CN112802047B - 一种基于弹性形变算法的吊弦故障仿真方法 - Google Patents
一种基于弹性形变算法的吊弦故障仿真方法 Download PDFInfo
- Publication number
- CN112802047B CN112802047B CN202110042979.9A CN202110042979A CN112802047B CN 112802047 B CN112802047 B CN 112802047B CN 202110042979 A CN202110042979 A CN 202110042979A CN 112802047 B CN112802047 B CN 112802047B
- Authority
- CN
- China
- Prior art keywords
- dropper
- image
- elastic deformation
- area
- straight line
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000005489 elastic deformation Effects 0.000 title claims abstract description 17
- 238000004088 simulation Methods 0.000 title claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000005452 bending Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002787 reinforcement 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于弹性形变算法的吊弦故障仿真方法，具体为：首先通过直线检测算法将正常吊弦图像中的吊弦检测出来，并将原吊弦图像分成两部分，一为吊弦区域的图像，二为用背景将吊弦区域填充后的无吊弦图像；再根据吊弦故障类型设计相应的函数，再通过弹性形变算法将吊弦区域的图像单独进行处理，得到相应形状的吊弦，最后再与无吊弦图像结合得到相应的故障吊弦样本。本发明只对吊弦进行处理，因此不会扭曲其他区域的图像；能够仿真出多种故障吊弦样本，有效解决了故障吊弦样本稀缺的问题。
Description
技术领域
本发明属于机车监控与铁路运营安全领域，尤其涉及一种基于弹性形变算法的吊弦故障仿真方法。
背景技术
高速铁路接触网是列车安全运营的重要设施，整体吊弦是接触网系统的关键组成部分，安装在承力索和接触线之间，主要作用是增加接触悬挂点，改善接触线的弛度和弹性均匀度，调节接触悬挂的结构高度，并起到一定承载力和载流的作用。受电弓通过时，接触线持续抬高、振动，整体吊弦也随之抬高、弯曲，整体吊弦会出现松脱、断脱等故障，成为影响列车安全运营的一大隐患。
目前，基于深度学习的图像处理技术广泛应用于目标检测，但是吊弦的异常样本稀少，满足不了深度学习对于大数据的需求。因此需要通过异常样本仿真的来获得更多的异常样本。目前的图像增强方法可以仿真一些松脱的吊弦，但会对图像的其他部件也造成影响，并且无法仿真其他故障吊弦。
发明内容
为解决现有吊弦松脱异常样本稀少问题。本发明提供一种基于弹性形变算法的吊弦故障仿真方法。
本发明的一种基于弹性形变算法的吊弦故障仿真方法，包括以下步骤：
步骤1：首先对正常吊弦样本图像进行直线检测，再对直线进行筛选，选出代表吊弦的直线；然后再通过这条直线画出一个蒙蔽，通过蒙蔽提取出吊弦区域图像，并将原图中吊弦区域图像用背景填充，得到去除吊弦的背景图。
步骤2：设计一个能够模拟故障吊弦形状的函数，根据该函数生成弹性形变算法中的位移算子矩阵，利用弹性形变算法改变吊弦区域的形状，根据吊弦松脱和断脱故障的不同需求，将吊弦区域改变成不同的形状。
步骤3：最后将改变形状后的吊弦区域图像与去除吊弦的背景图结合得到故障吊弦样本。
进一步的，步骤1中将吊弦区域图像提取出来单独进行增强，并使用基于快速行进方法的图像修复技术填充原图中的吊弦区域，得到一个去除吊弦的背景图。
步骤2具体为：
S2.1生成一个与吊弦原图大小一致的位移算子矩阵Δx，它包含m个相同的列向量元素dx；再通过一个描述吊弦形状的函数对其进行赋值；Δx的结构如下：
dx＝(dx0,dx1,...,dxn-1)
其中n为图像的高度，m为图像的宽度。
S2.2根据Δx和原图生成与原图大小相同的新图像，新图像(x,y)处的像素由原图像(x-Δx(x,y),y)处周围的四个像素通过双线性插值得到，公式如下：
I′(x,y)＝I(x′,y)＝(x′-[x′])(I([x′]+1,y)-I([x′],y))+I([x′],y)
其中，I(x,y)为原图像在(x,y)处的像素值，I′(x,y)为新图像在(x,y)处的像素值，[]为向下取整数。
本发明的有益技术效果为：
本发明只对吊弦进行处理，不改变其他区域，不会导致图中承力索、接触线等物体形变。本发明可控性强，能够控制吊弦形状按照需求进行改变，仿真各种类型的故障吊弦。
附图说明
图1为本发明的流程示意图。
图2为本发明步骤1的操作示意图。
图3为本发明效果图。
具体实施方式
下面结合附图和具体实施方法对本发明做进一步详细说明。
本发明的一种基于弹性形变算法的吊弦故障仿真方法如图1所示，包括以下步骤：
步骤1：首先对正常吊弦样本图像进行直线检测，再对直线进行筛选，选出代表吊弦的直线；然后再通过这条直线画出一个蒙蔽(一根有一定宽度的线段)，通过蒙蔽提取出吊弦区域(蒙蔽处为吊弦样本原图的图像，其它区域为白色)，并将原图中吊弦区域的图像用背景填充，得到去除吊弦的背景图(非蒙蔽处为吊弦样本原图，蒙蔽处的图像由非蒙蔽处的图像利用基于快速行进方法的图像修复技术生成)。具体过程见附图2。
步骤1.1：利用快速直线检测算法对正常吊弦图像进行检测；
步骤1.2：将相近直线进行合并；
步骤1.3：计算合并后的每条直线的上端点和图像最上方的中点的距离加直线下端点与图像最下方的中点的距离。取这个值最小的直线作为代表吊弦的直线。
步骤1.4：根据吊弦直线在图像中的位置，将原图该位置附近3个(可根据吊弦图片大小更改)大小的像素用黑色替代，其他位置用白色替代，得到蒙蔽；通过蒙蔽与原图做比较，取对应位置像素值最大的像素作为新图像该位置的像素，得到吊弦区域；利用基于快速行进方法的图像修复技术根据原图非蒙蔽位置的像素对蒙蔽位置的图像进行填充，得到去除吊弦的背景图。
步骤2：利用弹性形变算法改变吊弦区域的形状,根据吊弦松脱和断脱故障的不同需求，将吊弦区域改变成不同的形状。
步骤2.1：生成一个与吊弦原图大小一致的位移算子矩阵Δx，它包含m个相同的列向量元素dx。再通过一个能描述吊弦形状的函数对其进行赋值。Δx的结构和能描述故障吊弦的几种函数如下。
dx＝(dx0,dx1,...,dxn-1)
其中n为图像的高度，m为图像的宽度。
(1)C型松脱样本：
其中up为检测到吊弦在图像中位置纵坐标最小值，down为纵坐标最大值，med为up和down中间的一个值，控制最大弯曲位置；i为像素点纵坐标，范围为0到n-1；a可以调节松脱的幅度和方向，范围为(-1,1)。附图3(a)简单描述了生成C型松脱样本的过程。
(2)普通断脱样本：
其中up为检测到吊弦在图像中位置纵坐标最小值，down为纵坐标最大值；i为像素点纵坐标，范围为0到n-1；a1控制吊弦旋转一定角度，不要太大，建议小于0.3；med为up和down中间的一个值，a2控制吊弦在med和down之间的弯曲程度以及是否弯曲，a2为0则不弯曲。附图3(c)简单描述了生成普通断脱样本(即下部断脱样本)的过程。
(3)上/下受流环断脱样本：
其中up为检测到吊弦在图像中位置纵坐标最小值，down为纵坐标最大值；i为像素点纵坐标，范围为0到n-1；up＜＝up1＜up2＜down1＜down2＜＝down；这种情况需要将吊弦分成两次增强。使吊弦上面一部分在up1和down1之间弯曲，只取吊弦在down1之上的部分；再使吊弦下面一部分在up2和down2之间弯曲，只取吊弦在up1之下的部分。down1应该略大于up2，这样就可以使得分两次增强的吊弦上下部分能够有交集。a1和a2差距不要设得太大，且取值建议小于0.5。使两次增强后的吊弦上部与下部相结合，即取两张图片对应位置像素值最小的像素点作为新图像该位置的像素点。附图3(b)简单描述了生成上/下受流环断脱样本的过程。
(4)普通松脱样本：
不使用弹性形变算法，采用其他图像增强方式使吊弦扭曲。附图3(d)简单描述了生成普通松脱样本的过程。
步骤2.2：根据Δx和原图生成与原图大小相同的新图像，新图像(x,y)处的像素由原图像(x-Δx(x,y),y)处周围的四个像素(对应位置为([x-Δx(x,y)],y),([x-Δx(x,y)],y+1),([x-Δx(x,y)]+1,y),([x-Δx(x,y)]+1,y+1))通过双线性插值得到，公式如下。(若(x-Δx(x,y),y)超出了原图的范围，新图像(x,y)处的像素设置为白色。)
I′(x,y)＝I(x′,y)＝(x′-[x′])(I([x′]+1,y)-I([x′],y))+I([x′],y)
其中为I(x,y)为原图像在(x,y)处的像素值，I′(x,y)为新图像在(x,y)处的像素值，[]为向下取整数。
步骤3：将改变形状后的吊弦区域与用背景填充后的原图结合，取两张图像对应位置像素值最小的像素点作为新图像该的像素点(像素较暗的为吊弦)，得到吊弦故障样本。
Claims (3)
1.一种基于弹性形变算法的吊弦故障仿真方法，其特征在于，包括以下步骤：
步骤1：首先对正常吊弦样本图像进行直线检测，再对直线进行筛选，选出代表吊弦的直线；然后再通过这条直线画出一个蒙蔽，蒙蔽为有一定宽度的线段，通过蒙蔽提取出吊弦区域图像，并将原图中吊弦区域图像用背景填充，得到去除吊弦的背景图；
步骤1.1：利用快速直线检测算法对正常吊弦图像进行检测；
步骤1.2：将相近直线进行合并；
步骤1.3：计算合并后的每条直线的上端点和图像最上方的中点的距离加直线下端点与图像最下方的中点的距离，取这个值最小的直线作为代表吊弦的直线；
步骤1.4：根据吊弦直线在图像中的位置，将原图该位置附近N个大小的像素用黑色替代，N根据吊弦图片大小更改，其他位置用白色替代，得到蒙蔽；通过蒙蔽与原图做比较，取对应位置像素值最大的像素作为新图像该位置的像素，得到吊弦区域；利用基于快速行进方法的图像修复技术根据原图非蒙蔽位置的像素对蒙蔽位置的图像进行填充，得到去除吊弦的背景图；
步骤2：设计一个能够模拟故障吊弦形状的函数，根据该函数生成弹性形变算法中的位移算子矩阵，利用弹性形变算法改变吊弦区域的形状，根据吊弦松脱和断脱故障的不同需求，将吊弦区域改变成不同的形状；
步骤3：最后将改变形状后的吊弦区域图像与去除吊弦的背景图结合得到故障吊弦样本。
2.根据权利要求1所述的一种基于弹性形变算法的吊弦故障仿真方法，其特征在于，所述步骤1中将吊弦区域图像提取出来单独进行增强，并使用基于快速行进方法的图像修复技术填充原图中的吊弦区域，得到一个去除吊弦的背景图。
3.根据权利要求1所述的一种基于弹性形变算法的吊弦故障仿真方法，其特征在于，所述步骤2具体为：
S2.1生成一个与吊弦原图大小一致的位移算子矩阵Δx，它包含m个相同的列向量元素dx；再通过一个描述吊弦形状的函数对其进行赋值；Δx的结构如下：
dx＝(dx0,dx1,...,dxn-1)
其中n为图像的高度，m为图像的宽度；
S2.2根据Δx和原图生成与原图大小相同的新图像，新图像(x,y)处的像素由原图像(x-Δx(x,y),y)处周围的四个像素通过双线性插值得到，公式如下：
I′(x,y)＝I(x′,y)＝(x′-[x′])(I([x′]+1,y)-I([x′],y))+I([x′],y)
其中，I(x,y)为原图像在(x,y)处的像素值，I′(x,y)为新图像在(x,y)处的像素值，[]为向下取整数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110042979.9A CN112802047B (zh) | 2021-01-13 | 2021-01-13 | 一种基于弹性形变算法的吊弦故障仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110042979.9A CN112802047B (zh) | 2021-01-13 | 2021-01-13 | 一种基于弹性形变算法的吊弦故障仿真方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112802047A CN112802047A (zh) | 2021-05-14 |
| CN112802047B true CN112802047B (zh) | 2022-09-09 |
Family
ID=75810449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110042979.9A Active CN112802047B (zh) | 2021-01-13 | 2021-01-13 | 一种基于弹性形变算法的吊弦故障仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112802047B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111474432A (zh) * | 2020-04-23 | 2020-07-31 | 朔黄铁路发展有限责任公司 | 列车弓网受流工况测试方法、装置、设备和存储介质 |
| CN111625975A (zh) * | 2020-04-29 | 2020-09-04 | 中铁工程设计咨询集团有限公司 | 一种弓网动力学性能确定方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8651177B2 (en) * | 2009-08-13 | 2014-02-18 | Smart Drilling And Completion, Inc. | Long-lasting hydraulic seals for smart shuttles, for coiled tubing injectors, and for pipeline pigs |
| US8353348B2 (en) * | 2001-08-19 | 2013-01-15 | Smart Drilling And Completion, Inc. | High power umbilicals for subterranean electric drilling machines and remotely operated vehicles |
| CN105403242B (zh) * | 2015-05-22 | 2019-06-18 | 华东交通大学 | 一种机车弓网硬点光电振动综合检测与gps定位方法及系统 |
| CN110472325B (zh) * | 2019-08-06 | 2020-05-22 | 中铁第一勘察设计院集团有限公司 | 基于接触线静态空间位置的接触网悬挂三维快速找形方法 |
-
2021
- 2021-01-13 CN CN202110042979.9A patent/CN112802047B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111474432A (zh) * | 2020-04-23 | 2020-07-31 | 朔黄铁路发展有限责任公司 | 列车弓网受流工况测试方法、装置、设备和存储介质 |
| CN111625975A (zh) * | 2020-04-29 | 2020-09-04 | 中铁工程设计咨询集团有限公司 | 一种弓网动力学性能确定方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112802047A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
| CN111861996B (zh) | 一种印花织物疵点检测方法 | |
| CN109859091B (zh) | 基于Gabor滤波和卷积神经网络的图像隐写检测方法 | |
| CN111967394B (zh) | 一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法 | |
| CN110310255A (zh) | 基于目标检测和图像处理的转辙机缺口检测方法 | |
| CN107187980B (zh) | 一种电梯装置中电梯门开合的检测方法及检测装置 | |
| CN101945257A (zh) | 基于监控视频内容提取车辆底盘图像的合成方法 | |
| CN108230257A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| JP2009230233A (ja) | 縞模様検知システム、縞模様検知方法および縞模様検知用プログラム | |
| CN112802047B (zh) | 一种基于弹性形变算法的吊弦故障仿真方法 | |
| CN101794435A (zh) | 基于积分图的二值图像降噪方法以及二值图像处理系统 | |
| CN108256454A (zh) | 一种基于cnn模型的训练方法、人脸姿态估测方法及装置 | |
| CN109522768A (zh) | Qr码的识别方法及装置 | |
| CN104182976B (zh) | 一种野外运动目标精细化提取方法 | |
| WO2012172706A1 (ja) | 動き画像領域判定装置またはその方法 | |
| CN110598708A (zh) | 一种街景文本目标识别检测方法 | |
| CN106677094A (zh) | 一种道闸控制方法及装置 | |
| CN101945210A (zh) | 运动跟踪预测方法 | |
| CN111079744B (zh) | 适用于复杂光照环境的车辆车牌智能识别方法及装置 | |
| CN104008554B (zh) | 基于视频的铁路线小目标检测方法及系统 | |
| US8942491B2 (en) | Topology-preserving downsampling of binary images | |
| CN114445726B (zh) | 一种基于深度学习的样本库建立方法和装置 | |
| CN106295306B (zh) | 一种图片验证码的生成方法 | |
| CN115504187A (zh) | 一种矿用皮带智能调速和保护系统及控制方法 | |
| CN112330659B (zh) | 结合lsd直线检测和连通域标记法的几何公差符号分割方法 |
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 |