CN115239623A - 一种检测弓网接触力的方法 - Google Patents
一种检测弓网接触力的方法 Download PDFInfo
- Publication number
- CN115239623A CN115239623A CN202210696406.2A CN202210696406A CN115239623A CN 115239623 A CN115239623 A CN 115239623A CN 202210696406 A CN202210696406 A CN 202210696406A CN 115239623 A CN115239623 A CN 115239623A
- Authority
- CN
- China
- Prior art keywords
- image
- matching
- pantograph
- camera
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000006073 displacement reaction Methods 0.000 claims abstract description 13
- 101000689365 Homo sapiens Pyridoxal phosphate homeostasis protein Proteins 0.000 claims abstract description 12
- 102100024487 Pyridoxal phosphate homeostasis protein Human genes 0.000 claims abstract description 12
- 241001125292 Balaena mysticetus Species 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000717 retained 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
- G06T5/90—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
- G06T7/12—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
- G06T7/80—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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种检测弓网接触力的方法,包括:对检测相机进行调试;对图像进行采集,利用调试后的相机分别获取受电弓第一帧图像和受电弓变形后图像,受电弓的第一帧图像作为样本图像提取标记点的匹配模板;对图像进行灰度化处理,对三维图像矩阵进行灰度化处理,消除彩色信息,保留亮度信息得到相应的二维图像矩阵;对二维灰度化图像采用中值滤波法进行降噪处理;对图像进行分割,提取标记点模板;利用基于KNN和PROSC匹配算法检测弓头标记点的像素坐标,根据相机标定得到实际的标记点的相对位移;根据接触力与受电弓位移的特性关系得出弓网接触力的大小。本发明在不改变受电弓结构的情况下,能够实现长期跟踪服役,提高了弓网接触力的检测精度。
Description
技术领域
本发明涉及的是神经网络领域,特别涉及一种检测弓网接触力的方法。
背景技术
电气化电路运营中,接触网和受电弓是至关重要的组成部分,通过两者之间形成的接触力来保证对电力机车的电流供给,保证行车安全。因此检测接触线与受电弓之间的接触力对机车的安全运行具有重要意义。目前主要采取的检测方法是接触式的检测手段,这种检测方法是在弓头滑板上安装传感器,改变了受电弓的弓头结构和力学性能,且没有对检测人员的安全起到保障作用,人工读取数据存在一定的读数误差,精确度不高。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种检测弓网接触力的方法。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
一种检测弓网接触力的方法,包括:
S100.对检测相机进行调试;
S200.对图像进行采集,利用调试后的相机分别获取受电弓第一帧图像和受电弓变形后图像,受电弓的第一帧图像作为样本图像提取标记点的匹配模板;
S300.对图像进行灰度化处理,对三维图像矩阵进行灰度化处理,消除彩色信息,保留亮度信息得到相应的二维图像矩阵;
S400.对二维灰度化图像采用中值滤波法进行降噪处理;
S500.对图像进行分割,提取标记点模板;
S600.利用基于KNN和PROSC匹配算法检测弓头标记点的像素坐标,根据相机标定得到实际的标记点的相对位移;
S700.根据接触力与受电弓位移的特性关系得出弓网接触力的大小。
进一步地,对检测相机进行调试,具体为:进行相机调试,确定空间物体一点的几何位置和图像中对应点的位置关系,定义图像像素坐标和世界坐标,从3D转换为2D;确定相机成像的相机参数,包括相机的内部参数和外部参数,包括焦距、光心、畸变系数、旋转矩阵和平移矩阵。
进一步地,S200中,将受电弓第一帧图像和受电弓变形后的图像经网线传输到计算机进行储存并由后台软件进行实时处理,得到与图像相对应的三维图像矩阵。
进一步地,S300中,图像灰度化的采用灰度值来表示彩色图中相对强弱变化;彩色图像中每个像素值的大小可以由红、绿、蓝三个彩色分量决定,图像灰度化公式(1)如下所示:
A=0.11R+0.59G+0.3U (1)
式中,A表示图像灰度化之后的灰度值大小;R表示RGB彩色模型中红色分量;G表示RGB彩色模型中绿色分量U表示RGB彩色模型中蓝色分量;在表示灰度图像的灰度矩阵中,灰度值的变化范围为0~255,其中,0代表黑色,255代表白色,0~255之间的数值变化代表了从黑色到白色的颜色过度。
进一步地,经过调试后相机拍摄和灰度变换后得到二维矩阵,矩阵可表示为
其中,Q表示图像灰度矩阵;f表示图像灰度值;m,n表示图像矩阵的行数与列数;式中矩阵的行数与列数和所选相机的像素有关,相机的像素越高,图像中纵横向所含像素的个数就越多,则在计算机中图像所对应灰度矩阵的尺寸就越大。
进一步地,S400中,对二维灰度化图像采用中值滤波法进行降噪处理,具体为:将二维灰度化图像矩阵中噪点位置处的像素值用一定范围内所有像点像素值的平均值来代替,以达到图像去噪的目的。
进一步地,S500中,对图像进行分割,提取标记点模板的具体方法为:根据受电弓振动图像进行粗定位,自动截取出标记点振动区域子图。利用经典边缘检测算法亚像素定位算法进行图像边缘的像素级粗定位和亚像素级精定位,从而实现图像分割。
进一步地,S600中,利用基于KNN和PROSC匹配算法检测弓头标记点的像素坐标,KNN算法的具体步骤为:
(1)寻找前一帧图像中所有特征点对应后一帧图像的匹配点;定义前一帧图像上的某一特征点Fai为参考点,计算出在后一帧中与Fai最邻近和次邻近的两个特征点,分别为Fbi、Fbk,匹配点对(Fai,Fbj)、(Fai,Fbk),依次计算汉明距离的大小D(Fai,Fbj)、D(Fai,Fbk),若两者之间的比值满足公式(2),则可以证明的匹配Fai、Fbj;
其中,TD为阈值,范围一般取[0,0.8];
(2)计算前一帧的匹配点对集合MA,根据(1),寻找前一帧图像中所有特征点对应的匹配点,所有匹配点形成集合MA;
(3)寻找后一帧图像中所有特征点对应前一帧图像的匹配点,根据(1),此时,参考点为Fbi,最邻近点为Faj,次邻近点为Fak,匹配点对为(Fbi,Faj)、(Fbi,Faj),汉明距离分别为D(Fbi,Faj)、D(Fbi,Fak);
(4)计算后一帧的匹配点对集合MB;
(5)判断特征点是否匹配成功;若MA中的(Fai,Fbj),和MB中的(Fbi,Faj)相同,则证明特征点匹配成功,反之失败。
进一步地,S600中,利用基于KNN和PROSC匹配算法检测弓头标记点的像素坐标,PROSAC算法应用在图像特征匹配过程错误匹配的剔除,假设利用匹配中的每一对特征点的欧氏距离得出一个比值β,如公式(3)所示:
式中dmin为最小欧氏距离,dmin2为次小欧氏距离;β的大小影响着匹配结果的好坏,β越小,则匹配质量越好,匹配成功率越高;同时也可以引入一个能够判断匹配对质量的质量因子γ,如公式(4)所示
γ越大,匹配对的质量就会越好,那么反过来对于估计模型的正确率就会越高。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明公开的一种检测弓网接触力的方法,包括:对检测相机进行调试;对图像进行采集,利用调试后的相机分别获取受电弓第一帧图像和受电弓变形后图像,受电弓的第一帧图像作为样本图像提取标记点的匹配模板;对图像进行灰度化处理,对三维图像矩阵进行灰度化处理,消除彩色信息,保留亮度信息得到相应的二维图像矩阵;对二维灰度化图像采用中值滤波法进行降噪处理;对图像进行分割,提取标记点模板;利用基于KNN和PROSC匹配算法检测弓头标记点的像素坐标,根据相机标定得到实际的标记点的相对位移;根据接触力与受电弓位移的特性关系得出弓网接触力的大小。
本发明提出了一种基于K最近邻算法(KNN)和渐进一致采样算法(PROSAC)的图像技术检测弓网接触力的方法,KNN算法加快了运算速度,PROSAC算法剔除了错误匹配,从而提高了受电弓标记点的匹配精度和匹配速度。在不改变受电弓结构的情况下,能够实现长期跟踪服役,提高了弓网接触力的检测精度。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1中,一种检测弓网接触力的方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题,本发明实施例提供一种检测弓网接触力的方法。
实施例1
一种检测弓网接触力的方法,如图1,包括:
S100.对检测相机进行调试;具体的,进行相机调试,确定空间物体一点的几何位置和图像中对应点的位置关系,定义图像像素坐标和世界坐标,从3D转换为2D。从而确定相机成像的相机参数,包括相机的内部参数和外部参数,如焦距、光心、畸变系数、旋转矩阵、平移矩阵等。
S200.对图像进行采集,利用调试后的相机分别获取受电弓第一帧图像和受电弓变形后图像,受电弓的第一帧图像作为样本图像提取标记点的匹配模板;
在本实施例中,图像采集,利用高速工业相机分别获取受电弓第一帧图像和受电弓变形后图像,受电弓的第一帧图像作为样本图像提取标记点的匹配模板。将受电弓第一帧图像和受电弓变形后的图像经网线传输到计算机进行储存并由后台软件进行实时处理,得到与图像相对应的三维图像矩阵。
S300.对图像进行灰度化处理,对三维图像矩阵进行灰度化处理,消除彩色信息,保留亮度信息得到相应的二维图像矩阵;
在本实施例中,图像灰度化处理,由于后续的图像处理方法均基于二维图像矩阵展开,故对三维图像矩阵进行灰度化处理,消除彩色信息,保留亮度信息得到相应的二维图像矩阵。图像灰度化的本质就是采用灰度值来表示彩色图中相对强弱变化。彩色图像中每个像素值的大小可以由红、绿、蓝三个彩色分量决定,图像灰度化公式(1)如下所示:
A=0.11R+0.59G+0.3U (1)
式中A--图像灰度化之后的灰度值大小;R--RGB彩色模型中红色分量;G--RGB彩色模型中绿色分量U--RGB彩色模型中蓝色分量。在表示灰度图像的灰度矩阵中,灰度值的变化范围为0~255。其中,0代表黑色,255代表白色,0~255之间的数值变化代表了从黑色到白色的颜色过度。经过工业相机拍摄和灰度变换后得到二维矩阵,矩阵可表示为
Q—图像灰度矩阵;f—图像灰度值;m,n—图像矩阵的行数与列数。式中矩阵的行数与列数和所选相机的像素有关,相机的像素越高,图像中纵横向所含像素的个数就越多,则在计算机中图像所对应灰度矩阵的尺寸就越大。
S400.对二维灰度化图像采用中值滤波法进行降噪处理;具体的,图像降噪处理,对二维灰度化图像采用中值滤波法进行降噪处理,该方法是将二维灰度化图像矩阵中噪点位置处的像素值用一定范围内所有像点像素值的平均值来代替,以达到图像去噪的目的。
S500.对图像进行分割,提取标记点模板;具体的,本实施例中,根据受电弓振动图像进行粗定位,自动截取出标记点振动区域子图。利用经典边缘检测算法亚像素定位算法进行图像边缘的像素级粗定位和亚像素级精定位,从而实现图像分割。即建立原点位于某像素点上面的像素点的局部坐标系,在该局部坐标系里再定义一个模型有效区,该有效区也被称之为搜索区域,且该模型有效区只有在局部坐标系内部才有效。最后,利用像素点周围的离散像素进行连续曲线拟合,实现对图像目标边缘的精定位。
S600.利用基于KNN和PROSC匹配算法检测弓头标记点的像素坐标,根据相机标定得到实际的标记点的相对位移;
在本实施例中,在图像分割的基础上,提取标记点模板。利用基于KNN和PROSC匹配算法检测弓头标记点的像素坐标,根据相机标定得到实际的标记点的相对位移。
KNN算法的具体步骤为:
(1)寻找前一帧图像中所有特征点对应后一帧图像的匹配点。定义前一帧图
像上的某一特征点Fai为参考点,计算出在后一帧中与Fai最邻近和次邻近的两个特征点,分别为Fbi、Fbk,匹配点对(Fai,Fbj)、(Fai,Fbk),依次计算汉明距离的大小D(Fai,Fbj)、D(Fai,Fbk),若两者之间的比值满足公式(2),则可以证明的匹配Fai、Fbj;
其中,TD为阈值,范围一般取[0,0.8]。
(2)计算前一帧的匹配点对集合MA。根据(1),寻找前一帧图像中所有特征点对应的匹配点,所有匹配点形成集合MA;
(3)寻找后一帧图像中所有特征点对应前一帧图像的匹配点。根据(1),此时,
参考点为Fbi,最邻近点为Faj,次邻近点为Fak,匹配点对为(Fbi,Faj)、(Fbi,Faj),汉明距离分别为D(Fbi,Faj)、D(Fbi,Fak);
(4)计算后一帧的匹配点对集合MB;
(5)判断特征点是否匹配成功。若MA中的(Fai,Fbj),和MB中的(Fbi,Faj)相同,则证明特征点匹配成功,反之失败。
PROSAC算法是从匹配率较高的子集中进行采样,所以首先需要将样本点进行排序,其中分为内点和外点,内点属于等级高的点,对估计模型起到推动作用,外点属于等级低的点,对估计模型起到阻碍作用,通过内点,对模型进行估计,内点数量越多,则估计模型就越好,这种方法通过减少运算时的迭代次数,提高运算速度。PROSAC算法应用在图像特征匹配过程错误匹配的剔除,假设利用匹配中的每一对特征点的欧氏距离得出一个比值β,如公式(3)所示
式中dmin为最小欧氏距离,dmin2为次小欧氏距离。β的大小影响着匹配结果的好坏,β越小,则匹配质量越好,匹配成功率越高。同时也可以引入一个能够判断匹配对质量的质量因子γ,如公式(4)所示
γ越大,匹配对的质量就会越好,那么反过来对于估计模型的正确率就会越高。
S700.根据接触力与受电弓位移的特性关系得出弓网接触力的大小。
本实施例公开的一种检测弓网接触力的方法,包括:对检测相机进行调试;对图像进行采集,利用调试后的相机分别获取受电弓第一帧图像和受电弓变形后图像,受电弓的第一帧图像作为样本图像提取标记点的匹配模板;对图像进行灰度化处理,对三维图像矩阵进行灰度化处理,消除彩色信息,保留亮度信息得到相应的二维图像矩阵;对二维灰度化图像采用中值滤波法进行降噪处理;对图像进行分割,提取标记点模板;利用基于KNN和PROSC匹配算法检测弓头标记点的像素坐标,根据相机标定得到实际的标记点的相对位移;根据接触力与受电弓位移的特性关系得出弓网接触力的大小。
本实施例提出了一种基于K最近邻算法(KNN)和渐进一致采样算法(PROSAC)的图像技术检测弓网接触力的方法,KNN算法加快了运算速度,PROSAC算法剔除了错误匹配,从而提高了受电弓标记点的匹配精度和匹配速度。在不改变受电弓结构的情况下,能够实现长期跟踪服役,提高了弓网接触力的检测精度。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然,处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现,本申请中描述的技术可用执行本申请所述功能的模块(例如,过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内,也可以实现在处理器外,在后一种情况下,它经由各种手段以通信方式耦合到处理器,这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (9)
1.一种检测弓网接触力的方法,其特征在于,包括:
S100.对检测相机进行调试;
S200.对图像进行采集,利用调试后的相机分别获取受电弓第一帧图像和受电弓变形后图像,受电弓的第一帧图像作为样本图像提取标记点的匹配模板;
S300.对图像进行灰度化处理,对三维图像矩阵进行灰度化处理,消除彩色信息,保留亮度信息得到相应的二维图像矩阵;
S400.对二维灰度化图像采用中值滤波法进行降噪处理;
S500.对图像进行分割,提取标记点模板;
S600.利用基于KNN和PROSC匹配算法检测弓头标记点的像素坐标,根据相机标定得到实际的标记点的相对位移;
S700.根据接触力与受电弓位移的特性关系得出弓网接触力的大小。
2.如权利要求1所述的一种检测弓网接触力的方法,其特征在于,S100中,对检测相机进行调试,具体为:进行相机调试,确定空间物体一点的几何位置和图像中对应点的位置关系,定义图像像素坐标和世界坐标,从3D转换为2D;确定相机成像的相机参数,包括相机的内部参数和外部参数,包括焦距、光心、畸变系数、旋转矩阵和平移矩阵。
3.如权利要求1所述的一种检测弓网接触力的方法,其特征在于,S200中,将受电弓第一帧图像和受电弓变形后的图像经网线传输到计算机进行储存并由后台软件进行实时处理,得到与图像相对应的三维图像矩阵。
4.如权利要求1所述的一种检测弓网接触力的方法,其特征在于,S300中,图像灰度化的采用灰度值来表示彩色图中相对强弱变化;彩色图像中每个像素值的大小可以由红、绿、蓝三个彩色分量决定,图像灰度化公式(1)如下所示:
A=0.11R+0.59G+0.3U (1)
式中,A表示图像灰度化之后的灰度值大小;R表示RGB彩色模型中红色分量;G表示RGB彩色模型中绿色分量U表示RGB彩色模型中蓝色分量;在表示灰度图像的灰度矩阵中,灰度值的变化范围为0~255,其中,0代表黑色,255代表白色,0~255之间的数值变化代表了从黑色到白色的颜色过度。
6.如权利要求1所述的一种检测弓网接触力的方法,其特征在于,S400中,对二维灰度化图像采用中值滤波法进行降噪处理,具体为:将二维灰度化图像矩阵中噪点位置处的像素值用一定范围内所有像点像素值的平均值来代替,以达到图像去噪的目的。
7.如权利要求1所述的一种检测弓网接触力的方法,其特征在于,S500中,对图像进行分割,提取标记点模板的具体方法为:根据受电弓振动图像进行粗定位,自动截取出标记点振动区域子图。利用经典边缘检测算法亚像素定位算法进行图像边缘的像素级粗定位和亚像素级精定位,从而实现图像分割。
8.如权利要求1所述的一种检测弓网接触力的方法,其特征在于,S600中,利用基于KNN和PROSC匹配算法检测弓头标记点的像素坐标,KNN算法的具体步骤为:
(1)寻找前一帧图像中所有特征点对应后一帧图像的匹配点;定义前一帧图像上的某一特征点Fai为参考点,计算出在后一帧中与Fai最邻近和次邻近的两个特征点,分别为Fbi、Fbk,匹配点对(Fai,Fbj)、(Fai,Fbk),依次计算汉明距离的大小D(Fai,Fbj)、D(Fai,Fbk),若两者之间的比值满足公式(2),则可以证明的匹配Fai、Fbj;
其中,TD为阈值,范围一般取[0,0.8];
(2)计算前一帧的匹配点对集合MA,根据(1),寻找前一帧图像中所有特征点对应的匹配点,所有匹配点形成集合MA;
(3)寻找后一帧图像中所有特征点对应前一帧图像的匹配点,根据(1),此时,参考点为Fbi,最邻近点为Faj,次邻近点为Fak,匹配点对为(Fbi,Faj)、(Fbi,Faj),汉明距离分别为D(Fbi,Faj)、D(Fbi,Fak);
(4)计算后一帧的匹配点对集合MB;
(5)判断特征点是否匹配成功;若MA中的(Fai,Fbj),和MB中的(Fbi,Faj)相同,则证明特征点匹配成功,反之失败。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210696406.2A CN115239623A (zh) | 2022-06-20 | 2022-06-20 | 一种检测弓网接触力的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210696406.2A CN115239623A (zh) | 2022-06-20 | 2022-06-20 | 一种检测弓网接触力的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115239623A true CN115239623A (zh) | 2022-10-25 |
Family
ID=83669823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210696406.2A Pending CN115239623A (zh) | 2022-06-20 | 2022-06-20 | 一种检测弓网接触力的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239623A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116593045A (zh) * | 2023-06-21 | 2023-08-15 | 唐山百川智能机器股份有限公司 | 一种通过式受电弓接触压力在线检测系统及方法 |
-
2022
- 2022-06-20 CN CN202210696406.2A patent/CN115239623A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116593045A (zh) * | 2023-06-21 | 2023-08-15 | 唐山百川智能机器股份有限公司 | 一种通过式受电弓接触压力在线检测系统及方法 |
CN116593045B (zh) * | 2023-06-21 | 2023-09-19 | 唐山百川智能机器股份有限公司 | 一种通过式受电弓接触压力在线检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633192B (zh) | 一种基于机器视觉的复杂背景下条形码分割与识读方法 | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN110569704A (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN108764004B (zh) | 一种基于编码环采样的环状编码标记点解码识别方法 | |
CN109376641B (zh) | 一种基于无人机航拍视频的运动车辆检测方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN110334727B (zh) | 一种隧道裂缝智能匹配检测方法 | |
CN113129384B (zh) | 基于一维编码靶标的双目视觉系统灵活标定方法 | |
CN113657528B (zh) | 图像特征点提取方法、装置、计算机终端及存储介质 | |
CN116862910B (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN111105452A (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
JP4901229B2 (ja) | 赤目検出方法および装置並びにプログラム | |
CN113688846A (zh) | 物体尺寸识别方法、可读存储介质及物体尺寸识别系统 | |
CN115239623A (zh) | 一种检测弓网接触力的方法 | |
CN114241438B (zh) | 一种基于先验信息的交通信号灯快速精确的识别方法 | |
CN113362390A (zh) | 一种基于椭圆检测的快速圆形目标定位视频处理方法 | |
CN112597868A (zh) | 基于无定位点的试卷识别和矫正方法 | |
CN111428538B (zh) | 一种车道线提取方法、装置和设备 | |
CN109344758B (zh) | 基于改进局部二值模式的人脸识别方法 | |
CN110751690A (zh) | 铣床刀头视觉定位方法 | |
CN114529715B (zh) | 一种基于边缘提取的图像识别方法及系统 | |
CN113269136B (zh) | 一种基于triplet loss的离线签名验证方法 | |
CN113538483B (zh) | 高精度近景摄影测量标志的编解码方法和测量方法 | |
CN115034577A (zh) | 一种基于虚实边缘匹配的机电产品漏装检测方法 | |
CN115035193A (zh) | 一种基于双目视觉与图像分割技术的散装粮随机扦样方法 |
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 |