CN112330636A - 基于图像处理的铁路货车车轮破损检测方法 - Google Patents

基于图像处理的铁路货车车轮破损检测方法 Download PDF

Info

Publication number
CN112330636A
CN112330636A CN202011231736.1A CN202011231736A CN112330636A CN 112330636 A CN112330636 A CN 112330636A CN 202011231736 A CN202011231736 A CN 202011231736A CN 112330636 A CN112330636 A CN 112330636A
Authority
CN
China
Prior art keywords
image
fault
wheel
pixel point
ellipse
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
Application number
CN202011231736.1A
Other languages
English (en)
Other versions
CN112330636B (zh
Inventor
王斐
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.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical Co Ltd
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 Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN202011231736.1A priority Critical patent/CN112330636B/zh
Publication of CN112330636A publication Critical patent/CN112330636A/zh
Application granted granted Critical
Publication of CN112330636B publication Critical patent/CN112330636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • 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
    • G06T2207/10012—Stereo images
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

基于图像处理的铁路货车车轮破损检测方法，涉及图像处理技术领域，针对现有技术中人工检测铁路货车车轮破损故障准确率低的问题，本发明利用图像自动识别的方式代替人工检测，提高故障识别检测效率、准确率，降低人力成本。通过3D相机识别检测范围，效率更高更准确，通过灰度图像判定故障能够更有效的弥补3D相机不足，避免误检和漏检。先采用常规方式提取可能存在的故障区域，然后进行分类识别，可以有效提高运行效率。

Description

基于图像处理的铁路货车车轮破损检测方法
技术领域
本发明涉及图像处理技术领域，具体为基于图像处理的铁路货车车轮破损检测方法。
背景技术
目前动车组故障检测，一般采用人工排查的方式进行故障检修。由检测作业受作业人员的业务素质、责任心、劳动强度等因素影响较大，容易发生漏检或简化作业等情况。人工检测工作效率和准确率低，一旦出现作业质量问题，不利于查找作业过程中产生问题的原因和问题发生的时间。
通过3D相机的高度图像进行定位，选取整个车轮故障的识别范围。通过线阵相机的灰度图进行故障的判定识别。沿着车轮椭圆方向计算梯度特征判断在车轮上是否存在故障。
发明内容
本发明的目的是：针对现有技术中人工检测铁路货车车轮破损故障效率和准确率低的问题，提出基于图像处理的铁路货车车轮破损检测方法。
本发明为了解决上述技术问题采取的技术方案是：
基于图像处理的铁路货车车轮破损检测方法，包括以下步骤：
步骤一：获取待检测图像的3D图像及铁路货车车轮线阵图像，3D图像包括3D灰度图和3D高度图；
步骤二：以3D灰度图为模板对铁路货车车轮线阵图像做直方图规定化处理，得到规定化图像；
步骤三：提取规定化图像及3D灰度图的ORB特征；
步骤四：将规定化图像及3D灰度图的ORB特征进行匹配，得到变化矩阵；
步骤五：对3D高度图中的像素点进行调整，使调整后3D高度图中的轮辋高度值位于目标范围内；
步骤六：将调整后的3D高度图根据变换矩阵进行投影变换，得到投影变换后的3D高度图；
步骤七：获取投影变换后的3D高度图中轮辋高度值处于目标范围内的像素点，并将该范围内的像素点的灰度值设置为255，不在该范围内的像素点灰度值置为0，得到二值图；
步骤八：在二值图中，以车轮中心点为中心进行极坐标搜索，从中心点外围向内遍历，当遍历到的像素点由黑色转为白色时，则该像素点即为车轮外圈的像素点，当像素点由白色转为黑色时，该像素点即为内圈像素点；
步骤九：收集所有的内圈像素点和外圈像素点，并确定内圈像素点和外圈像素点的中心点，利用内圈像素点和外圈像素点的中心点使用最小二乘法拟合椭圆，根据得到的椭圆向内外同时扩展，扩展后的区域即为车轮检测区域；
步骤十：在车轮检测区域内，使用sobel算子获取原始铁路货车车轮线阵图像上对应的车轮检测区域内各像素点的梯度大小和方向，并根据原始铁路货车车轮线阵图像上对应的车轮检测区域内各像素点的梯度大小和方向得到车轮检测区域内各像素点的椭圆切线方向，然后循环遍历车轮检测区域范围内的像素点，当该像素点的梯度大小在梯度阈值内，同时该像素点的梯度方向与切线方向差值在方向差阈值内时，则认为该像素点为破损点，遍历结束后，根据获得的破损点集得到连通区域，即为故障区域；否则认为该像素点为未破损点，遍历结束后，根据获得的未破损点集得到连通区域，即为非故障区域。
进一步的，检测方法还包括检验步骤，检验步骤具体为：
步骤A：将待检测图像输入训练好的SVM中判定待检测图像中是否含有故障区域子图；
步骤B：若步骤十得到的结果为故障区域，且步骤C得到故障区域子图，则最终判定为故障，否则为非故障。
进一步的，训练好的SVM通过以下步骤训练：
步骤A1：截取样本铁路货车车轮线阵图像中的故障区域子图和非故障区域子图；
步骤A2：提取故障区域子图和非故障区域子图的LBP特征，并根据所提取的LBP特征对初始SVM进行训练，获得训练好的SVM。
进一步的，步骤A1的具体步骤为：
对于没有故障的图像以车轮中心为极坐标中心，每隔15度截取一段图像，即为非故障区域子图；
对于存在故障的图像，以车轮中心为极坐标中心，极坐标故障范围小于15度的，直接截取15度范围内的图像作为故障区域子图，大于15度的，分成两段，分别获取两个15度范围的截图，然后将两个15度范围的截图拼合在一起作为故障区域子图。
进一步的，步骤五通过如下公式进行调整：
g＝g0+b-k*y
其中，g0为原始值，g为调整后的值，k轮辋自下而上的变化率，y为像素点纵坐标值，b为调整值。
进一步的，步骤九中椭圆向内外同时扩展的范围为1±δ，其中δ为椭圆浮动阈值。
进一步的，1±δ范围表示为：
Figure BDA0002765441530000031
其中x1＝x-x0,y1＝y-y0，(x,y)为内圈像素点和外圈像素点中心点的坐标，(x0,y0)为椭圆中心，a和b分别为椭圆长轴和短轴，θ为椭圆倾斜角度。
进一步的，椭圆切线方向表示为：
Figure BDA0002765441530000032
其中x1＝x-x0,y1＝y-y0，(x,y)为内圈像素点和外圈像素点中心点的坐标，(x0,y0)为椭圆中心，a和b分别为椭圆长短轴，θ为椭圆倾斜角度，δ为椭圆浮动阈值。
进一步的，步骤十中连通区域通过膨胀处理得到。
进一步的，步骤七中轮辋高度值处于30000灰度值到33000灰度值之间。
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，提高故障识别检测效率、准确率，降低人力成本。
2、通过3D相机识别检测范围，效率更高更准确，通过灰度图像判定故障能够更有效的弥补3D相机不足，避免误检和漏检。
3.先采用常规方式提取可能存在的故障区域，然后进行分类识别，可以有效提高运行效率。
附图说明
图1为本发明故障判定流程图；
图2为轴箱端盖图示意图；
图3为本发明具体实施方式二的判定流程图。
具体实施方式
需要特别说明的是，在不冲突的情况下，本申请公开的各个实施例之间可以相互组合。
具体实施方式一：参照图1具体说明本实施方式，本实施方式的基于图像处理的铁路货车车轮破损检测方法，包括以下步骤：
步骤一：获取待检测图像的3D图像及铁路货车车轮线阵图像，3D图像包括3D灰度图和3D高度图；
步骤二：以3D灰度图为模板对铁路货车车轮线阵图像做直方图规定化处理，得到规定化图像；
步骤三：提取规定化图像及3D灰度图的ORB特征；
步骤四：将规定化图像及3D灰度图的ORB特征进行匹配，得到变化矩阵；
步骤五：对3D高度图中的像素点进行调整，使调整后3D高度图中的轮辋高度值位于目标范围内；
步骤六：将调整后的3D高度图根据变换矩阵进行投影变换，得到投影变换后的3D高度图；
步骤七：获取投影变换后的3D高度图中轮辋高度值处于目标范围内的像素点，并将该范围内的像素点的灰度值设置为255，不在该范围内的像素点灰度值置为0，得到二值图；
步骤八：在二值图中，以车轮中心点为中心进行极坐标搜索，从中心点外围向内遍历，当遍历到的像素点由黑色转为白色时，则该像素点即为车轮外圈的像素点，当像素点由白色转为黑色时，该像素点即为内圈像素点；
步骤九：收集所有的内圈像素点和外圈像素点，并确定内圈像素点和外圈像素点的中心点，利用内圈像素点和外圈像素点的中心点使用最小二乘法拟合椭圆，根据得到的椭圆向内外同时扩展，扩展后的区域即为车轮检测区域；
步骤十：在车轮检测区域内，使用sobel算子获取原始铁路货车车轮线阵图像上对应的车轮检测区域内各像素点的梯度大小和方向，并根据原始铁路货车车轮线阵图像上对应的车轮检测区域内各像素点的梯度大小和方向得到车轮检测区域内各像素点的椭圆切线方向，然后循环遍历车轮检测区域范围内的像素点，当该像素点的梯度大小在梯度阈值内，同时该像素点的梯度方向与切线方向差值在方向差阈值内时，则认为该像素点为破损点，遍历结束后，根据获得的破损点集得到连通区域，即为故障区域；否则认为该像素点为未破损点，遍历结束后，根据获得的未破损点集得到连通区域，即为非故障区域。
1、车轮检测范围识别
由于车轮表面剥落或者产生裂缝时，在3D相机高度图像中灰度值差异并不明显。在线阵图像中，由于存在较多的干扰定位车轮的检测范围比较困难。因此采用3D图像定位检测范围，线阵图像检测故障的方案。
由于3D图像和线阵图像分别采用不同的相机拍摄。因此，在图像中车轮的位置存在一定的偏差。
在3D相机的灰度图，包涵了图像的灰度信息。相对于线阵图像3D相机的灰度图包涵的信息亮偏少，不利于车轮破损故障的识别。以3D相机的灰度图的灰度图为模板，对线阵图做直方图规定化。提取调整后的图像和3D灰度图的ORB特征，然后进行特征匹配，得到变化矩阵。将3D高度图根据矩阵进行投影变换，使其与线阵图像完全匹配。
在3D相机的高度图中，车轮的灰度值与铁轨的灰度值相当，根据此特性获取图像中指定灰度值范围内的像素点，并将值置为255，其余像素点灰度值置为0。获取二值图即为车轮粗略的检测范围。
当相机固定后，车轮中心距离铁轨的高度大致确定，那么车轮中心点，在图像中的位置可以确定。以二值图纵坐标最大值点横坐标为车轮中心横坐标。在二值图中，以此点为中心进行极坐标搜索。每隔一定角度从中心点外围向内遍历，当遍历到的像素点值有黑色转为白色时，即为车轮外圈的像素点，当像素点有白色转为黑色时，即为内圈像素点。收集到内外圈像素点两个点的中心点，利用这些点使用最小二乘法拟合椭圆。在该椭圆向内外同时扩展一定区域，该区域即为车轮检测区域。
2、获取故障区域位置
在图像中车轮由于自身特性及光照的影响经常出现图中现象，内圈与外圈亮暗差距明显。为了消除这种影响，要求故障点位置的梯度方向主要沿着当前故障点所在椭圆的切线方向。导数方程如下：
Figure BDA0002765441530000051
其中x1＝x-x0,y1＝y-y0
循环遍历1±δ范围内椭圆上的点，使用sobel算子获取线阵图上对应椭圆点的梯度大小和方向。已知椭圆方程求导得出该点的椭圆切线方向。当梯度大小在阈值内，同时梯度方向与切线方向差值在阈值内，认为该点为破损形成的点。遍历结束后，获得的点集即为故障区域。
3、识别故障
在线阵图像中截取故障区域，截图为包涵故障区域的部分椭圆圆环。为了简化后续分离识别过程，统一将截取的图像旋转至圆环法线向上的方向。得到故障区域后，为了减少由于光照变化，下雨等环境因素产生的误报，进一步采用机器学习的方式进行分类识别。
为了减少误报，提取故障区域子图和非故障区域子图的LBP特征，使用SVM训练。在识别过程中，将上面获取的故障区域子图，提取LBP特征，使用SVM进行识别判断。先采用常规方式提取可能存在的故障区域，然后进行分类识别。如果将椭圆形故障区域直接分段截取子图，旋转后使用SVM分类，这样需要分类的图像数量大大增加，降低运行效率。
具体实施方式二：本实施方式是对具体实施方式一的进一步说明，本实施方式与具体实施方式一的区别是检测方法还包括检验步骤，检验步骤具体为：
步骤A：截取铁路货车车轮线阵图像中故障区域子图和非故障区域子图；
步骤B：提取故障区域子图和非故障区域子图的LBP特征，并根据LBP特征训练SVM。如图3所示。
具体实施方式三：本实施方式是对具体实施方式二的进一步说明，本实施方式与具体实施方式二的区别是训练好的SVM通过以下步骤训练：
步骤A1：截取样本铁路货车车轮线阵图像中的故障区域子图和非故障区域子图；
步骤A2：提取故障区域子图和非故障区域子图的LBP特征，并根据所提取的LBP特征对初始SVM进行训练，获得训练好的SVM。
具体实施方式四：本实施方式是对具体实施方式三的进一步说明，本实施方式与具体实施方式三的区别是步骤A的具体步骤为：
对于没有故障的图像以车轮中心为极坐标中心，每隔15度截取一段图像，即为非故障区域子图；
对于存在故障的图像，以车轮中心为极坐标中心，极坐标故障范围小于15度的，直接截取15度范围内的图像作为故障区域子图，大于15度的，分成两段，分别获取两个15度范围的截图，然后将两个15度范围的截图拼合在一起作为故障区域子图。
在现有技术中，若破损范围大于30度，则已发生事故，不需要进行检测。
具体实施方式五：本实施方式是对具体实施方式一的进一步说明，本实施方式与具体实施方式一的区别是步骤五通过如下公式进行调整：
g＝g0+b-k*y
其中，g0为原始值，g为调整后的值，k轮辋自下而上的变化率，y为像素点纵坐标值，b为调整值。
具体实施方式六：本实施方式是对具体实施方式一的进一步说明，本实施方式与具体实施方式一的区别是步骤九中椭圆向内外同时扩展的范围为1±δ，其中δ为椭圆浮动阈值。
具体实施方式七：本实施方式是对具体实施方式六的进一步说明，本实施方式与具体实施方式六的区别是1±δ范围表示为：
Figure BDA0002765441530000071
其中x1＝x-x0,y1＝y-y0，(x,y)为内圈像素点和外圈像素点中心点的坐标，(x0,y0)为椭圆中心，a和b分别为椭圆长轴和短轴，θ为椭圆倾斜角度，δ为椭圆浮动阈值。
具体实施方式八：本实施方式是对具体实施方式一的进一步说明，本实施方式与具体实施方式一的区别是椭圆切线方向表示为：
Figure BDA0002765441530000072
其中x1＝x-x0,y1＝y-y0，(x,y)为内圈像素点和外圈像素点中心点的坐标，(x0,y0)为椭圆中心，a和b分别为椭圆长短轴，θ为椭圆倾斜角度，δ为椭圆浮动阈值。
具体实施方式九：本实施方式是对具体实施方式一的进一步说明，本实施方式与具体实施方式一的区别是步骤十中连通区域通过膨胀处理得到。
具体实施方式十：本实施方式是对具体实施方式一的进一步说明，本实施方式与具体实施方式一的区别是步骤七中轮辋高度值处于30000灰度值到33000灰度值之间。
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 (10)

1.基于图像处理的铁路货车车轮破损检测方法，其特征在于包括以下步骤：
步骤一：获取待检测图像的3D图像及铁路货车车轮线阵图像，所述3D图像包括3D灰度图和3D高度图；
步骤二：以3D灰度图为模板对铁路货车车轮线阵图像做直方图规定化处理，得到规定化图像；
步骤三：提取规定化图像及3D灰度图的ORB特征；
步骤四：将规定化图像及3D灰度图的ORB特征进行匹配，得到变化矩阵；
步骤五：对3D高度图中的像素点进行调整，使调整后3D高度图中的轮辋高度值位于目标范围内；
步骤六：将调整后的3D高度图根据变换矩阵进行投影变换，得到投影变换后的3D高度图；
步骤七：获取投影变换后的3D高度图中轮辋高度值处于目标范围内的像素点，并将该范围内的像素点的灰度值设置为255，不在该范围内的像素点灰度值置为0，得到二值图；
步骤八：在二值图中，以车轮中心点为中心进行极坐标搜索，从中心点外围向内遍历，当遍历到的像素点由黑色转为白色时，则该像素点即为车轮外圈的像素点，当像素点由白色转为黑色时，该像素点即为内圈像素点；
步骤九：收集所有的内圈像素点和外圈像素点，并确定内圈像素点和外圈像素点的中心点，利用内圈像素点和外圈像素点的中心点使用最小二乘法拟合椭圆，根据得到的椭圆向内外同时扩展，扩展后的区域即为车轮检测区域；
步骤十：在车轮检测区域内，使用sobel算子获取原始铁路货车车轮线阵图像上对应的车轮检测区域内各像素点的梯度大小和方向，并根据原始铁路货车车轮线阵图像上对应的车轮检测区域内各像素点的梯度大小和方向得到车轮检测区域内各像素点的椭圆切线方向，然后循环遍历车轮检测区域范围内的像素点，当该像素点的梯度大小在梯度阈值内，同时该像素点的梯度方向与切线方向差值在方向差阈值内时，则认为该像素点为破损点，遍历结束后，根据获得的破损点集得到连通区域，即为故障区域；否则认为该像素点为未破损点，遍历结束后，根据获得的未破损点集得到连通区域，即为非故障区域。
2.根据权利要求1所述的基于图像处理的铁路货车车轮破损检测方法，其特征在于所述检测方法还包括检验步骤，所述检验步骤具体为：
步骤A：将待检测图像输入训练好的SVM中判定待检测图像中是否含有故障区域子图；
步骤B：若步骤十得到的结果为故障区域，且步骤C得到故障区域子图，则最终判定为故障，否则为非故障。
3.根据权利要求2所述的基于图像处理的铁路货车车轮破损检测方法，其特征在于所述训练好的SVM通过以下步骤训练：
步骤A1：截取样本铁路货车车轮线阵图像中的故障区域子图和非故障区域子图；
步骤A2：提取故障区域子图和非故障区域子图的LBP特征，并根据所提取的LBP特征对初始SVM进行训练，获得训练好的SVM。
4.根据权利要求3所述的基于图像处理的铁路货车车轮破损检测方法，其特征在于所述步骤A1的具体步骤为：
对于没有故障的图像以车轮中心为极坐标中心，每隔15度截取一段图像，即为非故障区域子图；
对于存在故障的图像，以车轮中心为极坐标中心，极坐标故障范围小于15度的，直接截取15度范围内的图像作为故障区域子图，大于15度的，分成两段，分别获取两个15度范围的截图，然后将两个15度范围的截图拼合在一起作为故障区域子图。
5.根据权利要求1所述的基于图像处理的铁路货车车轮破损检测方法，其特征在于所述步骤五通过如下公式进行调整：
g＝g0+b-k*y
其中，g0为原始值，g为调整后的值，k轮辋自下而上的变化率，y为像素点纵坐标值，b为调整值。
6.根据权利要求1所述的基于图像处理的铁路货车车轮破损检测方法，其特征在于所述步骤九中椭圆向内外同时扩展的范围为1±δ，其中δ为椭圆浮动阈值。
7.根据权利要求6所述的基于图像处理的铁路货车车轮破损检测方法，其特征在于所述1±δ范围表示为：
Figure FDA0002765441520000021
其中x1＝x-x0,y1＝y-y0，(x,y)为内圈像素点和外圈像素点中心点的坐标，(x0,y0)为椭圆中心，a和b分别为椭圆长轴和短轴，θ为椭圆倾斜角度。
8.根据权利要求1所述的基于图像处理的铁路货车车轮破损检测方法，其特征在于所述椭圆切线方向表示为：
Figure FDA0002765441520000031
其中x1＝x-x0,y1＝y-y0，(x,y)为内圈像素点和外圈像素点中心点的坐标，(x0,y0)为椭圆中心，a和b分别为椭圆长短轴，θ为椭圆倾斜角度，δ为椭圆浮动阈值。
9.根据权利要求1所述的基于图像处理的铁路货车车轮破损检测方法，其特征在于所述步骤十中连通区域通过膨胀处理得到。
10.根据权利要求1所述的基于图像处理的铁路货车车轮破损检测方法，其特征在于所述步骤七中轮辋高度值处于30000灰度值到33000灰度值之间。
CN202011231736.1A 2020-11-06 2020-11-06 基于图像处理的铁路货车车轮破损检测方法 Active CN112330636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011231736.1A CN112330636B (zh) 2020-11-06 2020-11-06 基于图像处理的铁路货车车轮破损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011231736.1A CN112330636B (zh) 2020-11-06 2020-11-06 基于图像处理的铁路货车车轮破损检测方法

Publications (2)

Publication Number Publication Date
CN112330636A true CN112330636A (zh) 2021-02-05
CN112330636B CN112330636B (zh) 2021-07-06

Family

ID=74315747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011231736.1A Active CN112330636B (zh) 2020-11-06 2020-11-06 基于图像处理的铁路货车车轮破损检测方法

Country Status (1)

Country Link
CN (1) CN112330636B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2998927A1 (en) * 2014-09-22 2016-03-23 ALSTOM Transport Technologies Method for detecting the bad positioning and the surface defects of specific components and associated detection device
CN108053392A (zh) * 2017-12-05 2018-05-18 南京航空航天大学 结合深度测量的车轮踏面擦伤视觉检测方法
CN109949269A (zh) * 2019-01-24 2019-06-28 武汉华目信息技术有限责任公司 一种铁路列车防尘帽破损故障的检测方法及装置
CN111080614A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车轮轮辋及踏面的破损识别方法
CN111652227A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 铁路货车底部地板破损故障检测方法
CN112098419A (zh) * 2020-09-11 2020-12-18 江苏理工学院 汽车外覆盖件表面缺陷检测系统、检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2998927A1 (en) * 2014-09-22 2016-03-23 ALSTOM Transport Technologies Method for detecting the bad positioning and the surface defects of specific components and associated detection device
CN108053392A (zh) * 2017-12-05 2018-05-18 南京航空航天大学 结合深度测量的车轮踏面擦伤视觉检测方法
CN109949269A (zh) * 2019-01-24 2019-06-28 武汉华目信息技术有限责任公司 一种铁路列车防尘帽破损故障的检测方法及装置
CN111080614A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车轮轮辋及踏面的破损识别方法
CN111652227A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 铁路货车底部地板破损故障检测方法
CN112098419A (zh) * 2020-09-11 2020-12-18 江苏理工学院 汽车外覆盖件表面缺陷检测系统、检测方法

Also Published As

Publication number Publication date
CN112330636B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN105334219B (zh) 一种残差分析动态阈值分割的瓶口缺陷检测方法
CN108918526B (zh) 一种柔性ic封装基板线路的缺口缺陷检测方法
CN107895375B (zh) 基于视觉多特征的复杂道路线提取方法
CN111178236A (zh) 一种基于深度学习的车位检测方法
CN107239742B (zh) 一种仪表指针刻度值计算方法
CN113379712B (zh) 一种基于计算机视觉的钢桥螺栓病害检测方法及系统
US10726277B2 (en) Lane line detection method
CN103971128A (zh) 一种面向无人驾驶车的交通标志识别方法
CN107133623B (zh) 一种基于背景差和圆心定位的指针位置精确检测方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN110427979B (zh) 基于K-Means聚类算法的道路水坑识别方法
CN112232222B (zh) 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法
CN110889827A (zh) 一种基于视觉的输电线路杆塔在线识别和倾斜检测方法
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
CN111667470A (zh) 一种基于数字图像的工业管道探伤内壁检测方法
CN115063802A (zh) 一种基于PSENet的圆形印章识别方法、设备及介质
CN112598066A (zh) 一种基于机器视觉的轻量化道路路面检测方法及系统
CN109544513A (zh) 一种钢管端面缺陷提取识别的方法
CN115375629A (zh) 一种lcd屏幕中线缺陷检测及缺陷信息提取方法
CN114663859A (zh) 灵敏准确的复杂路况车道偏移实时预警系统
CN112434694B (zh) 一种滚动轴承前盖外圈破损故障识别方法及系统
CN116883446B (zh) 一种车载摄像头镜片碾磨程度实时监测系统
CN112330636B (zh) 基于图像处理的铁路货车车轮破损检测方法
CN113516123A (zh) 一种针对轮胎压印字符的检测识别方法
CN116523922A (zh) 一种轴承表面缺陷识别方法

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