CN114972338A - 一种高铁动车组走行部故障机器视觉测量方法 - Google Patents

一种高铁动车组走行部故障机器视觉测量方法 Download PDF

Info

Publication number
CN114972338A
CN114972338A CN202210886897.7A CN202210886897A CN114972338A CN 114972338 A CN114972338 A CN 114972338A CN 202210886897 A CN202210886897 A CN 202210886897A CN 114972338 A CN114972338 A CN 114972338A
Authority
CN
China
Prior art keywords
circle
gear
pixel
points
edge
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
Application number
CN202210886897.7A
Other languages
English (en)
Other versions
CN114972338B (zh
Inventor
何毅斌
李经伟
李铭
董云松
甘沐阳
涂盼盼
殷勤
马东
王林
胡明涛
何武山
唐权
刘宗泽
白丹辉
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.)
Production Teaching And Research Hubei Technology Co ltd
Wuhan Institute of Technology
China Railway Siyuan Survey and Design Group Co Ltd
Original Assignee
Production Teaching And Research Hubei Technology Co ltd
Wuhan Institute of Technology
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 Production Teaching And Research Hubei Technology Co ltd, Wuhan Institute of Technology, China Railway Siyuan Survey and Design Group Co Ltd filed Critical Production Teaching And Research Hubei Technology Co ltd
Priority to CN202210886897.7A priority Critical patent/CN114972338B/zh
Publication of CN114972338A publication Critical patent/CN114972338A/zh
Application granted granted Critical
Publication of CN114972338B publication Critical patent/CN114972338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06T7/13—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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种高铁动车组走行部故障机器视觉测量方法，包括：确定测量系统所采用的光源和照明方式、相机和镜头类型；采用张正有相机标定法进行相机标定；采用相机对高铁动车组走行部进行图像数据采集并进行灰度化处理；采用基于数学形态学滤波方法代替高斯滤波器的改进Canny算子图像边缘提取算法对得到的灰度化图像数据进行边缘提取；采用改进的基于粒子群优化算法的圆检测方法进行齿轮中心圆定位和中心圆半径检测；对齿顶圆与齿根圆通过拟合法进行分析；采用交点检测法或连通域检测法进行齿数检测；具备精度高、耗时短、稳定性高、抗噪能力强，在图像边缘提取时的边缘细节和边缘定位能力更优的特点。

Description

一种高铁动车组走行部故障机器视觉测量方法
技术领域
本发明属于智能巡检领域，具体涉及一种高铁动车组走行部故障机器视觉测量方法。
背景技术
随着高速铁路事业的迅猛发展，高铁动车组走行部的结构较为复杂，涉及到的零部件众多，其中齿轮参数测量对于自动化故障检测系统尤为重要。传统的齿轮尺寸参数人工测量方法已经无法满足工业生产中高效率和高精度的要求。基于机器视觉的自动识别、检测方法拥有非接触性、高精度、高效率等特点，设计和开发基于机器视觉的故障检测系统及方法，实现高铁动车组走行部故障的自动识别与检测，对提升动车组检修工作的精确度、效率与安全性具有重要的实用价值，为列车的安全运行提供了有力的保障。
图像识别作为图像数据加工处理环节，该环节的计算分析结果将直接影响最终控制单元的输出，所以图像识别是机器视觉系统的核心技术。
目前改进Canny边缘提取算法部分：对已有Canny 算子的分析可知，其算法虽然已经很优秀但该算法仍然存在一些问题，如下：
（1）该算法对噪声依然很敏感噪声，如果增加高斯模糊的半径虽然可以加大算法滤除噪声的能力，但是会使得边缘信息减弱;
（2）并且最初的 Canny算子使用2X2邻域计算梯度，这种方法对噪声很敏感，容易漏掉真边缘或检测到伪边缘;
（3）传统 Canny 算法的双阈值是全局固定，而且需要凭经验设定阈值，对于一幅图像不同区域可能需要设定不同的阈值来精确地检测真实边缘，全局阈就不太合适。
发明内容
针对现有技术的以上缺陷或改进需求，本发明要解决的是现有技术的高铁动车组走行部齿轮参数测量采用人工检测，存在效率低、精度差的问题。
为了实现上述目的，本发明涉及：一种高铁动车组走行部故障机器视觉测量方法，包括如下步骤：
步骤一：确定测量系统所采用的光源和照明方式、相机和镜头类型以及其他硬件；
步骤二：在分析相机标定图像采集过程中会出现问题的基础上，确定采用张正有相机标定法进行相机标定；
步骤三：采用相机对高铁动车组走行部进行图像数据采集并进行灰度化处理；
步骤四：采用基于数学形态学滤波方法代替高斯滤波器的改进Canny算子图像边缘提取算法对步骤三得到的灰度化图像数据进行边缘提取；
步骤五：采用改进的基于粒子群优化算法的圆检测方法进行齿轮中心圆定位和中心圆半径检测；所述改进的基于粒子群优化算法的圆检测方法的改进点在于：将圆周上选取点的方法由随机取点改为均分取点，以及将算法求解过程分为初步优化解集和确定最优解。
步骤六：在齿顶圆半径和齿根圆半径检测中采用改进的遍历法以及对齿顶圆与齿根圆通过拟合法进行分析；
步骤七：采用交点检测法或连通域检测法进行齿数检测。
进一步的，所述步骤四的具体方法为：
步骤2.1：基于数学形态学滤波方法，选取3×3矩形结构元素处理齿轮灰度图，得到填充后的齿轮图Im_fill和中心圆Im_holes这两个图像；
步骤2.2：Sobel算子使用3
Figure DEST_PATH_IMAGE001
3卷积模板计算梯度，相对2
Figure DEST_PATH_IMAGE002
2邻域计算梯度能够更有 效突出边缘并且能够抑制噪声，使用3
Figure 773892DEST_PATH_IMAGE001
3Sobel卷积模板计算步骤2.1所得到的两个图像的 梯度幅值和方向；
步骤2.3：在步骤2.1所得到的两个图像中，去除在步骤2.2得到的梯度幅值中非最大值所对应的边缘像素点；
步骤2.4：使用迭代法，对步骤2.3得到的图像，进行自适应双阈值选取并检测并连接图像。
步骤2.5：通过以上处理得到锯齿边缘Im_fill_edge和中心圆边缘Im_holes_edge,将两者相加得到齿轮完整边缘Im_edge。
进一步的，所述步骤2.1的具体方法为：
①：对齿轮灰度图进行取反并二值化处理，通过保留图中面积最大区域进行滤躁；
②：对齿轮图进行形态学开闭运算滤除噪声Im_1，并使用为1的像素填充齿轮中心圆孔；
③：通过Im_fill-Im_1得到齿轮中心圆Im_holes，Im_holes图像进行保留面积最大区域进行滤躁；
通过以上处理后将Im_fill和Im_holes分开进行后面处理，在分别提取边缘后相加得到齿轮最终边缘。
进一步的，所述步骤2.4的具体方法为：在一个像素3
Figure DEST_PATH_IMAGE003
3的邻域内计算灰度最大值 hmax和最小值hmin的平均值T1,然后求出hmin和T1的均值h1及T1和hmax的均值h2，再计算h1和h2 的均值T2，然后计算h1和T2 的均值h3及T2和h2的均值h4，并计算h3和h4的均值T3，依次类推迭 代，直到Tn
Figure DEST_PATH_IMAGE004
Tn+1，选取Tn+1为高阈值，选取
Figure DEST_PATH_IMAGE005
为低阈值，使用此处的高低阈值来检测 和连接边缘。
进一步的，所述步骤五的方法为：
（1）针对粒子群优化算法在检测圆时可能会陷入局部最优解问题，把圆周上随机选取点改为在圆周上选取同样数量的均分点，进行边缘检测后，得到的边缘点数较少，对于后续检测圆时，选取均分点必然优于随机点，避让算法摆脱陷入局部最优解；
（2）针对上述粒子群优化算法在检测圆时计算结果不稳定问题，将算法求解过程分为初步优化解集和确定最优解。初步优化解集操作即是在图像空间选取一定数量随机点，圆周上选取适量均分点，使用粒子群优化算法在检测圆时的过程，将图像空间中随机点的位置进行优化，在迭代结束后随机点已经处在优化的位置，此时对获得的所有Di，Di的计算方法为：第i个粒子与圆周上所有随机点的距离两两求差取绝对值后累加求和得到Di，对Di进行排序，去掉序列前后各10%的Di对应图像空间的偏差较大的随机点，保留下来的较好的随机点再次计算Di，利用粒子群算法求解圆心和半径。
进一步的，所述步骤六的具体改进方法为：针对已有遍历法存在的弊端（弊端：计算出的齿顶圆半径和齿根圆半径易受提取的齿轮外轮廓质量影响，当边缘有突出噪声点时其精度难以保证），提出以下改进：
（1）在计算出所有像素为1的像素点到圆心距离并从大到小排序，计算序列中第1个像素点与后面10个点到齿轮圆心的距离的差，如果有一半差值小于0.5个像素，则认为第一个像素点不是异常点，否则直接删除；
（2）第2个像素点与前1个像素到齿轮几何中心的距离差，如果相差0.5个像素之内，则相加求平均值，将这个平均值结果替代原先两个像素点的序列位置，再将序列的第3个像素与这个平均值比较，如果相差0.5像素以内则执行同样的操作（即认为这几个点是在以齿轮几何中心为圆心的同一个圆上）；如果后1个像素到齿轮几何中心的距离前面计算的均值相差2个像素以上，则认为该点是异常点直接删除；
（3）如果后1个像素与前面计算的距离的均值相差大于0.5个像素，小于2个像素，则标记该点与前面的计算的均值为不同类数据，保持该点在序列中的位置，再用序列中该点后面的像素点与该点比较，如果相差0.5个像素以内，则相加求平均值，用平均值替代这两个像素在序列中的位置；如果序列中的后1个像素到圆心的距离大于2个像素，则认为该点的后1个像素点为异常点直接删除；
（4）循环执行（1）（2）、（3）步操作；提取标记的同一类数据，最前面的一个数据即为齿顶圆直径，最后面的即为齿根圆直径。
进一步的，所述步骤七的交点检测法包括：
在已知齿顶圆半径和齿根圆半径数值情况下，以齿轮几何中心为圆心，选取齿顶圆半径和齿根圆半径的均值为半径，在齿轮外轮廓上画圆，则齿轮的齿数等于交点个数的一半；由实验结果可知，齿轮的齿数确实等于交点个数的一半，但此方法需要检测虚拟圆和齿轮外轮廓的角点，再检测交点，过程比较繁琐，而且每次实验检测到的齿轮外轮廓并不一定都是单像素边缘且可能存在断点，所以存在检测不准确的可能；交点检测法适用于提取到的齿轮外轮廓都是单像素边缘且不存在断点的情况。
进一步的，所述步骤七的连通域检测法包括：
在齿轮外轮廓图上，将齿轮轮廓内部填充灰度为 1 的像素点，以齿轮几何中心为圆心，选取齿顶圆半径和齿根圆半径的均值为半径，在齿轮外轮廓上画圆，将虚拟圆内部像素点全部取反，则将得到多个灰度值为 1的连通区域，去除掉像素面积过小区域，并使用形态学开闭运算平滑图像，以避免噪声影响，检测像素点为1的8连通域个数即可得到齿轮齿数。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明的高铁动车组走行部故障机器视觉测量方法，对于故障区域的齿轮图像边缘提取采用了改进的Canny算子，在抗噪能力上得到了很好的提升，并且在图像边缘提取时的边缘细节和边缘定位能力更优；
2、本发明的高铁动车组走行部故障机器视觉测量方法，采用改进的基于粒子群优化算法的圆检测方法时具有精度高以及耗时短的优点；
3、本发明的高铁动车组走行部故障机器视觉测量方法，在齿顶圆半径和齿根圆半径检测中采用改进的遍历法时，具有高稳定性、高精度，以及能够在一定程度上避免因提取的齿轮外廓质量不佳而带来的影响。
附图说明
图1为本发明较佳实施例的基于图像识别的齿轮参数测量研究流程图；
图2为本发明较佳实施例的改进Canny算子提取齿轮边缘图；
图3为本发明较佳实施例的基于改进粒子群优化算法拟合圆图；
图4为本发明较佳实施例的齿顶圆和齿根圆拟合图；
图5为本发明较佳实施例的交点法检测齿轮齿数图；
图6为本发明较佳实施例的连通域检测法检测齿轮齿数图。
具体实施方式
为了使本发明的目的、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用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参考图1，本发明涉及一种高铁动车组走行部尺寸智能检测方法，包括：
本发明包含基于机器视觉的齿轮参数测量方法及系统，包括齿轮参数测量平台的设计、改进的Canny算子边缘提取算法、基于改进的粒子群优化算法的圆检测方法、在齿顶圆半径与齿根圆半径检测中改进的遍历法、齿顶圆与齿根圆中的拟合法以及齿数的检测中对交点检测法和连通域检测法。
所述的齿轮参数测量平台部分：包括图像采集的硬件设计部分、相机标定和图像识别的软件设计部分。
图像采集是将可视化图像和特征转化为计算机可以处理的数据的过程，而这些数据的准确性将直接决定图像识别最终输出的结果的正确性，同时采集过程必须及时提供图像，只有这样整个机器视觉系统才能在较短的时间内完成参数测量，因此，图像采集是机器视觉测量系统中的重要环节，图像采集过程越及时、采集图像信息越准确，整个视觉测量系统的性能就会越好。图像采集过程可以概述为相机拍摄光源照明下的物体，将物体的可视化图像和特征转化为图像信号，并通过图像采集卡保存下来，以备图像识别使用。
相机标定部分的作用是校正相机镜头的畸变、确定物理尺寸和像素间的换算关系和确定待测物上的某点的三维空间几何位置和图像中对应点之间的相互关系，相机标定的精度和算法稳定性会直接影响相机将可视化的图像特征转化为计算机可识别的数据的准确性，所以相机标定环节非常关键。
图像识别作为图像数据加工处理环节，该环节的计算分析结果将直接影响最终控制单元的输出，所以图像识别是机器视觉系统的核心技术。
所述的改进Canny边缘提取算法部分：对已有Canny 算子的分析可知，其算法虽然已经很优秀但该算法仍然存在一些问题，如下：
（1）该算法对噪声依然很敏感噪声，如果增加高斯模糊的半径虽然可以加大算法滤除噪声的能力，但是会使得边缘信息减弱。
（2）并且最初的 Canny算子使用2×2邻域计算梯度，这种方法对噪声很敏感，容易漏掉真边缘或检测到伪边缘。
（3）传统 Canny 算法的双阈值是全局固定，而且需要凭经验设定阈值，对于一幅图像不同区域可能需要设定不同的阈值来精确地检测真实边缘，全局阈就不太合适。
本发明将针对Canny算子存在的问题进行以下改进：
（1）本发明使用一种基于数学形态学滤波方法代替高斯滤波器。该方法可以分为以下3步：
①：对齿轮灰度图进行取反并二值化处理，通过保留图中面积最大区域进行滤躁；
②：对齿轮图进行形态学开闭运算滤除噪声Im_1，并使用为1的像素填充齿轮中心圆孔；
③：通过Im_fill-Im_1得到齿轮中心圆Im_holes，Im_holes图像进行保留面积最大区域进行滤躁；
通过以上处理后将Im_fill和Im_holes分开进行后面处理，在分别提取边缘后相加得到齿轮最终边缘。
（2）由对Sobel算子的分析可知，Sobel算子使用3
Figure 894294DEST_PATH_IMAGE001
3卷积模板计算梯度，相对2
Figure 533086DEST_PATH_IMAGE002
2邻 域计算梯度能够更有效突出边缘并且能够抑制噪声，本文将使用3
Figure DEST_PATH_IMAGE006
3Sobel卷积模板代替2
Figure DEST_PATH_IMAGE007
2邻域计算梯度。
（3）使用迭代法的思想，在一个像素3
Figure 397137DEST_PATH_IMAGE003
3的邻域内计算灰度最大值hmax和最小值hmin 的平均值T1,然后求出hmin和T1的均值h1及T1和hmax的均值h2，再计算h1和h2的均值T2，然后计 算h1和T2 的均值h3及T2和h2的均值h4，并计算h3和h4的均值T3，依次类推迭代，直到Tn
Figure 945930DEST_PATH_IMAGE004
Tn+1， 选取Tn+1为高阈值，选取
Figure DEST_PATH_IMAGE008
为低阈值，使用此处的高低阈值来检测和连接边缘。
具体实现过程如下；
（1）使用提出的一种基于数学形态学滤波方法，选取3×3矩形结构元素处理，得到填充后的齿轮图Im_fill和中心圆Im_holes，对这两个图分别进行（2）（3）（4）步处理；
（2）使用3
Figure 627447DEST_PATH_IMAGE001
3Sobel卷积模板计算滤噪后图像的梯度幅值和方向；
（3）在梯度幅值中去除非最大值；
（4）使用迭代法思想，进行自适应双阈值选取并检测并连接图像；
（5）通过以上处理得到锯齿边缘Im_fill_edge和中心圆边缘Im_holes_edge,将两者相加得到齿轮完整边缘Im_edge；
将得到的齿轮中心圆和齿轮轮齿边缘相加，得到齿轮完整边缘，实际算例得到的轮廓如图2所示；
实验结果表明，本发明提出的改进算法相对原Canny算子拥有更好的去噪声和抗噪能力，对边缘细节的保留和边缘定位更好，针对不同的噪声选取不同的结构元素，因此能够适用于多各种场合。
所述的基于改进的粒子群优化算法的圆检测方法部分：针对已有的粒子群优化算法在检测圆时存在的问题，提出以下改进方法：
（1）针对粒子群优化算法在检测圆时可能会陷入局部最优解问题，把圆周上随机选取点改为在圆周上选取同样数量的均分点，可以避让算法摆脱陷入局部最优解；
（2）针对上述粒子群优化算法在检测圆时计算结果不稳定问题，将算法求解过程分为初步优化解集和确定最优解。初步优化解集操作即是在图像空间选取一定数量随机点，圆周上选取适量均分点，使用粒子群优化算法在检测圆时的过程，将图像空间中随机点的位置进行优化，在迭代结束后随机点已经处在优化的位置，此时对获得的所有Di进行排序，去掉序列前后各10%的Di对应图像空间的偏差较大的随机点，保留下来的较好的随机点再次计算Di，利用粒子群算法求解圆心和半径。
基于改进粒子群优化算法拟合圆结果，如图3所示；实际算例中，基于改进粒子群优化算法拟合圆的圆心坐标为（625.1917，471.7770），中心园半径为203.8377（像素单位），拟合时间为7.07秒。
改进粒子群算法拟合圆拥有精度高，速度快的特点，本发明选取该算法拟合齿轮中心圆圆心。
所述的在齿顶圆半径与齿根圆半径检测中改进的遍历法部分：针对已有遍历法存在的弊端，提出以下改进：
（1）在计算出所有像素为1的点到圆心距离并从大到小排序，计算序列中第1个像素点与后面10个点到齿轮圆心的距离的差，如果有一半差值小于0.5个像素，则认为第一个点不是异常点，否则直接删除。
（2）第2个像素点与前1个像素到齿轮几何中心的距离差，如果相差0.5个像素之内，则相加求平均值，将这个平均值结果替代原先两个像素点的序列位置，再将序列的第3个像素与这个平均值比较，如果相差0.5像素以内则执行同样的操作（即认为这几个点是在以齿轮几何中心为圆心的同一个圆上）；如果后1个像素到齿轮几何中心的距离前面计算的均值相差2个像素以上，则认为该点是异常点直接删除；
（3）如果后1个像素与前面计算的距离的均值相差大于0.5个像素，小于2个像素，则标记该点与前面的计算的均值为不同类数据，保持该点在序列中的位置，再用序列中该点后面的像素点与该点比较，如果相差0.5个像素以内，则相加求平均值，用平均值替代这两个像素在序列中的位置；如果序列中的后1个像素到圆心的距离大于2个像素，则认为该点的后1个像素点为异常点直接删除。循环执行（1）（2）步操作。
（4）循环执行（1）（2）、（3）步操作；提取标记的同一类数据，最前面的一个数据即为齿顶圆直径，最后面的即为齿根圆直径。
改进遍历法拟合齿顶圆和齿根圆实际算例表明该算法能够去除图像中的个别异常点，稳定性较高，拥有较高的精度，本发明将采用该方法检测齿轮齿顶圆和齿根圆。
齿顶圆与齿根圆中的拟合法部分：在确定已知齿轮几何中心的情况下，在齿轮外轮廓图中，以几何中心为圆心，选定合适半径拟合圆，改变拟合圆半径直至从齿顶圆好齿根圆均拟合出。齿顶圆和齿根圆拟合法具体实现过程如下：
（1）以几何中心为圆心，以大于中心圆半径一个像素长度开始拟合圆，检测是否与像素点灰度为1的点交叉，如果没有，增加拟合圆半径一个像素长；
（2）拟合圆半径增加一定长度后，首次拟合圆与像素点灰度为1的点交叉，标记此圆为齿根圆，齿根圆半径即为此时的拟合圆半径；
（3）继续逐个像素长度增加拟合圆半径，当拟合圆与像素点灰度为1的点没有交叉点时，标记上一个拟合圆为齿顶圆，齿顶圆半径即为上一个拟合圆半径。
使用该算法进行实验，实验结果如图4所示(外圈线为拟合的齿顶圆、内圈线为齿根圆)；检测的齿顶圆半径为446（像素单位），齿根圆半径为302（像素单位）。
该方法求解齿顶圆半径和齿根圆半径速度较快，但是检测的半径精度受到齿轮几何圆心定位精度和齿轮外轮廓边缘质量有关。
所述的齿数检测中对交点检测法和连通域检测法部分：
交点检测法：在已知齿顶圆半径和齿根圆半径数值情况下，以齿轮几何中心为圆心，选取齿顶圆半径和齿根圆半径的均值为半径，在齿轮外轮廓上画圆，则齿轮的齿数等于交点个数的一半。实际算例中，使用交点法检测齿轮齿数实验结果如图5所示，实验检测的交点个数为24，所以齿数为12。
由实验结果可知，齿轮的齿数确实等于交点个数的一半，但此方法需要检测虚拟圆和齿轮外轮廓的角点，再检测交点，过程比较繁琐，而且每次实验检测到的齿轮外轮廓并不一定都是单像素边缘且可能存在断点，所以存在检测不准确的可能。交点检测法适用于提取到的齿轮外轮廓都是单像素边缘且不存在断点的情况。
（2）连通域检测法：在齿轮外轮廓图上，将齿轮轮廓内部填充灰度为 1 的像素点，以齿轮几何中心为圆心，选取齿顶圆半径和齿根圆半径的均值为半径，在齿轮外轮廓上画圆，将虚拟圆内部像素点全部取反，则将得到多个灰度值为 1的连通区域，去除掉像素面积过小区域，并使用形态学开闭运算平滑图像，以避免噪声影响，检测像素点为1的8连通域个数即可得到齿轮齿数。
实际算例中，使用连通域检测法的实验结果，如图6所示；实验检测连通区域个数为 12，即齿轮齿数为 12。
由实验结果可知，此方法能够准确地检测出齿轮齿数，算法可靠性较高，本发明将采用该方法检测齿轮齿数。
结合上述系统的说明，通过下述的方法完成齿轮参数测量，具体步骤为：
步骤一：确定测量系统所采用的光源和照明方式、相机和镜头类型；
步骤二：采用张正有相机标定法进行相机标定；
步骤三：采用相机对高铁动车组走行部进行图像数据采集并进行灰度化处理；
步骤四：采用基于数学形态学滤波方法代替高斯滤波器的改进Canny算子图像边缘提取算法对步骤三得到的灰度化图像数据进行边缘提取；
步骤五：采用改进的基于粒子群优化算法的圆检测方法进行齿轮中心圆定位和中心圆半径检测；所述改进的基于粒子群优化算法的圆检测方法的改进点在于：将圆周上选取点的方法由随机取点改为均分取点，以及将算法求解过程分为初步优化解集和确定最优解；
步骤六：在齿顶圆半径和齿根圆半径检测中采用改进的遍历法以及对齿顶圆与齿根圆通过拟合法进行分析；
步骤七：采用交点检测法或连通域检测法进行齿数检测。
需要说明的是，本方案对齿轮的视觉测量进行了描述，但该方法也可以用于其他部件的视觉测量；
本邻域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，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 (8)

1.一种高铁动车组走行部故障机器视觉测量方法，其特征在于，包括如下步骤：
步骤一：确定测量系统所采用的光源和照明方式、相机和镜头类型；
步骤二：采用张正有相机标定法进行相机标定；
步骤三：采用相机对高铁动车组走行部进行图像数据采集并进行灰度化处理；
步骤四：采用基于数学形态学滤波方法代替高斯滤波器的改进Canny算子图像边缘提取算法对步骤三得到的灰度化图像数据进行边缘提取；
步骤五：采用改进的基于粒子群优化算法的圆检测方法进行齿轮中心圆定位和中心圆半径检测；所述改进的基于粒子群优化算法的圆检测方法的改进点在于：将圆周上选取点的方法由随机取点改为均分取点，以及将算法求解过程分为初步优化解集和确定最优解；
步骤六：在齿顶圆半径和齿根圆半径检测中采用改进的遍历法以及对齿顶圆与齿根圆通过拟合法进行分析；
步骤七：采用交点检测法或连通域检测法进行齿数检测。
2.根据权利要求1所述的高铁动车组走行部故障机器视觉测量方法，其特征在于，所述步骤四的具体方法为：
步骤2.1：基于数学形态学滤波方法，选取3×3矩形结构元素处理齿轮灰度图，得到填充后的齿轮图Im_fill和中心圆Im_holes这两个图像；
步骤2.2：使用3×3Sobel卷积模板计算步骤2.1所得到的两个图像的梯度幅值和方向；
步骤2.3：在步骤2.1所得到的两个图像中，去除在步骤2.2得到的梯度幅值中非最大值所对应的边缘像素点；
步骤2.4：使用迭代法，对步骤2.3得到的图像，进行自适应双阈值选取并检测并连接图像；
步骤2.5：通过以上处理得到锯齿边缘Im_fill_edge和中心圆边缘Im_holes_edge,将两者相加得到齿轮完整边缘Im_edge。
3.根据权利要求2所述的高铁动车组走行部故障机器视觉测量方法，其特征在于，所述步骤2.1的具体方法为：
（1）对齿轮灰度图进行取反并二值化处理，通过保留图中面积最大区域进行滤躁；
（2）对齿轮图进行形态学开闭运算滤除噪声Im_1，并使用为1的像素填充齿轮中心圆孔；
（3）通过Im_fill-Im_1得到齿轮中心圆Im_holes，Im_holes图像进行保留面积最大区域进行滤躁；
通过以上处理后将Im_fill和Im_holes分开进行后面处理，在分别提取边缘后相加得到齿轮最终边缘。
4.根据权利要求2所述的高铁动车组走行部故障机器视觉测量方法，其特征在于，所述 步骤2.4的具体方法为：在一个像素3
Figure 761568DEST_PATH_IMAGE001
3的邻域内计算灰度最大值hmax和最小值hmin的平均值 T1,然后求出hmin和T1的均值h1及T1和hmax的均值h2，再计算h1和h2的均值T2，然后计算h1和T2 的均值h3及T2和h2的均值h4，并计算h3和h4的均值T3，依次类推迭代，直到Tn
Figure 370535DEST_PATH_IMAGE002
Tn+1，选取Tn+1为 高阈值，选取
Figure 389307DEST_PATH_IMAGE003
为低阈值，使用此处的高低阈值来检测和连接边缘。
5.根据权利要求1所述的高铁动车组走行部故障机器视觉测量方法，其特征在于，所述步骤五的方法为：
（1）将圆周上随机选取点改为在圆周上选取同样数量的均分点；
（2）将算法求解过程分为初步优化解集和确定最优解；初步优化解集操作即是在图像空间选取一定数量随机点，圆周上选取适量均分点，使用粒子群优化算法在检测圆时的过程，将图像空间中随机点的位置进行优化，在迭代结束后随机点已经处在优化的位置，此时对获得的所有Di，Di的计算方法为：第i个粒子与圆周上所有随机点的距离两两求差取绝对值后累加求和得到Di，对Di进行排序，去掉序列前后各10%的Di对应图像空间的偏差较大的随机点，保留下来的较好的随机点再次计算Di，利用粒子群算法求解圆心和半径。
6.根据权利要求1所述的高铁动车组走行部故障机器视觉测量方法，其特征在于，所述步骤六的具体方法为：
（1）在计算出所有像素为1的像素点到圆心距离并从大到小排序，计算序列中第1个像素点与后面10个点到齿轮圆心的距离的差，如果有一半差值小于0.5个像素，则认为第一个像素点不是异常点，否则直接删除；
（2）第2个像素点与前1个像素到齿轮几何中心的距离差，如果相差0.5个像素之内，则相加求平均值，将这个平均值结果替代原先两个像素点的序列位置，再将序列的第3个像素与这个平均值比较，如果相差0.5像素以内则执行同样的操作；如果后1个像素到齿轮几何中心的距离前面计算的均值相差2个像素以上，则认为该点是异常点直接删除；
（3）如果后1个像素与前面计算的距离的均值相差大于0.5个像素，小于2个像素，则标记该点与前面的计算的均值为不同类数据，保持该点在序列中的位置，再用序列中该点后面的像素点与该点比较，如果相差0.5个像素以内，则相加求平均值，用平均值替代这两个像素在序列中的位置；如果序列中的后1个像素到圆心的距离大于2个像素，则认为该点的后1个像素点为异常点直接删除；
（4）循环执行（1）（2）、（3）步操作；提取标记的同一类数据，最前面的一个数据即为齿顶圆直径，最后面的即为齿根圆直径。
7.根据权利要求1所述的高铁动车组走行部故障机器视觉测量方法，其特征在于，所述步骤七的交点检测法包括：
在已知齿顶圆半径和齿根圆半径数值情况下，以齿轮几何中心为圆心，选取齿顶圆半径和齿根圆半径的均值为半径，在齿轮外轮廓上画圆，则齿轮的齿数等于交点个数的一半；交点检测法适用于提取到的齿轮外轮廓都是单像素边缘且不存在断点的情况。
8.根据权利要求1所述的高铁动车组走行部故障机器视觉测量方法，其特征在于，所述步骤七的连通域检测法包括：
在齿轮外轮廓图上，将齿轮轮廓内部填充灰度为 1 的像素点，以齿轮几何中心为圆心，选取齿顶圆半径和齿根圆半径的均值为半径，在齿轮外轮廓上画圆，将虚拟圆内部像素点全部取反，则将得到多个灰度值为 1的连通区域，去除掉像素面积过小区域，并使用形态学开闭运算平滑图像，检测像素点为1的8连通域个数即可得到齿轮齿数。
CN202210886897.7A 2022-07-26 2022-07-26 一种高铁动车组走行部故障机器视觉测量方法 Active CN114972338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210886897.7A CN114972338B (zh) 2022-07-26 2022-07-26 一种高铁动车组走行部故障机器视觉测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210886897.7A CN114972338B (zh) 2022-07-26 2022-07-26 一种高铁动车组走行部故障机器视觉测量方法

Publications (2)

Publication Number Publication Date
CN114972338A true CN114972338A (zh) 2022-08-30
CN114972338B CN114972338B (zh) 2022-11-29

Family

ID=82970266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210886897.7A Active CN114972338B (zh) 2022-07-26 2022-07-26 一种高铁动车组走行部故障机器视觉测量方法

Country Status (1)

Country Link
CN (1) CN114972338B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017200524A1 (en) * 2016-05-16 2017-11-23 United Technologies Corporation Deep convolutional neural networks for crack detection from image data
CN108109155A (zh) * 2017-11-28 2018-06-01 东北林业大学 一种基于改进Canny的自动阈值边缘检测方法
CN111815660A (zh) * 2020-06-16 2020-10-23 北京石油化工学院 危化品仓库中货物边缘检测方法、装置及终端设备
CN113222955A (zh) * 2021-05-24 2021-08-06 同济大学 一种基于机器视觉的齿轮尺寸参数自动测量方法
CN113542172A (zh) * 2021-07-12 2021-10-22 聊城大学 基于改进pso聚类的弹性光网络调制格式识别方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017200524A1 (en) * 2016-05-16 2017-11-23 United Technologies Corporation Deep convolutional neural networks for crack detection from image data
CN108109155A (zh) * 2017-11-28 2018-06-01 东北林业大学 一种基于改进Canny的自动阈值边缘检测方法
CN111815660A (zh) * 2020-06-16 2020-10-23 北京石油化工学院 危化品仓库中货物边缘检测方法、装置及终端设备
CN113222955A (zh) * 2021-05-24 2021-08-06 同济大学 一种基于机器视觉的齿轮尺寸参数自动测量方法
CN113542172A (zh) * 2021-07-12 2021-10-22 聊城大学 基于改进pso聚类的弹性光网络调制格式识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李福庆等: "粒子群圆检测算法", 《软件导刊》 *
熊文豪等: "基于图像识别的齿轮尺寸测量研究", 《现代制造工程》 *
石桂名等: "基于改进Canny算子的遥感图像边缘检测", 《大连交通大学学报》 *

Also Published As

Publication number Publication date
CN114972338B (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
CN109141232B (zh) 一种基于机器视觉的盘类铸件在线检测方法
CN108776140B (zh) 一种基于机器视觉的印刷品瑕疵检测方法及系统
CN110675346B (zh) 适用于Kinect的图像采集与深度图增强方法及装置
CN106651828B (zh) 一种工业小尺度运动模糊成像条件下的产品尺寸亚像素测量方法
CN110321933B (zh) 一种基于深度学习的故障识别方法和装置
CN108088799B (zh) 机动车尾气林格曼黑度的测量方法及系统
CN103198705B (zh) 车位状态自动检测方法
CN107133623B (zh) 一种基于背景差和圆心定位的指针位置精确检测方法
CN114495098B (zh) 一种基于显微镜图像的盘星藻类细胞统计方法及系统
Deng et al. Defect detection of bearing surfaces based on machine vision technique
CN114047123A (zh) 一种用于集成板生产缺陷检测方法及检测系统
CN109993758A (zh) 分割方法、分割装置、计算机设备及存储介质
CN110298821A (zh) 一种基于Faster R-CNN的钢筋检测方法
CN115597494B (zh) 一种基于点云的预制构件预留孔的精度检测方法、系统
TW201433985A (zh) 自動描繪物件邊緣走向之方法
CN112330598A (zh) 一种化纤表面僵丝缺陷检测的方法、装置及存储介质
CN108871185B (zh) 零件检测的方法、装置、设备以及计算机可读存储介质
CN111213154A (zh) 一种车道线检测方法、设备、移动平台及存储介质
CN105258647A (zh) 一种汽车锁扣铆点的视觉检测方法
CN113627257A (zh) 检测方法、检测系统、设备和存储介质
CN104112123A (zh) 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法
CN114612490A (zh) 一种基于显微镜图像的栅藻类细胞统计方法
CN117011290B (zh) 缺陷诊断方法、系统及计算机设备
CN116883446B (zh) 一种车载摄像头镜片碾磨程度实时监测系统
CN114972338B (zh) 一种高铁动车组走行部故障机器视觉测量方法

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