CN117351036A - 一种crh5动车组齿轮箱箱体裂纹边缘检测方法 - Google Patents
一种crh5动车组齿轮箱箱体裂纹边缘检测方法 Download PDFInfo
- Publication number
- CN117351036A CN117351036A CN202311349855.0A CN202311349855A CN117351036A CN 117351036 A CN117351036 A CN 117351036A CN 202311349855 A CN202311349855 A CN 202311349855A CN 117351036 A CN117351036 A CN 117351036A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- edge
- gray level
- gray
- 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 37
- 101100346177 Arabidopsis thaliana MORC5 gene Proteins 0.000 title claims abstract description 32
- 238000003708 edge detection Methods 0.000 title claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 36
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000000877 morphologic effect Effects 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 15
- 230000036961 partial effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000000670 limiting effect Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 2
- 239000000835 fiber Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 description 13
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- 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)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，包括以下步骤：S1：进行CRH5动车组齿轮箱箱体裂纹图像的采集；S2：对齿轮箱箱体裂纹图像进行预处理，得到裂纹灰度图像；S3：对裂纹灰度图像进行滤波处理，滤波处理采用中值滤波算法进行裂纹灰度图像的滤波处理，得到滤波处理后裂纹图像；S4：采用Otsu自适应阈值算法对滤波处理后裂纹图像进行图像分割，将背景从图像中分离出来，得到目标图像；S5：使用多尺度形态学运算与Canny算子结合进行目标图像的边缘检测，得到轮廓清晰、细节突出的图像边缘，本申请可实现齿轮箱裂纹图像边缘的自动检测，解决传统方法中人工效率低、难以实现计算机自动检测裂纹的问题。
Description
技术领域
本发明属于轨道车辆健康检测技术领域，具体涉及一种CRH5动车组齿轮箱箱体裂纹边缘检测方法。
背景技术
CRH5动车组齿轮箱结构复杂、激振源多，由机械、电气因素诱发的弯扭振动相互耦合，在长交路服役环境下齿轮箱极易发生振动磨损、疲劳磨损而出现箱体裂纹故障，严重危及铁路运输安全。由于CRH5动车组齿轮箱的结构独特，箱体裂纹形状具有一定的不确定性，目前CRH5动车组齿轮箱箱体裂纹的监测主要依靠人工肉眼监测，受动车组列检人员的责任心、专业素质等多种因素影响，检查过程中存在一定的“漏检、错检”隐患，而且人工监测效率低、无法实现齿轮箱裂纹的计算机提取。
发明内容
为解决上述背景技术中提出的问题，本发明提供一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，以解决现有技术中人工监测效率低、无法实现齿轮箱裂纹的计算机提取的问题。
为实现上述目的，本发明提供如下技术方案：
一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，包括以下步骤：
S1：进行CRH5动车组齿轮箱箱体裂纹图像的采集；
S2：对齿轮箱箱体裂纹图像进行预处理，得到裂纹灰度图像；
S3：对裂纹灰度图像进行滤波处理，滤波处理采用中值滤波算法进行裂纹灰度图像的滤波处理，得到滤波处理后裂纹图像；
S4：采用Otsu自适应阈值算法对滤波处理后裂纹图像进行图像分割，将滤波处理后裂纹图像分为背景和目标两个部分，并将背景从图像中分离出来，得到目标图像；
S5：使用多尺度形态学运算与Canny算子结合进行目标图像的边缘检测，得到轮廓清晰、细节突出的图像边缘。
优选地，S1中的采用视频监控设备进行进行CRH5动车组齿轮箱箱体裂纹图像的采集，监控设备包括：
齿轮箱吊座；齿轮箱吊座固定安装在CRH5动车组的动力转向架上；
至少两个摄像机；至少一个摄像机固定安装在齿轮箱底部支架上，至少有个摄像机固定安装在齿轮箱吊座上，所有摄像机的摄像头均指向齿轮箱箱体；
主机NVR；主机NVR与所有摄像头连接，主机NVR用于存储摄像机采集的齿轮箱箱体裂纹图像；
监控终端；监控终端与主机NVR连接，监控终端用于获取齿轮箱箱体裂纹图像并进行实时监控。
优选地，S2中的预处理主要包括以下步骤：
S2.1：将齿轮箱箱体裂纹图像转换为灰度直方图，灰度直方图的横坐标为图像的灰度级，纵坐标为个灰度级像素出现的概率；
S2.2：对灰度直方图进行非线性伽马变换，得到裂纹灰度图像；
其中伽马变换的表达式为：
y＝(x+esp)γ；
式中，x、y为灰度直方图的横轴、纵轴坐标，取值范围均为[0,1]，esp为补偿系数，γ为伽马系数。
优选地，S3中，中值滤波算法进行裂纹灰度图像的滤波处理的具体步骤包括：
S3.1：将二维3×3矩形滤波器的模板沿裂纹灰度图像逐点滑动，使模板原点与裂纹灰度图像中某个像素(x,y)重合；
S3.2：获取模板下每一个对应像素的灰度值，将它们由小到大依次排序；
S3.3：将灰度值序列的中间元素灰度值赋给裂纹灰度图像对应模板中心位置的像素，得到中值滤波算法处理后的图像，其中，中值滤波算法的计算公式为：
g(x,y)＝med{f(x-M,y-N),M,N∈W}；
式中，f(x,y)是输入的裂纹灰度图像的原始图像，W表示二维模板。
优选地，当曝光不足或过度曝光时，在预处理步骤后采用限制对比度自适应直方图均衡化的方法对光照条件不理想的灰度直方图进行增强处理；
先剪裁灰度直方图、对每个灰度直方图重新分配、再计算转化函数；
各灰度直方图的剪切上限β及对比度计算C公式如下：
其中L为各个灰度直方图的灰度级数，u为灰度直方图的灰度均值，q为灰度直方图的均方差，Imax、Imin表示图像像素的最大值、最小值。
优选地，S4中的图像分割具体方法为：
设阈值T0将裂纹图像分为灰度等于W0、W1的两个区域，相应的概率分别等于W0、W1，滤波处理后裂纹图像的平均灰度计算式为：
μ＝P0W0+P1W1；
则总方差的计算公式为：
δ2＝P0(μ-W0)2+P1(μ-W1)2；
其中总方差最大的T0值为最佳的分割阈值，将总方差最大的T0值选作双阈值中的高阈值Tmax，另选择0.3Tmax作为低阈值，滤波处理后裂纹图像分割后W0和W1分别为前景区域和背景区域，其中W0为目标图像。
优选地，S5中，多尺度形态学运算与Canny算子相结合的裂纹图像边缘检测中，采用Canny算子进行图像边缘检测的主要步骤如下：
将目标图像f(x,y)与二维高斯滤波器G(x,y)进行卷积计算，其平滑后的图像E(x,y)的计算公式如下：
E(X,Y)＝f(x,y)*G(x,y)；
式中δ为高斯滤波器的分布参数；
针对目标图像的每个像素点，根据一阶偏导有限差分计算梯度的幅值和方向，采用的一阶差分卷积模板如下所示：
目标图像f(x,y)的任一像素点(i,j)在x和y两垂直方向的偏导计算公式如下：
Gx(i,j)＝(E[i,j+1]-E[i,j]+E[i+1,j+1]-E[i+1,j])/2；
Gy(i,j)＝(E[i,j]-E[i+1,j]+E[i,j+1]-E[i+1,j+1])/2；
其梯度算子幅值及方向的计算公式分别为：
θ(i,j)＝arctan[Gy(i,j)/Gx(i,j)]；
F(i,j)反映了目标图像上点(i,j)处的边缘强度，θ(i,j)为图像点(i,j)的法向矢量，且正交于边缘方向，根据每点的梯度方向判断此点强度是否为其邻域的最大值，确定该点是否为图像边缘点；
依据梯度方向保留局部梯度最大点，抑制梯度幅值的非极大值，采用双阈值检测并连接图像边缘，得到裂纹的边缘图像EF1。
优选地，S5中，多尺度形态学运算与Canny算子相结合的裂纹图像边缘检测中，多尺度形态学运算与Canny算子结合的裂纹图像边缘检测具体为：
选用如下2个结构元素：
对结构元素A、B作n次膨胀，n为尺度参数，分别记作 对于目标图像F，采用膨胀结构An作连续的n次多尺度膨胀记作：则改进后的大尺度形态学算子关系式得到的图像边缘EF2如下所示：
优选地，S5中，多尺度形态学与Canny算子结合的裂纹图像边缘检测步骤如下:
S2.1：尺度参数取2，通过膨胀运算得到结构元素An和Bn；
S2.2：根据图像边缘EF1、EF2,计算边缘图像的差异值Ee：Ee＝FF1-FF2；
S2.3：根据差异图灰度不为零的像素点Ee(x,y)，在邻域内寻找相连的边缘点包括弱边缘点，确定细节边缘点图像e(x,y)，简称为e；
S2.4：将边缘图像EF1、EF2与细节边缘图像e融合，即可得到轮廓清晰、细节突出的裂纹图像边缘E。
优选地，摄像机采用有效像素720p，防护等级IP66的光纤网络球摄像机，主机NVR采用车载网络视频录像主机NVR。
与现有技术相比，本发明的有益效果是：
本发明公开了一种利用CRH5动车组齿轮箱车载视频监控系统实现齿轮箱箱体裂纹的边缘检测方法：通过视频监控设备采集动车组齿轮箱箱体的视频图像；结合机器视觉、数字图像分析与处理理论对采集的齿轮箱箱体裂纹图像进行样本集扩充、图像预处理、图像增强处理，同时采用多尺度形态学运算与Canny算子相结合的裂纹图像边缘检测方法，实现齿轮箱裂纹图像边缘的自动检测，从而解决传统齿轮箱裂纹监测方法存在的人工肉眼监测效率低、难以实现计算机自动检测裂纹问题。
附图说明
图1为齿轮箱箱体裂纹图像边缘检测流程图；
图2为摄像机位置示意图；
图3为齿轮箱箱体裂纹图像；
图4为裂纹图片转换得到的灰度直方图；
图5为非线性伽马变换后的裂纹图像；
图6为中值滤波后裂纹图像效果；
图7为限制对比度自适应直方图均衡法图像增强效果图；
图8为Otsu算法进行裂纹图像分割图片效果图；
图9为形态学运算进行裂纹边缘检测效果图；
图10为形态学与Canny算子结合的图像边缘检测效果图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，以下结合附图和具体的实例对本发明作进一步地详细说明。应当理解，此处所描述的具体实例仅用以解释本发明，并不用于限定本发明。
实施例1
如图1所示，一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，包括以下步骤：
S1：CRH5动车组齿轮箱箱体视频监视与裂纹图像采集；
如图2所示，CRH5动车组齿轮箱车载视频监控系统通过安装在动力转向架上的齿轮箱吊座、齿轮箱底部支架上的光纤网络球摄像机(有效像素720p、防护等级为IP66)、车载网络视频录像主机NVR、紧急报警按钮等设备，完成服役齿轮箱视频信息的采集、存储，并通过NVR主机内置3G/4G无线网络传输至CRH5动车组平台管理系统，实现CRH5动车组齿轮箱箱体服役过程的全程视频监视。
S2：齿轮箱箱体裂纹图像样本数据集扩充；
S2.1：裂纹图像样本(数据)集扩充；
为确保后期采用卷积神经网络CNN进行深度学习时具有充足的图片样本(数据)，调用Python软件中的PIL库，通过空间几何变换、颜色变换、噪声变换等方法，选定正常样本seed值(扩充倍数)、故障样本seed值，完成齿轮箱箱体裂纹数据集的批量扩充。
S2.2：裂纹图像样本划分为训练集、验证集
基于Python安装数据标注工具labelimg，将样本图片文件存储于深度学习算法Yolov5的JPEGImages中，类别信息存储于predefined_classes.txt中。由于labelimg对裂纹图像标定生成的标签为xml格式，而Yolov5所需标签格式是txt，需将标签xml格式转换为txt。
将训练集比例设为80(数据集的80％为训练集)，其余为验证集。在Yolov5模型文件中预训练权重文件设为轻量级Yolov5s.pt、类别数量设为1、裂纹标记为0、单次输入网络的图片数量设为2、训练轮次设为扩充的最大裂纹数据集，即可进行各种学习训练。
S3：齿轮箱箱体裂纹图像预处理；
S3.1：如图3所示，为直观反映数字图像的明暗程度，将裂纹图片转换为灰度直方图，统计不同灰度下的分布概率特性，得到图像各个灰度级出现的总次数，图4所示，灰度图横坐标为图像的灰度级，纵坐标为各灰度级像素出现的概率。
S3.2：为区分裂纹区域和非裂纹区域，对裂纹图像进行点运算，同时建立灰度映射调整原始裂纹图像的灰度，通过灰度线性变换改善图像质量，凸显裂纹图像细节，增加图像的对比度。灰度图像线性变换后像素灰度值发生变化，图像对比度随之变化。线性灰度变换函数表达式如下：
DB＝f(DA)＝KDA+B；
式中K为线性变换函数f的斜率，B为线性变换函数f在纵轴上的截距，DA表示变换之前的灰度值，DA表示为变换之后的灰度值。
S3.3：图像灰度的非线性伽马变换；
伽马系数γ是图像灰度校正的重要参数，其取值体现了原图像与处理图像之间的灰度映射模式，决定是增强低灰度(暗)区域还是增强高灰度(亮)区域；伽马变换表达式如下：
y＝(x+esp)γ；
式中x、y分别为横轴、纵轴坐标，取值范围均为[0,1]，esp为补偿系数，γ为伽马系数。当γ＝1时退化为线性变换，整幅图像的对比度没有影响；γ>1时非线性变换后图像的高灰度(亮)区域灰度值得到增强，整体更亮；γ<1时变换后图像的低灰度(暗)区域灰度值得到增强，整体更暗，图5所示即为裂纹图像灰度经过非线性伽马变换后的效果图。
S4：齿轮箱箱体裂纹图像增强处理；
S4.1：采用中值滤波算法对齿轮箱箱体裂纹图像进行滤波；
裂纹图像某点的值采用该点一定邻域范围内像素的中值替代，使周围的像素值接近真实值，以消除孤立噪声点实现裂纹图像的滤波去噪。二维中值滤波的具体步骤包括：①将二维滤波器模板沿裂纹图像逐点滑动，使模板原点与图像中某个像素(x,y)重合；②获取模板下每一个对应像素的灰度值，将它们由小到大依次排序；③将灰度值序列的中间元素灰度值赋给灰度图像对应模板中心位置的像素，即用排序后的中值取代要处理的数据。二维中值滤波的计算公式如下所示：
g(x,y)＝med{f(x-M,y-N),M,N∈W}；
其中g(x,y)为滤波后的图像，med表示中值滤波，f(x,y)为输入的齿轮箱箱体裂纹二维图像，m表示滤波窗口水平尺度，n表示窗口垂直尺度，W为二维模板，这里采用3×3的二维矩形滤波器对图像f(x,y)滤波，如图6所示，图6为中值滤波后裂纹图像效果。
S4.2：采用限制对比度自适应直方图均衡方法对裂纹图像增强处理；
当采集的裂纹图像曝光不足或过度曝光时，采用限制对比度自适应直方图均衡化的方法对光照条件不理想的裂纹图像进行增强处理；为限制对比度放大，先剪裁直方图、对每个直方图重新分配、再计算转化函数。各直方图的剪切上限β及对比度计算C公式如下：
其中L为各个直方图的灰度级数，u为直方图的灰度均值，q为直方图的均方差，Imax、Imin表示图像像素的最大值、最小值，如图7所示，图7为限制对比度自适应直方图均衡法图像增强效果图；
S5：采用Otsu自适应阈值算法对齿轮箱箱体裂纹进行图像分割；
根据图像的灰度特性将裂纹图像分成背景和目标两部分，确定一个最佳的分割阈值对图像进行二值分割，将背景(感兴趣)区域从图像中分离出来。设图像中灰度为i的像素为ni，灰度级总数L，则总像素数为：
灰度为i的像素概率记为Pi，计算公式如下：
假设阈值T0将裂纹图像分为灰度等于W0、W1的两区域,且为灰度区间[0,T0-1]、[T0,L]的灰度集合，相应的概率分别等于：
两区域的平均灰度公式分别等于：
则整幅图像的平均灰度计算式为：
μ＝P0W0+P1W1；
W0、W1区域的总方差计算公式如下：
δ2＝P0(μ-W0)2+P1(μ-W1)2；
总方差最大的T0值即为最佳的分割阈值，将其作为双阈值中的高阈值Tmax，再选择0.3Tmax作为低阈值；裂纹图像分割后W0和W1分别为前景区域和背景区域，如图8所示，图8为Otsu算法进行裂纹图像分割图片效果图。
S6：多尺度形态学运算与Canny算子结合的裂纹图像边缘检测；
S6.1：基于形态学运算的齿轮箱箱体裂纹边缘检测；
形态学运算运用结构元素提取感兴趣区域特征。裂纹图像F＝f(x,y)经二值分割后，裂纹区域会出现孔洞或断裂。设B(x,y)是结构元素，引入数学形态学运算进行图像处理，过程包括膨胀、腐蚀、开运算/闭运算。
①齿轮箱箱体裂纹图像阈值分割后，感兴趣区域裂纹可能变成两部分，膨胀用于连接两个裂纹断裂子区域。选择结构元素尺寸对阈值分割后的裂纹图像进行膨胀运算，记作定义域为Df、DB，有下式：
②选择合适的结构元素，对膨胀后的裂纹图像进行腐蚀，使图像中裂纹的边界“瘦身”，图像像素减少；腐蚀运算记作有下式：
③开运算对裂纹图像先腐蚀、再膨胀以消除图像小细节，记作F°B；闭运算则先对图像膨胀、再进行腐蚀运算以填补图像小的空洞或裂缝，记作F*B；开运算、闭运算均可平滑裂纹边界，得到裂纹图像边缘，其计算关系式简化如下：
如图9所示，图9为形态学运算进行裂纹边缘检测效果图。
S6.2：基于Canny算子的裂纹图像边缘检测；
采用Canny算子进行图像边缘检测的主要步骤如下：
①将裂纹图像灰度化处理、利用中值滤波方法对裂纹图像进行滤波，再采用二维高斯滤波器平滑裂纹图像。
裂纹图像f(x,y)与二维高斯滤波器G(x,y)进行卷积计算，其平滑后的图像E(x,y)的计算公式如下：
E(X,Y)＝f(x,y)*G(x,y)；
式中δ为高斯滤波器的分布参数。
针对滤波后图像的每个像素点，根据一阶偏导有限差分计算梯度的幅值和方向，采用的一阶差分卷积模板如下所示：
齿轮箱箱体裂纹图像f(x,y)的任一像素点(i,j)在x和y两垂直方向的偏导计算公式如下：
Gx(i,j)＝(E[i,j+1]-E[i,j]+E[i+1,j+1]-E[i+1,j])/2；
Gy(i,j)＝(E[i,j]-E[i+1,j]+E[i,j+1]-E[i+1,j+1])/2；
其梯度算子幅值及方向的计算公式分别为：
θ(i,j)＝arctan[Gy(i,j)/Gx(i,j)]；
F(i,j)反映了裂纹图像上点(i,j)处的边缘强度，θ(i,j)为图像点(i,j)的法向矢量，且正交于边缘方向；通常根据每点的梯度方向判断此点强度是否为其邻域的最大值，来确定该点是否为图像边缘点。
②依据梯度方向保留局部梯度最大点，抑制梯度幅值的非极大值；
采用双阈值检测并连接裂纹图像边缘，得到裂纹的边缘图像EF1；
根据非极大值抑制图像的两个阈值得到边缘图像：大于高阈值确定为边缘，小于低阈值则不是边缘；将低于高阈值、高于低阈值的点通过八连通区域确定弱边缘点；利用双阈值法将高阈值图像边缘连接成轮廓、在断点的八邻域点寻找满足低阈值的点将边缘点连接到轮廓上，实现高阈值裂纹图像边缘的连接，从而确定边缘位置及边缘图像EF1。
S6.3：多尺度形态学运算与Canny算子结合的裂纹图像边缘检测；
选用如下2个结构元素：
对结构元素A、B作n次膨胀(n为尺度参数)，分别记作 对于裂纹图像F，采用膨胀结构An作连续的n次多尺度膨胀记作：则改进后的大尺度形态学算子关系式得到的图像边缘如下所示：
如图10所示，图10为形态学与Canny算子结合的图像边缘检测的效果图，多尺度形态学与Canny算子结合的裂纹图像边缘检测步骤如下:
①尺度参数取2，通过膨胀运算得到结构元素An和Bn；
②根据图像边缘EF1、EF2,计算边缘图像的差异值Ee：Ee＝FF1-FF2；
③根据差异图灰度不为零的像素点Ee(x,y)，在邻域内寻找相连的边缘点包括弱边缘点，确定细节边缘点图像e(x,y)，简称为e；
④将边缘图像EF1、EF2与上述细节边缘图像e融合，即可得到轮廓清晰、细节突出的裂纹图像边缘E：
E＝EF1 modEF1+1.5e；
式中符号mod表示取模运算。
在本实施例中，本发明分别采用“二值形态学运算”边缘图像检测方法、“多尺度形态学运算与Canny算子相结合”的边缘图像检测方法对齿轮箱箱体裂纹图像进行了试验，实现齿轮箱裂纹图像边缘的自动检测，从而解决传统齿轮箱裂纹监测方法存在的人工肉眼监测效率低、难以实现计算机自动检测裂纹问题，得到的峰值信噪比PSNR(dB)的平均值分别等于30.85、35.77，其中后者的峰值信噪比PSNR较前者提高了大约16％，因此，采用多尺度形态学运算与Canny算子结合的齿轮箱裂纹边缘图像检测方法的检测效果更好，适用于裂纹图像的边缘检测。
Claims (10)
1.一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，其特征在于，包括以下步骤：
S1：进行CRH5动车组齿轮箱箱体裂纹图像的采集；
S2：对齿轮箱箱体裂纹图像进行预处理，得到裂纹灰度图像；
S3：对裂纹灰度图像进行滤波处理，滤波处理采用中值滤波算法进行裂纹灰度图像的滤波处理，得到滤波处理后裂纹图像；
S4：采用Otsu自适应阈值算法对滤波处理后裂纹图像进行图像分割，将滤波处理后裂纹图像分为背景和目标两个部分，并将背景从图像中分离出来，得到目标图像；
S5：使用多尺度形态学运算与Canny算子结合进行目标图像的边缘检测，得到轮廓清晰、细节突出的图像边缘。
2.根据权利要求1所述的一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，其特征在于，S1中的采用视频监控设备进行进行CRH5动车组齿轮箱箱体裂纹图像的采集，监控设备包括：
齿轮箱吊座；齿轮箱吊座固定安装在CRH5动车组的动力转向架上；
至少两个摄像机；至少一个摄像机固定安装在齿轮箱底部支架上，至少有个摄像机固定安装在齿轮箱吊座上，所有摄像机的摄像头均指向齿轮箱箱体；
主机NVR；主机NVR与所有摄像头连接，主机NVR用于存储摄像机采集的齿轮箱箱体裂纹图像；
监控终端；监控终端与主机NVR连接，监控终端用于获取齿轮箱箱体裂纹图像并进行实时监控。
3.根据权利要求1所述的一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，其特征在于，S2中的预处理主要包括以下步骤：
S2.1：将齿轮箱箱体裂纹图像转换为灰度直方图，灰度直方图的横坐标为图像的灰度级，纵坐标为个灰度级像素出现的概率；
S2.2：对灰度直方图进行非线性伽马变换，得到裂纹灰度图像；
其中伽马变换的表达式为：
y＝(x+esp)γ；
式中，x、y为灰度直方图的横轴、纵轴坐标，取值范围均为[0,1]，esp为补偿系数，γ为伽马系数。
4.根据权利要求1所述的一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，其特征在于，S3中，中值滤波算法进行裂纹灰度图像的滤波处理的具体步骤包括：
S3.1：将二维3×3矩形滤波器的模板沿裂纹灰度图像逐点滑动，使模板原点与裂纹灰度图像中某个像素(x,y)重合；
S3.2：获取模板下每一个对应像素的灰度值，将它们由小到大依次排序；
S3.3：将灰度值序列的中间元素灰度值赋给裂纹灰度图像对应模板中心位置的像素，得到中值滤波算法处理后的图像，其中，中值滤波算法的计算公式为：
g(x,y)＝med{f(x-M,y-N),M,N∈W}；
式中，f(x,y)是输入的裂纹灰度图像的原始图像，W表示二维模板。
5.根据权利要求4所述的一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，其特征在于，当曝光不足或过度曝光时，在预处理步骤后采用限制对比度自适应直方图均衡化的方法对光照条件不理想的灰度直方图进行增强处理；
先剪裁灰度直方图、对每个灰度直方图重新分配、再计算转化函数；
各灰度直方图的剪切上限β及对比度计算C公式如下：
其中L为各个灰度直方图的灰度级数，u为灰度直方图的灰度均值，q为灰度直方图的均方差，Imax、Imin表示图像像素的最大值、最小值。
6.根据权利要求1所述的一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，其特征在于，S4中的图像分割具体方法为：
设阈值T0将裂纹图像分为灰度等于W0、W1的两个区域，相应的概率分别等于W0、W1，滤波处理后裂纹图像的平均灰度计算式为：
μ＝P0W0+P1W1；
则总方差的计算公式为：
δ2＝P0(μ-W0)2+P1(μ-W1)2；
其中总方差最大的T0值为最佳的分割阈值，将总方差最大的T0值选作双阈值中的高阈值Tmax，另选择0.3Tmax作为低阈值，滤波处理后裂纹图像分割后W0和W1分别为前景区域和背景区域，其中W0为目标图像。
7.根据权利要求1所述的一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，其特征在于，S5中，多尺度形态学运算与Canny算子相结合的裂纹图像边缘检测中，采用Canny算子进行图像边缘检测的主要步骤如下：
将目标图像f(x,y)与二维高斯滤波器G(x,y)进行卷积计算，其平滑后的图像E(x,y)的计算公式如下：
E(X,Y)＝f(x,y)*G(x,y)；
式中δ为高斯滤波器的分布参数；
针对目标图像的每个像素点，根据一阶偏导有限差分计算梯度的幅值和方向，采用的一阶差分卷积模板如下所示：
目标图像f(x,y)的任一像素点(i,j)在x和y两垂直方向的偏导计算公式如下：
Gx(i,j)＝(E[i,j+1]-E[i,j]+E[i+1,j+1]-E[i+1,j])/2；
Gy(i,j)＝(E[i,j]-E[i+1,j]+E[i,j+1]-E[i+1,j+1])/2；
其梯度算子幅值及方向的计算公式分别为：
θ(i,j)＝arctan[Gy(i,j)/Gx(i,j)]；
F(i,j)反映了目标图像上点(i,j)处的边缘强度，θ(i,j)为图像点(i,j)的法向矢量，且正交于边缘方向，根据每点的梯度方向判断此点强度是否为其邻域的最大值，确定该点是否为图像边缘点；
依据梯度方向保留局部梯度最大点，抑制梯度幅值的非极大值，采用双阈值检测并连接图像边缘，得到裂纹的边缘图像EF1。
8.根据权利要求7所述的一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，其特征在于，S5中，多尺度形态学运算与Canny算子相结合的裂纹图像边缘检测中，多尺度形态学运算与Canny算子结合的裂纹图像边缘检测具体为：
选用如下2个结构元素：
对结构元素A、B作n次膨胀，n为尺度参数，分别记作 对于目标图像F，采用膨胀结构An作连续的n次多尺度膨胀记作：则改进后的大尺度形态学算子关系式得到的图像边缘EF2如下所示：
9.根据权利要求8所述的一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，其特征在于，S5中，多尺度形态学与Canny算子结合的裂纹图像边缘检测步骤如下:
S2.1：尺度参数取2，通过膨胀运算得到结构元素An和Bn；
S2.2：根据图像边缘EF1、EF2,计算边缘图像的差异值Ee：Ee＝FF1-FF2；
S2.3：根据差异图灰度不为零的像素点Ee(x,y)，在邻域内寻找相连的边缘点包括弱边缘点，确定细节边缘点图像e(x,y)，简称为e；
S2.4：将边缘图像EF1、EF2与细节边缘图像e融合，即可得到轮廓清晰、细节突出的裂纹图像边缘E。
10.根据权利要求2所述的一种CRH5动车组齿轮箱箱体裂纹边缘检测方法，其特征在于，摄像机采用有效像素720p，防护等级IP66的光纤网络球摄像机，主机NVR采用车载网络视频录像主机NVR。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311349855.0A CN117351036A (zh) | 2023-10-18 | 2023-10-18 | 一种crh5动车组齿轮箱箱体裂纹边缘检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311349855.0A CN117351036A (zh) | 2023-10-18 | 2023-10-18 | 一种crh5动车组齿轮箱箱体裂纹边缘检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117351036A true CN117351036A (zh) | 2024-01-05 |
Family
ID=89360914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311349855.0A Pending CN117351036A (zh) | 2023-10-18 | 2023-10-18 | 一种crh5动车组齿轮箱箱体裂纹边缘检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117351036A (zh) |
-
2023
- 2023-10-18 CN CN202311349855.0A patent/CN117351036A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490914B (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
| CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
| CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
| CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
| CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
| CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
| CN110726725A (zh) | 一种输电线路金具锈蚀检测方法及装置 | |
| CN109241867B (zh) | 采用人工智能算法识别数字岩心图像的方法及装置 | |
| CN110493574B (zh) | 基于流媒体和ai技术的安监可视化系统 | |
| CN110751630A (zh) | 基于深度学习的输电线路异物检测方法、装置及介质 | |
| CN113989257A (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
| CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
| CN113888462A (zh) | 一种裂纹识别方法、系统、可读介质及存储介质 | |
| CN115083008A (zh) | 运动目标检测方法、装置、设备及存储介质 | |
| CN109658405B (zh) | 一种农作物实景观测中图像数据质量控制方法及系统 | |
| CN117351036A (zh) | 一种crh5动车组齿轮箱箱体裂纹边缘检测方法 | |
| CN112801963B (zh) | 一种视频图像遮挡检测方法及系统 | |
| CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
| CN112532938B (zh) | 一种基于大数据技术的视频监控系统 | |
| CN109886133B (zh) | 一种基于光学遥感图像的船只检测方法及系统 | |
| CN112307916A (zh) | 一种基于可见光摄像机的报警监控方法 | |
| WANG et al. | Visual Tracking Inspection Method of Transmission Line based on Infrared Thermal Imaging. | |
| CN112085683A (zh) | 一种显著性检测中的深度图可信度检测方法 |
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 |