CN111127496B - 一种基于二维直方图和自适应分类的道岔转辙机缺口边缘定位方法 - Google Patents
一种基于二维直方图和自适应分类的道岔转辙机缺口边缘定位方法 Download PDFInfo
- Publication number
- CN111127496B CN111127496B CN201911257746.XA CN201911257746A CN111127496B CN 111127496 B CN111127496 B CN 111127496B CN 201911257746 A CN201911257746 A CN 201911257746A CN 111127496 B CN111127496 B CN 111127496B
- Authority
- CN
- China
- Prior art keywords
- notch
- value
- gap
- classification
- standard deviation
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 title claims description 6
- 238000001914 filtration Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 8
- 238000003708 edge detection Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 101150039774 GAPA1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000750 progressive 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于二维直方图和自适应分类的道岔转辙机缺口边缘定位方法,可用于反映道岔转辙机的运行状态。本发明在转辙机所拍摄的缺口图像之后,利用缺口的相关特征,可以判断缺口是否存在并准确地定位缺口。本发明的技术方案为:构建缺口区域的二维统计直方图,计算出自适应阈值进行分类,根据分类曲线判断缺口是否存在以及实现定位。本发明利用二维最大类间方差法进行阈值计算,自适应性强,适合多种条件下的缺口图像;本发明根据缺口自身特征进行判断定位,精度高,并且实现简单,速度快。
Description
技术领域
本发明属于铁路道岔领域,具体涉及一种基于二维直方图和自适应分类的转辙机缺口边缘定位方法。
背景技术
随着国内轨道交通的不断发展,目前轨道交通的建设已经到了发展的高峰阶段,尤其是高速轨道交通的建设,在这样的情况下,对于轨道交通的行车安全也提出了新的要求,道岔转辙机作为轨道交通的一个不可或缺的部分,其自身的正常的运行时保证行车安全的重要部分。
道岔转辙机的缺口值是反映缺口运行状态的重要指标,通过对道岔转辙机的缺口图像进行缺口边缘检测,得到转辙机设备运行的相关状态,对于保证轨道交通行车的安全性具有重要意义。
然而,相较于其他缺口图像,转辙机的缺口图像复杂度更高,而且受外界因素如光照,遮挡物等的影响更大,这样就使得传统的常见边缘检测方法的效果被削减,往往难以准确获取到缺口边缘的具体位置。因此,基于缺口图像自身均值方差等特性实现缺口边缘检测的方法的优势不言而喻。
发明内容
本发明的发明目的在于:针对当前转辙机缺口边缘检测困难,检测结果不准确等技术问题,公开一种基于二维直方图和自适应分类的道岔转辙机缺口边缘定位方法。
本发明的基于二维直方图和自适应分类的道岔转辙机缺口边缘定位方法,包括下列步骤:
步骤1:提取待检测区域:
基于转辙机所拍摄的缺口图像,在缺口部分提取宽度为W,高度为H的方形区域A;
对方形区域A进行灰度处理后进行滤波处理(如双边滤波、中值滤波、非局部均值滤波等),得到滤波后的方形区域A1;
步骤2:对方形区域A1进行特征提取处理:沿与缺口平行的方向对方形区域进行逐行扫描,计算每一行灰度值的均值与标准差;
步骤3:构建均值标准差二维直方图:直方图的X坐标为步骤2中统计的每一行灰度值的均值,直方图的Y坐标为步骤2中统计的每一行的灰度值的标准差,直方图的Z坐标为当前均值和方差出现的次数;
步骤4:根据均值标准差二维直方图计算自适应阈值:通过二维最大类间方差法(OTSU)计算出均值的阈值S以及标准差的阈值T;
步骤5:利用阈值对缺口进行分类,判断缺口是否存在:
若当前行的均值小于S,且标准差小于T,则将当前行视为缺口类;否则将当前行视为非缺口类;
定义分类结果为缺口类的值为0,分类结果为非缺口类的值为1,由此可以得到沿缺口变化方向的一条分类曲线,分类曲线的X坐标为缺口区域的位置,根据缺口变化方向取值范围为[1,W]或者[1,H],分类曲线的Y坐标为分类结果,取值为0或1;
根据以上分类曲线,若分类曲线呈现以下特征:曲线可分为三个连续部分,第一部分取值全为1,第二部分全为0,第三部分全为1,即称此特征为缺口存在特征,可以判断该检测区域缺口存在,否则判断此缺口不存在;
步骤6:根据分类结果,若检测区域缺口存在,则对缺口位置进行定位:缺口存在的条件下,分类曲线会呈现步骤5所阐述特征,第二部分全为0,即表明该部分被判断为缺口区域,取出该部分最后一个为0的X坐标,该值即为最终检测出的缺口边缘的准确定位位置。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明利用均值和标准差以及二维OTSU进行阈值计算,自适应性强,适合多种条件下的缺口图像;
本发明描述缺口特征的映射曲线符合实际情况,且实现简单,速度快,实时性强;
本发明的利用映射曲线进行定位,精度高,不需要额外的计算。
附图说明
图1是本发明转辙机缺口边缘的定位方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
在本发明的基于二维直方图和自适应分类的转辙机缺口边缘定位方法中,在获取转辙机拍摄图像的检测区域之后,可以统计检测区域的均值和标准差,构建均值标准差二维直方图,并利用二维最大帧间差法进行分类。利用分类结果构建出映射曲线,即可判断缺口是否存在以及定位缺口边缘。
参见图1,本发明的转辙机缺口边缘的定位方法具体包括下列步骤:
步骤1:提取待检测区域。具体实现方法如下:
步骤1-1:输入为转辙机所拍摄的缺口图像I,在待检测缺口部分提取宽度为W,高度为H的方形区域A;
步骤1-2:对方形区域A做灰度处理后进行双边滤波,得到滤波后的方形区域A1;
步骤2:对方形区域A1进行特征提取处理。具体实现方法如下:
步骤2-1:沿与缺口平行的方向对方形区域A1进行逐行扫描得到向量ci,ci是包含该行所有灰度值的一维向量,为了便于后续步骤说明,现假设区域A1的宽度为W的边与缺口平行,则1≤i≤H;
步骤2-2:计算得到每个向量ci所对应的均值ei和标准差σi;
步骤3:构建均值标准差二维直方图。
步骤3-1:为了便于计算,对标准差σi进行取整操作得到[σi];
步骤3-2:二维直方图是一个三维坐标系。直方图的X坐标为步骤2中计算的每一行ci灰度值的均值ei,直方图的Y坐标为步骤3-1中统计的每一行ci灰度值的取整标准差[σi],直方图的Z坐标为当前均值和方差出现的次数;
步骤4:根据均值标准差二维直方图计算自适应阈值。
步骤4-1:由二维直方图可以计算得到均值和方差的联合概率密度:
pi,j=ri,j/N
其中,ri,j为步骤3-2中统计的当前均值和方差出现的次数,N为总的统计行数;
步骤4-2:自适应阈值的思想是选择阈值向量(S,T),它可以最大化缺口类的后验熵和非缺口类的后验熵。
假设阈值向量存在于向量对(s,t)中,则两类的熵可以定义为如下:
H0(s,t)=lnPst+Hst/Pst
H1(s,t)=ln(1-Pst)+(HMN-Hst)/(1-Pst)
于是最终的阈值可由搜索满足下式的(S,T)得到:
即将基于上式搜索得到的向量对(s,t)作为阈值向量(S,T);
步骤5:利用阈值对缺口进行分类,判断缺口是否存在。
步骤5-1:将均值小于S和标准差小于T的每一行视为缺口类,不满足以上条件的行视为非缺口类;
步骤5-2:定义分类结果为缺口类的值为0,分类结果为非缺口类的值为1,由此可以得到沿缺口变化方向的一条分类曲线y(x),分类曲线的X坐标为缺口区域的位置,取值范围为[1,H],分类曲线的Y坐标为分类结果,取值为0或1;
根据以上分类曲线,若曲线呈现以下特征:曲线可分为三个连续部分,第一部分取值全为1,第二部分全为0,第三部分全为1,即称此特征为缺口存在特征,如以下表达式:
步骤5-3:若满足步骤5-2所述特征则判断该检测区域缺口存在,否则判断此缺口不存在;
步骤6:根据分类结果,若检测区域缺口存在,则对缺口位置进行定位。
缺口存在的条件下,取出该部分最后一个为0的X坐标X2,该值即为最终检测出的缺口边缘的准确定位位置。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (2)
1.一种基于二维直方图和自适应分类的道岔转辙机缺口边缘定位方法,其特征在于,包括下列步骤:
步骤1:提取待检测区域并预处理:
基于转辙机所拍摄的缺口图像,在缺口部分提取宽度为W,高度为H的方形区域A;
对方形区域A做灰度处理后进行滤波处理,得到滤波后的方形区域A1;
步骤2:对方形区域A1进行特征提取处理:
沿与缺口平行的方向对方形区域A1进行逐行扫描,计算每一行灰度值的均值与标准差;
步骤3:构建均值标准差二维直方图:
均值标准差二维直方图的X、Y和Z坐标分别为:
X坐标为步骤2中统计的每一行灰度值的均值;
Y坐标为步骤2中统计的每一行的灰度值的标准差;
Z坐标为当前均值和方差出现的次数;
步骤4:根据均值标准差二维直方图计算自适应阈值:
通过二维最大类间方差法计算出均值的阈值S以及标准差的阈值T;
步骤5:利用阈值对缺口进行分类,判断缺口是否存在:
基于均值的阈值S与标准差的阈值T对每一行进行缺口判断:若当前行的均值小于S,且标准差小于T,则将当前行视为缺口类;否则将当前行视为非缺口类;
定义分类结果为缺口类的值为0,分类结果为非缺口类的值为1,从而得到沿缺口变化方向的一条分类曲线,分类曲线的X坐标为缺口区域的位置,根据缺口变化方向取值范围为[1,W]或者[1,H],分类曲线的Y坐标为分类结果,取值为0或1;
若分类曲线能被划分为三个连续部分,且满足:第一部分取值全为1,第二部分全为0,和第三部分全为1;则判定待检测区域缺口存在;否则判定待检测区域缺口不存在;
步骤6:若待检测区域缺口存在,则对缺口位置进行定位:
将分类曲线的第二部分的最后一个为0的X坐标作为最终检测出的缺口边缘的准确定位位置。
2.如权利要求1所述的方法,其特征在于,在步骤1中,滤波处理采用具有边缘保持特性的滤波器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911257746.XA CN111127496B (zh) | 2019-12-10 | 2019-12-10 | 一种基于二维直方图和自适应分类的道岔转辙机缺口边缘定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911257746.XA CN111127496B (zh) | 2019-12-10 | 2019-12-10 | 一种基于二维直方图和自适应分类的道岔转辙机缺口边缘定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111127496A CN111127496A (zh) | 2020-05-08 |
CN111127496B true CN111127496B (zh) | 2022-07-29 |
Family
ID=70498024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911257746.XA Expired - Fee Related CN111127496B (zh) | 2019-12-10 | 2019-12-10 | 一种基于二维直方图和自适应分类的道岔转辙机缺口边缘定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111127496B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102490764A (zh) * | 2011-12-13 | 2012-06-13 | 天津卓朗科技发展有限公司 | 铁轨道岔缺口自动检测方法 |
CN102556119A (zh) * | 2011-12-19 | 2012-07-11 | 济南铁路天龙高新技术开发有限公司 | 直接采集铁路转辙机表示杆缺口图像测得缺口数据的方法 |
CN102673611A (zh) * | 2011-12-19 | 2012-09-19 | 济南铁路天龙高新技术开发有限公司 | 一种铁路转辙机表示杆缺口视频监测方法及系统 |
CN102749034A (zh) * | 2012-06-27 | 2012-10-24 | 浙江大学 | 基于图像处理的铁路道岔缺口偏移量检测方法 |
JP2015194935A (ja) * | 2014-03-31 | 2015-11-05 | 富士通株式会社 | 車線区分線検出装置、車線区分線検出方法及びプログラム |
EP3048559A1 (en) * | 2015-01-21 | 2016-07-27 | RindInvest AB | Method and system for detecting a rail track |
CN107578410A (zh) * | 2017-04-26 | 2018-01-12 | 济南铁路天龙高新技术开发有限公司 | 转辙机缺口图像自动识别方法 |
CN108573283A (zh) * | 2018-04-12 | 2018-09-25 | 大连理工大学 | 一种转辙机缺口监控防漏报的设计方法 |
CN110264453A (zh) * | 2019-06-19 | 2019-09-20 | 深圳市迈进科技有限公司 | 一种转辙机缺口监测的标定方法及系统 |
CN110310255A (zh) * | 2019-05-24 | 2019-10-08 | 同济大学 | 基于目标检测和图像处理的转辙机缺口检测方法 |
CN110363742A (zh) * | 2019-04-19 | 2019-10-22 | 上海铁大电信科技股份有限公司 | 一种基于cnn和图像处理的转辙机缺口检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018175772A1 (en) * | 2017-03-23 | 2018-09-27 | Harsco Technologies LLC | Track feature detection using machine vision |
-
2019
- 2019-12-10 CN CN201911257746.XA patent/CN111127496B/zh not_active Expired - Fee Related
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102490764A (zh) * | 2011-12-13 | 2012-06-13 | 天津卓朗科技发展有限公司 | 铁轨道岔缺口自动检测方法 |
CN102556119A (zh) * | 2011-12-19 | 2012-07-11 | 济南铁路天龙高新技术开发有限公司 | 直接采集铁路转辙机表示杆缺口图像测得缺口数据的方法 |
CN102673611A (zh) * | 2011-12-19 | 2012-09-19 | 济南铁路天龙高新技术开发有限公司 | 一种铁路转辙机表示杆缺口视频监测方法及系统 |
CN102749034A (zh) * | 2012-06-27 | 2012-10-24 | 浙江大学 | 基于图像处理的铁路道岔缺口偏移量检测方法 |
JP2015194935A (ja) * | 2014-03-31 | 2015-11-05 | 富士通株式会社 | 車線区分線検出装置、車線区分線検出方法及びプログラム |
EP3048559A1 (en) * | 2015-01-21 | 2016-07-27 | RindInvest AB | Method and system for detecting a rail track |
CN107578410A (zh) * | 2017-04-26 | 2018-01-12 | 济南铁路天龙高新技术开发有限公司 | 转辙机缺口图像自动识别方法 |
CN108573283A (zh) * | 2018-04-12 | 2018-09-25 | 大连理工大学 | 一种转辙机缺口监控防漏报的设计方法 |
CN110363742A (zh) * | 2019-04-19 | 2019-10-22 | 上海铁大电信科技股份有限公司 | 一种基于cnn和图像处理的转辙机缺口检测方法 |
CN110310255A (zh) * | 2019-05-24 | 2019-10-08 | 同济大学 | 基于目标检测和图像处理的转辙机缺口检测方法 |
CN110264453A (zh) * | 2019-06-19 | 2019-09-20 | 深圳市迈进科技有限公司 | 一种转辙机缺口监测的标定方法及系统 |
Non-Patent Citations (3)
Title |
---|
李海峰.转辙机在线监控系统在地铁的应用.《中国优秀硕士学位论文全文数据库 工程科技II辑》.2014,C033-186. * |
李萌.转辙机表示缺口的图像监测板设计.《中国优秀硕士学位论文全文数据库 工程科技II辑》.2014,C033-37. * |
魏文军 等.基于EEMD多尺度样本熵的S700K转辙机故障诊断.《中南大学学报(自然科学版)》.2019,第50卷(第11期),2763-2772. * |
Also Published As
Publication number | Publication date |
---|---|
CN111127496A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
Kim et al. | Adaptive smoothness constraints for efficient stereo matching using texture and edge information | |
CN109461148A (zh) | 基于二维Otsu的钢轨缺陷分割自适应快速算法 | |
CN104268872B (zh) | 基于一致性的边缘检测方法 | |
CN108764119B (zh) | 基于迭代最大类间方差的sar图像变化检测方法 | |
Chauhan et al. | Binarization techniques for degraded document images—A review | |
CN102999886A (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN104537342B (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
CN103942797A (zh) | 基于直方图和超像素的场景图像文字检测方法及系统 | |
CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
CN111145197B (zh) | 一种精确的基于直方图和局部梯度的道岔转辙机缺口边缘定位方法 | |
CN107730521B (zh) | 一种图像中屋脊型边缘的快速检测方法 | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN105719275A (zh) | 一种并行组合的图像缺陷分割方法 | |
CN115578398A (zh) | 一种基于区域增长法的焊缝点云分割方法 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN103020953A (zh) | 一种指纹图像的分割方法 | |
CN110427979A (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
CN105389793A (zh) | 一种自动识别物体表面裂缝走向及宽度的方法 | |
CN111340815B (zh) | 一种基于大津法与k均值法的自适应图像分割方法 | |
CN113538500B (zh) | 图像分割方法、装置、电子设备和存储介质 | |
CN103413138B (zh) | 一种红外图像序列中点目标检测方法 | |
CN110473215A (zh) | 一种用于架空配电线路监测场景的图像分割方法 | |
CN111127496B (zh) | 一种基于二维直方图和自适应分类的道岔转辙机缺口边缘定位方法 | |
CN114066924A (zh) | 一种菌落的分类方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220729 |