CN113640308B - 一种基于机器视觉的轨道异常监测系统 - Google Patents
一种基于机器视觉的轨道异常监测系统 Download PDFInfo
- Publication number
- CN113640308B CN113640308B CN202111008144.8A CN202111008144A CN113640308B CN 113640308 B CN113640308 B CN 113640308B CN 202111008144 A CN202111008144 A CN 202111008144A CN 113640308 B CN113640308 B CN 113640308B
- Authority
- CN
- China
- Prior art keywords
- track
- image
- rotating block
- module
- trolley
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000005856 abnormality Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000012423 maintenance Methods 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000005299 abrasion Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 239000013307 optical fiber Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器视觉的轨道异常监测系统，包括机械模块、监测模块；所述机械模块包括小车，所述小车的下方设有车轮，小车通过车轮在轨道上运行，所述小车的上方设有第一转块，所述第一转块顶部设有第二转块，所述第二转块连接有主臂，所述主臂的另一端连接有第三转块，所述第三转块另一侧设有大臂，所述大臂的另一端连接有第四转块，所述第四转块另一侧连接有小臂，小臂的端部设有工业相机；通过设置机械模块和监测模块，结合图像处理技术，不仅提升了轨道监测的精确性，还提升了监测效率，保障轨道安全的同时，减低了轨道监测和维护的成本。
Description
技术领域
本发明属于轨道监测技术领域，尤其涉及一种基于机器视觉的轨道异常监测系统。
背景技术
轨道交通它不仅包括隧道、桥梁、地下及地面建筑、轨道等大型土建施工，具有现代大型土木工程的特点，还包括动力分散型电动列车、信号、通信、供电、自动售检票、环控、给排水、设备监控、防灾报警等先进机电设备系统，具有现代机电工程的特征。客观上要求工程的设计、施工、机电设备供货和运行过程衔接紧密、相互之问接口平顺协调，实行一体化建设管理；近几年全国铁路行业正处于高速发展，但因轨道存在安全问题而导致的脱轨事故频频发生，轨道交通的安全问题越来越引人注目。
目前的轨道巡检和养护的工作体量十分庞大，按照我国的有关规定，需要每月对轨道检查一次。目前，90%以上的轨道巡检和养护都是进行人工检测，团队成员们发现人工检测存在不准确、计算结果易出错、长期人力成本高和人工勘测危险风险高等问题，使用静态仪器进行检测，工作效率不高、对钢轨的检测准确性差，存在着很大的偶然性。目前的轨道监测车，体积庞大，并且对于轨道微小的裂痕和轻微的变形、磨损情况都不能给出准确的判定结果，不能及时的判断出轨道额安全情况，影响了列车行车安全。
中国专利申请号201920143775.2公开了一种长距离、高精度和可切换的地铁轨道监测系统，其中，包括多通道光纤解调仪、数据处理终端、报警装置、若干光纤加速度传感器及光纤位移传感器，所述多通道光纤解调仪、数据处理终端和报警装置设置于地铁站，将以地铁站为中心的四个分支方向划分为四个监测区间，监测区间内每个轨道板处均设置有与多通道光纤解调仪经通信光缆连接的光纤加速度传感器和光纤位移传感器，从而使上、下行线路总计四个监测区间共用一套解调系统。上述现有技术在进行实际监测时，基础工程铺设难度大，耗时长，并且机动性不强，难以实现对轨道进行全段的检查，监测效率低。
发明内容
针对现有技术不足，本发明的目的在于提供了一种基于机器视觉的轨道异常监测系统，通过设置机械模块和监测模块，结合图像处理技术，解决了背景技术中提出的问题。
本发明提供如下技术方案：
一种基于机器视觉的轨道异常监测系统，包括机械模块、监测模块；所述机械模块包括小车，所述小车的下方设有车轮，小车通过车轮在轨道上运行，所述小车的上方设有第一转块，所述第一转块顶部设有第二转块，所述第二转块连接有主臂，所述主臂的另一端连接有第三转块，所述第三转块另一侧设有大臂，所述大臂的另一端连接有第四转块，所述第四转块另一侧连接有小臂，小臂的端部设有工业相机；
所述监测模块包括工控机、工业相机，所述工控机设置在小车内部，工控机通过串口通信与工业相机连接；检测模块还包括图像处理模块和故障识别模块，图像处理模块对采集的图像快速进行处理，故障识别模块诊断轨道的故障类型。
优选的，所述第一转块、第二转块、第三转块、第四转块均具有独立控制的驱动执行机构，所述驱动执行机构为液压、电机、气动驱动机构中的一种。
优选的，所述第一转块用于在水平平面内进行360°旋转；所述第二转块、第三转块、第四转块用于在平行于轨道的平面内进行180°旋转。
优选的，所述图像处理模块包括：图像预处理，图像分割，形态学处理，几何特征提取，视觉测量，计算特征值。经过上述步骤的操作，能够根据采集的轨道图像获取轨道的磨损程度、是否发生轨道位移、是否有裂痕、裂痕的宽度。
优选的，所述故障识别模块包括：建立神经网络，确立输入层节点个数，确立输出层节点个数，确立隐层节点个数，神经网络训练，故障分类输出。
优选的，所述监测模块还包括图像采集卡，工业相机通过图像采集机卡与工控机的图像处理部分连接，图像采集卡将采集的图像经过采样、量化转换为数字图像输入到工控机的存储器，工控机对对采集的图像进行处理和存储。
优选的，所述工业相机采用CCD摄像机，光学镜头使用凸透镜。
优选的，为了获取更加清晰的图像，所述工业相机的焦距f满足以下公式：f=B·（L/h）；B为工业相机垂向尺寸，单位cm, L为轨道到镜头之间的距离，单位cm，h为轨道的高度，单位cm。
优选的，所述机械模块的具体尺寸满足主臂=1a，大臂=0.5a，小臂=0.25a,小车的高度H为0.235a；上式中，a为根据工业相机尺寸进行的选择系数；第一转件块的行程范围为（-π/2～π/2）, 第二转块的行程范围为（π/4～3π/4）, 第三转块的行程范围为（-π/4～π/2），第四转块的行程范围为（-5π/6～π/3）。
图像处理模块具体工作步骤：图像预处理，通过中值滤波对获得的图像进行去噪处理，消除图像在成像和传输过程中产生的噪声，提高图像质量；图像分割，遍历采集的图像中的每一个像素点，将每个像素点根据阈值设为新的亮度值，设获取的图像阈值为m，灰度级别为（0-L），对图像中的像素点亮度进行重新设置，亮度级小于m的像素点亮度值调为0，亮度级大于m的像素点亮度值调为L；形态学处理，采用边缘检测对图像进行检测，通逐点扫描图像并与阈值做比较，若连续的点满足阈值条件，则记录这些参数行，根据连续的点判断其连通域，获取轨道轮廓；几何特征提取，利用灰度分布分析方法判断轨道的磨损程度，根据轨道轮廓提取轨道的几何特征，周长、面积；测量计算，根据轨道轮廓的周长、面积进行特征值计算，与原始的轨道数据进行比对，得出轨道的磨损程度、是否发生轨道位移、是否有裂痕及裂痕的宽度，得出故障程度。
故障识别模块具体步骤包括：建立神经网络，确立输入层节点个数，输入层N的个数根据获取图像的像素确定，输入层个数与获取图像的像素保持一致；确立输出层节点个数，将轨道的故障类型分为3类，磨损程度、是否发生轨道位移、是否有裂痕；所以将输出节点合数设为3；确立隐层节点个数，隐层节点数目C=log2N；将输入层个数N带入即可得到隐层节点个数；神经网络训练和故障分类输出的具体步骤包括：a，在图像分析处理之后提取的几何特征数据集中，随机选取一个样本点作为初始聚类中心；b，先分别求取每个样本点与目前存在所有聚类中心之间的最短距离，然后求取每个样本成为下一个聚类中心的概率，根据轮盘法选出下一个新聚类中心；c，对数据集中的每一个样本点计算到新聚类中心的中心距离，找出距离最小的聚类中心，将该样本点划分为该中心对应的类别之中；d，重新计算得到的类别中心；e，循环执行上述步骤c和d，当求取的聚类中心不在发生变化则停止，最终得到极小值，输出分类结果，即为故障结果，根据结果有针对性的进行维护，通过上述方式不仅提升了轨道监测的精确性，还提升了监测效率，保障轨道安全的同时，减低了轨道监测和维护的成本。
与现有技术相比，本发明具有以下有益效果：
（1）本发明一种基于机器视觉的轨道异常监测系统，通过故障识别模块对故障进行分类训练，不仅提升了轨道监测的精确性，还提升了监测效率，保障轨道安全的同时，减低了轨道监测和维护的成本。
（2）本发明一种基于机器视觉的轨道异常监测系统，通过设置的图像处理模块。结合机器视觉对轨道图像进行分析，提升轨道动态检测的几何特征准确性，有利于及时发现故障，保障轨道安全。
（3）本发明一种基于机器视觉的轨道异常监测系统，体积小，便于灵活的装配在轨道上，进行长距离的轨道监测，大大提升检测效率。
（4）本发明一种基于机器视觉的轨道异常监测系统，通过对机械模块的尺寸限定，更好的对轨道进行全面检测，实现工业相机对轨道的无死角覆盖，灵活性高。
（5）本发明一种基于机器视觉的轨道异常监测系统，通过限定工业相机的焦距、工业相机垂向尺寸、轨道到镜头之间的距离、轨道的高度之间的关系，进一步提升获取轨道图像的清晰度，便于后续的图像分析处理，进一步提升监测的精确性。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明的机械模块结构示意图。
图2是本发明系统结构框图。
图3是本发明图像处理流程图。
图4是本发明的故障识别流程框图。
图中：1、小车；2、车轮；3、第一转块；4、第二转块；5、第三转块；6、第四转块；7、主臂；8、大臂；9、小臂；10、工业相机。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述。显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
实施例一：
如图1-2所示，一种基于机器视觉的轨道异常监测系统，包括机械模块、监测模块；所述机械模块包括小车11，所述小车11的下方设有车轮12，小车11通过车轮12在轨道上运行，所述小车11的上方设有第一转块13，所述第一转块13顶部设有第二转块14，所述第二转块14连接有主臂17，所述主臂17的另一端连接有第三转块15，所述第三转块15另一侧设有大臂18，所述大臂18的另一端连接有第四转块16，所述第四转块16另一侧连接有小臂19，小臂19的端部设有工业相机110；
所述监测模块包括工控机、工业相机110，所述工控机设置在小车11内部，工控机通过串口通信与工业相机110连接；检测模块还包括图像处理模块和故障识别模块，图像处理模块对采集的图像快速进行处理，故障识别模块诊断轨道的故障类型。
所述第一转块13、第二转块14、第三转块15、第四转块16均具有独立控制的驱动执行机构，所述驱动执行机构为液压、电机、气动驱动机构中的一种。
所述第一转块13用于在水平平面内进行360°旋转；所述第二转块14、第三转块15、第四转块16用于在平行于轨道的平面内进行180°旋转。
实施例二：
如图3所示，在实施例一的基础上，所述图像处理模块包括：图像预处理，图像分割，形态学处理，几何特征提取，视觉测量，计算特征值。经过上述步骤的操作，能够根据采集的轨道图像获取轨道的磨损程度、是否发生轨道位移、是否有裂痕、裂痕的宽度。
图像处理模块具体工作步骤：图像预处理，通过中值滤波对获得的图像进行去噪处理，消除图像在成像和传输过程中产生的噪声，提高图像质量；图像分割，遍历采集的图像中的每一个像素点，将每个像素点根据阈值设为新的亮度值，设获取的图像阈值为m，灰度级别为10-L，对图像中的像素点亮度进行重新设置，亮度级小于m的像素点亮度值调为0，亮度级大于m的像素点亮度值调为L；形态学处理，采用边缘检测对图像进行检测，通逐点扫描图像并与阈值做比较，若连续的点满足阈值条件，则记录这些参数行，根据连续的点判断其连通域，获取轨道轮廓；几何特征提取，利用灰度分布分析方法判断轨道的磨损程度，根据轨道轮廓提取轨道的几何特征，周长、面积；测量计算，根据轨道轮廓的周长、面积进行特征值计算，与原始的轨道数据进行比对，得出轨道的磨损程度、是否发生轨道位移、是否有裂痕及裂痕的宽度，得出故障程度。
实施例三：
如图4所示，在实施例一的基础上，所述故障识别模块包括：建立神经网络，确立输入层节点个数，确立输出层节点个数，确立隐层节点个数，神经网络训练，故障分类输出。
故障识别模块具体步骤包括：建立神经网络，确立输入层节点个数，输入层N的个数根据获取图像的像素确定，输入层个数与获取图像的像素保持一致；确立输出层节点个数，将轨道的故障类型分为3类，磨损程度、是否发生轨道位移、是否有裂痕；所以将输出节点合数设为3；确立隐层节点个数，隐层节点数目C=log2N；将输入层个数N带入即可得到隐层节点个数；神经网络训练和故障分类输出的具体步骤包括：a，在图像分析处理之后提取的几何特征数据集中，随机选取一个样本点作为初始聚类中心；b，先分别求取每个样本点与目前存在所有聚类中心之间的最短距离，然后求取每个样本成为下一个聚类中心的概率，根据轮盘法选出下一个新聚类中心；c，对数据集中的每一个样本点计算到新聚类中心的中心距离，找出距离最小的聚类中心，将该样本点划分为该中心对应的类别之中；d，重新计算得到的类别中心；e，循环执行上述步骤c和d，当求取的聚类中心不在发生变化则停止，最终得到极小值，输出分类结果，即为故障结果，根据结果有针对性的进行维护，通过上述方式不仅提升了轨道监测的精确性，还提升了监测效率，保障轨道安全的同时，减低了轨道监测和维护的成本。
实施例四
在实施例一的基础上，所述监测模块还包括图像采集卡，工业相机110通过图像采集机卡与工控机的图像处理部分连接，图像采集卡将采集的图像经过采样、量化转换为数字图像输入到工控机的存储器，工控机对对采集的图像进行处理和存储。
所述工业相机110采用CCD摄像机，光学镜头使用凸透镜。
为了获取更加清晰的图像，所述工业相机110的焦距f满足以下公式：f=B·1L/h；B为工业相机110垂向尺寸，单位cm, L为轨道到镜头之间的距离，单位cm，h为轨道的高度，单位cm。
所述机械模块的具体尺寸满足主臂17=1a，大臂18=0.5a，小臂19=0.25a,小车11的高度H为0.235a；上式中，a为根据工业相机110尺寸进行的选择系数；第一转件块的行程范围为1-π/2～π/2, 第二转块14的行程范围为1π/4～3π/4, 第三转块15的行程范围为1-π/4～π/2，第四转块16的行程范围为1-5π/6～π/3。
通过上述技术方案得到的装置是一种基于机器视觉的轨道异常监测系统，通过故障识别模块对故障进行分类训练，不仅提升了轨道监测的精确性，还提升了监测效率，保障轨道安全的同时，减低了轨道监测和维护的成本。通过设置的图像处理模块。结合机器视觉对轨道图像进行分析，提升轨道动态检测的几何特征准确性，有利于及时发现故障，保障轨道安全。体积小，便于灵活的装配在轨道上，进行长距离的轨道监测，大大提升检测效率。通过对机械模块的尺寸限定，更好的对轨道进行全面检测，实现工业相机对轨道的无死角覆盖，灵活性高。通过限定工业相机的焦距、工业相机垂向尺寸、轨道到镜头之间的距离、轨道的高度之间的关系，进一步提升获取轨道图像的清晰度，便于后续的图像分析处理，进一步提升监测的精确性。
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化；凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于机器视觉的轨道异常监测系统，包括机械模块、监测模块；其特征在于，所述机械模块包括小车(1)，所述小车(1)的下方设有车轮(2)，小车(1)通过车轮(2)在轨道上运行，所述小车(1)的上方设有第一转块(3)，所述第一转块(3)顶部设有第二转块(4)，所述第二转块(4)连接有主臂(7)，所述主臂(7)的另一端连接有第三转块(5)，所述第三转块(5)另一侧设有大臂(8)，所述大臂(8)的另一端连接有第四转块(6)，所述第四转块(6)另一侧连接有小臂(9)，小臂(9)的端部设有工业相机(10)；
所述监测模块包括工控机、工业相机(10)，所述工控机设置在小车(1)内部，工控机通过串口通信与工业相机(10)连接；检测模块还包括图像处理模块和故障识别模块，图像处理模块对采集的图像快速进行处理，故障识别模块诊断轨道的故障类型；
为了获取更加清晰的图像，所述工业相机的焦距f满足以下公式：f＝B·(L/h)；B为工业相机垂向尺寸，单位cm,L为轨道到镜头之间的距离，单位cm，h为轨道的高度，单位cm；所述机械模块的具体尺寸满足主臂＝1a，大臂＝0.5a，小臂＝0.25a,小车的高度H为0.235a；上式中，a为根据工业相机尺寸进行的选择系数；第一转件块的行程范围为(-π/2～π/2),第二转块的行程范围为(π/4～3π/4),第三转块的行程范围为(-π/4～π/2)，第四转块的行程范围为(-5π/6～π/3)；
图像处理模块具体工作步骤：图像预处理，通过中值滤波对获得的图像进行去噪处理，消除图像在成像和传输过程中产生的噪声，提高图像质量；图像分割，遍历采集的图像中的每一个像素点，将每个像素点根据阈值设为新的亮度值，设获取的图像阈值为m，灰度级别为(0-L)，对图像中的像素点亮度进行重新设置，亮度级小于m的像素点亮度值调为0，亮度级大于m的像素点亮度值调为L；形态学处理，采用边缘检测对图像进行检测，通逐点扫描图像并与阈值做比较，若连续的点满足阈值条件，则记录这些参数行，根据连续的点判断其连通域，获取轨道轮廓；几何特征提取，利用灰度分布分析方法判断轨道的磨损程度，根据轨道轮廓提取轨道的几何特征，周长、面积；测量计算，根据轨道轮廓的周长、面积进行特征值计算，与原始的轨道数据进行比对，得出轨道的磨损程度、是否发生轨道位移、是否有裂痕及裂痕的宽度，得出故障程度；
故障识别模块具体包括：建立神经网络，确立输入层节点个数，输入层N的个数根据获取图像的像素确定，输入层个数与获取图像的像素保持一致；确立输出层节点个数，将轨道的故障类型分为3类，磨损程度、是否发生轨道位移、是否有裂痕；所以将输出节点个数设为3；确立隐层节点个数，隐层节点数目C＝log2N；将输入层个数N带入即可得到隐层节点个数；a，在图像分析处理之后提取的几何特征数据集中，随机选取一个样本点作为初始聚类中心；b，先分别求取每个样本点与目前存在所有聚类中心之间的最短距离，然后求取每个样本成为下一个聚类中心的概率，根据轮盘法选出下一个新聚类中心；c，对数据集中的每一个样本点计算到新聚类中心的中心距离，找出距离最小的聚类中心，将该样本点划分为该中心对应的类别之中；d，重新计算得到的类别中心；e，循环执行步骤c和d，当求取的聚类中心不再发生变化则停止，最终得到极小值，输出分类结果，即为故障结果，根据结果有针对性的进行维护。
2.根据权利要求1所述一种基于机器视觉的轨道异常监测系统，其特征在于，所述第一转块(3)、第二转块(4)、第三转块(5)、第四转块(6)均具有独立控制的驱动执行机构，所述驱动执行机构为液压、电机、气动驱动机构中的一种。
3.根据权利要求1所述一种基于机器视觉的轨道异常监测系统，其特征在于，所述第一转块(3)用于在水平平面内进行360°旋转；所述第二转块(4)、第三转块(5)、第四转块(6)用于在平行于轨道的平面内进行180°旋转。
4.根据权利要求1所述一种基于机器视觉的轨道异常监测系统，其特征在于，所述图像处理模块包括：图像预处理，图像分割，形态学处理，几何特征提取，视觉测量，计算特征值；经过上述步骤的操作，能够根据采集的轨道图像获取轨道的磨损程度、是否发生轨道位移、是否有裂痕、裂痕的宽度。
5.根据权利要求1所述一种基于机器视觉的轨道异常监测系统，其特征在于，所述监测模块还包括图像采集卡，工业相机通过图像采集机卡与工控机的图像处理部分连接，图像采集卡将采集的图像经过采样、量化转换为数字图像输入到工控机的存储器，工控机对对采集的图像进行处理和存储。
6.根据权利要求1所述一种基于机器视觉的轨道异常监测系统，其特征在于，所述工业相机采用CCD摄像机，光学镜头使用凸透镜。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111008144.8A CN113640308B (zh) | 2021-08-31 | 2021-08-31 | 一种基于机器视觉的轨道异常监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111008144.8A CN113640308B (zh) | 2021-08-31 | 2021-08-31 | 一种基于机器视觉的轨道异常监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113640308A CN113640308A (zh) | 2021-11-12 |
| CN113640308B true CN113640308B (zh) | 2024-03-29 |
Family
ID=78424522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111008144.8A Active CN113640308B (zh) | 2021-08-31 | 2021-08-31 | 一种基于机器视觉的轨道异常监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113640308B (zh) |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5574387A (en) * | 1994-06-30 | 1996-11-12 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
| CN201989147U (zh) * | 2010-12-29 | 2011-09-28 | 沈阳新松机器人自动化股份有限公司 | 电缆隧道巡检机器人 |
| CN104299035A (zh) * | 2014-09-29 | 2015-01-21 | 国家电网公司 | 基于聚类算法和神经网络的变压器故障诊断方法 |
| CN104320587A (zh) * | 2014-11-12 | 2015-01-28 | 南京汉图信息技术有限公司 | 一种室外云台摄像机的自动获取取景范围的方法 |
| CN105487009A (zh) * | 2015-11-19 | 2016-04-13 | 上海电机学院 | 基于k均值的RBF神经网络算法的电机故障诊断方法 |
| CN106251701A (zh) * | 2016-09-14 | 2016-12-21 | 郑州轻工业学院 | 基于旋转变焦多摄像头的车辆后视监测报警系统及方法 |
| CN106714220A (zh) * | 2017-01-06 | 2017-05-24 | 江南大学 | 一种基于mea‑bp神经网络wsn异常检测方法 |
| CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及系统 |
| CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
| CN108248634A (zh) * | 2018-01-24 | 2018-07-06 | 西南交通大学 | 道岔及轨道全轮廓磨损视觉测量仪及其测量方法 |
| CN108303426A (zh) * | 2018-02-06 | 2018-07-20 | 华中科技大学 | 一种电缆隧道缺陷无损快速检测装置及其检测方法 |
| CN207816842U (zh) * | 2018-02-06 | 2018-09-04 | 华中科技大学 | 一种电缆隧道缺陷无损快速检测装置 |
| CN208239081U (zh) * | 2018-04-04 | 2018-12-14 | 深圳市乾行达科技有限公司 | 车体缺陷检测设备 |
| CN110174050A (zh) * | 2019-05-28 | 2019-08-27 | 郑州铁路职业技术学院 | 基于机器视觉的立面检测装置和检测方法 |
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
| CN110979399A (zh) * | 2019-12-27 | 2020-04-10 | 郑州铁路职业技术学院 | 一种用于高速铁路轨道状况动态检测方法 |
| CN111003018A (zh) * | 2019-12-27 | 2020-04-14 | 郑州铁路职业技术学院 | 一种高速铁路轨道状况动态检测系统及方法 |
| AU2020102137A4 (en) * | 2020-09-04 | 2020-10-15 | University of South China | Fault diagnosis method for steam turbine generator (stg) |
| CN111896625A (zh) * | 2020-08-17 | 2020-11-06 | 中南大学 | 钢轨伤损实时监测方法及其监测系统 |
| CN112200225A (zh) * | 2020-09-23 | 2021-01-08 | 西南交通大学 | 基于深度卷积神经网络的钢轨伤损b显图像识别方法 |
| CN112268538A (zh) * | 2020-10-20 | 2021-01-26 | 中国人民解放军陆军工程大学 | 一种适用于小型无人车的几何光学测距方法 |
| CN112572528A (zh) * | 2021-01-08 | 2021-03-30 | 郑州铁路职业技术学院 | 一种轨道车辆轮对缺陷检测装置 |
| CN113205063A (zh) * | 2021-05-19 | 2021-08-03 | 云南电网有限责任公司电力科学研究院 | 一种输电导线缺陷的视觉识别及定位方法 |
-
2021
- 2021-08-31 CN CN202111008144.8A patent/CN113640308B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5574387A (en) * | 1994-06-30 | 1996-11-12 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
| CN201989147U (zh) * | 2010-12-29 | 2011-09-28 | 沈阳新松机器人自动化股份有限公司 | 电缆隧道巡检机器人 |
| CN104299035A (zh) * | 2014-09-29 | 2015-01-21 | 国家电网公司 | 基于聚类算法和神经网络的变压器故障诊断方法 |
| CN104320587A (zh) * | 2014-11-12 | 2015-01-28 | 南京汉图信息技术有限公司 | 一种室外云台摄像机的自动获取取景范围的方法 |
| CN105487009A (zh) * | 2015-11-19 | 2016-04-13 | 上海电机学院 | 基于k均值的RBF神经网络算法的电机故障诊断方法 |
| CN106251701A (zh) * | 2016-09-14 | 2016-12-21 | 郑州轻工业学院 | 基于旋转变焦多摄像头的车辆后视监测报警系统及方法 |
| CN106714220A (zh) * | 2017-01-06 | 2017-05-24 | 江南大学 | 一种基于mea‑bp神经网络wsn异常检测方法 |
| CN107358596A (zh) * | 2017-04-11 | 2017-11-17 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置、电子设备及系统 |
| CN107403424A (zh) * | 2017-04-11 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
| CN108248634A (zh) * | 2018-01-24 | 2018-07-06 | 西南交通大学 | 道岔及轨道全轮廓磨损视觉测量仪及其测量方法 |
| CN108303426A (zh) * | 2018-02-06 | 2018-07-20 | 华中科技大学 | 一种电缆隧道缺陷无损快速检测装置及其检测方法 |
| CN207816842U (zh) * | 2018-02-06 | 2018-09-04 | 华中科技大学 | 一种电缆隧道缺陷无损快速检测装置 |
| CN208239081U (zh) * | 2018-04-04 | 2018-12-14 | 深圳市乾行达科技有限公司 | 车体缺陷检测设备 |
| CN110174050A (zh) * | 2019-05-28 | 2019-08-27 | 郑州铁路职业技术学院 | 基于机器视觉的立面检测装置和检测方法 |
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
| CN110979399A (zh) * | 2019-12-27 | 2020-04-10 | 郑州铁路职业技术学院 | 一种用于高速铁路轨道状况动态检测方法 |
| CN111003018A (zh) * | 2019-12-27 | 2020-04-14 | 郑州铁路职业技术学院 | 一种高速铁路轨道状况动态检测系统及方法 |
| CN111896625A (zh) * | 2020-08-17 | 2020-11-06 | 中南大学 | 钢轨伤损实时监测方法及其监测系统 |
| AU2020102137A4 (en) * | 2020-09-04 | 2020-10-15 | University of South China | Fault diagnosis method for steam turbine generator (stg) |
| CN112200225A (zh) * | 2020-09-23 | 2021-01-08 | 西南交通大学 | 基于深度卷积神经网络的钢轨伤损b显图像识别方法 |
| CN112268538A (zh) * | 2020-10-20 | 2021-01-26 | 中国人民解放军陆军工程大学 | 一种适用于小型无人车的几何光学测距方法 |
| CN112572528A (zh) * | 2021-01-08 | 2021-03-30 | 郑州铁路职业技术学院 | 一种轨道车辆轮对缺陷检测装置 |
| CN113205063A (zh) * | 2021-05-19 | 2021-08-03 | 云南电网有限责任公司电力科学研究院 | 一种输电导线缺陷的视觉识别及定位方法 |
Non-Patent Citations (3)
| Title |
|---|
| Characterizing Complexity and Self-Similarity Based on Fractal and Entropy Analyses for Stock Market Forecast Modelling;Yeliz Karaca等;《Expert Systems with Applications》;全文 * |
| 一种基于局部特征的PCNN电力故障区域提取方法;谷凯凯;周东国;许晓路;蔡炜;周正钦;胡文山;黄华;;计算机工程(第07期);全文 * |
| 光伏电站基于RBF神经网络的ABB-IRB460码垛机器人逆运动学算法;李海军等;《金华职业技术学院学报 》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113640308A (zh) | 2021-11-12 |
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 | |
| CN109238756B (zh) | 货车运行故障动态图像检测设备及检测方法 | |
| CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测系统 | |
| CN110310255B (zh) | 基于目标检测和图像处理的转辙机缺口检测方法 | |
| CN111080650B (zh) | 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法 | |
| CN105158257A (zh) | 滑板测量方法及装置 | |
| CN111797669A (zh) | 道路异常检测设备、道路异常检测方法和计算机可读介质 | |
| CN113112501B (zh) | 一种基于深度学习的车载轨道巡检装置及方法 | |
| Huang et al. | Rapid surface damage detection equipment for subway tunnels based on machine vision system | |
| CN110567680A (zh) | 一种基于角度比对的轨道扣件松动检测方法 | |
| CN110954968A (zh) | 一种机场跑道异物检测装置及方法 | |
| CN113011252B (zh) | 轨道异物侵限检测系统及方法 | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
| CN111598855A (zh) | 一种基于深度学习和迁移学习的2c设备高铁接触网吊弦缺陷检测方法 | |
| CN113788051A (zh) | 列车在站运行状态监测分析系统 | |
| CN114543661A (zh) | 地铁车辆360°图像检测系统及其检测方法 | |
| Zheng et al. | Rail detection based on LSD and the least square curve fitting | |
| CN103422417A (zh) | 一种公路表面破损的动态识别系统与方法 | |
| CN115439643A (zh) | 一种基于单目测量的道路病害尺寸分析与管理方法 | |
| CN118289053A (zh) | 一种基于立体视觉的钢轨爬行检测系统及方法 | |
| CN108596968B (zh) | 一种基于轨道3d深度图像的轨枕计数方法 | |
| CN111553500B (zh) | 基于注意力机制全卷积网络的铁路交通接触网巡检方法 | |
| CN113640308B (zh) | 一种基于机器视觉的轨道异常监测系统 | |
| CN117876329A (zh) | 一种基于雷达、视频和数据分析的道路病害实时检测方法 | |
| CN113640307B (zh) | 一种采用机器视觉的轨道状况监测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240130 Address after: No. 1701, Building 4, Runfeng Deshang, No. 60 Anli Road, Chaoyang District, Beijing, 100000 Applicant after: Xia Bingxin Country or region after: China Address before: 450000 9 Qiancheng Road, Zhengdong New District, Zhengzhou City, Henan Province Applicant before: ZHENGZHOU RAILWAY VOCATIONAL & TECHNICAL College Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |