CN117451849A - 在役车轴智能超声探伤装置 - Google Patents
在役车轴智能超声探伤装置 Download PDFInfo
- Publication number
- CN117451849A CN117451849A CN202311797810.XA CN202311797810A CN117451849A CN 117451849 A CN117451849 A CN 117451849A CN 202311797810 A CN202311797810 A CN 202311797810A CN 117451849 A CN117451849 A CN 117451849A
- Authority
- CN
- China
- Prior art keywords
- axle
- flaw detection
- face
- service
- image
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 27
- 239000000523 sample Substances 0.000 claims abstract description 19
- 230000009471 action Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 26
- 230000007547 defect Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0654—Imaging
- G01N29/069—Defect imaging, localisation and sizing using, e.g. time of flight diffraction [TOFD], synthetic aperture focusing technique [SAFT], Amplituden-Laufzeit-Ortskurven [ALOK] technique
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/26—Arrangements for orientation or scanning by relative movement of the head and the sensor
- G01N29/265—Arrangements for orientation or scanning by relative movement of the head and the sensor by moving the sensor relative to a stationary material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- 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
- G06T7/13—Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Acoustics & Sound (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本申请涉及车轴探伤设备领域,具体是一种在役车轴智能超声探伤装置,移动装置上设置有多轴机械臂,多轴机械臂的动作输出端连接有相控阵探伤探头;移动装置上设置有用于引导移动装置寻找车轴的车轴捕捉系统,多轴机械臂上设置有用于引导多轴机械臂上的相控阵探伤探头捕捉车轴端面的车轴端面定位系统;车轴端面定位系统包括图像采集模块、图像处理模块、特征匹配模块、输出控制模块和特征库管理模块。本发明采用AGV小车通过车轴捕捉系统自动寻找在役的车轴,实现装置自主寻找车轴的功能,车轴端面定位系统能自动识别车轴类型,并匹配对应的探伤参数数据库,将检测到的参数与探伤参数数据库进行对比从而判断车轴是否存在安全隐患。
Description
技术领域
本申请属于车轴探伤技术领域,尤其是涉及在役车轴智能超声探伤装置。
背景技术
轮轴是车辆行驶的关键部件,其安全性能对列车的正常运行至关重要,例如高铁轮轴需要定期进行探伤检测以保证运营安全。传统的轮轴检测方法主要依靠人工操作,效率低且存在一定的安全隐患。随着科技的发展,自动化、智能化的检测设备逐渐应用于车轮轴检测领域,但现有的自动化检测设备仍存在一定的局限性,如检测效果不理想、需要将车轴拆下检测,操作复杂。因此,开发一种高效在役车轴智能超声探伤装置具有重要的实际意义。
发明内容
本发明要解决的技术问题是:为解决现有技术中的不足,从而提供在役车轴智能超声探伤装置,旨在通过该装置自动寻找在役的车轴,并实现自动探伤检测,提高在役车轴的自动探伤检测效率和探伤准确度。
本发明解决其技术问题所采用的技术方案是:
在役车轴智能超声探伤装置,包括:
移动装置,所述移动装置上设置有多轴机械臂,所述多轴机械臂的动作输出端连接有相控阵探伤探头;
所述移动装置上设置有用于引导移动装置寻找车轴的车轴捕捉系统,所述多轴机械臂上设置有用于引导多轴机械臂上的相控阵探伤探头捕捉车轴端面的车轴端面定位系统;
所述车轴端面定位系统包括图像采集模块、图像处理模块、特征匹配模块、输出控制模块和特征库管理模块。
优选地,本发明的在役车轴智能超声探伤装置,所述图像采集模块包括第一摄像头、第一光源和第一图像传感器,所述图像采集模块用于捕捉车轴端面的图像。
优选地,本发明的在役车轴智能超声探伤装置,所述图像处理模块用于对采集到的车轴端面图像进行预处理和特征提取,包括图像去噪、对比度增强、边缘检测,以提取出车轴端面的特征。
优选地,本发明的在役车轴智能超声探伤装置,所述特征匹配模块用于将处理后的车轴端面特征与特征库中的特征进行匹配,采用模式匹配或深度学习算法,以确定车轴端面的型号。
优选地,本发明的在役车轴智能超声探伤装置,所述输出控制模块用于根据匹配结果输出相应的控制信号。
优选地,本发明的在役车轴智能超声探伤装置,所述特征库管理模块用于维护和更新特征库,所述特征库管理模块包括存储装置、处理装置和更新模块,以添加、删除和更新特征库中的特征数据。
优选地,本发明的在役车轴智能超声探伤装置,所述车轴超声探伤的操作步骤为:
S1:建立多个端面识别特征库,用于识别不同型号的车轴,并建立与单个端面识别特征库对应的超声探伤参数数据库;
S2:移动装置捕捉并靠近到车辆的车轴端部,多轴机械臂驱动相控阵探伤探头移动贴合到车轴的端面;
S3:采集车轴端面的图像信息;
S4:将采集到的图像信息与端面识别特征库进行匹配,确定车轴型号;
S5:根据车轴型号选择对应的超声探伤参数数据库;
S6:向车轴发射超声波信号,接收经过车轴反射回来的超声波信号;
S7:对接收到的超声波信号进行处理,提取出车轴内部的缺陷信息;
S8:对提取出的缺陷信息进行分析,判断车轴是否存在安全隐患;
S9:将缺陷信息分析结果储存,并以图形或文字的形式显示出来;
S10:当分析结果显示车轴存在安全隐患时,发出报警信号。
优选地,本发明的在役车轴智能超声探伤装置,在S10中,还需要将人工校验后车轴缺陷信息以及分析结果分类保存到对应特征库中,以添加新特征及探伤参数数据库。
优选地,本发明的在役车轴智能超声探伤装置,所述车轴捕捉系统引导移动装置寻找车轴的过程包括以下步骤:
S21:图像采集,移动装置移动到车辆附近,并调整位置,使其上的第二摄像头能够捕捉到车辆车轴的图像;
S22:特征提取,在处理后的图像中提取出车轴的特征,包括边缘、形状;
S23:姿态估计,根据车轴的特征,通过计算机视觉技术估计车轴的姿态,即其相对于移动装置的方向和角度;
S24:路径规划,根据车轴的姿态信息,移动装置规划出一条或几条移动路径,以实现对其的准确捕捉;
S25:运动控制,移动装置根据规划的路径,控制自身的运动和姿态靠近车轴端部,以实现多轴机械臂上相控阵探伤探头能贴合到车轴的端面。
本发明的有益效果是:
(1)本发明采用AGV小车通过车轴捕捉系统自动寻找在役的车轴,实现装置自主寻找车轴的功能,使用方便;
(2)本发明的车轴端面定位系统能自动识别车轴类型,并匹配对应的探伤参数数据库,将相控阵探伤探头检测到的参数与探伤参数数据库进行对比从而判断车轴是否存在安全隐患;
(3)本发明建立了多个端面识别特征库对应的超声探伤参数数据库,能对多种车辆车轴进行自动捕捉探伤并判断车轴是否存在安全隐患,适用性好;
(4)将人工校验后的车轴缺陷信息以及分析结果分类保存到对应特征库和探伤参数数据库中,以添加新特征及探伤参数数据库,实现本装置在探伤检测过程中充实特征库和探伤参数库的效果,提升本装置的探伤检测自动分析效率和准确度。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的装置结构示意图;
图2是本申请实施例车轴超声探伤的操作步骤流程示意图;
图3是本申请实施例的装置寻找车轴的过程流程示意图;
图中的附图标记为:
移动装置10,多轴机械臂11,相控阵探伤探头12。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请保护范围的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本申请中的具体含义。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例:本实施例提供了一种在役车轴智能超声探伤装置,用于在检修车间对高铁动车组的在役轮轴自动进行超声波探伤检测,其结构参照图1,包括:移动装置10,移动装置10上设置有多轴机械臂11,多轴机械臂11的动作输出端连接有相控阵探伤探头12,在本实施例中,移动装置10采用AGV小车,AGV小车上设置有用于引导移动装置10寻找车轴的车轴捕捉系统,车轴捕捉系统引导AGV小车寻找车轴的具体过程包括以下步骤:
S21:图像采集,将AGV小车移动到待检测的车辆附近,并调整位置,使AGV小车上安装的第二摄像头能够捕捉到车辆车轴的图像。
S22:特征提取,在处理后的图像中提取出车轴的特征,例如边缘、形状等;在本实施例中,特征提取的目的是从捕捉到的图像中提取出火车车轴的特征,例如边缘和形状等,这些特征可以用于后续的姿态估计和路径规划,以实现更准确的捕捉和检测。特征提取的方法和技术有很多种,包括基于边缘检测的方法、基于形状的方法、基于小波变换的方法等。在本实施例中,是基于火车轮(或轮轴)的圆形形状提取出特征。
在提取特征后,需要对特征进行适当的处理和分析,例如归一化、降维等,以进一步优化姿态估计和路径规划等步骤的性能。
S23:姿态估计,根据车轴的特征,通过计算机视觉技术估计车轴的姿态,即其相对于AGV小车的方向和角度,在本实施例中,通过选择火车轮(或轮轴)的圆形形状提取出特征,以火车轮(或轮轴)的轴心为坐标系原点,以简化姿态估计的计算和实现。
需要注意的是,还需要考虑光照条件和遮挡问题,在工作时,应保证检测场地的光照条件充足,避免障碍物遮挡。
进行误差分析和补偿,姿态估计可能存在误差,因此需要进行误差分析和补偿,以提高姿态估计的准确性和稳定性。
首先,需要对姿态估计的误差进行定量分析,包括对观察值与实际值之间的差异进行统计和分析,通过对比试验、模拟仿真、实际运行数据等方式进行。
数据处理,对采集到的图像或数据进行预处理,如滤波、去噪等,以减小误差,此外,还可以采用多帧图像平均、卡尔曼滤波等方法来提高数据的准确性和稳定性。
根据误差分析的结果,采取相应的补偿方法,对于角度测量误差,通过加权平均、多项式拟合方法进行补偿;对于位置测量误差,通过路径规划算法进行补偿。
模型优化,优化姿态估计的模型,以提高其准确性和稳定性。引入深度学习算法,通过对大量数据进行训练和学习,使模型能够更好地适应各种环境和条件。
进行多次测量以获得更准确的数据,对于每次测量结果,需要进行统计分析和处理,以找出最优解或者平均解。
将姿态估计的结果作为反馈信号,对AGV小车的运动进行实时控制和调整,从而减小误差。
S24:路径规划,根据车轴的姿态信息,AGV小车可以规划出一条或几条移动路径,以实现对其的准确捕捉;在路径规划的过程中,需要考虑以下几点:
在规划路径时,需要确保AGV小车的运动不会对火车车轴或其他设备造成损伤或碰撞。因此,需要对AGV小车的运动速度、加速度等进行适当的限制和优化;为了实现准确捕捉,需要规划出一条或几条高精度的移动路径。这需要考虑AGV小车的运动学模型、运动控制精度等因素;在规划路径时,需要确保AGV小车的运动是稳定可靠的,以避免出现晃动、失控等问题;在捕捉火车车轴的过程中,需要保证路径规划的实时性,以适应火车车轴的不同姿态和运动状态。
S25:运动控制,AGV小车根据规划的路径,控制自身的运动和姿态靠近车轴端部,以实现多轴机械臂11上相控阵探伤探头12能贴合到车轴的端面。
多轴机械臂11上设置有用于引导多轴机械臂11上的相控阵探伤探头12捕捉车轴端面的车轴端面定位系统;
优选地,本实施例的在役车轴智能超声探伤装置,车轴端面定位系统包括图像采集模块、图像处理模块、特征匹配模块、输出控制模块和特征库管理模块。
具体地,图像采集模块是负责通过图像采集模块从车轴端面获取图像信息的关键部分,图像采集模块包括第一摄像头、第一光源和第一图像传感器,摄像头能够将车轴的图像聚焦到图像传感器上,并产生相应的电信号,摄像头的选择可能会影响图像的分辨率、帧率和视角等参数,在本实施例中,采用可以适应不同的光照条件和拍摄距离的工业相机。
光源的作用是为车轴端面提供充足的光线,以确保摄像头能够清晰地捕捉到车轴的图像,光源可以选用LED灯、卤素灯或激光灯等,需要根据实际检测环境和装置设计来选择合适的光源。
图像传感器是用来感测图像的光信号并将其转换为电信号的设备,图像传感器包括CCD(电荷耦合器件)和CMOS(互补金属氧化物半导体)传感器,它们能够将捕捉到的光学图像转换为电子信号,以便后续处理和分析。
这些组件协同工作,共同实现从车轴端面获取高质量图像信息的功能。通过优化这些组件的配置和参数,可以进一步提高图像采集模块的性能和检测效果。
优选地,本实施例的在役车轴智能超声探伤装置,图像处理模块用于对采集到的车轴端面图像进行预处理和特征提取,包括图像去噪、对比度增强、边缘检测,以提取出车轴端面的特征。
具体地,图像去噪是消除图像中的噪声,以改善图像质量的过程,噪声可能是由于图像采集过程中的干扰、环境光线变化等因素引起的,去噪算法包括中值滤波、高斯滤波、双边滤波等,根据具体情况选择合适的算法,在本实施例中,采用中值滤波的去噪算法。
对比度增强是用来提高图像中目标与背景之间的差异,以增强图像的清晰度和可视化效果,通过对图像的直方图进行均衡化、缩放或拉伸等操作来实现。
边缘检测是提取图像中目标边缘的过程,用于确定车轴端面的轮廓和特征,边缘检测算法采用Sobel算法,Sobel算法通过计算像素点上下、左右邻点灰度差,在边缘处达到极值检测边缘。
在完成上述预处理操作后,图像处理模块需要进行特征提取以识别车轴端面的型号和缺陷,通过对边缘检测后的图像进行形状分析、纹理提取或模板匹配等操作来实现。
优选地,本实施例的在役车轴智能超声探伤装置,特征匹配模块用于将处理后的车轴端面特征与特征库中的特征进行匹配,采用模式匹配或深度学习算法,以确定车轴端面的型号。
首先,对处理后的图像数据进行特征提取,特征提取是图像处理中的一项关键技术,它可以将图像中的重要特征提取出来,如边缘、纹理、形状等,这些特征可以作为车轴型号识别的关键指标,在本实施例中,选择火车轮(或轮轴)的圆形形状提取出特征。
提取出的特征与特征库中的特征进行匹配,特征库中储存了各种型号车轴的特征数据,通过与库中数据进行比对,可以找到与处理后的图像数据最相似的特征组合。
根据匹配结果,采用模式识别算法对车轴型号进行识别。模式识别是一种通过统计学原理对输入样本进行分类的方法,常用的模式识别算法包括支持向量机(SVM)、决策树、神经网络等,通过训练好的模型,可以将匹配结果归类到对应的车轴型号。
在车轴检测系统中,深度学习技术如卷积神经网络(CNN)和循环神经网络(RNN)等也可以被用于特征匹配和模式识别。通过训练深度神经网络,可以学习到从图像中提取特征的能力,进而提高车轴识别的准确性和鲁棒性。
经过特征匹配和模式识别后,输出最终的车轴型号识别结果,可以将结果以文本、图像或可视化等形式展示给用户,以支持后续的决策或操作。
需要注意的是,特征匹配模块的性能受到多种因素的影响,如特征提取算法的选择、特征库的规模和质量、匹配和识别算法的准确性等。因此,在实际应用中,需要根据具体情况对各个环节进行优化和调整,充实特征库数据,以提高整个模块的性能和准确性。
优选地,本实施例的在役车轴智能超声探伤装置,输出控制模块用于根据匹配结果输出相应的控制信号,多轴机械臂11动作,驱动相控阵探伤探头12对齐贴合到车轴的端面,并调动对应的特征库进行匹配。
优选地,本实施例的在役车轴智能超声探伤装置,特征库管理模块用于维护和更新特征库,特征库管理模块包括存储装置、处理装置和更新模块,以添加、删除和更新特征库中的特征数据。
特征库管理模块包含以下组件和功能:
存储装置:用于存储特征库的硬件设备,如硬盘、闪存等,这些设备为特征库提供了物理存储空间,并确保数据的持久性和可靠性。
处理装置:包括用于处理和操作特征库的计算机处理器或服务器。这些处理装置可以对特征库进行各种操作,如添加新特征、删除旧特征、更新现有特征等。
更新机制:为了维护特征库的准确性和完整性,需要有一种机制来更新特征库。这种机制包括定期更新、基于事件触发更新或根据用户请求进行更新等。
在特征库的维护和更新过程中,需要进行以下操作:
添加新特征:当有新的车轴型号或新的检测特征出现时,需要将它们添加到特征库中,可以通过将新特征的数据输入到存储装置并更新处理装置来实现。
删除旧特征:如果某些旧的特征不再使用或者被证实无效,可以将其从特征库中删除,以节省存储空间并提高处理效率。
更新现有特征:如果现有的特征需要修改或更新,可以通过更新机制来实现。这可能涉及到更新存储装置中的数据以及处理装置中的相关代码和算法。
优选地,本实施例的在役车轴智能超声探伤装置,车轴超声探伤的操作步骤为:
S1:建立多个端面识别特征库,用于识别不同型号的车轴,并建立与单个端面识别特征库对应的超声探伤参数数据库;
S2:移动装置10捕捉并靠近到车辆的车轴端部,多轴机械臂11驱动相控阵探伤探头12移动贴合到车轴的端面;
S3:采集车轴端面的图像信息;
S4:将采集到的图像信息与端面识别特征库进行匹配,确定车轴型号;
S5:根据车轴型号选择合适的超声探伤参数;
S6:向车轴发射超声波信号,接收经过车轴反射回来的超声波信号;
S7:对接收到的超声波信号进行处理,提取出车轴内部的缺陷信息;对接收到的超声波信号进行前处理,如滤波、放大、采样等操作,以去除噪声和改善信号质量,对前处理后的超声波信号进行进一步的处理,如傅里叶变换、小波变换等操作,以提取出车轴内部的缺陷信息。
S8:对提取出的缺陷信息进行分析,判断车轴是否存在安全隐患;通过对信号处理后的结果进行分析,提取出车轴内部的缺陷信息,如裂纹、气孔、夹杂物等,根据提取出的缺陷信息,评估其对车轴安全性能的影响。例如,可以根据缺陷的大小、位置和类型来评估其对车轴强度和疲劳寿命的影响,据缺陷评估的结果和其他相关信息,如车轴的使用状况、工作条件等,判断车轴是否存在安全隐患,如果判断车轴存在安全隐患,可以进行进一步的安全性能测试,以确定车轴的实际承载能力和疲劳寿命等性能指标。
S9:将分析结果储存,并以图形或文字的形式显示出来;
S10:当分析结果显示车轴存在安全隐患时,发出报警信号,进行人工校验。
优选地,本实施例的在役车轴智能超声探伤装置,在S10中,还需要将人工校验后车轴缺陷信息以及分析结果分类保存到对应特征库中,以添加新特征及探伤参数数据库,实现本装置在探伤检测过程中充实特征库和探伤参数库的效果,提升本装置的适用性、探伤检测自动分析效率和准确度。
需要注意的是,本装置特征库管理模块应包含多个车轴的特征库以及探伤数据库,例如不同型号的高铁车轴、普通火车轴、地铁车轴和汽车轴的特征数据以及对应的探伤种类和缺陷判定参数,当端面识别特征库确定车轴型号后,匹配对应的特征库及该特征库对应的探伤数据库,将相控阵探伤探头12采集到的探伤数据经过处理后与探伤数据库中的参数进行对比,来判定判断车轴是否存在安全隐患,如果采集的某项数据不在探伤数据库中的合格参数范围内,则判定车轴的该项指标不合格,综合所有探测数据,本装置自行判断车轴存在安全隐患情况后人工可再次对判定结果进行校验。
当检测完一个车轴后,AGV小车继续寻找下一个车轴并进行上述步骤的探伤检测作业。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (9)
1.在役车轴智能超声探伤装置,包括:
移动装置(10),所述移动装置(10)上设置有多轴机械臂(11),所述多轴机械臂(11)的动作输出端连接有相控阵探伤探头(12);
所述移动装置(10)上设置有用于引导移动装置(10)寻找车轴的车轴捕捉系统,所述多轴机械臂(11)上设置有用于引导多轴机械臂(11)上的相控阵探伤探头(12)捕捉车轴端面的车轴端面定位系统;
所述车轴端面定位系统包括图像采集模块、图像处理模块、特征匹配模块、输出控制模块和特征库管理模块。
2.根据权利要求1所述的在役车轴智能超声探伤装置,所述图像采集模块包括第一摄像头、第一光源和第一图像传感器,所述图像采集模块用于捕捉车轴端面的图像。
3.根据权利要求2所述的在役车轴智能超声探伤装置,所述图像处理模块用于对采集到的车轴端面图像进行预处理和特征提取,包括图像去噪、对比度增强、边缘检测,以提取出车轴端面的特征。
4.根据权利要求3所述的在役车轴智能超声探伤装置,所述特征匹配模块用于将处理后的车轴端面特征与特征库中的特征进行匹配,采用模式匹配或深度学习算法,以确定车轴端面的型号。
5.根据权利要求4所述的在役车轴智能超声探伤装置,所述输出控制模块用于根据匹配结果输出相应的控制信号。
6.根据权利要求5所述的在役车轴智能超声探伤装置,所述特征库管理模块用于维护和更新特征库,所述特征库管理模块包括存储装置、处理装置和更新模块,以添加、删除和更新特征库中的特征数据。
7.根据权利要求1-6任一项所述的在役车轴智能超声探伤装置,所述车轴超声探伤的操作步骤为:
S1:建立多个端面识别特征库,用于识别不同型号的车轴,并建立与单个端面识别特征库对应的超声探伤参数数据库;
S2:移动装置(10)捕捉并靠近到车辆的车轴端部,多轴机械臂(11)驱动相控阵探伤探头(12)移动贴合到车轴的端面;
S3:采集车轴端面的图像信息;
S4:将采集到的图像信息与端面识别特征库进行匹配,确定车轴型号;
S5:根据车轴型号选择对应的超声探伤参数数据库;
S6:向车轴发射超声波信号,接收经过车轴反射回来的超声波信号;
S7:对接收到的超声波信号进行处理,提取出车轴内部的缺陷信息;
S8:对提取出的缺陷信息进行分析,判断车轴是否存在安全隐患;
S9:将缺陷信息分析结果储存,并以图形或文字的形式显示出来;
S10:当分析结果显示车轴存在安全隐患时,发出报警信号。
8.根据权利要求7所述的在役车轴智能超声探伤装置,在S10中,还需要将人工校验后车轴缺陷信息以及分析结果分类保存到对应特征库中,以添加新特征及探伤参数数据库。
9.根据权利要求7或8所述的在役车轴智能超声探伤装置,所述车轴捕捉系统引导移动装置(10)寻找车轴的过程包括以下步骤:
S21:图像采集,移动装置(10)移动到车辆附近,并调整位置,使其上的第二摄像头能够捕捉到车辆车轴的图像;
S22:特征提取,在处理后的图像中提取出车轴的特征,包括边缘、形状;
S23:姿态估计,根据车轴的特征,通过计算机视觉技术估计车轴的姿态,即其相对于移动装置(10)的方向和角度;
S24:路径规划,根据车轴的姿态信息,移动装置(10)规划出一条或几条移动路径,以实现对其的准确捕捉;
S25:运动控制,移动装置(10)根据规划的路径,控制自身的运动和姿态靠近车轴端部,以实现多轴机械臂(11)上相控阵探伤探头(12)能贴合到车轴的端面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311797810.XA CN117451849B (zh) | 2023-12-26 | 2023-12-26 | 在役车轴智能超声探伤装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311797810.XA CN117451849B (zh) | 2023-12-26 | 2023-12-26 | 在役车轴智能超声探伤装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117451849A true CN117451849A (zh) | 2024-01-26 |
CN117451849B CN117451849B (zh) | 2024-03-08 |
Family
ID=89593339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311797810.XA Active CN117451849B (zh) | 2023-12-26 | 2023-12-26 | 在役车轴智能超声探伤装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117451849B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207516309U (zh) * | 2017-11-16 | 2018-06-19 | 西安石油大学 | 一种自循迹焊缝探伤机器人 |
JP2019049503A (ja) * | 2017-09-12 | 2019-03-28 | 株式会社Kjtd | 車軸の超音波探傷方法及びそのシステム |
CN111351854A (zh) * | 2018-12-20 | 2020-06-30 | 北京新联铁集团股份有限公司 | 智能空心车轴探伤机及系统 |
CN111352411A (zh) * | 2018-12-20 | 2020-06-30 | 北京新联铁集团股份有限公司 | 空心车轴定位方法、装置及智能空心车轴探伤机 |
-
2023
- 2023-12-26 CN CN202311797810.XA patent/CN117451849B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019049503A (ja) * | 2017-09-12 | 2019-03-28 | 株式会社Kjtd | 車軸の超音波探傷方法及びそのシステム |
CN207516309U (zh) * | 2017-11-16 | 2018-06-19 | 西安石油大学 | 一种自循迹焊缝探伤机器人 |
CN111351854A (zh) * | 2018-12-20 | 2020-06-30 | 北京新联铁集团股份有限公司 | 智能空心车轴探伤机及系统 |
CN111352411A (zh) * | 2018-12-20 | 2020-06-30 | 北京新联铁集团股份有限公司 | 空心车轴定位方法、装置及智能空心车轴探伤机 |
Also Published As
Publication number | Publication date |
---|---|
CN117451849B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
CN112014857A (zh) | 用于智能巡检的三维激光雷达定位导航方法及巡检机器人 | |
CN110728650B (zh) | 一种基于智能终端的井盖凹陷检测方法及相关设备 | |
CN103837087B (zh) | 基于主动形状模型的受电弓自动检测方法 | |
CN112686833B (zh) | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 | |
CN112348034A (zh) | 基于无人机图像识别的起重机缺陷检测系统和工作方法 | |
CN103745238B (zh) | 基于AdaBoost和主动形状模型的受电弓识别方法 | |
CN109544548A (zh) | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 | |
CN101706274A (zh) | 钢轨扣件系统螺母缺失自动检测装置 | |
CN114037703A (zh) | 基于二维定位和三维姿态解算的地铁阀门状态检测方法 | |
CN117288094B (zh) | 基于激光传感器的掘进机实时定位系统 | |
CN117451849B (zh) | 在役车轴智能超声探伤装置 | |
CN110926426B (zh) | 地铁盾构管片残余渣土体积实时检测装置及检测方法 | |
CN116596326A (zh) | 一种基于遥感数据的城市环境检测及综合评估方法 | |
CN113295094B (zh) | 一种受电弓动态包络线侵限检测方法、装置和系统 | |
CN116698046B (zh) | 一种物业室内服务机器人建图定位和回环检测方法及系统 | |
CN111582358B (zh) | 户型识别模型的训练方法及装置、户型判重的方法及装置 | |
CN115272302B (zh) | 图像中零部件检测方法,零部件检测设备及系统 | |
CN116894937B (zh) | 获取车轮定位仪参数的方法、系统及电子设备 | |
CN117333491B (zh) | 一种钢材表面缺陷检测方法及系统 | |
CN116331289B (zh) | 一种基于图像分析的轨道状态检测系统及方法 | |
WO2021220502A1 (ja) | 3次元モデル生成装置、方法及びプログラム | |
CN115641319A (zh) | 磁浮列车受流器检测方法、装置、计算机设备和存储介质 | |
CN116923374A (zh) | 基于车型匹配的自动泊车方法和装置 | |
CN116026249A (zh) | 空轨轨道梁形变实时检测方法、及装置 |
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 |