CN112734780A - 一种脱轨自动制动拉环装置拉环变形故障识别方法 - Google Patents
一种脱轨自动制动拉环装置拉环变形故障识别方法 Download PDFInfo
- Publication number
- CN112734780A CN112734780A CN202011567394.0A CN202011567394A CN112734780A CN 112734780 A CN112734780 A CN 112734780A CN 202011567394 A CN202011567394 A CN 202011567394A CN 112734780 A CN112734780 A CN 112734780A
- Authority
- CN
- China
- Prior art keywords
- pull ring
- image
- area
- foreground
- pull
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06T7/10—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种脱轨自动制动拉环装置拉环变形故障识别方法,属于图像检测技术领域。为了解决现有的脱轨自动制动拉环装置拉环变形故障检测方法存在检测准确率低的问题。本发明首先获取待检测图像中拉环子图区域对应的图像,记为拉环子图;并对拉环子图进行自适应阈值图像分割;针对分割后的图像,确定每个分割对象的轮廓,然后确定每个轮廓的最小外接矩形,并依次遍历每个轮廓的最小外接矩形确定最小外接矩形的坐标;通过拉环在拉环子图上的面积以及宽度先验知识,对轮廓逐一筛选,筛选后即完成拉环区域的精确定位;基于精确定位的拉环区域得到拉环区域的倾斜角度,并基于拉环区域的倾斜角度进行拉环变形故障识别。
Description
技术领域
本发明属于图像检测技术领域,具体涉及脱轨自动制动拉环装置拉环变形故障识别方法。
背景技术
脱轨自动制动装置在以往的铁路货车脱轨事件中发挥了巨大的作用,有效降低了事故带来的经济损失和人身伤害。为了保证脱轨自动制动装置有效发挥作用,需要例行对其进行故障检测,主要是针对脱轨自动制动拉环装置拉环变形故障进行检测。
原始的货车故障检查方式为人工检查,但是受限于人工作业的效率和人工长时间作业后检车精度降低,极易发生故障漏检错检的现象,严重威胁铁路货车的安全运行。特别是脱轨自动制动装置拉环的倾斜角度,人工以往是通过目测判定拉环的倾斜角度,这种目测的方式误差角度,每个人的标准也不是很统一。因此用图像自动识别方式代替传统的人工检车方式,可有效提高检测速度并保证检测精度不降低。
发明内容
本发明是为了解决现有的脱轨自动制动拉环装置拉环变形故障检测方法存在检测准确率低的问题。
一种脱轨自动制动拉环装置拉环变形故障识别方法,包括以下步骤:
s1、获取待检测图像中拉环子图区域对应的图像,记为拉环子图;
s2、对拉环子图进行自适应阈值图像分割;
s3、针对步骤S2分割后的图像,确定每个分割对象的轮廓,然后确定每个轮廓的最小外接矩形,并依次遍历每个轮廓的最小外接矩形确定最小外接矩形的坐标;通过拉环在拉环子图上的面积以及宽度先验知识,对轮廓逐一筛选,筛选后即完成拉环区域的精确定位;
然后基于精确定位的拉环区域得到拉环区域的倾斜角度,并基于拉环区域的倾斜角度进行拉环变形故障识别。
进一步地,步骤s2中对拉环子图进行自适应阈值图像分割的过程包括以下步骤:
(1)采用自适应图像分割方法Otsu对拉环子图进行自适应图像分割,作为预分割结果;
(2)基于预分割结果对应的图像得到背景区域BR及前景区域OR;
在前景区域的边缘和中心位置选取有限个像素点;将每个前景区域边缘构成的轮廓向外扩展多个像素的区域作为前景区域周围的背景区域,在前景区域周围的背景区域选取有限个像素点;并分别计算背景区域和前景区域提取的像素点的灰度均值,gb、go分别为背景区域、前景区域提取的像素点的灰度均值;根据拉环子图得到图像中的灰度最小值gmin以及灰度最大值gmax;确定背景区域BR、模糊区域FR以及前景区域OR灰度范围为[gmin,gb]、[gb,go]、[go,gmax];
(3)使用S函数对前景区域和背景区域进行转换;
(4)针对于S函数转换后的背景区域和前景区域,计算出前景区域OR和背景区域BR的模糊度为LOR和LBR;
针对重新调整的背景区域BR、前景区域OR灰度范围,然后再次计算出模糊度为LOR1和LBR1,并将模糊度LOR1和LBR1进行归一化,记为η1(gf)和η2(gf);
若η1>η2,则将分割值gf划入背景区域;反之划入前景区域;
对模糊区域FR中的灰度值取值进行遍历,得到某一灰度值使η1(gd)-η2(gd)=Min,则gd为分割阈值;
基于得出的分割阈值完成拉环子图的分割。
进一步地,基于预分割结果对应的图像得到背景区域BR及前景区域OR的过程包括以下步骤:
采用OpenCv图像处理库中“找轮廓”函数得到预分割结果图像中的轮廓组,然后确定每个轮廓的最小外接矩形,并依次遍历每个轮廓的最小外接矩形确定最小外接矩形的坐标;通过拉环在拉环子图上的面积以及宽度先验知识,对轮廓逐一筛选,将不符合要求的前景去除,得到预分割结果对应的图像的背景区域BR及前景区域OR。
进一步地,对轮廓逐一筛选,将不符合要求的前景去除过程中的筛选条件是白色像素面积大于200,宽度为拉环子图图像宽度的0.2倍。
进一步地,步骤(3)中S函数如下:
进一步地,步骤(4)计算出前景区域OR和背景区域BR的模糊度LOR和LBR过程中的模糊度计算公式如下:
其中m、n为图像中像素的坐标;uA(xij)为Lance函数的距离贴进度;u0.5(xij)为模糊集合A关于0.5截矩变换后的距离贴进度,所谓0.5截矩就将模糊集合A已经使用转换函数为0到1之间后,数值大于0.5则置为1,小于0.5则置为0。
进一步地,将模糊度LOR1和LBR1进行归一化的过程如下:
进一步地,步骤s3中通过拉环在拉环子图上的面积以及宽度先验知识,对轮廓逐一筛选的筛选条件为:白色像素面积大于1000,宽度为拉环子图图像宽度的0.4倍,每个轮廓的最小外接矩形的起始坐标要大于拉环子图图像宽度的0.2倍,每个轮廓的最小外接矩形的结束坐标小于拉环子图图像宽度的0.8倍。
进一步地,步骤s3中基于精确定位的拉环区域得到拉环区域的倾斜角度的过程包括以下步骤:利用距离变换对拉环区域的精确定位后的图像进行变换,并遍历变换后图像每列的灰度最大值完成拉环的骨架提取;针对提取的拉环骨架,使用最小二乘拟合直线结果确定拉环区域的倾斜角度。
进一步地,使用最小二乘拟合直线结果确定拉环区域的倾斜角度的过程包括以下步骤:
假设拟合直线方程为y=kx+b;
联立两个方程得到:
得到第一次的拟合直线方程y=kx+b;
使用全部的有效像素点与第一次的拟合结果做点到距离计算;设定容忍度D,如果当前像素点到直线的距离大于D则此点舍弃;
再次拟合得到直线方程式y=kx+b,最小二成拟合得到了斜率k,根据arctan(k)确定拉环的角度。
有益效果:
1.使用图像自动识别算法精确的求取拉环倾斜角度代替人工目测带来的测量误差,同时检测的标准统一,识别准确率提升。
2.针对拉环子图出现的外界因素干扰,以及拉环本身的新旧影响,结合模糊逻辑与自适应阈值分割的方式精确找出分割拉环的阈值,减少图像分割时出现过分割的情况。
3.针对拉环的不规则形状,利用骨架提起结合最小二乘拟合直线的方式去除“野值”的方式,解决拉环不规则形状引起的角度测量误差。
附图说明
图1为拉环子图;
图2为Otsu方法分割结果;
图3为根据筛选条件去除前景后的图像;
图4为模糊逻辑自适应阈值图像分割图像;
图5为拉环区域的精确定位图像;
图6为距离变换后的图像;
图7为提取的拉环骨架图像;
图8为随机生成一组点的最小二成拟合结果图;
图9为经过本发明去除干扰后的最小二成拟合结果;
图10为拉环骨架的拟合图像;
图11为具体实施方式一的流程图。
具体实施方式
需要特别说明的是,在不冲突的情况下,本申请公开的各个实施方式之间可以相互组合。
具体实施方式一:结合图11说明本实施方式,
本实施方式为一种脱轨自动制动拉环装置拉环变形故障识别方法,包括以下步骤:
s1、获取待检测图像中拉环子图区域对应的图像,记为拉环子图;
s2、对拉环子图进行自适应阈值图像分割;
s3、针对步骤S2分割后的图像,确定每个分割对象的轮廓,然后确定每个轮廓的最小外接矩形,并依次遍历每个轮廓的最小外接矩形确定最小外接矩形的坐标;通过拉环在拉环子图上的面积以及宽度先验知识,对轮廓逐一筛选,筛选后即完成拉环区域的精确定位;
然后基于精确定位的拉环区域得到拉环区域的倾斜角度,并基于拉环区域的倾斜角度进行拉环变形故障识别。
具体实施方式二:
本实施方式为一种脱轨自动制动拉环装置拉环变形故障识别方法,步骤s2中对拉环子图进行自适应阈值图像分割的过程包括以下步骤:
(1)采用自适应图像分割方法Otsu对拉环子图进行自适应图像分割,作为预分割结果;
(2)基于预分割结果对应的图像得到背景区域BR及前景区域OR;
在前景区域的边缘和中心位置选取有限个像素点;将每个前景区域边缘构成的轮廓向外扩展多个像素的区域作为前景区域周围的背景区域,在前景区域周围的背景区域选取有限个像素点;并分别计算背景区域和前景区域提取的像素点的灰度均值,gb、go分别为背景区域、前景区域提取的像素点的灰度均值;根据拉环子图得到图像中的灰度最小值gmin以及灰度最大值gmax;确定背景区域BR、模糊区域FR以及前景区域OR灰度范围为[gmin,gb]、[gb,go]、[go,gmax];
(3)使用S函数对前景区域和背景区域进行转换;
(4)针对于S函数转换后的背景区域和前景区域,计算出前景区域OR和背景区域BR的模糊度为LOR和LBR;
针对重新调整的背景区域BR、前景区域OR灰度范围,然后再次计算出模糊度为LOR1和LBR1,并将模糊度LOR1和LBR1进行归一化,记为η1(gf)和η2(gf);
若η1>η2,则将分割值gf划入背景区域;反之划入前景区域;
对模糊区域FR中的灰度值取值进行遍历,得到某一灰度值使η1(gd)-η2(gd)=Min,则gd为分割阈值;
基于得出的分割阈值完成拉环子图的分割。
其他步骤和参数与具体实施方式一相同。
具体实施方式三:
本实施方式为一种脱轨自动制动拉环装置拉环变形故障识别方法,基于预分割结果对应的图像得到背景区域BR及前景区域OR的过程包括以下步骤:
采用OpenCv图像处理库中“找轮廓”函数得到预分割结果图像中的轮廓组,然后确定每个轮廓的最小外接矩形,并依次遍历每个轮廓的最小外接矩形确定最小外接矩形的坐标;通过拉环在拉环子图上的面积以及宽度先验知识,对轮廓逐一筛选,将不符合要求的前景去除,得到预分割结果对应的图像的背景区域BR及前景区域OR。
其他步骤和参数与具体实施方式二相同。
具体实施方式四:
本实施方式为一种脱轨自动制动拉环装置拉环变形故障识别方法,对轮廓逐一筛选,将不符合要求的前景去除过程中的筛选条件是白色像素面积大于200,宽度为拉环子图图像宽度的0.2倍。
其他步骤和参数与具体实施方式二或三相同。
具体实施方式五:
本实施方式为一种脱轨自动制动拉环装置拉环变形故障识别方法,步骤(3)中的S函数如下:
其他步骤和参数与具体实施方式二至四之一相同。
具体实施方式六:
本实施方式为一种脱轨自动制动拉环装置拉环变形故障识别方法,步骤(4)计算出前景区域OR和背景区域BR的模糊度LOR和LBR过程中的模糊度计算公式如下:
其中m、n为图像中像素的坐标;uA(xij)为Lance函数的距离贴进度;u0.5(xij)为模糊集合A关于0.5截矩变换后的距离贴进度,所谓0.5截矩就将模糊集合A已经使用转换函数为0到1之间后,数值大于0.5则置为1,小于0.5则置为0。
其他步骤和参数与具体实施方式二至五之一相同。
具体实施方式七:
本实施方式为一种脱轨自动制动拉环装置拉环变形故障识别方法,将模糊度LOR1和LBR1进行归一化的过程如下:
其他步骤和参数与具体实施方式二至六之一相同。
具体实施方式八:
本实施方式为一种脱轨自动制动拉环装置拉环变形故障识别方法,步骤s3中通过拉环在拉环子图上的面积以及宽度先验知识,对轮廓逐一筛选的筛选条件为:白色像素面积大于1000,宽度为拉环子图图像宽度的0.4倍,每个轮廓的最小外接矩形的起始坐标要大于拉环子图图像宽度的0.2倍,每个轮廓的最小外接矩形的结束坐标小于拉环子图图像宽度的0.8倍。
其他步骤和参数与具体实施方式一至七之一相同。
具体实施方式九:
本实施方式为一种脱轨自动制动拉环装置拉环变形故障识别方法,步骤s3中基于精确定位的拉环区域得到拉环区域的倾斜角度的过程包括以下步骤:利用距离变换对拉环区域的精确定位后的图像进行变换,并遍历变换后图像每列的灰度最大值完成拉环的骨架提取;针对提取的拉环骨架,使用最小二乘拟合直线结果确定拉环区域的倾斜角度。
其他步骤和参数与具体实施方式一至八之一相同。
具体实施方式十:
本实施方式为一种脱轨自动制动拉环装置拉环变形故障识别方法,使用最小二乘拟合直线结果确定拉环区域的倾斜角度的过程包括以下步骤:
假设拟合直线方程为y=kx+b;
联立两个方程得到:
得到第一次的拟合直线方程y=kx+b;
使用全部的有效像素点与第一次的拟合结果做点到距离计算;设定容忍度D,如果当前像素点到直线的距离大于D则此点舍弃;
再次拟合得到直线方程式y=kx+b,最小二成拟合得到了斜率k,根据arctan(k)确定拉环的角度。
其他步骤和参数与具体实施方式一至九之一相同。
实施例
一种脱轨自动制动拉环装置拉环变形故障识别方法,包括以下步骤:
1、部件定位
通过货车经过远近磁钢设备时车轮的位置记录轴距信息,并利用图像采集设备采集的货车图像,利用轴距信息可精确的定位到货车图像中拉环子图区域,即拉环子图,如图1所示。
为了验证本发明的具有鲁棒性,通过不同的条件下的图像进行对算法实验,从而保证本发明的鲁棒性,因此在本发明设计的前期收集拉环子图更加多样,所以收集的拉环子图要包含拉环在不同设备、不同光照、不同天气情况下的对应的图像。
2、基于模糊逻辑完成拉环图像分割
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。由于拉环本身部件存在新旧,图像采集硬件设备以及环境因素影响拉环在成像中存在灰度变化差距较大,采用传统的图像分割的方法如固定阈值分割,以及自适应的分割方法如Otsu方法,分割拉环均存在拉环过分割的现象,如图2所示。从图中可以看出即使后续使用形态学处理方法完成拉环的精确分割难度也很大,而且拉环出现不同的灰度变化形态学处理方法也很难具有鲁棒性
图像过分割就是将与前景相似的灰度特征,或者说过分割的区域灰度应该分割为前景和分割成背景是模糊不清的,因此本发明借助模糊理论将这些过分割精确分割。
模糊逻辑自适应阈值图像分割步骤如下:
(1)首先采用传统的自适应图像分割方法Otsu完成拉环子图的自适应图像分割,作为预分割结果,预分割结果如图2所示。并利用拉环在图像中位置及宽度的先验知识去除前景中小区域的干扰,去除方法采用OpenCv图像处理库中“找轮廓”函数得到预分割结果图像中的轮廓组,然后确定每个轮廓的最小外接矩形,并依次遍历每个轮廓的最小外接矩形确定最小外接矩形的坐标。通过拉环在拉环子图上的面积以及宽度先验知识,对轮廓逐一筛选,将不符合要求的前景去除,由于预分割结果存在过分割的情况,为了防止筛选条件(保留条件)设置过大导致含有拉环的前景区域被误去除,因此算法此处筛选条件是白色像素面积大于200,宽度为拉环子图图像宽度的0.2倍。去除结果如图3所示
(2)通过预分割“筛选”后得到图像背景区域BR及前景区域OR。
在前景区域的边缘和中心位置随机选取有限个像素点,像素点是由每个前景区域边缘像素点以及前景中心位置的像素点组成;
将每个前景区域边缘构成的轮廓向外扩展5个像素的区域作为前景区域周围的背景区域,在前景区域周围的背景区域随机选取有限个像素点。并分别计算背景区域和前景区域提取的像素点的灰度均值,gb、go分别为背景区域、前景区域提取的像素点的灰度均值。
根据拉环子图得到图像中的灰度最小值gmin以及灰度最大值gmax;确定背景区域BR、模糊区域FR以及前景区域OR灰度范围为[gmin,gb]、[gb,go]、[go,gmax]。
(3)使用S函数对前景区域和背景区域,进行转换,其中将背景区域和前景区域视为灰度集[0,1,…,F-1]的两个模糊子集,其中F-1表示某一个灰度级(对于一幅MxN图像,其灰度级可以为0到255.但对于一幅具体的图像来说,灰度级可能不会覆盖全部的256个阶,图像灰度的范围可能为0~F-1);
(4)将背景区域和前景区域采用S函数转换后选用Lance函数作为描述模糊集的不确定函数,公式如下:
设论域U={x1,x2,x3,x4,.....,xn},对任意的模糊集合A,称L(A)为A的Lance模糊度:
其中m、n为图像中像素的坐标;uA(xij)为Lance函数的距离贴进度;u0.5(xij)为模糊集合A关于0.5截矩变换后的距离贴进度,所谓0.5截矩就将模糊集合A已经使用转换函数为0到1之间后,数值大于0.5则置为1,小于0.5则置为0。
针对重新调整的背景区域BR、前景区域OR灰度范围,然后再次计算出模糊度为LOR1和LBR1,在重新调整的背景区域BR、前景区域OR加入了新的元素的情况下,其模糊度函数值会变大,所以为得到两个模糊度影响因子η1和η2,分别将再次计算出的模糊度LOR1和LBR1做归一化,记为
通过比较η1和η2的大小,判断分别加入背景区域和前景区域后对哪个区域影响较大。若η1>η2,则对前景区域模糊子集影响更大,则将分割值gf划入背景区域,反之划入前景区域。对分割值gf完成所有模糊区域FR的取值遍历,则会有某一灰度值使η1(gd)-η2(gd)=Min,则gd为分割阈值;
基于得出的分割阈值完成拉环子图的分割,得到分割结果如图4所示
3、拉环轮廓提取及角度测量
从4所示图中可以看出,图像分割完成两类分割,但是最终的分割阈值的像素中,也会出现车体部分的像素被提取出来,同样采用OpenCv图像处理库中“找轮廓”函数一次遍历每个轮廓的最小外接矩形宽度,并确定每个轮廓的最小外接矩形坐标(x,y)起始、结束对应的坐标,将不符合要求的前景去除。此步骤已经完成了拉环区域的精准分割,所以在轮廓“筛选”时可以严格的设置筛选条件,在此步骤设置的筛选条件为白色像素面积大于1000,宽度为拉环子图图像宽度的0.4倍,x的起始坐标要大于拉环子图图像宽度的0.2倍,x的结束坐标小于拉环子图图像宽度的0.8倍;筛选后即完成拉环区域的精确定位,如图5所示。由于拉环具有不规则形态,判定拉环变形的标准为水平方向上出现倾斜大于3度,但利用拉环区域的精确定位后的图像完成角度的测量结果会有一定的误差存在,因此可利用距离变换对拉环区域的精确定位后的图像进行变换,变换结果如图6所示,并遍历变换后图像每列的灰度最大值完成拉环的骨架提取如图7所示。
由于不同硬件设备可能拍摄的频率是不同的,还存在车速影响。截取部件的子图像是按照硬件磁钢对车轮计数得到相应车轴在图像中位置后并按照相邻两个车轴之间距离作为参考完成的。车速过慢或者拍摄频率过慢,两个车轴之间距离会变大,那么截取子图部件宽度也会变大,反之变小。因此拉环在子图像中起始坐标位置也是变化的,因此用比例更加精准。本发明中利用图像宽度的0.2倍得到一个位置,即x的起始位置,所以本发明x的起始坐标要大于图像宽度的0.2倍。
针对完成距离变换后提取的骨架,使用最小二乘拟合直线结果完成角度测量,在最小二乘拟合直线算法中,此算法抗干扰的能力较弱一些,但是在理想情况下拟合的精度很高,因此本发明在最小二乘拟合去干扰点进行改进,最小二成拟合直线步骤如下:
假设拟合直线方程为y=kx+b;
联立两个方程可解得:
得到第一次的拟合直线方程y=kx+b。为了更好的验证本发明的效果随机生成一组点,拟合结果如图8所示。可以看出拟合的直线明显倾斜于含有白色框内“野值”点多的一侧。因此使用全部的有效像素点与第一次的拟合结果做点到距离计算。设定容忍度D,如果当前像素点到直线的距离大于D则此点舍弃
使用点到直线的距离公式如下:
当有效像素点到直线的距离大于D时则认为是“野值点”进去去除,在这里D为5个像素点。
去除干扰后结果如图9所示,二次拟合后结果如图10所示。拟合的结果优于前者。最终通过拟合的直线可完成拉环的角度测量。
拟合得到直线以后,直线方程式y=kx+b,最小二成拟合得到了斜率k,截距b,根据arctan(k)确定拉环的角度。检车判定拉环变形的标准就是水平方向上出现倾斜大于3度,从而实现拉环变形故障识别。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种脱轨自动制动拉环装置拉环变形故障识别方法,其特征在于,包括以下步骤:
s1、获取待检测图像中拉环子图区域对应的图像,记为拉环子图;
s2、对拉环子图进行自适应阈值图像分割;
s3、针对步骤S2分割后的图像,确定每个分割对象的轮廓,然后确定每个轮廓的最小外接矩形,并依次遍历每个轮廓的最小外接矩形确定最小外接矩形的坐标;通过拉环在拉环子图上的面积以及宽度先验知识,对轮廓逐一筛选,筛选后即完成拉环区域的精确定位;
然后基于精确定位的拉环区域得到拉环区域的倾斜角度,并基于拉环区域的倾斜角度进行拉环变形故障识别。
2.根据权利要求1所述的一种脱轨自动制动拉环装置拉环变形故障识别方法,其特征在于,步骤s2所述对拉环子图进行自适应阈值图像分割的过程包括以下步骤:
(1)采用自适应图像分割方法Otsu对拉环子图进行自适应图像分割,作为预分割结果;
(2)基于预分割结果对应的图像得到背景区域BR及前景区域OR;
在前景区域的边缘和中心位置选取有限个像素点;将每个前景区域边缘构成的轮廓向外扩展多个像素的区域作为前景区域周围的背景区域,在前景区域周围的背景区域选取有限个像素点;并分别计算背景区域和前景区域提取的像素点的灰度均值,gb、go分别为背景区域、前景区域提取的像素点的灰度均值;根据拉环子图得到图像中的灰度最小值gmin以及灰度最大值gmax;确定背景区域BR、模糊区域FR以及前景区域OR灰度范围为[gmin,gb]、[gb,go]、[go,gmax];
(3)使用S函数对前景区域和背景区域进行转换;
(4)针对于S函数转换后的背景区域和前景区域,计算出前景区域OR和背景区域BR的模糊度为LOR和LBR;
针对重新调整的背景区域BR、前景区域OR灰度范围,然后再次计算出模糊度为LOR1和LBR1,并将模糊度LOR1和LBR1进行归一化,记为η1(gf)和η2(gf);
若η1>η2,则将分割值gf划入背景区域;反之划入前景区域;
对模糊区域FR中的灰度值取值进行遍历,得到某一灰度值使η1(gd)-η2(gd)=Min,则gd为分割阈值;
基于得出的分割阈值完成拉环子图的分割。
3.根据权利要求2所述的一种脱轨自动制动拉环装置拉环变形故障识别方法,其特征在于,基于预分割结果对应的图像得到背景区域BR及前景区域OR的过程包括以下步骤:
采用OpenCv图像处理库中“找轮廓”函数得到预分割结果图像中的轮廓组,然后确定每个轮廓的最小外接矩形,并依次遍历每个轮廓的最小外接矩形确定最小外接矩形的坐标;通过拉环在拉环子图上的面积以及宽度先验知识,对轮廓逐一筛选,将不符合要求的前景去除,得到预分割结果对应的图像的背景区域BR及前景区域OR。
4.根据权利要求2所述的一种脱轨自动制动拉环装置拉环变形故障识别方法,其特征在于,所述对轮廓逐一筛选,将不符合要求的前景去除过程中的筛选条件是白色像素面积大于200,宽度为拉环子图图像宽度的0.2倍。
8.根据权利要求1至7之一所述的一种脱轨自动制动拉环装置拉环变形故障识别方法,其特征在于,步骤s3所述通过拉环在拉环子图上的面积以及宽度先验知识,对轮廓逐一筛选的筛选条件为:白色像素面积大于1000,宽度为拉环子图图像宽度的0.4倍,每个轮廓的最小外接矩形的起始坐标要大于拉环子图图像宽度的0.2倍,每个轮廓的最小外接矩形的结束坐标小于拉环子图图像宽度的0.8倍。
9.根据权利要求8所述的一种脱轨自动制动拉环装置拉环变形故障识别方法,其特征在于,步骤s3所述基于精确定位的拉环区域得到拉环区域的倾斜角度的过程包括以下步骤:利用距离变换对拉环区域的精确定位后的图像进行变换,并遍历变换后图像每列的灰度最大值完成拉环的骨架提取;针对提取的拉环骨架,使用最小二乘拟合直线结果确定拉环区域的倾斜角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011567394.0A CN112734780B (zh) | 2020-12-25 | 2020-12-25 | 一种脱轨自动制动拉环装置拉环变形故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011567394.0A CN112734780B (zh) | 2020-12-25 | 2020-12-25 | 一种脱轨自动制动拉环装置拉环变形故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734780A true CN112734780A (zh) | 2021-04-30 |
CN112734780B CN112734780B (zh) | 2021-09-14 |
Family
ID=75617079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011567394.0A Active CN112734780B (zh) | 2020-12-25 | 2020-12-25 | 一种脱轨自动制动拉环装置拉环变形故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734780B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254172A (zh) * | 2011-06-16 | 2011-11-23 | 电子科技大学 | 一种基于细胞神经网络和形态学的指纹图像分割方法 |
CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
CN105139415A (zh) * | 2015-09-29 | 2015-12-09 | 小米科技有限责任公司 | 图像前后景分割方法、装置及终端 |
CN105654501A (zh) * | 2016-02-22 | 2016-06-08 | 北方工业大学 | 基于模糊阈值的自适应图像分割方法 |
CN107657639A (zh) * | 2017-08-09 | 2018-02-02 | 武汉高德智感科技有限公司 | 一种快速定位目标的方法和装置 |
JP2019050030A (ja) * | 2018-11-21 | 2019-03-28 | ウォンテッドリー株式会社 | 画像抽出装置、画像抽出装置の制御方法及びプログラム |
CN110930407A (zh) * | 2020-02-07 | 2020-03-27 | 西南交通大学 | 一种基于图像处理的悬浮间隙视觉检测方法 |
CN111080656A (zh) * | 2019-12-10 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种图像处理的方法、图像合成的方法以及相关装置 |
CN111079821A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种脱轨自动制动拉环脱落故障图像识别方法 |
-
2020
- 2020-12-25 CN CN202011567394.0A patent/CN112734780B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254172A (zh) * | 2011-06-16 | 2011-11-23 | 电子科技大学 | 一种基于细胞神经网络和形态学的指纹图像分割方法 |
CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
CN105139415A (zh) * | 2015-09-29 | 2015-12-09 | 小米科技有限责任公司 | 图像前后景分割方法、装置及终端 |
CN105654501A (zh) * | 2016-02-22 | 2016-06-08 | 北方工业大学 | 基于模糊阈值的自适应图像分割方法 |
CN107657639A (zh) * | 2017-08-09 | 2018-02-02 | 武汉高德智感科技有限公司 | 一种快速定位目标的方法和装置 |
JP2019050030A (ja) * | 2018-11-21 | 2019-03-28 | ウォンテッドリー株式会社 | 画像抽出装置、画像抽出装置の制御方法及びプログラム |
CN111080656A (zh) * | 2019-12-10 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种图像处理的方法、图像合成的方法以及相关装置 |
CN111079821A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种脱轨自动制动拉环脱落故障图像识别方法 |
CN110930407A (zh) * | 2020-02-07 | 2020-03-27 | 西南交通大学 | 一种基于图像处理的悬浮间隙视觉检测方法 |
Non-Patent Citations (3)
Title |
---|
ZHIWEI T.等: "One image segmentation method based on Otsu and fuzzy theory seeking image segment threshold", 《2011 INTERNATIONAL CONFERENCE ON ELECTRONICS, COMMUNICATIONS AND CONTROL (ICECC)》 * |
卢婷: "基于几何与形状特征的列车故障图像匹配算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈洁: "脱轨自动制动阀故障分析及处理", 《科技资讯》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112734780B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784344B (zh) | 一种用于地平面标识识别的图像非目标滤除方法 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
TWI409718B (zh) | 移動中車輛之車牌定位方法 | |
CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN103116751B (zh) | 一种车牌字符自动识别方法 | |
CN104966049B (zh) | 基于图像的货车检测方法 | |
CN108256521B (zh) | 用于车身颜色识别的有效区域定位方法 | |
CN103914687A (zh) | 一种基于多通道和多阈值的矩形目标识别方法 | |
CN102419820A (zh) | 一种快速检测视频与图像中汽车车标的方法 | |
CN109685788B (zh) | 一种基于形态学特征的楼面缺陷图像自动检测方法 | |
CN103593981B (zh) | 一种基于视频的车型识别方法 | |
CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
CN105701844A (zh) | 基于颜色特征的障碍物或阴影检测方法 | |
CN110674812B (zh) | 一种面向复杂背景的民用车牌定位与字符分割方法 | |
CN112001216A (zh) | 一种基于计算机的汽车行驶车道检测*** | |
CN110009633B (zh) | 一种基于反向高斯差分的钢轨表面缺陷检测方法 | |
CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
CN109800641B (zh) | 基于阈值自适应二值化和连通域分析的车道线检测方法 | |
CN110705553B (zh) | 一种适用于车辆远景图像的划痕检测方法 | |
CN112734780B (zh) | 一种脱轨自动制动拉环装置拉环变形故障识别方法 | |
CN100585618C (zh) | 一种基于彩***的车辆检测方法 | |
CN114266748B (zh) | 一种轨交检修领域工艺板表面完整性判定的方法及装置 | |
CN114463756A (zh) | 基于图像处理的车牌字符识别处理方法 | |
CN110321828B (zh) | 一种基于双目摄像机和车底阴影的前方车辆检测方法 | |
CN110414357B (zh) | 一种基于车辆类型识别的前方车辆定位方法 |
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 |