CN110567383A - 基于结构森林和亚像素的受电弓磨耗预警***及检测方法 - Google Patents
基于结构森林和亚像素的受电弓磨耗预警***及检测方法 Download PDFInfo
- Publication number
- CN110567383A CN110567383A CN201910693615.XA CN201910693615A CN110567383A CN 110567383 A CN110567383 A CN 110567383A CN 201910693615 A CN201910693615 A CN 201910693615A CN 110567383 A CN110567383 A CN 110567383A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- pantograph
- edge
- forest
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
-
- 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
- G06T7/80—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
- G06T2207/10—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
- G06T2207/20—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
-
- 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
- G06T2207/30204—Marker
- G06T2207/30208—Marker matrix
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于结构森林和亚像素的受电弓磨耗预警***及检测方法,该***包括图像采集模块、图像预处理模块、结构森林快速边缘检测模块、亚像素检测模块、相机标定模块和判断模块;该方法为:图像采集模块采集图像输送至图像预处理模块对图像进行预处理,结构森林快速边缘检测模块和亚像素检测模块对预处理后的图像进行边缘检测,相机标定模块对图像进行相机标定和对比计算,判断模块判断受电弓磨耗是否超限。本发明涉及结构森林快速边缘检测算法忽略局部干扰信息,强化边界提取,具有很好的鲁棒性和高准确性;亚像素边缘检测算法,在整像素检测的基础上,明显提高***检测精度;此预警***可对受电弓实时监测,自动化程度高、效率高。
Description
技术领域
本发明涉及基于结构森林和亚像素的受电弓磨耗预警***及检测方法,属于智能交通预警技术领域。
背景技术
受电弓是机车上十分重要的取电设备,它通过与接触网之间的滑动接触获取电能提供给机车,在列车运行过程当中,受电弓滑板与接触网之间连续的接触滑动会使受电弓滑板不断地发生磨耗,当滑板厚度低于规定值时,须更换受电弓,否则会产生严重的交通事故,因此,为了列车的运行安全,对受电弓开展实时有效的检测是十分必要的。
随着科学技术的飞速发展,交通行业的日益发达,机车的设备检测也逐渐走向自动化、智能化,传统的在线检测技术劳动量大、效率低下,不能保证检测的精确性,给机车设备带来了安全隐患。本发明提出基于结构森林和亚像素的受电弓磨耗预警***,该***所涉及结构森林快速边缘检测算法可较好地忽略局部干扰信息,强化边界提取,具有很好的鲁棒性和高准确性,对于受电弓的自动检修具有积极意义,该***所涉及亚像素边缘检测算法,在整像素检测的基础上,明显提高***检测精度,此预警***对受电弓实时监测,有效预防安全事故发生,具有精度高、效率高、自动化程度高、安全性好、可实时监测、便捷性好等优点。用图像处理的检测方式来检测受电弓相比人工检测方式来说,具有自动化高、精度高、效率高、非接触、成本低的特点。
发明内容
本发明目的在于提供一种基于结构森林和亚像素的受电弓磨耗预警***及检测方法,快速准确地对受电弓的上边缘和下边缘进行提取,从而判断其磨耗是否超限,及时更换受电弓,防止车辆安全事故的发生。
为了解决上述问题,本发明提供基于结构森林和亚像素的受电弓磨耗预警***,其具体技术方案如下:
基于结构森林和亚像素的受电弓磨耗预警***,包括图像采集模块、图像预处理模块、结构森林快速边缘检测模块、亚像素检测模块、相机标定模块和判断模块;图像采集模块采集图像输送至图像预处理模块对图像进行预处理,结构森林快速边缘检测模块对预处理后的图像利用结构森林快速边缘检测算法得到整像素级别边缘,亚像素检测模块构造边缘函数模型进行最小二乘法拟合得到亚像素边缘点,相机标定模块对图像进行相机标定和对比计算获得受电弓磨耗实际厚度,判断模块判断受电弓磨耗是否超限。
进一步的,所述图像采集模块用高速工业相机和光电传感器对***测量区域的受电弓的图像进行采集。
进一步的,所述图像预处理模块用中值滤波对图像进行预处理,减少图像中的干扰信息,保留边界信息。
进一步的,所述结构森林快速边缘检测模块进行结构森林快速边缘检测包括:
a.训练随机决策森林:
单颗决策树ft(x)根据二元分解函数h(x,θj)∈{0,1}在树的左边或右边反复分支来对样本x∈X进行分类,直到达到叶节点,若h(x,θj)=0,则节点j向左发送x,否则向右发送,过程终止于叶节点;进行递归训练来寻找分解函数h(x,θj)中的参数θj使此函数良好分解,直到达到设定的树深度或信息增益的阈值,信息增益标准的形式:
Ij=I(Sj,Sj L,Sj R)
其中Sj L={(x,y)∈Sj|h(x,θj)=0},Sj R=Sj/Sj R,θj为使Ij最大化时的增益参数,使用Sj L训练左节点,使用Sj R训练右节点,标准信息增益的定义为:
其中H(S)=-∑ypylog(py)表示香农熵,py是训练数据Sj中带有标签y的概率;通过训练多棵不相关的树组合成森林解决单棵决策树出现不稳定和过拟合的情况,训练采用BSDS数据集作为训练数据,输入随机抽样的像素块x或特征类别作为训练数据可以提高决策森林的准确率;
b.输入图像:训练结构森林边缘检测模型后,输入预处理后的RGB图像进行边缘检测;
c.随机森林结构化输出:
标签集合Y中的每个结构标签y有一定的相似度,信息增益Ij依靠度量结构标签y的相似度来计算,这样会导致不易定义Ij,为了方便计算Ij,定义节点j,将该节点上的所有标签y离散化映射到离散化标签c,便可以用c代替y计算Ij,
π:y∈Y→c∈C{1,2,...,k}
即采用二阶映射将标签y的相似度离散化映射到离散化标签c,先定义映射π:y→Z将具有标签y的像素块编码为二元向量,在Z中计算z之间的欧氏距离以区分具有相似标签y的像素块是否属于同一分割,为了降低计算量,在Z中取m维特征形成低维映射π:φ:Y→Z,定义π:φ:Z→C,采用主成分分析降维量化,根据z所在的具体象限给定具体标签C(1,2,...,K),此处取k=2;
d.图像二值化处理:将图像上的像素点的灰度值设置为0或255,得到黑白图像;
e.提取上下边缘:受电弓轮廓图的受电弓上边缘由图像每一列第一个像素为1的像素点构成,下边缘由图像每一列第二个像素为1的像素点构成,采用“列搜索法”提取上边缘,这些像素点组成图像矩阵T,矩阵T反映的图像进行Hough直线检测,检测到的直线所在的位置即在受电弓下边缘上,扩展该直线即得到受电弓下边缘。
进一步的,所述亚像素检测模块进行亚像素检测包括:
a.确定梯度方向:灰度变化最大的方向为梯度方向,亚像素级的边缘位于该梯度方向上,以梯度方向为x轴正轴,对应的像素灰度值为y轴,建立一个直角坐标系;
b.通过模拟摄像机的模糊作用来构造边缘函数模型:选取二次多项式来模拟具有模糊作用的低通滤波器,选取阶跃函数为理想阶跃边缘函数模型,令h(x)与f(x)进行卷积构造出边缘模型I(x)=f(x)*h(x)=ax3+bx2+cx+d;
c.寻找亚像素边缘点的位置:令得到亚像素边缘点位置
d.使用构造的边缘函数模型I(x)与边缘所在区域的像素点进行最小二乘法拟合,设最小二乘法返回的残差平方和为S,
其中I(x)表示边缘模型中估计灰度值,y(x)表示真实图像灰度值,要使S最小,那么需满足S对各个参数的一阶导数等于0,二阶导数大于0,据此算出一组参数a,b,c,d,此参数为三次多项式I(x)=ax3+bx2+cx+d的边缘模型参数,从而计算出亚像素边缘的位置。
进一步的,所述相机标定模块采用棋盘格标定法进行相机标定,将棋盘格标定纸和受电弓滑板面置于同一平面进行图像采集,棋盘格每个正方形的边长为len,用角点检测方法确定若干个正方形的顶点,顶点的坐标为图像坐标,设得到的若干顶点的图像坐标矩阵为:
定义其对应的世界坐标矩阵为:
其中n≥4,由此便确定了n个世界坐标系坐标已知的空间点,便可以求得m',也就确定了世界坐标系和图像坐标系的转换关系,亚像素点的图像坐标已知,通过图像坐标得到对应的世界坐标,确定上下边缘的各点的距离,上下边缘之间的距离即为受电弓厚度,与受电弓初始厚度对比知道其磨损程度。
进一步的,所述判断模块判断受电弓的磨耗是否超限,若受电弓磨耗超限则更换新的受电弓,否则返回图像预处理模块。
基于结构森林和亚像素的受电弓磨耗预警检测方法,包括以下步骤:
步骤1:图像采集,用高速工业相机和光电传感器对***测量区域的受电弓的图像进行精确采集;
步骤2:图像预处理,判断采集的图像像素点是否为边缘像素点,若该点为边缘像素点则直接输出该点像素值,否则对该点进行中值滤波,中值滤波后的像素值输出;
步骤3:构森林快速边缘检测,用结构森林快速边缘检测算法,对预处理后的图像处理,得到整像素级别边缘的图像;
步骤4:亚像素检测,对图像确定梯度方向,用高速工业相机的模糊作用构造边缘函数模型,寻找亚像素边缘点的位置,使用构造的边缘函数模型与边缘所在区域的像素点进行最小二乘法拟合,得到边缘函数模型的参数从而得到亚像素边缘点;
步骤5:相机标定,找到受电弓表面一点的几何位置与其在图像中对应的关系,通过图像对比计算得到受电弓实际厚度;
步骤6:判断磨耗是否超限:根据相机标定得到的受电弓实际厚度判断受电弓磨耗是否超限,受电弓磨耗超限则立即更换新的受电弓,否则返回图像预处理模块。
有益效果:
1、在整像素检测部分,结构森林快速边缘检测算法与常用的Canny算法相比,干扰性边缘明显减少且鲁棒性好,准确性高;
2、采用基于拟合的亚像素的边缘检测算法,在整像素检测的基础上,将检测结果精确到亚像素级别,再次提高检测精度与准确性;
3、自动化程度高、安全性好,相比于传统的人工检测方法,图像处理方法节省了大量人力物力成本,同时提高了检修过程的安全性;
4、便捷性好,列车不停车即可进行检测,避免停车这一环节;
5、可实时检测,检测实时进行,磨耗超限可立刻报警,提高安全系数。
附图说明
图1为本发的流程示意图,
图2为本发明结构森林快速边缘检测模块的工作流程图,
图3为本发明亚像素检测模块的工作流程图,
图4为本发明结构森林检测算法提取到的受电弓上下边缘图,
图5为本发明相机标所用棋盘格。
具体实施方式
下面将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,本领域技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明的保护范围。
如图1所示,基于结构森林和亚像素的受电弓磨耗预警***包括图像采集模块、图像预处理模块、结构森林快速边缘检测模块、亚像素检测模块、相机标定模块和判断模块;本实施例还提供一种基于结构森林和亚像素的受电弓磨耗预警检测方法,包括以下步骤:
步骤1:图像采集,用高速工业相机和光电传感器对***测量区域的受电弓的图像进行精确采集;
步骤2:图像预处理,判断采集的图像像素点是否为边缘像素点,若该点为边缘像素点则直接输出该点像素值,否则对该点进行中值滤波,中值滤波后的像素值输出;
步骤3:构森林快速边缘检测,用结构森林快速边缘检测算法,对预处理后的图像处理,得到整像素级别边缘的图像;
步骤4:亚像素检测,对图像确定梯度方向,利用高速工业相机的模糊作用构造边缘函数模型,寻找亚像素边缘点的位置,使用构造的边缘函数模型与边缘所在区域的像素点进行最小二乘法拟合,得到边缘函数模型的参数从而得到亚像素边缘点;
步骤5:相机标定,找到受电弓表面一点的几何位置与其在图像中对应的关系,通过图像对比计算得到受电弓实际厚度;
步骤6:判断磨耗是否超限:根据相机标定得到的受电弓实际厚度判断受电弓磨耗是否超限,受电弓磨耗超限则立即更换新的受电弓,否则返回图像预处理模块。
如图2所示,结构森林快速边缘检测模块进行结构森林快速边缘检测包括:
a.训练随机决策森林:
单颗决策树ft(x)根据二元分解函数h(x,θj)∈{0,1}在树的左边或右边反复分支来对样本x∈X进行分类,直到达到叶节点,若h(x,θj)=0,则节点j向左发送x,否则向右发送,过程终止于叶节点;进行递归训练来寻找分解函数h(x,θj)中的参数θj使此函数良好分解,直到达到设定的树深度或信息增益的阈值,信息增益标准的形式:
Ij=I(Sj,Sj L,Sj R)
其中Sj L={(x,y)∈Sj|h(x,θj)=0},Sj R=Sj/Sj R,θj为使Ij最大化时的增益参数,使用Sj L训练左节点,使用Sj R训练右节点,标准信息增益的定义为:
其中H(S)=-∑ypylog(py)表示香农熵,py是训练数据Sj中带有标签y的概率;通过训练多棵不相关的树组合成森林解决单棵决策树出现不稳定和过拟合的情况,训练采用BSDS数据集作为训练数据,输入随机抽样的像素块x或特征类别作为训练数据可以提高决策森林的准确率;
b.输入图像:训练结构森林边缘检测模型后,输入预处理后的RGB图像进行边缘检测;
c.随机森林结构化输出:
标签集合Y中的每个结构标签y有一定的相似度,信息增益Ij依靠度量结构标签y的相似度来计算,这样会导致不易定义Ij,为了方便计算Ij,定义节点j,将该节点上的所有标签y离散化映射到离散化标签c,便可以用c代替y计算Ij,
π:y∈Y→c∈C{1,2,...,k}
即采用二阶映射将标签y的相似度离散化映射到离散化标签c,先定义映射π:y→Z将具有标签y的像素块编码为二元向量,在Z中计算z之间的欧氏距离以区分具有相似标签y的像素块是否属于同一分割,为了降低计算量,在Z中取m维特征形成低维映射π:φ:Y→Z,定义π:φ:Z→C,采用主成分分析降维量化,根据z所在的具体象限给定具体标签C(1,2,...,K),此处取k=2;
d.图像二值化处理:将图像上的像素点的灰度值设置为0或255,得到黑白图像;
e.提取上下边缘:受电弓轮廓图的受电弓上边缘由图像每一列第一个像素为1的像素点构成,下边缘由图像每一列第二个像素为1的像素点构成,采用“列搜索法”提取上边缘,这些像素点组成图像矩阵T,矩阵T反映的图像进行Hough直线检测,检测到的直线所在的位置即在受电弓下边缘上,扩展该直线即得到受电弓下边缘。
如图3所示,亚像素检测模块进行亚像素检测包括:
a.确定梯度方向:灰度变化最大的方向为梯度方向,亚像素级的边缘位于该梯度方向上,以梯度方向为x轴正轴,对应的像素灰度值为y轴,建立一个直角坐标系;
b.通过模拟摄像机的模糊作用来构造边缘函数模型:选取二次多项式来模拟具有模糊作用的低通滤波器,选取阶跃函数为理想阶跃边缘函数模型,令h(x)与f(x)进行卷积构造出边缘模型I(x)=f(x)*h(x)=ax3+bx2+cx+d;
c.寻找亚像素边缘点的位置:令得到亚像素边缘点位置
d.使用构造的边缘函数模型I(x)与边缘所在区域的像素点进行最小二乘法拟合,设最小二乘法返回的残差平方和为S,
其中I(x)表示边缘模型中估计灰度值,y(x)表示真实图像灰度值,要使S最小,那么需满足S对各个参数的一阶导数等于0,二阶导数大于0,据此算出一组参数a,b,c,d,此参数为三次多项式I(x)=ax3+bx2+cx+d的边缘模型参数,从而计算出亚像素边缘的位置。
如图5示,相机标定模块采用棋盘格标定法进行相机标定,将棋盘格标定纸和受电弓滑板面置于同一平面进行图像采集,棋盘格每个正方形的边长为len,利用角点检测方法确定若干个正方形的顶点,顶点的坐标为图像坐标,设得到的若干顶点的图像坐标矩阵为:
定义其对应的世界坐标矩阵为:
其中n≥4,由此便确定了n个世界坐标系坐标已知的空间点,便可以求得m',也就确定了世界坐标系和图像坐标系的转换关系,亚像素点的图像坐标已知,通过图像坐标得到对应的世界坐标,确定上下边缘的各点的距离,如图4所示;上下边缘之间的距离即为受电弓厚度,与受电弓初始厚度对比知道其磨损程度。
本发明在整像素检测部分,结构森林快速边缘检测算法与常用的Canny算法相比,干扰性边缘明显减少且鲁棒性好,准确性高,采用基于拟合的亚像素的边缘检测算法,在整像素检测的基础上,将检测结果精确到亚像素级别,再次提高检测精度与准确性,自动化程度高、安全性好,相比于传统的人工检测方法,图像处理方法节省了大量人力物力成本,同时提高了检修过程的安全性,便捷性好,列车不停车即可进行检测,避免停车这一环节,可实时检测,检测实时进行,磨耗超限可立刻报警,提高安全系数。
然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (8)
1.基于结构森林和亚像素的受电弓磨耗预警***,其特征在于:包括图像采集模块、图像预处理模块、结构森林快速边缘检测模块、亚像素检测模块、相机标定模块和判断模块;图像采集模块采集图像,并输送至图像预处理模块,对图像进行预处理,结构森林快速边缘检测模块利用结构森林快速边缘检测算法,对预处理后的图像处理,得到整像素级别边缘的图像,亚像素检测模块构造边缘函数模型,进行最小二乘法拟合,得到亚像素边缘点,相机标定模块对图像进行相机标定和对比计算,获得受电弓磨耗实际厚度,判断模块判断受电弓磨耗是否超限。
2.根据权利要求1所述的基于结构森林和亚像素的受电弓磨耗预警***,其特征在于:所述图像采集模块用高速工业相机和光电传感器对***测量区域的受电弓的图像进行采集。
3.根据权利要求1所述的基于结构森林和亚像素的受电弓磨耗预警***,其特征在于:所述图像预处理模块用中值滤波对图像进行预处理,减少图像中的干扰信息,保留边界信息。
4.根据权利要求1所述的基于结构森林和亚像素的受电弓磨耗预警***,其特征在于:所述结构森林快速边缘检测模块进行结构森林快速边缘检测包括:
a.训练随机决策森林:
单颗决策树ft(x)根据二元分解函数h(x,θj)∈{0,1}在树的左边或右边反复分支来对样本x∈X进行分类,直到达到叶节点,若h(x,θj)=0,则节点j向左发送x,否则向右发送,过程终止于叶节点;进行递归训练来寻找分解函数h(x,θj)中的参数θj使此函数良好分解,直到达到设定的树深度或信息增益的阈值,信息增益标准的形式:
Ij=I(Sj,Sj L,Sj R)
其中Sj L={(x,y)∈Sj|h(x,θj)=0},Sj R=Sj/Sj R,θj为使Ij最大化时的增益参数,使用Sj L训练左节点,使用Sj R训练右节点,标准信息增益的定义为:
其中H(S)=-∑ypylog(py)表示香农熵,py是训练数据Sj中带有标签y的概率;通过训练多棵不相关的树组合成森林解决单棵决策树出现不稳定和过拟合的情况,训练采用BSDS数据集作为训练数据,输入随机抽样的像素块x或特征类别作为训练数据可以提高决策森林的准确率;
b.输入图像:训练结构森林边缘检测模型后,输入预处理后的RGB图像进行边缘检测;
c.随机森林结构化输出:
标签集合Y中的每个结构标签y有一定的相似度,信息增益Ij依靠度量结构标签y的相似度来计算,这样会导致不易定义Ij,为了方便计算Ij,定义节点j,将该节点上的所有标签y离散化映射到离散化标签c,便可以用c代替y计算Ij,
π:y∈Y→c∈C{1,2,...,k}
即采用二阶映射将标签y的相似度离散化映射到离散化标签c,先定义映射π:y→Z将具有标签y的像素块编码为二元向量,在Z中计算z之间的欧氏距离以区分具有相似标签y的像素块是否属于同一分割,为了降低计算量,在Z中取m维特征形成低维映射π:φ:Y→Z,定义π:φ:Z→C,采用主成分分析降维量化,根据z所在的具体象限给定具体标签C(1,2,...,K),此处取k=2;
d.图像二值化处理:将图像上的像素点的灰度值设置为0或255,得到黑白图像;
e.提取上下边缘:受电弓轮廓图的受电弓上边缘由图像每一列第一个像素为1的像素点构成,下边缘由图像每一列第二个像素为1的像素点构成,采用“列搜索法”提取上边缘,这些像素点组成图像矩阵T,矩阵T反映的图像进行Hough直线检测,检测到的直线所在的位置即在受电弓下边缘上,扩展该直线即得到受电弓下边缘。
5.根据权利要求1所述的基于结构森林和亚像素的受电弓磨耗预警***,其特征在于:所述亚像素检测模块进行亚像素检测包括:
a.确定梯度方向:灰度变化最大的方向为梯度方向,亚像素级的边缘位于该梯度方向上,以梯度方向为x轴正轴,对应的像素灰度值为y轴,建立一个直角坐标系;
b.通过模拟摄像机的模糊作用来构造边缘函数模型:选取二次多项式来模拟具有模糊作用的低通滤波器,选取阶跃函数为理想阶跃边缘函数模型,令h(x)与f(x)进行卷积构造出边缘模型I(x)=f(x)*h(x)=ax3+bx2+cx+d;
c.寻找亚像素边缘点的位置:令得到亚像素边缘点位置
d.使用构造的边缘函数模型I(x)与边缘所在区域的像素点进行最小二乘法拟合,设最小二乘法返回的残差平方和为S,
其中I(x)表示边缘模型中估计灰度值,y(x)表示真实图像灰度值,要使S最小,那么需满足S对各个参数的一阶导数等于0,二阶导数大于0,据此算出一组参数a,b,c,d,此参数为三次多项式I(x)=ax3+bx2+cx+d的边缘模型参数,从而计算出亚像素边缘的位置。
6.根据权利要求1所述的基于结构森林和亚像素的受电弓磨耗预警***,其特征在于:所述相机标定模块采用棋盘格标定法进行相机标定,将棋盘格标定纸和受电弓滑板面置于同一平面进行图像采集,棋盘格每个正方形的边长为len,利用角点检测方法确定若干个正方形的顶点,顶点的坐标为图像坐标,设得到的若干顶点的图像坐标矩阵为:
定义其对应的世界坐标矩阵为:
其中n≥4,由此便确定了n个世界坐标系坐标已知的空间点,便可以求得m',也就确定了世界坐标系和图像坐标系的转换关系,亚像素点的图像坐标已知,通过图像坐标得到对应的世界坐标,确定上下边缘的各点的距离,上下边缘之间的距离即为受电弓厚度,与受电弓初始厚度对比知道其磨损程度。
7.根据权利要求1所述的基于结构森林和亚像素的受电弓磨耗预警***,其特征在于:所述判断模块判断受电弓的磨耗是否超限,若受电弓磨耗超限则更换新的受电弓,否则返回图像预处理模块。
8.基于结构森林和亚像素的受电弓磨耗预警检测方法,其特征在于:包括以下步骤:
步骤1:图像采集,用高速工业相机和光电传感器对***测量区域的受电弓的图像进行精确采集;
步骤2:图像预处理,判断采集的图像像素点是否为边缘像素点,若该点为边缘像素点则直接输出该点像素值,否则对该点进行中值滤波,中值滤波后的像素值输出;
步骤3:构森林快速边缘检测,用结构森林快速边缘检测算法,对预处理后的图像处理,得到整像素级别边缘的图像;
步骤4:亚像素检测,对图像确定梯度方向,用高速工业相机的模糊作用构造边缘函数模型,寻找亚像素边缘点的位置,使用构造的边缘函数模型与边缘所在区域的像素点进行最小二乘法拟合,得到边缘函数模型的参数从而得到亚像素边缘点;
步骤5:相机标定,找到受电弓表面一点的几何位置与其在图像中对应的关系,通过图像对比计算得到受电弓实际厚度;
步骤6:判断磨耗是否超限:根据相机标定得到的受电弓实际厚度判断受电弓磨耗是否超限,受电弓磨耗超限则立即更换新的受电弓,否则返回图像预处理模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910693615.XA CN110567383A (zh) | 2019-07-30 | 2019-07-30 | 基于结构森林和亚像素的受电弓磨耗预警***及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910693615.XA CN110567383A (zh) | 2019-07-30 | 2019-07-30 | 基于结构森林和亚像素的受电弓磨耗预警***及检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110567383A true CN110567383A (zh) | 2019-12-13 |
Family
ID=68773588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910693615.XA Pending CN110567383A (zh) | 2019-07-30 | 2019-07-30 | 基于结构森林和亚像素的受电弓磨耗预警***及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110567383A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112762877A (zh) * | 2020-12-28 | 2021-05-07 | 成都国铁电气设备有限公司 | 一种地铁接触网刚性接触线磨耗预警方法及装置 |
CN112991316A (zh) * | 2021-03-30 | 2021-06-18 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种模型边缘烧蚀量动态测量技术 |
CN113324864A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 |
CN114463258A (zh) * | 2021-12-23 | 2022-05-10 | 中铁第一勘察设计院集团有限公司 | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 |
-
2019
- 2019-07-30 CN CN201910693615.XA patent/CN110567383A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113324864A (zh) * | 2020-02-28 | 2021-08-31 | 南京理工大学 | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 |
CN112762877A (zh) * | 2020-12-28 | 2021-05-07 | 成都国铁电气设备有限公司 | 一种地铁接触网刚性接触线磨耗预警方法及装置 |
CN112991316A (zh) * | 2021-03-30 | 2021-06-18 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种模型边缘烧蚀量动态测量技术 |
CN112991316B (zh) * | 2021-03-30 | 2022-07-01 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种模型边缘烧蚀量动态测量技术 |
CN114463258A (zh) * | 2021-12-23 | 2022-05-10 | 中铁第一勘察设计院集团有限公司 | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 |
CN114463258B (zh) * | 2021-12-23 | 2024-04-30 | 中铁第一勘察设计院集团有限公司 | 一种基于深度学习技术的机车车辆闸片磨耗检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110567383A (zh) | 基于结构森林和亚像素的受电弓磨耗预警***及检测方法 | |
CN108519605B (zh) | 基于激光雷达和摄像机的路沿检测方法 | |
CN112419297B (zh) | 一种螺栓松动检测方法、装置、设备及存储介质 | |
Gao et al. | Detection and segmentation of cement concrete pavement pothole based on image processing technology | |
CN110473187B (zh) | 一种面向对象的线扫描三维路面裂缝提取方法 | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN103400151A (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN112419298B (zh) | 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质 | |
CN103727930A (zh) | 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法 | |
CN110619258A (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
CN113436157A (zh) | 一种用于受电弓故障的车载图像识别方法 | |
CN112800938B (zh) | 无人驾驶车辆检测侧面落石发生的方法及装置 | |
CN114488190A (zh) | 一种激光雷达3d点云地面检测方法 | |
Kumar et al. | An automated road roughness detection from mobile laser scanning data | |
CN112950532A (zh) | 一种列车受电弓状态检测方法 | |
CN116579955B (zh) | 一种新能源电芯焊缝反光点去噪和点云补全方法及*** | |
TW202017784A (zh) | 基於光學雷達之汽車偵測方法 | |
CN116703895A (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其*** | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
CN113066041A (zh) | 一种基于栈稀疏自编码深度学习的路面裂缝检测方法 | |
CN116309817A (zh) | 一种基于rgb-d相机的托盘检测与定位方法 | |
CN115755088A (zh) | 一种基于激光点云的输电线路工程建造参数自动化量测方法 | |
CN116242774A (zh) | 适用于农村公路的轻量化三维检测方法及装置 | |
CN111612087B (zh) | 动车组teds***图像特征字典生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191213 |
|
WD01 | Invention patent application deemed withdrawn after publication |