CN114742768A - 钢轨浅层剥离损伤检测方法及检测系统 - Google Patents
钢轨浅层剥离损伤检测方法及检测系统 Download PDFInfo
- Publication number
- CN114742768A CN114742768A CN202210275138.7A CN202210275138A CN114742768A CN 114742768 A CN114742768 A CN 114742768A CN 202210275138 A CN202210275138 A CN 202210275138A CN 114742768 A CN114742768 A CN 114742768A
- Authority
- CN
- China
- Prior art keywords
- image
- steel rail
- gray
- area
- pixel
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 126
- 239000010959 steel Substances 0.000 title claims abstract description 126
- 238000001514 detection method Methods 0.000 title claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000007547 defect Effects 0.000 claims abstract description 24
- 230000000877 morphologic effect Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001669679 Eleotris Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 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
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011179 visual inspection 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种钢轨浅层剥离损伤检测方法和检测系统。通过线阵相机阵列采集钢轨表面连续图像;通过数据处理器,对钢轨表面图像进行钢轨定位处理,以定位钢轨本体所在区域;对钢轨本体图像进行图像增强处理,以提高图像对比度;对图像预处理单元处理后的图像进行形态学处理,以进行灰度区域合并,定位异常区域,并,在异常区域中进行缺陷提取,定位缺陷区域。本发明提出了基于机器视觉和特征识别的钢轨浅层损伤检测方法,该方法能够有效识别浅层的鱼鳞状钢轨损伤,提升检测效率,有效克服人为因素造成的误检、漏检等潜在隐患,降低误报率,可提高轨检设备的损伤检测能力,保证铁路运输安全。
Description
技术领域
本发明涉及探伤技术领域,涉及一种钢轨浅层剥离损伤检测方法及检测系统。
背景技术
轨道车辆与钢轨之间的磨损问题影响铁路运输的效率,若可以快速、准确地掌握钢轨表面的恶化程度,则可以为铁路工务检修部门的维修养护工作提供指导数据,对于确保铁路运营安全具有极其重要的意义。
早期的钢轨损伤检测主要依靠人工目视检查,通过人工巡视的方式,观察钢轨表面缺陷,并进行标记。该方法检测效率比较低下,而且易受到检修人员主观影响,随着技术水平的进步,该检测方法正逐步被自动化的检测手段取代。
目前较为常见的钢轨损伤自动化检测手段主要有电涡流法、超声法等。电涡流法基于电磁感应原理,应用通有交变电流的线圈在钢轨周围形成稳定磁场,不同程度的钢轨损伤影响电涡流的分布,通过观察线圈的阻抗变化,判断钢轨的质量及损伤水平,电涡流法检测设备结构复杂,操作繁琐,且检测结果易受环境干扰,在国内工务检修中应用比较有限。超声法利用超声波的透射、衍射、反射等特性,通过判断被测钢轨中超声波的波形、能量、衰减等参数的变化,达到诊断钢轨内部损伤的目的,超声法属于接触检测,需借助耦合剂完成检测,超声检测对钢轨表面损伤及复杂的损伤检测能力较弱,超声检测作业通常需要2-3名检修人员手推完成作业,检测效率不高。
随着机器视觉技术的发展,基于视觉检测的钢轨表面损伤检测取得了长足进步,该方法应用图像传感器实现钢轨表面图像的采集,采用特征分析等技术手段自动完成对钢轨表面损伤的判断,该方法属于非接触检测,无需人员干预,检测效率高、速度快,尤其对于钢轨早期故障诊断具有较好的应用效果。
发明内容
本发明的目的在于解决上述技术问题之一,提供一种检测效率高、精度高的钢轨浅层剥离损伤检测方法及检测系统。
为实现上述目的,本发明采用的技术方案是:
一种钢轨浅层剥离损伤检测方法,包括以下步骤:
图像采集步骤:采集钢轨表面图像;
钢轨定位步骤:对钢轨表面图像进行处理,定位钢轨本体所在区域;
图像增强步骤:调整钢轨本体图像灰度的动态分布范围,拉伸灰度分布频谱,增强图像的对比度;
形态学处理步骤:对图像增强处理后的图像进行灰度区域合并处理,定位异常区域;
缺陷提取步骤:基于异常区域的周长和/或面积定位缺陷区域。
本发明一些实施例中:对钢轨本体所在区域进行定位的方法包括:
计算钢轨表面图像灰度在钢轨横断面方向的灰度投影;
其中,r表示图像内像素所在行,c表示图像内像素所在列,n(c)表示该像素所在列的像素总数,Region(c)表示该像素所在的列区域,Image(r,c)表示该像素灰度值;
设定第一灰度阈值,将灰度大于第一灰度阈值的图像区域作为待选区域;
设定像素阈值,在待选区域中,沿钢轨横断面方向,在钢轨表面图像中裁剪除宽度为像素阈值的图像;
裁剪后的图像为钢轨本体区域图像。
本发明一些实施例中:进一步包括图像去噪步骤:
在图像定位步骤后,在获得的钢轨本体区域图像上,选取图像窗口区域,统计窗口区域所有像素点灰度值,计算窗口区域所有像素点灰度均值,获取窗口区域中心位置的灰度值;
若窗口区域中心位置像素点的灰度值为窗口区域所有像素点灰度值极大值或极小值,则将窗口区域中心位置像素点灰度值更改为该窗口区域灰度均值;
若窗口区域中心位置像素点的灰度值位于窗口区域所有像素点灰度值极大值与极小值之间,则将窗口区域中心位置像素点灰度值保持不变;
按固定步长连续选择图像窗口区域,重复上述步骤,直至钢轨定位区域图像全部处理完毕;
对去噪后的图像进行图像增强处理。
本发明一些实施例中:图像增强步骤的方法包括:
对各像素点灰度进行重定义:
其中,g(x,y)为处理前像素点的灰度值,G(x,y)为线性变换后像素点的灰度值,t为原始像素的灰度级别,kn为tn级灰度级别对应的灰度系数,bn为tn级灰度级别对应的灰度偏移量。
本发明一些实施例中:所述形态学处理的步骤包括:
设定灰度阈值和距离阈值;
对钢轨定位区域图像进行分割,并对获得的钢轨定位区域图像进行二值化操作,保留灰度超过设定灰度阈值的区域,作为异常子区域集合;
通过开运算及闭运算操作,将距离低于距离阈值的异常子区域进行合并,合并为一个异常区域,获得异常区域集合。
本发明一些实施例中:在异常区域中定位缺陷区域的方法包括:
设定周长阈值,提取异常区域的边长轮廓,若异常区域的周长超过周长阈值,定位为缺陷区域;
和/或,
设定面积阈值,若异常区域的面积超过面积阈值,定位为缺陷区域。
本发明一些实施例进一步提供一种钢轨浅层剥离损伤检测系统,包括:
线阵相机阵列:包括若干相机,沿钢轨横断面方向设置,随钢轨检测车同步运行,用于采集钢轨表面连续图像;
数据处理器,包括:
图像预处理单元:用于对钢轨表面图像进行钢轨定位处理,以定位钢轨本体所在区域,并,对钢轨本体图像进行图像增强处理,以提高图像对比度;
损伤检测单元:用于对图像预处理单元处理后的图像进行形态学处理,以进行灰度区域合并,定位异常区域,并,在异常区域中进行缺陷提取,定位缺陷区域。
本发明一些实施例中,所属图像预处理单元进一步对钢轨本体图像进行滤波处理,以滤除窗口中的灰度极大点和灰度极小点。
本发明一些实施例中,进一步包括阵列光源,包括若干光源,与相机对应设置。
本发明提供的一种钢轨浅层剥离损伤检测方法及检测系统,其有益效果在于:
1、本发明针对轨检线阵相机采集到的钢轨图像,提出了基于机器视觉和特征识别的钢轨浅层损伤检测方法,该方法能够有效识别浅层的鱼鳞状钢轨损伤,提升检测效率,有效克服人为因素造成的误检、漏检等潜在隐患,降低误报率,可提高轨检设备的损伤检测能力,保证铁路运输安全。
2、提出了一种改进的线性变换图像增强算法,对图像的整体灰度分布进行分级,分别确定各级的灰度系数和灰度偏移量,并对不同灰度级别的像素进行线性变换,实现了灰度分布的有序化。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为钢轨损伤监测方法流程图。
图2为钢轨图像采集系统结构示意图。
图3为轨检线阵相机采集到的故障图片示例图。
图4为某实例钢轨图像灰度投影结果示意图。
图5a为某实例图像原始灰度分布示意图。
图5b为某实例图像增强处理后的灰度分布示意图。
图6a为损伤钢轨采集图像。
图6b为钢轨图像损伤识别结果。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
需要说明的是,当元件被称为“设置在”,“连接”另一个元件,它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件,它可以是直接连接到另一个元件或间接连接至该另一个元件上。术语“第一”、“第二”仅用于描述目的,不用于暗指相对重要性。
本发明第一实施例提供一种钢轨浅层剥离损伤检测方法,该方法的整体流程参考图1。
该方法具体包括以下步骤。
S1:采集钢轨表面图像。
图像采集系统的结构参考图2,包括线阵相机和LED光源两部分组成,钢轨表面区域位于轨检线阵相机视野范围内,光源发出的光线经钢轨表面反射进入相机镜头。当钢轨表面存在浅层缺陷时,由于缺陷位置平整度差,经由缺陷位置漫反射进入相机的光线较少,会在图像中留下颜色较暗的斑块。在标定良好的光源条件下,浅层损伤缺陷会被明显突出。
S2:对钢轨图像进行处理,定位钢轨本体所在区域。
步骤S1中采集的钢轨的图像如图3所示,中间部分为钢轨主体,两侧部分存在碎石、杂草等众多干扰因素。干扰因素会对钢轨浅层损伤检测造成干扰,需要对钢轨区域进行定位,以便更准确的进行损伤分析。
系统选用灰度投影算法,计算输入图像在钢轨横断面方向的灰度均值。
计算钢轨表面图像灰度在钢轨横断面方向的灰度投影;
其中,r表示图像内像素所在行,c表示图像内像素所在列,n(c)表示该像素所在列的像素总数,Region(c)表示该像素所在的列区域,Image(r,c)表示该像素灰度值;
设定第一灰度阈值,将灰度大于第一灰度阈值的图像区域作为待选区域;
设定像素阈值,在待选区域中,沿钢轨横断面方向,在钢轨表面图像中裁剪除宽度为像素阈值的图像;
裁剪后的图像为钢轨本体区域图像。
本实施例中,计算在横断面方向的灰度投影,获得的图像灰度VertGragLevel投影结果如图4所示,设置第一灰度阈值为80,当投影灰度超过80时,即标记为待选区域。已知待选区域边缘部分为非故障区域,人为裁剪予以剔除。根据先验知识,裁剪像素设置为12,即对左右边界宽度为12的区域进行裁剪,所得即为钢轨定位区域。
S3:图像去噪步骤。
钢轨定位区域图像灰度变化存在一定趋势性,即临近像素的灰度不会出现剧烈的变化。一般地,当出现某个或某几个像素的灰度值明显高于或低于周围像素灰度平均水平的情况,则认为该区域出现噪声。
本发明在得到钢轨定位区域图像后,对其进行滤波操作,用以剔除因相机单点过曝等原因造成的图像噪声。
在裁剪后获得的钢轨本体区域图像上,选取图像窗口区域,统计窗口区域所有像素点灰度值,计算窗口区域所有像素点灰度均值,获取窗口区域中心位置的灰度值;
若窗口区域中心位置像素点的灰度值为窗口区域所有像素灰度值极大值或极小值,则将窗口区域中心位置像素点灰度值更改为该窗口区域灰度均值;
若窗口区域中心位置像素点的灰度值位于窗口区域所有像素灰度值极大值与极小值之间,则将窗口区域中心位置像素点灰度值保持不变;
按固定步长连续选择图像窗口区域,重复上述步骤,直至钢轨定位区域图像全部处理完毕。
其中,窗口区域的大小可视需求选择,本实施例中选取3*3的窗口区域完成图像去噪处理。
其中,n表示当前窗口区域像素总数,g(x,y)为原像素点的灰度值,G(x,y)为滤波后的灰度值,Region为窗口区域,min(g(x,y))为Region窗口区域内灰度极小值,max(g(x,y))为Region窗口区域内灰度极大值。
本发明通过应用上述滤波算法,在滤除图像噪声的同时,更精准地保留了钢轨图像的边缘信息,更真实地保留了图像特征信息。
S4:图像增强步骤。
由于轨检线阵相机选用固定曝光参数,采集到的钢轨图像亮度存在一定范围的动态变化,对后期的钢轨浅层损伤的识别检测造成影响。当图像整体对比度过小时,图像往往整体偏暗,容易造成细节淹没甚至完全丧失;当图像整体对比度过大时,钢轨图像分布过于分散,容易造成特征信息的过曝损失。因此需要对原图的像素直方图进行调整,使图像的亮度、对比度满足一定的分布规律,降低故障识别检测的难度。
图像增强步骤的目的是调整钢轨本体图像灰度的动态分布范围,拉伸灰度分布频谱,增强图像的对比度。
为将不同环境条件下采集到的钢轨图像调整到统一的灰度分布范围,本发明对传统的线性变换函数进行改造,根据灰度整体分布情况,对像素灰度进行分级,并确定各级的灰度系数和灰度偏移量,对不同灰度级别的像素进行线性变换。
图像增强步骤具体通过如下方法实现。
对各像素点灰度进行重定义:
其中,g(x,y)为处理前像素点的灰度值,G(x,y)为线性变换后像素点的灰度值,t为原始像素的灰度级别,kn为tn级灰度级别对应的灰度系数,bn为tn级灰度级别对应的灰度偏移量。
本发明依据累加的密度分布原则,对灰度级别进行等级划分,上式中,灰度级别t1,……,tn-1,tn逐渐增大,一般地,灰度分级保持在3-7级。灰度系数影响图像的对比度,当kn>1时,图像对比度增强,图像变的更清晰;当kn<1时,图像对比度减弱,图像变的更模糊。灰度系数kn的取值依据当前灰度级别tn的对比度水平确定,一般地,灰度系数kn取值应保持在0.8-1.2范围。灰度偏移量影响图像的整体亮度,当bn>0时,像素灰度整体向上移动,图像变的更亮;当bn<0时,像素灰度整体向下移动,图像变的更暗。灰度偏移量bn的取值依据当前灰度级别tn的亮度水平确定,一般地,灰度偏移量bn取值应保持在-40—40范围。
进行图像增强前的图像如图5a所示,图像增强后的处理结果如图5b所示。
从图像增强后的直方图分布结果可以看出,相较于原图像,图像增强后的灰度频谱更加舒缓,并且服从一定分布规律,更易于后续故障识别。
S5:形态学处理步骤。
形态学处理的目的是基于图像增强处理后的图像进行灰度区域合并处理,以定位异常区域。
形态学处理是对钢轨图像的特征分析,通过对图像的基础形态进行分析和识别,根据浅层损伤的故障形态特征制定故障识别算法,对损伤故障的进行突出,达到区分背景环境与目标的目的。
形态学处理的具体方法如下。
设定灰度阈值和距离阈值;
对钢轨定位区域图像进行分割,并对获得的钢轨定位区域图像进行二值化操作,保留灰度超过设定灰度阈值的区域,作为异常子区域集合;
通过开运算及闭运算操作,将距离低于距离阈值的异常子区域进行合并,合并为一个异常区域,减少异常子区域数量,最终获得异常区域集合。
开运算和闭运算的应用,可有效去除图像的细小噪声,平滑边缘,并对区域内部的空洞进行填充。
S6:缺陷提取步骤。
在异常区域中定位缺陷区域,具体的方法包括:
设定周长阈值,提取异常区域的边长轮廓,若异常区域的周长超过周长阈值,定位为缺陷区域;
和/或,
设定面积阈值,若异常区域的面积超过面积阈值,定位为缺陷区域。
具体的说,在缺陷提取环节,本发明选用周长检测和/或面积筛选的检测方法。首先,计算异常区域集合的连通分量,对异常区域集合进行拆分。应用边缘提取算法,获取各子区域的边缘轮廓,并计算各子区域的周长数据;然后计算各子区域的面积。
本发明从子区域周长和面积两个维度,对不符合钢轨损伤特征的异常区域进行剔除,周长和面积均符合损伤特征的子区域,认定为钢轨浅层损伤,识别结果如图6b所示。
本发明第二实施例进一步提供一种钢轨浅层剥离损伤检测系统,包括线阵相机阵列和数据处理器。
线阵相机阵列:包括若干相机,沿钢轨横断面方向设置,随钢轨检测车同步运行,用于采集钢轨表面连续图像;在一些实施例中,可进一步设置阵列光源,包括若干光源,与相机对应设置,钢轨表面区域位于轨检线阵相机视野范围内,光源发出的光线经钢轨表面反射进入相机镜头;
数据处理器,包括:
图像预处理单元:用于对钢轨表面图像进行钢轨定位处理,以定位钢轨本体所在区域,并,对钢轨本体图像进行图像增强处理,以提高图像对比度;其中钢轨定位和图像增强的处理方法同实施例一,不再赘述;
损伤检测单元:用于对图像预处理单元处理后的图像进行形态学处理,以进行灰度区域合并,定位异常区域,并,在异常区域中进行缺陷提取,定位缺陷区域。其中形态学处理和缺陷提取的处理方法同实施例一,不再赘述。
本发明一些实施例中,所属图像预处理单元进一步对钢轨本体图像进行滤波处理,以滤除窗口中的灰度极大点和灰度极小点。其中滤波处理方法同实施例一,不再赘述。
本发明应用的检测方法鲁棒性强,可适应不同环境光条件下的钢轨浅层损伤检测任务,因钢轨状态、轨枕状态、道砟状态不同造成的检测环境变化,本发明仍然适用。通过级联式的钢轨浅层损伤检测网络,从图像数据的角度解决故障识别的问题,有效提升检测的准确率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种钢轨浅层剥离损伤检测方法,其特征在于,包括以下步骤:
图像采集步骤:采集钢轨表面图像;
钢轨定位步骤:对钢轨表面图像进行处理,定位钢轨本体所在区域;
图像增强步骤:调整钢轨本体图像灰度的动态分布范围,拉伸灰度分布频谱,增强图像的对比度;
形态学处理步骤:对图像增强处理后的图像进行灰度区域合并处理,定位异常区域;
缺陷提取步骤:在异常区域中定位缺陷区域。
3.如权利要求1所述的钢轨浅层剥离损伤检测方法,其特征在于,进一步包括图像去噪步骤:
在图像定位步骤后,在获得的钢轨本体区域图像上,选取图像窗口区域,统计窗口区域所有像素点灰度值,计算窗口区域所有像素点灰度均值,获取窗口区域中心位置的灰度值;
若窗口区域中心位置像素点的灰度值为窗口区域所有像素点灰度值极大值或极小值,则将窗口区域中心位置像素点灰度值更改为该窗口区域灰度均值;
若窗口区域中心位置像素点的灰度值位于窗口区域所有像素点灰度值极大值与极小值之间,则将窗口区域中心位置像素点灰度值保持不变;
按固定步长连续选择图像窗口区域,重复上述步骤,直至钢轨定位区域图像全部处理完毕;
对去噪后的图像进行图像增强处理。
5.如权利要求1所述的钢轨浅层剥离损伤检测方法,其特征在于,所述形态学处理的步骤包括:
设定灰度阈值和距离阈值;
对钢轨定位区域图像进行分割,并对获得的钢轨定位区域图像进行二值化操作,保留灰度超过设定灰度阈值的区域,作为异常子区域集合;
通过开运算及闭运算操作,将距离低于距离阈值的异常子区域进行合并,合并为一个异常区域,获得异常区域集合。
6.如权利要求1或5所述的钢轨浅层剥离损伤检测方法,其特征在于,在异常区域中定位缺陷区域的方法包括:
设定周长阈值,提取异常区域的边长轮廓,若异常区域的周长超过周长阈值,定位为缺陷区域;
和/或,
设定面积阈值,若异常区域的面积超过面积阈值,定位为缺陷区域。
7.一种钢轨浅层剥离损伤检测系统,可用于执行权利要求1至6中任意一项所属的损伤检测方法,其特征在于,包括:
线阵相机阵列:包括若干相机,沿钢轨横断面方向设置,随钢轨检测车同步运行,用于采集钢轨表面连续图像;
数据处理器,包括:
图像预处理单元:用于对钢轨表面图像进行钢轨定位处理,以定位钢轨本体所在区域,并,对钢轨本体图像进行图像增强处理,以提高图像对比度;
损伤检测单元:用于对图像预处理单元处理后的图像进行形态学处理,以进行灰度区域合并,定位异常区域,并,在异常区域中进行缺陷提取,定位缺陷区域。
8.如权利要求7所述的钢轨浅层剥离损伤检测系统,其特征在于,所属图像预处理单元进一步对钢轨本体图像进行滤波处理,以滤除窗口中的灰度极大点和灰度极小点。
9.如权利要求7所述的钢轨浅层剥离损伤检测系统,其特征在于,进一步包括阵列光源,包括若干光源,与相机对应设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210275138.7A CN114742768A (zh) | 2022-03-21 | 2022-03-21 | 钢轨浅层剥离损伤检测方法及检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210275138.7A CN114742768A (zh) | 2022-03-21 | 2022-03-21 | 钢轨浅层剥离损伤检测方法及检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114742768A true CN114742768A (zh) | 2022-07-12 |
Family
ID=82278060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210275138.7A Pending CN114742768A (zh) | 2022-03-21 | 2022-03-21 | 钢轨浅层剥离损伤检测方法及检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742768A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109638A (zh) * | 2023-04-13 | 2023-05-12 | 中铁四局集团有限公司 | 一种钢轨折断检测方法及系统 |
-
2022
- 2022-03-21 CN CN202210275138.7A patent/CN114742768A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109638A (zh) * | 2023-04-13 | 2023-05-12 | 中铁四局集团有限公司 | 一种钢轨折断检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
US11221107B2 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
CN109490316B (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
KR102257734B1 (ko) | 표면 결함 검사 방법 및 표면 결함 검사 장치 | |
CN107194919B (zh) | 基于规律纹理背景重建的手机屏幕缺陷检测方法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN108876768B (zh) | 导光板暗影缺陷检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN113554080A (zh) | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 | |
CN109685766A (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN110288618B (zh) | 一种光照不均图像的多目标分割方法 | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN114778574A (zh) | X射线数字成像检测识别在运高压电缆内部缺陷方法 | |
CN117095004A (zh) | 基于计算机视觉的挖掘机行走架主体焊接变形检测方法 | |
CN114742768A (zh) | 钢轨浅层剥离损伤检测方法及检测系统 | |
Yang et al. | Image Classification for Automobile Pipe Joints Surface Defect Detection Using Wavelet Decomposition and Convolutional Neural Network | |
CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
CN111833350A (zh) | 机器视觉检测方法与系统 | |
CN111882537B (zh) | 视觉检测方法及系统 | |
CN112330633B (zh) | 基于自适应带通滤波的跨接线胶带破损故障图像分割方法 | |
CN110186929A (zh) | 一种实时的产品瑕疵定位方法 | |
CN114004812A (zh) | 采用引导滤波与神经网络模型的螺纹孔检测方法及系统 | |
CZ2019167A3 (cs) | Způsob zpracování obrazu metodou postupného gradientu jasu obrazových pixelů v podélné ose a zařízení k provádění tohoto způsobu |
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 |