CN112001908B - 铁路货车枕梁孔搭载异物检测方法 - Google Patents
铁路货车枕梁孔搭载异物检测方法 Download PDFInfo
- Publication number
- CN112001908B CN112001908B CN202010867472.2A CN202010867472A CN112001908B CN 112001908 B CN112001908 B CN 112001908B CN 202010867472 A CN202010867472 A CN 202010867472A CN 112001908 B CN112001908 B CN 112001908B
- Authority
- CN
- China
- Prior art keywords
- image
- sleeper beam
- beam hole
- ellipse
- area
- 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
- G06T7/0008—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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30268—Vehicle interior
Abstract
铁路货车枕梁孔搭载异物检测方法,它属于图像检测技术领域。本发明解决了采用人工检查方式对枕梁孔区域是否搭载异物进行判断时,存在的检测准确率和检测效率低的问题。本发明在货车轨道周围利用固定设备搭载成像设备,采集待检测行驶货车的全车线阵图像数据。从全车图像中获得包含枕梁孔及其下方转向架少许部分的矩形区域。图像中枕梁孔大致处于水平居中,通过对图像进行过翻转和线性组合、半椭圆的枕梁孔的精确定位,以及图像拍摄中异物及其阴影的关系进行后续识别,最后对确认搭载异物的图片进行报警输出,辅助车站工作人员快速检测列车部件,保证列车运行安全。本发明可以应用于图像检测技术领域。
Description
技术领域
本发明属于图像检测技术领域,具体涉及一种铁路货车枕梁孔搭载异物检测方法。
背景技术
铁路的人工检查货车时,存在部分维修工具或车体部分零件落入枕梁孔中的可能。长期以来,检车人员采用人工检查(即通过查看过车图像的方式)对枕梁孔区域是否搭载异物进行判断,检查工作是十分重要的,但大量的图像筛查使得检车人员在工作过程中极易出现疲劳,还容易发生漏检、错检的情况,难以保障检测的准确率和高效率。因此,货车故障检测中采用自动识别的方式具有一定的必要性。
发明内容
本发明的目的是为解决采用人工检查方式对枕梁孔区域是否搭载异物进行判断时,存在的检测准确率和检测效率低的问题,而提出了一种铁路货车枕梁孔搭载异物检测方法。
本发明为解决上述技术问题采取的技术方案是:铁路货车枕梁孔搭载异物检测方法,所述方法包括以下步骤:
步骤一、获取铁路货车的高清灰度全车图像,并从获取的图像中截取出枕梁孔区域图像;
步骤二、检测步骤一所截取出的枕梁孔区域图像中是否存在异物,若存在异物,则执行步骤三,若不存在异物,则返回步骤一;
步骤三、若异物的面积大于等于阈值Q,则直接进行故障报警,否则继续执行步骤四;
步骤四、对枕梁孔部件下方的黑色横向贯穿缝隙进行定位;
步骤五、根据定位出的黑色横向贯穿缝隙位置,对枕梁孔部件进行定位;
步骤六、判断步骤二检测出的异物是否在定位出的枕梁孔部件区域内;
若检测出的异物在定位出的枕梁孔部件区域内,则进行故障报警后,返回步骤一;
否则,检测出的异物不在定位出的枕梁孔部件区域内,直接返回步骤一。
本发明的有益效果是:
1、利用自动识别图像的方式代替人工检测,作业标准统一,不再受人员素质和责任心影响,有效提高作业质量和效率,提高检测的稳定性及准确率。
2.图像识别算法预测得到的结果不能完全保证一定位于枕梁孔部位,存在误报的几率,此时根据枕梁孔部位位置特点(其下部的固定位置有一条车箱与转向架连接的黑色缝隙),根据黑色缝隙的位置可准确排除来自非枕梁孔部位的误报。图像水平翻转后的与原图像上的叠加后再进行黑色缝隙的识别较单纯在原图上进行识别有更好的效果。
3.对半椭圆的精准定位,采用将图像垂直翻转后与原图像进行上下拼接,使得拼接后的图像在竖直方向上具有对称性,当进行椭圆拟合时,椭圆中心一定在图像垂直方向的中心,且椭圆的角度基本在90度左右,可有效去除图像中的干扰。
附图说明
图1为本发明方法的流程图;
图2为枕梁孔部件下方黑色横向贯穿缝隙定位的流程图;
图3为半椭圆枕梁孔部件的定位流程图;
图4为步骤一截取出的枕梁孔区域图像a;
图5为水平翻转后的图像a1;
图6为融合图像a2;
图7为融合图像a2的二值化后的图像;
图8为像素平均值与坐标值的关系曲线图;
图9为黑色横向贯穿缝隙定位结果图;
图10为垂直翻转后的图像b1;
图11为拼接图像b2;
图12为椭圆拟合后的图像;
图13为定位出的枕梁孔部件图像。
具体实施方式
具体实施方式一:结合图1说明本实施方式。本实施方式所述的铁路货车枕梁孔搭载异物检测方法,该方法具体通过以下步骤实现:
步骤一、获取铁路货车的高清灰度全车图像,并从获取的图像中截取出枕梁孔区域图像;
步骤二、检测步骤一所截取出的枕梁孔区域图像中是否存在异物,若存在异物,则执行步骤三,若不存在异物,则返回步骤一;
步骤三、若异物的面积大于等于阈值Q,则直接进行故障报警,否则继续执行步骤四;
步骤四、对枕梁孔部件下方的黑色横向贯穿缝隙进行定位;
步骤五、根据定位出的黑色横向贯穿缝隙位置,对枕梁孔部件进行定位;
步骤六、判断步骤二检测出的异物是否在定位出的枕梁孔部件区域内;
若检测出的异物在定位出的枕梁孔部件区域内,则进行故障报警后,返回步骤一;
否则,检测出的异物不在定位出的枕梁孔部件区域内,直接返回步骤一。
本发明不仅可以提高准确率,检测速度较现在的深度学习有显著优势,由于不需要深度学习的高性能显卡,因而节省了成本。应用本发明方法实现故障自动检测报警,实现从人检作业向机检作业的转变,提高作业质量和作业效率。
在货车轨道周围利用固定设备搭载成像设备,采集待检测行驶货车的全车线阵图像数据。根据定位的算法框架,从全车图像中获得包含枕梁孔及其下方转向架少许部分的矩形区域。图像中枕梁孔大致处于水平居中,通过对图像进行过翻转和线性组合、半椭圆的枕梁孔的精确定位,以及图像拍摄中异物及其阴影的关系进行后续识别,最后对确认搭载异物的图片进行报警输出,辅助车站工作人员快速检测列车部件,保证列车运行安全。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述高清灰度全车图像是利用照相机或摄像机拍摄获得的,照相机或摄像机搭载在货车轨道周围的固定设备上。
具体实施方式三:本实施方式与具体实施方式一不同的是:所述步骤一中,从获取的图像中截取出枕梁孔区域图像,其具体过程为:
根据硬件的轴距信息和枕梁孔部件的位置信息,从获取的图像中截取出枕梁孔区域图像。
本实施方式中,根据硬件的轴距信息和部件的位置等先验知识从定位算法框架获取待识别部件区域,以此减少计算量并提高识别的速度。
具体实施方式四:本实施方式与具体实施方式一不同的是:所述阈值Q的取值为枕梁孔部件的面积。
具体实施方式五:结合图2说明本实施方式。本实施方式与具体实施方式一不同的是:所述步骤四的具体过程为:
步骤四一、将步骤一截取出的枕梁孔区域图像记为图像a,对图像a进行水平翻转后,得到图像a1;
步骤四二、将图像a与图像a1线性相加,得到融合图像a2;
步骤四三、对融合图像a2进行直方图均衡化后,再对直方图均衡化后的图像进行二值化,得到二值化后的图像;
步骤四四、计算二值化后的图像中每行的像素平均值,各行的像素平均值形成一维数组arr_a2;
步骤四五、计算数组arr_a2中的最小值val_a2,以及最小值val_a2对应的坐标值loc_a2;loc_a2即为黑色横向贯穿缝隙的位置。
本实施方式中,采用融合图像a2而非原始图像a,是由于图像融合后:1)可以明显增加黑缝与其他区域的像素差;2)图像融合后使黑缝处的像素更均匀,可减轻当黑缝处由于其他因素被遮挡或不明显时的影响。枕梁孔部位下方的横向贯穿黑色缝隙的定位,从而根据黑色缝隙的位置可准确排除来自非枕梁孔部位的误报。
如图4所示为步骤一截取出的枕梁孔区域图像a,水平翻转后的图像a1如图5所示,融合图像a2如图6所示,二值化后的图像如图7所示,数组arr_a2中,像素平均值与坐标值的关系曲线如图8所示,最终得到如图9所示的黑色横向贯穿缝隙定位结果图。
具体实施方式六:结合图3说明本实施方式。本实施方式与具体实施方式一不同的是:所述步骤五的具体过程为:
步骤五一、对图像a进行垂直翻转,得到图像b1;
步骤五二、将图像a与图像b1进行无缝拼接,得到拼接图像b2;并对图像b2进行二值化,获得二值化后图像;
步骤五三、对二值化后图像进行后腐蚀膨胀和椭圆拟和;拟合得到的椭圆处于两条黑色横向贯穿缝隙之间;
步骤五四、对拟合得到的椭圆进行筛选,根据筛选出的椭圆位置确定枕梁孔部件位置。
本实施方式中,采用拼接图像b2较原始图像a更有利于进行枕梁孔形状的拟合;同时采用拼接图像b2可以有效进行条件的筛选,例如拼接后的椭圆中心位置一定位于图像竖直方向中心,椭圆的旋转角度基本固定,椭圆边缘的最低点一定在枕梁孔部位下方的横向贯穿黑色缝隙的上方等。
对图像a进行垂直翻转,垂直翻转后的图像b1如图10所示,拼接图像b2如图11所示,椭圆拟合后的图像如图12所示,最终定位出的枕梁孔部件图像如图13所示。
具体实施方式七:本实施方式与具体实施方式六不同的是:所述对拟合得到的椭圆进行筛选,筛选出的椭圆需同时满足以下五个条件:
(1)椭圆在图像b2的高度方向上的对称轴与竖直方向的夹角应小于5°;
(2)将椭圆中心的高度坐标与图像b2中心的高度坐标做差,差的绝对值应小于图像b2高度的2.5%;
(3)将椭圆中心的宽度坐标与图像b2中心的宽度坐标做差,差的绝对值应小于图像b2宽度的15%;
(4)椭圆的长轴长度应小于图像b2的宽度;
(5)椭圆的短轴长度应小于图像b2的高度。
在同时满足上述条件的椭圆中,选取出面积最大的椭圆。
本实施方式中,以图像b2的水平方向为宽度方向,以图像b2的竖直方向为高度方向,所述高度坐标是指点在高度方向上的坐标,所述宽度坐标是指点在宽度方向上的坐标。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (5)
1.铁路货车枕梁孔搭载异物检测方法,其特征在于,该方法包括以下步骤:
步骤一、获取铁路货车的高清灰度全车图像,并从获取的图像中截取出枕梁孔区域图像;
步骤二、检测步骤一所截取出的枕梁孔区域图像中是否存在异物,若存在异物,则执行步骤三,若不存在异物,则返回步骤一;
步骤三、若异物的面积大于等于阈值Q,则直接进行故障报警,否则继续执行步骤四;
步骤四、对枕梁孔部件下方的黑色横向贯穿缝隙进行定位;
步骤五、根据定位出的黑色横向贯穿缝隙位置,对枕梁孔部件进行定位;其具体过程为:
步骤五一、对图像a进行垂直翻转,得到图像b1;
步骤五二、将图像a与图像b1进行无缝拼接,得到拼接图像b2;并对图像b2进行二值化,获得二值化后图像;
步骤五三、对二值化后图像进行后腐蚀膨胀和椭圆拟合 ;
步骤五四、对拟合得到的椭圆进行筛选,根据筛选出的椭圆位置确定枕梁孔部件位置;
所述对拟合得到的椭圆进行筛选,筛选出的椭圆需同时满足以下五个条件:
(1)椭圆在图像b2的高度方向上的对称轴与竖直方向的夹角应小于5°;
(2)将椭圆中心的高度坐标与图像b2中心的高度坐标做差,差的绝对值应小于图像b2高度的2.5%;
(3)将椭圆中心的宽度坐标与图像b2中心的宽度坐标做差,差的绝对值应小于图像b2宽度的15%;
(4)椭圆的长轴长度应小于图像b2的宽度;
(5)椭圆的短轴长度应小于图像b2的高度;
在同时满足上述条件的椭圆中,选取出面积最大的椭圆;
步骤六、判断步骤二检测出的异物是否在定位出的枕梁孔部件区域内;
若检测出的异物在定位出的枕梁孔部件区域内,则进行故障报警后,返回步骤一;
否则,检测出的异物不在定位出的枕梁孔部件区域内,直接返回步骤一。
2.根据权利要求1所述的铁路货车枕梁孔搭载异物检测方法,其特征在于,所述高清灰度全车图像是利用照相机或摄像机拍摄获得的,照相机或摄像机搭载在货车轨道周围的固定设备上。
3.根据权利要求1所述的铁路货车枕梁孔搭载异物检测方法,其特征在于,所述步骤一中,从获取的图像中截取出枕梁孔区域图像,其具体过程为:
根据硬件的轴距信息和枕梁孔部件的位置信息,从获取的图像中截取出枕梁孔区域图像。
4.根据权利要求1所述的铁路货车枕梁孔搭载异物检测方法,其特征在于,所述阈值Q的取值为枕梁孔部件的面积。
5.根据权利要求1所述的铁路货车枕梁孔搭载异物检测方法,其特征在于,所述步骤四的具体过程为:
步骤四一、将步骤一截取出的枕梁孔区域图像记为图像a,对图像a进行水平翻转后,得到图像a1;
步骤四二、将图像a与图像a1线性相加,得到融合图像a2;
步骤四三、对融合图像a2进行直方图均衡化后,再对直方图均衡化后的图像进行二值化,得到二值化后的图像;
步骤四四、计算二值化后的图像中每行的像素平均值,各行的像素平均值形成一维数组arr_a2;
步骤四五、计算数组arr_a2中的最小值val_a2,以及最小值val_a2对应的坐标值loc_a2;loc_a2即为黑色横向贯穿缝隙的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010867472.2A CN112001908B (zh) | 2020-08-25 | 2020-08-25 | 铁路货车枕梁孔搭载异物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010867472.2A CN112001908B (zh) | 2020-08-25 | 2020-08-25 | 铁路货车枕梁孔搭载异物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001908A CN112001908A (zh) | 2020-11-27 |
CN112001908B true CN112001908B (zh) | 2021-03-09 |
Family
ID=73471521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010867472.2A Active CN112001908B (zh) | 2020-08-25 | 2020-08-25 | 铁路货车枕梁孔搭载异物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001908B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508906B (zh) * | 2020-12-02 | 2021-07-20 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车漏水孔异物快速检测方法、系统及装置 |
CN112614097B (zh) * | 2020-12-16 | 2022-02-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路火车轴箱转臂异物检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106767421A (zh) * | 2017-03-01 | 2017-05-31 | 长春工程学院 | 基于多目视觉的动车车身关键尺寸检测系统解决方案 |
CN109035363A (zh) * | 2018-07-05 | 2018-12-18 | 凌云光技术集团有限责任公司 | 一种快速迭代的线圆最优拟合方法 |
CN110610516A (zh) * | 2019-08-26 | 2019-12-24 | 湖南大学 | 铁路扣件螺母中心定位方法 |
CN111189399A (zh) * | 2019-12-05 | 2020-05-22 | 西安大目智能设备研究所有限公司 | 一种用于圆形工业零件尺寸的图像测量算法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542275B (zh) * | 2011-12-15 | 2014-04-23 | 广州商景网络科技有限公司 | 一种证件照背景自动识别方法及其系统 |
CA2892885C (en) * | 2015-02-20 | 2020-07-28 | Tetra Tech, Inc. | 3d track assessment system and method |
JP6591762B2 (ja) * | 2015-02-27 | 2019-10-16 | 三菱重工業株式会社 | 摩耗検査装置、摩耗検査方法及びプログラム |
CN107154034B (zh) * | 2016-03-03 | 2020-02-14 | 成都交大光芒科技股份有限公司 | 一种高铁接触网斜拉线定位钩的状态检测方法及系统 |
CN106203424A (zh) * | 2016-06-29 | 2016-12-07 | 合肥民众亿兴软件开发有限公司 | 一种基于网络的图像形状轮廓识别方法 |
CN109118508B (zh) * | 2018-08-31 | 2022-03-25 | 成都美律科技有限公司 | Ivoct图像血管壁内腔轮廓提取方法 |
CN111080602B (zh) * | 2019-12-12 | 2020-10-09 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车漏水孔异物检测方法 |
CN111079734B (zh) * | 2019-12-12 | 2020-07-31 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车三角孔异物检测方法 |
-
2020
- 2020-08-25 CN CN202010867472.2A patent/CN112001908B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106767421A (zh) * | 2017-03-01 | 2017-05-31 | 长春工程学院 | 基于多目视觉的动车车身关键尺寸检测系统解决方案 |
CN109035363A (zh) * | 2018-07-05 | 2018-12-18 | 凌云光技术集团有限责任公司 | 一种快速迭代的线圆最优拟合方法 |
CN110610516A (zh) * | 2019-08-26 | 2019-12-24 | 湖南大学 | 铁路扣件螺母中心定位方法 |
CN111189399A (zh) * | 2019-12-05 | 2020-05-22 | 西安大目智能设备研究所有限公司 | 一种用于圆形工业零件尺寸的图像测量算法 |
Also Published As
Publication number | Publication date |
---|---|
CN112001908A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2697738B1 (en) | Method and system of rail component detection using vision technology | |
Karakose et al. | A new computer vision based method for rail track detection and fault diagnosis in railways | |
CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
CN112001908B (zh) | 铁路货车枕梁孔搭载异物检测方法 | |
US9214016B2 (en) | Pantograph monitoring system and method | |
US20130279743A1 (en) | Anomalous railway component detection | |
KR102017870B1 (ko) | 실시간 선로 결함 검측 시스템 | |
CN109238756B (zh) | 货车运行故障动态图像检测设备及检测方法 | |
CN111079746B (zh) | 铁路货车轴箱弹簧故障图像识别方法 | |
CN109242035B (zh) | 车底故障检测装置及方法 | |
JP2017215220A (ja) | 鉄道車両の外観検査装置 | |
CN112907532B (zh) | 基于Faster RCNN改进的货车车门脱落检测方法 | |
CN115527170A (zh) | 货车脱轨自动制动装置塞门手把关闭故障识别方法及系统 | |
CN111832562B (zh) | 基于图像处理的弹簧托板故障识别方法 | |
CN111652228B (zh) | 铁路货车枕梁孔异物检测方法 | |
CN112085723B (zh) | 一种货车摇枕弹簧窜出故障自动检测方法 | |
CN112330600B (zh) | 基于图像处理的车端链接线断裂的故障识别方法 | |
CN112132824B (zh) | 一种货车轴箱弹簧故障自动检测方法 | |
CN112102293B (zh) | 铁路货车三角孔异物快速检测方法 | |
CN109754410B (zh) | 一种基于机器视觉的铁路车辆车厢计数方法 | |
CN112102297B (zh) | 一种铁路货车转向架弹簧托板折断故障识别方法 | |
CN111091557A (zh) | 一种铁路货车承载鞍挡边折断故障检测方法及系统 | |
CN112232243B (zh) | 基于3d图像信息的锁紧板故障识别方法 | |
CN112614097B (zh) | 铁路火车轴箱转臂异物检测方法 | |
CN112508906B (zh) | 铁路货车漏水孔异物快速检测方法、系统及装置 |
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 |