CN114913131A - 一种无砟轨道结构垂向绝对和相对垂向变形检测方法 - Google Patents
一种无砟轨道结构垂向绝对和相对垂向变形检测方法 Download PDFInfo
- Publication number
- CN114913131A CN114913131A CN202210412986.8A CN202210412986A CN114913131A CN 114913131 A CN114913131 A CN 114913131A CN 202210412986 A CN202210412986 A CN 202210412986A CN 114913131 A CN114913131 A CN 114913131A
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel
- track structure
- ballastless track
- picture
- 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 63
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000006073 displacement reaction Methods 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 238000009418 renovation Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 18
- 230000010354 integration Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000004677 Nylon Substances 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000019994 cava Nutrition 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910001234 light alloy Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000011376 self-consolidating concrete Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000001360 synchronised effect Effects 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/13—Edge detection
-
- 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
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/30236—Traffic on road, railway or crossing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Optics & Photonics (AREA)
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明公开了一种无砟轨道结构垂向绝对和相对垂向变形检测方法,只需按照算法要求拍摄符合要求的无砟轨道结构侧面图片,即可方便快捷地获取无砟轨道结构的绝对位移量和各层之间的相对位移量。该算法计算效率高、计算结果准确,能够适应路基、桥梁、隧道等不同条件,实现了非接触式的无损检测。该检测算法能够帮助铁路建设及运维单位掌握测段内无砟轨道多结构层的垂向变形情况,并辅助其制定有针对性的整治方案。此外,检测结果也为无砟轨道体系形变传递规律研究提供数据支撑。
Description
技术领域
本发明涉及无砟轨道检测领域,具体涉及一种用于无砟轨道结构垂向绝对和相对垂向变形检测方法。
背景技术
高速铁路穿越软岩、矿区、溶洞、冻土等复杂地质区时,无砟轨道结构下的基础易产生变形,无砟轨道结构体系随着基础变形易产生跟随基础的整体变形和轨道结构层与层之间的相对变形。这种变形影响无砟轨道结构长期服役健康状态,对行车舒适性和安全性带来不利影响。为了减少无砟轨道结构因下部基础变形带来的种种不良影响、研究基础变形向无砟轨道各层进行传递的传递规律和无砟轨道各层之间位移量的传递规律,亟需从量值上准确掌握轨道随下部基础变形发生竖向位移的规律,包括轨道结构相对于CPIII控制网水准点的绝对位移量,以及轨道结构层与层之间的相对位移量。但目前以上相关量值的检测和计算方法并不完善。
现有的针对无砟轨道结构变形检测往往仅在运营期工务运维期进行,且检测和后续的计算方法侧重于结构层相对变形,如空气耦合超声发射换能器的离缝检测方案、CPIII控制网结合激光跟踪仪的轨道板几何形位检测方案、结合机器视觉算法的离缝检测小车、结合双目测距算法的轨道板三维位置检测装置等,上述设备或算法方法均不能获取无砟轨道随基础变形而发生的垂向绝对位移量,且存在效率低、步骤繁杂的问题。目前无砟轨道结构绝对垂向变形检测仍主要通过全站仪结合CPIII水准控制网反复设站获得,检测效率极低、复测周期长、沿线测点稀疏等问题尤为突出。
发明内容
本发明所要解决的技术问题是无砟轨道垂向绝对与相对位移检测,为解决上述问题,本发明采用下述技术方案:
一种无砟轨道结构垂向绝对和相对垂向变形检测方法,包括以下步骤,
步骤S1:基于激光测距数据的待测断面定位:
步骤S2:图片预处理:对上述步骤S1拍摄的图片进行图片预处理;
对上述步骤S1拍摄的图片进行图像增强、图像灰度化、高斯滤波处理,提高图像质量的同时减少数据量,从而减少计算量;
步骤S3:基于最优阈值的图片二值化:
对上述步骤S2得到的图片进行阈值分割,获取最优的阈值,然后将其带入二值化算法,得到最优的二值化图片;
利用最大类间方差算法,对上述步骤S2得到的图片进行阈值分割,计算最优的阈值;然后将阈值带入二值化算法,对灰度图像的像素点从左向右从上到下进行一一遍历,大于阈值的像素值变为255,小于阈值的像素值变为0,从而得到最优的二值化图像;
步骤S4:图片边缘检测;
对步骤S3得到的图片进行边缘检测,获取图片中无砟轨道结构侧面各层结构的边缘和水平激光线的边缘;
利用Canny边缘检测算法,对上述步骤S3得到的图片进行边缘检测,获取图片中无砟轨道结构侧面各层结构的边缘和水平激光线的边缘;
步骤S5:图片边缘信息主特征提取;
对上述步骤S4提取到的图像边缘信息进行主特征提取,去除无用边缘信息;
步骤S6:关键边缘线精准定位;
对步骤S5得到的图片进行边缘线像素点分布特征分析,判断无砟轨道结构边缘和水平激光线在图片上的位置;
步骤S7:区分轨道结构边缘和激光线边缘;
步骤S8:计算前后两次检测日期间的无砟轨道结构绝对及相对垂向位移。
优选的,所述的步骤S3中,所述的最大类间方差算法的计算步骤如下所示:
S3.1,假设阈值为K(0-255依次遍历,即首次计算取0),然后根据K值将灰度图上的像素点的像素值分为两部分:
S3.2,分别计算像素值变为c1和c2的像素点个数占总像素点个数的比例p1和p2:
p2=1-p1;
S3.3,计算原图像像素值均值M:
S3.4,求类间方差σ2:
σ2=p1*(Mc1-M)2+p2*(Mc2-M)2=p1*p2*(Mc1-Mc2)2
从0至255遍历K值,求使σ2最大的K值,记为Kmax,该值即为目标阈值。
优选的,所述的步骤S3中,所述的二值化算法为:
逐一遍历图像像素值M0,若M0>Kmax,将M0变为255;若M0<Kmax,将M0变为0。
优选的,所述的步骤S4中,所述的Canny边缘检测算法计算步骤包括:
S4.1,高斯滤波
假设高斯滤波核的大小为x×y,标准差为σ,则高斯滤波核矩阵G为:
本例设置高斯滤波核大小为3×3,标准差为1,带入上式计算即可得高斯滤波核为:
利用该高斯滤波核,对二值化图从左到右从上到下进行卷积运算;
S4.2,使用Sobel算子计算像素梯度
Sobel算子包含Sx和Sy,Sx用于计算图像x方向像素梯度矩阵gx,Sy用于计算图像y方向像素梯度矩阵gy;计算方法为:
其中,I为图像像素矩阵,*表示互相关运算,坐标系原点为图像左上角,且x正方向为从左到右,y正方向为从上到下;则由
可计算得到梯度强度矩阵gxy;
S4.3,非极大值像素梯度抑制
将像素的邻接情况划分为4个区域,其中每个区域包含上下两部分;若中心像素点x方向梯度强度为gx(i,j),y方向梯度强度为gy(i,j),梯度强度为gxy(i,j),则根据gx(i,j)和gy(i,j)的正负和大小可判断出其梯度方向所属区域,进而根据其像素进而根据其像素梯度方向以及相邻点的像素梯度线性插值得到正负梯度方向的两个参与比较的梯度强度gp1(i,j)和gp2(i,j);公式如下:
gp1(i,j)=(1-t)·gxy(i,j+1)+t·gxy(i-1,j+1)
gp2(i,j)=(1-t)·gxy(i,j-1)+t·gxy(i+1,j-1)
若gxy(i,j)>gp1(i,j)且gxy(i,j)>gp2(i,j),则判读该像素点为边缘点并进行保留,否则为非边缘点并进行抑制;其他三个区域的计算方法相同;
S4.4,双阈值检测
人为设置像素梯度值高阈值gHigh和gLow,对所有边缘像素进行逐一判断;若某边缘像素梯度值大于高阈值,则将其定为强边缘像素;若小于高阈值但大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则对该像素进行抑制;
S4.5,抑制孤立低阈值点
为获取更加准确的结果,应抑制由噪声或颜色改变而引起的弱边缘像素值;具体方法是逐一检查弱边缘像素的8个邻域像素,只要其中有一个为强边缘像素,则该弱边缘像素就进行保留,否则就进行抑制;
优选的,所述的步骤S5中,
对上述步骤S4对提取到的图像边缘信息进行主特征提取,自动去除杂乱的无用边缘信息,具体方法是:通过自编的自适应Canny边缘检测高低阈值自动计算方法,获得理想的边缘检测高阈值和低阈值,将两个阈值带入原Canny边缘检测算法中,达到去除杂乱边缘的目的。
优选的,所述的步骤S6中,对上述步骤S5得到的图片进一步处理,分别对图像中的无砟轨道结构侧面的多条结构边和高程绝对不变的水平激光线进行精准定位,具体为将图片的像素值以行为单位进行叠加,设置判断是否为结构边或者激光线所在行像素叠加值的阈值,筛选出大于该阈值的叠加值所对应的行编号,这些行编号即为无砟轨道结构边和水平激光线在图片上的所在行优选的,所述的步骤S7中,具体为:
根据像素值的特征,提取相机拍摄的原三通道图片上的水平激光线在图片上的位置,结合步骤S7的结果,区分出轨道结构边缘线所在位置和激光线所在位置;
根据RGB值特征提取原三通道图片上的水平激光线所在行,区分出轨道结构边缘线所在行和激光线所在行。
优选的,所述的步骤S8中,具体为:分析前后两次拍摄的、同一测试断面的结构边缘线和激光线在图片上的位置差异,以及两条不同的结构边缘线在图片上位置的差异,然后利用图像中轨道结构尺寸与实际轨道结构尺寸的对应关系可分别得到前后两次无砟轨道结构的垂向绝对位移与结构各层之间的相对位移。
优选的,所述的步骤S1中,具体为
利用CPIII控制网的水准点的激光设备,将高程已知的激光水平线打到无砟轨道结构侧面,并通过移动式检测设备的测距功能,实时获取移动式检测设备底部到无砟轨道结构表面实体的测距数据;实时判断移动式检测设备行进过程中在轨道上的所处位置;
移动式检测设备是指移动式检测框架,激光设备是指自置平激光水平面发射模块,CPIII控制网的水准点的激光设备指自置平激光水平面发射模块通过刚性连接件与CPIII高程点预埋件刚性连接;
当测距数据出现了待测断面所处位置对应的移动式检测设备底部到无砟轨道结构表面实体的距离数据特征时,即认为设备到达了待测断面,随即移动式检测设备上的相机采集多层无砟轨道结构侧面图像,得到含有无砟轨道侧面结构边缘特征及高程已知水平激光线的图片。
有益效果:
本发明公开了一种无砟轨道结构垂向绝对和相对垂向变形检测方法,只需按照算法要求拍摄符合要求的无砟轨道结构侧面图片,即可方便快捷地获取无砟轨道结构的绝对位移量和各层之间的相对位移量。该算法计算效率高、计算结果准确,能够适应路基、桥梁、隧道等不同条件,实现了非接触式的无损检测。该检测算法能够帮助铁路建设及运维单位掌握测段内无砟轨道多结构层的垂向变形情况,并辅助其制定有针对性的整治方案。此外,检测结果也为无砟轨道体系形变传递规律研究提供数据支撑。
附图说明
图1是本发明无砟轨道结构垂向绝对和相对垂向变形检测方法流程图;
图2是图1中步骤S1采用的检测装置结构在不同基础区段的应用总体示意图;
图3是图2中自置平激光水平面发射模块安装在桥梁段的侧视图;
图4是图2中自置平激光水平面发射模块安装在路基段的侧视图;
图5是图2中自置平激光水平面发射模块安装在隧道段的正视图;
图6是图2中万向可伸缩刚性悬臂结构俯视图;
图7是图2中万向可伸缩刚性悬臂结构侧视图;
图8是像素梯度方向线性插值图;
图9是Canny边缘检测效果对比图;
图10是边缘主特征提取结果图;
图11是位移计算结果示意图;
附图序号说明:1.移动式检测框架;2.测距传感器;3.万向可伸缩刚性悬臂结构4.图像采集模块;5.数据集成管理系统;6.驱动模块;7.刚性连接件;8.自置平激光水平面发射模块;9.钢轨;10.轨道板;11.自密实混凝土;12.底座板;13.基床表层;14.桥梁防撞墙上CPIII高程预埋件;15.路基接触网杆上CPIII高程预埋件;16.隧道内衬上CPIII高程预埋件。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
图1是本发明无砟轨道结构垂向绝对和相对垂向变形检测方法流程图,如图1所示,本发明的一种无砟轨道结构垂向绝对和相对垂向变形检测方法进行描述如下:
步骤S1:基于激光测距数据的待测断面定位:
利用CPIII控制网的水准点的激光设备,将高程已知的激光水平线打到无砟轨道结构侧面,并通过移动式检测设备的测距功能,实时获取移动式检测设备底部到无砟轨道结构表面实体的测距数据;实时判断移动式检测设备行进过程中在轨道上的所处位置;
移动式检测设备是指本发明实施例中的在移动式检测框架1(具体结构参见后续介绍),激光设备是指自置平激光水平面发射模块8,CPIII控制网的水准点的激光设备也就是指后续实施例描述的自置平激光水平面发射模块8通过刚性连接件7与CPIII高程点预埋件刚性连接;
当测距数据出现了待测断面所处位置对应的移动式检测设备底部到无砟轨道结构表面实体的距离数据特征时,即认为设备到达了待测断面,随即移动式检测设备上的相机采集多层无砟轨道结构侧面图像,得到含有无砟轨道侧面结构边缘特征及高程已知水平激光线的图片;
步骤S2:图片预处理:
对上述步骤S1拍摄的图片进行图片预处理;
对上述步骤S1拍摄的图片进行图像增强、图像灰度化、高斯滤波处理,提高图像质量的同时减少数据量,从而减少计算量;
步骤S3:基于最优阈值的图片二值化:
对上述步骤S2得到的图片进行阈值分割,获取最优的阈值,然后将其带入二值化算法,得到最优的二值化图片;
利用最大类间方差算法,对上述步骤S2得到的图片进行阈值分割,计算最优的阈值。然后将阈值带入二值化算法,对灰度图像的像素点从左向右从上到下进行一一遍历,大于阈值的像素值变为255,小于阈值的像素值变为0,从而得到最优的二值化图像;
最大类间方差算法的计算步骤如下所示:
S3.1,假设阈值为K(0-255依次遍历,即首次计算取0),然后根据K值将灰度图上的像素点的像素值分为两部分:
S3.2,分别计算像素值变为c1和c2的像素点个数占总像素点个数的比例p1和p2:
p2=1-p1
S3.3,计算原图像像素值均值M:
S3.4,求类间方差σ2:
σ2=p1*(Mc1-M)2+p2*(Mc2-M)2=p1*p2*(Mc1-Mc2)2
从0至255遍历K值,求使σ2最大的K值,记为Kmax,该值即为目标阈值。
二值化算法计算思路如下所示:
逐一遍历图像像素值M0,若M0>Kmax,将M0变为255;若M0<Kmax,将M0变为0。
步骤S4:图片边缘检测;
对上述步骤S3得到的图片进行边缘检测,获取图片中无砟轨道结构侧面各层结构的边缘和水平激光线的边缘;
利用Canny边缘检测算法,对上述步骤S3得到的图片进行边缘检测,获取图片中无砟轨道结构侧面各层结构的边缘和水平激光线的边缘;
Canny边缘检测算法计算步骤如下:
S4.1,高斯滤波
假设高斯滤波核的大小为x×y,标准差为σ,则高斯滤波核矩阵G为:
本例设置高斯滤波核大小为3×3,标准差为1,带入上式计算即可得高斯滤波核为:
利用该高斯滤波核,对二值化图从左到右从上到下进行卷积运算。
S4.2,使用Sobel算子计算像素梯度
Sobel算子包含Sx和Sy,Sx用于计算图像x方向像素梯度矩阵gx,Sy用于计算图像y方向像素梯度矩阵gy。计算方法为:
其中,I为图像像素矩阵,*表示互相关运算,坐标系原点为图像左上角,且x正方向为从左到右,y正方向为从上到下。则由
可计算得到梯度强度矩阵gxy。
S4.3,非极大值像素梯度抑制
如图8所示,将像素的邻接情况划分为4个区域,其中每个区域包含上下两部分。若中心像素点x方向梯度强度为gx(i,j),y方向梯度强度为gy(i,j),梯度强度为gxy(i,j),则根据gx(i,j)和gy(i,j)的正负和大小可判断出其梯度方向所属区域,进而根据其像素进而根据其像素梯度方向以及相邻点的像素梯度线性插值得到正负梯度方向的两个参与比较的梯度强度gp1(i,j)和gp2(i,j)。
公式如下:
gp1(i,j)=(1-t)·gxy(i,j+1)+t·gxy(i-1,j+1)
gp2(i,j)=(1-t)·gxy(i,j-1)+t·gxy(i+1,j-1)
若gxy(i,j)>gp1(i,j)且gxy(i,j)>gp2(i,j),则判读该像素点为边缘点并进行保留,否则为非边缘点并进行抑制。其他三个区域的计算方法类似。
S4.4,双阈值检测
人为设置像素梯度值高阈值gHigh和gLow,对所有边缘像素进行逐一判断。若某边缘像素梯度值大于高阈值,则将其定为强边缘像素;若小于高阈值但大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则对该像素进行抑制。
S4.5,抑制孤立低阈值点
为获取更加准确的结果,应抑制由噪声或颜色改变而引起的弱边缘像素值。具体方法是逐一检查弱边缘像素的8个邻域像素,只要其中有一个为强边缘像素,则该弱边缘像素就进行保留,否则就进行抑制。
边缘检测效果如下图9所示:
步骤S5:图片边缘信息主特征提取;
对上述步骤S4提取到的图像边缘信息进行主特征提取,去除无用边缘信息;
对上述步骤S4对提取到的图像边缘信息进行主特征提取,自动去除杂乱的无用边缘信息。具体方法是:通过自编的自适应Canny边缘检测高低阈值自动计算方法,获得理想的边缘检测高阈值和低阈值,将两个阈值带入原Canny边缘检测算法中,达到去除杂乱边缘的目的;
边缘信息主特征提取结果如图10所示:
步骤S6:关键边缘线精准定位;
对步骤S5得到的图片进行边缘线像素点分布特征分析,判断无砟轨道结构边缘和水平激光线在图片上的位置;
对上述步骤S5得到的图片进一步处理,分别对图像中的无砟轨道结构侧面的多条结构边和高程绝对不变的水平激光线进行精准定位,具体方法是:将图片的像素值以行为单位进行叠加,设置判断是否为结构边或者激光线所在行像素叠加值的阈值,筛选出大于该阈值的叠加值所对应的行编号,这些行编号即为无砟轨道结构边和水平激光线在图片上的所在行。
步骤S7:区分轨道结构边缘和激光线边缘;
根据像素值的特征,提取相机拍摄的原三通道图片上的水平激光线在图片上的位置,结合步骤七的结果,从而区分出轨道结构边缘线所在位置和激光线所在位置。
根据RGB值特征提取原三通道图片上的水平激光线(本实施例中激光线为绿色)所在行,从而区分出轨道结构边缘线所在行和激光线所在行。
步骤S8:计算前后两次检测日期间的无砟轨道结构绝对及相对垂向位移;
分析前后两次拍摄的、同一测试断面的结构边缘线和激光线在图片上的位置差异,以及两条不同的结构边缘线在图片上位置的差异,然后利用图像中轨道结构尺寸与实际轨道结构尺寸的对应关系可分别得到前后两次无砟轨道结构的垂向绝对位移与结构各层之间的相对位移。
计算前后两次不同时间拍摄的同一测试断面处的关键线之间竖向像素数量之差(即行编号之差),记为n。然后根据下(式1)计算即可得到前后两次各层无砟轨道结构垂向绝对位移与相对位移,记为DIS。
式(1)中:
DIS—各层无砟轨道结构垂向绝对与相对位移;
H—无砟轨道结构总厚度;
α—图片里无砟轨道结构厚度占图片竖向的百分比(人为可控);
N—图片的竖向像素数量;
n—前后两次不同时间拍摄的同一位置处的关键线所在行编号之差,即竖向像素数量之差。其中,计算无砟轨道某两个结构层之间的相对位移时,关键线对应地选取要计算的两个无砟轨道结构边;计算无砟轨道某结构层的绝对位移时,关键线对应地选取要计算的无砟轨道结构边与激光线。
步骤S6-S8执行结果如图11所示:
步骤S2-S8均有数据集成管理系统5完成。
下面对上述实施例介绍的检测方法采用的装置结构进行介绍如下:
图2是本发明检测装置在不同基础区段的应用总体示意图,包括桥梁段、路基段、隧道段三种情况,如图2所示,本实施例的无砟轨道结构垂向绝对和相对垂向变形检测装置,包括移动式检测框架1、测距传感器2、万向可伸缩刚性悬臂结构3、图像采集模块4、数据集成管理系统5、驱动模块6、刚性连接件7、自置平激光水平面发射模块8。所述的移动式检测框架1底盘尺寸为长×宽×厚为0.9m×1.6m×0.03m,移动式检测框架1为轻质合金材料,通过多组尼龙轮对与钢轨耦合接触,驱动模块6设置了电力驱动和手推混合的驱动方式进行驱动;
1个激光测距传感器2固定在移动式检测框架1一侧的底盘下,测点打在轨道板表面且行进轨迹经过同侧承轨台上方,移动监测过程中可实现高频采样,测距传感器2可选择有线或无线方式连接数据集成管理系统5;
结合图6、图7所示,移动式检测框架1底盘两侧各固定1个万向可伸缩刚性悬臂结构3,多节伸缩的悬臂杆最大伸长长度为2m;悬臂结构末端固定接口安装由1600万像素摄像头和自适应补光组件集成的小型图像采集模块4,获取轨道板侧面图像和拍摄时间、位置信息;本发明的万向可伸缩刚性悬臂结构3分别设置在移动式检测框架1底盘两侧,且与底盘通过万向旋转结构连接,万向可伸缩刚性悬臂结构3的悬臂杆为轻质刚性结构,可伸缩和固定悬臂末端安装有图像采集模块4,悬臂杆件可进行伸缩,悬臂杆末端有多个具有万向旋转功能的设备固定接口。万向可伸缩刚性悬臂结构3的伸缩、旋转及设备结构的旋转行为可由手动方式或数据集成管理系统5切换控制;
结合图3、图4、图5,所示出的,在图像采集模块4安装同侧,1个自置平激光水平面发射模块8通过刚性连接件7与CPIII高程点预埋件刚性连接,在无砟轨道结构侧面形成长度不小于60m,且与预埋件高差已知的水平激光线;刚性连接件7由尺寸已知的刚性材质的螺纹杆和轻质连接杆组成。螺栓杆一端光滑,另一端的螺纹和尺寸根据CPIII棱镜杆的要求精密加工,确保螺栓拧入CPIII高程控制的预埋件,误差符合轨道精控测量的要求。连接杆的环形端嵌套螺纹杆伸出的光滑端,保持连接杆自由悬垂,连接杆另一端的柱形螺纹拧入自置平激光水平面发射模块8顶部的螺纹孔,固定激光水平面发射模块。针对不同高速铁路基础形式采用不同结构形式和尺寸的刚性连接件;
移动式检测框架1上固定1个数据集成管理系统5,数据集成管理系统5由高算力的微型板载系统或远程数据终端承担。高算力的微型板载系统固定在检测装置框架底盘的支座上,支持便携式电源供电;数据集成管理系统5包含机械调控模块,机械调控模块采用有线或无线的方式通过调节万向可伸缩刚性悬臂结构3的悬臂杆长、底座和设备固定接口的旋转角度,控制接口固定设备的空间位置和指向。同时,机械调控模块连接驱动模块6的电力驱动装置调节检测框架轮对的转速和转向;
本发明的数据集成管理系统5包含测点定位模块,通过测点定位模块实时存储和处理测距传感器2获取测距值,对测距数据进行实时存储,分析处理测距数据,对测距值周期性增大和减小的时间和次数进行统计,实现以承轨台纵向间距为单位的检测里程定位。
数据集成管理系统5包含图像识别处理模块,图像识别处理模块实时接收图像采集模块4传送的实时视频流,检测移动式检测框架1移动至轨道板、底座板端部时自动识别和拍摄侧面高清图片,经图像时间提取、分析处理,获取轨道结构侧面边缘线与激光水平线的相对高差。
数据集成管理系统5包含数据融合处理模块,数据融合处理模块对图像采集模块4和测距传感器2进行时间对准和同步触发计时,监控检测框架行进速度以实时调节测距传感器的采样频率、图像采集模块拍摄频率、像素。
所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
Claims (9)
1.一种无砟轨道结构垂向绝对和相对垂向变形检测方法,其特征在于,包括以下步骤,
步骤S1:基于激光测距数据的待测断面定位:
步骤S2:图片预处理:对上述步骤S1拍摄的图片进行图片预处理;
对上述步骤S1拍摄的图片进行图像增强、图像灰度化、高斯滤波处理,提高图像质量的同时减少数据量,从而减少计算量;
步骤S3:基于最优阈值的图片二值化:
对上述步骤S2得到的图片进行阈值分割,获取最优的阈值,然后将其带入二值化算法,得到最优的二值化图片;
利用最大类间方差算法,对上述步骤S2得到的图片进行阈值分割,计算最优的阈值;然后将阈值带入二值化算法,对灰度图像的像素点从左向右从上到下进行一一遍历,大于阈值的像素值变为255,小于阈值的像素值变为0,从而得到最优的二值化图像;
步骤S4:图片边缘检测;
对步骤S3得到的图片进行边缘检测,获取图片中无砟轨道结构侧面各层结构的边缘和水平激光线的边缘;
利用Canny边缘检测算法,对上述步骤S3得到的图片进行边缘检测,获取图片中无砟轨道结构侧面各层结构的边缘和水平激光线的边缘;
步骤S5:图片边缘信息主特征提取;
对上述步骤S4提取到的图像边缘信息进行主特征提取,去除无用边缘信息;
步骤S6:关键边缘线精准定位;
对步骤S5得到的图片进行边缘线像素点分布特征分析,判断无砟轨道结构边缘和水平激光线在图片上的位置;
步骤S7:区分轨道结构边缘和激光线边缘;
步骤S8:计算前后两次检测日期间的无砟轨道结构绝对及相对垂向位移。
3.根据权利要求1所述的一种无砟轨道结构垂向绝对和相对垂向变形检测方法,其特征在于,所述的步骤S3中,所述的二值化算法为:
逐一遍历图像像素值M0,若M0>Kmax,将M0变为255;若M0<Kmax,将M0变为O。
4.根据权利要求1所述的一种无砟轨道结构垂向绝对和相对垂向变形检测方法,其特征在于,所述的步骤S4中,所述的Canny边缘检测算法计算步骤包括:
S4.1,高斯滤波
假设高斯滤波核的大小为x×y,标准差为σ,则高斯滤波核矩阵G为:
本例设置高斯滤波核大小为3×3,标准差为1,带入上式计算即可得高斯滤波核为:
利用该高斯滤波核,对二值化图从左到右从上到下进行卷积运算;
S4.2,使用Sobel算子计算像素梯度
Sobel算子包含Sx和Sy,Sx用于计算图像x方向像素梯度矩阵gx,Sy用于计算图像y方向像素梯度矩阵gy;计算方法为:
其中,I为图像像素矩阵,*表示互相关运算,坐标系原点为图像左上角,且x正方向为从左到右,y正方向为从上到下;则由
可计算得到梯度强度矩阵gxv;
S4.3,非极大值像素梯度抑制
将像素的邻接情况划分为4个区域,其中每个区域包含上下两部分;若中心像素点x方向梯度强度为gx(i,j),y方向梯度强度为gy(i,j),梯度强度为gxy(i,j),则根据gx(i,j)和gy(i,j)的正负和大小可判断出其梯度方向所属区域,进而根据其像素进而根据其像素梯度方向以及相邻点的像素梯度线性插值得到正负梯度方向的两个参与比较的梯度强度gp1(i,j)和gp2(i,j);公式如下:
gp1(i,j)=(1-t)·gxy(i,j+1)+t·gxy(i-1,j+1)
gp2(i,j)=(1-t)·gxy(i,j-1)+t·gxy(i+1,j-1)
若gxy(i,j)>gp1(i,j)且gxy(i,j)>gp2(i,j),则判读该像素点为边缘点并进行保留,否则为非边缘点并进行抑制;其他三个区域的计算方法相同;
S4.4,双阈值检测
人为设置像素梯度值高阈值gHigh和gLow,对所有边缘像素进行逐一判断;若某边缘像素梯度值大于高阈值,则将其定为强边缘像素;若小于高阈值但大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则对该像素进行抑制;
S4.5,抑制孤立低阈值点
为获取更加准确的结果,应抑制由噪声或颜色改变而引起的弱边缘像素值;具体方法是逐一检查弱边缘像素的8个邻域像素,只要其中有一个为强边缘像素,则该弱边缘像素就进行保留,否则就进行抑制。
5.根据权利要求1所述的一种无砟轨道结构垂向绝对和相对垂向变形检测方法,其特征在于,所述的步骤S5中,
对上述步骤S4对提取到的图像边缘信息进行主特征提取,自动去除杂乱的无用边缘信息,具体方法是:通过自编的自适应Canny边缘检测高低阈值自动计算方法,获得理想的边缘检测高阈值和低阈值,将两个阈值带入原Canny边缘检测算法中,达到去除杂乱边缘的目的。
6.根据权利要求1所述的一种无砟轨道结构垂向绝对和相对垂向变形检测方法,其特征在于,所述的步骤S6中,对上述步骤S5得到的图片进一步处理,分别对图像中的无砟轨道结构侧面的多条结构边和高程绝对不变的水平激光线进行精准定位,具体为将图片的像素值以行为单位进行叠加,设置判断是否为结构边或者激光线所在行像素叠加值的阈值,筛选出大于该阈值的叠加值所对应的行编号,这些行编号即为无砟轨道结构边和水平激光线在图片上的所在行。
7.根据权利要求1所述的一种无砟轨道结构垂向绝对和相对垂向变形检测方法,其特征在于,所述的步骤S7中,具体为:
根据像素值的特征,提取相机拍摄的原三通道图片上的水平激光线在图片上的位置,结合步骤S7的结果,区分出轨道结构边缘线所在位置和激光线所在位置;
根据RGB值特征提取原三通道图片上的水平激光线所在行,区分出轨道结构边缘线所在行和激光线所在行。
8.根据权利要求1所述的一种无砟轨道结构垂向绝对和相对垂向变形检测方法,其特征在于,所述的步骤S8中,具体为:分析前后两次拍摄的、同一测试断面的结构边缘线和激光线在图片上的位置差异,以及两条不同的结构边缘线在图片上位置的差异,然后利用图像中轨道结构尺寸与实际轨道结构尺寸的对应关系可分别得到前后两次无砟轨道结构的垂向绝对位移与结构各层之间的相对位移。
9.根据权利要求1所述的一种无砟轨道结构垂向绝对和相对垂向变形检测方法,其特征在于,所述的步骤S1中,具体为
利用CPIII控制网的水准点的激光设备,将高程已知的激光水平线打到无砟轨道结构侧面,并通过移动式检测设备的测距功能,实时获取移动式检测设备底部到无砟轨道结构表面实体的测距数据;实时判断移动式检测设备行进过程中在轨道上的所处位置;
移动式检测设备是指移动式检测框架,激光设备是指自置平激光水平面发射模块,CPIII控制网的水准点的激光设备指自置平激光水平面发射模块通过刚性连接件与CPIII高程点预埋件刚性连接;
当测距数据出现了待测断面所处位置对应的移动式检测设备底部到无砟轨道结构表面实体的距离数据特征时,即认为设备到达了待测断面,随即移动式检测设备上的相机采集多层无砟轨道结构侧面图像,得到含有无砟轨道侧面结构边缘特征及高程已知水平激光线的图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412986.8A CN114913131A (zh) | 2022-04-20 | 2022-04-20 | 一种无砟轨道结构垂向绝对和相对垂向变形检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412986.8A CN114913131A (zh) | 2022-04-20 | 2022-04-20 | 一种无砟轨道结构垂向绝对和相对垂向变形检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114913131A true CN114913131A (zh) | 2022-08-16 |
Family
ID=82765046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210412986.8A Pending CN114913131A (zh) | 2022-04-20 | 2022-04-20 | 一种无砟轨道结构垂向绝对和相对垂向变形检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913131A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115189A (zh) * | 2023-07-10 | 2023-11-24 | 中铁第一勘察设计院集团有限公司 | 基于机器视觉的轨道3d几何形态监测方法及系统 |
-
2022
- 2022-04-20 CN CN202210412986.8A patent/CN114913131A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115189A (zh) * | 2023-07-10 | 2023-11-24 | 中铁第一勘察设计院集团有限公司 | 基于机器视觉的轨道3d几何形态监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108267096B (zh) | 铁路隧道衬砌表面病害快速检测系统 | |
CN106871805B (zh) | 车载钢轨轨距测量系统及测量方法 | |
CN111899288B (zh) | 基于红外和可见光图像融合的隧道渗漏水区域检测与识别方法 | |
CN109754368B (zh) | 一种桥梁质量检测中的裂缝拼接方法 | |
CN107187464B (zh) | 轨道板检测车、系统以及方法 | |
CN106679567A (zh) | 基于双目立体视觉的接触网及支柱几何参数检测测量系统 | |
CN108759670A (zh) | 一种基于非接触式检测技术的接触线磨耗动态检测装置 | |
CN110567680B (zh) | 一种基于角度比对的轨道扣件松动检测方法 | |
CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
CN106403828A (zh) | 一种基于棋盘格标定的单轨接触线残高测量方法及系统 | |
CN103630088A (zh) | 基于双激光带的高精度隧道断面检测方法及装置 | |
CN107292926B (zh) | 基于多图像序列的巡检机器人运动轨迹直线度测量方法 | |
CN104239904A (zh) | 轨道车辆外部轮廓非接触式检测方法 | |
CN105241384A (zh) | 一种基于计算机视觉的钢轨焊缝错边量测量方法 | |
CN107806824A (zh) | 一种低速状态下接触网几何参数的检测方法及装置 | |
CN114913131A (zh) | 一种无砟轨道结构垂向绝对和相对垂向变形检测方法 | |
CN111561967A (zh) | 弓网运行状态实时在线检测方法及系统 | |
CN111768417A (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
CN111598846A (zh) | 一种基于yolo的隧道内铁轨缺陷检测方法 | |
CN110490342B (zh) | 一种基于Faster R-CNN的接触网静态几何参数检测方法 | |
CN110158381B (zh) | 一种轨道平顺性快速测量方法及系统 | |
CN108596968B (zh) | 一种基于轨道3d深度图像的轨枕计数方法 | |
CN107621229B (zh) | 基于面阵黑白相机的实时铁路轨道宽度测量系统及方法 | |
CN104228874A (zh) | 轨道车辆外部轮廓非接触式检测系统 | |
CN108759671A (zh) | 一种接触线磨耗动态检测方法 |
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 |