CN114414660A - 一种铁路车辆轮对的轴号和裂纹识别方法 - Google Patents
一种铁路车辆轮对的轴号和裂纹识别方法 Download PDFInfo
- Publication number
- CN114414660A CN114414660A CN202210267425.3A CN202210267425A CN114414660A CN 114414660 A CN114414660 A CN 114414660A CN 202210267425 A CN202210267425 A CN 202210267425A CN 114414660 A CN114414660 A CN 114414660A
- Authority
- CN
- China
- Prior art keywords
- image
- wheel set
- axle number
- cracks
- identification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000005286 illumination Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 11
- 101100129590 Schizosaccharomyces pombe (strain 972 / ATCC 24843) mcp5 gene Proteins 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000221535 Pucciniales Species 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000005347 demagnetization Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/22—Details, e.g. general constructional or apparatus details
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/26—Arrangements for orientation or scanning by relative movement of the head and the sensor
- G01N29/265—Arrangements for orientation or scanning by relative movement of the head and the sensor by moving the sensor relative to a stationary material
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种铁路车辆轮对的轴号和裂纹识别方法,该方法针对采集到的轮对轴号图像存在光照不均、反射、划痕、污渍、锈迹造成的干扰,通过轮对轴号图像增强方法来提升轮对轴号图像质量;针对轮对轴号图像中字符多样性和样本数量的问题,通过jTessBoxEditor辅助Tesseract‑OCR进行训练和识别,提高轴号识别准确率;通过改进的PCA轮对裂纹识别方法来对采集到的轮对探伤图像进行裂纹识别和标注,通过端点计算、分段求和来求得裂纹的长度,判断裂纹位置。本发明保证了铁路车辆运行的安全性,实现了自动化和批量化的轮对探伤处理。
Description
技术领域
本发明涉及铁路车辆轮对探伤方法,尤其涉及一种铁路车辆轮对的轴号和裂纹识别方法。
背景技术
铁路车辆作为货运和人们日常生活的主要出行方式之一,其运行的安全性以及日常管理问题越来越受到人们的关注,针对车辆轮对的探伤检修维护也越来越重要。
在对车辆轮对进行探伤作业的过程中,需要准确识别和标记缺陷裂纹在轮对中的位置,同时记录下探伤结果信息,即识别裂纹有无。若有裂纹,则计算位置、大小。通过对车辆轮对轴号信息进行校验核对,以不同的轴号信息为依据,来对应不同的轮对探伤信息,达到对车辆轮对运行状况的精确把握。因此,准确且稳定的车辆轮对轴号识别和裂纹识别极为重要。
目前在轮对的探伤过程中,轮对轴号识别和轮对裂纹识别主要是通过人眼识别,在应对大量的车辆轮对时,人眼识别判断不仅低效、占用大量的作业时间而且人工成本很高,并且加重了工作人员的工作强度,易产生错误。
通过机器视觉图像识别技术代替传统的人工识别,进而降低人力成本以及设备成本,提高效率。传统的图像识别方法中图像具有明显的色彩区分和对比度,而工业场景中图像则可能处于更为复杂变化的背景下,如光照不均、物理损伤、划痕、模糊、粘连的干扰。在这种复杂的情况下,传统的处理方法准确率较低,不具有普遍适用性。轮对轴号图像部分存在的反光现象使图像信噪比降低,增加了图像分割难度,背景色与轴号字符区域颜色相似,色差较小,此时使用传统的图像增强算法难以达到很高的识别率。
在针对荧光磁粉探伤裂纹图像的识别方面,在上下料、线圈合紧、喷淋磁悬液、电极夹紧、磁化、图像的采集、存储、退磁等都可实现自动化处理,但是在缺陷裂纹的识别上还是主要通过人工来判断识别,而该方法存在着检测效率低、易产生视觉疲劳、紫外线对人体造成危害的问题,不利于进行生产管理。
发明内容
发明目的:针对轮对探伤信息的保存问题,以及为了提高轮对轴号图像的质量,本发明提出一种铁路车辆轮对的轴号和裂纹识别方法,即通过改进的拉普拉斯增强方法,来改善轴号图像采集过程中由于各种环境的干扰产生的光照不均和反光问题;并通过改进的PCA的轮对裂纹识别方法来判断轮对图像是否存在裂纹,以及计算裂纹大小,判别裂纹位置。
技术方案:本发明铁路车辆轮对的轴号和裂纹识别方法包括以下步骤:
(1)针对采集到的轮对轴号图像存在光照不均、反射、划痕、污渍、锈迹造成的干扰,通过轮对轴号图像增强方法来得到增强后的轮对轴号图像,提升轮对轴号图像质量;
(2)针对轮对轴号图像中字符多样性和样本数量的问题,通过jTessBoxEditor辅助Tesseract-OCR进行训练和识别,提高轴号识别准确率;
(3)通过改进的PCA轮对裂纹识别方法来对采集到的轮对探伤图像进行裂纹识别和标注,通过端点计算、分段求和来求得裂纹的长度。
步骤(1)的过程如下:
(1.1)将轮对轴号图像分解为轴号光照图像和轴号反射图像,相机接收到的轴号图像信号为公式(1):
S(x,y)=L(x,y)×R(x,y) (1)
式中,S(x,y)表示相机接收到的轴号图像信号,L(x,y)表示光的照射分量,即轴号光照图像,R(x,y)表示携带轴号图像细节信息的轴号反射图像;
(1.2)由公式(2)得到增强后的轴号光照图像:
式中,L(x,y)’表示增强后的轴号光照图像,L(x,y)表示原轴号光照图像;
(1.3)通过加权平均值滤波法并采用公式(3)得到去噪后的轴号反射图像:
式中,R(x,y)’表示去噪后的轴号反射图像,Ri(x,y)表示轴号反射图像中第i个像素点的灰度值,Qi表示轴号反射图像中第i个像素点的权重,M×M表示模板大小;
(1.4)将增强后的轴号光照图像和去噪后的轴号反射图像合成得到增强后的轴号图像的公式(4):
式中,S(x,y)’表示增强后的轴号图像。
步骤(2)包括以下内容:
(2.1)采用jTessBoxEditor训练轴号字符库,通过Tesseract-OCR进行轴号字符的识别,具体过程为:
(2.1.1)将训练的轴号字符的图像转换为tiff格式,并合并为一个tiff文件,命名为nml.num.exp0.tiff;
(2.1.2)通过Tesseract的makebox,用chi_sim库识别tiff文件,并生成对应的box文件,命名为nml.num.exp0.box。
(2.1.3)打开jTessBoxEditor,对错误的轴号字符和边框信息进行校正;
(2.1.4)结合tiff和box文件,进行lstm训练,生成nml.num.exp0.lstmf文件;
(2.1.5)从chi_sim中提取出chi_sim.lstm文件;
(2.1.6)训练字库并结合训练文件和chi_sim生成轴号字符库num1文件;
(2.2)针对一次训练得到的轴号字符库num1,以num1替换(2.1.2)、(2.1.5)和(2.16)中的chi_sim,重复上述训练过程,得到轴号字符识别库num2;
(2.3)使用Tesseract-OCR结合num2轴号字符库进行轴号字符的识别。
步骤(3)包括以下过程:
(3.1)确定一组无裂纹的轮对图像作为背景图像G(x,y),将待识别轮对探伤图像与背景图像之间做差分运算并取绝对值,得到差分图像C(x,y);
(3.2)以一组轮对探伤的n幅差分图像为数据集S={C1,C2,...,Cn},做预处理得到灰度图像,计算数据集中每个像素的平均值及标准差并得到标准化矩阵B和协方差矩阵C,求得协方差矩阵C的特征值λ和对应的特征向量μ,将特征值按从大到小排序,选择最大的前k个特征值及对应的特征向量构成投影矩阵M,将数据集S通过投影矩阵M转换到k个特征向量构成的投影空间中;
(3.3)轮对探伤图像映射到投影空间中并判断是否存在裂纹,若存在裂纹,则映射点从投影空间反映射到像素空间,找到裂纹的位置;提取轮对图像中裂纹的骨架,以端点计算、分段求和的方式求得裂纹的长度;
(3.4)建立轮对探伤图像的识别数据库来判断裂纹有无,计算裂纹大小,并对轮对裂纹进行批量识别。
步骤(3.2)中,将每幅差分图像的每个像素减去平均值再除以标准差,得到标准化矩阵B。
步骤(3.2)中,根据公式Cμ=λμ求协方差矩阵C的特征值λ和对应的特征向量μ。
步骤(3.3)中,将轮对探伤图像映射到投影空间中,通过映射点的分布堆及连通情况判断是否存在裂纹。
步骤(3.3)中,找到裂纹的位置后,以拼接法将处理后的轮对图像按实际尺寸进行拼接,并对裂纹标注。
步骤(3.4)中,对不同类型、不同大小的裂纹的特征进行提取、分析和训练。
工作原理:为了保证铁路车辆运行的安全性,实现自动化和批量化的轮对探伤信息管理,本发明通过轴号图像增强方法来解决轮对轴号图像质量低的问题;通过轮对裂纹识别方法对采集到的轮对图像进行处理并记录裂纹信息,建立裂纹图像的识别库,对轮对裂纹信息进行自动识别并记录,提高识别效率和准确率。
有益效果:与现有技术相比,本发明具有以下优点:
(1)本发明在针对采集到的铁路车辆轮对轴号图像质量较差,对比度较低,存在光照不均、划痕、污渍、锈迹的干扰问题,采用改进的拉普拉斯增强方法算法增强图像,进一步提高图像质量;
(2)通过jTessBoxEditor辅助Tesseract-OCR进行训练和识别,采用再训练的方法训练轴号字符库,提高了轮对轴号识别的准确率。
(3)本发明在轮对裂纹的识别和计算方面,通过改进的PCA的轮对裂纹识别方法来准确判断裂纹有无,并按端点计算、分段求和的方式计算裂纹大小信息。
附图说明
图1为本发明对车辆轮对探伤示意图;
图2为本发明的轮对轴号图像中存在的问题示意图;
图3为本发明所采用的轮对轴号图像增强方法流程图;
图4为本发明的火车轮对轴号图像增强效果前后对比图;
图5为本发明的轮对轴号图像增强前后识别信息对比图;
图6为本发明的轮对裂纹识别方法流程图;
图7为本发明的轮对探伤裂纹缺陷识别示意图;
图8为本发明的轮对裂纹计算示意图。
具体实施方式
如图1所示,为本发明对车辆轮对探伤示意图,箭头标明轮对从轴号识别到探伤、裂纹识别的顺序方向,轮对开始探伤时,先进行轮对轴号的采集识别,之后进行探伤过程,采集的轮对探伤图像传输到计算机中进行轮对裂纹识别。
如图2所示,为轮对轴号图像中存在的问题,主要有光照不均、污渍、锈迹、反光等问题,影响轴号识别的准确率。
如图3所示,为轮对轴号图像增强流程图,具体过程为:
(1)低质量的轮对轴号图像分解为轴号光照图像和轴号反射图像,轴号图像看做由反射图像和光照图像构成,入射光照在轮对轴端上,形成反射光进入相机,如公式(1)所示:
S(x,y)=L(x,y)×R(x,y) (1)
式中,S(x,y)表示相机接收到的轴号图像信号,L(x,y)表示轴号光照图像,R(x,y)表示携带轴号图像细节信息的轴号反射图像。
(2)针对轴号光照图像,分析输入灰度值和输出灰度值之间的变换关系,通过改进的拉普拉斯增强方法来增强轴号光照图像,具体为,定义两个4邻域卷积核([0,-1,0],[-1,6,-1],[0,-1,0])和([0,-1,0],[-1,5,-1],[0,-1,0]),依次与轴号光照图进行卷积处理,得到拉普拉斯掩模,对原轴号光照图像和拉普拉斯掩模进行叠加,得到增强后的轴号光照图像,如公式(2)所示:
式中,L(x,y)’表示增强后的轴号光照图像,L(x,y)表示原轴号光照图像。
(3)针对轴号反射图像,考虑到各种噪声干扰因素的影响,采用加权平均值滤波算法对轴号反射图像去噪,保留图像中的边缘细节信息,如公式(3)所示:
式中,R(x,y)’表示去噪后的轴号反射图像,Ri(x,y)表示轴号反射图像中第i个像素点的灰度值,Qi表示轴号反射图像中第i个像素点对应的权重,M×M表示模板大小。
(4)将增强后的轴号光照图和去噪后的轴号反射图合成得到增强后的轴号图像,进而增强轴号图像的对比度,如公式(4)所示:
式中,S(x,y)’表示增强后的轮对轴号图像。
如图4所示,为轮对轴号图像增强前后对比图,从图中看出,改善了图像质量,对比度有了显著提高。
如图5所示,为轮对轴号图像增强前后识别效果图,在步骤(2)中,基于已分割的轴号字符图像,考虑到轴号字符多样性的特点,采用jTessBoxEditor训练轴号字符库,并通过Tesseract-OCR进行轴号字符的识别。具体训练过程如下:
Step1将需训练的轴号字符图像转换为tiff格式,并将这些轴号字符图像合并为一个tiff文件,命名为nml.num.exp0.tiff。
Step2通过Tesseract的makebox,用chi_sim库识别tiff文件,并生成对应的box文件,命名为nml.num.exp0.box。
Step3打开jTessBoxEditor,对错误的轴号字符和边框信息进行校正。
Step4结合tiff和box文件,进行lstm训练,生成nml.num.exp0.lstmf文件。
Step5从chi_sim中提取出chi_sim.lstm文件。
Step6训练字库并结合训练文件合chi_sim生成轴号字符库num1文件。
然后,针对一次训练得到的轴号字符库num1,以num1替换Step2、Step5和Step6中的chi_sim,重复上述训练流程,得到更高识别精度的轴号字符识别库num2。最后使用Tesseract-OCR结合num2轴号字符库进行轮对轴号字符的自动识别处理。
从图5中看出,处理前轴号识别不仅有一些字符未识别出来,还有一些识别出来的信息有错误,本发明对增强处理后的轴号识别信息,表明本发明解决了未识别或识别错误的问题。
如图6所示,步骤(3)中,本发明通过改进的PCA轮对裂纹识别方法来对采集到的轮对探伤图像进行裂纹识别和标注包括以下步骤:
(3.1)本发明基于采集到的轮对探伤图像,确定一组无缺陷裂纹的轮对整体图像作为基础背景图像G(x,y),将待识别轮对探伤图像与背景图像之间做差分运算并取绝对值,得到差分图像C(x,y)。
(3.2)以一组轮对探伤的n幅差分图像为数据集S={C1,C2,...,Cn},做预处理得到灰度图像,计算数据集中每个像素的平均值及标准差,将每个差分图像的每个像素减去平均值再除以标准差,得到标准化矩阵B。通过标准化矩阵B求出协方差矩阵求得协方差矩阵C的特征值和对应的特征向量,根据公式Cμ=λμ求协方差矩阵C的特征值λ和对应的特征向量μ,特征值共有n个,每一个λi对应一个特征向量μi,将这n个特征值按从大到小排序,选择最大的前k个特征值及对应的特征向量构成投影矩阵M,将数据集S通过投影矩阵M转换到k个特征向量构成的投影空间中。
(3.3)将轮对探伤图像映射到投影空间中,通过映射点的分布堆及连通情况自动判断是否存在裂纹,若存在裂纹,则映射点从投影空间反映射到像素空间,找到裂纹的位置。以拼接法将处理后轮对图像按实际尺寸结构进行拼接,并对裂纹标注。同时通过图像处理来提取轮对图像中裂纹的骨架,以端点计算、分段求和的方式求得裂纹的长度。
(3.4)建立轮对探伤图像的识别库来判断裂纹有无,并计算裂纹大小。对不同类型,不同大小的裂纹特征进行提取、分析、训练,建立鲁棒性强的识别数据库,通过调整优化,实现快速大批量的轮对裂纹识别。
如图7所示,为轮对探伤裂纹的识别方法,图(a)为待识别的轮对探伤图像,其中包含着一些污渍和锈迹干扰;图(b)为轮对的无裂纹缺陷、无干扰的背景图像,两者差分得到图(c),为包含裂纹、污渍和锈迹等干扰的差分图像,通过降维运算,通过点的集中分布及连通情况情况识别裂纹。
如图8所示,为裂纹的计算过程示意图,通过采用端点计算,分段求和的方式,图中黑色和灰色相间的线段将整个裂纹分为了8段,分别通过端点坐标计算着8段线段的长度,再求和,得到的结果即为轮对中裂纹的长度。
Claims (10)
1.一种铁路车辆轮对的轴号和裂纹识别方法,其特征在于:包括以下步骤:
(1)通过轮对轴号图像增强方法来得到增强后的轮对轴号图像;
(2)通过jTessBoxEditor辅助Tesseract-OCR进行训练和识别;
(3)通过改进的PCA轮对裂纹识别方法来对采集到的轮对探伤图像进行裂纹识别和标注。
2.根据权利要求1所述的铁路车辆轮对的轴号和裂纹识别方法,其特征在于:步骤(1)的过程如下:
(1.1)将轮对轴号图像分解为轴号光照图像和轴号反射图像,相机接收到的轴号图像信号为公式(1):
S(x,y)=L(x,y)×R(x,y) (1)
式中,S(x,y)表示相机接收到的轴号图像信号,L(x,y)表示光的照射分量,即轴号光照图像,R(x,y)表示携带轴号图像细节信息的轴号反射图像;
(1.2)由公式(2)得到增强后的轴号光照图像:
式中,L(x,y)’表示增强后的轴号光照图像,L(x,y)表示原轴号光照图像;
(1.3)采用公式(3)得到去噪后的轴号反射图像:
式中,R(x,y)’表示去噪后的轴号反射图像,Ri(x,y)表示轴号反射图像中第i个像素点的灰度值,Qi表示轴号反射图像中第i个像素点的权重,M×M表示模板大小;
(1.4)将增强后的轴号光照图像和去噪后的轴号反射图像合成得到增强后的轴号图像,如公式(4)所示:
式中,S(x,y)’表示增强后的轴号图像。
3.根据权利要求1所述的铁路车辆轮对的轴号和裂纹识别方法,其特征在于:步骤(2)包括以下步骤:
(2.1)采用jTessBoxEditor训练轴号字符库,通过Tesseract-OCR进行轴号字符的识别,具体过程为:
(2.1.1)将训练的轴号字符的图像转换为tiff格式,并合并为一个tiff文件,命名为nml.num.exp0.tiff;
(2.1.2)通过Tesseract的makebox,用chi_sim库识别tiff文件,并生成对应的box文件,命名为nml.num.exp0.box。
(2.1.3)打开jTessBoxEditor,对错误的轴号字符和边框信息进行校正;
(2.1.4)结合tiff和box文件,进行lstm训练,生成nml.num.exp0.lstmf文件;
(2.1.5)从chi_sim中提取出chi_sim.lstm文件;
(2.1.6)训练字库并结合训练文件和chi_sim生成轴号字符库num1文件;
(2.2)针对一次训练得到的轴号字符库num1,以num1替换(2.1.2)、(2.1.5)和(2.16)中的chi_sim,重复上述训练过程,得到轴号字符识别库num2;
(2.3)使用Tesseract-OCR结合num2轴号字符库进行轴号字符的识别。
4.根据权利要求1所述的铁路车辆轮对的轴号和裂纹识别方法,其特征在于:步骤(3)包括以下过程:
(3.1)确定一组无裂纹的轮对图像作为背景图像G(x,y),将待识别轮对探伤图像与背景图像之间做差分运算并取绝对值,得到差分图像C(x,y);
(3.2)以一组轮对探伤的n幅差分图像为数据集S={C1,C2,...,Cn},做预处理得到灰度图像,计算数据集中每个像素的平均值及标准差并得到标准化矩阵B和协方差矩阵C,求得协方差矩阵C的特征值λ和对应的特征向量μ,选择最大的前k个特征值及对应的特征向量构成投影矩阵M,将数据集S通过投影矩阵M转换到k个特征向量构成的投影空间中;
(3.3)轮对探伤图像映射到投影空间中并判断是否存在裂纹,若存在裂纹,则映射点从投影空间反映射到像素空间,找到裂纹的位置;提取轮对图像中裂纹的骨架,以端点计算、分段求和来求得裂纹的长度;
(3.4)建立识别数据库来判断裂纹有无,计算裂纹大小,并对轮对裂纹进行批量识别。
5.根据权利要求4所述的铁路车辆轮对的轴号和裂纹识别方法,其特征在于:步骤(3.2)中,将每幅差分图像的每个像素减去平均值再除以标准差,得到标准化矩阵B。
7.根据权利要求4所述的铁路车辆轮对的轴号和裂纹识别方法,其特征在于:步骤(3.2)中,根据公式Cμ=λμ求协方差矩阵C的特征值λ和对应的特征向量μ。
8.根据权利要求4所述的铁路车辆轮对的轴号和裂纹识别方法,其特征在于:步骤(3.3)中,将轮对探伤图像映射到投影空间中,通过映射点的分布堆及连通情况判断是否存在裂纹。
9.根据权利要求4所述的铁路车辆轮对的轴号和裂纹识别方法,其特征在于:步骤(3.3)中,找到裂纹的位置后,以拼接法将处理后的轮对图像按实际尺寸进行拼接,并对裂纹标注。
10.根据权利要求4所述的铁路车辆轮对的轴号和裂纹识别方法,其特征在于:步骤(3.4)中,对不同类型、不同大小的裂纹的特征进行提取、分析和训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210267425.3A CN114414660B (zh) | 2022-03-18 | 2022-03-18 | 一种铁路车辆轮对的轴号和裂纹识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210267425.3A CN114414660B (zh) | 2022-03-18 | 2022-03-18 | 一种铁路车辆轮对的轴号和裂纹识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114414660A true CN114414660A (zh) | 2022-04-29 |
CN114414660B CN114414660B (zh) | 2024-01-12 |
Family
ID=81264576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210267425.3A Active CN114414660B (zh) | 2022-03-18 | 2022-03-18 | 一种铁路车辆轮对的轴号和裂纹识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114414660B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937039A (zh) * | 2022-07-21 | 2022-08-23 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100303372A1 (en) * | 2007-07-26 | 2010-12-02 | Omron Corporation | Digital image processing and enhancing system and method with function of removing noise |
US20110175911A1 (en) * | 2010-01-15 | 2011-07-21 | Microsoft Corporation | Rendering parametric surface patches |
US20130342694A1 (en) * | 2012-06-25 | 2013-12-26 | Tandent Vision Science, Inc. | Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device |
CN103942777A (zh) * | 2014-03-13 | 2014-07-23 | 华南理工大学 | 一种基于主成分分析的手机玻璃盖板缺陷检测方法 |
CN104732226A (zh) * | 2015-03-31 | 2015-06-24 | 浪潮集团有限公司 | 一种字符识别方法和装置 |
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
KR20170036385A (ko) * | 2015-09-24 | 2017-04-03 | 주식회사 엘지화학 | 납사 크랙의 예측 방법 및 예측 장치 |
CN107423732A (zh) * | 2017-07-26 | 2017-12-01 | 大连交通大学 | 基于Android平台的车辆VIN识别方法 |
CN108711150A (zh) * | 2018-05-22 | 2018-10-26 | 电子科技大学 | 一种基于pca的端到端路面裂缝检测识别方法 |
CN109190621A (zh) * | 2018-09-06 | 2019-01-11 | 东北大学 | 雾天车牌自动识别方法 |
CN111105398A (zh) * | 2019-12-19 | 2020-05-05 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的输电线路部件裂纹检测方法 |
CN111141753A (zh) * | 2019-12-20 | 2020-05-12 | 三峡大学 | 基于机器视觉的陶瓷瓦表面裂纹检测方法 |
CN111222559A (zh) * | 2019-12-31 | 2020-06-02 | 深圳大学 | 对小样本图像进行分类的主成分分析网络的训练方法 |
CN111351814A (zh) * | 2020-04-13 | 2020-06-30 | 全球能源互联网研究院有限公司 | 用于环氧材料的抗开裂性能评价方法 |
CN111402215A (zh) * | 2020-03-07 | 2020-07-10 | 西南交通大学 | 一种基于鲁棒主成分分析法的接触网绝缘子状态检测方法 |
CN111751442A (zh) * | 2020-07-07 | 2020-10-09 | 盐城工学院 | 一种全自动磁粉探伤设备 |
CN113989280A (zh) * | 2021-12-28 | 2022-01-28 | 武汉市鑫景诚路桥钢模有限公司 | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 |
-
2022
- 2022-03-18 CN CN202210267425.3A patent/CN114414660B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100303372A1 (en) * | 2007-07-26 | 2010-12-02 | Omron Corporation | Digital image processing and enhancing system and method with function of removing noise |
US20110175911A1 (en) * | 2010-01-15 | 2011-07-21 | Microsoft Corporation | Rendering parametric surface patches |
US20130342694A1 (en) * | 2012-06-25 | 2013-12-26 | Tandent Vision Science, Inc. | Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device |
CN103942777A (zh) * | 2014-03-13 | 2014-07-23 | 华南理工大学 | 一种基于主成分分析的手机玻璃盖板缺陷检测方法 |
CN104732226A (zh) * | 2015-03-31 | 2015-06-24 | 浪潮集团有限公司 | 一种字符识别方法和装置 |
KR20170036385A (ko) * | 2015-09-24 | 2017-04-03 | 주식회사 엘지화학 | 납사 크랙의 예측 방법 및 예측 장치 |
CN106548182A (zh) * | 2016-11-02 | 2017-03-29 | 武汉理工大学 | 基于深度学习和主成因分析的路面裂纹检测方法及装置 |
CN107423732A (zh) * | 2017-07-26 | 2017-12-01 | 大连交通大学 | 基于Android平台的车辆VIN识别方法 |
CN108711150A (zh) * | 2018-05-22 | 2018-10-26 | 电子科技大学 | 一种基于pca的端到端路面裂缝检测识别方法 |
CN109190621A (zh) * | 2018-09-06 | 2019-01-11 | 东北大学 | 雾天车牌自动识别方法 |
CN111105398A (zh) * | 2019-12-19 | 2020-05-05 | 昆明能讯科技有限责任公司 | 一种基于可见光图像数据的输电线路部件裂纹检测方法 |
CN111141753A (zh) * | 2019-12-20 | 2020-05-12 | 三峡大学 | 基于机器视觉的陶瓷瓦表面裂纹检测方法 |
CN111222559A (zh) * | 2019-12-31 | 2020-06-02 | 深圳大学 | 对小样本图像进行分类的主成分分析网络的训练方法 |
CN111402215A (zh) * | 2020-03-07 | 2020-07-10 | 西南交通大学 | 一种基于鲁棒主成分分析法的接触网绝缘子状态检测方法 |
CN111351814A (zh) * | 2020-04-13 | 2020-06-30 | 全球能源互联网研究院有限公司 | 用于环氧材料的抗开裂性能评价方法 |
CN111751442A (zh) * | 2020-07-07 | 2020-10-09 | 盐城工学院 | 一种全自动磁粉探伤设备 |
CN113989280A (zh) * | 2021-12-28 | 2022-01-28 | 武汉市鑫景诚路桥钢模有限公司 | 基于图像处理技术的钢结构焊接裂纹缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
何笑;王刚;贺欢;: "基于小波变换的水下低照度图像增强算法", 电脑知识与技术, no. 23 * |
李宗剑;曾理;: "工业CT含噪图像中的裂纹探测", 光学精密工程, no. 02, pages 129 - 130 * |
王勇;: "基于支持向量机的汽车胎号识别算法研究", 计算机仿真, no. 09 * |
赵世田;付莹莹;卢倩;郑雷;: "基于Creo和ADAMS的弧面分度凸轮机构建模与运动仿真研究", 机械设计与制造, no. 04 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114937039A (zh) * | 2022-07-21 | 2022-08-23 | 阿法龙(山东)科技有限公司 | 一种钢管缺陷智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114414660B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211101A (zh) | 一种铁轨表面缺陷快速检测系统及方法 | |
CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN108520274B (zh) | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 | |
CN110806736B (zh) | 一种模锻成形智能制造生产线锻件质量信息检测方法 | |
CN104715239B (zh) | 一种基于去雾处理和权重分块的车辆颜色识别方法 | |
CN107665348B (zh) | 一种变电站数字仪表的数字识别方法和装置 | |
CN111080612B (zh) | 一种货车轴承破损检测方法 | |
CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN115601355A (zh) | 一种产品表面缺陷检测与分类方法、装置及存储介质 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN112330646A (zh) | 一种基于二维图像的动车车底异常检测方法 | |
CN114414660B (zh) | 一种铁路车辆轮对的轴号和裂纹识别方法 | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN117152129B (zh) | 一种电池盖板的表面缺陷视觉检测方法及系统 | |
CN113269234A (zh) | 一种基于目标检测的连接件装配检测方法和系统 | |
CN115423816B (zh) | 一种金属表面磨削质量检测方法 | |
CN116228682A (zh) | 一种基于多支路卷积神经网络的射线图像焊缝缺陷识别方法 | |
CN114742823A (zh) | 一种物体表面划痕智能检测方法 | |
CN111833323B (zh) | 基于稀疏表示与svm的分任务铁路货车图像质量判断方法 |
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 |