CN114399479A - 铁道车辆螺栓开口销的检测方法、装置和计算机设备 - Google Patents
铁道车辆螺栓开口销的检测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN114399479A CN114399479A CN202111650088.8A CN202111650088A CN114399479A CN 114399479 A CN114399479 A CN 114399479A CN 202111650088 A CN202111650088 A CN 202111650088A CN 114399479 A CN114399479 A CN 114399479A
- Authority
- CN
- China
- Prior art keywords
- cotter pin
- image
- bolt
- line segment
- railway vehicle
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 abstract description 5
- 238000003708 edge detection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000020061 kirsch Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration by non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/70—
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本申请涉及一种铁道车辆螺栓开口销的检测方法、装置和计算机设备。其中,方法包括步骤:获取铁道车辆的螺栓开口销图像,对螺栓开口销图像进行预处理,得到预处理后图像;根据预处理后图像,判断开口销是否丢失;若判断的结果为开口销丢失,则输出开口销丢失预警;若判断的结果为开口销未丢失,对预处理后图像进行边缘提取,获取开口销的尾部线段;采用反余弦模型处理开口销的尾部线段,获取尾部线段夹角;将尾部线段夹角与预设夹角安全范围比较,输出开口销检测结果。本申请能够自动判断螺栓开口销是否存在开口销丢失或开口销未安装到位的情况,提高了工作效率;同时减少了人工干预的过程,避免人工失误造成漏检,危害铁道车辆的行车安全。
Description
技术领域
本申请涉及铁道车辆检修技术领域,特别是涉及一种铁道车辆螺栓开口销的检测方法、装置和计算机设备。
背景技术
在铁道车辆组装完成的时候,铁道车辆的转向架等部位的螺栓可能存在开口销未安装到位或开口销丢失的情况,若不及时发现会埋下隐患,导致螺母丢失,进而危及铁道车辆的行车安全。目前的开口销故障检测中,通常采用人工观察图像的方式进行开口销丢失故障检测,开口销目标小,与其他部件色差小,肉眼检测很容易造成视觉疲劳,长期监测效率下降,并且容易造成漏检的出现,影响行车安全;此外,目前的开口销故障检测中,人工观察图像的方式难以准确检测螺栓开口销未安装到位的情况。
在实现过程中,发明人发现传统技术中至少存在如下问题:
目前的铁道车辆螺栓开口销检测方式或者传统方法,存在检测不到位导致安全性低等问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高安全性的铁道车辆螺栓开口销的检测方法、装置和计算机设备。
为了实现上述目的,一方面,本申请实施例提供了一种铁道车辆螺栓开口销的检测方法,方法应用于铁道车辆组装完成后的检测过程中,包括步骤:
获取铁道车辆的螺栓开口销图像,对螺栓开口销图像进行预处理,得到预处理后图像;
根据预处理后图像,判断开口销是否丢失;若判断的结果为开口销丢失,则输出开口销丢失预警;
若判断的结果为开口销未丢失,对预处理后图像进行边缘提取,获取开口销的尾部线段;采用反余弦模型处理开口销的尾部线段,获取尾部线段夹角;将尾部线段夹角与预设夹角安全范围比较,输出开口销检测结果。
在其中一个实施例中,对螺栓开口销图像进行预处理的步骤中:
根据螺栓开口销图像的图像质量,选取灰度化处理、图像增强处理和保边平滑处理中的一种或几种对螺栓开口销图像进行处理,获得待处理图像。
在其中一个实施例中,对螺栓开口销图像进行预处理的步骤中:
采用目标检测模型处理待处理图像,获取开口销的位置。
在其中一个实施例中,预处理后图像为开口销框选图像;
对螺栓开口销图像进行预处理的步骤中:
根据开口销的位置,采用边框回归模型标定待处理图像中的开口销,输出开口销框选图像。
在其中一个实施例中,根据尾部线段夹角输出开口销检测结果的步骤,包括:
若尾部线段夹角在预设夹角安全范围内,则开口销检测结果为开口销合格;
若尾部线段夹角不在预设夹角安全范围内,则开口销检测结果为开口销未安装到位,发出报警信号。
在其中一个实施例中,开口销的尾部线段为基于霍夫变换获取。
在一个实施例中,本申请提供了一种铁道车辆螺栓开口销的检测装置,包括:
预处理模块,用于获取铁道车辆的螺栓开口销图像,对螺栓开口销图像进行预处理,得到预处理后图像;
丢失判断模块,用于根据预处理后图像,判断开口销是否丢失;若判断的结果为开口销丢失,则输出开口销丢失预警;
夹角检测模块,用于若判断的结果为开口销未丢失,对预处理后图像进行边缘提取,获取开口销的尾部线段;采用反余弦模型处理开口销的尾部线段,获取尾部线段夹角;将尾部线段夹角与预设夹角安全范围比较,输出开口销检测结果。
在一个实施例中,本申请提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中,本申请提供了一种铁道车辆螺栓开口销的检测系统,包括高清摄像机和上述的计算机设备;
其中,高清摄像机固定于铁道车辆的检测工位侧面,与计算机设备连接,用于获取铁道车辆的螺栓开口销图像。
在一个实施例中,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果:
本申请能够获取开口销的尾部线段夹角,通过与预设夹角安全范围比较,自动判断螺栓开口销是否存在开口销丢失或开口销未安装到位的情况,提高了工作效率;同时减少了人工干预的过程,避免人工失误造成发生漏检,危害铁道车辆的行车安全。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1为一个实施例中铁道车辆螺栓开口销的检测方法的第一示意性流程示意图;
图2为一个实施例中铁道车辆螺栓开口销的检测步骤的流程示意图;
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。
空间关系术语例如“在...下”、“在...下面”、“下面的”、“在...之下”、“在...之上”、“上面的”等,在这里可以用于描述图中所示的一个元件或特征与其它元件或特征的关系。应当明白,除了图中所示的取向以外,空间关系术语还包括使用和操作中的器件的不同取向。例如,如果附图中的器件翻转,描述为“在其它元件下面”或“在其之下”或“在其下”元件或特征将取向为在其它元件或特征“上”。因此,示例性术语“在...下面”和“在...下”可包括上和下两个取向。此外,器件也可以包括另外地取向(譬如,旋转90度或其它取向),并且在此使用的空间描述语相应地被解释。
需要说明的是,当一个元件被认为是“连接”另一个元件时,它可以是直接连接到另一个元件,或者通过居中元件连接另一个元件。此外,以下实施例中的“连接”,如果被连接的对象之间具有电信号或数据的传递,则应理解为“电连接”、“通信连接”等。
在此使用时,单数形式的“一”、“一个”和“所述/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时,在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
需要说明的是,开口销是一种金属五金件,俗名弹簧销。开口销主要应用于螺纹连接防松,螺母拧紧后,把开口销插入螺母槽与螺栓尾部孔内,并将开口销尾部扳开,防止螺母与螺栓的相对转动。若螺栓开口销发生开口销未安装到位或开口销丢失的情况,造成防松螺母紧固不到位、螺栓经常松动,甚至发生螺母丢失的情况,进而危及铁道车辆的行车安全。
在铁路车辆的生产、检修过程中,当铁路车辆在装配车间完成车上、车下的各种电线、管路、设备的安装后,组装好的铁道车辆进入调试车间进行各种安全、功能检测,经过性能试验,使铁路车辆达到正常运营的状态。本申请提供的铁道车辆螺栓开口销的检测方法,应用于铁道车辆组装完成后的检测过程中。
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种铁道车辆螺栓开口销的检测方法,方法应用于铁道车辆组装完成后的检测过程中,包括步骤:
步骤110,获取铁道车辆的螺栓开口销图像,对螺栓开口销图像进行预处理,得到预处理后图像;
具体的,可以通过高清摄像机获取铁道车辆的螺栓开口销图像;
在一些示例中,可以通过高分辨率数字摄像机获取铁道车辆的螺栓开口销图像;可以一次性获取包含多个开口销的螺栓开口销图像,也可以对铁道车辆的特定部位获取包含单个开口销的螺栓开口销图像。
在其中一个实施例中,对螺栓开口销图像进行预处理的步骤中:
根据螺栓开口销图像的图像质量,选取灰度化处理、图像增强处理和保边平滑处理中的一种或几种对螺栓开口销图像进行处理,获得待处理图像。
具体的,灰度化处理指将一幅彩色图像转化为灰度图像;图像增强处理指突出图像中目标物体的某些特点、从数字图像中提取目标物的特征参数等等,突出图像中感兴趣的部分,减弱或去除不需要的信息;图像增强处理有利于识别、跟踪图像中的目标;保边平滑处理可以通过保边平滑滤波器(Bilateral Filter)中执行,对图像进行平滑滤波的过程同时能够有效的保留图像中的边缘信息;
当螺栓开口销图像的图像质量较差时,由于开口销目标较小,且图像灰度差距较小,可以依次对螺栓开口销图像进行灰度化处理、图像增强处理和保边平滑处理,获得待处理图像,减少图像中的干扰。
当螺栓开口销图像的图像质量较高时,可以根据具体情况选取灰度化处理、图像增强处理和保边平滑处理中的一种或两种对螺栓开口销图像进行处理,获得待处理图像。
在一些示例中,可以通过对铁道车辆的螺栓开口销进行补光提升螺栓开口销图像的图像质量,以解决螺栓开口销图像的开口销暗和弱的问题。
在其中一个实施例中,对螺栓开口销图像进行预处理的步骤中:
采用目标检测模型处理待处理图像,获取开口销的位置。
具体的,目标检测模型指检测数字图像和视频中某一类语义对象(如人、建筑物或汽车);目标检测模型包括分类(Classification)和检测(Detection),其中,分类指将图像结构化为某一类别的信息,用事先确定好的类别(string)来描述整张图片的内容;检测指获取特定的物体目标的类别信息和位置信息;目标检测模型可以通过对预先采集的多幅螺栓开口销图像的数据集训练得到,例如,通过深度学习的方式训练目标检测模型。
在一些示例中,可以通过目标检测模型将待处理图像分为目标(即螺栓开口销)与背景两类,目标检测模型进一步通过检测获取开口销的位置;开口销的位置可以为开口销的坐标;
在其中一个实施例中,预处理后图像为开口销框选图像;
对螺栓开口销图像进行预处理的步骤中:
根据开口销的位置,采用边框回归模型标定待处理图像中的开口销,输出开口销框选图像。
具体的,边框回归(Bounding-Box regression)模型根据目标检测模型获取的开口销的位置,对待处理图像中的开口销进行回归框的标定,根据确定的回归框对待处理图像进行裁剪,输出开口销框选图像;
在一些示例中,可以通过边框回归模型对回归框进行微调,使得经过微调后确定的的回归框更接近真实框,能够提高螺栓开口销的定位准确率。
步骤120,根据预处理后图像,判断开口销是否丢失;若判断的结果为开口销丢失,则输出开口销丢失预警;
具体的,可以通过目标检测模型处理待处理图像,获得预处理后图像;若目标检测模型将待处理图像全部分类为背景,即从待处理图像无法获取目标(即螺栓开口销),则判断的结果为开口销丢失,输出开口销丢失预警;
在一些示例中,待处理图像中有多个螺栓开口销,可以根据目标检测模型获取的开口销的位置,获取待处理图像中的螺栓开口销数量,通过将螺栓开口销数量与预设数量相比较,判断开口销是否丢失。
步骤130,若判断的结果为开口销未丢失,对预处理后图像进行边缘提取,获取开口销的尾部线段;采用反余弦模型处理开口销的尾部线段,获取尾部线段夹角;将尾部线段夹角与预设夹角安全范围比较,输出开口销检测结果。
具体的,可以通过目标检测模型处理待处理图像,获得预处理后图像;若目标检测模型将待处理图像分为目标(即螺栓开口销)与背景两类,则判断的结果为开口销未丢失;可以根据开口销的尾部线段的位置,采用反余弦模型处理开口销的尾部线段,获取尾部线段夹角;
在一些示例中,可以根据开口销的尾部线段的坐标,获取开口销的尾部线段的向量;根据开口销的尾部线段的向量,获取尾部线段夹角的余弦值;根据尾部线段夹角的余弦值,获取尾部线段夹角。
在其中一个实施例中,开口销的尾部线段为基于霍夫变换获取。
具体的,在霍夫变换(Hough Transform)前可以将图像进行边缘检测处理;霍夫变换包括:给定目标物体和需要辨别的形状的种类,通过在参数空间(parameter space)中执行投票来决定物体的形状,并且由累加空间(accumulator space)里的局部最大值(localmaximum)来决定;可以通过霍夫变换寻找图像中两个角度范围的线段(直线),并去除冗余线段;随后进行线段相交判断并去除冗余交点,再进行交点共线判断;进行直线拟合,去除偏差较大的交点,获取开口销的尾部线段;
在一些示例中,在基于霍夫变换获取开口销的尾部线段前,可以对预处理后图像使用边缘检测算子进行边缘提取,并对边缘信息进行图像膨胀以增强边缘;边缘检测算子可以包括Sobel算子、Kirsch算子、Laplacian算子和Canny算子等;图像膨胀指填补边缘信息中的缺陷。
在其中一个实施例中,根据尾部线段夹角输出开口销检测结果的步骤,包括:
若尾部线段夹角在预设夹角安全范围内,则开口销检测结果为开口销合格;
若尾部线段夹角不在预设夹角安全范围内,则开口销检测结果为开口销未安装到位,发出报警信号。
具体的,预设夹角安全范围可以为大于60°。
本申请能够获取开口销的尾部线段夹角,通过与预设夹角安全范围比较,自动判断螺栓开口销是否存在开口销丢失或开口销未安装到位的情况,提高了工作效率;同时减少了人工干预的过程,避免人工失误造成漏检,危害铁道车辆的行车安全。
在其中一个实施例中,如图2所示,首先,通过摄像机采集高分辨率图像;接着,使用目标检测进行开口销位置检测;进一步,使用检测到的回归框对元件(即螺栓开口销)进行裁剪;进一步,使用线段检测模型(包括边缘检测处理和霍夫变换)检测开口销的尾部线段;进一步,使用反余弦模型获取尾部线段夹角;进一步,判断尾部线段夹角是否在安全范围(即预设夹角安全范围)内,若是,则结束检测;若否,则发出警报。
在一些示例中,线段检测模型可以为基于深度学习对开口销尾部线段检测数据集进行训练得到的模型,通过线段检测模型获取开口销的尾部线段。
应该理解的是,虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,本申请提供了一种铁道车辆螺栓开口销的检测装置,包括:
预处理模块,用于获取铁道车辆的螺栓开口销图像,对螺栓开口销图像进行预处理,得到预处理后图像;
丢失判断模块,用于根据预处理后图像,判断开口销是否丢失;若判断的结果为开口销丢失,则输出开口销丢失预警;
夹角检测模块,用于若判断的结果为开口销未丢失,对预处理后图像进行边缘提取,获取开口销的尾部线段;采用反余弦模型处理开口销的尾部线段,获取尾部线段夹角;将尾部线段夹角与预设夹角安全范围比较,输出开口销检测结果。
在其中一个实施例中,预处理模块用于根据螺栓开口销图像的图像质量,选取灰度化处理、图像增强处理和保边平滑处理中的一种或几种对螺栓开口销图像进行处理,获得待处理图像。
在其中一个实施例中,预处理模块用于采用目标检测模型处理待处理图像,获取开口销的位置。
在其中一个实施例中,预处理模块用于根据开口销的位置,采用边框回归模型标定待处理图像中的开口销,输出开口销框选图像。
在其中一个实施例中,夹角检测模块用于若尾部线段夹角在预设夹角安全范围内,则开口销检测结果为开口销合格;若尾部线段夹角不在预设夹角安全范围内,则开口销检测结果为开口销未安装到位,发出报警信号。
在其中一个实施例中,夹角检测模块用于基于霍夫变换获取开口销的尾部线段。
关于铁道车辆螺栓开口销的检测装置的具体限定可以参见上文中对于铁道车辆螺栓开口销的检测方法的限定,在此不再赘述。上述铁道车辆螺栓开口销的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在一个实施例中,本申请提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中,本申请提供了一种铁道车辆螺栓开口销的检测系统,包括高清摄像机和上述的计算机设备;
其中,高清摄像机固定于铁道车辆的检测工位侧面,与计算机设备连接,用于获取铁道车辆的螺栓开口销图像。
具体的,铁道车辆位于检测工位上,可以在检测工位上移动;高清摄像机固定于检测工位的侧面,可以获取铁道车辆的转向架等部位的螺栓开口销的高分辨率图像或视频;
在一些示例中,系统还可以包括补光装置,可以安装在铁道车辆的检测工位侧面,用于提升获取的螺栓开口销图像的图像质量。
在一个实施例中,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的方法的步骤。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储铁道车辆螺栓开口销的检测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种铁道车辆螺栓开口销的检测方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
在本说明书的描述中,参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性描述不一定指的是相同的实施例或示例。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种铁道车辆螺栓开口销的检测方法,其特征在于,所述方法应用于铁道车辆组装完成后的检测过程中,包括步骤:
获取铁道车辆的螺栓开口销图像,对所述螺栓开口销图像进行预处理,得到预处理后图像;
根据所述预处理后图像,判断开口销是否丢失;若所述判断的结果为开口销丢失,则输出开口销丢失预警;
若所述判断的结果为开口销未丢失,对所述预处理后图像进行边缘提取,获取开口销的尾部线段;采用反余弦模型处理所述开口销的尾部线段,获取尾部线段夹角;将所述尾部线段夹角与预设夹角安全范围比较,输出开口销检测结果。
2.根据权利要求1所述的铁道车辆螺栓开口销的检测方法,其特征在于,所述对所述螺栓开口销图像进行预处理的步骤中:
根据所述螺栓开口销图像的图像质量,选取灰度化处理、图像增强处理和保边平滑处理中的一种或几种对所述螺栓开口销图像进行处理,获得待处理图像。
3.根据权利要求2所述的铁道车辆螺栓开口销的检测方法,其特征在于,所述对所述螺栓开口销图像进行预处理的步骤中:
采用目标检测模型处理所述待处理图像,获取开口销的位置。
4.根据权利要求3所述的铁道车辆螺栓开口销的检测方法,其特征在于,所述预处理后图像为开口销框选图像;
所述对所述螺栓开口销图像进行预处理的步骤中:
根据所述开口销的位置,采用边框回归模型标定所述待处理图像中的开口销,输出所述开口销框选图像。
5.根据权利要求1至4任一项所述的铁道车辆螺栓开口销的检测方法,其特征在于,所述根据所述尾部线段夹角输出开口销检测结果的步骤,包括:
若所述尾部线段夹角在预设夹角安全范围内,则所述开口销检测结果为开口销合格;
若所述尾部线段夹角不在预设夹角安全范围内,则所述开口销检测结果为开口销未安装到位,发出报警信号。
6.根据权利要求1所述的铁道车辆螺栓开口销的检测方法,其特征在于,所述开口销的尾部线段为基于霍夫变换获取。
7.一种铁道车辆螺栓开口销的检测装置,其特征在于,包括:
预处理模块,用于获取铁道车辆的螺栓开口销图像,对所述螺栓开口销图像进行预处理,得到预处理后图像;
丢失判断模块,用于根据所述预处理后图像,判断开口销是否丢失;若所述判断的结果为开口销丢失,则输出开口销丢失预警;
夹角检测模块,用于若所述判断的结果为开口销未丢失,对所述预处理后图像进行边缘提取,获取开口销的尾部线段;采用反余弦模型处理所述开口销的尾部线段,获取尾部线段夹角;将所述尾部线段夹角与预设夹角安全范围比较,输出开口销检测结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种铁道车辆螺栓开口销的检测系统,其特征在于,包括高清摄像机和权利要求8所述的计算机设备;
其中,所述高清摄像机固定于铁道车辆的检测工位侧面,与所述计算机设备连接,用于获取铁道车辆的螺栓开口销图像。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111650088.8A CN114399479A (zh) | 2021-12-29 | 2021-12-29 | 铁道车辆螺栓开口销的检测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111650088.8A CN114399479A (zh) | 2021-12-29 | 2021-12-29 | 铁道车辆螺栓开口销的检测方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399479A true CN114399479A (zh) | 2022-04-26 |
Family
ID=81229268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111650088.8A Pending CN114399479A (zh) | 2021-12-29 | 2021-12-29 | 铁道车辆螺栓开口销的检测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399479A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170883A (zh) * | 2022-07-19 | 2022-10-11 | 哈尔滨市科佳通用机电股份有限公司 | 一种制动缸活塞推杆开口销丢失故障检测方法 |
-
2021
- 2021-12-29 CN CN202111650088.8A patent/CN114399479A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170883A (zh) * | 2022-07-19 | 2022-10-11 | 哈尔滨市科佳通用机电股份有限公司 | 一种制动缸活塞推杆开口销丢失故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106683075B (zh) | 一种输电线杆塔横担处螺栓缺陷检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
EP3176751A1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
CN110321933B (zh) | 一种基于深度学习的故障识别方法和装置 | |
WO2018211891A1 (ja) | 異変検出装置及び異変検出方法 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN111861990B (zh) | 一种产品不良外观检测的方法、系统及存储介质 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN109635823B (zh) | 用于识别卷扬乱绳的方法和装置及工程机械 | |
CN114820626B (zh) | 一种汽车前脸零件配置智能检测方法 | |
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 | |
CN112766110A (zh) | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 | |
CN114399479A (zh) | 铁道车辆螺栓开口销的检测方法、装置和计算机设备 | |
CN110853091A (zh) | 一种发动机保险丝绕向缺陷图像识别方法与系统 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
Zhang et al. | Image techniques for identifying sea-ice parameters | |
CN113139943A (zh) | 开口圆环工件外观缺陷检测方法、系统及计算机存储介质 | |
CN115880365A (zh) | 一种双工位自动螺丝拧装检测方法、系统及装置 | |
CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及系统 | |
CN114529543B (zh) | 一种航空发动机外周螺钉垫片的安装检测方法及装置 | |
CN111191192A (zh) | 数据的去噪方法、装置及存储介质 | |
CN115760792A (zh) | 高压电缆附件安装关键环节的质量缺陷检验方法及装置 | |
CN111145154B (zh) | 一种基于机器视觉的串联钢丝防松结构检测方法 | |
CN113361541A (zh) | 一种地下排水管道缺陷的特征提取方法 | |
CN112907514A (zh) | 一种基于图像识别的螺栓螺母缺陷诊断方法及系统 |
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 |