CN111127381B - 一种受电弓滑板不平行检测方法 - Google Patents
一种受电弓滑板不平行检测方法 Download PDFInfo
- Publication number
- CN111127381B CN111127381B CN201811194488.0A CN201811194488A CN111127381B CN 111127381 B CN111127381 B CN 111127381B CN 201811194488 A CN201811194488 A CN 201811194488A CN 111127381 B CN111127381 B CN 111127381B
- Authority
- CN
- China
- Prior art keywords
- pantograph
- image
- straight line
- slide plate
- calculating
- 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
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Current-Collector Devices For Electrically Propelled Vehicles (AREA)
- Image Processing (AREA)
Abstract
本发明涉及受电弓异常检测技术领域,公开了一种受电弓滑板不平行检测方法。包括以下过程:实时输入不同类型的受电弓图像;通过高斯平滑的方法对受电弓图像进行滤波去噪处理;采用梯度计算去除垂直方向上的轮廓干扰,再进行形态学处理和纹理特征计算,提取到受电弓图像轮廓;筛除干扰直线,进行直线聚类判别,提取受电弓滑板图像;根据受电弓滑板图像获取滑板空间几何特征,判断滑板异常状态。发明的技术方案对光源不敏感,适用于不同光照情况;算法参数修改方便,非专业人员也可操作;现场适用性强,适用于多个不同现场情况下、不同类型受电弓的提取;检测正确率高,误检率、漏检率低。
Description
技术领域
本发明涉及受电弓异常检测技术领域,特别是一种受电弓滑板不平行检测方法。
背景技术
机车受电弓是电气化铁路电力机车从接触网上受取电流的装置,其滑板与接触网导线直接接触,从接触网导线上受取电流,供机车使用。受电弓滑板结构状态的好坏直接影响到列车的安全、可靠运行,其故障甚至可能造成运输中断。如果能够对受电弓滑板进行实时准确的监测,将会极大程度地减少受电弓故障发生的概率。
当前检测受电弓滑板结构异常主要有以下几种方法:1)传统人工登车检测方法,该方法的缺点为效率低、工作量大、不能检测运行中的受电弓;2)基于光纤维的检测技术,该技术的缺点为需对车辆和受电弓进行改造,投资成本太大;3)基于超声波的检测技术,该技术的缺点是超声波传感器本身特性受外界环境影响太大,且声波纺锤形发射的原理,导致该设备磨耗测量精度不够,且不能在雨雾天气正常使用。
发明内容
本发明所要解决的技术问题是:针对上述存在的问题,提供了一种受电弓滑板不平行检测方法。
本发明采用的技术方案如下:一种受电弓滑板不平行检测方法,具体包括以下过程:
步骤1,实时输入不同类型的受电弓图像;
步骤2,通过高斯平滑的方法对受电弓图像进行滤波去噪处理;
步骤3,采用梯度计算去除垂直方向上的轮廓干扰,再进行形态学处理和纹理特征计算,提取到受电弓图像轮廓;
步骤4,筛除干扰直线,进行直线聚类判别,提取受电弓滑板图像;
步骤5,根据受电弓滑板图像获取滑板空间几何特征,判断滑板异常状态。
进一步的,所述步骤1中,所述受电弓图像格式为JPG编码,图像尺寸不唯一。
进一步的,所述步骤3中,梯度计算的具体过程为:
获取图像中的像素点(x,y)的梯度为:
Gx(x,y)=H(x+1,y)-H(x-1,y) (1)
Gy(x,y)=H(x,y+1)-H(x,y-1) (2)
对梯度幅值进行二值化处理,取出梯度幅度大于设定值的点,设置所述点的像素为225。
进一步的,所述步骤3中,所述形态学处理包括形态学滤波膨胀和腐蚀处理。
进一步的,所述步骤3中,所述纹理特征计算的具体过程为:遍历图像像素,针对该像素在0度、-45度、-90度、-135度方向上灰度值为255的每个像素,分别计算所有长度的行程,滤除掉不满足设定阈值的行程,并将每个行程拟合成一条直线。
进一步的,所述步骤4中,筛除干扰直线的具体过程为:
计算每条直线的长度len和直线与y轴之间的夹角θ,设定直线阈值,筛除直线长度len小于直线阈值的直线;并根据现场拍摄图像的相机角度设定角度阈值,去除不在角度阈值范围内的直线。
进一步的,所述步骤4中,直线聚类判别的具体过程为:
(1)计算每条直线中心点坐标(x,y),利用中心点横坐标x将所有直线在X轴方向上进行由低到高排序;获取所有直线中心点坐标中x最小的一根直线l1,沿着x增大的方向依次计算剩余直线与直线l1的直线距离;(2)如果有直线l2与直线l1的直线距离差小于设定阈值,且直线l2与直线l1的角度相似,则判断两条直线属于同一类别;(3)否则不属于同一类,返回步骤(1),针对直线l2和比直线l2中心点的x大的直线之间进行计算和判别,以此类推,获取多组直线群。
进一步的,所述步骤4中,提取受电弓滑板图像具体过程为:对每一组直线群,依次获取其中的所有直线两端端点坐标,根据所有端点坐标可计算获取该直线群所在的最小外接矩形,所述矩形即为滑板图像。
进一步的,所述步骤5的具体过程为:
根据拍摄图像的相机角度,获取正常受电弓滑板角度的变化范围(m~n);根据滑板图像,计算图像中受电弓滑板的角度;如果当前图像中受电弓滑板的角度不在范围(m~n)内,则判断当前受电弓滑板结构异常;若当前图像中的受电弓滑板角度在范围(m~n)内,计算滑条之间的角度差d,如果d超出设定阈值范围,则判断当前受电弓滑板结构异常;计算当前图像中滑板的长度,如果滑板长度小于设定阈值范围,则判定为受电弓结构异常。
现有技术相比,采用上述技术方案的有益效果为:
1、本发明的技术方案对光源不敏感。该方法可适用于不同光照情况下的受电弓图像提取,白天、晚上均可以使用。
2、本发明的技术方案算法参数修改方便。代码写好以后,无需专业人员,其他非专业人员可进行相关参数的训练、修改。
3、本发明的技术方案现场适用性强。同一套算法参数可适用于多个不同现场情况下,不同类型受电弓的提取。
4、本发明的技术方案检测正确率高。误检率、漏检率低。
附图说明
图1是本发明受电弓滑板不平行检测方法流程示意图。
图2是本发明纹理特征计算示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
如图1所示,一种受电弓滑板不平行检测方法,具体包括以下过程:
步骤1,实时输入不同类型的受电弓图像,图像拍摄是全天持续不断的;
步骤2,通过高斯平滑的方法对受电弓图像进行滤波去噪处理;
步骤3,采用梯度计算去除垂直方向上的轮廓干扰,再进行形态学处理和纹理特征计算,提取到受电弓图像轮廓;
步骤4,筛除干扰直线,进行直线聚类判别,提取受电弓滑板图像;
步骤5,根据受电弓滑板图像获取滑板空间几何特征,判断滑板异常状态。
优选地,所述步骤1中,所述受电弓图像格式为JPG编码,图像尺寸不唯一。
优选地,所述步骤2中,所述高斯平滑是采用二维高斯核的卷积算子进行图像模糊化,所述二维高斯核可表示为:其中σ是正态分布的标准偏差,x、y为坐标轴。因为受电弓图像是白天、晚上24小时全天候拍摄,因此会存在光照不均匀、图像对比度较低的情况;另外,相机自身电子干扰、采用JPEG格式对受电弓原始图像进行压缩等一些原因,容易使得所拍摄图像中会有噪声。通过上述过程对相机拍摄的原始图像进行高斯平滑的预处理,主要去除孤立噪点的干扰。从数学的角度来看,图像的高斯平滑过程其实就是图像与正态分布做卷积,因此正态分布也叫做高斯分布。对于图像来说,高斯平滑是利用一个二维高斯核的卷积算子,用于图像模糊化(去除细节和噪声)。上述高斯平滑过程可以提高后续的图像轮廓提取准确度,从而有助于受电弓滑板提取以及滑板结构异常缺陷判定的准确率。
轮廓提取主要包括梯度计算、形态学处理、纹理特征计算等几个步骤:
优选地,所述步骤3中,梯度计算是求取图像在滑条方向的梯度图,去除与其垂直方向的轮廓干扰,减少后续程序处理时间。
梯度计算的具体过程为:
获取图像中的像素点(x,y)的梯度为:
Gx(x,y)=H(x+1,y)-H(x-1,y) (1)
Gy(x,y)=H(x,y+1)-H(x,y-1) (2)
输入高斯平滑后的受电弓图像,为克服光照影响,首先对图像进行x方向的梯度计算。从图像上看,受电弓碳滑板是几乎是垂直于车体,垂直于x轴,所以我们对平滑后的图像进行x方向的梯度计算,具体如公式(1)所示,从而滤除图像中其他方向的梯度信息。由于梯度幅值表示了像素突变的强度,受电弓滑板边缘是像素突变较强区域,我们可对梯度幅值进行二值化处理,设定某一阈值,将大于阈值的像素设定为255,其余像素设定为0。
优选地,所述步骤3中,所述形态学处理包括形态学滤波膨胀和腐蚀处理。上述过程可以滤除噪声,连接断裂的边缘,去除孤立噪点、消除小轮廓、平滑较大轮廓边界,减少干扰。
膨胀:采用向量加法对两个集合进行合并。膨胀是所有向量加之和的集合,向量加法的两个操作数分别来自X和B,并且取到任意可能的组合,其中x和b分别为其子集,p为图像的每个点,ε2为图像中的所有像素点。膨胀用来填补物体中的空洞和狭窄的缝隙。它使物体的尺寸变大。如果需要保持物体原来的尺寸,膨胀应与下述的腐蚀相结合。
腐蚀:对集合元素采用向量减法,将两个集合合并,腐蚀是膨胀的对偶运算。腐蚀和膨胀都是不可逆运算。腐蚀可以用来简化物体的结构,那些只有一个像素宽的物体或物体的部分将被去掉。
优选地,所述步骤3中,所述纹理特征计算是对形态学处理后的图像进行行程特征计算,检测出图像中所有可能的行程。具体过程为:
如图2所示,基元是在一条直线上具有恒定灰度级的像素的最大连续集,而在不同方向上的基元的长度可以作为一种纹理描述,即行程,且这些可以用灰度级、长度以及方向来描述。纹理描述特征可按如下方式确定:遍历图像像素,针对该像素在0度、-45度、-90度、-135度方向上灰度值为255的每个像素,分别计算所有长度的行程,通过一定的阈值滤除不符合要求(设定阈值,行程长度小于阈值即不符合要求)的行程,并将每个行程拟合成一条直线。
优选地,所述步骤4中,筛除干扰直线的具体过程为:计算每条直线的长度len和直线与y轴之间的夹角θ,设定直线阈值,筛除直线长度len小于直线阈值的直线;并根据现场拍摄图像的相机角度设定角度阈值,去除不在角度阈值范围内的直线。
优选地,所述步骤4中,直线聚类判别的具体过程为:
(1)计算每条直线中心点坐标(x,y),利用中心点横坐标x将所有直线在X轴方向上进行由低到高排序;获取所有直线中心点坐标中x最小的一根直线l1,沿着x增大的方向依次计算剩余直线与直线l1的直线距离;(2)如果有直线l2与直线l1的直线距离差小于设定阈值,且直线l2与直线l1的角度相似,则判断两条直线属于同一类别;(3)否则不属于同一类,返回步骤(1),针对直线l2和比直线l2中心点的x大的直线之间进行计算和判别,以此类推,获取多组直线群。
优选地,所述步骤4中,聚类后,图像中会呈现出多组直线群(每个直线群为一个直线类别),基于此来提取受电弓滑板图像。具体过程为:对每一组直线群,依次获取其中的所有直线两端端点坐标,根据所有端点坐标可计算获取该直线群所在的最小外接矩形,所述矩形即为滑板图像。
优选地,滑板结构异常判定需结合滑板的空间几何特征,如滑板长度、角度等。所述步骤5判断滑板异常状态的具体过程为:
由于同一线路相机的实际安装角度为固定,根据拍摄图像的相机角度,获取正常受电弓滑板角度的变化范围(m~n);根据滑板图像,计算图像中受电弓滑板的角度;如果当前图像中受电弓滑板的角度不在范围(m~n)内,则判断当前受电弓滑板结构异常;若当前图像中的受电弓滑板角度在范围(m~n)内,计算滑条之间的角度差d,如果d超出设定阈值范围,则判断当前受电弓滑板结构异常;计算当前图像中滑板的长度,如果滑板长度小于设定阈值范围(每一类型的受电弓长度为固定),则判定为受电弓结构异常。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员,在不脱离本发明的精神所做的非实质性改变或改进,都应该属于本发明权利要求保护的范围。
Claims (6)
1.一种受电弓滑板不平行检测方法,其特征在于,具体包括以下过程:
步骤1,实时输入不同类型的受电弓图像;
步骤2,通过高斯平滑的方法对受电弓图像进行滤波去噪处理;
步骤3,采用梯度计算去除垂直方向上的轮廓干扰,再进行形态学处理和纹理特征计算,提取到受电弓图像轮廓;
步骤4,筛除干扰直线,进行直线聚类判别,提取受电弓滑板图像;
所述步骤4中,筛除干扰直线的具体过程为:
计算每条直线的长度len和直线与y轴之间的夹角θ,设定直线阈值,筛除直线长度len小于直线阈值的直线;并根据现场拍摄图像的相机角度设定角度阈值,去除不在角度阈值范围内的直线;
直线聚类判别的具体过程为:
(1)计算每条直线中心点坐标(x,y),利用中心点横坐标x将所有直线在X轴方向上进行由低到高排序;获取所有直线中心点坐标中x最小的一根直线l1,沿着x增大的方向依次计算剩余直线与直线l1的直线距离;(2)如果有直线l2与直线l1的直线距离差小于设定阈值,且直线l2与直线l1的角度相似,则判断两条直线属于同一类别;(3)否则不属于同一类,返回步骤(1),针对直线l2和比直线l2中心点的x大的直线之间进行计算和判别,以此类推,获取多组直线群;
提取受电弓滑板图像具体过程为:对每一组直线群,依次获取其中的所有直线两端端点坐标,根据所有端点坐标可计算获取该直线群所在的最小外接矩形,所述矩形即为滑板图像;
步骤5,根据受电弓滑板图像获取滑板空间几何特征,判断滑板异常状态;
所述步骤5的具体过程为:
根据拍摄图像的相机角度,获取正常受电弓滑板角度的变化范围(m~n);根据滑板图像,计算图像中受电弓滑板的角度;如果当前图像中受电弓滑板的角度不在范围(m~n)内,则判断当前受电弓滑板结构异常;若当前图像中的受电弓滑板角度在范围(m~n)内,计算滑条之间的角度差d,如果d超出设定阈值范围,则判断当前受电弓滑板结构异常;计算当前图像中滑板的长度,如果滑板长度小于设定阈值范围,则判定为受电弓结构异常。
2.如权利要求1所述的受电弓滑板不平行检测方法,其特征在于,所述步骤1中,所述受电弓图像格式为JPG编码,图像尺寸不唯一。
5.如权利要求4所述的受电弓滑板不平行检测方法,其特征在于,所述步骤3中,所述形态学处理包括形态学滤波膨胀和腐蚀处理。
6.如权利要求5所述的受电弓滑板不平行检测方法,其特征在于,所述步骤3中,所述纹理特征计算的具体过程为:遍历图像每个像素,针对该像素在0度、-45度、-90度、-135度方向上灰度值为255的每个像素,分别计算所有长度的行程,滤除掉不满足设定阈值的行程,并将每个行程拟合成一条直线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811194488.0A CN111127381B (zh) | 2018-10-15 | 2018-10-15 | 一种受电弓滑板不平行检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811194488.0A CN111127381B (zh) | 2018-10-15 | 2018-10-15 | 一种受电弓滑板不平行检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127381A CN111127381A (zh) | 2020-05-08 |
CN111127381B true CN111127381B (zh) | 2022-08-16 |
Family
ID=70484017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811194488.0A Active CN111127381B (zh) | 2018-10-15 | 2018-10-15 | 一种受电弓滑板不平行检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127381B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111609813B (zh) * | 2020-05-26 | 2021-11-09 | 成都唐源电气股份有限公司 | 一种基于3d成像的受电弓磨耗测量方法及系统 |
CN113487561B (zh) * | 2021-07-02 | 2023-06-30 | 成都唐源电气股份有限公司 | 基于灰度梯度异常投票的受电弓异物检测方法及装置 |
CN113989666B (zh) * | 2021-10-26 | 2023-01-31 | 中科海拓(无锡)科技有限公司 | 一种高铁受电弓异常检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107588733A (zh) * | 2017-08-21 | 2018-01-16 | 南京理工大学 | 一种基于图像的受电弓滑板磨耗在线检测装置与方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4209525B2 (ja) * | 1998-12-17 | 2009-01-14 | 三菱電機株式会社 | パンタグラフすり板の厚み測定方法 |
CN104175885B (zh) * | 2014-08-13 | 2017-01-11 | 南京铁道职业技术学院 | 一种受电弓碳滑板倾角测量监控装置及其方法 |
CN105158257B (zh) * | 2015-05-21 | 2018-07-20 | 苏州华兴致远电子科技有限公司 | 滑板测量方法及装置 |
JP2017175789A (ja) * | 2016-03-24 | 2017-09-28 | 三菱電機株式会社 | パンタグラフの検査装置、検査方法、及び、検査システム |
CN105957069A (zh) * | 2016-04-25 | 2016-09-21 | 北京铁道工程机电技术研究所有限公司 | 一种受电弓检测方法、装置及系统 |
-
2018
- 2018-10-15 CN CN201811194488.0A patent/CN111127381B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107588733A (zh) * | 2017-08-21 | 2018-01-16 | 南京理工大学 | 一种基于图像的受电弓滑板磨耗在线检测装置与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111127381A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN107704844B (zh) | 基于无人机双目视差图像的输电线路覆冰厚度辨识方法 | |
CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
CN111127381B (zh) | 一种受电弓滑板不平行检测方法 | |
CN109325935B (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN113284109B (zh) | 管道缺陷识别方法、装置、终端设备及存储介质 | |
CN106052575A (zh) | 基于列车高速运行中的受电弓碳滑板磨耗在线检测方法 | |
CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN109300125B (zh) | 一种复杂环境下城轨列车受电弓滑板图像提取方法 | |
CN110910443B (zh) | 基于单监控相机的接触网几何参数实时测量方法及装置 | |
CN107742307A (zh) | 基于改进帧差法的输电线路舞动特征提取及参数分析方法 | |
CN110276747B (zh) | 一种基于图像分析的绝缘子故障检测和故障评级方法 | |
CN107798293A (zh) | 一种道路裂缝检测装置 | |
CN116168028B (zh) | 低可见度下基于边缘滤波的高铁原始图像处理方法和系统 | |
CN112037182A (zh) | 基于时序图像的机车走行部故障检测方法、装置及存储介质 | |
CN108759671B (zh) | 一种接触线磨耗动态检测方法 | |
CN111062933A (zh) | 一种基于视场自适应调节的输电线路覆冰图像检测方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN117611525A (zh) | 一种受电弓滑板磨耗视觉检测方法和系统 | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
CN104504713B (zh) | 一种动车组运行状态图像监控故障自动识别方法 | |
CN116843829A (zh) | 基于双目视频的混凝土结构裂缝三维重建与长度量化方法 | |
CN115388785A (zh) | 一种基于视觉的柔性线束的测量方法及系统 | |
CN114463258A (zh) | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 | |
CN118379294B (zh) | 一种接触网接触线硬弯的智能检测方法 |
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 |