CN110310276A - 一种基于几何特性的电气化铁路支撑装置管帽定位方法 - Google Patents
一种基于几何特性的电气化铁路支撑装置管帽定位方法 Download PDFInfo
- Publication number
- CN110310276A CN110310276A CN201910601591.0A CN201910601591A CN110310276A CN 110310276 A CN110310276 A CN 110310276A CN 201910601591 A CN201910601591 A CN 201910601591A CN 110310276 A CN110310276 A CN 110310276A
- Authority
- CN
- China
- Prior art keywords
- straight line
- image
- connection region
- connection
- pipe cap
- 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
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
- 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
- G06T7/70—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于几何特性的电气化铁路支撑装置管帽定位方法,通过对拍摄得到的支撑装置全局图像进行预处理、二值化处理、计算二值化图像联通区域的中心坐标、确定每个联通区域对应直线、将对应直线合并,最后对管帽进行定位。本发明采用了基于支撑装置的几何特征来检测臂管上管帽的方法,通过逐像素搜索来对管帽进行准确的定位。本发明能够准确的完成管帽区域的定位,检测结果不受拍摄时光照、角度以及支撑装置拍摄完整性的影响,鲁棒性强,且处理速度快,满足实际应用的要求,具有较高的实用前景和研究意义。
Description
技术领域
本发明涉及一种电气化铁路支撑装置检测方法,具体地说是一种基于几何特性的电气化铁路支撑装置管帽定位方法。
背景技术
接触网供电***作为电气化铁路的重要组成部分,直接影响着铁路***的正常运行。该***中的接触网悬挂状态检测监测装置(4C)部分由于拍摄的现场设备故障情况复杂、图像数据量巨大,难以实现自动识别。利用图像处理技术对4C图像自动识别中的支撑悬挂装置腕臂直线检测问题、管帽精确定位与故障自动识别问题,已成为接触网信息智能化的热点研究方向之一。
针对4C图像的故障识别,国内外学者已经做了很多相关研究。张春春利用机器学习和几何特征完成了接触网定位线夹的状态识别;杨亚明利用HOG+SVM完成绝缘子的定位,然后利用灰度统计特征完成其故障识别;韩烨利用HOG特征与二维Gabor小波变换完成了支撑装置耳片断裂故障识别。但是对于支撑装置的管帽定位识别问题,还没有学者做过相关研究。并且由于现场情况的多样性,采集得到的支撑装置图像会存在各种各样的情况,如因拍摄角度不同,导致图像中的支撑装置呈现各种角度;图像采集是由安装在高速运行的列车上的高速摄像机按照一定的频率采集的,会出现图像中支撑装置结构不完整的情况,甚至可能只拍摄到支撑装置上很小的一部分。这些不同的情况都增加了管帽定位的难度。
发明内容
本发明的目的就是提供一种基于几何特性的电气化铁路支撑装置管帽定位方法,以解决采用现有技术进行电气化铁路支撑装置管帽定位时检测结果差、定位准确率低的问题。
本发明是这样实现的:一种基于几何特性的电气化铁路支撑装置管帽定位方法,包括以下步骤:
a.输入支撑装置全局图像,将摄像装置拍摄得到的支撑装置全局图像输入至图像处理设备;
b.对支撑装置全局图像进行预处理,对图像进行滤波、去噪、直方图均衡化以及缩小操作,使图像满足后续图像处理的要求;
c.图像的二值化,对经过预处理的图像进行二值化处理,选择稍小于图像中镀锌部分的灰度值为阈值,比较图像中每个像素点的灰度值与设定阈值的大小关系,若像素点的灰度值大于阈值,则将该像素点设置为白色,反之将该像素点设置为黑色,得到若干个白色的联通区域,得到的白色区域便是提取出来的镀锌部分(R区域);
d.计算联通区域中心,根据得到的二值化图像计算每一个联通区域的中心坐标;
e.计算每个联通区域所对应直线,对原图像设定较小的阈值进行二值化处理,在二值化的原图上标记d步骤得到的各联通区域的中心坐标,利用最近像素法计算每一个联通区域对应直线;
f.对应直线合并,将所有的联通区域对应直线按照斜率进行分组,将斜率接近的联通区域对应直线分为一组,舍去只含有一条联通区域对应直线的组,留下的各组联通区域对应直线所对应的联通区域属于带有管帽的臂管,且同一组的联通区域对应直线所对应的联通区域属于同一个臂管,取留下的每组联通区域对应直线的斜率的均值为每组联通区域对应直线合并后唯一直线的斜率,取留下的每组联通区域对应直线所分别对应的联通区域中心坐标的均值为每组联通区域对应直线合并后唯一直线的中心点,得到每个带有管帽的臂管所对应的的唯一直线。
g.管帽端定位,对于每个带有管帽的臂管,从得到的对应唯一直线的中心点出发,沿得到的唯一直线向两端进行逐像素搜索,遇到第一个黑色像素点或超出图像范围则停止搜索,并记录搜索到的最后一个像素点的坐标为端点坐标,舍去非管帽端的端点坐标,以保留的端点坐标为中心在原图上截取管帽区域。
在步骤b中,对支撑装置全局图像采用双边滤波的方法进行去噪,并采用限制对比度自适应直方图均衡算法对图像进行对比度增强,最后使用临近插值法对图像进行缩小操作,得到所需要的图像。
为了确定最优的二值化图像,需要进行二值化阈值的选择,在步骤c中,使阈值以一定的步长逐步从100增加到255,使用每个阈值对预处理后的图像进行二值化处理,统计每一幅二值化图像中最大的联通区域的面积,并将每幅图中面积小于该幅图最大联通区域面积的1/25的联通区域舍去,统计每幅图中所保留的联通区域的数量,选择联通区域数量最大的二值化图像为最终所求的二值化图像。
在步骤d中,计算得到的每个联通区域的中心坐标为经过缩小后的图像的坐标,根据图像的缩放关系推算出原图中相对应的中心坐标,并在步骤e中标记推算出的原图中相对应的中心坐标。
在步骤e中,选择10为阈值。
在步骤g中,通过统计图像中管帽末端到其所在臂管上最近联通区域中心坐标的距离得到距离值D,D略大于图像中管帽末端到其所在臂管上最近的联通区域中心坐标的最大距离,计算每一个端点坐标到其所在臂管上最近的联通区域中心坐标的距离,若远远大于D,或判断端点坐标位于图像边缘,则舍去该端点坐标,所保留的端点坐标即为管帽端的顶点坐标。
在步骤f中,还需将各个联通区域的中心两两相互连接为直线,并根据联通区域中心相连形成的直线区分斜率相近的直线是否对应同一根臂管,若两个联通区域中心相连接所确定的直线与这两个联通区域单独所对应的联通区域对应直线的斜率很接近,则这两个联通区域对应直线属于同一个臂管;若两个联通区域中心相连接所确定的直线与这两个联通区域单独所对应的联通区域对应直线斜率均差别很大,则这两个联通区域单独所对应的联通区域对应直线属于不同的臂管。
本发明通过对拍摄得到的支撑装置全局图像进行预处理、二值化处理、计算二值化图像联通区域的中心坐标、确定每个联通区域对应直线、将对应直线合并,最后对管帽进行定位。本发明采用了基于支撑装置的几何特征来检测臂管上管帽的方法,通过逐像素搜索来对管帽进行准确的定位。
本发明能够准确的完成管帽区域的定位,检测结果不受拍摄时光照、角度以及支撑装置拍摄完整性的影响,鲁棒性强,且处理速度快,满足实际应用的要求,具有较高的实用前景和研究意义。
附图说明
图1是本发明的流程图。
图2是本发明支撑装置的全局图像。
图3是本发明经过二值化处理的图像。
图4是本发明标记有联通区域中心的小阈值二值化图像。
图5是本发明计算联通区域对应直线的示意图。
图6是本发明所有联通区域对应直线的示意图。
图7是本发明直线合并后的示意图。
图8是本发明完整图像上的端点示意图。
图9是本发明不完整图像上的端点示意图。
图10~图12为通过本发明检测到的管帽图像。
图13是本发明与传统的Hough变换方法实验对比结果。
图中:1、联通区域中心点;2、连通区域边界;3、联通区域对应直线。
具体实施方式
如图1所示,本发明包括以下步骤:
a.输入支撑装置全局图像,将摄像装置拍摄得到的支撑装置全局图像输入至图像处理设备;
b.对支撑装置全局图像进行预处理,对图像进行滤波、去噪、直方图均衡化以及缩小操作,使图像满足后续图像处理的要求;
c.图像的二值化,对经过预处理的图像进行二值化处理,选择稍小于图像中镀锌部分的灰度值为阈值,比较图像中每个像素点的灰度值与设定阈值的大小关系,若像素点的灰度值大于阈值,则将该像素点设置为白色,反之将该像素点设置为黑色,得到若干个白色的联通区域,得到的白色区域便是提取出来的镀锌部分(R区域);
d.计算联通区域中心,根据得到的二值化图像计算每一个联通区域的中心坐标;
e.计算每个联通区域所对应直线,对原图像设定较小的阈值进行二值化处理,在二值化的原图上标记d步骤得到的各联通区域的中心坐标,利用最近像素法计算每一个联通区域对应直线;
f.对应直线合并,将所有的联通区域对应直线按照斜率进行分组,将斜率接近的联通区域对应直线分为一组,舍去只含有一条联通区域对应直线的组,留下的各组联通区域对应直线所对应的联通区域属于带有管帽的臂管,且同一组的联通区域对应直线所对应的联通区域属于同一个臂管,取留下的每组联通区域对应直线的斜率的均值为每组联通区域对应直线合并后唯一直线的斜率,取留下的每组联通区域对应直线所分别对应的联通区域中心坐标的均值为每组联通区域对应直线合并后唯一直线的中心点,得到每个带有管帽的臂管所对应的的唯一直线。
g.管帽端定位,对于每个带有管帽的臂管,从得到的对应唯一直线的中心点出发,沿得到的唯一直线向两端进行逐像素搜索,遇到第一个黑色像素点或超出图像范围则停止搜索,并记录搜索到的最后一个像素点的坐标为端点坐标,舍去非管帽端的端点坐标,以保留的端点坐标为中心在原图上截取管帽区域。
支撑装置主体的臂管表面都有亮银色的镀锌涂层,这使得这一部分在图片中的灰度值普遍大于其它部位,且该特点属于支撑装置本身的结构特点,不会因为支撑装置结构拍摄不完整或拍摄角度变化而发生变化,所以本发明通过这一结构特点为入手点,实现4C图像支撑装置臂管的直线测量。
如图2所示,因为铁路***的维护与检修工作只能在特意留出的夜间固定时间段进行,所以只能再夜间采集4C图像。所以在对图像进行处理前,需要对图像进行滤波去噪等预处理,当图像中所需的信息表达较弱或者图像对比度较低时,还需对图像进行图像增强,以满足后续图像处理的要求。本发明针对图像的特点采用双边滤波的方法,此方法在滤波去噪的同时可以较好的保留边缘细节信息。同时采用限制对比度自适应直方图均衡化算法来进行图像对比度增强。然后,选择邻近插值法对图像进行缩小操作,这样可以在保障算法识别结果准确性的基础上,最大程度的缩短计算所需时间。
如图3所示,在整个图像中,R区域是灰度值最大的区域,但同时也存在一些非R区域(如定位套管),虽然其灰度值小于R区域,但是两者的灰度值比较接近。对比支撑装置主体结构并通过实际操作可知,若使二值化阈值从小到大逐步变化,则亮银色部分形成的联通区域个数最多,且其形成的联通区域中面积最小和最大的联通区域的面积差也不会超过25倍。根据大量的图片分析可知,R区域的灰度值都是在120度以上。所以把阈值从100以一定的步长逐步增加到255,以每个阈值对经过预处理的图像进行二值化,并统计每一幅图中最大联通区域的面积,为了排除某些区域极大值的干扰,对图像中的联通区域,如果其面积大于最大联通区域面积的1/25则保留,否则舍去。最后统计图中所有剩下的联通区域的个数,选择联通区域数量最大的一幅图作为最优的二值化图像,其对应的阈值为最优的二值化阈值,这样就能够非常准确的提取R区域。
联通区域中心是根据联通区域中所有的点计算得到的,其计算公式如下:
其中,x,y为像素点坐标,A为区域像素点总数。
根据公式计算上一步得到的二值化图像中每个联通区域的中心坐标。因为二值化的图像是经过预处理的,图像是原图经过缩小处理得到的,所以得到二值化图像中联通区域的中心坐标后,根据缩小前后图像中像素点坐标的对应关系,即可推出原图中对应的中心坐标。
如图4所示,对原图选取阈值为10进行二值化,在得到的二值化图像中标记上一步得到的联通区域中心,并利用最近像素法求每个联通区域对应直线3(如图5所示)。联通区域中心点1位于二值化联通区域内,联通区域为长条形,且联通区域边界2为相互平行的两条直线,根据集合原理可知,距离联通区域中心点1最近的黑色像素点与联通区域中心点1的连线必定垂直于联通区域边界2,过联通区域中心点1且垂直于该连线的直线便是联通区域对应直线3。由于该方法是像素级操作,图像分辨率越高准确性越高,所以在使用最近像素法求解联通区域对应直线3时是在原图的二值化图像进行的,且选择数值较小的10为二值化阈值。
如图6所示,根据上一步求得所有联通区域对应直线。根据观察可知,带有管帽的臂管所对应的联通区域对应直线大于一条,而没有管帽的臂管则只对应一条联通区域对应直线,由此可以将所有的联通区域对应直线进行分类筛选。先将所有的联通区域对应直线分组,将斜率接近的联通区域对应直线分在同一个组内,如果没有与其斜率相近的联通区域对应直线,则将该联通区域对应直线单独分在一组,将联通区域对应直线分好组后,通过每一个组内联通区域对应直线的数量进行取舍,将联通区域对应直线数量为一的组舍去,将联通区域对应直线数量大于一的组保留。联通区域对应直线数量大于一的组所对应的臂管为带有管帽的臂管,舍去的联通区域对应直线所对应的臂管为不带有管帽的臂管。
由于联通区域的边界是由像素组成的,所以边界不是平滑的直线,这样计算得到的每个联通区域对应直线的斜率都有一定的微小误差,而且由于支撑装置的几何特点,有两个臂管为近似平行的,所得到的联通区域对应直线的斜率可能会很相近,所以会出现被误分到一组的情况。为了确定联通区域对应直线是否为同一臂管所对应的直线,通过所有联通区域中心两两相连形成的直线进行判断。任意的两个联通区域的中心可以确定一条直线,如果这两个联通区域处于同一条臂管上,则通过联通区域中心确定的直线与两个联通区域单独所对应的联通区域对应直线的斜率是很接近的,则可以判断这两个联通区域对应直线是属于同一个臂管的;如果通过联通区域中心确定的直线与两个联通区域单独所对应的联通区域对应直线斜率均差别很大,则这两个联通区域单独所对应的联通区域对应直线属于不同的臂管。通过这一方法可以进一步判断同一组内的联通区域对应直线是否对应同一根臂管。
如图7所示,对留下的每一根带有管帽的臂管所对应的联通区域对应直线进行合并,计算留下的每一组联通区域对应直线的斜率的均值,并求每一组直线所对应的联通区域中心的中心坐标的均值。以得到的中心坐标均值为合并后直线的中心点,以得到的斜率均值为合并后直线的斜率,从而得每一个带管帽的臂管合并后的唯一直线。
对管帽进行定位时,从合并后的唯一直线的中心点出发,沿直线向两端进行逐像素的搜索,当遇到第一个黑色像素点或超出图像范围时停止搜索,并记录该点的坐标。如图8、图9所示,为定位得到的几种典型的臂管端点类型,由于存在支撑装置拍摄不完整或图中不存在管帽部位,需要进一步的从定位到的端点中筛选出管帽区域。
根据对大量的图片进行分析,确定支撑装置在所有的图片中的尺寸变化不是很大,管帽末端与其所在臂管上最近的联通区域中心之间的距离处于一定的范围内,如果确定的端点不是管帽端,端点与其所在臂管上最近的联通区域的中心之间的距离会远远大于这个范围值。在本实施方式中,由于图片大小为6600*4400,管帽末端与其所在臂管上最近的联通区域中心之间的距离处于30~280(像素)之间,如果确定的端点不是管帽端,端点与其所在臂管上最近的联通区域中心之间的距离会远远大于280(像素)。设定距离值D=300,统计定位得到的端点与其所在臂管上最近的联通区域中心之间的距离,若该距离小于D,则该端点为管帽端;若该距离远远大于D或端点坐标位于图像的边缘,则舍去该端点。通过这种方法可以准确的对管帽进行定位,如图10、图11、图12所示,为最后通过得到的管帽端坐标截取的管帽图像。
为了对本发明的方法性能进行分析,对本发明与传统的Hough变换方法在计算臂管相应直线阶段进行对比:
随机选择50张不同类型的现场支撑装置图片,其中包括不同完整程度的支撑装置图像、正反不同定位的图像以及不同补光强度的图像,分别使用两种方法进行试验,实验结果图13所示。
由实验结果可以看出:Hough变换检测方法虽然可以检测出图像中的直线特征,但是检测出的结果仅仅只是腕臂的边缘部分直线特征,检测效果极差,存在很多误检和漏检情况,且检测时间相比于本文方法也较长。而本文方法不仅可以很好的检测腕臂的直线,而且该直线处于腕臂上,可以很好的代表腕臂直线,检测准确性远远高于Hough方法,且在检测时间上也优于前者。因此,本文提出的线检测方法更加适用于支撑装置的腕臂直线检测。
根据实验,本文算法可以很好的完成管帽区域的定位,检测结果不受光照、角度、和支撑装置拍摄的完整性影响,鲁棒性强;在检测时间方面平均每张图像的处理时间不到1s,满足实际应用的要求,具有较高的实用前景和研究意义。
Claims (7)
1.一种基于几何特性的电气化铁路支撑装置管帽定位方法,其特征在于,包括以下步骤:
a.输入支撑装置全局图像,将摄像装置拍摄得到的支撑装置全局图像输入至图像处理设备;
b.对支撑装置全局图像进行预处理,对图像进行滤波、去噪、直方图均衡化以及缩小操作,使图像满足后续图像处理的要求;
c.图像的二值化,对经过预处理的图像进行二值化处理,选择稍小于图像中镀锌部分的灰度值为阈值,比较图像中每个像素点的灰度值与设定阈值的大小关系,若像素点的灰度值大于阈值,则将该像素点设置为白色,反之将该像素点设置为黑色,得到若干个白色的联通区域,得到的白色区域便是提取出来的镀锌部分(R区域);
d.计算联通区域中心,根据得到的二值化图像计算每一个联通区域的中心坐标;
e.计算每个联通区域所对应直线,对原图像设定较小的阈值进行二值化处理,在二值化的原图上标记d步骤得到的各联通区域的中心坐标,利用最近像素法计算每一个联通区域对应直线;
f.对应直线合并,将所有的联通区域对应直线按照斜率进行分组,将斜率接近的联通区域对应直线分为一组,舍去只含有一条联通区域对应直线的组,留下的各组联通区域对应直线所对应的联通区域属于带有管帽的臂管,且同一组的联通区域对应直线所对应的联通区域属于同一个臂管,取留下的每组联通区域对应直线的斜率的均值为每组联通区域对应直线合并后唯一直线的斜率,取留下的每组联通区域对应直线所分别对应的联通区域中心坐标的均值为每组联通区域对应直线合并后唯一直线的中心点,得到每个带有管帽的臂管所对应的的唯一直线;
g.管帽端定位,对于每个带有管帽的臂管,从得到的对应唯一直线的中心点出发,沿得到的唯一直线向两端进行逐像素搜索,遇到第一个黑色像素点或超出图像范围则停止搜索,并记录搜索到的最后一个像素点的坐标为端点坐标,舍去非管帽端的端点坐标,以保留的端点坐标为中心在原图上截取管帽区域。
2.根据权利要求1所述的基于几何特性的电气化铁路支撑装置管帽定位方法,其特征在于,在步骤b中,对支撑装置全局图像采用双边滤波的方法进行去噪,并采用限制对比度自适应直方图均衡算法对图像进行对比度增强,最后使用临近插值法对图像进行缩小操作,得到所需要的图像。
3.根据权利要求1所述的基于几何特性的电气化铁路支撑装置管帽定位方法,其特征在于,在步骤c中,使阈值以一定的步长逐步从100增加到255,使用每个阈值对预处理后的图像进行二值化处理,统计每一幅二值化图像中最大的联通区域的面积,并将每幅图中面积小于该幅图最大联通区域面积的1/25的联通区域舍去,统计每幅图中所保留的联通区域的数量,选择联通区域数量最大的二值化图像为最终所求的二值化图像。
4.根据权利要求1所述的基于几何特性的电气化铁路支撑装置管帽定位方法,其特征在于,在步骤d中,计算得到的每个联通区域的中心坐标为经过缩小后的图像的坐标,根据图像的缩放关系推算出原图中相对应的中心坐标,并在步骤e中标记推算出的原图中相对应的中心坐标。
5.根据权利要求1所述的基于几何特性的电气化铁路支撑装置管帽定位方法,其特征在于,在步骤e中,选择10为阈值。
6.根据权利要求1所述的基于几何特性的电气化铁路支撑装置管帽定位方法,其特征在于,在步骤g中,通过统计图像中管帽末端到其所在臂管上最近联通区域中心坐标的距离得到距离值D,D略大于图像中管帽末端到其所在臂管上最近的联通区域中心坐标的最大距离,计算每一个端点坐标到其所在臂管上最近的联通区域中心坐标的距离,若远远大于D,或判断端点坐标位于图像边缘,则舍去该端点坐标,所保留的端点坐标即为管帽端的顶点坐标。
7.根据权利要求1所述的基于几何特性的电气化铁路支撑装置管帽定位方法,其特征在于,在步骤f中,还需将各个联通区域的中心两两相互连接为直线,并根据联通区域中心相连形成的直线区分斜率相近的联通区域对应直线是否对应同一根臂管,若两个联通区域中心相连接所确定的直线与这两个联通区域单独所对应的联通区域对应直线的斜率很接近,则这两个联通区域对应直线属于同一个臂管;若两个联通区域中心相连接所确定的直线与这两个联通区域单独所对应的联通区域对应直线斜率均差别很大,则这两个联通区域单独所对应的联通区域对应直线属于不同的臂管。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910601591.0A CN110310276B (zh) | 2019-07-05 | 2019-07-05 | 一种基于几何特性的电气化铁路支撑装置管帽定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910601591.0A CN110310276B (zh) | 2019-07-05 | 2019-07-05 | 一种基于几何特性的电气化铁路支撑装置管帽定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110310276A true CN110310276A (zh) | 2019-10-08 |
CN110310276B CN110310276B (zh) | 2022-11-18 |
Family
ID=68078017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910601591.0A Active CN110310276B (zh) | 2019-07-05 | 2019-07-05 | 一种基于几何特性的电气化铁路支撑装置管帽定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110310276B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004004974A (ja) * | 2003-08-25 | 2004-01-08 | Seiko Epson Corp | 画像形成装置 |
CN104236498A (zh) * | 2014-09-30 | 2014-12-24 | 中铁山桥集团有限公司 | 一种道岔钢轨件端面尺寸的测量方法 |
CN106290393A (zh) * | 2016-08-31 | 2017-01-04 | 西南交通大学 | 一种高铁接触网斜腕臂管帽丢失检测方法 |
CN107169951A (zh) * | 2016-03-03 | 2017-09-15 | 成都交大光芒科技股份有限公司 | 一种基于图像的斜腕臂末端管帽的缺失检测方法及*** |
CN206703995U (zh) * | 2017-05-08 | 2017-12-05 | 山东齐林电力设备股份有限公司 | 电气化铁路接触网导线支撑n型定位装置 |
CN108297887A (zh) * | 2017-09-26 | 2018-07-20 | 山西聚鑫顺科技有限公司 | 一种固定驼背运输厢式半挂车的锁具装置 |
CN109146852A (zh) * | 2018-07-30 | 2019-01-04 | 国网江苏省电力有限公司电力科学院研究院 | 一种基于红外图像的瓷绝缘子串铁帽盘面边缘检测方法 |
-
2019
- 2019-07-05 CN CN201910601591.0A patent/CN110310276B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004004974A (ja) * | 2003-08-25 | 2004-01-08 | Seiko Epson Corp | 画像形成装置 |
CN104236498A (zh) * | 2014-09-30 | 2014-12-24 | 中铁山桥集团有限公司 | 一种道岔钢轨件端面尺寸的测量方法 |
CN107169951A (zh) * | 2016-03-03 | 2017-09-15 | 成都交大光芒科技股份有限公司 | 一种基于图像的斜腕臂末端管帽的缺失检测方法及*** |
CN106290393A (zh) * | 2016-08-31 | 2017-01-04 | 西南交通大学 | 一种高铁接触网斜腕臂管帽丢失检测方法 |
CN206703995U (zh) * | 2017-05-08 | 2017-12-05 | 山东齐林电力设备股份有限公司 | 电气化铁路接触网导线支撑n型定位装置 |
CN108297887A (zh) * | 2017-09-26 | 2018-07-20 | 山西聚鑫顺科技有限公司 | 一种固定驼背运输厢式半挂车的锁具装置 |
CN109146852A (zh) * | 2018-07-30 | 2019-01-04 | 国网江苏省电力有限公司电力科学院研究院 | 一种基于红外图像的瓷绝缘子串铁帽盘面边缘检测方法 |
Non-Patent Citations (3)
Title |
---|
SHUOHE WANG等: "Identification Algorithm of Electrical Equipment Type and Fault State Based on FastPCA and SVM", 《2019 IEEE 3RD INFORMATION TECHNOLOGY,NETWORKING,ELECTRONIC AND AUTOMATION CONTROL CONFERENCE》 * |
吴光龙: "基于机器视觉的接触网巡检关键技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
李安: "基于ANSYS的高速铁路接触网***静态找形研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110310276B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742286B (zh) | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 | |
CN105741291B (zh) | 一种高速铁路接触网悬挂装置等电位线故障检测方法 | |
CN104574353B (zh) | 基于视觉显著性的表面缺陷判定方法 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测***及方法 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
Liang et al. | Defect detection of rail surface with deep convolutional neural networks | |
CN108960255A (zh) | 基于颜色相似性和位置聚集性的显著性织物疵点检测方法 | |
CN104361314A (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN106290392A (zh) | 一种小微轴承表面凹痕缺陷在线检测方法及其*** | |
CN107833211A (zh) | 基于红外图像的零值绝缘子自动检测方法及装置 | |
CN108109154A (zh) | 一种工件的新型定位及数据获取方法 | |
CN108582075A (zh) | 一种智能机器人视觉自动化抓取*** | |
CN111738931B (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
Zhang et al. | Multi-scale defect detection of printed circuit board based on feature pyramid network | |
CN106650735B (zh) | 一种led字符自动定位识别方法 | |
Zhao et al. | Detecting insulators in the image of overhead transmission lines | |
Oni et al. | Patterned fabric defect detection and classification (FDDC) techniques: a review | |
Jia | Fabric defect detection based on open source computer vision library OpenCV | |
CN107545565B (zh) | 一种太阳能网版检测方法 | |
CN110310276A (zh) | 一种基于几何特性的电气化铁路支撑装置管帽定位方法 | |
CN117036259A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
Zhu et al. | Fast and robust 2D-shape extraction using discrete-point sampling and centerline grouping in complex images | |
Yang et al. | Cherry recognition based on color channel transform | |
CN108648177A (zh) | 一种列车部件完整性检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |