CN113487542A - 一种接触网导线磨耗区域的提取方法 - Google Patents

一种接触网导线磨耗区域的提取方法 Download PDF

Info

Publication number
CN113487542A
CN113487542A CN202110666623.2A CN202110666623A CN113487542A CN 113487542 A CN113487542 A CN 113487542A CN 202110666623 A CN202110666623 A CN 202110666623A CN 113487542 A CN113487542 A CN 113487542A
Authority
CN
China
Prior art keywords
image
area
thr
wire
gray level
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
CN202110666623.2A
Other languages
English (en)
Other versions
CN113487542B (zh
Inventor
赵文军
刘颖强
李想
占栋
王瑞锋
张楠
周蕾
李治友
佘朝富
陈洪友
刘华云
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.)
Chengdu Tangyuan Electric Co Ltd
Original Assignee
Chengdu Tangyuan Electric 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 Chengdu Tangyuan Electric Co Ltd filed Critical Chengdu Tangyuan Electric Co Ltd
Priority to CN202110666623.2A priority Critical patent/CN113487542B/zh
Publication of CN113487542A publication Critical patent/CN113487542A/zh
Application granted granted Critical
Publication of CN113487542B publication Critical patent/CN113487542B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • G06T7/0008Industrial image inspection checking presence/absence
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/40Filling a planar surface by adding surface attributes, e.g. colour or texture
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/40Analysis of texture
    • G06T7/41Analysis of texture based on statistical description of texture
    • G06T7/44Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/70Determining position or orientation of objects or cameras
    • G06T7/73Determining position or orientation of objects or cameras using feature-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/90Determination of colour characteristics
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10024Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种接触网导线磨耗区域的提取方法,涉及城市轨道交通中的地铁系统接触网导线测量技术领域。本发明利用Direct3D软件做图像计算加速,使用高阶着色器语言(HLSL)进行图像计算的管道编码;将图像处理计算由传统CPU更换为GPU显卡,利用GPU强大的图像计算能力,将全部核心交由GPU显卡工作,处理速度大大提升,对计算机配置要求较为宽松,集成显卡或独立显卡均可实现,可大大提高从图像中提取磨耗区域的计算效率。

Description

一种接触网导线磨耗区域的提取方法
技术领域
本发明涉及城市轨道交通中的地铁系统接触网导线测量技术领域,尤其涉及一种接触网导线磨耗区域的提取方法。
背景技术
接触网是电气化铁路中,沿钢轨上空“之”字形架设的,供受电弓取流的高压输电线,是电气铁路的重要组成部分。接触线与受电弓相作用时,弓网相互作用的接触面会产生侵蚀及磨损现象,这种现象被称为接触线磨耗。接触线与碳滑板之间的不均匀摩擦、维护周期过长、环境侵蚀等原因都是产生接触线磨耗的主要原因。接触线磨耗检测对列车运营意义重大。
国家知识产权局于2020年3月20日,公开了一件公开号为CN109269416B,名称为“一种接触网导线磨耗测量方法及装置”的发明专利,该发明专利根据接触线拉出值的范围确定相机数量n;n路相机对应采集包括接触网导线底部的n幅接触网导线图像;n大于等于1;从n幅接触网导线图像中对应分割出包含L1、L2以及L3的n个导线最大连通区域、n个边界E1及n个边界位置E2;基于n个导线最大连通区域的阈值化处理得到n个阈值化图像T(x,y);根据连通区域特性,n个阈值化图像T(x,y)分别对应结合n个边界位置E1、n个边界位置E2,得到n个L1、L2以及L3的位置信息;利用导线L2的定位信息,计算导线磨耗值d。
上述现有技术通过CPU编译运行的C++程序调用OpenCV计算机视觉和机器学习库,计算出L1、L2、L3区域像素宽度,以达到计算出接触线磨耗目的。而目前采用的技术方案,图像灰度及筛选导线区域等计算量庞大的耗时操作都由CPU来计算。
发明内容
为了克服上述现有技术中存在的缺陷和不足,本发明提供了一种接触网导线磨耗区域的提取方法。本发明的发明目的在于将轨道交通领域中对接触网图像的处理计算由传统CPU更换为GPU显卡,利用GPU强大的图像计算能力,大大提高从图像中提取磨耗区域的计算效率。本发明的接触网导线磨耗区域的提取方法,是利用Direct3D软件做图像计算加速,使用高阶着色器语言(HLSL)进行图像计算的管道编码;将全部计算核心交由GPU显卡进行,使得图像处理速度得到大大地提升,且对计算机配置要求较为宽松,集成显卡或独立显卡均可实现。
为了解决上述现有技术中存在的问题,本发明是通过下述技术方案实现的:
一种接触网导线磨耗区域的提取方法,包括以下步骤:
步骤S1、将接触网导线的原始灰度图像输入到高阶着色器语言的着色器脚本中,声明图像对应纹理采样器;将确定的纹理采样器与像素着色器之间进行绑定;在入口主函数中输入所述原始灰度图像,得到整张原始灰度图像的像素点纹理坐标元素矩阵tex;
步骤S2、在高阶着色器语言中调用tex2D映射函数,向tex2D映射函数中输入两个参数:其中一个参数为纹理采样器状态;另一个参数为整张原始灰度图像的像素点纹理坐标元素矩阵tex;返回得到整张图像的像素点纹理值元素矩阵tex2D;
步骤S3、基于接触网导线的图像灰度垂直投影分布特征,提取导线磨耗区域灰度分割阈值Athr,并归一化到[0,1];
步骤S4、根据步骤S3中提取的导线磨耗区域灰度分割阈值Athr,遍历所述像素点纹理值元素矩阵tex2D,从中筛选灰度值大于Athr的像素点,识别导线磨耗区域在原始灰度图像中的起始位置和截止位置。
遍历像素点纹理值元素矩阵tex2D,并逐行提取导线磨耗区域在原始灰度图像中的起始位置和截止位置后,对提取到的导线磨耗区域以内的像素点进行RGB着色,将该区域着色第一颜色。更进一步地,步骤S3中还包括,基于接触网导线的图像灰度垂直投影分布特征,提取接触网导线区域灰度分割阈值Wthr,并归一化到[0,1];根据提取到的导线区域灰度分割阈值Wthr和导线磨耗区域灰度分割阈值Athr,遍历所述像素点纹理值元素矩阵tex2D,从中筛选出灰度值小于Athr且大于Wthr的像素点,识别导线在原始灰度图像中的第一起始位置、第一截止位置、第二起始位置和第二截止位置。
待逐行提取导线区域在原始灰度图像中的第一起始位置、第一截止位置、第二起始位置和第二截止位置后,对提取到的导线区域以内的像素点进行RGB着色,将该区域着色第二颜色。
在步骤S3中,基于接触网导线的图像灰度垂直投影分布特征,具体是指,通过接触网导线垂直投影的高斯分布的特性进行导线磨耗区域的阈值判定;具体步骤如下:
步骤S301、计算图像的垂直方向上的投影数据的期望m、标准差δ和最大峰值Gmax
其中,图像垂直方向投影的计算方式为:
Figure BDA0003117680800000031
其中,xi(i=1,2,3…M)为图像的x坐标,yi(i=1,2,3…N)为图像的y坐标,M为图像宽度,N为图像高度,G为图像每一列的灰度值;
步骤S302、通过数据分析得出接触网导线的分布特征为:导线磨耗区域位于投影分布曲线的±10δ范围内;
步骤S303、在Gmax-10σ>G>Gmax+10σ的区域范围内计算灰度平均值即为导线磨耗区域分割阈值,如下所示:
Figure BDA0003117680800000032
其中Gsum为G在Gmax±10δ内的灰度投影和,C为投影灰度在Gmax±10δ内的数量。
更进一步地,计算G在Gmax-16σ>G>Gmax+16σ的区域范围内地灰度投影和Gsum_16以及数量C16,则接触网导线区域的阈值Wthr通过下式计算得到:
Figure BDA0003117680800000033
所述步骤S4,具体为:调用dot函数,输入Athr和像素点纹理值元素矩阵tex2D,获取到高于该灰度阈值的像素点集合A*。
根据提取到的导线区域灰度分割阈值Wthr和导线磨耗区域灰度分割阈值Athr,遍历所述像素点纹理值元素矩阵tex2D,从中筛选出灰度值小于Athr且大于Wthr的像素点,具体为:调用dot函数,输入Wthr、Athr和像素点纹理值元素矩阵tex2D,获取到像素点纹理值元素矩阵tex2D中高于灰度阈值Wthr且低于灰度阈值Athr的像素点集合W*。
S2步骤中所述的纹理采样器状态包括目标纹理、纹理过滤方式和寻址方式。
与现有技术相比,本发明所带来地有益的技术效果表现在:
1、本发明的接触网导线磨耗区域的提取方法,利用Direct3D软件做图像计算加速,使用高阶着色器语言(HLSL)进行图像计算的管道编码,将基于图像灰度特征提取磨耗区域的计算过程由传统灰度域转换至基于HLSL纹理特征的RGB域,本发明将图像处理计算由传统CPU更换为GPU显卡,利用GPU强大的图像计算能力,大大提高从图像中提取磨耗区域的计算效率。
2、本发明的提取柔性接触网导线磨耗区域的方法支持对提取的磨耗区域和/或接触线区域快速着色,提高磨耗区域的可视化水平,提升用户使用分析效率。
3、本发明技术对计算机配置要求较低,集成显卡或独立显卡均可实现,能有效降低磨耗区域提取以及后续磨耗计算算法对计算机硬件配置的要求,显著降低设备成本。
附图说明
图1为柔性接触网导线模型图;
图2为相机拍摄的接触网导线原始图像;
图3为增强后的原始图像;
图4为本发明柔性接触网导线磨耗区域的提取流程图;
图5为接触网导线原始图像归一化前的垂直方向上的投影曲线。
具体实施方式
下面结合说明书附图,对本发明的技术方案作出进一步详细地阐述。
实施例1
作为本发明一较佳实施例,参照说明书附图1-4,本实施例公开了:
一种接触网导线磨耗区域的提取方法,包括以下步骤:
步骤S1、将接触网导线的原始灰度图像输入到高阶着色器语言的着色器脚本中,声明图像对应纹理采样器;将确定的纹理采样器与像素着色器之间进行绑定;在入口主函数中输入所述原始灰度图像,得到整张原始灰度图像的像素点纹理坐标元素矩阵tex;所谓的像素点纹理坐标元素矩阵tex,每一个元素代表像素的坐标,每一个元素的类型可设定为float2类型。例如:
在高阶着色器语言的着色器脚本中,灰度值0对应的是flaot(0.0),灰度值255对应的是float(1.0),则白色表示为float3(1.0,1.0,1.0)或float4(1.0,1.0,1.0,1.0)。
步骤S2、在高阶着色器语言中调用tex2D映射函数,向tex2D映射函数中输入两个参数,其中一个参数为纹理采样器状态,其包括目标纹理、纹理过滤方式和寻址方式;另一个参数为整张原始灰度图像的像素点纹理坐标元素矩阵tex;返回得到整张原始灰度图像的像素点纹理值矩阵tex2D;所谓的像素点纹理值矩阵中每一个元素为像素的纹理值(RGB或者RGBA),对应每一个元素为float3或float4类型。
步骤S3、基于接触网导线的图像灰度垂直投影分布特征,提取导线磨耗区域灰度分割阈值Athr并归一化到[0,1]:具体步骤如下:
步骤S301、计算图像的垂直方向上的投影数据的期望m、标准差δ和最大峰值Gmax
其中,图像垂直方向投影的计算方式为:
Figure BDA0003117680800000051
其中,xi(i=1,2,3…M)为图像的x坐标,yi(i=1,2,3…N)为图像的y坐标,M为图像宽度,N为图像高度,G为图像每一列的灰度值;
步骤S4302、通过数据分析得出接触网导线的分布特征为:导线磨耗区域位于投影分布曲线的±10δ范围内;
步骤S303、在Gmax-10σ>G>Gmax+10σ的区域范围内计算灰度平均值即为导线磨耗区域分割阈值,如下所示:
Figure BDA0003117680800000052
其中Gsum为G在Gmax±10δ内的灰度投影和,C为投影灰度在Gmax±10δ内的数量。
步骤S4、根据步骤S3中提取的导线磨耗区域灰度分割阈值Athr遍历所述像素点纹理值元素矩阵tex2D,从中筛选出灰度值大于Athr的像素点,识别导线磨耗区域在原始灰度图像中的起始位置和截止位置。具体为:调用dot函数,输入Athr和像素点纹理值元素矩阵tex2D,获取到像素点纹理值元素矩阵tex2D中高于该灰度阈值的像素点集合A*。
作为本实施例的一种实施方式,遍历像素点纹理值元素矩阵tex2D,并逐行提取导线磨耗区域在原始灰度图像中的起始位置和截止位置后,对提取到的导线磨耗区域(如说明书附图3中的b区域)以内的像素点进行RGB着色,将该区域着色第一颜色。
作为本实施例的又一种实施方式,在上述S3步骤中,还包括,基于接触网导线的图像灰度垂直投影分布特征,提取接触网导线区域灰度分割阈值Wthr,并归一化到[0,1];具体步骤如下:
步骤S301、计算图像的垂直方向上的投影数据的期望m、标准差δ和最大峰值Gmax
其中,图像垂直方向投影的计算方式为:
Figure BDA0003117680800000061
其中,xi(i=1,2,3…M)为图像的x坐标,yi(i=1,2,3…N)为图像的y坐标,M为图像宽度,N为图像高度,G为图像每一列的灰度值;
步骤S302、通过数据分析得出接触网导线的分布特征为:导线区域位于投影分布曲线的±16δ范围内;
步骤S303、计算G在Gmax-16σ>G>Gmax+16σ的区域范围内地灰度投影和Gsum_16、数量C16、G在Gmax±10δ内的灰度投影和Gsum以及投影灰度在Gmax±10δ内的数量C,则接触网导线区域的阈值Wthr通过下式计算得到:
Figure BDA0003117680800000071
根据提取到的导线区域灰度分割阈值Wthr和导线磨耗区域灰度分割阈值Athr,遍历所述像素点纹理值元素矩阵tex2D,从中筛选出灰度值小于Athr且大于Wthr的像素点,识别导线在原始灰度图像中的第一起始位置、第一截止位置、第二起始位置和第二截止位置。具体为:
调用dot函数,输入Wthr、Athr和像素点纹理值元素矩阵tex2D,获取到像素点纹理值元素矩阵tex2D中高于灰度阈值Wthr且低于灰度阈值Athr的像素点集合W*。第一起始位置和第一截止位置形成的区域为说明书附图3中的a区域,第二起始位置和第二截止位置形成的区域为说明书附图3中的c区域。
实施例2
作为本发明又一较佳实施例,参照说明书附图1-4,本实施例公开了:
一种提取柔性接触网导线磨耗区域的方法,包括以下步骤:
根据接触网导线原始灰度图像分析,如图1、图2和图3所示,可以得出以下结论:整张图像灰度值分为3个区域,D区域(背景区域)、a和c区域(接触网导线区域)、b区域(导线磨耗区域),这三个区域的灰度值具有明显的差分;已知D区域(背景区域)灰度值为0黑色,a和c区域(接触网导线区域)灰度值较低,且大于0;b区域(导线磨耗区域)灰度值较高。
将接触网导线的原始灰度图像输入到高阶着色器语言的着色器脚本中,声明图像对应纹理采样器;将确定的纹理采样器与像素着色器之间进行绑定;在入口主函数中输入所述原始灰度图像,得到整张原始灰度图像的像素点纹理坐标元素矩阵tex;在HLSL着色器脚本中,灰度值0对应的是float(0.0)而255对应的是float(1.0),所以白色表示不再是(255,255,255)而是float3(1.0,1.0,1.0)或者float4(1.0,1.0,1.0,1.0)。
在高阶着色器语言中调用tex2D映射函数,向tex2D映射函数中输入两个参数,其中一个参数为纹理采样器状态;另一个参数为图像像素点纹理坐标元素矩阵tex;返回得到整张图像的像素点纹理值元素矩阵tex2D;
基于接触网导线的图像灰度垂直投影分布特征,提取导线磨耗区域分割阈值Athr和和接触网导线区域阈值Wthr;具体如下:
基于接触网导线图像特征,通过接触网导线垂直投影的高斯分布的特性进行接触网导线区域与导线磨耗区域的阈值判定;
图像垂直方向投影的计算方式为:
Figure BDA0003117680800000081
其中xi(i=1,2,3......M)为图像的x坐标,yi为图像的y坐标,M和N为图像的宽度和高度,G为图像每一列(即每一个x下)的灰度均值。依次类推图像的垂直方向上的投影曲线如图5所示;
基于接触线图像特征,图像垂直方向上的灰度投影近似高斯分布,则通过高斯分布的特性以及检测目标的属性进行接触线区域与磨耗区域的阈值判定,具体步骤如下:
①计算投影数据的期望m、标准差δ,最大峰值Gmax
②通过大量数据分析得出的接触线的分布特征为:磨耗区域位于投影分布曲线的±10δ,接触线区域位于±16δ范围内;
③计算磨耗区域阈值:在Gmax-10σ>G>Gmax+10σ的区域范围内计算灰度平均值即为磨耗区域分割阈值,如下所示:
Figure BDA0003117680800000082
其中,Gsum为G在Gmax±10δ内的灰度投影和,C为投影灰度在Gmax±10δ内的数量;
④计算接触线区域阈值:如上所述,先计算G在Gmax-16σ>G>Gmax+16σ内的灰度投影和Gsum_16以及数量C16,则接触线区域的阈值如下所示:
Figure BDA0003117680800000083
综上所述,接触线以及磨耗的阈值计算完成,分别为Wthr和Athr
基于上述导线区域阈值计算,即构建Wthr的灰度值匹配量;调用dot函数,输入Wthr、Athr和像素点纹理值元素矩阵tex2D,,获取到高于灰度阈值Wthr且小于灰度阈值Athr的像素点集合W*。
基于上述磨耗区域阈值计算,即构建Athr的灰度值匹配量;调用dot函数,输入Athr和像素点纹理值元素矩阵tex2D,获取到高于灰度阈值Athr的像素点集合A*。
基于得到的A*,将整张图像的像素点逐行筛选遍历,判断计算出A*在图像中的起始(Sap)和截至(Eap)位置。对提取到的导线磨耗区域以内的像素点进行RGB着色,将该区域着色第一颜色。
b区域像素宽度=Eap-Sap
基于得到的W*,在上述循环过程中,判断计算出W*在图像中的第一起始位置(Swp)第一截止位置(Sap)、第二起始位置(Eap)和第二截止(Ewp)位置。
a区域像素宽度=Swp–Sap
c区域像素宽度=Ewp-Eap
已知导线型号及半径后、得到a、b、c区域像素宽度后,调用上述磨耗计算公式,提取出接触线磨耗h;触网导线磨耗值h的计算公式如下所示:
Figure BDA0003117680800000091
式中,h表示接触网导线磨耗值,r表示接触网导线半径,b表示导线磨耗区域的像素宽度。

Claims (9)

1.一种接触网导线磨耗区域的提取方法,其特征在于:包括以下步骤:
步骤S1、将接触网导线的原始灰度图像输入到高阶着色器语言的着色器脚本中,声明图像对应纹理采样器;将确定的纹理采样器与像素着色器之间进行绑定;在入口主函数中输入所述原始灰度图像,得到整张原始灰度图像的像素点纹理坐标元素矩阵tex;
步骤S2、在高阶着色器语言中调用tex2D映射函数,向tex2D映射函数中输入两个参数:其中一个参数为纹理采样器状态;另一个参数为整张原始灰度图像的像素点纹理坐标元素矩阵tex;返回得到整张图像的像素点纹理值元素矩阵tex2D;
步骤S3、基于接触网导线的图像灰度垂直投影分布特征,提取导线磨耗区域灰度分割阈值Athr,并归一化到[0,1];
步骤S4、根据步骤S3中提取的导线磨耗区域灰度分割阈值Athr,遍历所述像素点纹理值元素矩阵tex2D,从中筛选灰度值大于Athr的像素点,识别导线磨耗区域在原始灰度图像中的起始位置和截止位置。
2.如权利要求1所述的一种接触网导线磨耗区域的提取方法,其特征在于:遍历像素点纹理值元素矩阵tex2D,并逐行提取导线磨耗区域在原始灰度图像中的起始位置和截止位置后,对提取到的导线磨耗区域以内的像素点进行RGB着色,将该区域着色第一颜色。
3.如权利要求1所述的一种接触网导线磨耗区域的提取方法,其特征在于:步骤S3中还包括,基于接触网导线的图像灰度垂直投影分布特征,提取接触网导线区域灰度分割阈值Wthr,并归一化到[0,1];根据提取到的导线区域灰度分割阈值Wthr和导线磨耗区域灰度分割阈值Athr,遍历所述像素点纹理值元素矩阵tex2D,从中筛选出灰度值小于Athr且大于Wthr的像素点,识别导线在原始灰度图像中的第一起始位置、第一截止位置、第二起始位置和第二截止位置。
4.如权利要求3所述的一种接触网导线磨耗区域的提取方法,其特征在于:待逐行提取导线区域在原始灰度图像中的第一起始位置、第一截止位置、第二起始位置和第二截止位置后,对提取到的导线区域以内的像素点进行RGB着色,将该区域着色第二颜色。
5.如权利要求1或3所述的一种接触网导线磨耗区域的提取方法,其特征在于:在步骤S3中,基于接触网导线的图像灰度垂直投影分布特征,具体是指,通过接触网导线垂直投影的高斯分布的特性进行导线磨耗区域的阈值判定;具体步骤如下:
步骤S301、计算图像的垂直方向上的投影数据的期望m、标准差δ和最大峰值Gmax
其中,图像垂直方向投影的计算方式为:
Figure FDA0003117680790000021
其中,xi(i=1,2,3…M)为图像的x坐标,yi(i=1,2,3…N)为图像的y坐标,M为图像宽度,N为图像高度,G为图像每一列的灰度值;
步骤S302、通过数据分析得出接触网导线的分布特征为:导线磨耗区域位于投影分布曲线的±10δ范围内;
步骤S303、在Gmax-10σ>G>Gmax+10σ的区域范围内计算灰度平均值即为导线磨耗区域分割阈值,如下所示:
Figure FDA0003117680790000022
其中Gsum为G在Gmax±10δ内的灰度投影和,C为投影灰度在Gmax±10δ内的数量。
6.如权利要求5所述的一种接触网导线磨耗区域的提取方法,其特征在于:计算G在Gmax-16σ>G>Gmax+16σ的区域范围内地灰度投影和Gsum_16以及数量C16,则接触网导线区域的阈值Wthr通过下式计算得到:
Figure FDA0003117680790000023
7.如权利要求1所述的一种接触网导线磨耗区域的提取方法,其特征在于:所述步骤S4,具体为:调用dot函数,输入Athr和像素点纹理值元素矩阵tex2D,获取到高于该灰度阈值的像素点集合A*。
8.如权利要求3所述的一种接触网导线磨耗区域的提取方法,其特征在于:根据提取到的导线区域灰度分割阈值Wthr和导线磨耗区域灰度分割阈值Athr,遍历所述像素点纹理值元素矩阵tex2D,从中筛选出灰度值小于Athr且大于Wthr的像素点,具体为:调用dot函数,输入Wthr、Athr和像素点纹理值元素矩阵tex2D,获取到像素点纹理值元素矩阵tex2D中高于灰度阈值Wthr且低于灰度阈值Athr的像素点集合W*。
9.如权利要求1所述的一种接触网导线磨耗区域的提取方法,其特征在于:S2步骤中所述的纹理采样器状态包括目标纹理、纹理过滤方式和寻址方式。
CN202110666623.2A 2021-06-16 2021-06-16 一种接触网导线磨耗区域的提取方法 Active CN113487542B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110666623.2A CN113487542B (zh) 2021-06-16 2021-06-16 一种接触网导线磨耗区域的提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110666623.2A CN113487542B (zh) 2021-06-16 2021-06-16 一种接触网导线磨耗区域的提取方法

Publications (2)

Publication Number Publication Date
CN113487542A true CN113487542A (zh) 2021-10-08
CN113487542B CN113487542B (zh) 2023-08-04

Family

ID=77935099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110666623.2A Active CN113487542B (zh) 2021-06-16 2021-06-16 一种接触网导线磨耗区域的提取方法

Country Status (1)

Country Link
CN (1) CN113487542B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114384072A (zh) * 2021-11-30 2022-04-22 杭州申昊科技股份有限公司 一种用于轨道巡检刚性接触网的磨耗检测方法及系统

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159015A (zh) * 2007-11-08 2008-04-09 清华大学 一种二维人脸图像的识别方法
CN101267493A (zh) * 2007-03-16 2008-09-17 富士通株式会社 透视变形文档图像的校正装置和校正方法
CN101369309A (zh) * 2008-09-26 2009-02-18 北京科技大学 基于主动表观模型和外耳长轴的人耳图像归一化方法
CN101561874A (zh) * 2008-07-17 2009-10-21 清华大学 一种人脸图像识别的方法
CN101839978A (zh) * 2010-03-05 2010-09-22 清华大学 一种高速公路绿色通道敞篷车装载率获取方法
CN102319155A (zh) * 2011-05-30 2012-01-18 重庆邮电大学 基于唇部检测与跟踪的智能轮椅控制方法
CN102929447A (zh) * 2012-10-19 2013-02-13 无锡海森诺科技有限公司 一种光学传感器感知图像有效区域的提取方法
CN104050634A (zh) * 2013-03-15 2014-09-17 英特尔公司 丢弃过滤器抽头的纹理地址模式
CN104103082A (zh) * 2014-06-06 2014-10-15 华南理工大学 一种基于区域描述和先验知识的图像显著性检测方法
CN104298775A (zh) * 2014-10-31 2015-01-21 北京工商大学 多特征基于内容的图像检索方法和系统
US20150036938A1 (en) * 2013-08-02 2015-02-05 Postech Academy - Industry Foundation Method for recognizing object using covariance descriptor and apparatus thereof
US20160314579A1 (en) * 2015-04-22 2016-10-27 King Fahd University Of Petroleum And Minerals Method, system and computer program product for breast density classification using parts-based local features
CN106312692A (zh) * 2016-11-02 2017-01-11 哈尔滨理工大学 基于最小外接矩形的刀具磨损检测方法
CN108009524A (zh) * 2017-12-25 2018-05-08 西北工业大学 一种基于全卷积网络的车道线检测方法
CN108648252A (zh) * 2018-05-17 2018-10-12 成都明镜视觉科技有限公司 一种骨骼动画兼容处理方法
CN109194960A (zh) * 2018-11-13 2019-01-11 北京奇艺世纪科技有限公司 一种图像帧渲染方法、装置及电子设备
CN110223261A (zh) * 2019-05-20 2019-09-10 上海联影医疗科技有限公司 医学图像处理方法和系统、存储介质及计算机设备
CN110991455A (zh) * 2020-02-11 2020-04-10 上海肇观电子科技有限公司 图像文本播报方法及其设备、电子电路和存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101267493A (zh) * 2007-03-16 2008-09-17 富士通株式会社 透视变形文档图像的校正装置和校正方法
CN101159015A (zh) * 2007-11-08 2008-04-09 清华大学 一种二维人脸图像的识别方法
CN101561874A (zh) * 2008-07-17 2009-10-21 清华大学 一种人脸图像识别的方法
CN101369309A (zh) * 2008-09-26 2009-02-18 北京科技大学 基于主动表观模型和外耳长轴的人耳图像归一化方法
CN101839978A (zh) * 2010-03-05 2010-09-22 清华大学 一种高速公路绿色通道敞篷车装载率获取方法
CN102319155A (zh) * 2011-05-30 2012-01-18 重庆邮电大学 基于唇部检测与跟踪的智能轮椅控制方法
CN102929447A (zh) * 2012-10-19 2013-02-13 无锡海森诺科技有限公司 一种光学传感器感知图像有效区域的提取方法
CN104050634A (zh) * 2013-03-15 2014-09-17 英特尔公司 丢弃过滤器抽头的纹理地址模式
US20150036938A1 (en) * 2013-08-02 2015-02-05 Postech Academy - Industry Foundation Method for recognizing object using covariance descriptor and apparatus thereof
CN104103082A (zh) * 2014-06-06 2014-10-15 华南理工大学 一种基于区域描述和先验知识的图像显著性检测方法
CN104298775A (zh) * 2014-10-31 2015-01-21 北京工商大学 多特征基于内容的图像检索方法和系统
US20160314579A1 (en) * 2015-04-22 2016-10-27 King Fahd University Of Petroleum And Minerals Method, system and computer program product for breast density classification using parts-based local features
CN106312692A (zh) * 2016-11-02 2017-01-11 哈尔滨理工大学 基于最小外接矩形的刀具磨损检测方法
CN108009524A (zh) * 2017-12-25 2018-05-08 西北工业大学 一种基于全卷积网络的车道线检测方法
CN108648252A (zh) * 2018-05-17 2018-10-12 成都明镜视觉科技有限公司 一种骨骼动画兼容处理方法
CN109194960A (zh) * 2018-11-13 2019-01-11 北京奇艺世纪科技有限公司 一种图像帧渲染方法、装置及电子设备
CN110223261A (zh) * 2019-05-20 2019-09-10 上海联影医疗科技有限公司 医学图像处理方法和系统、存储介质及计算机设备
CN110991455A (zh) * 2020-02-11 2020-04-10 上海肇观电子科技有限公司 图像文本播报方法及其设备、电子电路和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
段光明;李思昆;曾亮;蔡勋;: "一种高效的大规模三维地形遥感影像纹理映射方法", 系统仿真学报, no. 1, pages 402 - 409 *
金军;: "基于子块的区域生长的彩色图像分割算法", 计算机工程与应用, no. 01, pages 86 - 87 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114384072A (zh) * 2021-11-30 2022-04-22 杭州申昊科技股份有限公司 一种用于轨道巡检刚性接触网的磨耗检测方法及系统

Also Published As

Publication number Publication date
CN113487542B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN112837290B (zh) 一种基于种子填充算法的裂缝图像自动识别方法
CN106683076B (zh) 基于纹理特征聚类的机车轮对踏面损伤检测的方法
CN101751603A (zh) 在线棒型材图像自动计数设备及方法
WO2011074067A1 (ja) 文字認識方法、文字認識装置および文字認識プログラム
CN104700092A (zh) 一种基于模板和特征匹配相结合的小字符数字识别方法
CN105893944A (zh) 深度信息静态手势分割方法
CN108146093A (zh) 一种去除票据印章的方法
CN106529550A (zh) 基于连通域分析的多维特征量提取方法及装置
CN113487542A (zh) 一种接触网导线磨耗区域的提取方法
CN108171157A (zh) 基于多尺度局部块LBP直方图特征与Co-HOG特征相结合的人眼检测算法
CN108090434A (zh) 一种矿石快速识别方法
CN111814546A (zh) 用于输电线弧垂测量的图像识别算法
CN111626912A (zh) 水印去除方法及装置
CN115690012A (zh) 一种电能表接错线的检测方法
CN114863493A (zh) 一种低质量指纹图像和非指纹图像的检测方法及检测装置
CN113240668B (zh) 一种基于图像数字特征分布的生成熔池图像质量评估方法
CN114863492A (zh) 一种低质量指纹图像的修复方法及修复装置
CN104408721A (zh) 基于背景密度估计的印章图像提取方法
CN109241975B (zh) 一种基于字符中心点定位的车牌字符分割方法
CN114419006A (zh) 一种随背景变化的灰度视频文字类水印去除方法及系统
CN113240682A (zh) 用于履带式起重机的防倾覆施工驾驶地图生成方法及系统
CN116402822B (zh) 混凝土结构图像检测方法、装置、电子设备及存储介质
CN112132820A (zh) 基于YOLOv2算法接触网定位管斜拉线故障检测方法
CN102306388A (zh) 一种反笔形走样的方法和装置
CN107067009B (zh) 一种实时杆号识别方法

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