CN111105409A - 基于图像处理的钢轨光带自动检测方法、设备及系统 - Google Patents
基于图像处理的钢轨光带自动检测方法、设备及系统 Download PDFInfo
- Publication number
- CN111105409A CN111105409A CN201911375561.9A CN201911375561A CN111105409A CN 111105409 A CN111105409 A CN 111105409A CN 201911375561 A CN201911375561 A CN 201911375561A CN 111105409 A CN111105409 A CN 111105409A
- Authority
- CN
- China
- Prior art keywords
- image
- rail
- steel rail
- longitudinal
- marking
- 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
Images
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
- 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
- G06T7/13—Edge detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于图像处理的钢轨光带自动检测方法、系统、计算机设备以及计算机可读存储介质,涉及轨道交通技术领域。所述系统包括轨道图像获取模块,用于获取轨道图像;占优频率确定模块,用于确定所述轨道图像的纵向每一列的占优频率;光带图像标记模块,用于对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出钢轨光带图像。本发明实现了对钢轨光带自动、高效、准确的检测,为评估轨道的平稳性和轨道的维修维护提供了可靠的依据。
Description
技术领域
本发明关于轨道交通技术领域,特别是关于钢轨光带的检测技术,具体的讲是一种基于图像处理的钢轨光带自动检测方法、基于图像处理的钢轨光带自动检测系统、计算机设备以及计算机可读存储介质。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
列车行驶在轨道上,车轮轮缘在钢轨轨面上的碾压以及轮缘与钢轨的相互摩擦作用会在钢轨轨顶面形成沿着列车运行方向延伸的亮痕,称之为钢轨光带。正常的轮轨作用会在钢轨轨顶面产生宽度均匀的光带,而当轮轨间作用力或作用位置发生异常时,会导致光带的宽度和位置发生改变。通过检测光带的状态可以反映车轮通过轨道时的平稳性,而轨道的平稳性对列车运行的安全性和舒适性有着直接影响。
传统的光带检测依靠人工巡检的方式,利用刻度尺在钢轨上进行光带的测量。该方法人工成本高、检测速度慢,并且检测的准确性难以保障,容易发生漏检,这使得现有的检测难以为轨道平稳性的评估提供可靠的参考。而机器视觉检测方面,相关类似专利提出了利用机器视觉的方法在轨道图像中标记钢轨的光带图像。例如,专利号为ZL201510850047.1的中国专利,申请了“一种基于钢轨的光带图像的钢轨检测方法及设备”,该方法将轨道图像划分为预设数量的钢轨宽度的纵向区域,根据每个纵向区域的灰度以及为每个纵向区域预设的权重标记出钢轨图像,然后比较所述钢轨图像中像素的灰度以及预设的低灰度阈值标记出光带图像。但是,该方法为了准确提取钢轨轨顶面图像,需要预知所述轨道图像中钢轨所在的纵向区域的位置并为该纵向区域的灰度设置较大的权重,即当拍摄的轨道图像中钢轨所在的纵向区域位于图像中间位置,则需要为图像中间位置的纵向区域的灰度设置较大的权重。由于采集图像的装置安装的位置变化造成拍摄的轨道图像中钢轨所在的纵向区域的位置发生偏移,则需要手工重新设置所述轨道图像中每个纵向区域的灰度的权重。此外,该方法为了识别光带图像需要设定低灰度阈值,再利用阈值比较的方法确定所述钢轨图像中的光带图像,在具体的应用场景中,在受到光照等客观环境的影响导致获取的钢轨图像的光带区域和非光带区域对比度降低的情况下,光带图像识别的准确性很难保证。
发明内容
有鉴于此,本发明提供了一种基于图像处理的钢轨光带自动检测方法、基于图像处理的钢轨光带自动检测系统、计算机设备以及计算机可读存储介质,利用轨道图像纵向区域的频域特性,确定所述轨道图像中钢轨所在的纵向区域,再结合灰度特征标记出钢轨轨顶面图像,随后在标记出的钢轨轨顶面图像上利用图像灰度变换和边缘检测的方法识别出钢轨光带图像,实现了对钢轨光带自动、高效、准确的检测,为评估轨道的平稳性和轨道的维修维护提供了可靠的依据。
本发明的目的之一是,提供一种基于图像处理的钢轨光带自动检测系统,包括:
轨道图像获取模块,用于获取轨道图像;
占优频率确定模块,用于确定所述轨道图像的纵向每一列的占优频率;
光带图像标记模块,用于对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出钢轨光带图像。
本发明的目的之一是,提供一种基于图像处理的钢轨光带自动检测的方法,包括:
获取轨道图像;
确定所述轨道图像的纵向每一列的占优频率;
对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出钢轨光带图像。
本发明的目的之一是,提供一种计算机设备,包括:适于实现各指令的处理器以及存储设备,所述存储设备存储有多条指令,所述指令适于由处理器加载并执行一种基于图像处理的钢轨光带自动检测的方法。
本发明的目的之一是,提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序用于执行一种基于图像处理的钢轨光带自动检测的方法。
本发明的有益效果在于,提供了一种基于图像处理的钢轨光带自动检测方法、基于图像处理的钢轨光带自动检测系统、计算机设备以及计算机可读存储介质,利用轨道图像纵向区域的频域特性,确定所述轨道图像中钢轨所在的纵向区域,再结合灰度特征标记出钢轨轨顶面图像,随后在标记出的钢轨轨顶面图像上利用图像灰度变换和边缘检测的方法识别出钢轨光带图像,实现了对钢轨光带自动、高效、准确的检测,为评估轨道的平稳性和轨道的维修维护提供了可靠的依据。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的具体实施例中基于图像处理的钢轨光带自动检测方法的流程图;
图2为本发明提供的具体实施例中读取到的轨道图像示意图;
图3为本发明提供的具体实施例中轨道图像的非图像背景所在的纵向区域示意图;
图4(a)为本发明提供的具体实施例中轨枕和扣件所在的纵向区域的占优频率分布示意图;
图4(b)为本发明提供的具体实施例中扣件之间的钢轨所在的纵向区域的占优频率分布示意图;
图4(c)为本发明提供的具体实施例中图像背景所在的纵向区域的占优频率分布示意图;
图5(a)为本发明提供的具体实施例中灰度变换前的钢轨轨顶面图像;
图5(b)为本发明提供的具体实施例中灰度变换后的钢轨轨顶面图像;
图6(a)为本发明提供的具体实施例中的sobel边缘检测算子1示意图;
图6(b)为本发明提供的具体实施例中的sobel边缘检测算子2示意图;
图7为本发明实施例提供的一种基于图像处理的钢轨光带自动检测系统的结构示意图;
图8为本发明实施例提供的一种基于图像处理的钢轨光带自动检测方法的流程示意图。
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。
本领域技术技术人员知道,本发明的实施方式可以实现为一种系统、装置、方法或计算机程序产品。因此,本发明公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
为了克服现有技术中人工巡检成本高、检测速度慢、准确性差、易漏检等缺陷,避免机器视觉检测中需根据轨道图像中钢轨所在的纵向区域的位置手动设置所述轨道图像中纵向区域的灰度权重,以及利用阈值比较的方法进行光带图像识别容易受到光照等客观环境的影响,识别的准确性难以保证的问题,本发明提供一种基于图像处理的钢轨光带自动检测方法以及系统,采用图像处理技术分析拍摄的轨道图像,检测出钢轨轨顶面光带区域,实现对钢轨光带自动、高效、准确的检测。
下面参考本发明的若干代表性实施方式,详细阐释本发明的原理和精神。
具体的,图7为本发明提供的一种基于图像处理的钢轨光带自动检测系统的结构示意图,请参阅图7,本发明提供的基于图像处理的钢轨光带自动检测系统包括:
轨道图像获取模块100,用于获取轨道图像。
在本发明的一种实施方式中,可从钢轨上方拍摄轨道图像,读取拍摄的轨道图像如图2所示。
占优频率确定模块200,用于确定所述轨道图像的纵向每一列的占优频率。
光带图像标记模块300,用于对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出钢轨光带图像。
在本发明的一种实施方式中,所述占优频率确定模块包括:
灰度曲线提取模块,用于提取所述轨道图像中纵向每一列像素的灰度曲线。
在本发明的一种实施方式中,在具体的应用场景中,拍摄的轨道图像往往含有噪声,因此对读取的轨道图像使用中值滤波的方法对其进行滤波,降低图像中的噪声干扰,随后提取滤波后的轨道图像的纵向每一列像素的灰度曲线。
能量谱确定模块,用于确定所述灰度曲线的归一化能量谱。
占优频率计算模块,用于根据所述归一化能量谱确定所述轨道图像的纵向每一列的占优频率。
在本发明的一种实施方式中,能量谱确定模块包括:
傅里叶变换模块,用于根据傅里叶变换获得所述轨道图像中纵向每一列的像素的灰度曲线的能量谱;
归一化处理模块,用于根据所述能量谱以及能量归一化系数进行归一化处理,得到归一化能量谱。
也即,利用傅里叶变换计算上述轨道图像纵向每一列的像素的灰度曲线的能量谱,并将轨道图像纵向每一列的像素的灰度曲线的能量谱除以该列的能量归一化系数来进行归一化处理,得到归一化能量谱。其中,轨道图像纵向每一列的能量归一化系数是由该列的像素的灰度曲线的能量谱中除0频率分量以外的所有频率分量的傅里叶变换系数的模之和得到。因为0频率分量的傅里叶变换系数的模等于该列的平均灰度,受光照影响较大,所以在归一化时并未考虑该分量,如图1所示。
在本发明的一种实施方式中,占优频率计算模块包括:
候选频率确定模块,用于根据预设的能量谱阈值,将所述归一化能量谱中频率分量对应的能量值大于该阈值的所有频率分量设定为该列的候选频率;
占优频率选取模块,用于将轨道图像纵向每一列的候选频率中的最大频率值设定为该列的占优频率。
根据预设的能量谱阈值,将上述轨道图像纵向每一列的归一化能量谱中频率分量对应的能量值大于该阈值的所有频率分量设定为该列的归一化能量谱的候选频率;
其中,能量谱阈值是提供的经验值,用以判定归一化能量谱的某一频率分量对应的能量值是否显著性存在,这里取能量谱阈值为0.03。当归一化能量谱的某一频率分量对应的能量值大于能量谱阈值时,则判定该频率分量对应的能量值显著性存在,而该频率分量即为归一化能量谱的候选频率。将轨道图像纵向每一列的候选频率中的最大频率值设定为该列的占优频率。
在本发明的一种实施方式中,光带图像标记模块包括:
纵向区域标记模块,用于对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出扣件之间的钢轨所在的纵向区域;
顶面图像标记模块,用于在所述扣件之间的钢轨所在的纵向区域中标记出钢轨轨顶面图像;
钢轨光带标记模块,用于在所述钢轨轨顶面图像中标记出钢轨光带图像。
在本发明的一种实施方式中,纵向区域标记模块包括:
区域确定模块,用于根据轨道图像中的轨枕和扣件所在的纵向区域、扣件之间的钢轨所在的纵向区域和图像背景所在的纵向区域的占优频率的分布特征,结合阈值处理确定所述轨道图像中的轨枕和扣件所在的纵向区域;
区域标记模块,用于根据所述轨枕和扣件所在的纵向区域,标记所述轨道图像中扣件之间的钢轨所在的纵向区域,所述扣件之间的钢轨所在的纵向区域包括所述轨道图像中钢轨轨顶面所在的纵向区域及轨顶面两侧位于扣件之间的轨底面所在的纵向区域。
也即在获取的轨道图像中,包括图像背景所在的纵向区域和非图像背景所在的纵向区域。非图像背景所在的纵向区域如图3所示,由轨枕和扣件所在的纵向区域和扣件之间的钢轨所在的纵向区域组成。
其中,扣件之间的钢轨所在的纵向区域,包括上述轨道图像中钢轨轨顶面所在的纵向区域及轨顶面两侧位于扣件之间的轨底面所在的纵向区域。
通过对大量轨道图像进行手工标注,计算上述轨道图像中标注的轨枕和扣件、扣件之间的钢轨和图像背景所在的纵向每一列的占优频率,根据统计的大量数据得到轨枕和扣件所在的纵向区域的占优频率分布、扣件之间的钢轨所在的纵向区域的占优频率分布和图像背景所在的纵向区域的占优频率分布,分别对应图4(a)、图4(b)、图4(c)。统计结果显示图像背景所在的纵向区域和扣件之间的钢轨所在的纵向区域的占优频率主要集中于低频区间,其值绝大部分小于6;而轨枕和扣件所在的纵向区域的占优频率则在6~42之间。
根据上述轨道图像中轨枕和扣件、扣件之间的钢轨以及图像背景所在的纵向区域的占优频率分布的特征,设定占优频率限值t1(取占优频率限值t1为5),选出上述轨道图像中列的占优频率大于t1的所有列,这些列中最长的两个连续区间即为钢轨左侧的轨枕和扣件所在的纵向区域和钢轨右侧的轨枕和扣件所在的纵向区域,而上述轨道图像中钢轨左右两侧的轨枕和扣件所在的纵向区域之间的列区间即为扣件之间的钢轨所在的纵向区域。
在本发明的一种实施方式中,顶面图像标记模块包括:
第一均值计算模块,用于计算扣件之间的钢轨所在的纵向区域像素的灰度均值;
判定限值计算模块,用于根据所述灰度均值计算判定限值;
第二均值计算模块,用于计算扣件之间的钢轨所在的纵向区域中纵向每一列像素的灰度均值;
顶面标记模块,用于根据判定限值和所述扣件之间的钢轨所在的纵向区域中纵向每一列像素的灰度均值,结合阈值处理标记出钢轨轨顶面图像。
在本发明的一个具体实施例中,在轨道图像中标记出的扣件之间的钢轨所在纵向区域包括钢轨轨顶面所在的纵向区域及轨顶面两侧位于扣件之间的轨底面所在的纵向区域。在具体的应用场景中,由于列车行驶在钢轨上,车轮与钢轨轨顶面长期摩擦,使得钢轨轨顶表面灰度值高,而轨底面灰度值较低,根据灰度值可以标记出钢轨轨顶面的精确位置。
当标记出扣件之间的钢轨所在的纵向区域后,从上述扣件之间的钢轨所在的纵向区域中标记出钢轨轨顶面图像,包括如下步骤:
(1)计算扣件之间的钢轨所在的纵向区域像素的灰度均值;
(2)将计算出的扣件之间的钢轨所在纵向区域像素的灰度均值除以5,得到判定限值th;
(3)计算扣件之间的钢轨所在的纵向区域中纵向每一列像素的灰度均值;
(4)根据判定限值和上述扣件之间的钢轨所在的纵向区域中纵向每一列像素的灰度均值,结合阈值处理标记出钢轨轨顶面图像;
选出扣件之间的钢轨所在的纵向区域中列的像素的灰度的均值大于判定限值th的所有列,这些列中最左侧一列和最右侧一列以及这两列之间的纵向区域即为钢轨轨顶面的位置,在轨道图像上根据钢轨轨顶面的位置标记出钢轨轨顶面图像。
在本发明的一种实施方式中,钢轨光带标记模块包括:
灰度变换模块,用于对所述标记出的钢轨轨顶面图像进行灰度变换;
边缘线确定模块,用于采用边缘检测得到所述钢轨轨顶面图像中的钢轨光带区域与非光带区域交界的边缘线;
光带标记模块,用于根据所述边缘线标记出钢轨光带图像。
在本发明的一个具体实施例中,可采用边缘检测方法,从上述钢轨轨顶面图像中标记出钢轨光带图像。
在标记出钢轨轨顶面图像后,识别出钢轨轨顶面图像中光带区域和非光带区域,标记出钢轨光带图像,包括如下步骤:
(1)对上述标记出的钢轨轨顶面图像进行灰度变换;
利用伽马变换(取变换系数为2)对标记出的钢轨轨顶面图像进行灰度变换,将高光部分动态范围压缩,使图像整体变暗,从而加强钢轨轨顶面图像中光带区域和非光带区域的对比度,形成更为锐利的光带区域和非光带区域的边缘。图5(a)为灰度变换前的钢轨轨顶面图像,图5(b)为灰度变换后的钢轨轨顶面图像。
(2)采用边缘检测的方法,得到上述钢轨轨顶面图像中的钢轨光带区域与非光带区域交界的边缘线,标记出钢轨光带图像。
在对钢轨轨顶面图像进行灰度变换后,将两个sobel边缘检测算子与钢轨轨顶面图像的每一个像素点进行卷积,计算该点的梯度值。使用的两个sobel边缘检测算子如图6(a)、图6(b)所示,其中图6(a)所示的sobel边缘检测算子1用来检测由暗到亮的边缘,图6(b)所示的sobel边缘检测算子2用来检测由亮到暗的边缘。
钢轨光带的左侧边缘为由暗到亮的边缘,而钢轨轨顶面图像中每个像素点与sobel边缘检测算子1卷积得到了该点由暗到亮方向的梯度值大小,钢轨轨顶面图像中每行由暗到亮方向的梯度最大值对应的像素点即为该行钢轨光带左侧边缘的位置。同理,钢轨光带的右侧边缘为由亮到暗的边缘,而钢轨轨顶面图像中每个像素点与sobel边缘检测算子2卷积得到了该点由亮到暗方向的梯度值大小,钢轨轨顶面图像中每行由亮到暗方向的梯度最大值对应的像素点即为该行钢轨光带右侧边缘的位置。在钢轨轨顶面图像中逐行确定钢轨光带的左侧和右侧边缘位置,在钢轨轨顶面图像上根据钢轨光带的左侧和右侧边缘位置标记出钢轨光带图像。
综上所述,本发明提供了一种基于图像处理的钢轨光带自动检测系统,能够从拍摄的轨道图像中自动、准确地检测出钢轨轨顶面光带区域,有效地降低钢轨光带检测的人工投入。与现有技术中的利用机器视觉进行光带检测的方法相比,本发明充分利用了所述轨道图像的纵向区域的像素的灰度曲线的频域特性,能够在不要求预知所述轨道图像中钢轨所在的纵向区域的位置的条件下自动标记出钢轨轨顶面图像;此外,本发明利用图像灰度变换增强了钢轨轨顶面图像的光带区域与非光带区域的对比度,再结合边缘检测技术进行钢轨光带的检测,保证了在具体的应用场景中钢轨光带检测的准确性,且算法简单,易于实现。本发明实施例实现了对钢轨光带自动、高效、准确的检测,为评估轨道的平稳性和轨道的维修维护提供了可靠的依据。
此外,尽管在上文详细描述中提及了系统的若干单元模块,但是这种划分仅仅并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。同样,上文描述的一个单元的特征和功能也可以进一步划分为由多个单元来具体化。以上所使用的术语“模块”和“单元”,可以是实现预定功能的软件和/或硬件。尽管以下实施例所描述的模块较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
在介绍了本发明示例性实施方式的基于图像处理的钢轨光带自动检测系统之后,接下来,参考附图对本发明示例性实施方式的方法进行介绍。该方法的实施可以参见上述整体的实施,重复之处不再赘述。
图8为本发明提供的一种基于图像处理的钢轨光带自动检测方法的流程示意图,请参阅图8,本发明提供的基于图像处理的钢轨光带自动检测方法包括:
S101:获取轨道图像。
在本发明的一种实施方式中,可从钢轨上方拍摄轨道图像,读取拍摄的轨道图像如图2所示。
S102:确定所述轨道图像的纵向每一列的占优频率。
S103:对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出钢轨光带图像。
在本发明的一种实施方式中,步骤S102包括:
提取所述轨道图像中纵向每一列像素的灰度曲线。
在本发明的一种实施方式中,在具体的应用场景中,拍摄的轨道图像往往含有噪声,因此对读取的轨道图像使用中值滤波的方法对其进行滤波,降低图像中的噪声干扰,随后提取滤波后的轨道图像的纵向每一列像素的灰度曲线。
确定所述灰度曲线的归一化能量谱。
根据所述归一化能量谱确定所述轨道图像的纵向每一列的占优频率。
在本发明的一种实施方式中,确定所述灰度曲线的归一化能量谱包括:
根据傅里叶变换获得所述轨道图像中纵向每一列的像素的灰度曲线的能量谱;
根据所述能量谱以及能量归一化系数进行归一化处理,得到归一化能量谱。
也即,利用傅里叶变换计算上述轨道图像纵向每一列的像素的灰度曲线的能量谱,并将轨道图像纵向每一列的像素的灰度曲线的能量谱除以该列的能量归一化系数来进行归一化处理,得到归一化能量谱。其中,轨道图像纵向每一列的能量归一化系数是由该列的像素的灰度曲线的能量谱中除0频率分量以外的所有频率分量的傅里叶变换系数的模之和得到。因为0频率分量的傅里叶变换系数的模等于该列的平均灰度,受光照影响较大,所以在归一化时并未考虑该分量。
在本发明的一种实施方式中,根据所述归一化能量谱确定所述轨道图像的纵向每一列的占优频率包括:
根据预设的能量谱阈值,将所述归一化能量谱中频率分量对应的能量值大于该阈值的所有频率分量设定为该列的候选频率;
将轨道图像纵向每一列的候选频率中的最大频率值设定为该列的占优频率。
根据预设的能量谱阈值,将上述轨道图像纵向每一列的归一化能量谱中频率分量对应的能量值大于该阈值的所有频率分量设定为该列的归一化能量谱的候选频率。
其中,能量谱阈值是提供的经验值,用以判定归一化能量谱的某一频率分量对应的能量值是否显著性存在,这里取能量谱阈值为0.03。当归一化能量谱的某一频率分量对应的能量值大于能量谱阈值时,则判定该频率分量对应的能量值显著性存在,而该频率分量即为归一化能量谱的候选频率。将轨道图像纵向每一列的候选频率中的最大频率值设定为该列的占优频率。
在本发明的一种实施方式中,步骤S103包括:
对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出扣件之间的钢轨所在的纵向区域;
在所述扣件之间的钢轨所在的纵向区域中标记出钢轨轨顶面图像;
在所述钢轨轨顶面图像中标记出钢轨光带图像。
在本发明的一种实施方式中,对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出扣件之间的钢轨所在的纵向区域包括:
根据轨道图像中的轨枕和扣件所在的纵向区域、扣件之间的钢轨所在的纵向区域和图像背景所在的纵向区域的占优频率的分布特征,结合阈值处理确定所述轨道图像中的轨枕和扣件所在的纵向区域;
根据所述轨枕和扣件所在的纵向区域,标记所述轨道图像中扣件之间的钢轨所在的纵向区域,所述扣件之间的钢轨所在的纵向区域包括所述轨道图像中钢轨轨顶面所在的纵向区域及轨顶面两侧位于扣件之间的轨底面所在的纵向区域。
也即在获取的轨道图像中,包括图像背景所在的纵向区域和非图像背景所在的纵向区域。非图像背景所在的纵向区域如图3所示,由轨枕和扣件所在的纵向区域和扣件之间的钢轨所在的纵向区域组成。
其中,扣件之间的钢轨所在的纵向区域,包括上述轨道图像中钢轨轨顶面所在的纵向区域及轨顶面两侧位于扣件之间的轨底面所在的纵向区域。
通过对大量轨道图像进行手工标注,计算上述轨道图像中标注的轨枕和扣件、扣件之间的钢轨和图像背景所在的纵向每一列的占优频率,根据统计的大量数据得到轨枕和扣件所在的纵向区域的占优频率分布、扣件之间的钢轨所在的纵向区域的占优频率分布和图像背景所在的纵向区域的占优频率分布,分别对应图4(a)、图4(b)、图4(c)。统计结果显示图像背景所在的纵向区域和扣件之间的钢轨所在的纵向区域的占优频率主要集中于低频区间,其值绝大部分小于6;而轨枕和扣件所在的纵向区域的占优频率则在6~42之间。
根据上述轨道图像中轨枕和扣件、扣件之间的钢轨以及图像背景所在的纵向区域的占优频率分布的特征,设定占优频率限值t1(取占优频率限值t1为5),选出上述轨道图像中列的占优频率大于t1的所有列,这些列中最长的两个连续区间即为钢轨左侧的轨枕和扣件所在的纵向区域和钢轨右侧的轨枕和扣件所在的纵向区域,而上述轨道图像中钢轨左右两侧的轨枕和扣件所在的纵向区域之间的列区间即为扣件之间的钢轨所在的纵向区域。
在本发明的一种实施方式中,在所述扣件之间的钢轨所在的纵向区域中标记出钢轨轨顶面图像包括:
计算扣件之间的钢轨所在的纵向区域像素的灰度均值;
根据所述灰度均值计算判定限值;
计算扣件之间的钢轨所在的纵向区域中纵向每一列像素的灰度均值;
根据判定限值和所述扣件之间的钢轨所在的纵向区域中纵向每一列像素的灰度均值,结合阈值处理标记出钢轨轨顶面图像。
在本发明的一个具体实施例中,在轨道图像中标记出的扣件之间的钢轨所在纵向区域包括钢轨轨顶面所在的纵向区域及轨顶面两侧位于扣件之间的轨底面所在的纵向区域。在具体的应用场景中,由于列车行驶在钢轨上,车轮与钢轨轨顶面长期摩擦,使得钢轨轨顶表面灰度值高,而轨底面灰度值较低,根据灰度值可以标记出钢轨轨顶面的精确位置。
当标记出扣件之间的钢轨所在的纵向区域后,从上述扣件之间的钢轨所在的纵向区域中标记出钢轨轨顶面图像,包括如下步骤:
(1)计算扣件之间的钢轨所在的纵向区域像素的灰度均值;
(2)将计算出的扣件之间的钢轨所在纵向区域像素的灰度均值除以5,得到判定限值th;
(3)计算扣件之间的钢轨所在的纵向区域中纵向每一列像素的灰度均值;
(4)根据判定限值和上述扣件之间的钢轨所在的纵向区域中纵向每一列像素的灰度均值,结合阈值处理标记出钢轨轨顶面图像;
选出扣件之间的钢轨所在的纵向区域中列的像素的灰度的均值大于判定限值th的所有列,这些列中最左侧一列和最右侧一列以及这两列之间的纵向区域即为钢轨轨顶面的位置,在轨道图像上根据钢轨轨顶面的位置标记出钢轨轨顶面图像。
在本发明的一种实施方式中,在所述钢轨轨顶面图像中标记出钢轨光带图像包括:
对所述标记出的钢轨轨顶面图像进行灰度变换;
采用边缘检测的得到所述钢轨轨顶面图像中的钢轨光带区域与非光带区域交界的边缘线;
根据所述边缘线标记出钢轨光带图像。
在本发明的一个具体实施例中,可采用边缘检测方法,从上述钢轨轨顶面图像中标记出钢轨光带图像。
在标记出钢轨轨顶面图像后,识别出钢轨轨顶面图像中光带区域和非光带区域,标记出钢轨光带图像,包括如下步骤:
(1)对上述标记出的钢轨轨顶面图像进行灰度变换;
利用伽马变换(取变换系数为2)对标记出的钢轨轨顶面图像进行灰度变换,将高光部分动态范围压缩,使图像整体变暗,从而加强钢轨轨顶面图像中光带区域和非光带区域的对比度,形成更为锐利的光带区域和非光带区域的边缘。图5(a)为灰度变换前的钢轨轨顶面图像,图5(b)为灰度变换后的钢轨轨顶面图像。
(2)采用边缘检测的方法,得到上述钢轨轨顶面图像中的钢轨光带区域与非光带区域交界的边缘线,标记出钢轨光带图像。
在对钢轨轨顶面图像进行灰度变换后,将两个sobel边缘检测算子与钢轨轨顶面图像的每一个像素点进行卷积,计算该点的梯度值。使用的两个sobel边缘检测算子如图6(a)、图6(b)所示,其中图6(a)所示的sobel边缘检测算子1用来检测由暗到亮的边缘,图6(b)所示的sobel边缘检测算子2用来检测由亮到暗的边缘。
钢轨光带的左侧边缘为由暗到亮的边缘,而钢轨轨顶面图像中每个像素点与sobel边缘检测算子1卷积得到了该点由暗到亮方向的梯度值大小,钢轨轨顶面图像中每行由暗到亮方向的梯度最大值对应的像素点即为该行钢轨光带左侧边缘的位置。同理,钢轨光带的右侧边缘为由亮到暗的边缘,而钢轨轨顶面图像中每个像素点与sobel边缘检测算子2卷积得到了该点由亮到暗方向的梯度值大小,钢轨轨顶面图像中每行由亮到暗方向的梯度最大值对应的像素点即为该行钢轨光带右侧边缘的位置。在钢轨轨顶面图像中逐行确定钢轨光带的左侧和右侧边缘位置,在钢轨轨顶面图像上根据钢轨光带的左侧和右侧边缘位置标记出钢轨光带图像。
综上所述,本发明提供了一种基于图像处理的钢轨光带自动检测方法,能够从拍摄的轨道图像中自动、准确地检测出钢轨轨顶面光带区域,有效地降低钢轨光带检测的人工投入。与现有技术中的利用机器视觉进行光带检测的方法相比,本发明充分利用了所述轨道图像的纵向区域的像素的灰度曲线的频域特性,能够在不要求预知所述轨道图像中钢轨所在的纵向区域的位置的条件下自动标记出钢轨轨顶面图像;此外,本发明利用图像灰度变换增强了钢轨轨顶面图像的光带区域与非光带区域的对比度,再结合边缘检测技术进行钢轨光带的检测,保证了在具体的应用场景中钢轨光带检测的准确性,且算法简单,易于实现。本发明实施例实现了对钢轨光带自动、高效、准确的检测,为评估轨道的平稳性和轨道的维修维护提供了可靠的依据。
本发明还提供了一种计算机设备,包括:适于实现各指令的处理器以及存储设备,所述存储设备存储有多条指令,所述指令适于由处理器加载并执行基于图像处理的钢轨光带自动检测的方法。
本发明还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序用于执行基于图像处理的钢轨光带自动检测的方法。
综上所述,本发明提供了一种基于图像处理的钢轨光带自动检测方法、基于图像处理的钢轨光带自动检测系统、计算机设备以及计算机可读存储介质,利用轨道图像纵向区域的频域特性,确定所述轨道图像中钢轨所在的纵向区域,再结合灰度特征标记出钢轨轨顶面图像,随后在标记出的钢轨轨顶面图像上利用图像灰度变换和边缘检测的方法识别出钢轨光带图像。本发明实施例的基于图像处理的钢轨光带自动检测方法,实现了对钢轨光带自动、高效、准确的检测,为评估轨道的平稳性和轨道的维修维护提供了可靠的依据。
以上对本发明所提的一种基于图像处理的钢轨光带自动检测方案进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用来解释说明本发明的方法和核心思想,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device,PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware DescriptionLanguage,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware Description Language)与Verilog2。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机系统(可以是个人计算机,服务器,或者网络系统等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持系统或便携式系统、平板型系统、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子系统、网络PC、小型计算机、大型计算机、包括以上任何系统或系统的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理系统来执行任务。在分布式计算环境中,程序模块可以位于包括存储系统在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本申请,本领域普通技术人员知道,本申请有许多变形和变化而不脱离本申请的精神,希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
Claims (18)
1.一种基于图像处理的钢轨光带自动检测方法,其特征在于,所述方法包括:
获取轨道图像;
确定所述轨道图像的纵向每一列的占优频率;
对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出钢轨光带图像。
2.根据权利要求1所述的方法,其特征在于,确定所述轨道图像的纵向每一列的占优频率包括:
提取所述轨道图像中纵向每一列像素的灰度曲线;
确定所述灰度曲线的归一化能量谱;
根据所述归一化能量谱确定所述轨道图像的纵向每一列的占优频率。
3.根据权利要求2所述的方法,其特征在于,确定所述灰度曲线的归一化能量谱包括:
根据傅里叶变换获得所述轨道图像中纵向每一列的像素的灰度曲线的能量谱;
根据所述能量谱以及能量归一化系数进行归一化处理,得到归一化能量谱。
4.根据权利要求3所述的方法,其特征在于,根据所述归一化能量谱确定所述轨道图像的纵向每一列的占优频率包括:
根据预设的能量谱阈值,将所述归一化能量谱中频率分量对应的能量值大于该阈值的所有频率分量设定为该列的候选频率;
将轨道图像纵向每一列的候选频率中的最大频率值设定为该列的占优频率。
5.根据权利要求1所述的方法,其特征在于,对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出钢轨光带图像包括:
对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出扣件之间的钢轨所在的纵向区域;
在所述扣件之间的钢轨所在的纵向区域中标记出钢轨轨顶面图像;
在所述钢轨轨顶面图像中标记出钢轨光带图像。
6.根据权利要求5所述的方法,其特征在于,对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出扣件之间的钢轨所在的纵向区域包括:
根据轨道图像中的轨枕和扣件所在的纵向区域、扣件之间的钢轨所在的纵向区域和图像背景所在的纵向区域的占优频率的分布特征,结合阈值处理确定所述轨道图像中的轨枕和扣件所在的纵向区域;
根据所述轨枕和扣件所在的纵向区域,标记所述轨道图像中扣件之间的钢轨所在的纵向区域,所述扣件之间的钢轨所在的纵向区域包括所述轨道图像中钢轨轨顶面所在的纵向区域及轨顶面两侧位于扣件之间的轨底面所在的纵向区域。
7.根据权利要求6所述的方法,其特征在于,在所述扣件之间的钢轨所在的纵向区域中标记出钢轨轨顶面图像包括:
计算扣件之间的钢轨所在的纵向区域像素的灰度均值;
根据所述灰度均值计算判定限值;
计算扣件之间的钢轨所在的纵向区域中纵向每一列像素的灰度均值;
根据判定限值和所述扣件之间的钢轨所在的纵向区域中纵向每一列像素的灰度均值,结合阈值处理标记出钢轨轨顶面图像。
8.根据权利要求7所述的方法,其特征在于,在所述钢轨轨顶面图像中标记出钢轨光带图像包括:
对所述标记出的钢轨轨顶面图像进行灰度变换;
采用边缘检测得到所述钢轨轨顶面图像中的钢轨光带区域与非光带区域交界的边缘线;
根据所述边缘线标记出钢轨光带图像。
9.一种基于图像处理的钢轨光带自动检测系统,其特征在于,所述系统包括:
轨道图像获取模块,用于获取轨道图像;
占优频率确定模块,用于确定所述轨道图像的纵向每一列的占优频率;
光带图像标记模块,用于对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出钢轨光带图像。
10.根据权利要求9所述的系统,其特征在于,所述占优频率确定模块包括:
灰度曲线提取模块,用于提取所述轨道图像中纵向每一列像素的灰度曲线;
能量谱确定模块,用于确定所述灰度曲线的归一化能量谱;
占优频率计算模块,用于根据所述归一化能量谱确定所述轨道图像的纵向每一列的占优频率。
11.根据权利要求10所述的系统,其特征在于,所述能量谱确定模块包括:
傅里叶变换模块,用于根据傅里叶变换获得所述轨道图像中纵向每一列的像素的灰度曲线的能量谱;
归一化处理模块,用于根据所述能量谱以及能量归一化系数进行归一化处理,得到归一化能量谱。
12.根据权利要求10所述的系统,其特征在于,所述占优频率计算模块包括:
候选频率确定模块,用于根据预设的能量谱阈值,将所述归一化能量谱中频率分量对应的能量值大于该阈值的所有频率分量设定为该列的候选频率;
占优频率选取模块,用于将轨道图像纵向每一列的候选频率中的最大频率值设定为该列的占优频率。
13.根据权利要求9所述的系统,其特征在于,所述光带图像标记模块包括:
纵向区域标记模块,用于对所述轨道图像以及占优频率进行分析,在所述轨道图像中标记出扣件之间的钢轨所在的纵向区域;
顶面图像标记模块,用于在所述扣件之间的钢轨所在的纵向区域中标记出钢轨轨顶面图像;
钢轨光带标记模块,用于在所述钢轨轨顶面图像中标记出钢轨光带图像。
14.根据权利要求13所述的系统,其特征在于,所述纵向区域标记模块包括:
区域确定模块,用于根据轨道图像中的轨枕和扣件所在的纵向区域、扣件之间的钢轨所在的纵向区域和图像背景所在的纵向区域的占优频率的分布特征,结合阈值处理确定所述轨道图像中的轨枕和扣件所在的纵向区域;
区域标记模块,用于根据所述轨枕和扣件所在的纵向区域,标记所述轨道图像中扣件之间的钢轨所在的纵向区域,所述扣件之间的钢轨所在的纵向区域包括所述轨道图像中钢轨轨顶面所在的纵向区域及轨顶面两侧位于扣件之间的轨底面所在的纵向区域。
15.根据权利要求14所述的系统,其特征在于,所述顶面图像标记模块包括:
第一均值计算模块,用于计算扣件之间的钢轨所在的纵向区域像素的灰度均值;
判定限值计算模块,用于根据所述灰度均值计算判定限值;
第二均值计算模块,用于计算扣件之间的钢轨所在的纵向区域中纵向每一列像素的灰度均值;
顶面标记模块,用于根据判定限值和所述扣件之间的钢轨所在的纵向区域中纵向每一列像素的灰度均值,结合阈值处理标记出钢轨轨顶面图像。
16.根据权利要求15所述的系统,其特征在于,所述钢轨光带标记模块包括:
灰度变换模块,用于对所述标记出的钢轨轨顶面图像进行灰度变换;
边缘线确定模块,用于采用边缘检测得到所述钢轨轨顶面图像中的钢轨光带区域与非光带区域交界的边缘线;
光带标记模块,用于根据所述边缘线标记出钢轨光带图像。
17.一种计算机设备,其特征在于,所述计算设备包括:适于实现各指令的处理器以及存储设备,所述存储设备存储有多条指令,所述指令适于由处理器加载并执行如权利要求1至8任意一项所述的基于图像处理的钢轨光带自动检测方法。
18.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于执行如权利要求1至8任意一项所述的基于图像处理的钢轨光带自动检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911375561.9A CN111105409B (zh) | 2019-12-27 | 2019-12-27 | 基于图像处理的钢轨光带自动检测方法、设备及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911375561.9A CN111105409B (zh) | 2019-12-27 | 2019-12-27 | 基于图像处理的钢轨光带自动检测方法、设备及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105409A true CN111105409A (zh) | 2020-05-05 |
CN111105409B CN111105409B (zh) | 2023-08-08 |
Family
ID=70423618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911375561.9A Active CN111105409B (zh) | 2019-12-27 | 2019-12-27 | 基于图像处理的钢轨光带自动检测方法、设备及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105409B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435289A (zh) * | 2020-12-14 | 2021-03-02 | 中国铁道科学研究院集团有限公司 | 钢轨接头轨缝宽度的检测方法及装置 |
CN112945976A (zh) * | 2021-02-05 | 2021-06-11 | 中国铁道科学研究院集团有限公司 | 钢轨接触疲劳裂纹的检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628814A (zh) * | 2012-02-28 | 2012-08-08 | 西南交通大学 | 一种基于数字图像处理的钢轨光带异常自动检测方法 |
CN105466941A (zh) * | 2015-11-27 | 2016-04-06 | 中国铁道科学研究院 | 一种基于钢轨的光带图像的钢轨检测方法及设备 |
CN107194921A (zh) * | 2017-05-19 | 2017-09-22 | 华夏高铁技术有限公司 | 钢轨轨面光带的自动识别方法和装置 |
KR20180003355A (ko) * | 2016-06-30 | 2018-01-09 | 주식회사 포스코아이씨티 | 패트롤 트레이, 패트롤 트레이를 이용한 수하물 처리 설비 점검 시스템 및 방법 |
-
2019
- 2019-12-27 CN CN201911375561.9A patent/CN111105409B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628814A (zh) * | 2012-02-28 | 2012-08-08 | 西南交通大学 | 一种基于数字图像处理的钢轨光带异常自动检测方法 |
CN105466941A (zh) * | 2015-11-27 | 2016-04-06 | 中国铁道科学研究院 | 一种基于钢轨的光带图像的钢轨检测方法及设备 |
KR20180003355A (ko) * | 2016-06-30 | 2018-01-09 | 주식회사 포스코아이씨티 | 패트롤 트레이, 패트롤 트레이를 이용한 수하물 처리 설비 점검 시스템 및 방법 |
CN107194921A (zh) * | 2017-05-19 | 2017-09-22 | 华夏高铁技术有限公司 | 钢轨轨面光带的自动识别方法和装置 |
Non-Patent Citations (1)
Title |
---|
李清勇等: "基于钢轨图像频域特征的钢轨波磨检测方法" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435289A (zh) * | 2020-12-14 | 2021-03-02 | 中国铁道科学研究院集团有限公司 | 钢轨接头轨缝宽度的检测方法及装置 |
CN112435289B (zh) * | 2020-12-14 | 2024-04-30 | 中国铁道科学研究院集团有限公司 | 钢轨接头轨缝宽度的检测方法及装置 |
CN112945976A (zh) * | 2021-02-05 | 2021-06-11 | 中国铁道科学研究院集团有限公司 | 钢轨接触疲劳裂纹的检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111105409B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8625878B2 (en) | Method and system of rail component detection using vision technology | |
CN106652465B (zh) | 一种道路异常驾驶行为的识别方法及系统 | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
US9524558B2 (en) | Method, system and software module for foreground extraction | |
EP4390835A2 (en) | Depth acquisition device, depth acquisition method and program | |
US20130279743A1 (en) | Anomalous railway component detection | |
CN110287791B (zh) | 一种用于人脸图片的筛选方法和系统 | |
KR102074073B1 (ko) | 차량 인식 방법 및 이를 이용하는 장치 | |
US10791252B2 (en) | Image monitoring device, image monitoring method, and recording medium | |
US20210192184A1 (en) | Face image quality evaluating method and apparatus and computer readable storage medium using the same | |
CN111105409A (zh) | 基于图像处理的钢轨光带自动检测方法、设备及系统 | |
JP4987826B2 (ja) | ナンバプレート認識方法およびナンバプレート認識装置 | |
CN109509166B (zh) | 印刷电路板图像检测方法和装置 | |
CN102628814A (zh) | 一种基于数字图像处理的钢轨光带异常自动检测方法 | |
CN110197494B (zh) | 一种基于单目红外图像的受电弓接触点实时检测算法 | |
CN101682767B (zh) | 用于测量视频编解码器块中细节损失的系统和方法 | |
CN102982304A (zh) | 利用偏光图像检测车辆位置的方法和系统 | |
JP4864043B2 (ja) | 画像処理装置、方法及びプログラム | |
KR20230073221A (ko) | 트레드 깊이 추정 시스템 및 이의 방법 | |
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 | |
CN115311631A (zh) | 一种隧道内的图像采集方法、设备及介质 | |
CN113516608B (zh) | 轮胎的缺陷检测方法和检测装置、轮胎检测设备 | |
Kaur et al. | An Efficient Method of Number Plate Extraction from Indian Vehicles Image | |
CN112257555B (zh) | 一种信息处理方法、装置、设备及存储介质 | |
CN113902778A (zh) | 一种目标跟踪方法及装置 |
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 |