CN114575205A - 一种基于图像数据处理的水射流钢轨廓形智能化打磨系统 - Google Patents

一种基于图像数据处理的水射流钢轨廓形智能化打磨系统 Download PDF

Info

Publication number
CN114575205A
CN114575205A CN202210458573.3A CN202210458573A CN114575205A CN 114575205 A CN114575205 A CN 114575205A CN 202210458573 A CN202210458573 A CN 202210458573A CN 114575205 A CN114575205 A CN 114575205A
Authority
CN
China
Prior art keywords
point
steel rail
contour
polishing
grinding
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
Application number
CN202210458573.3A
Other languages
English (en)
Inventor
何杰
张琨
张�浩
光振雄
董云松
殷勤
巫世晶
邱绍峰
周明翔
李加祺
龙新平
陈平
刘辉
张俊岭
彭方进
李成洋
游鹏辉
李登
赵磊
李硕
杨柳
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.)
Shenyang All Powerful Science And Technology Corp
Wuhan University WHU
China Railway Siyuan Survey and Design Group Co Ltd
Original Assignee
Shenyang All Powerful Science And Technology Corp
Wuhan University WHU
China Railway Siyuan Survey and Design Group 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 Shenyang All Powerful Science And Technology Corp, Wuhan University WHU, China Railway Siyuan Survey and Design Group Co Ltd filed Critical Shenyang All Powerful Science And Technology Corp
Priority to CN202210458573.3A priority Critical patent/CN114575205A/zh
Publication of CN114575205A publication Critical patent/CN114575205A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01B—PERMANENT WAY; PERMANENT-WAY TOOLS; MACHINES FOR MAKING RAILWAYS OF ALL KINDS
    • E01B31/00—Working rails, sleepers, baseplates, or the like, in or on the line; Machines, tools, or auxiliary devices specially designed therefor
    • E01B31/02—Working rail or other metal track components on the spot
    • E01B31/12—Removing metal from rails, rail joints, or baseplates, e.g. for deburring welds, reconditioning worn rails
    • E01B31/17—Removing metal from rails, rail joints, or baseplates, e.g. for deburring welds, reconditioning worn rails by grinding
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01B—PERMANENT WAY; PERMANENT-WAY TOOLS; MACHINES FOR MAKING RAILWAYS OF ALL KINDS
    • E01B35/00—Applications of measuring apparatus or devices for track-building purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01B—PERMANENT WAY; PERMANENT-WAY TOOLS; MACHINES FOR MAKING RAILWAYS OF ALL KINDS
    • E01B2203/00—Devices for working the railway-superstructure
    • E01B2203/01—Devices for working the railway-superstructure with track
    • E01B2203/012—Devices for working the railway-superstructure with track present, i.e. in its normal position
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于图像数据处理的水射流钢轨廓形智能化打磨系统，包括打磨车体、操作装置、照明装置、动力装置、冷却系统，打磨车体中部下方设置有水射流打磨系统，打磨车体底部的后端和前端上还分别设置车体前端检测系统及车体后端检测系统；所述水射流打磨系统包括水箱、增压泵、空压机、水射流打磨刀头组件；所述车体前端检测系统采用3D结构光检测系统，用于实时生成钢轨智能化打磨方案；所述车体后端检测系统用于对钢轨打磨效果进行检查评价，评估打磨质量，对钢轨打磨方案进行迭代优化；实现对钢轨的多角度、高精度打磨，生成钢轨打磨参数方案；在线优化打磨指导方案，调整打磨参数，迭代改进打磨技术方案。

Description

一种基于图像数据处理的水射流钢轨廓形智能化打磨系统
技术领域
本发明涉及钢轨打磨领域，具体说是一种基于图像数据处理的水射流钢轨廓形智能化打磨系统。
背景技术
钢轨是轨道系统中最主要的部件，引导列车沿着轨道向前运动，依靠轨道系统结构的刚度把车轮施加的载荷分布开来并向钢轨下结构传递。钢轨的主要作用是和列车车轮构成轮轨摩擦副，为列车提供尽可能连续的、平顺的承载面，引导车轮沿着轨道滚动运行。地铁车辆运行过程中的钢轨表面的磨耗不可避免，又由于其他各种复杂因素尤其是轮轨接触界面不平顺的影响，轮轨间复杂的动态相互作用会引发轮轨接触问题，使得钢轨磨耗的过程中又经常伴有各种疲劳损伤。
为保障列车行车安全并延长钢轨使用寿命，需对钢轨进行打磨修复，使钢轨恢复最佳轮廓形状，改善轮轨关系。
（1）目前采用砂轮打磨方式对钢轨进行包络式打磨，打磨时产生热量极大，易烧伤钢轨，造成连续发蓝带，打磨过程中产生大量粉尘烟雾和高温碎屑、火星，污染环境，火灾隐患大。
（2）采用超高压磨料水射流打磨钢轨，能有效去除钢轨表层材料，实现钢轨廓型的打磨，但钢轨射流打磨角度方案，打磨精度不可控，易造成误打磨。
（3）钢轨打磨后没有对打磨质量进行评价，无法对打磨质量和后期打磨质量方法进行优化。
发明内容
本发明要解决的是现有钢轨进行打磨修复存在的热量极大，易烧伤钢轨、打磨精度不可控、易造成误打磨的问题。
针对上述问题，本发明采用的技术方案是：一种基于图像数据处理的水射流钢轨廓形智能化打磨系统，包括打磨车体、操作装置、照明预警装置、动力装置及冷却系统，打磨车体中部下方设置有用于对钢轨进行修复性打磨的水射流打磨系统，打磨车体底部的后端和前端上还分别设置车体前端检测系统及车体后端检测系统；所述水射流打磨系统包括水箱、增压泵、空压机及磨料罐；水射流打磨刀头组件；所述车体前端检测系统采用3D结构光检测系统，对钢轨廓形和表面缺陷进行检测，用于实时生成钢轨智能化打磨方案；所述车体后端检测系统用于对钢轨打磨效果进行检查评价，评估打磨质量，对钢轨打磨方案进行迭代优化；
所述车体前端检测系统包括钢轨磨耗测量系统和钢轨表面检测系统；所述钢轨磨耗测量系统包括，相机标定模块、图像处理模块及廓形生成模块及数据处理模块；钢轨磨耗测量系统使用非接触式三角测量法对钢轨断面廓形进行检测，测量钢轨垂直磨耗及侧面磨耗，并计算钢轨内侧距。
进一步的，所述水射流打磨刀头组件设有多组水射流打磨刀头，采用伺服驱动，设计为x、y、z三轴旋转机构，水射流刀头打磨角度和打磨位置精确控制，实现钢轨仿形打磨；每段钢轨设有前后两组打磨水刀组，实现对钢轨的先粗后精打磨；水射流打磨系统中，水射流打磨刀头对侧设有废水废料回收吸嘴，在打磨过程中，吸嘴产生吸力对废水废料进行回收。
进一步的，所述相机标定模块提取采集到的二维标定模板图像中的标点并进行匹配，完成CCD 相机成像的标定还原，具体采用的标定方法为张氏标定法；相机标定模块确定实物的三维物方坐标和在 CCD 测量平面上二维图像坐标之间的对应关系，获取具体的标定参数，为后面钢轨轮廓图像的校正还原做准备；
图像处理模块对钢轨轮廓进行图像预处理及轮廓细化还原等工作；现场检测情况下 CCD 相机采集到的原始钢轨图像会受到环境及噪声的干扰，发生信息失真；模块在获取的原始图像基础上，通过灰度化、滤波去噪、阈值分割、形态学运算图像处理算法进行图像预处理；
经过预处理之后的原始图像具有几个到十几个像素宽度,采用图像处理中的梯度模板算子进行轮廓细化操作，使得轮廓测量结果均能达到单像素宽度；
得到细化轮廓图像后，通过相机标定模块获取的相机内外参数矩阵，对其进行坐标变换还原，得到真实世界坐标系下的二维轮廓曲线；廓形生成模块在得到图像处理模块获取的真实轮廓曲线后，根据实测轮廓与标准轮廓的仿射映射特性，匹配后消除振动影响的情况下,对静态测量轮廓模型和动态失真轮廓模型进行轮廓配准，保证检测结果的精度达到要求；读取数据处理模块中的标准钢轨廓形，与配准后的轮廓进行匹配测量，完成对应钢轨磨耗值的计算；
数据处理模块主要完成不同轮廓信息及检测结果数据的处理，包括标准钢轨轮廓的查找读取、实测钢轨轮廓数据及计算得到的对应钢轨磨耗的存储、查找及分析。
进一步的，所述对静态测量轮廓模型和动态失真轮廓模型进行轮廓配准分为预配准和精确配准两部分。
进一步的，所述预配准的方法为：
通过提取两轮廓曲线的轨颚点作为特征点，进行整体平移来完成预配准；
在钢轨使用期间，车轮踏面与钢轨之间的接触表面是钢轨的轨顶和内侧，并不接触钢轨轨腰和轨头下端，轨头的下端和轨腰部分没有发生磨损变形概率小，轨颚点在前端采集单元采集钢轨轮廓图像中能完全被捕捉到，所以选取轨颚点作为特征点，采用角点快速主动搜索定位寻找轨颚点，进行整体平移来完成预匹配；具体预配准步骤如下：
（1）主动搜索
选取轨侧直线作为搜索的初始区域，采用左下方向搜索；经过轮廓细化的图像会存在不少于一个像素的偏差，因此轨头下端点及其8邻点均属于实际的轨颚点的范围，所以在轨颚点的8邻点内进行搜索，为了确保搜索方向的正确性，赋予起始点的8邻点不同的搜索优先级，数字按0-7顺序代表优先级的大小，先从初始像素点左下方的0优先级处的点进行判断，若该点在轮廓曲线上，则取该点代替，若该点不在轮廓曲线上，则判断下一优先级，以此类推；
（2）角点定位提取
以初始点为中心选取 3×3 邻域，开始搜索邻域内所有轮廓像素点的位置，根据搜索优先级选定邻域内某一像素点替换掉初始像素点，当像素点 8邻点内全部轮廓像素点均位于上一初始像素点的 3×3 邻域内，则该点为目标角点，停止搜索；若该点的邻域内还有其他新的轮廓像素点，则继续搜索；
（3）平移预匹配
以角点为原点，将测量真实轮廓移至该点，以同样的方法对动态测量轮廓的轨头进行搜索，得到特征点，对动态测量轮廓进行平移，从而使两轮廓模型在轨颚点完成预配准。
进一步的，所述精确配准的方法为：
对于预配准后的轮廓模型，在最近点迭代算法的基础上，考虑到钢轨轨头存在磨损的特点及两轮廓模型在未磨损区域存在仿射映射的特性，使用对应点距离约束筛选，完成轮廓模型的精确配准；
精确配准具体步骤如下：
（1）经过预配准后的测量真实轮廓点集为
Figure 864011DEST_PATH_IMAGE001
和动态测量轮廓点集
Figure 287908DEST_PATH_IMAGE002
分别为：
Figure 419812DEST_PATH_IMAGE003
其中，q io 是
Figure 679892DEST_PATH_IMAGE001
中的任一点、p io 是
Figure 493127DEST_PATH_IMAGE002
中的任一点,R2是平面直角坐标系上所有点组 成的集合，m,n 为正整数；
（2）最近点搜索；每一个初始点与整个目标点集进行匹配，在每一个方向上，目标 点集对该点作差方和，这样就得到了初始点与目标点集所有点距离平方的集合，在其中取 最小值，该值的位置就是该初始点所需建立的映射对象；寻找动态测量轮廓点集
Figure 522263DEST_PATH_IMAGE004
中的
Figure 575801DEST_PATH_IMAGE005
到测量真实轮廓点集
Figure 526439DEST_PATH_IMAGE006
中最近的点，记
Figure 940103DEST_PATH_IMAGE007
中与动态测量轮廓点集中对应点
Figure 823745DEST_PATH_IMAGE008
距离 最近的测量真实轮廓点集对应点为
Figure 563031DEST_PATH_IMAGE009
，组成对应点集合
Figure 518742DEST_PATH_IMAGE010
两点间的欧氏距离为
Figure 470518DEST_PATH_IMAGE011
，距离平均值为
Figure 474246DEST_PATH_IMAGE012
，中值为
Figure 118854DEST_PATH_IMAGE013
，距离满足
Figure 325975DEST_PATH_IMAGE014
，K为迭代次数，min为最小值符号；
（3）距离约束筛选：筛选剔除磨损区域的对应点，再采用最近原则去除含有相同点 的点对，最后生成新的动态测量轮廓点集
Figure 284704DEST_PATH_IMAGE015
和测量真实轮廓点集
Figure 142939DEST_PATH_IMAGE016
，约束条件为：
Figure 224027DEST_PATH_IMAGE017
(4)求解仿射映射矩阵：
根据新生成的轮廓点集寻找得到新的对应点集求解点集质心点
Figure 167713DEST_PATH_IMAGE018
和
Figure 664553DEST_PATH_IMAGE019
，将新 的对应点集平移到质心处，得到
Figure 892141DEST_PATH_IMAGE020
Figure 878551DEST_PATH_IMAGE021
为更新后动态测量轮廓点集对应点，
Figure 512795DEST_PATH_IMAGE022
为更新后的测量真实轮廓点集对应 点，
Figure 875643DEST_PATH_IMAGE023
、
Figure 442891DEST_PATH_IMAGE024
分别为对应点和点集质心的距离得到新的目标函数：
Figure 803465DEST_PATH_IMAGE025
Figure 472475DEST_PATH_IMAGE026
为
Figure 373435DEST_PATH_IMAGE027
和
Figure 60768DEST_PATH_IMAGE028
对应点的平均距离， A为反射映射矩阵中的旋转矩阵、b为平移矩 阵。
计算协方差矩阵K，为了求解使得目标函数最小的解，使用奇异值分解的方法，利 用 SVD 求最优仿射映射，即SVD (k)可得到
Figure 592244DEST_PATH_IMAGE029
，解得U ，v T （U，v T 为协方差矩阵K奇 异值分解酉矩阵）
Figure 997817DEST_PATH_IMAGE030
则可以求得仿射映射矩阵b：
Figure 683227DEST_PATH_IMAGE031
(5)更新动态测量轮廓模型点集：
利用步骤(4)中求得的仿射映射矩阵，对其进行旋转和平移变换，得到新的点集， 准备下一次迭代
Figure 490646DEST_PATH_IMAGE032
；
Figure 193022DEST_PATH_IMAGE033
为更新后动态测量轮廓点集，
Figure 820313DEST_PATH_IMAGE034
为通过反射映 射矩阵转换后的动态测量轮廓点数据集;
(6)重复迭代寻优：
进行多次迭代并确定收敛条件，当对应点间距离的平均值与上一次迭代平均值的 差值
Figure 63075DEST_PATH_IMAGE035
小于设置的阈值
Figure 928263DEST_PATH_IMAGE036
时，即
Figure 349011DEST_PATH_IMAGE037
，停止迭代，输出此时的仿射 映射矩阵及两轮廓模型的当前位置，完成精确配准。
进一步的，所述钢轨表面检测系统利用双目立体视觉的视差原理和三维空间坐标变换，分别通过钢轨上方和侧面相机采集钢轨不同角度的二维图像，得到钢轨表面缺陷区域的动态特征点云；
对钢轨上方与侧面组成的双目相机进行标定，然后对双目相机间几何位置进行计算并进行基于特征相似性的图像区域匹配，得到目标区域的特征点云；基于视差原理，进行二维图像坐标转换和视差和深度的计算，对钢轨表面进行三维重构，等到三维特征信息及三维点云三角顶点位置深度信息。
进一步的，所述车体后端检测系统包括打磨优化专家控制系统，打磨优化专家控制系统包括输入输出模块、模糊知识库、模糊推理机、模糊数据库和学习模块；输入模块的打磨原始信息来源于前端钢轨廓形和表面伤损检测装置检测信息、打磨控制人员输入信息；专家控制系统通过输出模块得到优化后的工艺参数组合，并呈现在优化显示界面上；模糊知识库用于存储打磨领域专家的经验知识和实验数据，知识库中存放的是通过模糊语言形成的模糊规则；模糊数据库作为信息中转站，存储输入的打磨知识、打磨过程产生的信息和输出的工艺参数组合；基于模糊控制的专家控制系统的推理机根据模糊知识库中的经验知识和实验数据运用混合推理的方式获得合适的工艺参数组合；此外，学习模块负责将专家知识转化为模糊语言，当原始打磨规则无法满足实时推理需求时，专家控制系统可以自学习得到新的打磨知识并以模糊规则的形式存储到模糊知识库中，以供模糊推理时调用，从而能够实时优化打磨轨迹。
与现有技术相比，本发明的有益效果在于：
（1）设计车载式智能磨料水射流打磨系统，将多个水刀切割刀头沿钢轨纵向（行进方向）排列，并以不同的角度沿钢轨横向分布，打磨刀头打磨角度、水射流打磨压力精确可控，实现对钢轨的多角度、高精度打磨。
（2）设计3D视觉的钢轨表面检测系统和3D结构光钢轨廓形检测系统进行非接触式检测，根据钢轨的不同种类病害的特征及预先构建专家知识库，实时计算打磨量、打磨次数等，生成钢轨打磨参数方案。
（3）设计激光+视觉的钢轨表面检测系统检测钢轨打磨效果，对打磨效果进行智能量化评价，优化专家知识库，在线优化打磨指导方案，调整打磨参数，不断迭代改进打磨技术方案。
附图说明
图1是本发明较佳实施例的钢轨打磨车的整体结构示意图；
图2是本发明较佳实施例的水射流打磨水刀组结构示意图；
图3是图2中水刀头的结构示意图；
图4是图2中水刀头的另一角度的结构示意图；
图5是本发明较佳实施例的钢轨检测图像采集示意图；
图6是本发明较佳实施例的钢轨廓形图像处理流程；
图7是本发明较佳实施例的钢轨表面伤损检测流程；
图8是本发明较佳实施例的打磨优化专家控制系统示意图；
图9是本发明较佳实施例的专家控制系统模糊控制过程结构示意图；
图中附图标记分别表示：
1-操作台，2—司机座椅，3—照明灯，4-第一旋转警灯，5-第一顶置空调，6-司机门，7-电气柜；8-车体隔墙；9-柴油机，10-发电机组，11-液力传动箱；12-冷却系统，13-水箱；14-第二顶置空调；15-增压泵；16-空压机；17-磨料罐；18-第二旋转警灯；19-车体后端检测装置（集成3D结构光检测系统，对钢轨廓形和表面缺陷进行检测）；20-第二转向架，为两轴动力转向架；21-水射流打磨系统；21-1-水射流打磨装置Z轴旋转电机、21-2-水射流打磨装置Y轴旋转电机、21-3-水射流打磨装置X轴旋转电机、21-4-水射流打磨打磨刀头、21-5-水射流打磨刀头、21-6-废水废料回收装置、22-登车梯；23-车体前端检测装置；24-轨道线路；25-钢轨表面图像采集相机；26-传感器采集通信装置；27-钢轨侧面图像采集装置；28-司机室。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，一种基于图像数据处理的水射流钢轨廓形智能化打磨系统，包括打磨车体、操作装置、照明预警装置、动力装置及冷却系统；
所述操作装置包括操作台，操作台设于司机室28前部；操作台的观察面板上设有：风表、车辆参数显示屏、指示灯等；操作台的操作位设有：司机控制器、照明灯相关开关、空气管路相关开关、其它电控元件开关，通过这些元件实时检测和控制整车运行状态；
所述照明预警装置包括照明灯3、第一旋转警灯4及第二旋转警灯18；所述照明灯位于车体司机室前端，具备防雨的功能；所述第一旋转警灯安装于车体顶部前端，车辆使用过程中点亮旋转警灯；所述第二旋转警灯安装于车体顶部尾端，车辆使用过程中点亮旋转警灯；
所述动力装置包括柴油机9、靠柴油发动机提供动力来进行发电的发电机组10及液力传动箱11，所述液力传动箱11采用液力-机械传动方式，通过液力传动箱输出的扭矩和功率传递到车轴齿轮箱，驱动牵引传动系统。
所述冷却系统12由液压站驱动，负责柴油机冷却和液力传动箱中液力传动油等构件的冷却；
打磨车体中部下方设置有用于对钢轨进行修复性打磨的水射流打磨系统，打磨车体底部的后端和前端上还分别设置车体前端检测系统23及车体后端检测系统19；所述水射流打磨系统包括用于储存水源的水箱13、用于为水箱内的水增压的增压泵15（经增压泵后水压最高可到达420Mpa以上，用于水射流打磨）、空压机16（为打磨车的空气制动提供动力，同时为水射流打磨小车提供磨料传输的动力）及用于储存磨料的磨料罐17；水射流打磨刀头组件21；所述车体前端检测系统23采用3D结构光检测系统，对钢轨廓形和表面缺陷进行检测，用于实时生成钢轨智能化打磨方案；所述车体后端检测系统19用于对钢轨打磨效果进行检查评价，评估打磨质量，对钢轨打磨方案进行迭代优化。
请参考图2-图4，所述水射流打磨刀头组件21设有多组水射流打磨刀头，采用伺服驱动，设计为x、y、z三轴旋转机构，水射流刀头打磨角度和打磨位置精确控制，实现钢轨仿形打磨；每段钢轨设有前后两组打磨水刀组，实现对钢轨的先粗后精打磨；水射流打磨系统中，水射流打磨刀头对侧设有废水废料回收吸嘴，在打磨过程中，吸嘴产生吸力对废水废料进行回收。
请参考图5-图7，所述车体前端检测系统23包括钢轨磨耗测量系统和钢轨表面检测系统；钢轨磨耗测量系统使用非接触式三角测量法对钢轨断面廓形进行检测，测量钢轨垂直磨耗，侧面磨耗，计算钢轨内侧距。
所述钢轨磨耗测量系统包括，相机标定模块、图像处理模块及廓形生成模块及数据处理模块；
相机标定模块提取采集到的二维标定模板图像中的标点并进行匹配，完成CCD 相机成像的标定还原，具体采用的标定算法为zhang相机标定方法；相机标定模块确定实物的三维物方坐标和在 CCD 测量平面上二维图像坐标之间的对应关系，获取具体的标定参数，为后面钢轨轮廓图像的校正还原做准备；
图像处理模块对钢轨轮廓进行图像预处理及轮廓细化还原等工作；现场检测情况下 CCD 相机采集到的原始钢轨图像会受到环境及噪声的干扰，发生信息失真；模块在获取的原始图像基础上，通过灰度化、滤波去噪、阈值分割、形态学运算图像处理算法进行图像预处理（所述预处理的方法包括：
图像灰度化：将具有明显激光照射图像中红色断面RGB图像数字灰度化处理；
图像滤波：采用中值滤波去除外部测量噪声和相机内部噪声；
图像二值化：将钢轨轮廓与背景环境分割；
形态学处理：采用灰度闭运算操作，先膨胀后腐蚀，以平滑钢轨轮廓曲线；膨胀：扩展钢轨轮廓图像的边界，避免轮廓曲线发生断裂，用来修补断点；腐蚀：向内收缩钢轨轮廓图像的边界，消除孤立于轮廓曲线的亮点）；
经过预处理之后的原始图像具有几个到十几个像素宽度,采用图像处理中的梯度模板算子进行轮廓细化操作，使得轮廓测量结果均能达到单像素宽度（单像素宽度反应钢轨的真实轮廓，方便计算）；
得到细化轮廓图像后，通过相机标定模块获取的相机内外参数矩阵，对其进行坐标变换还原，得到真实世界坐标系下的二维轮廓曲线；廓形生成模块在得到图像处理模块获取的真实轮廓曲线后，根据实测轮廓与标准轮廓的仿射映射特性，匹配后消除振动影响的情况下,对静态测量轮廓模型和动态失真轮廓模型进行轮廓配准，保证检测结果的精度达到要求；读取数据处理模块中的标准钢轨廓形，与配准后的轮廓进行匹配测量，完成对应钢轨磨耗值的计算；
数据处理模块主要完成不同轮廓信息及检测结果等数据的处理，包括标准钢轨轮廓的查找读取、实测钢轨轮廓数据及计算得到的对应钢轨磨耗的存储、查找及分析。
所述对静态测量轮廓模型和动态失真轮廓模型进行轮廓配准分为预配准和精确配准两部分。
所述预配准的方法为：
通过提取两轮廓曲线的轨颚点作为特征点，进行整体平移来完成预配准；
在钢轨使用期间，车轮踏面与钢轨之间的接触表面是钢轨的轨顶和内侧，并不接触钢轨轨腰和轨头下端，轨头的下端和轨腰部分没有发生磨损变形概率小，轨颚点在前端采集单元采集钢轨轮廓图像中能完全被捕捉到，所以选取轨颚点作为特征点，采用角点快速主动搜索定位寻找轨颚点，进行整体平移来完成预匹配；具体预配准步骤如下：
（1）主动搜索
选取轨侧直线作为搜索的初始区域，采用左下方向搜索；经过轮廓细化的图像会存在不少于一个像素的偏差，因此轨头下端点及其8邻点均属于实际的轨颚点的范围，所以在轨颚点的8邻点内进行搜索，为了确保搜索方向的正确性，赋予起始点的8 邻点不同的搜索优先级，数字按 0-7 顺序代表优先级的大小，先从初始像素点左下方的0优先级处的点进行判断，若该点在轮廓曲线上，则取该点代替，若该点不在轮廓曲线上，则判断下一优先级，以此类推；
（2）角点定位提取
以初始点为中心选取 3×3 邻域，开始搜索邻域内所有轮廓像素点的位置，根据搜索优先级选定邻域内某一像素点替换掉初始像素点，当像素点 8邻点内全部轮廓像素点均位于上一初始像素点的 3×3 邻域内，则该点为目标角点，停止搜索；若该点的邻域内还有其他新的轮廓像素点，则继续搜索；
（3）平移预匹配
以角点为原点，将测量真实轮廓移至该点，以同样的方法对动态测量轮廓的轨头进行搜索，得到特征点，对动态测量轮廓进行平移，从而使两轮廓模型在轨颚点完成预配准。
所述精确配准的方法为：
对于预配准后的轮廓模型，在最近点迭代(ICP)算法的基础上，考虑到钢轨轨头存在磨损的特点及两轮廓模型在未磨损区域存在仿射映射的特性，使用对应点距离约束筛选，完成轮廓模型的精确配准；
精确配准具体步骤如下：
（1）经过预配准后的测量真实轮廓点集为
Figure 463598DEST_PATH_IMAGE001
和动态测量轮廓点集
Figure 244472DEST_PATH_IMAGE002
分别为：
Figure 26483DEST_PATH_IMAGE003
其中，q io 是
Figure 116668DEST_PATH_IMAGE001
中的任一点、p io 是
Figure 921813DEST_PATH_IMAGE002
中的任一点,R2是平面直角坐标系上所有点组 成的集合，m,n 为正整数；
（2）最近点搜索；每一个初始点与整个目标点集进行匹配，在每一个方向上，目标 点集对该点作差方和，这样就得到了初始点与目标点集所有点距离平方的集合，在其中取 最小值，该值的位置就是该初始点所需建立的映射对象；寻找动态测量轮廓点集
Figure 506378DEST_PATH_IMAGE004
中的
Figure 142896DEST_PATH_IMAGE005
到测量真实轮廓点集
Figure 498922DEST_PATH_IMAGE006
中最近的点，记
Figure 525784DEST_PATH_IMAGE007
中与动态测量轮廓点集中对应点
Figure 914040DEST_PATH_IMAGE008
距离 最近的测量真实轮廓点集对应点为
Figure 657261DEST_PATH_IMAGE009
，组成对应点集合
Figure 839981DEST_PATH_IMAGE010
两点 间的欧氏距离为
Figure 619718DEST_PATH_IMAGE011
，距离平均值为
Figure 546086DEST_PATH_IMAGE012
，中值为
Figure 891616DEST_PATH_IMAGE013
，距离满足
Figure 261549DEST_PATH_IMAGE014
，K为 迭代次数，min为最小值符号；
（3）距离约束筛选：筛选剔除磨损区域的对应点，再采用最近原则去除含有相同点 的点对，最后生成新的动态测量轮廓点集
Figure 263003DEST_PATH_IMAGE015
和测量真实轮廓点集
Figure 993062DEST_PATH_IMAGE016
，约束条件为：
Figure 193099DEST_PATH_IMAGE017
(4)求解仿射映射矩阵：
根据新生成的轮廓点集寻找得到新的对应点集求解点集质心点
Figure 186463DEST_PATH_IMAGE018
和
Figure 206371DEST_PATH_IMAGE019
，将新 的对应点集平移到质心处，得到
Figure 254967DEST_PATH_IMAGE020
Figure 309511DEST_PATH_IMAGE021
为更新后动态测量轮廓点集对应点，
Figure 208197DEST_PATH_IMAGE022
为更新后的测量真实轮廓点集对应 点，
Figure 246560DEST_PATH_IMAGE023
、
Figure 318421DEST_PATH_IMAGE024
分别为对应点和点集质心的距离得到新的目标函数：
Figure 430734DEST_PATH_IMAGE025
Figure 313370DEST_PATH_IMAGE026
为
Figure 573450DEST_PATH_IMAGE027
和
Figure 449003DEST_PATH_IMAGE028
对应点的平均距离， A为反射映射矩阵中的旋转矩阵、b为平移矩 阵。
计算协方差矩阵K，为了求解使得目标函数最小的解，使用奇异值分解的方法，利 用 SVD 求最优仿射映射，即SVD (k)可得到
Figure 681401DEST_PATH_IMAGE038
，解得U ，v T （U，v T 为协方差矩阵K奇异 值分解酉矩阵）
Figure 984206DEST_PATH_IMAGE039
则可以求得仿射映射矩阵b：
Figure 934845DEST_PATH_IMAGE040
(5)更新动态测量轮廓模型点集：
利用步骤(4)中求得的仿射映射矩阵，对其进行旋转和平移变换，得到新的点集， 准备下一次迭代
Figure 618284DEST_PATH_IMAGE041
；
Figure 767505DEST_PATH_IMAGE042
为更新后动态测量轮廓点集，
Figure 975633DEST_PATH_IMAGE043
为通过反射映射矩 阵转换后的动态测量轮廓点数据集;
(6)重复迭代寻优：
进行多次迭代并确定收敛条件，当对应点间距离的平均值与上一次迭代平均值的 差值
Figure 147988DEST_PATH_IMAGE044
小于设置的阈值
Figure 365343DEST_PATH_IMAGE045
时，即
Figure 119803DEST_PATH_IMAGE046
，停止迭代，输出此时的仿 射映射矩阵及两轮廓模型的当前位置，完成精确配准。
所述钢轨表面检测系统利用双目立体视觉的视差原理和三维空间坐标变换，分别通过钢轨上方和侧面相机采集钢轨不同角度（优选的，拍摄角度取45度）的二维图像，得到钢轨表面缺陷区域的动态特征点云；
首先，通过相机标定模块对钢轨上方与侧面组成的双目相机进行标定，然后对双目相机间几何位置进行计算并进行基于特征相似性的图像区域匹配，得到目标区域的特征点云；基于视差原理，进行二维图像坐标转换和视差和深度的计算，对钢轨表面进行三维重构，等到三维特征信息及三维点云三角顶点位置深度信息。
请参考图7、图8，所述车体后端检测系统19包括打磨优化专家控制系统，打磨优化专家控制系统包括输入输出模块、模糊知识库、模糊推理机、模糊数据库和学习模块；输入模块的打磨原始信息来源于前端钢轨廓形和表面伤损检测装置检测信息、打磨控制人员输入信息；专家控制系统通过输出模块得到优化后的工艺参数组合，并呈现在优化显示界面上；模糊知识库用于存储打磨领域专家的经验知识和实验数据，知识库中存放的是通过模糊语言形成的模糊规则；模糊数据库作为信息中转站，存储输入的打磨知识、打磨过程产生的信息和输出的工艺参数组合；基于模糊控制的专家控制系统的推理机根据模糊知识库中的经验知识和实验数据运用混合推理的方式获得合适的工艺参数组合；此外，学习模块负责将专家知识转化为模糊语言，当原始打磨规则无法满足实时推理需求时，专家控制系统可以自学习得到新的打磨知识并以模糊规则的形式存储到模糊知识库中，以供模糊推理时调用，从而能够实时优化打磨轨迹。
所述打磨系统模糊控制语言如下:
表1：打磨工艺参数模糊语言描述表
Figure 764411DEST_PATH_IMAGE047
根据专家知识经验及试验数据，将打磨规则通过上述模糊语言制定打磨轨迹优化规则表，以IfEThenC的知识表达方式表述打磨规则（如下例：IF TPB SPB PPB Then AD SDLDPD；）根据前端检测装置检测的钢轨表面伤损和磨耗，将影响打磨效果的各个参数，如水射流压强、打磨角度、打磨速度、钢轨表面状态和磨耗等工艺参数和经验数据以上述规则表的形式输入到专家控制系统的知识库中；打磨各设备之间是相互作用相互影响的，各个工艺参数都有自己的工作范围，通过协调控制各设备之间的工作，让打磨工艺参数在约束范围内达到最优；专家控制系统根据钢轨打磨后表面质量要求和打磨轨迹指标运用知识库中存放的经验数据和相关知识推理出合适的工艺参数组合。
以上显示和描述了本发明的基本原理和主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的结构关系及原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (8)

1.一种基于图像数据处理的水射流钢轨廓形智能化打磨系统，包括打磨车体、操作装置、照明预警装置、动力装置及冷却系统，其特征在于:打磨车体中部下方设置有用于对钢轨进行修复性打磨的水射流打磨系统，打磨车体底部的后端和前端上还分别设置车体前端检测系统（23）及车体后端检测系统（19）；所述水射流打磨系统包括水箱（13）、增压泵（15）、空压机（16）及磨料罐（17）；水射流打磨刀头组件（21）；所述车体前端检测系统（23）采用3D结构光检测系统，对钢轨廓形和表面缺陷进行检测，用于实时生成钢轨智能化打磨方案；所述车体后端检测系统（19）用于对钢轨打磨效果进行检查评价，评估打磨质量，对钢轨打磨方案进行迭代优化；
所述车体前端检测系统（23）包括钢轨磨耗测量系统和钢轨表面检测系统；所述钢轨磨耗测量系统包括，相机标定模块、图像处理模块及廓形生成模块及数据处理模块；钢轨磨耗测量系统使用非接触式三角测量法对钢轨断面廓形进行检测，测量钢轨垂直磨耗及侧面磨耗，并计算钢轨内侧距。
2.根据权利要求1所述的基于图像数据处理的水射流钢轨廓形智能化打磨系统，其特征在于：所述水射流打磨刀头组件（21）设有多组水射流打磨刀头，采用伺服驱动，设计为x、y、z三轴旋转机构，水射流刀头打磨角度和打磨位置精确控制，实现钢轨仿形打磨；每段钢轨设有前后两组打磨水刀组，实现对钢轨的先粗后精打磨；水射流打磨系统中，水射流打磨刀头对侧设有废水废料回收吸嘴，在打磨过程中，吸嘴产生吸力对废水废料进行回收。
3.根据权利要求1所述的基于图像数据处理的水射流钢轨廓形智能化打磨系统，其特征在于：所述相机标定模块提取采集到的二维标定模板图像中的标点并进行匹配，完成CCD相机成像的标定还原，具体采用的标定方法为张氏标定法；相机标定模块确定实物的三维物方坐标和在 CCD 测量平面上二维图像坐标之间的对应关系，获取具体的标定参数，为后面钢轨轮廓图像的校正还原做准备；
图像处理模块对钢轨轮廓进行图像预处理及轮廓细化还原工作；图像处理模块在获取的原始图像基础上，通过灰度化、滤波去噪、阈值分割、形态学运算图像处理算法进行图像预处理；
经过预处理之后的原始图像具有几个到十几个像素宽度,采用图像处理中的梯度模板算子进行轮廓细化操作，使得轮廓测量结果达到单像素宽度；
得到细化轮廓图像后，通过相机标定模块获取的相机内外参数矩阵，对其进行坐标变换还原，得到真实世界坐标系下的二维轮廓曲线；廓形生成模块在得到图像处理模块获取的真实轮廓曲线后，根据实测轮廓与标准轮廓的仿射映射特性，匹配后消除振动影响的情况下,对静态测量轮廓模型和动态失真轮廓模型进行轮廓配准读取数据处理模块中的标准钢轨廓形，与配准后的轮廓进行匹配测量，完成对应钢轨磨耗值的计算；
数据处理模块完成不同轮廓信息及检测结果数据的处理，包括标准钢轨轮廓的查找读取、实测钢轨轮廓数据及计算得到的对应钢轨磨耗的存储、查找及分析。
4.根据权利要求3所述的基于图像数据处理的水射流钢轨廓形智能化打磨系统，其特征在于：所述对静态测量轮廓模型和动态失真轮廓模型进行轮廓配准分为预配准和精确配准两部分。
5.根据权利要求4所述的基于图像数据处理的水射流钢轨廓形智能化打磨系统，其特征在于：所述预配准的方法为：
通过提取两轮廓曲线的轨颚点作为特征点，进行整体平移来完成预配准；
选取轨颚点作为特征点，采用角点快速主动搜索定位寻找轨颚点，进行整体平移来完成预匹配；具体预配准步骤如下：
（1）主动搜索
选取轨侧直线作为搜索的初始区域，采用左下方向搜索；在轨颚点的8邻点内进行搜索，赋予起始点的8邻点不同的搜索优先级，数字按0-7顺序代表优先级的大小，先从初始像素点左下方的0优先级处的点进行判断，若该点在轮廓曲线上，则取该点代替，若该点不在轮廓曲线上，则判断下一优先级，以此类推；
（2）角点定位提取
以初始点为中心选取 3×3 邻域，开始搜索邻域内所有轮廓像素点的位置，根据搜索优先级选定邻域内某一像素点替换掉初始像素点，当像素点 8邻点内全部轮廓像素点均位于上一初始像素点的 3×3 邻域内，则该点为目标角点，停止搜索；若该点的邻域内还有其他新的轮廓像素点，则继续搜索；
（3）平移预匹配
以角点为原点，将测量真实轮廓移至该点，以同样的方法对动态测量轮廓的轨头进行搜索，得到特征点，对动态测量轮廓进行平移，从而使两轮廓模型在轨颚点完成预配准。
6.根据权利要求5所述的基于图像数据处理的水射流钢轨廓形智能化打磨系统，其特征在于：所述精确配准的方法为：
对于预配准后的轮廓模型，在最近点迭代算法的基础上，使用对应点距离约束筛选，完成轮廓模型的精确配准；
精确配准具体步骤如下：
（1）经过预配准后的测量真实轮廓点集为
Figure 442278DEST_PATH_IMAGE001
和动态测量轮廓点集
Figure 178153DEST_PATH_IMAGE002
分别为：
Figure 704949DEST_PATH_IMAGE003
其中，q io 是
Figure 842669DEST_PATH_IMAGE001
中的任一点、p io 是
Figure 101612DEST_PATH_IMAGE002
中的任一点,R2是平面直角坐标系上所有点组成的 集合，m,n 为正整数；
（2）最近点搜索；每一个初始点与整个目标点集进行匹配，在每一个方向上，目标点集 对该点作差方和，得到初始点与目标点集所有点距离平方的集合，在其中取最小值，该值的 位置就是该初始点所需建立的映射对象；寻找动态测量轮廓点集
Figure 934570DEST_PATH_IMAGE004
中的
Figure 406003DEST_PATH_IMAGE005
到测量真实 轮廓点集
Figure 194967DEST_PATH_IMAGE006
中最近的点，记
Figure 952708DEST_PATH_IMAGE007
中与动态测量轮廓点集中对应点
Figure 397595DEST_PATH_IMAGE008
距离最近的测量真实 轮廓点集对应点为
Figure 203877DEST_PATH_IMAGE009
，组成对应点集合
Figure 424512DEST_PATH_IMAGE010
两点间的欧氏距离 为
Figure 228520DEST_PATH_IMAGE011
，距离平均值为
Figure 285338DEST_PATH_IMAGE012
，中值为
Figure 895311DEST_PATH_IMAGE013
，距离满足
Figure 596550DEST_PATH_IMAGE014
，K为迭代次数， min为最小值符号；
（3）距离约束筛选：筛选剔除磨损区域的对应点，再采用最近原则去除含有相同点的点 对，最后生成新的动态测量轮廓点集
Figure 446826DEST_PATH_IMAGE015
和测量真实轮廓点集
Figure 866306DEST_PATH_IMAGE016
，约束条件为：
Figure 14390DEST_PATH_IMAGE017
(4)求解仿射映射矩阵：
根据新生成的轮廓点集寻找得到新的对应点集求解点集质心点
Figure 960350DEST_PATH_IMAGE018
和
Figure 106160DEST_PATH_IMAGE019
，将新的对 应点集平移到质心处，得到：
Figure 809674DEST_PATH_IMAGE020
Figure 341543DEST_PATH_IMAGE021
为更新后动态测量轮廓点集对应点，
Figure 751796DEST_PATH_IMAGE022
为更新后的测量真实轮廓点集对应点，
Figure 458721DEST_PATH_IMAGE023
、
Figure 649530DEST_PATH_IMAGE024
分别为对应点和点集质心的距离得到新的目标函数：
Figure 77101DEST_PATH_IMAGE025
Figure 748385DEST_PATH_IMAGE026
为
Figure 32735DEST_PATH_IMAGE027
和
Figure 914104DEST_PATH_IMAGE028
对应点的平均距离， A为反射映射矩阵中的旋转矩阵、b为平移矩阵；
计算协方差矩阵K，为了求解使得目标函数最小的解，使用奇异值分解的方法，利用 SVD 求最优仿射映射，即SVD (k)可得到
Figure 535578DEST_PATH_IMAGE029
，解得U ，v T ；U，v T 为协方差矩阵K奇异值 分解酉矩阵；
Figure 920423DEST_PATH_IMAGE030
则可以求得仿射映射矩阵b：
Figure 641254DEST_PATH_IMAGE031
(5)更新动态测量轮廓模型点集：
利用步骤(4)中求得的仿射映射矩阵，对其进行旋转和平移变换，得到新的点集，准备 下一次迭代
Figure 118241DEST_PATH_IMAGE032
；
Figure 887614DEST_PATH_IMAGE033
为更新后动态测量轮廓点集，
Figure 454861DEST_PATH_IMAGE034
为通过反射映射矩阵 转换后的动态测量轮廓点数据集;
(6)重复迭代寻优：
进行多次迭代并确定收敛条件，当对应点间距离的平均值与上一次迭代平均值的差值
Figure 674490DEST_PATH_IMAGE035
小于设置的阈值
Figure 999292DEST_PATH_IMAGE036
时，即
Figure 713301DEST_PATH_IMAGE037
，停止迭代，输出此时的仿射映 射矩阵及两轮廓模型的当前位置，完成精确配准。
7.根据权利要求1所述的基于图像数据处理的水射流钢轨廓形智能化打磨系统，其特征在于：所述钢轨表面检测系统利用双目立体视觉的视差原理和三维空间坐标变换，分别通过钢轨上方和侧面相机采集钢轨不同角度的二维图像，得到钢轨表面缺陷区域的动态特征点云；
对钢轨上方与侧面组成的双目相机进行标定，然后对双目相机间几何位置进行计算并进行基于特征相似性的图像区域匹配，得到目标区域的特征点云；基于视差原理，进行二维图像坐标转换和视差和深度的计算，对钢轨表面进行三维重构，等到三维特征信息及三维点云三角顶点位置深度信息。
8.根据权利要求1所述的基于图像数据处理的水射流钢轨廓形智能化打磨系统，其特征在于：所述车体后端检测系统（19）包括打磨优化专家控制系统，打磨优化专家控制系统包括输入输出模块、模糊知识库、模糊推理机、模糊数据库和学习模块；输入模块的打磨原始信息来源于前端钢轨廓形和表面伤损检测装置检测信息、打磨控制人员输入信息；专家控制系统通过输出模块得到优化后的工艺参数组合，并呈现在优化显示界面上；模糊知识库用于存储打磨领域专家的经验知识和实验数据，知识库中存放通过模糊语言形成的模糊规则；模糊数据库作为信息中转站，存储输入的打磨知识、打磨过程产生的信息和输出的工艺参数组合；基于模糊控制的专家控制系统的推理机根据模糊知识库中的经验知识和实验数据运用混合推理的方式获得合适的工艺参数组合；学习模块将专家知识转化为模糊语言，当原始打磨规则无法满足实时推理需求时，专家控制系统自学习得到新的打磨知识并以模糊规则的形式存储到模糊知识库中，供模糊推理时调用。
CN202210458573.3A 2022-04-28 2022-04-28 一种基于图像数据处理的水射流钢轨廓形智能化打磨系统 Pending CN114575205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210458573.3A CN114575205A (zh) 2022-04-28 2022-04-28 一种基于图像数据处理的水射流钢轨廓形智能化打磨系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210458573.3A CN114575205A (zh) 2022-04-28 2022-04-28 一种基于图像数据处理的水射流钢轨廓形智能化打磨系统

Publications (1)

Publication Number Publication Date
CN114575205A true CN114575205A (zh) 2022-06-03

Family

ID=81778825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210458573.3A Pending CN114575205A (zh) 2022-04-28 2022-04-28 一种基于图像数据处理的水射流钢轨廓形智能化打磨系统

Country Status (1)

Country Link
CN (1) CN114575205A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115026660A (zh) * 2022-08-11 2022-09-09 昆山市恒达精密机械工业有限公司 一种基于ccd的研磨工艺智能控制方法及系统
CN116922230A (zh) * 2023-09-15 2023-10-24 四川工程职业技术学院 一种柔性接触线打磨装置
CN117146647A (zh) * 2023-10-31 2023-12-01 南通蓬盛机械有限公司 一种光学瞄准镜的速调校准方法及系统
WO2024000992A1 (zh) * 2022-06-29 2024-01-04 中铁第四勘察设计院集团有限公司 一种基于高压水射流技术的钢轨打磨装备及其作业方法
CN117745243A (zh) * 2024-01-05 2024-03-22 北京九州铁物轨道科技服务有限公司 一种地铁钢轨廓形打磨控制管理系统及方法
CN117900918A (zh) * 2024-03-19 2024-04-19 中船黄埔文冲船舶有限公司 一种打磨规则模板化方法、系统、终端及可读存储介质
CN117973086A (zh) * 2024-03-28 2024-05-03 中铁第四勘察设计院集团有限公司 一种基于多目标优化的全路钢轨打磨规划方法及系统
CN117966529A (zh) * 2024-03-28 2024-05-03 中铁第四勘察设计院集团有限公司 一种基于虚实结合的钢轨打磨控制方法及设备
CN118224999A (zh) * 2024-05-24 2024-06-21 华东交通大学 一种基于结构光的钢轨磨耗识别方法及设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030222981A1 (en) * 2002-06-04 2003-12-04 Kisak Jeffrey James Locomotive wireless video recorder and recording system
CN102568026A (zh) * 2011-12-12 2012-07-11 浙江大学 一种多视点自由立体显示的三维增强现实方法
CN106120635A (zh) * 2016-06-28 2016-11-16 徐香庭 一种铁路轨道智能清洗机器人
CN110705710A (zh) * 2019-04-17 2020-01-17 中国石油大学(华东) 一种基于知识图谱的工业故障分析专家系统
CN111122598A (zh) * 2019-12-16 2020-05-08 北京冶自欧博科技发展有限公司 一种钢轨表面缺陷三维检测系统及方法
CN111188233A (zh) * 2020-03-06 2020-05-22 唐山昆铁科技有限公司 智能化钢轨修整打磨设备
CN111843857A (zh) * 2020-08-07 2020-10-30 武汉大学 一种轨道超高压磨料射流与纯水射流联合打磨装置及方法
CN114170284A (zh) * 2022-02-09 2022-03-11 南京理工大学 基于主动标志点投射辅助的多视图点云配准方法
CN114318975A (zh) * 2020-10-11 2022-04-12 华东交通大学 一种道岔自动打磨方法
CN114351522A (zh) * 2021-12-31 2022-04-15 武汉大学 基于机器视觉与水射流的钢轨抛光方法及设备
CN114381976A (zh) * 2022-01-20 2022-04-22 武汉大学 基于专家系统的自适应水射流钢轨打磨方法及设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030222981A1 (en) * 2002-06-04 2003-12-04 Kisak Jeffrey James Locomotive wireless video recorder and recording system
CN102568026A (zh) * 2011-12-12 2012-07-11 浙江大学 一种多视点自由立体显示的三维增强现实方法
CN106120635A (zh) * 2016-06-28 2016-11-16 徐香庭 一种铁路轨道智能清洗机器人
CN110705710A (zh) * 2019-04-17 2020-01-17 中国石油大学(华东) 一种基于知识图谱的工业故障分析专家系统
CN111122598A (zh) * 2019-12-16 2020-05-08 北京冶自欧博科技发展有限公司 一种钢轨表面缺陷三维检测系统及方法
CN111188233A (zh) * 2020-03-06 2020-05-22 唐山昆铁科技有限公司 智能化钢轨修整打磨设备
CN111843857A (zh) * 2020-08-07 2020-10-30 武汉大学 一种轨道超高压磨料射流与纯水射流联合打磨装置及方法
CN114318975A (zh) * 2020-10-11 2022-04-12 华东交通大学 一种道岔自动打磨方法
CN114351522A (zh) * 2021-12-31 2022-04-15 武汉大学 基于机器视觉与水射流的钢轨抛光方法及设备
CN114381976A (zh) * 2022-01-20 2022-04-22 武汉大学 基于专家系统的自适应水射流钢轨打磨方法及设备
CN114170284A (zh) * 2022-02-09 2022-03-11 南京理工大学 基于主动标志点投射辅助的多视图点云配准方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
江午阳: "《钢轨磨耗检测技术及廓形生成算法研究》", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
潘甜: "《基于专家控制系统的缸体打磨优化研究》", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024000992A1 (zh) * 2022-06-29 2024-01-04 中铁第四勘察设计院集团有限公司 一种基于高压水射流技术的钢轨打磨装备及其作业方法
CN115026660A (zh) * 2022-08-11 2022-09-09 昆山市恒达精密机械工业有限公司 一种基于ccd的研磨工艺智能控制方法及系统
CN116922230A (zh) * 2023-09-15 2023-10-24 四川工程职业技术学院 一种柔性接触线打磨装置
CN116922230B (zh) * 2023-09-15 2023-12-12 四川工程职业技术学院 一种柔性接触线打磨装置
CN117146647A (zh) * 2023-10-31 2023-12-01 南通蓬盛机械有限公司 一种光学瞄准镜的速调校准方法及系统
CN117146647B (zh) * 2023-10-31 2023-12-22 南通蓬盛机械有限公司 一种光学瞄准镜的速调校准方法及系统
CN117745243A (zh) * 2024-01-05 2024-03-22 北京九州铁物轨道科技服务有限公司 一种地铁钢轨廓形打磨控制管理系统及方法
CN117900918A (zh) * 2024-03-19 2024-04-19 中船黄埔文冲船舶有限公司 一种打磨规则模板化方法、系统、终端及可读存储介质
CN117973086A (zh) * 2024-03-28 2024-05-03 中铁第四勘察设计院集团有限公司 一种基于多目标优化的全路钢轨打磨规划方法及系统
CN117966529A (zh) * 2024-03-28 2024-05-03 中铁第四勘察设计院集团有限公司 一种基于虚实结合的钢轨打磨控制方法及设备
CN117973086B (zh) * 2024-03-28 2024-06-11 中铁第四勘察设计院集团有限公司 一种基于多目标优化的全路钢轨打磨规划方法及系统
CN118224999A (zh) * 2024-05-24 2024-06-21 华东交通大学 一种基于结构光的钢轨磨耗识别方法及设备

Similar Documents

Publication Publication Date Title
CN114575205A (zh) 一种基于图像数据处理的水射流钢轨廓形智能化打磨系统
CN114049294B (zh) 基于三维轮廓的路面技术状况检测方法及设备
CN107471028B (zh) 修磨方法及系统
CN113808133B (zh) 一种基于三维点云的地铁闸瓦故障检测方法
CN113146368B (zh) 一种用于长轨线上的钢轨表面质量检测系统
CN114457746B (zh) 基于图像处理的水射流钢轨打磨车吹吸污方法及系统
JP2008513754A (ja) 発生した摩耗の測定を特段の目的として好ましくは動的に検出された固体の輪郭形状を再加工するためのシステムおよび方法
CN108725511B (zh) 钢轨波磨弦测点的实时位置修正方法
Li et al. An automatic and accurate method for tool wear inspection using grayscale image probability algorithm based on bayesian inference
CN115482195A (zh) 一种基于三维点云的列车部件变形检测方法
CN108274187A (zh) 一种复杂曲面零件缺陷修复系统及修复方法
CN107894423A (zh) 车身表面质损自动检测设备及方法、车辆智能检测系统
CN109961429A (zh) 一种基于单目红外图像的受电弓检测定位方法及系统
CN115797338B (zh) 基于双目视觉的全景路面多性能指标计算方法及系统
CN113448333A (zh) 基于传感器组合的底部巡检定位方法、装置及电子设备
Jing et al. Weld-seam identification and model reconstruction of remanufacturing blade based on three-dimensional vision
CN107128330B (zh) 传感器圆弧垂直安装的有轨电车轮径在线检测装置及方法
CN116665126A (zh) 一种机器人巡检部件缺陷检测方法及其应用
CN113063361A (zh) 一种对称式轨道接触网检测装置及检测方法
CN115526864A (zh) 基于改进的特征金字塔网络和度量学习的钢轨表面缺陷检测方法
CN116008284A (zh) 一种巡检装置及其应用
CN112530267B (zh) 一种基于计算机视觉的机械臂智能示教方法及应用
CN111738907B (zh) 一种基于双目标定及图像算法的列车受电弓检测方法
CN113146432A (zh) 一种复杂曲面构件的在线打磨方法
CN114935308B (zh) 一种基于曲线配准算法的列车受电弓磨耗检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220603