负样本训练集的HOG特征集合作为输入,利用支持向量机获取闸片与闸片托连接处的区域数据集及第二背景区域数据集的分类模型,即闸片检测模型;
根据闸片检测模型对获得的闸片与闸片托连接处的区域数据集及第二背景区域数据集进行滑动窗口扫描检测,根据检测结果计算检测标志位;
如检测标志位为1,则准确定位到闸片与闸片托连接处的位置,并获取闸片图块,获取到的图像如图5所示,此图像仅包含闸片。
如检测标志位不为1,则说明无法定位到闸片与闸片托连接处,说明闸片丢失。
然后对获取的待处理闸片图像进行自适应阈值二值化,采用最大类间方差法计算阈值。最大类间方差法采用聚类的思想,把图像的灰度值按灰度级分成两个类别,使得两个类别像素之间的灰度值差异最大,每个类别像素灰度值之间的差异最小,通过方差的计算来寻找一个合适的灰度阈值来划分,从而实现对图像的二值化处理,得到二值化后的闸片图像,获取到的图像如图6所示。对二值化后的闸片图像进行连通性区域分析,标记各个连通域,并计算每个连通域的面积,判定面积较小的连通域为噪声,并将其剔除。标记各个连通域的位置信息,根据先验信息判断该连通域属于闸片还是车轮较亮区域形成的干扰连通域,将干扰连通域剔除,仅保留闸片区域的连通域,获取到的图像如图7所示。并对仅保留闸片区域的二值化图像进行水平方向的投影,获得投影曲线。
对投影曲线进行中值滤波,平滑曲线,并计算滤波后的曲线的最大值,该最大值即为计算得到的闸片厚度。根据闸片磨损数据集与未磨损数据集计算闸片厚度判定阈值thresh,该阈值使得闸片磨损数据集与未磨损数据集判定误差最小,以闸片厚度判定阈值thresh作为判定标准,具体的判定规则如下:
其中,Pmax为投影曲线最大值,即为计算得到的闸片厚度,BrakepadType为闸片磨损故障判定结果:
如BrakepadType为1,则说明闸片正常;
如BrakepadType为0,则说明闸片出现磨损故障。
具体地,本发明实施例中投影计算闸片厚度后,在闸片与闸片托例图上标记闸片轮廓以及闸片厚度的结果图例如图8所示。
在具体的实施过程中,可事先采集闸片磨损数据集与闸片未磨损数据集,并分别进行以上步骤处理,得出投影曲线的最大值,训练计算得出闸片磨损数据集与闸片未磨损数据集计算投影曲线的最大值判定阈值thresh,该阈值使得闸片磨损数据集与未磨损数据集判定误差最小。
在上面介绍了本发明实施例提供的检测方法之后,下面通过一个具体的实例来说明本发明实施例提供的方法的具体应用,对来自不同探测站的TVDS(客车故障轨边图像检测系统Train Coach Machine Vision Detection System,TVDS)现场采集的总共13580张包含底部转向架的列车图像进行检测,通过构建的车型识别模型可以识别出8016张包含闸片的图像,然后通过闸片磨损故障检测模型,一共检测出53个闸片存在故障(包含丢失与异物、破损),其中确认故障有48个,实际故障为61个。实验效果为:检测准确率为93.8%,漏识率为26.2%,误识率为4.9%。平均每张图像的处理时间为0.12s,达到了现场实际使用的标准。而在对方法性能的评价上,我们采用了准确率(Accuracy)、漏识率(Miss)和误报率(Mistake)三个性能指标。其定义如下:
其中,#True positive代表实际正常的闸片数,#True negtive代表实际磨损故障的闸片数目,#False positive代表实际故障但误判正常闸片数;#False negtive代表实际正常但误判故障闸片数。
在本实施例中,铁路列车为铁路客车。
参见图9,本发明实施例提供的闸片磨损故障检测的系统,包括:
图像获取模块100,用于获取待处理闸片图像;
具体地,图像获取模块100,包括:
图像获取单元,用于获取原始闸片图像、原始闸片托图像及原始背景图像;
第一特征提取单元,用于分别提取原始闸片图像、原始闸片托图像、原始背景图像的第一HOG特征;
第一数据处理单元,用于将得到的第一HOG特征输入到支持向量机,得到闸片及闸片托检测模型;
第一定位单元,用于通过闸片及闸片托检测模型对原始闸片图像、原始闸片托图像、原始背景图像进行扫描定位,得到待处理闸片图像。
为了提高闸片磨损检测的准确性,第一定位单元,具体用于通过闸片及闸片托检测模型对原始闸片图像、原始闸片托图像、原始背景图像进行扫描定位,得到定位后的闸片图像和定位后的闸片托图像;
图像获取模块100,还包括:
第二特征提取单元,用于分别提取定位后的闸片图像和定位后的闸片托图像的第二HOG特征;
第二数据处理单元,用于将得到的第二HOG特征输入到支持向量机,得到闸片检测模型;
第二定位单元,用于通过闸片检测模型对定位后的闸片图像和定位后的闸片托图像进行扫描定位,得到待处理闸片图像。
二值化模块200,用于对待处理闸片图像进行二值化处理,得到二值化图像;
具体地,对获取的待处理闸片图像进行自适应阈值二值化,采用最大类间方差法计算阈值。最大类间方差法采用聚类的思想,把图像的灰度值按灰度级分成两个类别,使得两个类别像素之间的灰度值差异最大,每个类别像素灰度值之间的差异最小,通过方差的计算来寻找一个合适的灰度阈值来划分,从而实现对图像的二值化处理,得到二值化后的图像。
图像处理模块300,用于对二值化图像进行连通域分析,剔除噪点及其他的干扰连通域,仅保留闸片目标的连通域;
具体地,图像处理模块300,包括:
图像标记单元,用于对二值化图像进行连通域分析,标记各个连通域及位置;
运算单元,用于对标记的各个连通域求面积;
第一比较单元,用于将求得的各面积与预设面积进行比较;
噪点标记单元,用于若第一比较单元的比较结果为求得的面积小于预设面积,将与该面积对应的连通域标记为噪点;
第二比较单元,用于将各个连通域的位置与预设的闸片位置进行比较;
干扰连通域标记单元,用于若第二比较单元的比较结果为连通域的位置与预设的闸片位置不匹配,将与该位置对应的连通域标记为干扰连通域;
剔除单元,用于将噪点和干扰连通域剔除,仅保留闸片目标的连通域。
计算模块400,用于对得到的连通域进行投影,计算投影的最大值;
具体地,计算模块400,包括:
投影单元,用于对得到的连通域进行投影,获得投影曲线;
具体地,投影单元,具体用于对仅保留闸片区域的二值化图像进行水平方向的投影,获得投影曲线。
滤波单元,用于对投影曲线进行中值滤波,平滑曲线;
计算执行单元,用于计算滤波后的曲线的最大值,该最大值即为计算得到的闸片厚度。
分析模块500,用于将最大值与预设阈值进行比较,判断出闸片是否磨损。
具体地,根据闸片磨损数据集与未磨损数据集计算闸片厚度判定阈值thresh,该阈值使得闸片磨损数据集与未磨损数据集判定误差最小,以闸片厚度判定阈值thresh作为判定标准,具体的判定规则如下:
其中,Pmax为投影曲线最大值,即为计算得到的闸片厚度,BrakepadType为闸片磨损故障判定结果:
如BrakepadType为1,则说明闸片正常;
如BrakepadType为0,则说明闸片出现磨损故障。
【技术效果】
1、先采用支持向量机方法检测闸片及闸片托部件,获得闸片及闸片托图块;再第二次采用支持向量机方法检测闸片目标,获取闸片图块;然后对获取的闸片图块利用自适应阈值进行二值化,并对二值化图像进行连通域分析,剔除噪点及其他的干扰连通域,仅保留闸片目标的连通域。再对该连通域进行水平方向的投影,计算投影的最大值作为该目标闸片的厚度,根据判定阈值判断闸片部件是否出现磨损故障,因此可以提高故障检测的效率及准确率,由此解决了现有技术中由经验丰富的列检人员来检测闸片是否存在故障的技术问题,实现了提高检测效率、检测准确率和降低列车的运行成本与运行风险的技术效果。
2、通过两次图像提取,使最终得到的待处理闸片图像更加准确,从而保证了图像分析的准确性,进而确保了闸片磨损故障检测的准确性。
本发明实施例提供的闸片磨损故障检测的方法及系统的检测效率高、检测准确性高、且能和现有的TVDS系统兼容,易于实施,成本较低。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种闸片磨损故障检测的方法,其特征在于,包括:
获取待处理闸片图像;
对所述待处理闸片图像进行二值化处理,得到二值化图像;
对所述二值化图像进行连通域分析,剔除噪点及其他的干扰连通域,仅保留闸片目标的连通域;
对得到的连通域进行投影,计算所述投影的最大值;
将所述最大值与预设阈值进行比较,判断出闸片是否磨损。
2.如权利要求1所述的方法,其特征在于,所述获取待处理闸片图像,包括:
获取原始闸片图像、原始闸片托图像及原始背景图像;
分别提取所述原始闸片图像、所述原始闸片托图像、所述原始背景图像的第一HOG特征;
将得到的第一HOG特征输入到支持向量机,得到闸片及闸片托检测模型;
通过所述闸片及闸片托检测模型对所述原始闸片图像、所述原始闸片托图像、所述原始背景图像进行扫描定位,得到所述待处理闸片图像。
3.如权利要求2所述的方法,其特征在于,所述通过所述闸片及闸片托检测模型对所述原始闸片图像、所述原始闸片托图像、所述原始背景图像进行扫描定位,得到所述待处理闸片图像,包括:
通过所述闸片及闸片托检测模型对所述原始闸片图像、所述原始闸片托图像、所述原始背景图像进行扫描定位,得到定位后的闸片图像和定位后的闸片托图像;
分别提取所述定位后的闸片图像和所述定位后的闸片托图像的第二HOG特征;
将得到的第二HOG特征输入到支持向量机,得到闸片检测模型;
通过所述闸片检测模型对所述定位后的闸片图像和所述定位后的闸片托图像进行扫描定位,得到所述待处理闸片图像。
4.如权利要求1所述的方法,其特征在于,所述对所述二值化图像进行连通域分析,剔除噪点及其他的干扰连通域,仅保留闸片目标的连通域,包括:
对所述二值化图像进行连通域分析,标记各个连通域及位置;
对标记的各个连通域求面积;
将求得的各面积与预设面积进行比较;
若求得的面积小于所述预设面积,将与该面积对应的连通域标记为噪点;
将所述各个连通域的位置与预设的闸片位置进行比较;
若连通域的位置与所述预设的闸片位置不匹配,将与该位置对应的连通域标记为干扰连通域;
将所述噪点和所述干扰连通域剔除,仅保留闸片目标的连通域。
5.如权利要求1-4中任一项所述的方法,其特征在于,所述对得到的连通域进行投影,计算所述投影的最大值,包括:
对得到的连通域进行投影,获得投影曲线;
对所述投影曲线进行中值滤波;
计算滤波后的曲线的最大值。
6.一种闸片磨损故障检测的系统,其特征在于,包括:
图像获取模块,用于获取待处理闸片图像;
二值化模块,用于对所述待处理闸片图像进行二值化处理,得到二值化图像;
图像处理模块,用于对所述二值化图像进行连通域分析,剔除噪点及其他的干扰连通域,仅保留闸片目标的连通域;
计算模块,用于对得到的连通域进行投影,计算所述投影的最大值;
分析模块,用于将所述最大值与预设阈值进行比较,判断出闸片是否磨损。
7.如权利要求6所述的系统,其特征在于,所述图像获取模块,包括:
图像获取单元,用于获取原始闸片图像、原始闸片托图像及原始背景图像;
第一特征提取单元,用于分别提取所述原始闸片图像、所述原始闸片托图像、所述原始背景图像的第一HOG特征;
第一数据处理单元,用于将得到的第一HOG特征输入到支持向量机,得到闸片及闸片托检测模型;
第一定位单元,用于通过所述闸片及闸片托检测模型对所述原始闸片图像、所述原始闸片托图像、所述原始背景图像进行扫描定位,得到所述待处理闸片图像。
8.如权利要求7所述的系统,其特征在于,
所述第一定位单元,具体用于通过所述闸片及闸片托检测模型对所述原始闸片图像、所述原始闸片托图像、所述原始背景图像进行扫描定位,得到定位后的闸片图像和定位后的闸片托图像;
所述图像获取模块,还包括:
第二特征提取单元,用于分别提取所述定位后的闸片图像和所述定位后的闸片托图像的第二HOG特征;
第二数据处理单元,用于将得到的第二HOG特征输入到支持向量机,得到闸片检测模型;
第二定位单元,用于通过所述闸片检测模型对所述定位后的闸片图像和所述定位后的闸片托图像进行扫描定位,得到所述待处理闸片图像。
9.如权利要求6所述的系统,其特征在于,所述图像处理模块,包括:
图像标记单元,用于对所述二值化图像进行连通域分析,标记各个连通域及位置;
运算单元,用于对标记的各个连通域求面积;
第一比较单元,用于将求得的各面积与预设面积进行比较;
噪点标记单元,用于若所述第一比较单元的比较结果为求得的面积小于所述预设面积,将与该面积对应的连通域标记为噪点;
第二比较单元,用于将所述各个连通域的位置与预设的闸片位置进行比较;
干扰连通域标记单元,用于若所述第二比较单元的比较结果为连通域的位置与所述预设的闸片位置不匹配,将与该位置对应的连通域标记为干扰连通域;
剔除单元,用于将所述噪点和所述干扰连通域剔除,仅保留闸片目标的连通域。
10.如权利要求6-9中任一项所述的系统,其特征在于,所述计算模块,包括:
投影单元,用于对得到的连通域进行投影,获得投影曲线;
滤波单元,用于对所述投影曲线进行中值滤波;
计算执行单元,用于对所计算滤波后的曲线的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911283954.7A CN111080668A (zh) | 2019-12-13 | 2019-12-13 | 一种闸片磨损故障检测的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911283954.7A CN111080668A (zh) | 2019-12-13 | 2019-12-13 | 一种闸片磨损故障检测的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111080668A true CN111080668A (zh) | 2020-04-28 |
Family
ID=70314487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911283954.7A Pending CN111080668A (zh) | 2019-12-13 | 2019-12-13 | 一种闸片磨损故障检测的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080668A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634223A (zh) * | 2020-12-17 | 2021-04-09 | 成都盛锴科技有限公司 | 列车闸片状态的检测方法和检测装置 |
CN115909182A (zh) * | 2022-08-09 | 2023-04-04 | 哈尔滨市科佳通用机电股份有限公司 | 一种动车组闸片磨损故障图像识别方法 |
CN116152211A (zh) * | 2023-02-28 | 2023-05-23 | 哈尔滨市科佳通用机电股份有限公司 | 一种闸瓦磨耗超限故障的识别方法 |
CN116385450A (zh) * | 2023-06-07 | 2023-07-04 | 昆山恒光塑胶股份有限公司 | 基于图像处理的ps片材抗耐磨性检测方法 |
CN117873839A (zh) * | 2024-03-12 | 2024-04-12 | 苏州元脑智能科技有限公司 | 复杂算力系统的故障检测方法、装置、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273802A (zh) * | 2017-05-16 | 2017-10-20 | 武汉华目信息技术有限责任公司 | 一种铁路列车闸瓦钎环故障的检测方法及装置 |
CN109949269A (zh) * | 2019-01-24 | 2019-06-28 | 武汉华目信息技术有限责任公司 | 一种铁路列车防尘帽破损故障的检测方法及装置 |
US20190236345A1 (en) * | 2017-08-31 | 2019-08-01 | Boe Technology Group Co., Ltd. | Hand detection method and system, image detection method and system, hand segmentation method, storage medium, and device |
-
2019
- 2019-12-13 CN CN201911283954.7A patent/CN111080668A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273802A (zh) * | 2017-05-16 | 2017-10-20 | 武汉华目信息技术有限责任公司 | 一种铁路列车闸瓦钎环故障的检测方法及装置 |
US20190236345A1 (en) * | 2017-08-31 | 2019-08-01 | Boe Technology Group Co., Ltd. | Hand detection method and system, image detection method and system, hand segmentation method, storage medium, and device |
CN109949269A (zh) * | 2019-01-24 | 2019-06-28 | 武汉华目信息技术有限责任公司 | 一种铁路列车防尘帽破损故障的检测方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634223A (zh) * | 2020-12-17 | 2021-04-09 | 成都盛锴科技有限公司 | 列车闸片状态的检测方法和检测装置 |
CN115909182A (zh) * | 2022-08-09 | 2023-04-04 | 哈尔滨市科佳通用机电股份有限公司 | 一种动车组闸片磨损故障图像识别方法 |
CN115909182B (zh) * | 2022-08-09 | 2023-08-08 | 哈尔滨市科佳通用机电股份有限公司 | 一种动车组闸片磨损故障图像识别方法 |
CN116152211A (zh) * | 2023-02-28 | 2023-05-23 | 哈尔滨市科佳通用机电股份有限公司 | 一种闸瓦磨耗超限故障的识别方法 |
CN116385450A (zh) * | 2023-06-07 | 2023-07-04 | 昆山恒光塑胶股份有限公司 | 基于图像处理的ps片材抗耐磨性检测方法 |
CN116385450B (zh) * | 2023-06-07 | 2023-10-10 | 昆山恒光塑胶股份有限公司 | 基于图像处理的ps片材抗耐磨性检测方法 |
CN117873839A (zh) * | 2024-03-12 | 2024-04-12 | 苏州元脑智能科技有限公司 | 复杂算力系统的故障检测方法、装置、设备和存储介质 |
CN117873839B (zh) * | 2024-03-12 | 2024-06-04 | 苏州元脑智能科技有限公司 | 复杂算力系统的故障检测方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080668A (zh) | 一种闸片磨损故障检测的方法及系统 | |
CN107273802B (zh) | 一种铁路列车闸瓦钎环故障的检测方法及装置 | |
CN103512762B (zh) | 图像处理方法、装置及列车故障检测系统 | |
KR20200064818A (ko) | Aspect 스코어 추정 시스템 및 방법 | |
CN110047070B (zh) | 一种轨道磨损程度的识别方法及系统 | |
CN107392197A (zh) | 一种机车车号识别及机车部件故障检测方法及系统 | |
CN108189859B (zh) | 判断两个激光图像特征是相关冗余特征的方法 | |
CN108731599B (zh) | 钢轨磨耗深度计算方法 | |
CN103295027A (zh) | 一种基于支持向量机的铁路货车挡键丢失故障识别方法 | |
CN108596872B (zh) | 基于Gabor小波和SVM的钢轨病害的检测方法 | |
RU2003108433A (ru) | Способ предварительной обработки изображения машиночитаемой формы | |
CN104573680B (zh) | 图像检测方法、图像检测装置以及交通违法检测系统 | |
CN103034850A (zh) | 一种tfds挡键丢失故障自动识别方法 | |
KR20190024447A (ko) | 실시간 선로 결함 검측 시스템 | |
CN108931206B (zh) | 用于钢轨轮廓离群点检测及有效廓形识别的方法 | |
CN109858456A (zh) | 一种铁路车辆状态故障分析系统 | |
CN117314921B (zh) | 一种基于rfid的轨道巡检设备的起点检测及处置方法 | |
JP2022000642A (ja) | 架線摩耗検査方法 | |
Taştimur et al. | Detection of rail faults using morphological feature extraction based image processing | |
CN114030395B (zh) | 一种接触悬挂吊弦区域异物检测方法及系统 | |
CN104376322B (zh) | 一种集装箱箱号预处理质量的智能评测方法 | |
CN113034440A (zh) | 一种基于ctp脑灌注影像数据的梗死分类方法及系统 | |
CN107958452A (zh) | 一种车辆轮对运行姿态的监测方法、装置及系统 | |
CN111753725A (zh) | 一种指纹修复方法及装置 | |
CN109978879A (zh) | 基于铁路货车装载视频监视的箱角入槽状态检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200428 |