CN111626977A - 一种基于图像识别的钢轨表面检测方法 - Google Patents

一种基于图像识别的钢轨表面检测方法 Download PDF

Info

Publication number
CN111626977A
CN111626977A CN201911163955.8A CN201911163955A CN111626977A CN 111626977 A CN111626977 A CN 111626977A CN 201911163955 A CN201911163955 A CN 201911163955A CN 111626977 A CN111626977 A CN 111626977A
Authority
CN
China
Prior art keywords
steel rail
image
gray level
rail
image recognition
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.)
Withdrawn
Application number
CN201911163955.8A
Other languages
English (en)
Inventor
梁帆
余旸
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.)
Dongguan Prophet Big Data Co ltd
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201911163955.8A priority Critical patent/CN111626977A/zh
Publication of CN111626977A publication Critical patent/CN111626977A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30136—Metal
    • 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
    • G06T2207/30164—Workpiece; Machine component

Abstract

本发明涉及轨道交通及钢轨探伤领域，具体涉及一种基于图像识别的钢轨表面伤损检测方法：S1，使用高速超清摄像头采集钢轨表面图像；S2，将钢轨表面伤损图像转化为灰度图；S3，计算图像的灰度共生矩阵；S4，根据灰度共生矩阵计算纹理特征量；S5，建立梯度上升模型(Gradient Boosting)，用于伤损类型分类；S6，输入待判定的钢轨表面图像输入到训练完成的梯度上升模型，即得到对应的伤损类型。本发明的优点是实现了对钢轨表面伤损的自动化精准判别，提高判伤的精准度和效率，能够有效预防断轨事故的发生。

Description

一种基于图像识别的钢轨表面检测方法
技术领域
本发明涉及轨道交通及钢轨探伤领域，具体涉及一种基于图像识别的钢轨表面检测方法。
背景技术
随着我国轨道交通网络布局的扩大，对轨道的速度、安全要求也不断提高。列车在行驶过程与钢轨表面摩擦接触，导致钢轨表面出现不同程度的伤损缺陷，影响行驶安全。现有的钢轨表面伤损检测通常采用超声波检测、三维检测等技术与人工检测结合，这些方法技术虽然能够达到检测目的，但是容易受外部的干扰，而且效率与精准度不高，需要人工判断缺陷并手动记录缺陷的类型及标记区域。
发明专利CN101893580B基于数字图像的钢轨表面缺陷检测方法中通过输入钢轨图像中提取钢轨区域，并模拟人类视觉机制，将灰度图转换为对比度图，从而对可疑缺陷区域进行定位及判定。但是此发明仅对钢轨顶部表面进行检测，检测覆盖面有限，钢轨两侧的伤损情况被忽略。此发明方法仅实现了缺陷判伤，无法实现伤损模型的自动识别。而本发明针对现有技术的不足，提出了一种基于图像识别的钢轨表面检测方法，实现钢轨顶部及两侧表面伤损的精准检测，建立伤损模型库，自动识别伤损类型，提高检测效率和精度，减少人工干涉，为铁路部门减少人工成本，提高了工作效率，有效预防安全事故的发生。
发明内容
有鉴于此，针对现有的钢轨表面检测技术存在的问题，本发明提供一种基于图像识别的钢轨表面检测方法，使用计算机视觉的方法实现对钢轨表面伤损的特征提取和精准分类，以有效解决上述技术背景中存在的问题。
本发明采用以下技术方案实现。
一种基于图像识别的钢轨表面检测方法，其特征在于，包含以下步骤：
S1，使用高速超清摄像头采集钢轨表面图像，所采用的高速超清摄像头是采用可调焦、无畸变的摄像头，帧数在30帧/秒以上、分辨率至少在640*480以上，曝光时间在400-500μm/s。摄像头安装位置离钢轨表面最佳距离在5-10cm，成像角度范围30-90度之间，能够采集钢轨顶部以及两侧表面情况，包括钢轨上的记号，螺孔等。小车前进速度为1.2m/s，在曝光时间内小车前进0.5mm的情况下，成像效果可以满足要求，可计算曝光时间为417μm/s。
S2，将钢轨表面伤损图像转化为灰度图；在对伤损表面图像进行处理时，采用对R，G，B加权平均的方法，计算公式如下：I(x,y)＝wR*IR+wG*IG+wR*IB。
S3，计算图像的灰度共生矩阵。设f(x,y)为一幅数字图像，其大小为M*N,灰度级别为Ng，则满足一定空间关系的灰度共生矩阵为：
P(i,j)＝#{(x1,y1),(x2,y2)∈MXN|f(x1,y1)＝i,f(x2,y2)＝j}
灰度共生矩阵的其中#(x)表示集合x中的元素个数，显然P为NgXNg的矩阵，若(x1,y1),(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵(i,j,d,θ)。其中元素(i,j)的值表示一个灰度为i，另一个灰度为j的两个相距为d的像素对在角的方向上出现的次数。
S4，根据灰度共生矩阵计算纹理特征量，包括反差特征，能量特征，熵特征和相关性特征。对以上特征提取后，即得到特征集合{(x1,y1),(x2,y2),…(xn,yn)}
S5，建立梯度上升模型(Gradient Boosting)，用于伤损类型分类。以纹理特征量和人工标记的伤损类型作为输入，得到训练完成的模型。
S6，将输入待判定的钢轨表面图像输入训练完成的梯度上升模型，即得到对应的伤损类型。
本发明的有益效果
本发明提出了一种基于图像识别的钢轨表面检测方法，能够对钢轨顶部以及两侧表面缺陷以及钢轨上的记号、螺孔、导孔等进行综合分析，智能识别、自动判定伤损类别，提高检测的效率、精准度，并可准确定位缺陷的位置，减少人工目检的成本，同时基于自动识别的伤损数据有利于溯源和归档，能够为钢轨的健康诊断及换轨决策提供数据支持。
附图说明
图1是一种基于图像识别的钢轨表面检测方法的流程示意图；
图2是鱼鳞伤的钢轨表面图像；
图3是对鱼鳞伤的钢轨表面图像转换后生成的灰度图。
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述，这些实施例仅用于说明本发明，并不是对本发明保护范围的限制。
如图1所示，本发明所述的基于图像识别的钢轨表面检测方法，包括高速超清摄像头采集钢轨表面图像，钢轨表面图像转化为灰度图，计算灰度共生矩阵，计算纹理特征量，训练梯度上升模型，使用训练完成的梯度上升模型进行判伤六部分。
具体实现如下：
基于图像识别的钢轨表面检测方法，其特征在于，包含以下步骤：
S1，使用高速超清摄像头采集钢轨表面图像；所采用的高速超清摄像头是采用可调焦、无畸变的摄像头，帧数在30帧/秒以上、分辨率至少在640*480以上，曝光时间在400-500μm/s。摄像头安装位置离钢轨表面最佳距离在5-10cm，成像角度范围30-90度之间，能够采集钢轨顶部以及两侧表面情况，包括钢轨上的记号，螺孔等。
S2，将钢轨表面伤损图像转化为灰度图。采用对R，G，B加权平均的方法，计算公式如下：I(x,y)＝wR*IR+wG*IG+wB*IB。在对伤损图像转化成灰度图时，wR＝0.3,wG＝0.59,wB＝0.11的效果最优。
S3，计算图像的灰度共生矩阵。设f(x,y)为一幅数字图像，其大小为M*N,灰度级别为Ng，则满足一定空间关系的灰度共生矩阵为：
P(i,j)＝#{(x1,y1),(x2,y2)∈MXN|f(x1,y1)＝i,f(x2,y2)＝j}
灰度共生矩阵的其中#(x)表示集合x中的元素个数，显然P为NgXNg的矩阵，若(x1,y1),(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵(i,j,d,θ)。其中元素(i,j)的值表示一个灰度为i，另一个灰度为j的两个相距为d的像素对在角的方向上出现的次数。
S4，根据灰度共生矩阵计算纹理特征量。采用以下纹理特征量：
S41，反差特征。计算公式为：Con＝∑i,j|i-j|2P(i,j)
S42，能量特征。计算公式为：Asm＝∑i∑jP(i,j)2
S43，熵特征。计算公式为：Ent＝-∑i∑jP(i,j)logP(i,j)
S44，相关性特征。计算公式为：Corr＝[∑i∑j((i,j)P(i,j))-μxμy]/σxσy
对以上特征提取后，即得到特征集合{(x1,y1),(x2,y2),…(xn,yn)}
S5，建立梯度上升模型(Gradient Boosting)，用于伤损类型分类。以纹理特征量和人工标记的伤损类型作为输入，得到训练完成的模型。模型训练的基本步骤如下：
S51，初始化模型。
Figure BDA0002286916040000031
S52，对于i＝1,2…,n，计算残差。残差的计算公式为：
Figure BDA0002286916040000032
Figure BDA0002286916040000033
F(x)＝Fm-1(x)。
S53，计算乘数γm。
Figure BDA0002286916040000034
S54，更新模型Fm-1(x)+γmhm(x)。
S55，输出模型Fm(x)，即得到钢轨表面的检测判定模型。
S6，将输入待判定的钢轨表面图像输入训练完成的梯度上升模型，即得到对应的伤损类型。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于图像识别的钢轨表面检测方法，其特征在于，包含以下步骤：
S1，使用高速超清摄像头采集钢轨表面图像；
S2，将钢轨表面伤损图像转化为灰度图；
S3，计算图像的灰度共生矩阵；
S4，根据灰度共生矩阵计算纹理特征量；
S5，建立梯度上升模型(Gradient Boosting)；
S6，将输入待判定的钢轨表面图像输入训练完成的梯度上升模型，即得到对应的伤损类型。
2.根据权利要求1所述的一种基于图像识别的钢轨表面检测方法，其特征在于，所采用的高速超清摄像头是采用可调焦、无畸变的摄像头，帧数在30帧/秒以上、分辨率至少在640*480以上，曝光时间在400-500μm/s。摄像头安装位置离钢轨表面最佳距离在5-10cm，成像角度范围30-90度之间，能够采集钢轨顶部以及两侧表面情况，包括钢轨上的记号，螺孔等。小车前进速度为1.2m/s，在曝光时间内小车前进0.5mm的情况下，成像效果可以满足要求，可计算曝光时间为417μm/s。
3.根据权利要求1所述的一种基于图像识别的钢轨表面检测方法，其特征在于，在对伤损表面图像进行处理时，采用对R，G，B加权平均的方法，所述的加权平均方法计算公式如下：I(x,y)＝wR*IR+wG*IG+wB*IB。
4.根据权利要求1所述的一种基于图像识别的钢轨表面检测方法，其特征在于，所述的S3中计算共生矩阵时设定f(x,y)为一幅数字图像，其大小为M*N,灰度级别为Ng，则满足一定空间关系的灰度共生矩阵为：P(i,j)＝#{(x1,y1),(x2,y2)∈MXN|f(x1,y1)＝i,f(x2,y2)＝j}其中所述的灰度共生矩阵#(x)表示集合x中的元素个数，显然P为NgXNg的矩阵，若(x1,y1),(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵(i,j,d,θ)。
5.根据权利要求3所述的一种基于图像识别的钢轨表面检测方法，其特征在于，其中元素(i,j)的值表示一个灰度为i，另一个灰度为j的两个相距为d的像素对在角的方向上出现的次数。
6.根据权利要求1所述的一种基于图像识别的钢轨表面检测方法，其特征在于，所述的S4中特征量包括反差特征，能量特征，熵特征和相关性特征。
7.根据权利要求1或4所述的一种基于图像识别的钢轨表面检测方法，其特征在于，通过对特征量进行特征提取后，即得到特征集合{(x1,y1),(x2,y2),…(xn,yn)}。
8.根据权利要求1所述的一种基于图像识别的钢轨表面检测方法，其特征在于，所述的建立梯度上升模型用于伤损类型分类。以纹理特征量和人工标记的伤损类型作为输入，得到训练完成的模型。
CN201911163955.8A 2019-11-25 2019-11-25 一种基于图像识别的钢轨表面检测方法 Withdrawn CN111626977A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911163955.8A CN111626977A (zh) 2019-11-25 2019-11-25 一种基于图像识别的钢轨表面检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911163955.8A CN111626977A (zh) 2019-11-25 2019-11-25 一种基于图像识别的钢轨表面检测方法

Publications (1)

Publication Number Publication Date
CN111626977A true CN111626977A (zh) 2020-09-04

Family

ID=72258794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911163955.8A Withdrawn CN111626977A (zh) 2019-11-25 2019-11-25 一种基于图像识别的钢轨表面检测方法

Country Status (1)

Country Link
CN (1) CN111626977A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639452A (zh) * 2009-09-11 2010-02-03 北京科技大学 一种钢轨表面缺陷的三维检测方法
CN104535581A (zh) * 2015-01-15 2015-04-22 无锡北斗星通信息科技有限公司 钢轨损伤探测推车
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
CN105548197A (zh) * 2015-12-08 2016-05-04 深圳大学 一种非接触的钢轨表面伤损检测方法及其装置
CN107423744A (zh) * 2017-03-23 2017-12-01 北京环境特性研究所 钢绳芯输送带的接头识别及损伤定位方法
WO2018143278A1 (ja) * 2017-01-31 2018-08-09 株式会社エクォス・リサーチ 画像処理装置、画像認識装置、画像処理プログラム、及び画像認識プログラム
CN109036556A (zh) * 2018-08-29 2018-12-18 王雁 一种基于机器学习诊断圆锥角膜病例的方法
CN109910947A (zh) * 2019-01-28 2019-06-21 北京城建设计发展集团股份有限公司 搭载式轨道健康状态动态监测与智慧分析系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101639452A (zh) * 2009-09-11 2010-02-03 北京科技大学 一种钢轨表面缺陷的三维检测方法
CN104535581A (zh) * 2015-01-15 2015-04-22 无锡北斗星通信息科技有限公司 钢轨损伤探测推车
CN104866862A (zh) * 2015-04-27 2015-08-26 中南大学 一种带钢表面面积型缺陷识别分类的方法
CN105548197A (zh) * 2015-12-08 2016-05-04 深圳大学 一种非接触的钢轨表面伤损检测方法及其装置
WO2018143278A1 (ja) * 2017-01-31 2018-08-09 株式会社エクォス・リサーチ 画像処理装置、画像認識装置、画像処理プログラム、及び画像認識プログラム
CN107423744A (zh) * 2017-03-23 2017-12-01 北京环境特性研究所 钢绳芯输送带的接头识别及损伤定位方法
CN109036556A (zh) * 2018-08-29 2018-12-18 王雁 一种基于机器学习诊断圆锥角膜病例的方法
CN109910947A (zh) * 2019-01-28 2019-06-21 北京城建设计发展集团股份有限公司 搭载式轨道健康状态动态监测与智慧分析系统及方法

Similar Documents

Publication Publication Date Title
Wei et al. Defect detection of pantograph slide based on deep learning and image processing technology
CN109101924B (zh) 一种基于机器学习的路面交通标志识别方法
CN106557764B (zh) 一种基于二进制编码字符水尺和图像处理的水位识别方法
CN113971779B (zh) 一种基于深度学习的水尺自动读数方法
US9031282B2 (en) Method of image processing and device therefore
CN106934800B (zh) 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置
CN110310255B (zh) 基于目标检测和图像处理的转辙机缺口检测方法
WO2016015547A1 (zh) 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统
CN109409355B (zh) 一种新型变压器铭牌识别的方法及装置
CN109325404A (zh) 一种公交场景下的人数统计方法
CN101751603A (zh) 在线棒型材图像自动计数设备及方法
CN108694349B (zh) 一种基于线阵相机的受电弓图像提取方法及装置
CN109376740A (zh) 一种基于视频的水尺读数检测方法
CN111667475B (zh) 一种基于机器视觉的大枣分级检测方法
CN107727658A (zh) 基于图像处理的受电弓裂纹在线检测装置及方法
CN109934135B (zh) 一种基于低秩矩阵分解的铁轨异物检测方法
CN109978940A (zh) 一种sab安全气囊尺寸视觉测量方法
CN110991360A (zh) 一种基于视觉算法的机器人巡检点位智能配置方法
Zhao et al. Image-based comprehensive maintenance and inspection method for bridges using deep learning
CN108665468B (zh) 一种提取直线塔绝缘子串的装置及方法
Liang et al. Research on concrete cracks recognition based on dual convolutional neural network
CN111626977A (zh) 一种基于图像识别的钢轨表面检测方法
CN112926563A (zh) 一种钢卷喷印标记故障诊断系统
Saini et al. Feature-based template matching for joggled fishplate detection in railroad track with drone images
CN116229236A (zh) 一种基于改进YOLO v5模型的结核杆菌检测方法

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
TA01 Transfer of patent application right

Effective date of registration: 20220921

Address after: Room 102, Building 7, No. 124, Dongbao Road, Dongcheng Street, Dongguan City, Guangdong Province, 523015

Applicant after: Dongguan prophet big data Co.,Ltd.

Address before: R&D Building, No. 2, Weifeng Road, Waijing Industrial Park, Niushan Community, Dongcheng Street, Dongguan City, Dongguan City, Guangdong Province, 523128

Applicant before: Liang Fan

Applicant before: Yu Yang

TA01 Transfer of patent application right
WW01 Invention patent application withdrawn after publication

Application publication date: 20200904

WW01 Invention patent application withdrawn after publication