CN111832562A - 基于图像处理的弹簧托板故障识别方法 - Google Patents

Abstract

基于图像处理的弹簧托板故障识别方法，涉及图像识别技术领域，针对现有技术中采用人工对弹簧托板折头螺栓折断及螺母丢失故障进行检测，检测效率低的问题，包括步骤一：获取途径货车线阵图像，并粗定位得到车架部位图像；步骤二：根据车架部分特征在车架部位图像中定位出两个三角孔所在区域图像；步骤三：根据定位结果加入偏移量，截取弹簧托板折头螺栓区域子图；步骤四：对该子图进行卷积核卷积，得到弹簧托板下端折头螺栓区域阴影图像；步骤五：根据弹簧托板下端折头螺栓区域阴影图像之间的水平宽度判定是否存在故障，若存在，则报警，若不存在，则不做处理。本发明提高了检测效率和准确率。

Description

基于图像处理的弹簧托板故障识别方法

技术领域

本发明涉及图像识别技术领域，具体为一种基于图像处理的弹簧托板故障识别方法。

背景技术

铁路货车是我国主要的货物运输方式，每日有大量的货车在线上运行。在各种外界环境的影响下，各部件产生故障无法避免。

弹簧托板折头螺栓折断及螺母丢失故障是一种危及行车安全的故障，如果未及时发现故障可能产生严重后果。目前主要是用人眼对整车进行故障查找，查找范围大部件多、车辆多、故障形态多，所以这项工作是一个重复性强且强度高易疲劳的机械性作业。当工人疲劳时很容易，造成漏检、错检的出现，影响行车安全，并且检测效率低。

发明内容

本发明的目的是：针对现有技术中采用人工对弹簧托板折头螺栓折断及螺母丢失故障进行检测，检测效率低的问题，提出一种基于图像处理的弹簧托板故障识别方法。

本发明为了解决上述技术问题采取的技术方案是：

基于图像处理的弹簧托板故障识别方法，包括以下步骤：

步骤一：获取途径货车线阵图像，并粗定位得到车架部位图像；

步骤二：根据车架部分特征在车架部位图像中定位出两个三角孔所在区域图像；

步骤三：根据定位结果加入偏移量，截取弹簧托板折头螺栓区域子图；

步骤四：对该子图进行卷积核卷积，得到弹簧托板下端折头螺栓区域阴影图像；

步骤五：根据弹簧托板下端折头螺栓区域阴影图像之间的水平宽度判定是否存在故障，若存在，则报警，若不存在，则不做处理；

所述判定步骤为：首先设定一个阈值，若弹簧托板下端折头螺栓区域图像阴影之间的宽度小于该阈值，则判定为螺母丢失故障，若弹簧托板下端折头螺栓区域图像阴影之间的宽度大于该阈值，则判定为正常，若弹簧托板下端折头螺栓区域图像阴影之间宽度为0时，则判定为螺栓折断故障。

进一步的，所述步骤一中车架部位图像通过先验知识与硬件数据得到。

进一步的，所述步骤二的具体步骤为：

步骤二一：对车架部位图像进行固定阈值分割；

步骤二二：对分割结果进行膨胀腐蚀处理；

步骤二三：在处理后的图像中查找两个三角孔的轮廓，进而得到两个三角孔的外接矩形。

进一步的，所述步骤四中卷积中卷积核的大小为6*35，且为非对称结构，卷积核中数值和不为一。

进一步的，所述阈值为30。

进一步的，所述步骤三中偏移量为：y方向偏移量为定位得到的两个三角孔的平均高度，x方向偏移量为两个三角孔水平距离的二分之一。

进一步的，所述步骤一中获取途径货车线阵图像的具体步骤为：在固定的探测站点搭建高速成像设备，获取货车各部位的高清线阵灰度图像。

本发明的有益效果是：

1、利用图像自动识别的方式代替人工检测，可以解决人工检测长时间重复看图的疲劳问题，对于同种故障统一标准，提高了检测效率和准确率。

2、使用图像处理的方法，故障识别速度快，满足实时性要求，程序部署所需硬件环境较低。

3、根据阴影及部件的特性，设计适应该故障的卷积核识别故障稳定、准确。

附图说明

图1为本发明整体流程图；

图2为截取区域图像；

图3为遮挡部分黑色阴影图像；

图4为竖直方向的sobel算子得到的结果图；

图5为canny算子得到结果图；

图6为卷积后输出效果图。

具体实施方式

具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的1、原始图像采集

在固定的探测站点搭建高速成像设备，获取货车各部位的高清线阵灰度图像。收集不同时间段不同环境下的图像，获取较多的样本数据量，并保证数据图像中存在各种自然干扰如光照、雨水、泥渍等的图像，保证数据的多样性，这样设计出的算法会有更好的鲁棒性，因为存在各种自然干扰如光照、雨水、泥渍等，会对图像识别产生严重的影响，进而使得识别准确率下降。

根据部件位置信息截取故障小子图，在大图上直接定位弹簧托板折头螺栓很难实现，但是可以根据转向架构造选择合理的特征进行截取。同种型号的货车，其结构也是相同的，在故障所在大图像中，找到稳定的定位标识。因为货车为立体结构，在拍照时由于设备光照的影响，会有阴影的存在，阴影不会受到雨水污渍等环境的影响，是一个稳定的特征。如下图选择两个三角孔作为定位基准，目标所在区域为两个三角孔正中间的下方。弹簧托板与三角孔距离固定，在定位后直接给出偏移量即可获取目标小图。

实现方法：根据硬件参数信息得到粗定位的车轴信息，使用车轴信息在拼接的图像上截取转向架所在如图2所示区域。对该图进行固定阈值分割，选取阈值为30(灰度值)。对分割结果进行膨胀腐蚀操作，使用同样大小的核，在不改变目标大小的前提下，去除小目标的干扰。对二值图像查找轮廓，找到面积符合标准的两个轮廓，求其外接矩形进而找到两个三角孔的坐标位置。弹簧托板折头螺栓所在位置为两个三角孔正中央，向下偏移，因为货车结构固定，可直接给定偏移量，得到弹簧托板折头螺栓所在位置。硬件获取的车轴信息并不是那么准确，使用本方法精确定位后可以截取包含弹簧托板折头螺栓的小子图。

根据故障形态进行故障判定，故障形态分为两种，一种为螺栓折断，因为受力的影响，折断只能在根部发生，另一种为螺母丢失。根据故障图像与正常图像对比，找到稳定的特征进行故障与否的区分，经过观察大量图像，发现托板与车架之间纯在阴影被弹簧托板折头螺栓所分隔开，正常情况下阴影被弹簧托板折头螺栓隔断，当螺母丢失时所隔断的距离变小，当弹簧托板折头螺栓折断时，阴影连成一条线。所以通过左右阴影之间的宽度可以判断故障。

如下图3所示当折头螺栓存在，遮挡部分黑色阴影。在使用室外环境下获取的图像时，使用阈值进行分割不是一个好的方法，该方法受环境影响较大，使用自适应阈值分割出的图像干扰太多。最终选用求取梯度的方法，使用边缘进行故障判定是一个稳定的方法。

通过实验发现常用的经典边缘提取算法如sobel、canny等对于这个故障不太适用，如下图所示(图4为竖直方向的sobel算子得到的结果图，图5为canny算子得到结果图)，可以发现这两个算子会产生很多的干扰边缘。

根据该阴影特征，设计适应自己的卷积核。由于图像中阴影区域所占像素为5个左右，所以设置卷积核高度为6，增大在阴影区域卷积核的数值，将会滤除正常区域的干扰，使用非对称且卷积核数值和不为0，加大阴影部分的负数的数值，可去除正常板子上灰度差距较小的梯度干扰。增大卷积核宽度，图中单侧阴影区域的宽度为200像素左右，所以增大卷积核宽度，可以有效地滤除开口销等其他的的小阴影等干扰。

最终使用的卷积核为大小为6*35的,且为非对称结构，卷积核中数值和不为一(卷积核是一个矩阵，上下不是对称的。把这个卷积核(矩阵)中的数值加在一起不是0，提取判别所用特征效果好。例如sobel卷积核的数值加在一起是为0的)。

[[-3]*25,[-1]*25,[-1]*25,[2]*25,[1]*25，[1]*25]，得到的效果如下图6所示。

可以看到，该图像提取了完整的阴影信息，过滤掉了其他的干扰。得到的特征图像质量高且稳定，说明该卷积核对于此特征有效。得到此图以后，对该图像进行水平加窗投影，找到阴影所在区域的极小范围，进一步剔除干扰。在得到精准区域后截取该区域，做竖直投影，计算得到被折头螺栓遮挡部分的宽度，根据宽度进行故障判别，当宽度小于一定的值为螺母丢失故障。当阴影连到一起时，为螺栓折断故障。

4、弹簧托板折头螺栓折断、弹簧托板折头螺母丢失故障判别

当货车通过探测基站时，相机获取线阵图像。通过使用先验知识与硬件数据等，获取车架部位图像。根据车架部分特征定位三角孔，从而找到弹簧托板折头螺栓所在区域。对图像求卷积，得到三角孔之间的阴影宽度，进而做出故障判别。若判别结果为故障，则故障报警，上传报警至平台。整体实现流程图如下图1所示。

在货车行进过程中，通过轨边设备获取其高清线阵图像。通过硬件得到的信息以及火车部件位置关系，找到弹簧托板折头螺栓所在区域。在该区域根据部件的形态使用传统的图像处理方法进行故障识别。当线上有货车经过时，使用同样方法截取目标所在图像，对其进行故障分析，判断其是否发生折断及丢失。对识别为故障的区域进行报警，输出故障所在位置，工作人员根据识别结果可以快速的定位到该目标区域，进行相应的处理，保证列车安全运行。

弹簧托板折头螺栓折断及螺母丢失故障，总结起来也只有2种形态，对于故障形态固定的故障，使用图像处理的方式进行故障识别可以有效的识别故障。进而代替传统的人工检测，提高检测速度及准确率，可以改善人工工作状态，减少其工作量，人工只需对自动识别报警进行确认。

需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。

Claims (8)

1.基于图像处理的弹簧托板故障识别方法，其特征在于包括以下步骤：

步骤一：获取途径货车线阵图像，并粗定位得到车架部位图像；

步骤二：根据车架部分特征在车架部位图像中定位出两个三角孔所在区域图像；

步骤三：根据定位结果加入偏移量，截取弹簧托板折头螺栓区域子图；

步骤四：对该子图进行卷积核卷积，得到弹簧托板下端折头螺栓区域阴影图像；

步骤五：根据弹簧托板下端折头螺栓区域阴影图像之间的水平宽度判定是否存在故障，若存在，则报警，若不存在，则不做处理；

所述判定步骤为：首先设定一个阈值，若弹簧托板下端折头螺栓区域图像阴影之间的宽度小于该阈值，则判定为故障，若弹簧托板下端折头螺栓区域图像阴影之间的宽度大于或等于该阈值，则判定为正常。

2.根据权利要求1所述的基于图像处理的弹簧托板故障识别方法，其特征在于所述故障判定的具体步骤为：若弹簧托板下端折头螺栓区域图像阴影之间的宽度小于该阈值，且大于零时，则判定为螺母丢失故障，若弹簧托板下端折头螺栓区域图像阴影之间宽度等于0时，则判定为螺栓折断故障。

3.根据权利要求1所述的基于图像处理的弹簧托板故障识别方法，其特征在于所述步骤一中车架部位图像通过先验知识与硬件数据得到。

4.根据权利要求1所述的基于图像处理的弹簧托板故障识别方法，其特征在于所述步骤二的具体步骤为：

步骤二一：对车架部位图像进行固定阈值分割；

步骤二二：对分割结果进行膨胀腐蚀处理；

步骤二三：在处理后的图像中查找两个三角孔的轮廓，进而得到两个三角孔的外接矩形。

5.根据权利要求1所述的基于图像处理的弹簧托板故障识别方法，其特征在于所述步骤四中卷积中卷积核的大小为6*35，且为非对称结构，卷积核中数值和不为一。

6.根据权利要求4所述的基于图像处理的弹簧托板故障识别方法，其特征在于所述阈值为30。

7.根据权利要求1所述的基于图像处理的弹簧托板故障识别方法，其特征在于所述步骤三中偏移量为：y方向偏移量为定位得到的两个三角孔的平均高度，x方向偏移量为两个三角孔水平距离的二分之一。

8.根据权利要求1所述的基于图像处理的弹簧托板故障识别方法，其特征在于所述步骤一中获取途径货车线阵图像的具体步骤为：在固定的探测站点搭建高速成像设备，获取货车各部位的高清线阵灰度图像。

Images