CN107180416A - 火车车轮踏面图像畸形校正方法及*** - Google Patents
火车车轮踏面图像畸形校正方法及*** Download PDFInfo
- Publication number
- CN107180416A CN107180416A CN201710349621.4A CN201710349621A CN107180416A CN 107180416 A CN107180416 A CN 107180416A CN 201710349621 A CN201710349621 A CN 201710349621A CN 107180416 A CN107180416 A CN 107180416A
- Authority
- CN
- China
- Prior art keywords
- image
- tread
- wheel
- region
- row
- 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
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000012937 correction Methods 0.000 title claims abstract description 79
- 238000000638 solvent extraction Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 230000011218 segmentation Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 20
- 238000012952 Resampling Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 7
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005530 etching Methods 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000003672 processing method Methods 0.000 abstract description 2
- 239000004575 stone Substances 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 239000000306 component Substances 0.000 description 48
- 238000001514 detection method Methods 0.000 description 17
- 230000007547 defect Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 208000034656 Contusions Diseases 0.000 description 1
- 241001504664 Crossocheilus latius Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000034526 bruise Diseases 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000001447 compensatory effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T2207/30236—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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种火车车轮踏面图像畸形校正方法及***,涉及图像处理方法技术领域。所述方法首先采用改进的彩色图像标记分水岭初次分割侧视视角踏面曲面图像,然后根据踏面曲面图像横向和纵向畸变的不同特点顺次进行平面横纵坐标几何校正并在此过程中完成踏面区域的二次分割与视角转换,最后得到踏面正视视角校正图像。所述方法可以准确分割并校正侧视视角踏面图像,为实现踏面故障区域的精确测量打下基础。
Description
技术领域
本发明涉及图像处理方法技术领域,尤其涉及一种火车车轮踏面图像畸形校正方法及***。
背景技术
随着铁路运输的高速化和重载化发展,铁路运输安全问题日益突出。轮对是铁路运输车辆的核心部件之一,轮对踏面作为车辆与钢轨间的直接接触部分,直接承担着车辆与钢轨间的所有作用力,工作环境恶劣,因此轮对踏面缺陷成为了轮对主要故障之一。轮对踏面故障会影响轮轨接触状态,给车体造成周期性的冲击,对转向架的其它部件和轨道路基造成损害,并且强烈的振动会对运输客货产生不利的影响。如果不能及时发现,随着时间累积会造成很大的安全隐患,因而加强轮对踏面状态检测对保障行车安全具有重要意义。
国内外学者对轮对踏面故障检测技术进行了深入的研究。美国的MERMEC公司研发的W-INSPECT***利用高分辨率相机和特定的补偿光源获得车轮整个踏面的图像并对获取的图像进行分析,判别轮对踏面的擦伤和剥离等故障,检测速度可以达到30Km/h;德国的Hegenscheidt-MFD公司的Argus_II***通过将两个超声波探头向接触的车轮发送瑞利面波形式的超声波脉冲并检测循环信号的响应的方式来获取车轮信息,并利用一定的标准分析信号幅值进行判断踏面故障,其检测效果很好,但设备成本很高;西南交通大学的踏面损伤在线检测***是基于光学的擦伤检测方法,其设计思路是当车轮从钢轨经过时必然引起钢轨的形变,正常车轮引起的形变是恒定的,而存在踏面缺陷的车轮经过必然发生形变的变化,因此可以通过光学传感器分析一段钢轨的形变来判断车轮踏面是否有缺陷,虽然其具有较高精度,但受钢轨振动影响较大且仅能提供一个踏面缺陷的阈值判断情况,而无法返回确切的缺陷状况;西北工业大学的田丽丽设计的在线式踏面伤损检测***利用3组面阵相机拍摄经过的车轮,实现了对各个踏面图像的分割和损伤区域定位;南京航空航天大学的孙冉使用三组线阵相机对车轮踏面图像进行检测,与面阵相机相比避免了踏面图像光照不均匀的情况。
踏面故障类型复杂,简单的声音和振动信号阈值判断并不能得到足够的踏面状态信息,因此图像检测这种全踏面信息检测方式成为了当前的主流。由于图像采集设备位置设置的限制无法实现踏面正视视角图像的提取,传统方法侧视视角采集图像后往往直接根据踏面曲面图像进行故障定性判断,此类方法首先未考虑图像采集方位与踏面相对位置的变化对成像的影响,更重要的是提取的踏面曲面带有严重畸变,无法对缺陷部分面积进行定量计算、精确分析。
发明内容
本发明所要解决的技术问题是如何提供一种可以准确分割并校正侧视视角踏面图像的图像畸形校正方法及***,为踏面缺陷面积的精确计算打下基础。为解决上述技术问题,本发明所采取的技术方案是:一种火车车轮踏面图像畸形校正方法,其特征在于包括如下步骤:
采集运动状态下铁路运输车辆的车轮踏面图像;
采用MSRCR算法对彩色的踏面图像进行处理用于恢复踏面图像的真彩色信息;
采用改进的彩色图像标记分水岭算法得到图像各连通域脊线图;
根据采集踏面图像特点,寻找图像中像素点最多的连通域对踏面图像进行初次分割,提取出踏面曲面;
根据踏面曲面图像横向和纵向畸变的不同特点顺次进行平面横、纵坐标几何校正并在此过程中完成踏面区域的二次分割与视角转换;
输出踏面正视视角校正图像。
进一步的技术方案在于:所述的采集运动状态下铁路运输车辆的车轮踏面图像的方法如下:
在轨道外部位置固定若干个相机组成相机阵列,并在轨道的内侧等间隔设置相同数量接近传感器,每部相机对应一个接近传感器,车轮每经过一个接近传感器就触发对应的相机对车轮进行一次拍照,相机阵列采集的同一车轮不同位置图像包含完整轮对图像信息。
进一步的技术方案在于:所述的采用改进的彩色图像标记分水岭算法得到图像各连通域脊线图的方法如下:
获得踏面的彩色图像梯度图,进行形态学开闭重构;
对图像RGB彩色分量的极大值进行取或运算,保留各个彩色分量极大值信息得到区域极大值后进行先开运算后腐蚀的处理,完成前景标记;
对图像RGB彩色分量进行均值运算、OST阈值分割以及分水岭变换,得到背景标识后使用方形模版进行膨胀处理完成背景标记;
通过极小值标定方法得到修改后的彩色图像梯度图;
对修改后的彩色图像梯度图进行分水岭变换后得到图像各连通域脊线图;根据采集踏面图像特点,寻找图像中像素点最多的连通域对踏面图像进行初次分割,提取出踏面曲面。
进一步的技术方案在于,所述的横坐标几何校正方法如下:
首先利用踏面曲面的灰度特点每行非零像素中前半部分的最大值来计算各行中轮辋侧面与踏面的交界点位置,利用求平均的方法计算轮缘与踏面交界点位置;
使用图像R分量两个交界点从踏面区域图像中截取出每行的踏面部分去除畸变严重的轮缘轮辋区域;
通过R分量分割的踏面区域对G分量和B分量矩阵进行分割处理;
将各颜色分量的各行的踏面区域使用最近邻重采样方法采样成指定宽度;
利用各分量重采样得到的各行的向量重构出踏面图像。
进一步的技术方案在于,所述的纵坐标几何校正方法如下:
利用计算出的数学模型对横坐标校正后的踏面图像在纵轴方向进行非线性映射重构;
对重构后的图像纵坐标进行双线性插值得到宽高比例与实际比例相同的踏面图像。
本发明还公开了一种火车车轮踏面图像畸形校正***,其特征在于包括:
图像采集模块,用于采集运动状态下铁路运输车辆的车轮踏面图像;
图像预处理模块:采用MSRCR算法对彩色的踏面图像进行处理,用于恢复踏面图像的真彩色信息;
图像初次分割模块:用于采用改进的彩色图像标记分水岭算法得到图像各连通域脊线图并根据采集踏面图像特点,寻找图像中像素点最多的连通域对踏面图像进行初次分割,提取出踏面曲面;
图像校正及二次分割模块:用于根据踏面曲面图像横向和纵向畸变的不同特点顺次进行平面横、纵坐标几何校正并在此过程中完成踏面区域的二次分割与视角转换;
图像输出模块:用于输出踏面正视视角校正图像。
进一步的技术方案在于:所述图像采集模块包括在轨道外部位置固定若干个相机组成相机阵列,并在轨道的内侧等间隔设置相同数量接近传感器,每部相机对应一个接近传感器,车轮每经过一个接近传感器就触发对应的相机对车轮进行一次拍照,相机阵列采集的同一车轮不同位置图像包含完整轮对图像信息。
进一步的技术方案在于:所述图像初次分割模块用于获得踏面的彩色图像梯度图,进行形态学开闭重构;
对图像RGB彩色分量的极大值进行取或运算,保留各个彩色分量极大值信息得到区域极大值后进行先开运算后腐蚀的处理,完成前景标记;对图像RGB彩色分量进行均值运算、OST阈值分割以及分水岭变换,得到背景标识后使用方形模版进行膨胀处理完成背景标记;通过极小值标定方法得到修改后的彩色图像梯度图;对修改后的彩色图像梯度图进行分水岭变换后得到图像各连通域脊线图;根据采集踏面图像特点,寻找图像中像素点最多的连通域对踏面图像进行初次分割,提取出踏面曲面。
进一步的技术方案在于:所述图像校正及二次分割模块包括横坐标几何校正模块以及纵坐标几何校正模块;所述横坐标几何校正模块首先利用踏面曲面的灰度特点每行非零像素中前半部分的最大值来计算各行中轮辋侧面与踏面的交界点位置,利用求平均的方法计算轮缘与踏面交界点位置;使用图像R分量两个交界点从踏面区域图像中截取出每行的踏面部分去除畸变严重的轮缘轮辋区域;通过R分量分割的踏面区域对G分量和B分量矩阵进行分割处理;将各颜色分量的各行的踏面区域使用最近邻重采样方法采样成指定宽度;利用各分量重采样得到的各行的向量重构出踏面图像。
进一步的技术方案在于:所述图像校正及二次分割模块包括横坐标几何校正模块以及纵坐标几何校正模块;所述纵坐标几何校正模块利用计算出的数学模型对横坐标校正后的踏面图像在纵轴方向进行非线性映射重构;对重构后的图像纵坐标进行双线性插值得到宽高比例与实际比例相同的踏面图像。
采用上述技术方案所产生的有益效果在于:所述方法采用改进的彩色图像标记分水岭初次分割侧视视角踏面曲面图像,提高了图像的分割精度,然后根据踏面曲面图像横向和纵向畸变的不同特点顺次进行平面横纵坐标几何校正并在此过程中完成踏面区域的二次分割与视角转换,最后得到踏面正视视角校正图像,改变了传统检测方法只能根据侧视视角图像分析踏面是否有损伤而无法确定损伤形状和大小的缺点,较直观和精确的分析出损伤区域的大小,为列检人员故障等级判定提供了量值依据。经实验验证,该方法具有较强的抗干扰能力并取得了理想的检测精度。
附图说明
图1是本发明实施例所述方法的流程图;
图2是本发明实施例所述方法中雾霾原因下对轮对进行采集的图像;
图3是本发明实施例所述方法中对雾霾原因下轮对图像进行预处理的结果图;
图4是本发明实施例所述方法中暗光原因下对轮对进行采集的图像;
图5是本发明实施例所述方法中对暗光原因下轮对图像进行预处理的结果图;
图6是本发明实施例所述方法中改进的彩色图像标记分水岭算法流程图;
图7是本发明实施例所述方法中分水岭脊线图;
图8是本发明实施例所述方法中前景标识和背景标识叠加图;
图9是本发明实施例所述方法中彩色标记连通域效果图;
图10是本发明实施例所述方法中标记分割区域叠加原图;
图11是本发明实施例所述方法中踏面图像校正流程图;
图12是本发明实施例所述方法中踏面区域直接线形变换图;
图13是本发明实施例所述方法中轮辋侧面宽度变化示意图;
图14是本发明实施例所述方法中红色分量的亮度分布图;
图15是本发明实施例所述方法中红色分量单行中的亮度分布曲线图;
图16是本发明实施例所述方法中横坐标校正后的近似投影模型图;
图17是本发明实施例所述方法中纵坐标校正原理示意图;
图18是本发明实施例所述***的原理框图;
图19是本发明实施例中踏面分割结果图;
图20是本发明实施例中横坐标校正结果图;
图21是本发明实施例中纵坐标校正后结果图;
图22是本发明实施例中参考对角点位置示意图;
图23是本发明实施例中方格宽度与实际值比较图;
图24是本发明实施例中方格高与实际值比较图;
图25是本发明实施例中侧视踏面图像;
图26是本发明实施例中正视视角踏面图像;
图27是本发明实施例中通过所述方法校正后的踏面图像;
图28是本发明实施例所述方法中各连通域所占比例图;
图29是本发明实施例所述方法中模板图像;
图30是本发明实施例所述方法中使用模板处理原图的结果图。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
如图1所示,本发明实施例公开了一种火车车轮踏面图像畸形校正方法及***,包括如下步骤:
S101:采集运动状态下铁路运输车辆的车轮踏面图像;
S102:采用MSRCR算法对彩色的踏面图像进行处理用于恢复踏面图像的真彩色信息;
S103:采用改进的彩色图像标记分水岭算法得到图像各连通域脊线图。根据采集踏面图像特点,寻找图像中像素点最多的连通域对踏面图像进行初次分割,提取出踏面曲面;
S104:根据踏面曲面图像横向和纵向畸变的不同特点顺次进行平面横、纵坐标几何校正并在此过程中完成踏面区域的二次分割与视角转换;
S105:输出踏面正视视角校正图像。
由于铁路车辆转向架机械设计的特点,车轮踏面无法完整地暴露在外界可视范围内,同时动态检测过程中由于铁路安全限界要求无法完成其正视视角图像采集,因而踏面图像检测方法多采用轨道侧部位置固定多部相机配合车轮传感器顺次采集踏面图像。
具体的,本发明实施例中,所述的采集运动状态下铁路运输车辆的车轮踏面图像的方法如下:在轨道外部位置固定若干个相机组成相机阵列,并在轨道的内侧等间隔设置相同数量接近传感器,每部相机对应一个接近传感器,车轮每经过一个接近传感器就触发对应的相机对车轮进行一次拍照,相机阵列采集的同一车轮不同位置图像包含完整轮对图像信息。需要说明的是,所述相机一般为高速工业相机,能够完成短时间内的连续拍照。
图像采集过程中往往会受到外界环境的干扰,对后续的图像分割和目标识别等处理造成影响。如图2所示,雾霾天采集到的图像对比度和亮度低,颜色出现偏移和失真,使得图像细节变得模糊。此外,如图4所示,转向架中一般会有一侧车轮处于背光处,其色彩差别较小,影响图像质量。针对以上两种常见情况,本发明实施例采用MSRCR算法对彩色踏面图像进行处理来恢复图像的真彩色信息,效果如图3和图5所示。
对处理前后的图像应用各个评价指标检验处理效果如表1所示:
表1各图像评价标准分析统计表(边缘强度使用的是Sobel边缘检测算子)
从表1中数据对比可知预处理后图像质量明显提高,特别是图像细节和色彩对比度有了很大的改善,为后续图像分割做好了准备。
采用改进的彩色图像标记分水岭算法得到图像各连通域脊线图并根据采集踏面图像特点,寻找图像中像素点最多的连通域对踏面图像进行初次分割,提取出踏面曲面;
与灰度域的标记分水岭算法不同,本发明所述方法直接计算彩色图像梯度图,使得到的彩色图像梯度更准确且更接近人眼的直观感受。本发明改进的标记分水岭算法在前景标记的过程中通过3个彩色分量的极大值图进行逻辑或运算,尽可能保留各个彩色分量极大值信息得到区域极大值,背景标记的过程中,将图像的三个颜色分量进行均值计算来减少物体间不同颜色对标记结果的影响。算法具体流程如图6所示,得到各步骤效果图如图7-10所示。
图6中,所述流程为:
S1031:获得踏面的彩色图像梯度图,进行形态学开闭重构;
S1032:对图像RGB彩色分量的极大值进行取或运算,保留各个彩色分量极大值信息得到区域极大值后进行先开运算后腐蚀的处理,完成前景标记;
S1033:对图像RGB彩色分量进行均值运算、OST阈值分割以及分水岭变换,得到背景标识后使用方形模版进行膨胀处理完成背景标记;
S1034:通过极小值标定方法得到修改后的彩色图像梯度图;
S1035:对修改后的彩色图像梯度图进行分水岭变换后得到图像各连通域脊线图;根据采集踏面图像特点,寻找图像中像素点最多的连通域对踏面图像进行初次分割,提取出踏面曲面。
分水岭求出脊线图后提取踏面区域的具体方法如下:
(1)对各连通域进行标记。使用标记函数对上一步的分水岭变换产生的各个连通域进行标记,返回标记矩阵L和对应的标记数目n。
(2)找到点数最多的连通域。在所有连通域中寻找感兴趣的区域需要先分析感兴趣区域独有的特征。在本发明中,从实验结果图中不难发现踏面区域的面积要远大于其他区域,因此本发明中通过求点数最多的标签来寻找踏面区域所对应的区域。实际操作时首先使用的是直方图统计函数对n个标签对应的连通域的点数进行统计,然后找出点数其中最多的标签Lm。在实验中标记分水岭处理后得到的脊线图中有46个连通域,图28为各区域在图像中所占比例的直方图,在图中第29个区域为踏面区域。从图中可以看出踏面区域在图像中占的比例要远大于其他区域,所以可以通过寻找图像中像素点最多的连通域来寻找踏面区域。
(3)找出标签Lm对应的区域。使用搜索函数在标记矩阵L中确定出Lm标签对应连通域的所有点的坐标。
(4)使用连通域Lm对原图进行处理。利用上一步骤得到的点的坐标创建一个Lm区域为1其余区域为0的模板,然后利用创建的模板矩阵点乘原图中的各颜色分量矩阵就可以最终得到单独的踏面区域图像。图9为利用上述方法提取出的踏面区域图像。
从图29-图30中可以看出,利用本发明设计的方法成功从分水岭变换的到的脊线图中分离出了踏面区域,并成功利用提取的踏面区域从原图中提取了踏面区域的彩色图像。
由于在踏面区域图像中光照和颜色分布复杂很难获得稳定的分割结果,在实际处理中,图像增强算法中参数与标记分水岭算法中的基于重建的开闭运算中模板大小的选择都会对分割结果造成影响,很难获取单独的踏面图像。如图4-14中所示,分割出的踏面区域虽然比较整齐,但是除了包含踏面外还包含了轮缘部分区域和轮辋侧面的部分。因此,在进行标记分水岭处理之后还需要简单对图像进行分割彻底去除踏面外的图像区域。
由于提取的踏面图像为曲面且相机是从侧面拍摄,导致获取的踏面区域图像存在严重的几何畸变,难以建立精确的数学模型对踏面缺陷面积进行定量计算。通过分析图像畸变的原因可知,横向畸变主要是相机视角引起的线性畸变,而纵向畸变主要是车轮形状引起的非线性畸变,两者之间相互独立,因此如流程图11所示,可以将踏面区域的几何校正分为横坐标校正和纵坐标校正两个步骤进行。具体步骤如下:
S1041:首先利用踏面曲面的灰度特点每行非零像素中前半部分的最大值来计算各行中轮辋侧面与踏面的交界点位置,利用求平均的方法计算轮缘与踏面交界点位置;
S1042:使用图像R分量两个交界点从踏面区域图像中截取出每行的踏面部分去除畸变严重的轮缘轮辋区域;
S1043:通过R分量分割的踏面区域对G分量和B分量矩阵进行分割处理;
S1044:将各颜色分量的各行的踏面区域使用最近邻重采样方法采样成指定宽度;
S1045:利用各分量重采样得到的各行的向量重构出踏面图像。
S1046:利用计算出的数学模型对横坐标校正后的踏面图像在纵轴方向进行非线性映射重构;
S1047:对重构后的图像纵坐标进行双线性插值得到宽高比例与实际比例相同的踏面图像。
踏面图像横坐标校正:
根据线性畸变的校正原则,只需要将踏面区域图像的所有行线性拉伸成等宽就可以恢复出原本的踏面图像。但如果直接对分割出的踏面区域进行拉伸得到的结果如图12所示,可以看出拉伸后图像仍存在严重的畸变,这是由于轮辋侧面区域在整个踏面区域宽度并不一致,如图13所示,踏面区域图像中每行的轮辋宽度对应于轮辋侧面圆环的水平截线宽度,而在圆环中所有的水平截线过圆心的CD处最短,从CD处向两端移动宽度逐渐增大。与此同时,轮辋侧面以及轮缘内侧与踏面并不处于同一平面上,变换后的图像中轮辋、轮缘区域与踏面区域的比例与实际比例相差很大。由于轮辋侧面以及轮缘内侧区域并非踏面擦伤、剥离、碾堆等主要损伤的发生位置,因此在线性变换之前必须去除踏面区域图像每行中的轮辋侧面以及轮缘内侧区域,即对分水岭算法分割后的图像进行二次分割。
如果使用3个颜色分量进行行线性变换,变换结果的宽度可能会有细微差别,导致后期恢复彩色图像时出现错误。因而仅对红色分量进行行分割,然后使用红色分量分割得到的踏面部分对其它分量矩阵进行分割处理,最后使用所有分量重组踏面的彩色图像。踏面红色分量亮度分布特点,如图14所示,红色的“山脊”部分位于车轮的突出部分就是踏面与轮辋的交界处其亮度比周围区域的要高,而轮缘和踏面的交界处位于车轮的内凹部分黄色和蓝色的“谷底”,其亮度比周围像素要低。因此可以考虑利用两个交界处的灰度特点来分割踏面区域图像。
如图15所示,踏面与轮辋的交界处位于每行中的前半部分最大值点,踏面与轮缘的交接处则位于每行后半部分的最小值附近。因而可以通过求每行非零像素中前半部分的最大值来计算各行中轮辋侧面与踏面的交界点位置。由于轮缘与踏面的交界线并不明显且轮缘在图像中的宽度整体变化很小,直接用后半段最小值计算轮缘与踏面的交界点会造成很大的误差,因此使用均值法计算轮缘与踏面交界点位置,即首先计算出每行后半段的最小值距离与该行末尾的距离,然后计算所有行距离的平均值得到轮缘的近似宽度,最后将每行距离行尾轮缘宽度的点作为轮缘与踏面的近似交界点。利用求出的两个交界点从踏面区域图像中分割每行的踏面部分。在去除轮辋侧面以及轮缘内侧区域后,由于不同水平线上踏面区域的宽度不同,因此本发明将踏面区域逐行重采样为指定宽度,这样既不影响图像纹理,又减少计算时间。最后,将三个颜色分量重组为彩色图像就能得到横坐标校正后的图像。
踏面图像纵坐标校正
在横坐标校正完成后踏面图像可以近似看成相机的正视视角图像,如图16所示,离拍摄时车轮的圆心距离为2.828m,踏面投影面高度为0.727m,由此可得踏面图像中点相机的光路与相机中轴的最大夹角为θ,而其它较远位置处拍摄图像角度θ更小,因此在计算纵坐标校正模型时可以将光路简单视为平行于相机中轴。
在建立纵坐标校正的数学模型时,将图像中踏面区域近似认作120°的踏面圆弧区域,而图像中心线认作与车轮圆心平齐,如图17所示。
基于以上两个条件可以将纵坐标的非线性畸变问题看作是弧BD上的点按照弦BD等间隔采样造成的,因而可以将纵坐标的校正问题转换成求圆弧BD等间隔点采样值的问题。如图17所示弧BD上的点A对应弦BD上的点C。设LAOC=θ,半径BO=R,则弧AB的长度为Rθ,弦AB的长度为2Rsin(θ/2),线段BC的长度为y,则可得
由此得到弧BD上点与弦BD上的点的对应关系,具体的校正步骤如下:
(1)假定横坐标校正后的图像为m*n的矩阵,则在计算开始时根据弧长与弦长的比例定义一个相应大小的矩阵,本发明中圆心角为120°,因此需要定义1.21m*n的矩阵。
(2)使用最近邻插值法将上一步中创建的矩阵的所有坐标按照式(1)映射到横坐标校正后的矩阵中。
(3)为了使校正后的图像的横纵坐标的比例与实际比例相同,将矩阵的纵坐标用双线性插值的方法将矩阵拉伸成指定长度。
通过对踏面图像横、纵坐标进行校正,完成了踏面区域彩色图像坐标的校正。
如图18所示,本发明实施例还公开了一种火车车轮踏面图像畸形校正***,包括:
图像采集模块101,用于采集运动状态下铁路运输车辆的车轮踏面图像;
图像预处理模块102:采用MSRCR算法对彩色的踏面图像进行处理,用于恢复踏面图像的真彩色信息;
图像初次分割模块103:采用改进的彩色图像标记分水岭算法得到图像各连通域脊线图。根据采集踏面图像特点,寻找图像中像素点最多的连通域对踏面图像进行初次分割,提取出踏面曲面;
图像校正及二次分割模块104:用于根据踏面曲面图像横向和纵向畸变的不同特点顺次进行平面横、纵坐标几何校正并在此过程中完成踏面区域的二次分割与视角转换;
图像输出模块105:用于输出踏面正视视角校正图像。
进一步的,如图18所示,所述图像采集模块101包括在轨道外部位置固定的若干个相机1011以及轨道内侧等间隔设置的若干个接近传感器1012,每部相机对应一个接近传感器,车轮每经过一个接近传感器就触发对应的相机对车轮进行一次拍照,相机阵列采集的同一车轮不同位置图像包含完整轮对图像信息。
进一步的,所述图像初次分割模块103用于获得踏面的彩色图像梯度图,进行形态学开闭重构;对图像RGB彩色分量的极大值进行取或运算,保留各个彩色分量极大值信息得到区域极大值后进行先开运算后腐蚀的处理,完成前景标记;对图像RGB彩色分量进行均值运算、OST阈值分割以及分水岭变换,得到背景标识后使用方形模版进行膨胀处理完成背景标记;通过极小值标定方法得到修改后的彩色图像梯度图;对修改后的彩色图像梯度图进行分水岭变换后得到图像各连通域脊线图;根据采集踏面图像特点,寻找图像中像素点最多的连通域对踏面图像进行初次分割,提取出踏面曲面。
进一步的,所述图像校正及二次分割模块104包括横坐标几何校正模块1041以及纵坐标几何校正模块1042;所述横坐标几何校正模块1041首先利用踏面曲面的灰度特点每行非零像素中前半部分的最大值来计算各行中轮辋侧面与踏面的交界点位置,利用求平均的方法计算轮缘与踏面交界点位置。使用图像R分量两个交界点从踏面区域图像中截取出每行的踏面部分去除畸变严重的轮缘轮辋区域;通过R分量分割的踏面区域对G分量和B分量矩阵进行分割处理;将各颜色分量的各行的踏面区域使用最近邻重采样方法采样成指定宽度;利用各分量重采样得到的各行的向量重构出踏面图像。
所述纵坐标几何校正模块1042利用利用计算出的数学模型对横坐标校正后的踏面图像在纵轴方向进行非线性映射重构;对重构后的图像纵坐标进行双线性插值得到宽高比例与实际比例相同的踏面图像。
为验证本方法分割校正踏面的准确性,在车轮踏面处粘贴34mm*34mm正方形网格标定纸作为图像检测结果的尺度评价标准。由于标定纸颜色与踏面背景差别很大,因此会影响到标记分水岭算法对踏面的正常分割,所以验证实验中使用的初次分割得到的曲面图像是无标定纸情况下得到的车轮踏面轮廓分割相同位置采集的带有标定纸车轮踏面区域图像,如图19所示。
踏面图像中分割提取出的是近似120°的踏面区域,将踏面近似看作圆柱面后可计算提取出踏面实际对应的长方形区域。其中踏面滚动圆周长的三分之一为880mm,货车车轮踏面区域的宽度为103mm。在验证实验中提取的踏面区域在图像中的宽度都在100个像素左右,因此为了保证图像低失真度也为了方便对踏面区域内损伤实际面积的计算,最终选择将踏面区域图像重采样为880*103大小的图片,也就是图像中1个像素距离代表1mm距离。
为了不让方格纸影响到对两条交界线的提取,在二次分割去除图像中轮辋和轮缘区域时,对方格纸区域的计算区间进行了调整,避开了方格区域,其余操作与提取正常横坐标校正过程相同,最终将踏面区域的图像重采样为103列。横坐标校正后的图像,如图20所示,可知方格纸的黑色方格的宽度大致相同,与预期结果相符。同时也可以看出在纵坐标方向方格的高度与横坐标方向上的宽度并不相同,并且每个方格的高度也各不相同。
纵坐标的校正过程是纯数学运算,因此不受方格纸的影响,计算过程与正常车轮时完全相同。首先利用公式(1)将图20进行非线性映射,在此次实验中图20的像素为480*103,因此需要将其先映射到的581*103矩阵中。指定的踏面区域图像像素为880*103,因此还需要对图像在纵坐标上进行重采样。如图21为最终纵坐标校正后的图像。
本发明使用标定纸中黑白方格的尺寸作为参照物来验证几何校正的结果。在具体计算方格尺寸时,是使用方格的对角点坐标相减的方法。如图22所示圆圈所在的点就是用来计算方格大小的参考对角点,蓝色的圈标记的方格为计算误差时使用的方格。人工读取的坐标点坐标分别为[61,117],[93,154],[26,149],[60,184],[93,218],[26,218],[59,253],[94,288],[26,288],[61,323],[95,355]。由此计算出的方格大小分别为35*32,32*37,34*35,33*30,34*36,33*35,33*35,34*35,33*35,35*35,35*35,33*35,34*32。
方格宽度的校正结果主要受横坐标校正的影响,如图23校正后方格的宽度与实际值比较所示,横坐标校正的结果与实际值最多相差2像素,即横坐标的误差在6%左右。方格的高度校正结果主要受纵坐标校正的影响。如图19可知,图片上部的轮辋与踏面的交界处并没有正确的识别出来,相关位置的标定纸还存在明显的畸变。如图24方格高与实际值比较图所示,自上而下的前4个方格的高度误差较其它方格要大很多,最高达到4个像素的误差,误差为12%左右。
针对雾霾(PM2.5=260-475μg/m3)、弱光(100-500lx)和正常光照(500-2000lx)状态,各采集10张轮对图像分别使用上述方法对踏面图像进行分割校正。定义检测分割图像中标定板各个网格中心点横坐标误差为Hx,纵坐标误差为Zx,与实际网格中心点位置误差为Fx,则根据单张图像中网格中心点位置误差平均值从精确度和稳定性角度应用各指标对各环境状态下采集样本数据误差进行评价,评价结果如下表2
表2 误差分析表
环境状态 | 检测次数 | 中心点误差平均值/mm | A类不确定度/mm | B类不确定度/mm | 合成不确定度/mm |
正常 | 10 | 2.098 | 0.812 | 0.1 | 0.818 |
雾霾 | 10 | 2.735 | 0.849 | 0.1 | 0.854 |
弱光 | 10 | 2.472 | 0.904 | 0.1 | 0.910 |
由表2可知在设定环境条件下踏面图像检测误差保持在2.0-2.8mm之间,由误差不确定度分析***最大误差不确定度为0.910mm,因此检测总体误差可以维持在3.71mm以内,因此该方法可以满足检测车轮踏面长度40mm缺陷或剥离故障的要求,为踏面擦伤、剥离、碾堆等故障面积的计算提供较为精确的量值参考。
定义本方法的图像分割校正精度为px=P(x)/Po(x),其中Px表示人工分割校正踏面图像x故障区域像素点集相比于分割曲面校正正视视角踏面图像故障像素点集位置的匹配度,P(x)表示使用上文方法得到的校正踏面图像故障区域与正视视角校正踏面故障区域相同的像素点集,Po(x)表示使用人工分割方法得到的正视视角校正踏面像素点集。各视角踏面故障图像对比图如图25-27所示,图像缺陷部位分析结果如表3所示。检验故障图像在其它检测环境下分割效果,分割精度Px均保持在90%左右,可以实现对踏面故障缺陷部位面积的准确判断,为缺陷等级的分类提供数值参考。
表3图像缺陷部位分析表
所述方法采用改进的彩色图像标记分水岭初次分割侧视视角踏面曲面图像,提高了图像的分割精度,然后根据踏面曲面图像横向和纵向畸变的不同特点顺次进行平面横纵坐标几何校正并在此过程中完成踏面区域的二次分割与视角转换,最后得到踏面正视视角校正图像,改变了传统检测方法只能根据侧视视角图像分析踏面是否有损伤而无法确定损伤形状和大小的缺点,较直观和精确的分析出损伤区域的大小,为列检人员故障等级判定提供了量值依据。经实验验证,该方法具有较强的抗干扰能力并取得了理想的检测精度。
Claims (10)
1.一种火车车轮踏面图像畸形校正方法,其特征在于包括如下步骤:
采集运动状态下铁路运输车辆的车轮踏面图像;
采用MSRCR算法对彩色的踏面图像进行处理用于恢复踏面图像的真彩色信息;
采用改进的彩色图像标记分水岭算法得到图像各连通域脊线图,根据采集踏面图像特点,寻找图像中像素点最多的连通域对踏面图像进行初次分割,提取出踏面曲面;
根据踏面曲面图像横向和纵向畸变的不同特点顺次进行平面横、纵坐标几何校正并在此过程中完成踏面区域的二次分割与视角转换;
输出踏面正视视角校正图像。
2.如权利要求1所述的火车车轮踏面图像畸形校正方法,其特征在于,所述的采集运动状态下铁路运输车辆的车轮踏面图像的方法如下:
在轨道外部位置固定若干个相机组成相机阵列,并在轨道的内侧等间隔设置相同数量接近传感器,每部相机对应一个接近传感器,车轮每经过一个接近传感器就触发对应的相机对车轮进行一次拍照,相机阵列采集的同一车轮不同位置图像包含完整轮对图像信息。
3.如权利要求1所述的火车车轮踏面图像畸形校正方法,其特征在于,所述的采用改进的彩色图像标记分水岭算法得到图像各连通域脊线图的方法如下:
获得踏面的彩色图像梯度图,进行形态学开闭重构;
对图像RGB彩色分量的极大值进行取或运算,保留各个彩色分量极大值信息得到区域极大值后进行先开运算后腐蚀的处理,完成前景标记;
对图像RGB彩色分量进行均值运算、OST阈值分割以及分水岭变换,得到背景标识后使用方形模版进行膨胀处理完成背景标记;
通过极小值标定方法得到修改后的彩色图像梯度值;
对修改后的彩色图像梯度值进行分水岭变换后得到图像各连通域脊线图;
根据采集踏面图像特点,寻找图像中像素点最多的连通域对踏面图像进行初次分割,提取出踏面曲面。
4.如权利要求1所述的火车车轮踏面图像畸形校正方法,其特征在于,所述的横坐标几何校正方法如下:
首先利用踏面曲面的灰度特点每行非零像素中前半部分的最大值来计算各行中轮辋侧面与踏面的交界点位置,利用求平均的方法计算轮缘与踏面交界点位置;
使用图像R分量两个交界点从踏面区域图像中截取出每行的踏面部分去除畸变严重的轮缘轮辋区域;
通过R分量分割的踏面区域对G分量和B分量矩阵进行分割处理;
将各颜色分量的各行的踏面区域使用最近邻重采样方法采样成指定宽度;
利用各分量重采样得到的各行的向量重构出踏面图像。
5.如权利要求1所述的火车车轮踏面图像畸形校正方法,其特征在于,所述的纵坐标几何校正方法如下:
利用计算出的数学模型对横坐标校正后的踏面图像在纵轴方向进行非线性映射重构;
对重构后的图像纵坐标进行双线性插值得到宽高比例与实际比例相同的踏面图像。
6.一种火车车轮踏面图像畸形校正***,其特征在于包括:
图像采集模块,用于采集运动状态下铁路运输车辆的车轮踏面图像;
图像预处理模块:采用MSRCR算法对彩色的踏面图像进行处理,用于恢复踏面图像的真彩色信息;
图像初次分割模块:用于采用改进的彩色图像标记分水岭算法得到图像各连通域脊线图并根据采集踏面图像特点,寻找图像中像素点最多的连通域对踏面图像进行初次分割,提取出踏面曲面;
图像校正及二次分割模块:用于根据踏面曲面图像横向和纵向畸变的不同特点顺次进行平面横、纵坐标几何校正并在此过程中完成踏面区域的二次分割与视角转换;
图像输出模块:用于输出踏面正视视角校正图像。
7.如权利要求6所述的火车车轮踏面图像畸形校正***,其特征在于:所述图像采集模块包括在轨道外部位置固定若干个相机组成相机阵列,并在轨道的内侧等间隔设置相同数量接近传感器,每部相机对应一个接近传感器,车轮每经过一个接近传感器就触发对应的相机对车轮进行一次拍照,相机阵列采集的同一车轮不同位置图像包含完整轮对图像信息。
8.如权利要求6所述的火车车轮踏面图像畸形校正***,其特征在于:所述图像初次分割模块用于获得踏面的彩色图像梯度图,进行形态学开闭重构;
对图像RGB彩色分量的极大值进行取或运算,保留各个彩色分量极大值信息得到区域极大值后进行先开运算后腐蚀的处理,完成前景标记;对图像RGB彩色分量进行均值运算、OST阈值分割以及分水岭变换,得到背景标识后使用方形模版进行膨胀处理完成背景标记;通过极小值标定方法得到修改后的彩色图像梯度图;对修改后的彩色图像梯度图进行分水岭变换后得到图像各连通域脊线图;根据采集踏面图像特点,寻找图像中像素点最多的连通域对踏面图像进行初次分割,提取出踏面曲面。
9.如权利要求6所述的火车车轮踏面图像畸形校正***,其特征在于:所述图像校正及二次分割模块包括横坐标几何校正模块以及纵坐标几何校正模块;所述横坐标几何校正模块首先利用踏面曲面的灰度特点每行非零像素中前半部分的最大值来计算各行中轮辋侧面与踏面的交界点位置,利用求平均的方法计算轮缘与踏面交界点位置;使用图像R分量两个交界点从踏面区域图像中截取出每行的踏面部分去除畸变严重的轮缘轮辋区域;通过R分量分割的踏面区域对G分量和B分量矩阵进行分割处理;将各颜色分量的各行的踏面区域使用最近邻重采样方法采样成指定宽度;利用各分量重采样得到的各行的向量重构出踏面图像。
10.如权利要求6所述的火车车轮踏面图像畸形校正***,其特征在于:所述图像校正及二次分割模块包括横坐标几何校正模块以及纵坐标几何校正模块;所述纵坐标几何校正模块利用计算出的数学模型对横坐标校正后的踏面图像在纵轴方向进行非线性映射重构;对重构后的图像纵坐标进行双线性插值得到宽高比例与实际比例相同的踏面图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710349621.4A CN107180416B (zh) | 2017-05-17 | 2017-05-17 | 火车车轮踏面图像畸形校正方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710349621.4A CN107180416B (zh) | 2017-05-17 | 2017-05-17 | 火车车轮踏面图像畸形校正方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107180416A true CN107180416A (zh) | 2017-09-19 |
CN107180416B CN107180416B (zh) | 2018-06-05 |
Family
ID=59831786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710349621.4A Active CN107180416B (zh) | 2017-05-17 | 2017-05-17 | 火车车轮踏面图像畸形校正方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107180416B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109668515A (zh) * | 2017-10-16 | 2019-04-23 | 苏州华兴致远电子科技有限公司 | 列车轮对尺寸动态检测***及检测方法 |
CN109726681A (zh) * | 2018-12-29 | 2019-05-07 | 北京航空航天大学 | 一种基于机器学习识别与图像分割的盲道识别定位算法 |
CN111223055A (zh) * | 2019-11-20 | 2020-06-02 | 南京拓控信息科技股份有限公司 | 一种列车车轮踏面图像校正方法 |
JP2020148744A (ja) * | 2019-03-15 | 2020-09-17 | シャープ株式会社 | 画像処理装置、および、画像処理方法 |
CN112801110A (zh) * | 2021-02-01 | 2021-05-14 | 中车青岛四方车辆研究所有限公司 | 轨道列车线阵相机图像畸变校正的目标检测方法及装置 |
CN112950493A (zh) * | 2021-02-01 | 2021-06-11 | 中车青岛四方车辆研究所有限公司 | 轨道列车线阵相机图像畸变校正方法及装置 |
CN113534740A (zh) * | 2021-09-16 | 2021-10-22 | 沈阳机床(集团)有限责任公司 | 一种火车车轮轮缘踏面的检测数据分析及修复方法 |
CN115311254A (zh) * | 2022-09-13 | 2022-11-08 | 万岩铁路装备(成都)有限责任公司 | 基于Harris-SIFT算法的钢轨轮廓匹配方法 |
CN115375693A (zh) * | 2022-10-27 | 2022-11-22 | 浙江托普云农科技股份有限公司 | 农业信息采集传感器探头缺陷检测方法、***及装置 |
CN116797479A (zh) * | 2023-06-26 | 2023-09-22 | 北京拙河科技有限公司 | 一种图像垂直畸变转换方法 |
CN117289235A (zh) * | 2023-11-24 | 2023-12-26 | 成都凌亚科技有限公司 | 一种天线雷达多通道信号采集处理设备及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100318304A1 (en) * | 2008-02-06 | 2010-12-16 | Ntn Corporation | Bearing for wheel with sensor |
CN104554344A (zh) * | 2014-12-19 | 2015-04-29 | 苏州华兴致远电子科技有限公司 | 踏面缺陷信息检测***及方法 |
-
2017
- 2017-05-17 CN CN201710349621.4A patent/CN107180416B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100318304A1 (en) * | 2008-02-06 | 2010-12-16 | Ntn Corporation | Bearing for wheel with sensor |
CN104554344A (zh) * | 2014-12-19 | 2015-04-29 | 苏州华兴致远电子科技有限公司 | 踏面缺陷信息检测***及方法 |
Non-Patent Citations (4)
Title |
---|
孙冉: "在线式轮对踏面擦伤成像检测***", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张海涛 等: "阈值标记的分水岭彩色图像分割", 《中国图象图形学报》 * |
田丽丽 等: "铁路货车车轮踏面伤损检测中剥离与擦伤定位方法", 《铁道学报》 * |
胡敏 等: "基于形态学标记连通的分水岭图像分割", 《电子测量与仪器学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109668515A (zh) * | 2017-10-16 | 2019-04-23 | 苏州华兴致远电子科技有限公司 | 列车轮对尺寸动态检测***及检测方法 |
CN109668515B (zh) * | 2017-10-16 | 2024-04-05 | 苏州华兴致远电子科技有限公司 | 列车轮对尺寸动态检测***及检测方法 |
CN109726681A (zh) * | 2018-12-29 | 2019-05-07 | 北京航空航天大学 | 一种基于机器学习识别与图像分割的盲道识别定位算法 |
JP7237671B2 (ja) | 2019-03-15 | 2023-03-13 | シャープ株式会社 | 画像処理装置、および、画像処理方法 |
JP2020148744A (ja) * | 2019-03-15 | 2020-09-17 | シャープ株式会社 | 画像処理装置、および、画像処理方法 |
CN111223055A (zh) * | 2019-11-20 | 2020-06-02 | 南京拓控信息科技股份有限公司 | 一种列车车轮踏面图像校正方法 |
CN112801110A (zh) * | 2021-02-01 | 2021-05-14 | 中车青岛四方车辆研究所有限公司 | 轨道列车线阵相机图像畸变校正的目标检测方法及装置 |
CN112801110B (zh) * | 2021-02-01 | 2022-11-01 | 中车青岛四方车辆研究所有限公司 | 轨道列车线阵相机图像畸变校正的目标检测方法及装置 |
CN112950493A (zh) * | 2021-02-01 | 2021-06-11 | 中车青岛四方车辆研究所有限公司 | 轨道列车线阵相机图像畸变校正方法及装置 |
CN113534740B (zh) * | 2021-09-16 | 2021-11-19 | 沈阳机床(集团)有限责任公司 | 一种火车车轮轮缘踏面的检测数据分析及修复方法 |
CN113534740A (zh) * | 2021-09-16 | 2021-10-22 | 沈阳机床(集团)有限责任公司 | 一种火车车轮轮缘踏面的检测数据分析及修复方法 |
CN115311254A (zh) * | 2022-09-13 | 2022-11-08 | 万岩铁路装备(成都)有限责任公司 | 基于Harris-SIFT算法的钢轨轮廓匹配方法 |
CN115375693A (zh) * | 2022-10-27 | 2022-11-22 | 浙江托普云农科技股份有限公司 | 农业信息采集传感器探头缺陷检测方法、***及装置 |
CN115375693B (zh) * | 2022-10-27 | 2023-02-10 | 浙江托普云农科技股份有限公司 | 农业信息采集传感器探头缺陷检测方法、***及装置 |
CN116797479A (zh) * | 2023-06-26 | 2023-09-22 | 北京拙河科技有限公司 | 一种图像垂直畸变转换方法 |
CN116797479B (zh) * | 2023-06-26 | 2024-02-02 | 北京拙河科技有限公司 | 一种图像垂直畸变转换方法 |
CN117289235A (zh) * | 2023-11-24 | 2023-12-26 | 成都凌亚科技有限公司 | 一种天线雷达多通道信号采集处理设备及方法 |
CN117289235B (zh) * | 2023-11-24 | 2024-01-30 | 成都凌亚科技有限公司 | 一种天线雷达多通道信号采集处理设备及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107180416B (zh) | 2018-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107180416B (zh) | 火车车轮踏面图像畸形校正方法及*** | |
CN109443480B (zh) | 基于图像处理的水位标尺定位及水位测量方法 | |
CN108355987B (zh) | 一种基于分块模板匹配的电池丝印质量检测方法 | |
CN104050446B (zh) | 一种基于指针宽度特征的仪表指针图像识别方法 | |
CN103207987B (zh) | 一种指针式仪表的示数识别方法 | |
CN109490316A (zh) | 一种基于机器视觉的表面缺陷检测算法 | |
CN110211101A (zh) | 一种铁轨表面缺陷快速检测***及方法 | |
CN105809138A (zh) | 一种基于分块识别的道路警告标志检测与识别方法 | |
CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN103034852B (zh) | 静止摄像机场景下特定颜色行人的检测方法 | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN104990926A (zh) | 一种基于视觉的tr元件定位和缺陷检测方法 | |
CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
CN110570422B (zh) | 一种基于矩阵分析的胶囊缺陷视觉检测方法 | |
CN106815583A (zh) | 一种基于mser和swt相结合的夜间车辆车牌定位方法 | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN110473199A (zh) | 一种基于深度学习实例分割的色斑痤疮检测与健康评价方法 | |
CN103258218B (zh) | 蒙版检测框架生成方法、装置、缺陷检测方法及装置 | |
CN115063579B (zh) | 基于二维图像和三维点云投影的列车定位销松动检测方法 | |
CN114820474A (zh) | 一种基于三维信息的列车车轮缺陷检测方法 | |
CN114972177A (zh) | 道路病害识别管理方法、装置及智能终端 | |
CN113962929A (zh) | 光伏电池组件缺陷检测方法、***及光伏电池组件生产线 | |
CN116665126A (zh) | 一种机器人巡检部件缺陷检测方法及其应用 |
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 |