CN111640155A - 一种基于3d成像的受电弓弓头倾斜角测量方法及*** - Google Patents
一种基于3d成像的受电弓弓头倾斜角测量方法及*** Download PDFInfo
- Publication number
- CN111640155A CN111640155A CN202010453903.0A CN202010453903A CN111640155A CN 111640155 A CN111640155 A CN 111640155A CN 202010453903 A CN202010453903 A CN 202010453903A CN 111640155 A CN111640155 A CN 111640155A
- Authority
- CN
- China
- Prior art keywords
- pantograph
- region
- head
- height
- longitudinal
- 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 55
- 238000003384 imaging method Methods 0.000 title claims abstract description 53
- 238000000605 extraction Methods 0.000 claims description 18
- 241001125292 Balaena mysticetus Species 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims 1
- 230000036544 posture Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 238000012015 optical character recognition Methods 0.000 description 9
- 230000004323 axial length Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- 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
- G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明属于列车受电弓视觉成像检测技术领域,公开了一种基于3D成像的受电弓弓头倾斜角测量方法及***,包括基准轮廓获取步骤、受电弓区域定位步骤、受电弓定位判别步骤、滑板区域提取步骤和弓头倾斜计算步骤,是一种基于安装在隧道内壁的高速3D成像装置获取的待检测车辆车顶及车顶设备的图像数据,通过视觉识别方法对受电弓实时位置进行定位并精确测量出受电弓弓头倾斜角情况的测量方法及***。
Description
技术领域
本发明属于列车受电弓视觉成像检测技术领域,尤其涉及一种基于3D成像的受电弓弓头倾斜角测量方法及***。
背景技术
在电气化铁路设计中,受电弓作为电气化车辆的受流装置,受电弓滑板的磨耗量、弓头姿态,是影响弓网关系和受流质量的关键因素之一。受电弓的功能是通过受电弓滑板与接触网接触线之间的接触,从而为电力机车提供电能。
而评价受电弓状态主要参考两个状态参数为几何参数和动力学参数。其中几何参数包括滑板磨耗量、中心线偏移和弓头倾斜;而动力学参数为受电弓接触力,当滑板磨耗量超限,弓头偏移、倾斜超限时,会对弓网关系产生负面影响,严重时可能发生打弓,损伤弓网,甚至引发全事故。
在现有技术中,有一些对于受电弓偏移检测的技术方案运用,如公开号为CN102092296A,公开时间为日2011年6月15日,名称为“无轨电车智能受电弓装置及其应用方法”的中国发明专利文献,即公开了一种无轨电车智能受电弓装置及其应用方法,涉及无轨电车受电弓的智能控制领域,它解决了现有无轨电车只能实现单侧超车且在超车过程中受电弓与接触线之间无法实现自动接入的问题,本发明的受电升弓采用弓架总成上的红外线摄像头图像处理的接触线跟踪程序实现调节受电弓角度,使用可活动线夹来补偿误差,使受电弓自动接入接触线。超车时:后车通过通信单元让前车降弓,判断是否让前车受电弓回位。前车降弓不回位时用接触线跟踪程序保持降下;回位时让弓头回到车身上方边缘。降弓时,可以实现受电弓自动落下并回位。
现有技术对受电弓弓头倾斜角的检测方案还是基于面阵图像的传统图像处理算法对受电弓进行识别和弓头倾斜角计算,无法获取受电弓在三维空间内的全面的姿态数据,弓头倾斜角测量精度有限。
发明内容
为了克服上述现有技术中存在的问题和不足,本发明旨在于提供一种基于安装在隧道内壁的高速3D成像装置成像装置获取的待检测车辆车顶及车顶设备的图像数据,通过视觉识别方法对受电弓实时位置进行定位并与标准数据进行比对判断出受电弓弓头倾斜角情况的测量方法及***,3D成像装置扫描出的待检测车辆车顶及车顶设备的图像数据包括包括代表空间横向宽度横向X向数据、代表空间高度的纵向Y向数据和沿车辆行进方向、代表空间长度的Z向数据。
本发明的一种基于3D成像的受电弓弓头倾斜角测量方法,包括以下步骤:
基准轮廓获取步骤,获取待检车辆车号图像,采用OCR采用OCR(OpticalCharacter Recognition)方法对待检测车辆车号图像进行车号识别,获得待检测车辆的车号并根据所述车号对应调取受电弓滑板基准数据库中所述待检测车辆对应的基准轮廓作为基准数据,具体的,OCR是首先采用YOLOv3算法对车号目标进行识别训练,获取车号目标字符后,再采用SVM(支持向量机)对具体字符进行识别从而获得待检测车辆的车号;
3D成像步骤,通过3D成像装置获取待检测车辆的三维点云数据;车顶外轮廓在三维空间中的包括X,Y,Z三个方向上的尺寸数据,通过3D成像装置可以获取待检测车辆车顶外轮廓在三维空间中的X,Y,Z三个方向上的三维点云数据,其中,X向代表空间横向宽度方向,Y向代表空间高度的纵向方向,Z向代表车辆行进方向。
受电弓区域定位步骤,受电弓头在车辆轮廓中具有最高的空间坐标,且对于特定线路,升弓高度具有唯一基准值,则可通过空间坐标高度判断出受电弓所在位置区域,根据所述3D成像装置的纵向空间采样间隔和所述待检测车辆的弓头纵向长度计算搜索窗口尺寸c;基于所述搜索窗口尺寸c生成受电弓区域判别函数根据所述受电弓区域判别函数从所述三维点云数据中筛选出受电弓区域点云;其中:Ymn为纵向第n行、横向第m列的点坐标高度,kt为第t个搜索窗口的起始位置,j为横向像素数,hd,hu为弓头空间的最低高度和最高高度;
受电弓定位判别步骤,对所述受电弓区域定位步骤筛选出的受电弓区域点云沿纵向按帧进行处理,得到若干帧受电弓区域二值图,将若干帧受电弓区域二值图沿纵向叠加得到受电弓纵向轮廓叠加图像;采用经过训练的分类器对所述受电弓纵向轮廓叠加图像是否包含受电弓进行判别,通过经过训练的判别器对而完成对包含最大外轮廓的单张图片完成受电弓区域的定位判别,受电弓定位判别步骤将三维空间点云问题转换为平面二值化图像问题,再运用图像识别方式进行判别;
滑板区域提取步骤,对所述受电弓定位判别步骤中判别为包含受电弓的受电弓纵向轮廓叠加图像对应的受电弓区域点云,采用高度判别函数对滑板进行搜索,并选取Hn值符合设定阈值的连续N个断面行作为受电弓滑板区域点云;其中n为沿Z方向的搜索窗口序号;m为沿X方向的点序号,ks为搜索窗口的纵向起始位置,ke为搜索窗口的纵向终止位置,即Ymn为搜索窗口内第m行n列的点的高度坐标,与受电弓区域定位不同的是,本步搜索在已获取的受电弓区域范围内进行;
弓头倾斜计算步骤,车辆在运行过程中,若出现非正常的弓网关系,可能导致弓头发生绕y轴和z轴的倾斜;因此,需要对滑板区域数据进行水平和纵向的旋转将其转换为在XZ和XY平面上的二值图像以计算其绕y轴和z轴的倾斜角度,具体的,采用与所述受电弓定位判别步骤相同的方法,将经过所述滑板区域提取步骤得到的受电弓滑板区域点云分别沿纵向Y和车辆行进方向Z按帧进行处理,得到若干帧受电弓区域二值图,将若干帧所述受电弓区域二值图分别沿纵向Y和车辆行进方向Z叠加得到受电弓在XZ平面上和XY平面上的轮廓叠加图像,然后均通过形态提取和霍夫变换从轮廓叠加图像提取得到弓头直线,并分别计算所述弓头直线在XZ平面上和XY平面上,相对其处于正常姿态时的夹角θXZ和θXY,计算出弓头直线在在XZ平面上的倾斜角度θXZ,和在XY平面上角度θXY,θXZ和θXY即为受电弓弓头倾斜角。
具体的,所述受电弓区域定位步骤,3D成像装置扫描出的待检测车辆车顶外轮廓数据中的空间坐标为代表空间横向宽度横向X向数据、代表空间高度的纵向Y向数据和沿车辆行进方向、代表空间长度的Z向数据,其中X,Y,Z向数据的维数分别为i、j、k,分别对应3D成像装置横向像素数、纵向像素数和扫描总行数;根据3D成像装置扫描行频和车速计算出3D成像装置的扫描空间间隔在Z方向的距离差ΔZ,即Z方向的搜索宽度,根据ΔZ和所述基准轮廓获取步骤的基准数中的据受电弓头的轴向长度L计算出受电弓弓头在Z方向所占行数其中l为余量,受电弓头的轴向长度L为已知参数,即为基准数据中的轴向长度L,受电弓头的轴向长度L为已知参数,由此得到用于受电弓定位的搜索窗口尺寸即受电弓弓头在Z方向所占行数c0;
则设定受电弓判别高度阈值为ε,搜索步长的确定方式为:
当H<ε时,判断为当前搜索窗口内无受电弓,此时取kt+1=kt+c0;kt为从车头起,第t个搜索窗口的起始位置;k(t+1)为从车头起,第t+1个搜索窗口的起始位置,该公式含义为t+1个搜索窗口的起始位置。
ε可以自定义,或者根据从所述受电弓滑板基准数据库中匹配到的基准数据对应的受电弓的弓头Y方向最下端值+冗余量的和作为受电弓判别高度阈值ε。
进一步的,所述受电弓区域判别函数的搜索步长为Δkt,Δkt为搜索窗口的长度,简易搜索步长可直接取Δkt=1,但该方法速度较慢,为提高搜索定位效率,本方案提出了上述动态搜索步长的方法。
而所述受电弓区域定位步骤中,还包括对3D成像装置扫描出的待检测车辆车顶外轮廓数据中非受电弓区域进行剪裁,即在筛选出受电弓区域点云,即获取了受电弓弓头区域边界为Xedge=[xs,xe],Yedge=[ys,ye],Zedge=[zs,ze],对于3D成像装置扫描获取的空间坐标进行删除操作。
优选地,所述受电弓定位判别步骤中,经过训练的判别器是通过人工标记包含有正确受电弓的图像、且同样筛选出受电弓区域点云作为样本数据,再对样本数据使用faster-R-CNN算法进行判别器的训练。
进一步的,所述受电弓定位判别步骤中,对所述受电弓区域点云沿纵向按帧进行处理,得到若干帧受电弓区域二值图具体包括:
设每帧扫描图像的开窗为W×H,即在横向有W个像素,在高度方向有H个像素;
具体的,每帧扫描图像的开窗内,当高度方向的坐标处有像素点,即y(pixW,pixH)≠0,令此处的灰度值为gray(pixW,pixH)=255,否则令此处的灰度值gray(pixW,pixH)=0;
再采用上述方法在k∈(ks,ke)进行k次循环,k等于搜索窗口内的纵向行数,k的次数等于每帧扫描图像的开窗具体步长之间所包含的Z方向截面数量,即获得了受电弓区域Z方向每帧空间坐标转换为二值图在单张图像上的叠加。
获取的叠加图像Pic_SDG一方面包含了等效在Z方向采用面阵相机拍摄单张图片后再进行轮廓提取的受电弓最大外轮廓信息,还包含了受电弓非最大外轮廓的结构信息,故通过3D点云数据转换得到的图像Pic_SDG所包含信息更接近于受电弓标注数据ground_truth的特征空间,至此已将空间三维点云空间判别问题转换为典型平面图像识别问题。
具体的,所述滑板区域提取步骤中,取H值最大的前N+1行数据,再对N+1行数据沿纵向排序,序列为0-N,计算相邻截面累计高度Hn的差值:
ΔHl=|H0-H1|,ΔH=|H1-H2|...
ΔHr=|HN-HN-1|,ΔH=|HN-1-HN-2|…
其中ΔHl为纵向最左端相邻截面累计高度H的差值,ΔHr为纵向最右端相邻截面累计高度H的差值,当ΔHl和ΔHr大于设定阈值时,取该两处的纵向位置kl,kr值作为滑板区域的位置边界;
根据所述滑板区域的位置边界提取其间的空间点作为受电弓滑板区域点云。
所述弓头倾斜计算步骤,是采用与所述受电弓定位判别器相同方法,对取H值最大的前N行数据对应的转换为XZ平面和XY平面的二值图像,再进行形态提取,霍夫变换、直线提取获得所述滑板区域数据中的弓头直线并进行弓头直线角度θ计算;对于XY平面,可以利用之前的二维叠加图,从中提取滑板直线;对于XZ平面,则需要重新计算二维叠加图。
本发明还提供了一种基于3D成像的受电弓弓头倾斜角测量***,包括:
车号采集单元,设置于轨旁,用于获取待检车辆车号图像;
基准轮廓获取单元,用于采用OCR方法对所述车号图像进行车号识别,获得待检测车辆的车号并根据所述车号调取受电弓滑板基准数据库中所述待检测车辆对应的基准轮廓;
3D成像采集单元,包括2个3D成像装置,2个3D成像装置位于同一个竖直标定平面并沿横向排布,用于获取待检测车辆的三维点云数据;
受电弓区域定位单元:用于根据所述3D成像装置的纵向空间采样间隔和所述待检测车辆的弓头纵向长度计算搜索窗口尺寸c;基于所述搜索窗口尺寸c生成受电弓区域判别函数根据所述受电弓区域判别函数从所述三维点云数据中筛选受电弓区域点云;其中:Ymn为纵向第n行、横向第m列的点坐标高度,kt为第t个搜索窗口的起始位置,j为横向像素数,hd,hu为弓头空间的最低高度和最高高度;
受电弓定位判别单元,用于对所述受电弓区域点云沿纵向按帧进行处理,得到若干帧受电弓区域二值图,将若干帧所述受电弓区域二值图沿纵向叠加得到受电弓纵向轮廓叠加图像,采用经过训练的分类器判别所述受电弓纵向轮廓叠加图像是否包含受电弓;
滑板区域提取单元,用于对判别为是的受电弓区域点云采用滑板高度判别函数对滑板进行搜索,并选取Hn值符合设定阈值的连续N个断面行作为受电弓滑板区域点云;ks为搜索窗口的纵向起始位置,ke为搜索窗口的纵向终止位置;
滑板轮廓坐标提取单元,用于从所述受电弓滑板区域点云中提取滑板轮廓坐标,对所述滑板轮廓坐标进行超采样,使所述滑板轮廓坐标点数与基准轮廓的坐标点数相等;
有益效果:
基于3D成像的受电弓弓头倾斜角测量方法,相比基于面阵图像处理的受电弓姿态测量方法,测量精度显著提高。
基于3D成像的受电弓弓头倾斜角测量方法,精确获取了受电弓弓头三维模型数据,可根据实际需要精确计算出弓头在不同投影平面内的倾斜角度,克服了传统面阵图像只能测量特定平面倾斜角的局限。
将受电弓点云区域纵向的每帧空间坐标转换为二值图在单张图像上的叠加图像,叠加图像一方面包含了等效在Z方向采用面阵相机拍摄单张照片后再进行轮廓提取的受电弓最大外轮廓信息,还包含了受电弓非最大外轮廓的结构信息,故叠加图像更接近于受电弓ground_truth的特征空间再采用深度学习神经网络判别叠加图像是否包含受电弓,显著提高了用于分类器的图像特征效果,进而提高了受电弓判别准确度。
附图说明
本发明的前述和下文具体描述在结合以下附图阅读时变得更清楚,附图中:
图1为本发明受电弓弓头倾斜角测量方法流程图;
图2为本发明实施例一种典型车辆限界图;
图3为本发明被检测受电弓的示意图;
图4为本发明受电弓定位判别过程进行图像叠加的示意图;
图5-11为本发明将滑板区分别绕y轴坐标旋转处理的示意图。
具体实施方式
下面通过几个具体的实施例来进一步说明实现本发明目的技术方案,需要说明的是,本发明要求保护的技术方案包括但不限于以下实施例。
本实施例公开了一种基于3D成像的受电弓弓头倾斜角测量方法,具体的,如图1,包括以下步骤:
首先进行基准轮廓获取,获取待检车辆车号图像,采用OCR采用OCR(OpticalCharacter Recognition)方法对待检测车辆车号图像进行车号识别,获得待检测车辆的车号并根据所述车号对应调取受电弓滑板基准数据库中所述待检测车辆对应的基准轮廓作为基准数据,具体的,OCR是首先采用YOLOv3算法对车号目标进行识别训练,获取车号目标字符后,再采用SVM(支持向量机)对具体字符进行识别从而获得待检测车辆的车号。进行车号识别,获取受电弓型号和基准轮廓,便于获取受电弓正常姿态数据,以及将测量得到的弓头倾斜数据录入受电弓基准数据库。
进行3D成像,通过3D成像装置获取待检测车辆的三维点云数据;车顶外轮廓在三维空间中的包括X,Y,Z三个方向上的尺寸数据,通过3D成像装置可以获取待检测车辆车顶外轮廓在三维空间中的X,Y,Z三个方向上的三维点云数据。
接着进行受电弓区域定位,获取受电弓区域在数据中的位置,由于受电弓在车顶的空间位置具有唯一性,已通过3D成像装置获取了车顶及车顶设备的空间坐标,则通过空间位置唯一性的判断,实现受电弓定位。具体的,如图2所示,为典型城轨车辆的限界图,明确可知受电弓头在车辆轮廓中具有最高的空间坐标,且对于特定线路,升弓高度具有唯一基准值(如刚性接触网为4040mm),则可通过空间坐标高度判断出受电弓所在位置。
如图3,车顶外轮廓在三维空间中的包括X,Y,Z三个方向上的尺寸数据。
设3D成像装置高速扫描出的车顶外轮廓坐标为X,Y,Z,其中X,Y,Z的维数分别为i、j、k,分别对应3D成像装置横向像素数、纵向像素数和扫描总行数。首先根据3D成像装置扫描行频和车速计算出ΔZ,即两行数据在行车方向的距离差,同时受电弓头的轴向长度L为已知参数,则可计算出受电弓弓头所占Z方向行数其中l为余量,由此获取了进行受电弓定位的搜索的窗口大小。
由前文可知,受电弓弓头在车顶具有唯一最高空间位置,则判别函数可写为
其中,所述受电弓区域判别函数的搜索步长为△kt,△kt为搜索窗口的长度,简易搜索步长可直接取△kt=1,但该方法速度较慢,为提高搜索定位效率,本方案给出了动态搜索步长的方法,判别函数可写为其中(hd,hu)为弓头空间的高度范围;
当H<ε时,判断为当前搜索窗口内无受电弓,此时取kt+1=kt+c0;kt为从车头起,第t个搜索窗口的起始位置;k(t+1)为从车头起,第t+1个搜索窗口的起始位置,该公式含义为t+1个搜索窗口的起始位置。
通过上述方法即可快速定位到受电弓区域。
获得了受电弓区域定位即获取了受电弓区域在3D成像装置采集数据的三维世界坐标系中的边界Xedge=[xs,xe],Yedge=[ys,ye],
Zedge=[zs,ze],对于3D成像装置扫描获取的空间坐标
接着,进行受电弓定位判别。在上述过程中,已进行了受电弓的定位,受电弓定位判别则对定位的正确性进行判断,受电弓定位判别是通过定位判别器实现的,当定位判别器判断定位正常,则进行后续步骤,若判断为定位错误,则返回上一步骤继续通过平移搜索窗口进行搜索。而用定位判别器实现定位判别的具体方法如下:
设3D成像装置每帧扫描图像的开窗为W×H,即x方向有W个像素,y方向有H个像素。每帧扫描图像的开窗内,当y方向的坐标处有像素点,即
y(pixW,pixH)≠0,令此处的灰度值为gray(pixW,pixH)=255,否则令此处的灰度值gray(pixW,pixH)=0。如图4,再对上述方法在
k∈(ks,ke)进行k次循环,即获得了受电弓区域Z方向每帧空间坐标转换为二值图在单张图像Pic_SDG上的叠加。
获取的叠加图像Pic_SDG一方面包含了等效在Z方向采用面阵相机拍摄单张图片后再进行轮廓提取的受电弓最大外轮廓信息,还包含了受电弓非最大外轮廓的结构信息,故通过3D点云数据转换得到的图像Pic_SDG所包含信息更接近于受电弓ground truth的特征空间,至此已将空间三维点云空间判别问题转换为典型平面图像识别问题;通过人工标记包含正确受电弓的图像Pic_SDG,获取样本数据,再使用faster-R-CNN进行判别器训练,从而完成受电弓定位判别。
包含正确受电弓的图像Pic_SDG可以源于车号识别时匹配到的数据库中对应的受电弓基准数据图像,定位判别器将三维空间点云问题转换为平面二值化图像问题,再运用图像识别方式进行判别。
完成受电弓定位判别后则进行受电弓滑板区数据提取。同样,受电弓滑板区域在成像三维空间中具有最高y坐标,采用与受电弓定位相同的方法,并选取H最大的前N行不具有明显梯度的数据,作为受电弓滑板区域。具体的,采用高度判别函数H对受电弓滑板进行搜索,与受电弓区域定位不同的时,本步搜索在已获取的受电弓区域范围内进行,即取H值最大的前N行数据,再对N行数据进行k序列的排序,序列为N+1;
计算每一截面累计高度H的差值:
ΔHl=|H0-H1|,ΔH=|H1-H2|...
ΔHr=|HN-HN-1|,ΔH=|HN-1-HN-2|...
其中ΔHl为Z方向上最低一层截面累计高度H的差值,ΔHr为Z方向上最高一层截面累计高度H的差值,得到滑板在Z方向的两边界,当ΔHl和ΔHr大于设定阈值时,取该处Z方向上的kl,kr值作为受电弓滑板区域的位置边界。
根据所述滑板区域的位置边界提取其间的空间点作为受电弓滑板区域点云。
车辆在运行过程中,若出现非正常的弓网关系,可能导致弓头发生绕y轴和z轴的倾斜,受电弓滑板与设定坐标的x轴所在平面几乎是平行的;因此,需要对滑板区域数据进行水平和纵向的旋转将其转换为在XZ和XY平面上的二值图像以计算其绕y轴和z轴的倾斜角度,具体的,如图5,采用与所述受电弓定位判别步骤相同的方法,将经过所述滑板区域提取步骤得到的受电弓滑板区域点云分别沿纵向Y和车辆行进方向Z按帧进行处理,得到若干帧受电弓区域二值图,将若干帧所述受电弓区域二值图分别沿纵向Y和车辆行进方向Z叠加得到受电弓在XZ平面上和XY平面上的轮廓叠加图像,然后均通过形态提取和霍夫变换从轮廓叠加图像提取得到弓头直线,并分别计算所述弓头直线在XZ平面上和XY平面上,相对其处于正常姿态时的夹角θXZ和θXY,计算出弓头直线在在XZ平面上的倾斜角度θXZ,和在XY平面上角度θXY,θXZ和θXY即为受电弓弓头倾斜角。
具体的,先采用与受电弓定位判别器相同方法,如图6和7,将3D点云数据转换为XZ平面和XY平面的二值图像,再进行形态提取、霍夫变换,以及直线提取,旋转角θ计算,旋转角θ的计算,如图5-10所示,将三维点云数据转换为二值化灰度图,然后进行形态提取,经过霍夫变换完成直线提取,再如图11进行X、Z坐标(如图11)旋转;同理可进行XY平面的坐标旋转,进而获得旋转后坐标Xr,Zr,Yr。
Claims (10)
1.一种基于3D成像的受电弓弓头倾斜角测量方法,其特征在于,包括以下步骤:
3D成像步骤,通过3D成像装置获取待检测车辆的三维点云数据;
受电弓区域定位步骤,根据所述3D成像装置的纵向空间采样间隔和所述待检测车辆的弓头纵向长度计算搜索窗口尺寸c;基于所述搜索窗口尺寸c生成受电弓区域判别函数根据所述受电弓区域判别函数从所述三维点云数据中筛选出受电弓区域点云;其中:Ymn为纵向第n行、横向第m列的点坐标高度,kt为第t个搜索窗口的起始位置,j为横向像素数,hd,hu为弓头空间的最低高度和最高高度;
受电弓定位判别步骤,对所述受电弓区域点云沿纵向按帧进行处理,得到若干帧受电弓区域二值图,将若干帧所述受电弓区域二值图沿纵向叠加得到受电弓纵向轮廓叠加图像,采用经过训练的分类器对所述受电弓纵向轮廓叠加图像是否包含受电弓进行判别;
滑板区域提取步骤,对所述受电弓定位判别步骤中判别为包含受电弓的受电弓纵向轮廓叠加图像对应的受电弓区域点云,采用滑板高度判别函数对滑板进行搜索,并选取Hn值符合设定阈值的连续N个断面行作为受电弓滑板区域点云;ks为搜索窗口的纵向起始位置,ke为搜索窗口的纵向终止位置;
弓头倾斜计算步骤,将所述受电弓滑板区域点云分别沿高度方向和纵向按帧进行处理,分别得到高度方向和纵向的若干帧受电弓区域二值图,将若干帧所述受电弓区域二值图分别沿高度方向和纵向叠加得到受电弓在XZ平面上和XY平面上的轮廓叠加图像,然后均通过形态提取和霍夫变换从轮廓叠加图像提取得到弓头直线,并分别计算所述弓头直线在XZ平面上和XY平面上,相对其处于正常姿态时的夹角θXZ和θXY,θXZ和θXY即为受电弓弓头倾斜角。
3.如权利要求2所述的一种基于3D成像的受电弓弓头倾斜角测量方法,其特征在于:ε为自定义,或者根据从所述受电弓滑板基准数据库中匹配到的基准数据对应的受电弓的弓头Y方向最下端值+冗余量的和作为受电弓判别高度阈值ε。
5.如权利要求1所述的一种基于3D成像的受电弓弓头倾斜角测量方法,其特征在于:所述受电弓定位判别步骤中,经过训练的判别器是通过人工标记包含有正确受电弓的图像、且同样筛选出受电弓区域点云作为样本数据,再对样本数据使用faster-R-CNN算法进行判别器的训练。
6.如权利要求1或5所述的一种基于3D成像的受电弓弓头倾斜角测量方法,其特征在于,所述受电弓定位判别步骤中,对所述受电弓区域点云沿纵向按帧进行处理,得到若干帧受电弓区域二值图具体包括:
设每帧扫描图像的开窗为W×H,即在横向有W个像素,在高度方向有H个像素;
具体的,每帧扫描图像的开窗内,当高度方向的坐标处有像素点,即y(pixW,pixH)≠0,令此处的灰度值为gray(pixW,pixH)=255,否则令此处的灰度值gray(pixW,pixH)=0;
再采用上述方法在k∈(ks,ke)进行k次循环,k等于搜索窗口内的纵向行数。
7.权利要求1所述的一种基于3D成像的受电弓弓头倾斜角测量方法,其特征在于,所述滑板区域提取步骤中,取H值最大的前N+1行数据,再对N+1行数据沿纵向排序,序列为0-N,计算相邻截面累计高度Hn的差值:
ΔHl=|H0-H1|,ΔH=|H1-H2|...
ΔHr=|HN-HN-1|,ΔH=|HN-1-HN-2|...
其中ΔHl为纵向最左端相邻截面累计高度H的差值,ΔHr为纵向最右端相邻截面累计高度H的差值,当ΔHl和ΔHr大于设定阈值时,取该两处的纵向位置kl,kr值作为滑板区域的位置边界;
根据所述滑板区域的位置边界提取其间的空间点作为受电弓滑板区域点云。
8.如权利要求7所述的一种基于3D成像的受电弓弓头倾斜角测量方法,其特征在于:所述弓头倾斜计算步骤,是采用与所述受电弓定位判别器相同方法,对取H值最大的前N行数据对应的转换为XZ平面和XY平面的二值图像,再进行形态提取,霍夫变换、直线提取获得所述滑板区域数据中的弓头直线并进行弓头直线角度θ计算。
10.一种基于3D成像的受电弓弓头倾斜角测量***,其特征在于,包括:
3D成像采集单元,包括2个3D成像装置,2个3D成像装置位于同一个竖直标定平面并沿横向排布,用于获取待检测车辆的三维点云数据;
受电弓区域定位单元:用于根据所述3D成像装置的纵向空间采样间隔和所述待检测车辆的弓头纵向长度计算搜索窗口尺寸c;基于所述搜索窗口尺寸c生成受电弓区域判别函数根据所述受电弓区域判别函数从所述三维点云数据中筛选受电弓区域点云;其中:Ymn为纵向第n行、横向第m列的点坐标高度,kt为第t个搜索窗口的起始位置,j为横向像素数,hd,hu为弓头空间的最低高度和最高高度;
受电弓定位判别单元,用于对所述受电弓区域点云沿纵向按帧进行处理,得到若干帧受电弓区域二值图,将若干帧所述受电弓区域二值图沿纵向叠加得到受电弓纵向轮廓叠加图像,采用经过训练的分类器判别所述受电弓纵向轮廓叠加图像是否包含受电弓;
滑板区域提取单元,用于对判别为是的受电弓区域点云采用滑板高度判别函数对滑板进行搜索,并选取Hn值符合设定阈值的连续N个断面行作为受电弓滑板区域点云;ks为搜索窗口的纵向起始位置,ke为搜索窗口的纵向终止位置;
滑板轮廓坐标提取单元,用于从所述受电弓滑板区域点云中提取滑板轮廓坐标,对所述滑板轮廓坐标进行超采样,使所述滑板轮廓坐标点数与基准轮廓的坐标点数相等;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010453903.0A CN111640155B (zh) | 2020-05-26 | 2020-05-26 | 一种基于3d成像的受电弓弓头倾斜角测量方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010453903.0A CN111640155B (zh) | 2020-05-26 | 2020-05-26 | 一种基于3d成像的受电弓弓头倾斜角测量方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111640155A true CN111640155A (zh) | 2020-09-08 |
CN111640155B CN111640155B (zh) | 2023-07-18 |
Family
ID=72332942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010453903.0A Active CN111640155B (zh) | 2020-05-26 | 2020-05-26 | 一种基于3d成像的受电弓弓头倾斜角测量方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640155B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112781493A (zh) * | 2020-12-25 | 2021-05-11 | 江苏集萃智能光电***研究所有限公司 | 一种列车受电弓综合几何参数在线检测设备 |
CN112950532A (zh) * | 2021-01-14 | 2021-06-11 | 成都铁安科技有限责任公司 | 一种列车受电弓状态检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5552866A (en) * | 1993-01-29 | 1996-09-03 | Fuji Photo Film Co., Ltd. | Copying apparatus for the photographic reproduction of a multi-dimensional object |
CN1519143A (zh) * | 2003-04-14 | 2004-08-11 | 明 白 | 电气化铁路接触网视觉检测***及其方法 |
CN101784887A (zh) * | 2007-08-06 | 2010-07-21 | 昆士兰铁路有限公司 | 受电弓损坏和磨损监视*** |
JP2016041332A (ja) * | 2015-11-24 | 2016-03-31 | 株式会社大一商会 | 遊技機 |
CN105571508A (zh) * | 2016-01-25 | 2016-05-11 | 成都国铁电气设备有限公司 | 接触网受电弓的形变检测方法及*** |
CN105652154A (zh) * | 2016-01-25 | 2016-06-08 | 成都国铁电气设备有限公司 | 接触网运行状态安全监测分析*** |
CN109269474A (zh) * | 2018-08-29 | 2019-01-25 | 广西大学 | 一种列车车载受电弓运行状态在线图像检测装置及方法 |
CN109584238A (zh) * | 2018-12-07 | 2019-04-05 | 北京航空航天大学 | 一种基于立体视觉的弓网运行状况在线检测***及方法 |
CN110380524A (zh) * | 2017-11-26 | 2019-10-25 | 胡家兴 | 一种无线供电装置及用电设备无线供电*** |
-
2020
- 2020-05-26 CN CN202010453903.0A patent/CN111640155B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5552866A (en) * | 1993-01-29 | 1996-09-03 | Fuji Photo Film Co., Ltd. | Copying apparatus for the photographic reproduction of a multi-dimensional object |
CN1519143A (zh) * | 2003-04-14 | 2004-08-11 | 明 白 | 电气化铁路接触网视觉检测***及其方法 |
CN101784887A (zh) * | 2007-08-06 | 2010-07-21 | 昆士兰铁路有限公司 | 受电弓损坏和磨损监视*** |
JP2016041332A (ja) * | 2015-11-24 | 2016-03-31 | 株式会社大一商会 | 遊技機 |
CN105571508A (zh) * | 2016-01-25 | 2016-05-11 | 成都国铁电气设备有限公司 | 接触网受电弓的形变检测方法及*** |
CN105652154A (zh) * | 2016-01-25 | 2016-06-08 | 成都国铁电气设备有限公司 | 接触网运行状态安全监测分析*** |
CN110380524A (zh) * | 2017-11-26 | 2019-10-25 | 胡家兴 | 一种无线供电装置及用电设备无线供电*** |
CN109269474A (zh) * | 2018-08-29 | 2019-01-25 | 广西大学 | 一种列车车载受电弓运行状态在线图像检测装置及方法 |
CN109584238A (zh) * | 2018-12-07 | 2019-04-05 | 北京航空航天大学 | 一种基于立体视觉的弓网运行状况在线检测***及方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112781493A (zh) * | 2020-12-25 | 2021-05-11 | 江苏集萃智能光电***研究所有限公司 | 一种列车受电弓综合几何参数在线检测设备 |
CN112950532A (zh) * | 2021-01-14 | 2021-06-11 | 成都铁安科技有限责任公司 | 一种列车受电弓状态检测方法 |
CN112950532B (zh) * | 2021-01-14 | 2024-04-16 | 成都铁安科技有限责任公司 | 一种列车受电弓状态检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111640155B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666947B (zh) | 一种基于3d成像的受电弓弓头偏移量测量方法及*** | |
CN111609813B (zh) | 一种基于3d成像的受电弓磨耗测量方法及*** | |
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN110378376A (zh) | 一种基于机器视觉的加油口目标识别定位方法 | |
Broggi et al. | Self-calibration of a stereo vision system for automotive applications | |
CN108597009B (zh) | 一种基于方向角信息进行三维目标检测的方法 | |
CN103217111A (zh) | 一种非接触式接触线几何参数检测方法 | |
JP2002175535A (ja) | 道路白線認識装置 | |
CN111640155B (zh) | 一种基于3d成像的受电弓弓头倾斜角测量方法及*** | |
CN110378957B (zh) | 面向冶金作业的鱼雷罐车视觉识别与定位方法及其*** | |
CN106250816A (zh) | 一种基于双摄像头的车道线识别方法及*** | |
CN108221755A (zh) | 一种基于车牌识别技术的智能车位锁 | |
CN115880674B (zh) | 一种基于无人驾驶矿车的避障转向矫正方法 | |
CN111754460A (zh) | 一种转辙机缺口自动检测方法、***及存储介质 | |
CN113221648A (zh) | 一种基于移动测量***的融合点云序列影像路牌检测方法 | |
CN113920142A (zh) | 一种基于深度学习的分拣机械手多物体分拣方法 | |
CN110490342B (zh) | 一种基于Faster R-CNN的接触网静态几何参数检测方法 | |
CN113295094B (zh) | 一种受电弓动态包络线侵限检测方法、装置和*** | |
JP3936683B2 (ja) | 道路位置検出装置及びプログラム | |
CN114119957A (zh) | 高速铁路钢轨廓形检测方法及装置 | |
CN110580697B (zh) | 一种从超声视频图像中测量胎儿颈背透明物厚度的视频图像处理方法及*** | |
CN116630650B (zh) | 一种田垄宽度识别方法及用于田垄的无人车装置 | |
CN115205564B (zh) | 基于无人机的船体维护巡检方法 | |
Li et al. | Acquisition of traffic information using a video camera with 2D spatio-temporal image transformation technique | |
CN115857040A (zh) | 一种机车车顶异物动态视觉检测装置及方法 |
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 |