CN111723792A - 适用于刚柔接触网的实时定位点识别方法 - Google Patents
适用于刚柔接触网的实时定位点识别方法 Download PDFInfo
- Publication number
- CN111723792A CN111723792A CN202010590592.2A CN202010590592A CN111723792A CN 111723792 A CN111723792 A CN 111723792A CN 202010590592 A CN202010590592 A CN 202010590592A CN 111723792 A CN111723792 A CN 111723792A
- Authority
- CN
- China
- Prior art keywords
- image
- line
- positioning
- rigid
- point
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
- G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于本发明接触网智能检测技术领域,公开了一种适用于刚柔接触网的实时定位点识别方法,包括图像预处理步骤、接触线区域定位步骤、柔性定位点定位步骤和刚性定位点定位步骤,这种实时刚、柔性接触网的定位点识别方法,基于图像处理检测技术,实现对接触网定位点的非接触式检测以及梯度的图像处理方案,通过线条提取、线条聚类的方式形成接触线候选区域、采用定位杆定位的方式实现柔性定位点定位、采用绝缘子特征识别的方式实现刚性定位点定位,相比采用电子标签、雷达或GPS等定位点识别方案检测效率实施成本更低、检测效率更高、定位可靠性更好。
Description
技术领域
本发明接触网智能检测技术领域,尤其涉及一种适用于刚柔接触网的实时定位点识别方法。
背景技术
在电气化铁路设计中,接触网主要由接触悬挂、定位装置、支持装置、支柱及相关基础设施等构成,是沿铁路线上空架设的一种特殊输电线路。它的功能是通过导线与受电弓之间的接触,从而为电力机车提供电能。接触网的导线可分为刚性导线和柔性导线两种类型,柔性导线主要应用于露天环境的线路设计,而刚性导线主要应用于地铁等线路的隧道环境中。而评价接触网受流性能主要参考两个状态参数:几何参数和动力学参数。几何参数包括导线高度、拉出值、定位管坡度、线岔、导线磨耗和支柱位置等,而对接触网进行几何参数评价则要求必须要能够对接触网定位点进行准确的定位检测。
在接触网几何参数测量中,由于存在两种不同类型的导线,并且两种导线的设计高度不一致。因此,在实际测量过程中,将会存在一个线路刚柔过渡区间,该区间由刚性导线逐步过渡为柔性导线,或反之。而目前主要的基于非接触式几何参数测量方法,根据导线不同类型,在不同的线路区间独立分开测量几何参数数据,在完成整条线路的数据测量之后,最后对线路所有完整数据进行整合,整合的参考标准主要是不同类型导线的安装位置。按照这种方法,由于线路刚柔过渡区间同时具备两种不同类别的导线,因此测量数据将会发生较大误差。
目前,定位点检测技术被应用于接触网,用以作为接触网缺陷检测系统中触发面阵相机进行图像采集拍摄的依据,同时也将其作为一杆一档数据存储以及管理的依据。定位点检测准确与否,将极大地影响面阵相机触发的准确度,进而影响后续的数据分析难度、增加数据分析的漏检率、工作量以及一杆一档数据存储的准确性。
在现有技术中,有一些基于雷达的检测技术的接触网识别检修技术方案,如公开号为CN205097980U,公开时间为2016年3月23日,名称为“一种基于激光雷达的接触网检测检修车”的中国实用新型专利文献,公开的技术方案中包括检测车体、数据采集单元、升降旋转作业平台和用于数据分析处理的服务器;数据采集单元设置在检测车体上,所述升降旋转作业平台可升降和旋转地设置在所述检测车体顶部的后方;所述升降旋转作业平台上设置有显示和操控面板;所述服务器分别与数据采集单元、显示和操控面板连接,数据采集单元所采集的数据经所述服务器分析处理后传输到所述显示和操控面板上。但是根据实际使用的经验而言,这种基于基于雷达的检测技术缺点为检测频率低下,不适合速度快的列车,在当前轨道交通大提速的要求下,缺陷比较明显。
而除了基于雷达的检测技术,当前还有一些其他的适用于接触网定位点检测的技术方案,比如基于电子标签的检测技术和基于GPS的检测技术,但是这些新技术同样也存在一些问题:基于电子标签的检测技术,虽然检测精度高,但是投资成本太大,需要在所有被检对象上添加对应的电子标签才能实现,这是物力和人力的超高投入才能实现的,特别是对于既有线路的改造;而基于GPS的检测技术,同样具有高建设和运维成本的问题,而且该技术在隧道和有遮挡及干扰的情况下信号差,很容易漏定位,精密度不足。
发明内容
为了克服上述现有技术中存在的问题和不足,本发明旨在于提供一种适用于刚柔接触网的实时定位点识别方法。
本发明提供的这种适用于刚柔接触网的实时定位点识别方法,包括图像预处理步骤、接触线区域定位步骤、柔性定位点定位步骤和刚性定位点定位步骤;
所述图像预处理步骤,是输入采集到的原始图像,对原始图像进行灰度增强处理提高原始图像的质量、增强对比度等;
所述接触线区域定位步骤则是用于将经过图像预处理步骤灰度增强处理的图像,依次通过水平梯度计算、线条提取、线条聚类形成候选区域和区域筛选处理,分别定位出图像中包含的柔性接触或刚性接触线的候选区域;
所述柔性定位点定位步骤,首先将经过所述接触线区域定位步骤定位出的候选区域作为输入图像,遍历输入图像的灰度图像像素点,分别统计像素点在0°、-45°、-90°、-135°方向上连续灰度值为大于设定阈值的像素段作为行程,即为所有长度的行程,并根据行程长度是否符合设定阈值来提取特征行程;然后再遍历上述所有特征行程,并以所述特征行程中点为中心向四周扩张,截取设定尺寸的小图并对小图进行二值化处理;再对经过二值化处理的小图进行连通域处理,并计算连通域的包括面积、长宽比、周长数值在内的几何参数特征,将各几何参数特征均满足设定条件的连通域标记为柔性定位点输出;
所述刚性定位点定位步骤,包括绝缘子样本图像特征提取和定位扫描;首先,所述绝缘子样本图像特征提取包括从包含各类绝缘子的现有的图像数据中找出各类绝缘子的图像并进行绝缘子区域小图截图,将截取后的小图归一化到同一尺寸作为绝缘子样本图像,需要说明的是,这里的小图是指相对之前的图像的尺寸更小;然后将所述绝缘子样本图像在设定尺寸的窗口内进行像素识别和标记得到每张绝缘子样本图像的特征,具体的,这里采用预设的尺寸为N*N(N为奇数)窗口遍历所述绝缘子样本图像,依次计算所述窗口内各个非中心像素与中心像素灰度值做差的正负标记值记为第一特征;采用所述预设的N*N窗口遍历所述绝缘子样本图像,依次计算所述窗口内各个像素灰度值与预设灰度值做差的正负标记值,并统计标记值的水平和垂直方向统计数记为第二特征;串联所述第一特征和第二特征得到所述绝缘子样本图像特征;所述定位扫描包括采用滑动窗口遍历所述接触线区域定位步骤中得到的候选区域,将所述滑动窗口内包含的第一特征和/或第二特征串联而成的图像特征记为滑动窗口图像特征,计算所述滑动窗口图像特征与所述绝缘子样本图像特征的相似度,将满足相似度阈值的滑动窗口图像判定为刚性定位点,输出所述刚性定位点区域。
优选地,所述图像预处理步骤,是以数值梯度函数gradient(x,y)计算原始图像G(x,y)中的每个像素点的梯度数值,并将结果与原始图像G(x,y)进行叠加得到增强后图像G’(x,y),即G’(x,y)=G(x,y)+gradient(x,y),如果图像中相邻像素值有变化,即有梯度,将梯度与对应的原始像素相加,灰度值变大;反之,梯度为0,则原始像素无变化,也就是说,相加后的新图像,对比度明显增强,尤其是图像中物体的轮廓和边缘,与背景的区别明显增加。
而所述接触线区域定位步骤中,所述梯度计算是为了求取图像在一个方向的梯度图并去除与其他方向的物体干扰以减少后续程序处理时间,所述梯度计算其具体方法为:设经过图像预处理步骤增强处理的图像沿Y方向展布,从图像上看,接触线区域与x轴的角度约为90度,对经过图像预处理步骤增强处理的图像进行x方向的梯度计算,从而滤除图像中其他方向的梯度信息,其中图像中每个像素点(x,y)x方向的梯度为
Gx(x,y)=H(x+1,y)-H(x-1,y)
其中H(x+1,y)、H(x-1,y)为像素点两侧像素点的灰度值。
优选地,所述接触线区域定位步骤中,线条提取是设置一固定灰度阈值,按行依次遍历经过所述梯度计算后的图像中的每个像素点,当某一像素点的灰度值大于阈值时,将其标记为1;然后对每一行中连续标记为1的区间计算区间的中点,该中点作为该区间的一个线条候选点;然后将相邻两行的在x方向上距离指定像素以内的所述线条候选点进行连接并视为同一线条输出,否则视为不同线条输出。
所述接触线区域定位步骤中,线条聚类首先是依次遍历所述线条提取得到的每根线条,计算每根线条中所有像素点在x方向的平均值x_mean,依据x_mean对所有线条从小到大进行排序,即在x方向从左到右进行排序;
然后对排完序的线条进行聚类,所述线条聚类是形成候选区域,将第一根线条归为第一类,第一根线条即排序完成后的第一根,然后从左到右从第二根线条起始依次遍历每根线条,利用平均值x_mean计算其与之前所有类中的首根线条以及最后一根线条在x方向的距离,如果距离满足阈值条件,则将其归为同一类,若与之前的所有类都不满足距离的阈值条件,则将其单独归为一类;最终,每一类为一个包含接触线的候选区域,这里需要说明的是,这个接触线的候选区域包含柔性和刚性两种接触线。
所述接触线区域定位步骤中,区域筛选是计算线条聚类后得到的所有候选区域的区域宽度,已知候选区域内所有线条的中所有像素点在x方向的平均值x_mean,计算首根线条和最后一根线条的x_mean之差(就是每一根线条的横坐标做差;最左、最右的差就是宽度),即为区域宽度,根据区域宽度即可筛选出包含接触线的最终的候选区域,如根据区域宽度是否符合柔性或刚性接触线区域宽度阈值区间判别出柔性接触线区域或刚性接触线区域。
具体的,所述柔性定位点定位步骤中设定阈值,是采用迭代最优阈值的方式确定的,所述迭代最优阈值,是假设没有相关物体确切位置的先验知识,作为第一步近似,考虑图像四角含有背景像素而其他部分含有物体像素,具体的,在第t步,分别计算背景和物体的灰度均值和其中在第t步将图像分割为背景和物体的阈值是Tt,它是在第S3步确定的:
S3,如果Tt+1=Tt停止;否则返回第S2步。
得到区域质心后,遍历连通域每个坐标点,计算区域中离质心的最近点p1和最远点p2;定义最近点p1与质心的距离为短轴D1,最远点p2与质心的距离为长轴D2,则长宽比pwr=D2/D1。
而所述计算连通域的周长,区域的周长主要有两种定义方式:
2、将边界像素点所占的面积定义为周长,即边界点所占的像素点数目。
进一步地,所述刚性定位点定位步骤中的定位扫描,计算所述滑动窗口内图像的滑动窗口图像特征之前,还包括对所述滑动窗口内图像进行镜像边界扩充,且为了避免漏定位,还可只进行左右镜像边界的扩充。
再者,所述刚性定位点定位步骤中的定位扫描,计算所述滑动窗口内图像的滑动窗口图像特征之前,还包括对所述滑动窗口内图像进行插值处理,使所述滑动窗口内图像与所述绝缘子样本图像尺寸一致。
所述刚性定位点定位步骤中,绝缘子图像特征计算具体的包括:
在n*n的窗口内,以窗口为中心遍历窗口中图像的所有像素点,将所有像素点与窗口中心的像素点像素相减,若结果为正,则该像素标记为1,否则标记为0,由此可得到该窗口的一连串标记值,记为特征Ⅰ;
在n*n的窗口内,将图像中灰度值大于设定阈值的像素点设置为1,反之,设置为0,然后进行水平和垂直方向的像素统计,记为特征Ⅱ;
采用n*n的窗口遍历绝缘子样本图像,将特征Ⅰ和特征Ⅱ进行串联得到整张图的特征。
与现有技术方案相比,本发明技术方案的有益效果如下:
1、本发明的这种实时刚、柔性接触网的定位点识别方法,基于图像处理检测技术,实现对接触网定位点的非接触式检测,相比采用电子标签、雷达或GPS等定位点识别方案实施成本更低、检测效率更高、定位可靠性更好。
2、本发明技术方案对原始图像进行灰度增强预处理,提高图像质量,增强图像对比度;同时在接触线区域定位过程中求取图像水平方向梯度图,去除其他方向的物体干扰,减少后续程序处理的时间。由于采用上述基于梯度的图像处理方案,与现有技术相比,本发明的实时柔性接触网定位点识别算法对光源不敏感,该方法可适用于对不同光照情况下的图像进行柔性定位点识别,白天、晚上均可使用。
3、本发明技术方案通过线条提取、线条聚类的方式形成接触线候选区域,并根据柔性接触线的宽度区间从接触线候选区域中筛选出刚性和柔性接触线区域,该方式实现了简便、快捷地提取刚性或柔性接触线区域,提高了刚性和柔性定位点识别的实时性。
4、本发明技术方案采用定位杆定位的方式实现柔性定位点定位,充分考虑柔性定位点区域相比刚性定位点背景干扰更少的特点,根据特定方向的行程特征阈值滤除不符合要求的行程,再对符合要求的行程经过二值化和区域特征计算步骤,最终得到柔性定位点区域,定位实时性强、准确度高;采用绝缘子特征识别的方式实现刚性定位点定位,对刚性接触线区域图像进行分块分析处理,通过提取滑动窗口图像的径向和纵横向灰度分布特征,识别得到刚性定位点区域,定位实时性强、准确度高。
5、本发明采用的算法参数修改方便,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修改。
附图说明
本发明的前述和下文具体描述在结合以下附图阅读时变得更清楚,附图中:
图1为本发明的逻辑关系示意图;
图2为本发明柔性定位点定位步骤二值化处理的示意图。
具体实施方式
下面通过几个具体的实施例来进一步说明实现本发明目的技术方案,需要说明的是,本发明要求保护的技术方案包括但不限于以下实施例。
实施例1
本实施例公开了一种适用于刚柔接触网的实时定位点识别方法,如图1,包括图像预处理步骤、接触线区域定位步骤、柔性定位点定位步骤和刚性定位点定位步骤;
所述图像预处理步骤,是输入采集到的原始图像,对原始图像进行灰度增强处理提高原始图像的质量、增强对比度等;
所述接触线区域定位步骤则是用于将经过图像预处理步骤灰度增强处理的图像,依次通过水平梯度计算、线条提取、线条聚类形成候选区域和区域筛选处理,分别定位出图像中包含的柔性接触或刚性接触线的候选区域;
所述柔性定位点定位步骤,首先将经过所述接触线区域定位步骤定位出的候选区域作为输入图像,遍历输入图像的灰度图像像素点,分别统计像素点在0°、-45°、-90°、-135°方向上连续灰度值为大于设定阈值的像素段作为行程,即为所有长度的行程,并根据行程长度是否符合设定阈值来提取特征行程;然后再遍历上述所有特征行程,并以所述特征行程中点为中心向四周扩张,截取设定尺寸的小图并对小图进行二值化处理;再对经过二值化处理的小图进行连通域处理,并计算连通域的包括面积、长宽比、周长数值在内的几何参数特征,将各几何参数特征均满足设定条件的连通域标记为柔性定位点输出;
所述刚性定位点定位步骤,包括绝缘子样本图像特征提取和定位扫描;首先,所述绝缘子样本图像特征提取包括从包含各类绝缘子的现有的图像数据中找出各类绝缘子的图像并进行绝缘子区域小图截图,将截取后的小图归一化到同一尺寸作为绝缘子样本图像,需要说明的是,这里的小图是指相对之前的图像的尺寸更小;然后将所述绝缘子样本图像在设定尺寸的窗口内进行像素识别和标记得到每张绝缘子样本图像的特征,具体的,这里采用预设的尺寸为N*N(N为奇数)窗口遍历所述绝缘子样本图像,依次计算所述窗口内各个非中心像素与中心像素灰度值做差的正负标记值记为第一特征;采用所述预设的N*N窗口遍历所述绝缘子样本图像,依次计算所述窗口内各个像素灰度值与预设灰度值做差的正负标记值,并统计标记值的水平和垂直方向统计数记为第二特征;串联所述第一特征和第二特征得到所述绝缘子样本图像特征;所述定位扫描包括采用滑动窗口遍历所述接触线区域定位步骤中得到的候选区域,将所述滑动窗口内包含的第一特征和/或第二特征串联而成的图像特征记为滑动窗口图像特征,计算所述滑动窗口图像特征与所述绝缘子样本图像特征的相似度,将满足相似度阈值的滑动窗口图像判定为刚性定位点,输出所述刚性定位点区域。
实施例2
作为本发明一种优选地实施方案,在上述实施例1技术方案的基础上,进一步的,具体增强方式:设G’(x,y)为增强后图像,G(x,y)为原始输入图像,gradient(x,y)为梯度计算图像,则G’(x,y)=G(x,y)+gradient(x,y),即,如果相邻像素值有变化,即有梯度,将梯度与对应的原始像素相加,灰度值变大了,反之,梯度为0,则原始像素无变化。
也就是说,相加后的新图像,对比度明显增强,尤其是图像中物体的轮廓和边缘,与背景的区别明显增加。
而所述接触线区域定位步骤,是为节省算法处理时间、提高效率对图像进行接触线区域定位,而刚性定位点是连接着支撑杆且位于接触线上的绝缘子。
所述接触线区域定位步骤包含梯度计算、线条提取、线条聚类、区域筛选几个具体步骤。
所述梯度计算:求取图像在x方向的梯度图,去除与其他方向的物体干扰,减少后续程序处理时间。
图像中的像素点(x,y)在x方向的梯度为:
Gx(x,y)=H(x+1,y)-H(x-1,y) (1)
输入预处理后图像,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,接触线区域与x轴的角度约为90度,所以我们进行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。
所述线条提取:设置一固定灰度阈值,按行依次遍历图像每个像素,当某一像素灰度值大于阈值时,将其标记为1;将每行中连续为1的区域,计算区域中点,该点作为该区域的一个线条候选点输出;线条连接:针对相邻两行的数据点,将在x方向差在3个像素以内的两个数据点进行连接,视为同一线条输出,否则视为不同线条输出。
所述线条聚类:首先对提取出的线条在x方向从左到右进行排序。排序方式:依次遍历每根线条,计算每根线条中所有坐标点在x方向的平均值x_mean,依据x_mean对所有线条从小到大进行排序,然后对排完序的线条进行聚类。
聚类是将第一根线条归为第一类,从左到右,从第二根线条起始,依次遍历每根线条。利用x_mean计算其与之前所有类的首根线条和最后一根线条在x方向的距离,如果和某一类的首根线条和最后一根线条在x方向的距离满足均一定条件,则将其归为某一类。如果和之前的所有类都不满足条件,则将其单独归为一类,最终,每一类为一个接触线候选区域。
所述区域筛选:计算所有候选区域的区域宽度。具体的计算方式,已知候选区域内所有线条的x_mean,计算首根线条和最后一根线条的x_mean之差,即为区域宽度,根据区域宽度即可筛选出最终的接触线区域。
进一步的,所述柔性定位点定位步骤,主要包含行程特征计算、二值化、区域特征筛选几个具体步骤。
其中,所述行程特征计算,是对输入灰度图像进行行程特征计算,检测出图像中所有可能的行程。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。行程描述特征可按如下方式确定:遍历图像像素,分别统计每个像素在0度、-45度、-90度、-135度方向上连续灰度值为大于一定阈值的像素个数,即所有长度的行程。通过设定的阈值滤除不符合要求的行程,即滤除行程长度小于设定阈值的行程。
所述二值化,如图2所示,是遍历每个行程,并以行程中点为中心,向四周扩张,截取设定大小的小图,然后对小图进行二值化处理。设定最优阈值,将G(x,y)大于阈值(前景目标图像)的像素设定为255,其余像素(背景像素)设定为0。
优选地,上述最优阈值是采用迭代最优阈值的方式确定的,而所述迭代最优阈值的求取,首先假设没有有关物体确切位置的先验知识,作为第一步近似,考虑图像四角含有背景像素而其他部分含有物体像素;在第t步,分别计算背景和物体的灰度均值和其中在第t步将图像分割为背景和物体的阈值是Tt,它是在第三步确定的:
如果Tt+1=Tt停止;否则返回第2步。
而所述区域特征筛选是对二值化后的图像进行连通域处理,在此基础上计算各区域包括的面积、长宽比、周长等特征。
而长宽比可通过计算区域的质心,再根据质心计算区域的长短轴,从而得到长宽比,具体的,假定二值图像f(x,y),区域的面积为S,则其质心坐标为:
得到区域质心后,遍历连通域每个坐标点,计算区域中离质心的最近点p1和最远点p2;定义最近点p1与质心的距离为短轴D1,最远点p2与质心的距离为长轴D2,则长宽比pwr=D2/D1。
所述周长主要有两种定义方式:
2、将边界像素点所占的面积定义为周长,即边界点所占的像素点数目。
将上述计算中面积、长宽比、周长数值满足设定条件的连通域输出并标记为柔性定位点输出。
进一步地,所述刚性定位点定位步骤中的定位扫描,计算所述滑动窗口内图像的滑动窗口图像特征之前,还包括对所述滑动窗口内图像进行镜像边界扩充,达到避免漏定位的效果,同时兼顾定位效率,可只进行左右镜像边界的扩充;以及包括对所述滑动窗口内图像进行插值处理,使所述滑动窗口内图像与所述绝缘子样本图像尺寸一致。
再者,所述刚性定位点定位步骤,包含绝缘子样本收集制作,特征提取,定位扫描几个步骤。
具体的,所述绝缘子样本收集制作是从已有大量图像数据中,找出各类不同绝缘子图像,并进行绝缘子区域小图截图,最后将截取后的小图归一化到同一尺寸。
所述绝缘子图像特征计算,对输入图像,在5*5的窗口内,以窗口为中心,遍历窗口中所有像素,将某一像素与窗口中心像素相减,若结果为正,则该像素标记为1,否则标记为0,由此可得到该窗口的一连串标记值,此为特征1计算方式;另外,在5*5的窗口内,将灰度值大于某一阈值的像素设置为1,反之,设置为0,最后进行水平和垂直方向的像素统计,此为特征2计算方式,采用5*5的窗口遍历绝缘子样本图像,将特征1和特征2串联,得到整张图的特征。
所述定位扫描,因输入图像相对绝缘子图像较大,针对全图进行特征计算并进行特征匹配不具有现实意义,因此,需对输入图像进行分块分析处理。设置滑动窗口win(win大小为h*w),滑动步长为h1(h1=h/2),同时为避免漏定位,需对图像边界进行镜像扩充。
从左到右、从上到下依次扫描、遍历图像,计算每个滑动窗口小图的图像特征,这里特征计算方式和绝缘子图像特征计算方式相同,将滑动窗口图像特征与绝缘子图像特征进行相似度计算,如果相似度符合一定阈值,则判定该区域含定位点,输出该定位点区域。
本领域内的技术人员应当知晓,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。
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 (10)
1.适用于刚柔接触网的实时定位点识别方法,其特征在于:包括图像预处理步骤、接触线区域定位步骤、柔性定位点定位步骤或刚性定位点定位步骤;
所述图像预处理步骤,是输入采集到的原始图像,对原始图像进行灰度增强处理;
所述接触线区域定位步骤是用于将经过图像预处理步骤灰度增强处理的图像,依次通过水平梯度计算、线条提取、线条聚类形成候选区域,对候选区域进行区域筛选处理,分别定位出图像中包含的柔性接触线区域或刚性接触线区域;
所述柔性定位点定位步骤,将经过所述接触线区域定位步骤定位出的候选区域作为输入图像,遍历输入图像的灰度图像像素点,分别统计像素点在0°、-45°、-90°、-135°方向上连续灰度值为大于设定阈值的像素段为行程,并根据行程长度是否符合设定阈值筛选出特征行程;然后再遍历上述所有特征行程,并以所述特征行程中点为中心向四周扩张,截取设定尺寸的小图并对小图进行二值化处理;再对经过二值化处理的小图进行连通域处理,并计算连通域的包括面积、长宽比、周长数值在内的几何参数特征,将各几何参数特征均满足设定条件的连通域标记为柔性定位点输出;
所述刚性定位点定位步骤,包括绝缘子样本图像特征提取和定位扫描;所述绝缘子样本图像特征提取包括从包含各类绝缘子的现有的图像数据中找出各类绝缘子的图像并进行绝缘子区域小图截图,将截取后的小图归一化到同一尺寸作为绝缘子样本图像,采用预设的尺寸为N*N窗口遍历所述绝缘子样本图像,依次计算所述窗口内各个非中心像素与中心像素灰度值做差的正负标记值记为第一特征,其中N为奇数;采用所述预设的N*N窗口遍历所述绝缘子样本图像,依次计算所述窗口内各个像素灰度值与预设灰度值做差的正负标记值,并统计标记值的水平和垂直方向统计数记为第二特征;串联所述第一特征和第二特征得到所述绝缘子样本图像特征;所述定位扫描包括采用滑动窗口遍历所述刚性接触线区域,将所述滑动窗口内包含的第一特征和第二特征串联而成的图像特征记为滑动窗口图像特征,计算所述滑动窗口图像特征与所述绝缘子样本图像特征的相似度,将满足相似度阈值的滑动窗口图像判定为刚性定位点,输出所述刚性定位点区域。
2.如权利要求1所述的适用于刚柔接触网的实时定位点识别方法,其特征在于:所述图像预处理步骤,是以数值梯度函数gradient(x,y)计算原始图像G(x,y)中的每个像素点的梯度数值,并将结果与原始图像G(x,y)进行叠加得到增强后图像G’(x,y),即G’(x,y)=G(x,y)+gradient(x,y),如果图像中相邻像素值有变化,即有梯度,将梯度与对应的原始像素相加,灰度值变大;反之,梯度为0,则原始像素无变化。
3.如权利要求1所述的适用于刚柔接触网的实时定位点识别方法,其特征在于:所述接触线区域定位步骤中,线条提取是设置一固定灰度阈值,按行依次遍历经过所述梯度计算后的图像中的每个像素点,当某一像素点的灰度值大于阈值时,将其标记为1;然后对每一行中连续标记为1的区间计算区间的中点,该中点作为该区间的一个线条候选点;然后将相邻两行的在x方向上距离指定像素以内的所述线条候选点进行连接并视为同一线条输出,否则视为不同线条输出。
4.如权利要求1所述的适用于刚柔接触网的实时定位点识别方法,其特征在于:所述接触线区域定位步骤中,线条聚类首先是依次遍历所述线条提取得到的每根线条,计算每根线条中所有像素点在x方向的平均值x_mean,依据x_mean对所有线条从小到大进行排序,即在x方向从左到右进行排序;
然后对排完序的线条进行聚类,所述线条聚类是形成候选区域,将第一根线条归为第一类,第一根线条即排序完成后的第一根,然后从左到右从第二根线条起始依次遍历每根线条,利用平均值x_mean计算其与之前所有类中的首根线条以及最后一根线条在x方向的距离,如果距离满足阈值条件,则将其归为同一类,若与之前的所有类都不满足距离的阈值条件,则将其单独归为一类;最终,每一类为一个包含接触线的候选区域。
5.如权利要求5所述的适用于刚柔接触网的实时定位点识别方法,其特征在于:所述接触线区域定位步骤中,区域筛选是计算线条聚类后得到的所有候选区域的区域宽度,根据所述线条聚类得到的所有像素点在x方向的平均值x_mean,计算首根线条和最后一根线条的x_mean之差,即为区域宽度,根据区域宽度即可筛选出包含接触线的最终的候选区域,如根据区域宽度是否符合柔性或刚性接触线区域宽度阈值区间筛选出柔性接触线区域。
6.如权利要求1所述的适用于刚柔接触网的实时定位点识别方法,其特征在于:
所述柔性定位点定位步骤中设定阈值,是采用迭代最优阈值的方式确定的;
得到区域质心后,遍历连通域每个坐标点,计算区域中离质心的最近点p1和最远点p2;定义最近点p1与质心的距离为短轴D1,最远点p2与质心的距离为长轴D2,则长宽比pwr=D2/D1;
7.如权利要求1所述的适用于刚柔接触网的实时定位点识别方法,其特征在于:所述刚性定位点定位步骤中的定位扫描,计算所述滑动窗口内图像的滑动窗口图像特征之前,还包括对所述滑动窗口内图像进行镜像边界扩充,以及对所述滑动窗口内图像进行插值处理,使所述滑动窗口内图像与所述绝缘子样本图像尺寸一致。
8.如权利要求1或8所述的适用于刚柔接触网的实时定位点识别方法,其特征在于,所述刚性定位点定位步骤中,绝缘子图像特征计算具体的包括:
在n*n的窗口内,以窗口为中心遍历窗口中图像的所有像素点,将所有像素点与窗口中心的像素点像素相减,若结果为正,则该像素标记为1,否则标记为0,由此可得到该窗口的一连串标记值,记为特征Ⅰ;
在n*n的窗口内,将图像中灰度值大于设定阈值的像素点设置为1,反之,设置为0,然后进行水平和垂直方向的像素统计,记为特征Ⅱ;
采用N*N窗口遍历绝缘子样本图像,将特征Ⅰ和特征Ⅱ进行串联得到整张图的特征。
9.一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,所述计算机程序在计算机处理器中执行时,实现上述权利要求1-8任一项所述的适用于刚柔接触网的实时定位点识别方法的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1-8任一项所述的适用于刚柔接触网的实时定位点识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010590592.2A CN111723792B (zh) | 2020-06-24 | 2020-06-24 | 适用于刚柔接触网的实时定位点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010590592.2A CN111723792B (zh) | 2020-06-24 | 2020-06-24 | 适用于刚柔接触网的实时定位点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723792A true CN111723792A (zh) | 2020-09-29 |
CN111723792B CN111723792B (zh) | 2022-12-06 |
Family
ID=72568810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010590592.2A Active CN111723792B (zh) | 2020-06-24 | 2020-06-24 | 适用于刚柔接触网的实时定位点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723792B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284160A (zh) * | 2021-04-23 | 2021-08-20 | 北京天智航医疗科技股份有限公司 | 一种手术导航标记珠体识别的方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108058620A (zh) * | 2018-01-18 | 2018-05-22 | 天津益昌电气设备股份有限公司 | 一种新型刚性接触网系统 |
CN108734715A (zh) * | 2017-04-24 | 2018-11-02 | 成都唐源电气股份有限公司 | 一种自适应学习的接触网刚性导线识别方法及装置 |
US20180357341A1 (en) * | 2013-08-16 | 2018-12-13 | Operation Technology, Inc. | Traction power simulation |
CN111242052A (zh) * | 2020-01-16 | 2020-06-05 | 成都唐源电气股份有限公司 | 一种接触网刚柔导线自动判别方法及装置 |
-
2020
- 2020-06-24 CN CN202010590592.2A patent/CN111723792B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180357341A1 (en) * | 2013-08-16 | 2018-12-13 | Operation Technology, Inc. | Traction power simulation |
CN108734715A (zh) * | 2017-04-24 | 2018-11-02 | 成都唐源电气股份有限公司 | 一种自适应学习的接触网刚性导线识别方法及装置 |
CN108058620A (zh) * | 2018-01-18 | 2018-05-22 | 天津益昌电气设备股份有限公司 | 一种新型刚性接触网系统 |
CN111242052A (zh) * | 2020-01-16 | 2020-06-05 | 成都唐源电气股份有限公司 | 一种接触网刚柔导线自动判别方法及装置 |
Non-Patent Citations (2)
Title |
---|
GAOQIANG KANG; SHIBIN GAO,ET.AL: "Deep Architecture for High-Speed Railway Insulator Surface Defect Detection: Denoising Autoencoder With Multitask Learning", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT 》, 31 October 2018 (2018-10-31) * |
赵航等: "基于高效用序列挖掘算法的接触网故障防护模型", 《电气化铁道》, no. 05, 15 October 2020 (2020-10-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284160A (zh) * | 2021-04-23 | 2021-08-20 | 北京天智航医疗科技股份有限公司 | 一种手术导航标记珠体识别的方法、装置和设备 |
CN113284160B (zh) * | 2021-04-23 | 2024-03-12 | 北京天智航医疗科技股份有限公司 | 一种手术导航标记珠体识别的方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111723792B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
CN111855664B (zh) | 一种可调节隧道病害三维检测系统 | |
CN113870123B (zh) | 基于车载移动激光点云的接触网导高与拉出值自动检测方法 | |
CN103324913B (zh) | 一种基于形状特征和轨迹分析的行人事件检测方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN105203552A (zh) | 一种360°踏面图像检测系统及其检测方法 | |
CN112414309B (zh) | 基于机载激光雷达的高铁接触线导高及拉出值巡检方法 | |
CN107256636A (zh) | 一种融合激光扫描与视频技术的交通流获取方法 | |
CN111723793B (zh) | 一种实时刚性接触网定位点识别方法 | |
CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
CN112731440A (zh) | 高速铁路边坡形变检测方法及装置 | |
CN113239733B (zh) | 一种多车道车道线检测方法 | |
CN111442736A (zh) | 一种基于激光扫描仪的铁路隧道变形检测方法及其装置 | |
Zheng et al. | Rail detection based on LSD and the least square curve fitting | |
CN111561967A (zh) | 弓网运行状态实时在线检测方法及系统 | |
CN111723792B (zh) | 适用于刚柔接触网的实时定位点识别方法 | |
CN110672632A (zh) | 一种隧道病害识别方法 | |
CN108596968B (zh) | 一种基于轨道3d深度图像的轨枕计数方法 | |
Yang et al. | Online pantograph-catenary contact point detection in complicated background based on multiple strategies | |
Gao et al. | Intelligent crack damage detection system in shield tunnel using combination of retinanet and optimal adaptive selection | |
CN116681912A (zh) | 铁路道岔的轨距检测方法及装置 | |
CN111723794B (zh) | 一种实时柔性接触网定位点识别方法 | |
CN116416589A (zh) | 一种基于铁轨数据与几何性质的轨道点云提取方法 | |
Song et al. | Modeling and optimization of semantic segmentation for track bed foreign object based on attention mechanism | |
Anzhong et al. | Multi-target defect detection of railway track based on image processing |
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 |