CN113222907B - 一种基于弯道铁轨的检测机器人 - Google Patents
一种基于弯道铁轨的检测机器人 Download PDFInfo
- Publication number
- CN113222907B CN113222907B CN202110439768.9A CN202110439768A CN113222907B CN 113222907 B CN113222907 B CN 113222907B CN 202110439768 A CN202110439768 A CN 202110439768A CN 113222907 B CN113222907 B CN 113222907B
- Authority
- CN
- China
- Prior art keywords
- rail
- chassis
- representing
- camera
- rotating wheel
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title abstract description 23
- 230000007547 defect Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 5
- 239000000725 suspension Substances 0.000 claims description 22
- 238000007689 inspection Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30136—Metal
-
- 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)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Manipulator (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于弯道铁轨的检测机器人,包括底盘;第一摄像机,其可转动连接底盘的一侧,能够拍摄铁轨一侧的图像;第二摄像机,其可转动连接底盘的另一侧,能够拍摄铁轨另一侧的图像;激光雷达导航模块,其可拆卸连接底盘,用于规划底盘的行走路径;行走机构,其可转动连接底盘的底部;控制器,其与激光雷达导航模块、第一摄像机和第二摄像机通信连接,能够对图像进行解析,识别铁轨的缺陷。本发明通过检测机器人在铁轨上行进,采集铁轨两侧的图像,进一步还公开了控制器解析图像、识别铁轨缺陷的方法,实现了弯道铁轨的自动化检测,减少了人工成本,性能高效。
Description
技术领域
本发明涉及铁轨检测技术领域,特别涉及一种基于弯道铁轨的检测机器人。
背景技术
随着铁路技术发展,火车提速,对于铁轨的质量要求日益提高,各国铁路采取高速、重载、高密度的运输方式,使铁轨的服役条件更加恶化,导致铁轨产生缺陷,特别是弯道铁轨,在火车运行的向心力作用下,更易产生磨损等缺陷,现有技术主要由工作人员携带传统的检测仪对铁轨的缺陷进行检测,该方式效率低,人工成本高,测量数据为手工记录,不利于后续铁轨更换修复。为了提高弯道铁轨的检查效率和缺陷排查力度,有必要提出一种基于弯道铁轨的检测机器人。
发明内容
本发明公开了一种基于弯道铁轨的检测机器人,包括底盘、第一摄像机、第二摄像机、激光雷达导航模块、行走机构和控制器。通过检测机器人在铁轨上行进,采集铁轨两侧的图像,通过控制器解析图像识别铁轨缺陷,实现了弯道铁轨的自动化检测。
本发明的技术方案为:
一种基于弯道铁轨的检测机器人,包括:
底盘;
第一摄像机,其可转动连接底盘的一侧,能够拍摄铁轨一侧的图像;
第二摄像机,其可转动连接底盘的另一侧,能够拍摄铁轨另一侧的图像;
激光雷达导航模块,其可拆卸连接底盘,用于规划底盘的行走路径;
行走机构,其可转动连接底盘的底部;
控制器,其与激光雷达导航模块、第一摄像机和第二摄像机通信连接,能够对图像进行解析,识别铁轨的缺陷。
优选的是,行走机构包括:
第一悬架,其弹性支撑在底盘的一侧;
第二悬架,其弹性支撑在底盘的另一侧;
第一转动轮,其可转动连接第一悬架;
第二转动轮,其可转动连接第二悬架;
压力仪,其连接第一转动轮和第二转动轮,能够监测第一转动轮和第二转动轮的承受压力。
优选的是,第一悬架和第二悬架均包括:
第一悬臂;
第二悬臂,其一端与第一悬臂的一端铰接;
弹簧,其弹性支撑在第一悬臂和第二悬臂之间。
优选的是,第一转动轮和第二转动轮均包括:
前转轮,其可转动连接第一悬臂另一端;
后转轮,其可转动连接第二悬臂另一端。
优选的是,还包括标记器,其可拆卸连接底盘,用于标记铁轨的缺陷。
优选的是,还包括太阳能电池板,其与第一摄像机、第二摄像机、激光雷达导航模块,行走机构和控制器电性连接。
优选的是,缺陷识别包括如下步骤:
步骤一、获取铁轨两侧的图像,并筛选出候选区块;
步骤二、将候选区块进行铁轨缺陷边缘检测;
步骤三、采用弗雷曼链码提取缺陷轮廓,并识别缺陷类型。
优选的是,筛选出候选区块的过程为:
步骤a、将铁轨两侧的图像进行灰度化输出,
Vgray=0.28R+0.51G+0.15B
其中,Vgray表示灰度值,R表示红色,G表示蓝色,B表示绿色;
步骤b、采用中值滤波法去噪,
rk=med(r1,r2,r3···rn)
其中,rk表示像素滤值,med表示中值操作,r1,r2,r3···rn表示单个像素点邻域窗口内的所有像素点;
步骤c、将图像进行空间坐标转换标定,获得标定图像,
其中,x表示横轴标定值,y表示纵轴标定值,f,μ表示标定参数X表示空间坐标横轴坐标值,Y表示空间坐标纵轴坐标值,Z表示空间坐标竖轴坐标值,M表示摄像头距轨道距离,a表示前转轮压力,b表示后转轮压力,ρ表示转动轮转速,ρ0表示转动轮平均速度,ω表示横摆角速率,σ表示标准差,vx表示横向加速度,vy表示垂直加速度;
步骤d、将标定图像划分成多个区块,并获取区块的对比度,
对比度的计算公式为:
其中,D表示对比度,ξ=m·n,m表示横向像素个数,n表示纵向像素个数,i表示单个像素点,t表示垂直偏差,WT表示颜色偏移深度,WS表示纹理偏移深度,λ表示水平偏差,φ(p*)表示灰度级;
步骤e、将对比度大于对比度阈值的区块作为候选区块,
对比度阈值的计算公式为:
优选的是,边缘检测包括如下过程:
在3×3邻域内计算梯度幅值,幅值计算公式为:
E(x,y)=Ex 2(x,y)+Ey 2(x,y);
E*(x,y)=E45° 2(x,y)+E135° 2(x,y)
其中,B表示梯度幅值,Ex表示水平方向幅值,Ey表示竖直方向幅值,E45°表示45°方向幅值,E135°表示135°方向幅值;
将图像分割为前景和背景,计算前景和背景的类间方差,方差的算公式为:
其中τ2表示类间方差,表示灰度值区间(k-n,-+n)中所有像素的分布概率,a表示设置参数,p1表示前景区域的概率,p2表示前景区域的概率,m1表示前景区域的平均灰度值,m2表示呗景区域的平均灰度值,mG表示全局的平均灰度值;
将类间方差的最大值作为阈值,进行图像分割,并输出图像灰度直方图;
根据直方图提取直线边缘。
优选的是,提取缺陷轮廓包括如下过程:
将单个像素点相邻的8个像素点分别设置为0~7;
设定链码提取的起点为左下角,每一列向右,每一行向上的顺序提取链码,并生成二值化曲线轨迹;
遍历直线边缘内的像素点,统计不同曲线轨迹上码值1、2、3的重复次数;
将出现次数最大的线段提取出来,得到缺陷轮廓。
本发明的有益效果是:
1.本发明通过检测机器人在铁轨上行进,采集铁轨两侧的图像,通过控制器解析图像识别铁轨缺陷,实现了弯道铁轨的自动化检测。
2.本发明在机器人底盘上还设置有太阳能电池板,在有阳光的情况下进行铁轨检测,就能通过太阳能电池板将太阳能转换为电能,向加测机器人各电子部件提供电能,节能。
3.本发明在机器人底盘上设置标记器,当检测到铁轨缺陷时,在铁轨位置进行标记,便于铁轨更换和维修。
4.本发明还提供了检测机器人识别铁轨缺陷的方法,能够在机器人行进过程中,实时检测铁轨缺陷,检测效率高。
附图说明
图1为本发明提供的一种基于弯道铁轨的检测机器人结构示意图。
图2为本发明提供的一种基于弯道铁轨的检测机器人底部结构示意图
图3为本发明的一个实施例中行走机构的机构示意图。
图4为本发明的一个实施例中悬架和转动轮的机构示意图。
图5为本发明的一个实施例中图像解析识别铁轨缺陷的流程图。
图6为本发明的一个实施例中筛选候选区块的流程图。
图7为本发明的一个实施例中边缘检测的流程图。
图8为本发明的一个实施例中提取缺陷轮廓的流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例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。
需要说明的是,在本发明的描述中,术语“中”、“上”、“下”、“横”、“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
如图1-2所示,一种基于弯道铁轨的检测机器人,包括底盘100、第一摄像机200、第二摄像机300、激光雷达导航模块400、行走机构500和控制器600。
其中,第一摄像机200可转动连接底盘的一侧,能够拍摄铁轨一侧的图像,第二摄像机300可转动连接底盘的另一侧,能够拍摄铁轨另一侧的图像,激光雷达导航模块400可拆卸连接底盘,用于规划底盘的行走路径,行走机构500可转动连接底盘的底部,控制器600与激光雷达导航模块400、第一摄像机200和第二摄像机300通信连接,能够对图像进行解析,识别铁轨的缺陷。
激光雷达导航模块400进行路线规划,行走机构500转动,检测机器人在铁轨上行进,第一摄像机200和第二摄像机300采集铁轨两侧的图像,并上传到控制器600,控制器600解析图像并识别铁轨缺陷,实现了弯道铁轨的自动化检测。
进一步的,如图3所示行走机构500包括第一悬架510、第二悬架520、第一转动轮530、第二转动轮540和压力仪550。
第一悬架510弹性支撑在底盘100的一侧,第二悬架520弹性支撑在底盘100的另一侧,第一转动轮530可转动连接第一悬架510,第二转动轮540可转动连接第二悬架540,压力仪550连接第一转动轮530和第二转动轮540,能够监测第一转动轮530和第二转动轮540的承受压力。
第一悬架510和第二悬架520结构相同,如图4所示,以第一悬架510为例,包括第一悬臂511、第二悬臂512和弹簧513。第二悬臂512一端与第一悬臂511的一端铰接,弹簧513弹性支撑在第一悬臂511和第二悬臂512之间。
第一转动轮520和第二转动轮540结构相同,以第一转轮530为例均,包括前转轮531和后转轮532。前转轮531可转动连接第一悬臂511另一端,后转轮532可转动连接第二悬臂512另一端。检测机器人行进过程中,前转轮531和后转轮532受压力,弹簧513伸缩,一方面可以起到减震的作用,另一方面,在经过弯道铁轨时,前转轮531和后转轮532受压力存在差值,压力仪550可以实时检测前转轮531和后转轮532的压力,通过压力差能够对摄像机采集的铁轨图像,在空间坐标系中进行标定,可以准确还原铁轨的实际投影,进一步识别出铁轨缺陷。
进一步的,还包括标记器700,其可拆卸连接底盘100,用于标记铁轨的缺陷,可以大大提高铁轨更换和维修时的效率。
进一步的,摄像机包括电动云台和摄像头,摄像头为红外摄像头,且与电动云台连接,电动云台可转动连接底盘100,可以实现摄像头的转动拍摄,自由度高。
进一步的,还包括太阳能电池板800,其与第一摄像机200、第二摄像机300、激光雷达导航模块400,行走机构500和控制器600电性连接,在有阳光的情况下进行铁轨检测,就能通过太阳能电池板将太阳能转换为电能,向加测机器人各电子部件提供电能,节能。
进一步的,缺陷识别包括如下步骤:
S110、获取铁轨两侧的图像,并筛选出候选区块;
S120、将候选区块进行铁轨缺陷边缘检测;
S130、采用弗雷曼链码提取缺陷轮廓,并识别缺陷类型。
进一步的,筛选出候选区块的过程为:
S111、将铁轨两侧的图像进行灰度化输出,
Vgray=0.28R+0.51G+0.15B
其中,Vgray表示灰度值,R表示红色,G表示蓝色,B表示绿色;
S112、采用中值滤波法去噪,
rk=med(r1,r2,r3···rn)
其中,rk表示像素滤值,med表示中值操作,r1,r2,r3···rn表示单个像素点邻域窗口内的所有像素点;
S113、将图像进行空间坐标转换标定,获得标定图像,
其中,x表示横轴标定值,y表示纵轴标定值,f,μ表示标定参数X表示空间坐标横轴坐标值,Y表示空间坐标纵轴坐标值,Z表示空间坐标竖轴坐标值,M表示摄像头距轨道距离,a表示前转轮压力,b表示后转轮压力,ρ表示转动轮转速,ρ0表示转动轮平均速度,ω表示横摆角速率,σ表示标准差,vx表示横向加速度,vy表示垂直加速度;
S114、将标定图像划分成多个区块,并获取区块的对比度,
对比度的计算公式为:
其中,D表示对比度,ξ=m·n,m表示横向像素个数,n表示纵向像素个数,i表示单个像素点,t表示垂直偏差,WT表示颜色偏移深度,WS表示纹理偏移深度,λ表示水平偏差,φ(p*)表示灰度级;
S115、将对比度大于对比度阈值的区块作为候选区块,
对比度阈值的计算公式为:
进一步的,边缘检测包括如下过程:
S121、在3×3邻域内计算梯度幅值,幅值计算公式为:
E(x,y)=Ex 2(x,y)+Ey 2(x,y);
E*(x,y)=E45° 2(x,y)+E135° 2(x,y)
其中,B表示梯度幅值,Ex表示水平方向幅值,Ey表示竖直方向幅值,E45°表示45°方向幅值,E135°表示135°方向幅值;
S122、将图像分割为前景和背景,计算前景和背景的类间方差,方差的算公式为:
其中τ2表示类间方差,表示灰度值区间(k-n,-+n)中所有像素的分布概率,a表示设置参数,p1表示前景区域的概率,p2表示前景区域的概率,m1表示前景区域的平均灰度值,m2表示呗景区域的平均灰度值,mG表示全局的平均灰度值;
S123、将类间方差的最大值作为阈值,进行图像分割,并输出图像灰度直方图;
S124、根据直方图提取直线边缘。
进一步的,提取缺陷轮廓包括如下过程:
S131、将单个像素点相邻的8个像素点分别设置为0~7;
S132设定链码提取的起点为左下角,每一列向右,每一行向上的顺序提取链码,并生成二值化曲线轨迹;
S133、遍历直线边缘内的像素点,统计不同曲线轨迹上码值1、2、3的重复次数;
S134将出现次数最大的线段提取出来,得到缺陷轮廓。
本发明提供的一种基于弯道铁轨的检测机器人的工作过程:
激光雷达导航模块400进行路线规划,行走机构500转动,检测机器人在铁轨上行进,第一摄像机200和第二摄像机300采集铁轨两侧的图像,压力仪550获取转动轮的压力,并上传到控制器600,控制器600解析图像并识别铁轨缺陷,实现了弯道铁轨的自动化检测,若铁轨存在缺陷,标记器700在自动标记缺陷位置,同时在行经过程中,太阳能电池板800将太阳能转换为电能,向加测机器人各电子部件提供电能,实现了检测机器人的高效运转。
本发明提供的基于弯道铁轨的检测机器人,通过检测机器人在铁轨上行进,采集铁轨两侧的图像,通过控制器解析图像识别铁轨缺陷,实现了弯道铁轨的自动化检测,节约了人工成本,检测效率高、准确度高。
以上所述实施例中,各技术特征可以任意组合,为使描述简洁,未对上述实施例中各技术特征所有可能的组合都进行描述,然而只要这些技术特征组合不存在矛盾,都应当认为是本说明书记载的范围。
以上内容仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不脱离本发明的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。
Claims (6)
1.一种基于弯道铁轨的检测机器人,其特征在于,包括:
底盘;
第一摄像机,其可转动连接所述底盘的一侧,能够拍摄铁轨一侧的图像;
第二摄像机,其可转动连接所述底盘的另一侧,能够拍摄所述铁轨另一侧的图像;
激光雷达导航模块,其可拆卸连接所述底盘,用于规划所述底盘的行走路径;
行走机构,其可转动连接所述底盘的底部;
控制器,其与所述激光雷达导航模块、所述第一摄像机和所述第二摄像机通信连接,能够对所述图像进行缺陷识别;
所述缺陷识别包括如下步骤:
步骤一、获取铁轨两侧的图像,并筛选出候选区块;
步骤二、将所述候选区块进行铁轨缺陷边缘检测;
步骤三、采用弗雷曼链码提取所述缺陷轮廓,并识别缺陷类型;
筛选出候选区块的过程为:
步骤a、将所述铁轨两侧的图像进行灰度化输出,
Vgray=0.28R+0.51G+0.15B
其中,Vgray表示灰度值,R表示红色,G表示蓝色,B表示绿色;
步骤b、采用中值滤波法去噪,
rk=med(r1,r2,r3···rn)
其中,rk表示像素滤值,med表示中值操作,r1,r2,r3···rn表示单个像素点邻域窗口内的所有像素点;
步骤c、将所述图像进行空间坐标转换标定,获得标定图像,
其中,x表示横轴标定值,y表示纵轴标定值,f,μ表示标定参数X表示空间坐标横轴坐标值,Y表示空间坐标纵轴坐标值,Z表示空间坐标竖轴坐标值,M表示摄像头距轨道距离,a表示前转轮压力,b表示后转轮压力,ρ表示转动轮转速,ρ0表示转动轮平均速度,ω表示横摆角速率,σ表示标准差,vx表示横向加速度,vy表示垂直加速度;
步骤d、将所述标定图像划分成多个区块,并获取所述区块的对比度,
对比度的计算公式为:
其中,D表示对比度,ξ=m·n,m表示横向像素个数,n表示纵向像素个数,i表示单个像素点,t表示垂直偏差,WT表示颜色偏移深度,WS表示纹理偏移深度,λ表示水平偏差,φ(p*)表示灰度级;
步骤e、将所述对比度大于对比度阈值的区块作为候选区块,
对比度阈值的计算公式为:
所述边缘检测包括如下过程:
在3×3邻域内计算梯度幅值,幅值计算公式为:
E(x,y)=Ex 2(x,y)+Ey 2(x,y);
E*(x,y)=E45° 2(x,y)+E135° 2(x,y)
其中,B表示梯度幅值,Ex表示水平方向幅值,Ey表示竖直方向幅值,E45°表示45°方向幅值,E135°表示135°方向幅值;
将图像分割为前景和背景,计算所述前景和所述背景的类间方差,方差的算公式为:
其中τ2表示类间方差,表示灰度值区间(k-n,-+n)中所有像素的分布概率,a表示设置参数,p1表示前景区域的概率,p2表示前景区域的概率,m1表示前景区域的平均灰度值,m2表示呗景区域的平均灰度值,mG表示全局的平均灰度值;
将所述类间方差的最大值作为阈值,进行图像分割,并输出图像灰度直方图;
根据所述直方图提取直线边缘;
所述提取缺陷轮廓包括如下过程:
将单个像素点相邻的8个像素点分别设置为0~7;
设定链码提取的起点为左下角,每一列向右,每一行向上的顺序提取链码,并生成二值化曲线轨迹;
遍历所述直线边缘内的像素点,统计不同曲线轨迹上码值1、2、3的重复次数;
将出现次数最大的线段提取出来,得到缺陷轮廓。
2.如权利要求1所述的基于弯道铁轨的检测机器人,其特征在于,所述行走机构包括:
第一悬架,其弹性支撑在所述底盘的一侧;
第二悬架,其弹性支撑在所述底盘的另一侧;
第一转动轮,其可转动连接所述第一悬架;
第二转动轮,其可转动连接所述第二悬架;
压力仪,其连接所述第一转动轮和所述第二转动轮,能够监测所述第一转动轮和所述第二转动轮的承受压力。
3.如权利要求2所述的基于弯道铁轨的检测机器人,其特征在于,所述第一悬架和所述第二悬架均包括:
第一悬臂;
第二悬臂,其一端与所述第一悬臂的一端铰接;
弹簧,其弹性支撑在所述第一悬臂和所述第二悬臂之间。
4.如权利要求3所述的基于弯道铁轨的检测机器人,其特征在于,所述第一转动轮和所述第二转动轮均包括:
前转轮,其可转动连接所述第一悬臂另一端;
后转轮,其可转动连接所述第二悬臂另一端。
5.如权利要求4所述的基于弯道铁轨的检测机器人,其特征在于,还包括标记器,其可拆卸连接所述底盘,用于标记所述铁轨的缺陷。
6.如权利要求5所述的基于弯道铁轨的检测机器人,其特征在于,还包括太阳能电池板,其与所述第一摄像机、所述第二摄像机、所述激光雷达导航模块,所述行走机构和所述控制器电性连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110439768.9A CN113222907B (zh) | 2021-04-23 | 2021-04-23 | 一种基于弯道铁轨的检测机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110439768.9A CN113222907B (zh) | 2021-04-23 | 2021-04-23 | 一种基于弯道铁轨的检测机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222907A CN113222907A (zh) | 2021-08-06 |
CN113222907B true CN113222907B (zh) | 2023-04-28 |
Family
ID=77088774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110439768.9A Active CN113222907B (zh) | 2021-04-23 | 2021-04-23 | 一种基于弯道铁轨的检测机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222907B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114310932A (zh) * | 2021-12-16 | 2022-04-12 | 杭州申昊科技股份有限公司 | 一种用于挂轨式巡检机器人的定位装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9092841B2 (en) * | 2004-06-09 | 2015-07-28 | Cognex Technology And Investment Llc | Method and apparatus for visual detection and inspection of objects |
CN102607467B (zh) * | 2012-03-07 | 2015-02-25 | 上海交通大学 | 基于视觉测量的电梯导轨垂直度检测装置和检测方法 |
US11651258B2 (en) * | 2014-01-08 | 2023-05-16 | Yechezkal Evan Spero | Integrated docking system for intelligent devices |
CN110211101A (zh) * | 2019-05-22 | 2019-09-06 | 武汉理工大学 | 一种铁轨表面缺陷快速检测***及方法 |
CN111553948B (zh) * | 2020-04-27 | 2023-01-17 | 冀中能源峰峰集团有限公司 | 一种基于双示踪物的掘进机截割头定位方法 |
-
2021
- 2021-04-23 CN CN202110439768.9A patent/CN113222907B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113222907A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106192634B (zh) | 一种铁路轨道弹条扣件状态自动检测装置以及方法 | |
CN103217111B (zh) | 一种非接触式接触线几何参数检测方法 | |
CN111666947B (zh) | 一种基于3d成像的受电弓弓头偏移量测量方法及*** | |
CN102297660B (zh) | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 | |
CN106428558B (zh) | 一种基于空-轨两用无人机的轨道综合巡检方法 | |
CN104260751B (zh) | 一种多传感器融合的高铁轨道中心线检测***和检测方法 | |
CN106226157A (zh) | 混凝土构件裂缝自动检测装置及方法 | |
CN104034733A (zh) | 基于双目视觉监测与表面裂纹图像识别的寿命预测方法 | |
CN103837087B (zh) | 基于主动形状模型的受电弓自动检测方法 | |
CN105158257A (zh) | 滑板测量方法及装置 | |
CN102252859B (zh) | 汽车列车直线行驶横向稳定性自动辨识*** | |
CN113222907B (zh) | 一种基于弯道铁轨的检测机器人 | |
CN110435689B (zh) | 基于模块化控制的智能障碍探测车的探测方法 | |
CN108596968B (zh) | 一种基于轨道3d深度图像的轨枕计数方法 | |
CN113033443B (zh) | 一种基于无人机的行人过街设施全路网自动化排查方法 | |
CN203766824U (zh) | 一种电力机车受电靴的在线轨道检测装置 | |
CN104006804A (zh) | 基于观测基准失稳补偿的接触网偏移量检测方法 | |
CN111539278A (zh) | 一种用于目标车辆的检测方法及*** | |
CN208239314U (zh) | 列车定检*** | |
CN104019748B (zh) | 观测基准失稳补偿式接触网偏移量检测装置 | |
CN108846824B (zh) | 一种基于梯度投影的线阵扫描图像轨枕定位及计数方法 | |
CN115857040A (zh) | 一种机车车顶异物动态视觉检测装置及方法 | |
CN105242060B (zh) | 一种列车车轮空转及滑行的实时监测方法 | |
CN113963053A (zh) | 一种接触网高度的检测方法 | |
CN113640308B (zh) | 一种基于机器视觉的轨道异常监测*** |
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 |