CN112651965A - 一种车轮踏面缺陷三维检测方法及其系统 - Google Patents
一种车轮踏面缺陷三维检测方法及其系统 Download PDFInfo
- Publication number
- CN112651965A CN112651965A CN202110047893.5A CN202110047893A CN112651965A CN 112651965 A CN112651965 A CN 112651965A CN 202110047893 A CN202110047893 A CN 202110047893A CN 112651965 A CN112651965 A CN 112651965A
- Authority
- CN
- China
- Prior art keywords
- wheel
- grating
- deformation
- dimensional
- point cloud
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 208000034656 Contusions Diseases 0.000 description 1
- 241000271559 Dromaiidae Species 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种车轮踏面缺陷三维检测方法及其系统，包括：S1：采集列车车轮的车轮光栅图像数据；S2：提取车轮光栅图像数据对应的车轮真实形变量数据；S3：基于车轮真实形变量数据和摄像单元参数生成车轮三维点云图像；S4：基于车轮三维点云图像生成车轮尺寸和缺陷区域。本发明通过预训练的网络模型提取光栅形变区域并基于形变光栅与真实形变量的直接映射关系生成车轮真实形变量数据，进而完成车轮三维点云图像的重构，避免了车轮踏面表面存在污渍影响条纹效果时对重构车轮三维点云图像的精确度的影响。并基于所述车轮三维点云图像准确提取车轮尺寸和缺陷区域，解决了现有的车轮踏面缺陷三维检测方法存在的检测结果可靠性低的问题。
Description
技术领域
本发明涉及轨道车辆检测技术领域，具体涉及一种车轮踏面缺陷三维检测方法及其系统。
背景技术
列车车轮是关系到列车运行安全的关键部分，它把车辆的载荷传给钢轨，并在钢轨上转动来完成列车的运行，是列车运行的最终受力部件。轮对踏面是列车车轮与钢轨顶面接触的部分，轮对踏面的完好性是行车安全性的重要因素，在运行过程中，车轮踏面会出现磨耗超限、踏面擦伤、剥离、磕伤等轮辋表面缺陷等质量问题，这些问题可能会直接导致脱轨事故的发生，影响动车组运行安全。鉴于此，需要对列车车轮踏面进行日常动态检测，保障列车运行安全。
传统的国内外针对车轮踏面缺陷检测方法，仍主要基于2D图像，结合传统模式识别或深度学习技术实现检测。而普通的二维图像踏面缺陷无法避免污渍、雨水所带来的干扰，当缺陷与异物的特征相同时，容易导致误报；依赖缺陷造成的图像光暗变化进行检测，当出现微小缺陷时检出率较低。因此，传统的缺陷检测算法无法解决车轮踏面附着的异物造成系统误报的问题且无法检测微小缺陷。
综上所述，现有的车轮踏面缺陷检测方法存在检测结果可靠性低的问题。
发明内容
有鉴于此，本发明提供一种车轮踏面缺陷三维检测方法及其系统，通过改进图像的采集及处理方法，解决了现有的车轮踏面缺陷三维检测方法存在的检测结果可靠性低的问题。
为解决以上问题，本发明的技术方案为采用一种车轮踏面缺陷三维检测方法，包括：S1：采集列车车轮的车轮光栅图像数据；S2：提取所述车轮光栅图像数据对应的车轮真实形变量数据；S3：基于所述车轮真实形变量数据和摄像单元参数生成车轮三维点云图像；S4：基于所述车轮三维点云图像生成车轮尺寸和缺陷区域。
可选地，所述S2包括：获取由多张列车车轮的光栅照片构成的数据集，采集每张所述光栅照片对应的列车车轮的真实形变量，并对每张所述光栅照片的光栅形变区域进行标注，构建每张所述光栅照片的所述光栅形变区域与列车车轮的所述真实形变量的映射关系，生成由多张包含光栅形变区域标记的光栅照片构成的训练样本集和测试集；基于所述训练样本集和第一测试集，对网络模型进行训练并验证，生成用于分割所述光栅形变区域的语义分割模型；将所述车轮光栅图像数据输入神经网络单元，基于所述语义分割模型获取所述光栅形变区域；基于所述光栅形变区域与列车车轮的所述真实形变量的映射关系，通过获取的所述光栅形变区域生成所述车轮真实形变量数据。
可选地，所述S3包括：对多个所述摄像单元进行内参标定获取内参和畸变参数；选取主摄像头，并对所述主摄像头外的其余多个所述摄像单元进行外参标定获取外参、平移向量，并计算所述投影矩阵；基于所述投影矩阵和所述车轮真实形变量数据生成所述车轮三维点云图像。
可选地，生成车轮尺寸包括：生成所述车轮三维点云图像后，基于车轮轮径方向，提取多条车轮外形轮廓曲线并计算出所述车轮尺寸。
可选地，生成缺陷区域包括：生成所述车轮三维点云图像后，通过调用预存储的标准车轮踏面三维图像数据，基于所述车轮三维点云图像和所述标准车轮踏面三维图像数据进行粗配准和精配准后，通过差异检测提取差异区域；计算所述差异区域的高斯曲率，遍历所述差异区域中全部属于曲率不连续点的像素点构建用于表征所述缺陷区域的像素点集合。
可选地，所述粗配准的方法为基于穷举搜索的配准算法或基于特征匹配的配准算法，所述精配准的方法为ICP算法。
相应地，本发明提供，一种车轮踏面缺陷三维检测系统，包括：多个摄像单元，用于采集列车车轮的车轮光栅图像数据；神经网络单元，用于提取所述车轮光栅图像数据对应的车轮真实形变量数据；数据处理单元，基于所述车轮真实形变量数据和摄像单元参数生成车轮三维点云图像，并基于所述车轮三维点云图像生成车轮尺寸和缺陷区域。
可选地，多个所述摄像单元按照等间距的方式设置于车轮轨道两侧，通过每个所述摄像单元采集车轮踏面不同部分的所述车轮光栅图像数据的方式，多个所述摄像单元所采集的所述车轮光栅图像数据共同构成车轮踏面全区域的所述车轮光栅图像数据，其中，所述摄像单元包括光栅发生器和相机，所述相机通过采集所述光栅发生器照射于车轮表面的图像生成所述车轮光栅图像数据。
可选地，所述神经网络单元获取由多张列车车轮的光栅照片构成的数据集，采集每张所述光栅照片对应的列车车轮的真实形变量，并对每张所述光栅照片的光栅形变区域进行标注，构建每张所述光栅照片的所述光栅形变区域与列车车轮的所述真实形变量的映射关系，生成由多张包含光栅形变区域标记的光栅照片构成的训练样本集和测试集，并基于所述训练样本集和第一测试集，对网络模型进行训练并验证，生成用于分割所述光栅形变区域的语义分割模型后，将所述车轮光栅图像数据输入神经网络单元，基于所述语义分割模型获取所述光栅形变区域，并基于所述光栅形变区域与列车车轮的所述真实形变量的映射关系，通过获取的所述光栅形变区域生成所述车轮真实形变量数据。
可选地，所述数据处理单元生成所述车轮三维点云图像后，基于车轮轮径方向提取多条车轮外形轮廓曲线并计算出所述车轮尺寸，并通过调用预存储的标准车轮踏面三维图像数据，基于所述车轮三维点云图像和所述标准车轮踏面三维图像数据进行粗配准和精配准后，通过差异检测提取差异区域后，计算所述差异区域的高斯曲率，遍历所述差异区域中全部属于曲率不连续点的像素点构建用于表征所述缺陷区域的像素点集合。
本发明的首要改进之处为提供的车轮踏面缺陷三维检测方法，通过预训练的网络模型提取光栅形变区域并基于形变光栅与真实形变量的直接映射关系生成车轮真实形变量数据，进而完成车轮三维点云图像的重构，避免了传统滤波器算法对条纹图像质量要求较高的限制，避免了车轮踏面表面存在污渍影响条纹效果时对重构车轮三维点云图像的精确度的影响。并利用三维点云图像的深度信息可有效去除车轮踏面表面污渍的影响的特性，基于所述车轮三维点云图像准确提取车轮尺寸和缺陷区域，解决了现有的车轮踏面缺陷三维检测方法存在的检测结果可靠性低的问题。
附图说明
图1是本发明的车轮踏面缺陷三维检测方法的简化流程图；
图2是本发明的车轮踏面缺陷三维检测系统的简化模块连接图；
图3是本发明的摄像单元的简化装置连接图；
图4是本发明的车轮光栅图像数据的示例图；
图5是本发明的车轮三维点云图像的示例图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示，一种车轮踏面缺陷三维检测方法，包括：
S1：如图4所示，采集列车车轮的车轮光栅图像数据。
S2：提取所述车轮光栅图像数据对应的车轮真实形变量数据。
进一步的，所述S2包括：获取由多张列车车轮的光栅照片构成的数据集，采集每张所述光栅照片对应的列车车轮的真实形变量，并对每张所述光栅照片的光栅形变区域进行标注，构建每张所述光栅照片的所述光栅形变区域与列车车轮的所述真实形变量的映射关系，生成由多张包含光栅形变区域标记的光栅照片构成的训练样本集和测试集；基于所述训练样本集和第一测试集，对网络模型进行训练并验证，生成用于分割所述光栅形变区域的语义分割模型；将所述车轮光栅图像数据输入神经网络单元，基于所述语义分割模型获取所述光栅形变区域；基于所述光栅形变区域与列车车轮的所述真实形变量的映射关系，通过获取的所述光栅形变区域生成所述车轮真实形变量数据。
S3：基于所述车轮真实形变量数据和摄像单元参数生成车轮三维点云图像。
进一步的，如图5所示，所述S3包括：对多个所述摄像单元进行内参标定获取内参和畸变参数；选取主摄像头，并对所述主摄像头外的其余多个所述摄像单元进行外参标定获取外参、平移向量，并计算所述投影矩阵；基于所述投影矩阵和所述车轮真实形变量数据生成所述车轮三维点云图像。
S4：基于所述车轮三维点云图像生成车轮尺寸和缺陷区域。
进一步的，生成车轮尺寸包括：生成所述车轮三维点云图像后，基于车轮轮径方向，提取多条车轮外形轮廓曲线并计算出所述车轮尺寸。
更进一步的，生成缺陷区域包括：生成所述车轮三维点云图像后，通过调用预存储的标准车轮踏面三维图像数据，基于所述车轮三维点云图像和所述标准车轮踏面三维图像数据进行粗配准和精配准后，通过差异检测提取差异区域；计算所述差异区域的高斯曲率，遍历所述差异区域中全部属于曲率不连续点的像素点构建用于表征所述缺陷区域的像素点集合。其中，所述粗配准的方法为基于穷举搜索的配准算法或基于特征匹配的配准算法，所述精配准的方法为ICP算法。
由于传统的结构光技术所使用的滤波器算法中，对于当前图像每个点的解码与其周围点密切相关，导致其解码误差会被积累。而在物体表面存在污渍等情况影响到条纹效果时，其数据精度会受到较大影响。而本发明通过预训练的网络模型提取光栅形变区域并基于形变光栅与真实形变量的直接映射关系生成车轮真实形变量数据，进而完成车轮三维点云图像的重构，避免了传统滤波器算法对条纹图像质量要求较高的限制，避免了车轮踏面表面存在污渍影响条纹效果时对重构车轮三维点云图像的精确度的影响。并利用三维点云图像的深度信息可有效去除车轮踏面表面污渍的影响的特性，基于所述车轮三维点云图像准确提取车轮尺寸和缺陷区域。
相应的，如图2所示，本发明提供，一种车轮踏面缺陷三维检测系统，包括：多个摄像单元，用于采集列车车轮的车轮光栅图像数据；神经网络单元，用于提取所述车轮光栅图像数据对应的车轮真实形变量数据；数据处理单元，基于所述车轮真实形变量数据和摄像单元参数生成车轮三维点云图像，并基于所述车轮三维点云图像生成车轮尺寸和缺陷区域。其中，所述多个摄像单元与所述神经网络单元电气连接，所述神经网络单元与所述数据处理单元电气连接。
进一步的，多个所述摄像单元按照等间距的方式设置于车轮轨道两侧，通过每个所述摄像单元采集车轮踏面不同部分的所述车轮光栅图像数据的方式，多个所述摄像单元所采集的所述车轮光栅图像数据共同构成车轮踏面全区域的所述车轮光栅图像数据，其中，如图3所示，所述摄像单元包括光栅发生器和相机，所述相机通过采集所述光栅发生器照射于车轮表面的图像生成所述车轮光栅图像数据。
更进一步的，所述摄像单元还可以设置有触发装置，以便于列车经过时能够准确定位列车位置并启动光栅发生器和相机以采集所述车轮光栅图像数据。
进一步的，所述神经网络单元获取由多张列车车轮的光栅照片构成的数据集，采集每张所述光栅照片对应的列车车轮的真实形变量，并对每张所述光栅照片的光栅形变区域进行标注，构建每张所述光栅照片的所述光栅形变区域与列车车轮的所述真实形变量的映射关系，生成由多张包含光栅形变区域标记的光栅照片构成的训练样本集和测试集，并基于所述训练样本集和第一测试集，对网络模型进行训练并验证，生成用于分割所述光栅形变区域的语义分割模型后，将所述车轮光栅图像数据输入神经网络单元，基于所述语义分割模型获取所述光栅形变区域，并基于所述光栅形变区域与列车车轮的所述真实形变量的映射关系，通过获取的所述光栅形变区域生成所述车轮真实形变量数据。
进一步的，所述数据处理单元生成所述车轮三维点云图像后，基于车轮轮径方向提取多条车轮外形轮廓曲线并计算出所述车轮尺寸，并通过调用预存储的标准车轮踏面三维图像数据，基于所述车轮三维点云图像和所述标准车轮踏面三维图像数据进行粗配准和精配准后，通过差异检测提取差异区域后，计算所述差异区域的高斯曲率，遍历所述差异区域中全部属于曲率不连续点的像素点构建用于表征所述缺陷区域的像素点集合。
以上对本发明实施例所提供的车轮踏面缺陷三维检测方法及其系统进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (10)
1.一种车轮踏面缺陷三维检测方法，其特征在于，包括：
S1：采集列车车轮的车轮光栅图像数据；
S2：提取所述车轮光栅图像数据对应的车轮真实形变量数据；
S3：基于所述车轮真实形变量数据和摄像单元参数生成车轮三维点云图像；
S4：基于所述车轮三维点云图像生成车轮尺寸和缺陷区域。
2.根据权利要求1所述的车轮踏面缺陷三维检测方法，其特征在于，所述S2包括：
获取由多张列车车轮的光栅照片构成的数据集，采集每张所述光栅照片对应的列车车轮的真实形变量，并对每张所述光栅照片的光栅形变区域进行标注，构建每张所述光栅照片的所述光栅形变区域与列车车轮的所述真实形变量的映射关系，生成由多张包含光栅形变区域标记的光栅照片构成的训练样本集和测试集；
基于所述训练样本集和第一测试集，对网络模型进行训练并验证，生成用于分割所述光栅形变区域的语义分割模型；
将所述车轮光栅图像数据输入神经网络单元，基于所述语义分割模型获取所述光栅形变区域；
基于所述光栅形变区域与列车车轮的所述真实形变量的映射关系，通过获取的所述光栅形变区域生成所述车轮真实形变量数据。
3.根据权利要求1所述的车轮踏面缺陷三维检测方法，其特征在于，所述S3包括：
对多个所述摄像单元进行内参标定获取内参和畸变参数；
选取主摄像头，并对所述主摄像头外的其余多个所述摄像单元进行外参标定获取外参、平移向量，并计算所述投影矩阵；
基于所述投影矩阵和所述车轮真实形变量数据生成所述车轮三维点云图像。
4.根据权利要求1所述的车轮踏面缺陷三维检测方法，生成车轮尺寸包括：
生成所述车轮三维点云图像后，基于车轮轮径方向，提取多条车轮外形轮廓曲线并计算出所述车轮尺寸。
5.根据权利要求1所述的车轮踏面缺陷三维检测方法，其特征在于，生成缺陷区域包括：
生成所述车轮三维点云图像后，通过调用预存储的标准车轮踏面三维图像数据，基于所述车轮三维点云图像和所述标准车轮踏面三维图像数据进行粗配准和精配准后，通过差异检测提取差异区域；
计算所述差异区域的高斯曲率，遍历所述差异区域中全部属于曲率不连续点的像素点构建用于表征所述缺陷区域的像素点集合。
6.根据权利要求5所述的车轮踏面缺陷三维检测方法，其特征在于，所述粗配准的方法为基于穷举搜索的配准算法或基于特征匹配的配准算法，所述精配准的方法为ICP算法。
7.一种车轮踏面缺陷三维检测系统，其特征在于，包括：
多个摄像单元，用于采集列车车轮的车轮光栅图像数据；
神经网络单元，用于提取所述车轮光栅图像数据对应的车轮真实形变量数据；
数据处理单元，基于所述车轮真实形变量数据和摄像单元参数生成车轮三维点云图像，并基于所述车轮三维点云图像生成车轮尺寸和缺陷区域。
8.根据权利要求7所述的车轮踏面缺陷三维检测系统，其特征在于，多个所述摄像单元按照等间距的方式设置于车轮轨道两侧，通过每个所述摄像单元采集车轮踏面不同部分的所述车轮光栅图像数据的方式，多个所述摄像单元所采集的所述车轮光栅图像数据共同构成车轮踏面全区域的所述车轮光栅图像数据，其中，
所述摄像单元包括光栅发生器和相机，所述相机通过采集所述光栅发生器照射于车轮表面的图像生成所述车轮光栅图像数据。
9.根据权利要求7所述的车轮踏面缺陷三维检测系统，其特征在于，所述神经网络单元获取由多张列车车轮的光栅照片构成的数据集，采集每张所述光栅照片对应的列车车轮的真实形变量，并对每张所述光栅照片的光栅形变区域进行标注，构建每张所述光栅照片的所述光栅形变区域与列车车轮的所述真实形变量的映射关系，生成由多张包含光栅形变区域标记的光栅照片构成的训练样本集和测试集，并基于所述训练样本集和第一测试集，对网络模型进行训练并验证，生成用于分割所述光栅形变区域的语义分割模型后，将所述车轮光栅图像数据输入神经网络单元，基于所述语义分割模型获取所述光栅形变区域，并基于所述光栅形变区域与列车车轮的所述真实形变量的映射关系，通过获取的所述光栅形变区域生成所述车轮真实形变量数据。
10.根据权利要求7所述的车轮踏面缺陷三维检测系统，其特征在于，所述数据处理单元生成所述车轮三维点云图像后，基于车轮轮径方向提取多条车轮外形轮廓曲线并计算出所述车轮尺寸，并通过调用预存储的标准车轮踏面三维图像数据，基于所述车轮三维点云图像和所述标准车轮踏面三维图像数据进行粗配准和精配准后，通过差异检测提取差异区域后，计算所述差异区域的高斯曲率，遍历所述差异区域中全部属于曲率不连续点的像素点构建用于表征所述缺陷区域的像素点集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110047893.5A CN112651965B (zh) | 2021-01-14 | 2021-01-14 | 一种车轮踏面缺陷三维检测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110047893.5A CN112651965B (zh) | 2021-01-14 | 2021-01-14 | 一种车轮踏面缺陷三维检测方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112651965A true CN112651965A (zh) | 2021-04-13 |
| CN112651965B CN112651965B (zh) | 2023-11-07 |
Family
ID=75368134
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110047893.5A Active CN112651965B (zh) | 2021-01-14 | 2021-01-14 | 一种车轮踏面缺陷三维检测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651965B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362468A (zh) * | 2021-07-05 | 2021-09-07 | 上海大学 | 一种火车轮毂的尺寸测量方法 |
| CN114426039A (zh) * | 2022-03-14 | 2022-05-03 | 浙江师范大学 | 一种基于城轨列车车轮踏面的点云数据处理方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070064244A1 (en) * | 2005-09-16 | 2007-03-22 | Mian Zahid F | Optical wheel evaluation |
| CN107677212A (zh) * | 2017-08-03 | 2018-02-09 | 东莞市诺丽电子科技有限公司 | 基于结构光的车轮多参数在线测量系统及其测量方法 |
| 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 |
| CN108921846A (zh) * | 2018-07-17 | 2018-11-30 | 北京航空航天大学 | 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法 |
| CN208270445U (zh) * | 2018-06-25 | 2018-12-21 | 南昌工程学院 | 基于三维测量的轨道部件表面缺陷检测装置 |
| CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
| CN111089547A (zh) * | 2020-01-20 | 2020-05-01 | 成都主导科技有限责任公司 | 列车轮对外形尺寸测量系统、测量装置及测量方法 |
| CN111122598A (zh) * | 2019-12-16 | 2020-05-08 | 北京冶自欧博科技发展有限公司 | 一种钢轨表面缺陷三维检测系统及方法 |
-
2021
- 2021-01-14 CN CN202110047893.5A patent/CN112651965B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070064244A1 (en) * | 2005-09-16 | 2007-03-22 | Mian Zahid F | Optical wheel evaluation |
| CN107677212A (zh) * | 2017-08-03 | 2018-02-09 | 东莞市诺丽电子科技有限公司 | 基于结构光的车轮多参数在线测量系统及其测量方法 |
| 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 |
| CN208270445U (zh) * | 2018-06-25 | 2018-12-21 | 南昌工程学院 | 基于三维测量的轨道部件表面缺陷检测装置 |
| CN108921846A (zh) * | 2018-07-17 | 2018-11-30 | 北京航空航天大学 | 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法 |
| CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
| CN111122598A (zh) * | 2019-12-16 | 2020-05-08 | 北京冶自欧博科技发展有限公司 | 一种钢轨表面缺陷三维检测系统及方法 |
| CN111089547A (zh) * | 2020-01-20 | 2020-05-01 | 成都主导科技有限责任公司 | 列车轮对外形尺寸测量系统、测量装置及测量方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362468A (zh) * | 2021-07-05 | 2021-09-07 | 上海大学 | 一种火车轮毂的尺寸测量方法 |
| CN113362468B (zh) * | 2021-07-05 | 2022-06-03 | 上海大学 | 一种火车轮毂的尺寸测量方法 |
| CN114426039A (zh) * | 2022-03-14 | 2022-05-03 | 浙江师范大学 | 一种基于城轨列车车轮踏面的点云数据处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112651965B (zh) | 2023-11-07 |
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 | |
| CN102854191B (zh) | 高速铁轨表面缺陷的实时视觉检测与识别方法 | |
| Dubey et al. | Maximally stable extremal region marking-based railway track surface defect sensing | |
| CN104599280B (zh) | 一种道路裂缝交叉点提取方法及系统 | |
| CN112651965B (zh) | 一种车轮踏面缺陷三维检测方法及其系统 | |
| CN115482195B (zh) | 一种基于三维点云的列车部件变形检测方法 | |
| CN113240623B (zh) | 一种路面病害检测方法及装置 | |
| CN109489724A (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
| CN111080613B (zh) | 一种铁路货车浴盆破损故障图像识别方法 | |
| CN113808096B (zh) | 一种非接触式的螺栓松动检测方法及其系统 | |
| CN107798293A (zh) | 一种道路裂缝检测装置 | |
| CN111754460A (zh) | 一种转辙机缺口自动检测方法、系统及存储介质 | |
| CN108664997A (zh) | 基于级联Faster R-CNN的高铁接触网等电位线不良状态检测方法 | |
| CN112488995B (zh) | 列车自动化检修的智能判伤方法及系统 | |
| CN109360188A (zh) | 一种高铁接触网等电位线不良状态的检测方法 | |
| CN108109146A (zh) | 一种路面标志线缺陷检测装置 | |
| CN111597992B (zh) | 一种基于视频监控的场景物体异常的识别方法 | |
| CN112907626A (zh) | 基于卫星超时相数据多源信息的运动目标提取方法 | |
| CN115082377A (zh) | 一种基于无人机的建筑物表面裂缝几何参数测量方法及系统 | |
| Abou Chacra et al. | Municipal infrastructure anomaly and defect detection | |
| CN117593290A (zh) | 列车360度动态图像监测系统的螺栓松动检测方法及设备 | |
| CN117670837A (zh) | 基于深度学习的盾构隧道纵缝识别与变形计算方法 | |
| CN116188449B (zh) | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 | |
| Gorintla et al. | Deep-learning-based intelligent PotholeEye+ detection pavement distress detection system | |
| CN114998286A (zh) | 一种列车的车轮踏面缺陷检测方法及其系统 |
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 | ||
| CB02 | Change of applicant information |
Address after: No. 389, Wenjia Road, Qingyang District, Chengdu, Sichuan 610000 Applicant after: CHENGDU TIEAN SCIENCE & TECHNOLOGY Co.,Ltd. Address before: 6 Donghai Road, Qingyang Park, Jiaolong industrial port, Bazhong, Sichuan 610000 Applicant before: CHENGDU TIEAN SCIENCE & TECHNOLOGY Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |