CN113469940B - 基于三维点云结合二维图像处理技术的扣件松动检测方法 - Google Patents
基于三维点云结合二维图像处理技术的扣件松动检测方法 Download PDFInfo
- Publication number
- CN113469940B CN113469940B CN202110579074.5A CN202110579074A CN113469940B CN 113469940 B CN113469940 B CN 113469940B CN 202110579074 A CN202110579074 A CN 202110579074A CN 113469940 B CN113469940 B CN 113469940B
- Authority
- CN
- China
- Prior art keywords
- point
- fastener
- point cloud
- dimensional
- dimensional image
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2004—Aligning objects, relative positioning of parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2016—Rotation, translation, scaling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Architecture (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明属于轨道交通工务检测检测技术领域,尤其涉及一种基于三维点云结合二维图像处理技术的扣件松动检测方法,包括钢轨定位步骤、扣件定位步骤、扣件关键测量点定位步骤、扣件参考点定位步骤、扣件松动判断步骤,是一种三维点云中自动完成对扣件的识别定位过滤干扰信并实现对弹条关键测量点和绝缘块参考点的精确定位、以达到对扣件松动的精确测量的扣件松动检测方法。
Description
技术领域
本发明属于接触网轨道交通工务检测技术领域,尤其涉及一种基于三维点云结合二维图像处理技术的扣件松动检测方法。
背景技术
中间联结零件又称钢轨扣件,钢轨扣件是指具有刚性扣压件的钢轨与轨枕的紧固装置零件,我国用于混凝土枕线路紧固50、43(kg/m)等钢轨的70型扣板式扣件,由螺栓道钉、螺母、平垫圈、弹赞垫圈、刚性扣板、铁座、绝缘缓冲垫片、轨下胶垫、绝缘缓冲衬垫、绝缘防锈涂料以及硫磺锚固等零件组成。钢轨扣件紧固钢轨和机下部件的轨道配件,按轨枕种类分为木枕线路扣件和混凝土枕线路(其他类型混凝土机下部件线路)扣件两大类。
目前,在轨道检测装置的技术方案中,对扣件松动的检测方法有基于二维图像的角度对比方法、基于红外热成像的通过获取扣件与钢轨的接触应力的检测方法与基于三维点云的扣件螺栓浮起检测方法等。相比于从二维图像中完成扣件松动的检测,从三维点云中完成扣件松动识别精度更高,现有技术中基于三维点云的扣件螺栓浮起检测方法是将三维点云转换为了二维深度图像,随后通过设置灰度阈值范围提取扣件,随后根据螺栓的高度信息判断扣件是否松动,但是该方法只能适用于点云采集设备与扣件保持固定的距离且无干扰数据,能够直接通过坐标位置信息通过设置阈值直接提取出扣件,且扣件松动往往是螺栓下方的螺母松脱未压紧弹条,故仅检测扣件螺栓松动不能准确反应扣件是否松动,但是无法在三维点云中自动完成对扣件的识别定位过滤干扰信并实现对弹条关键测量点和绝缘块参考点的精确定位。
相比于该方法,本方法提供了一种在三维点云中,自动完成对扣件的识别定位过滤干扰信息,并实现弹条关键测量点和绝缘块参考点的精确定位,以达到对扣件松动的精确测量。
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三维点云中自动完成对扣件的识别定位过滤干扰信号并实现对弹条关键测量点和绝缘块参考点的精确定位、以达到对扣件松动的精确测量的扣件松动检测方法。
基于三维点云结合二维图像处理技术的扣件松动检测方法,包括以下步骤:
钢轨定位步骤:根据三维采集***获取的轨道三维点云中的高度信息设定阈值范围(zrailmin~zrailmax),并通过阈值范围过滤轨道三维点云,高度信息设定阈值范围,取决于三维采集设备与轨面的距离,是一种先验阈值,然后对过滤后的轨道三维点云进行密度聚类,分别获取左、右钢轨点云的外接立方体的坐标,密度聚类具体的是通过设定距离判定阈值,将三维点云中所有的三维点云两两间进行间距计算,将间距落入阈值范围的划为一簇,是一种将聚类方法运用在三维里面的成熟技术,扣件与钢轨的位置关系决定了扣件一定处于左右钢轨点云的外接立方体坐标内,即获取外接立方体坐标的目的是为了对扣件所在区域进行一个初步的划分,设外接立方体的对角两点坐标为(xmin,ymin,zmin)和(xmax,ymax,zmax);
扣件定位步骤:因为扣件都位于轨面的两侧距轨面T距离内,以xmin-T~xmax-T的范围从所述钢轨定位步骤中获取到的左、右钢轨点云的外接立方体坐标内截取包含扣件的三维点云,即扣件点云,其中,T为轨面的两侧距轨面距离;根据扣件所在的高度范围(hmin~hmax)对所述扣件点云进行过滤得到扣件轮廓的三维点云,即扣件集合点云,高度范围(hmin~hmax)取决于安装的三维采集设备与扣件间的距离,这里和所述钢轨定位步骤中对高度信息设定的阈值范围一样,仅是一个较大且粗略的范围,最后通过标准扣件生成匹配模型在扣件集合点云中进行扣件模板匹配、并将扣件模板的所有三维点坐标点集s0进行平移旋转变化处理为对应匹配的扣件的三维点坐标点集s′0;
正常情况扣件距离钢轨150mm以内,因此,所述扣件定位步骤中,所述T距离通常可设置为100~200mm之间,优选地为150mm。
所述扣件定位步骤中,是基于快速点特征直方图(FPFH)描述子的点云模板匹配算法在扣件集合点云中进行扣件匹配,具体的,包括以下步骤:
步骤1,从待配准点云P中选取n个采样点,采样点之间的距离应满足大于预先设定最小距离阈值d,这样可以保证所采样的点具有不同的FPFH特征;
步骤2,在目标点云Q中查找与点云P中采样点具有相似FPFH特征的一个或多个点,从这些相似点中随机选取一个点作为点云P在目标点云Q中的一一对应点;
步骤3,计算对应点之间刚体变换矩阵,然后通过求解对应点变换后的“距离误差和”函数,来判断当前配准变换的性能;
所述平移旋转变化处理,具体的,是将与三维点云中扣件匹配的扣件模板的三维点坐标点集s0,用平移旋转变化矩阵matrix0(tx,ty,tz,1,α,β,λ)进行平移旋转变化处理,得到扣件区域的三维点云中扣件模板对应匹配的扣件的三维点坐标点集s′0,其中(tx,ty,tz,1)为平移参数,(α,β,λ)位为旋转参数,平移旋转变化矩阵来源于模板匹配算法的输出,因此,平移参数、旋转参数都是通过算法获取的值。
更具体的,首先通过平移参数将扣件模板的三维点坐标(x0,y0,z0)平移处理得到平移位置坐标扣件模板的三维点坐标(x0,y0,z0)为人工根据扣件模板的结构、形状、尺寸等比例在三维坐标系中选择或输入的的模板三维点坐标,因此,扣件模板的三维点坐标可以通过变换矩阵变换到原始坐标系中,在三维点坐标系中可以直接使用。
然后通过旋转参数(α,β,λ)将平移位置坐标进行旋转得到平移旋转后的位置坐标(x′0,y′0,z′0),扣件模板所有的的三维点坐标经过平移旋转处理后的点集即为三维点云中扣件的位置坐标点集,记为s′0,
弹条关键点定位步骤:根据各个扣件的点云水平分布范围从所述扣件集合点云中提取当前扣件点云s1;计算所述当前扣件点云s1与对应点云s′0的点与点空间距离,剔除点云s1中空间距离不符合阈值的点,构成点云s2;将点云s0和点云s2生成二维图像模板model0和俯视二维图像image0,将二维图像模板model0和俯视二维图像image0进行图像模板匹配并提取二维图像模板model0至俯视二维图像image0的变换矩阵,并将二维图像模板model0中的弹条关键点区域通过所述变换矩阵映射至匹配的俯视二维图像image0中对应位置,得到俯视二维图像image0中的弹条关键点区域,关键点区域为人工根据先验阈值或经验在模板中标记得到的,关键点区域与模板同时通过变换矩阵旋转平移,就能准确找到采集数据中的关键点坐标,完成二次精确配准并得到俯视二维图像image0中的弹条关键测量点的区域;从点云s2中提取弹条关键点区域的高度均值得到弹条关键点相对高度h1。
所述弹条关键点定位步骤中,是采用KD-tree结构快速遍历计算点集s1中与点集s′0中各个点间的距离dis,并记录点集s1中每个点距离点集s′0中各个点的最小距离dismin,剔除最小距离dismin大于距离阈值m的点,点集s1中剩下的点即构成点集s2,而所述距离阈值m即为判定阈值。
所述弹条关键点定位步骤中,将点集s0生成俯视二维图像,建立二维图像模板model0后,记录选择的关键测量点的区域a0在模板model0中的位置(xa0min~xa0max,ya0min~ya0max);
再将点集s2生成俯视二维图像image0,将image0与model0进行图像模板匹配,根据模板匹配获取到的二维变换矩阵matrix1,对关键测量点的区域a0变换运算得到a0′区域,a0′区域即关键测量点的区域在点集s2中的位置;
直接计算点集s2中中a0′区域的高度均值,就能获取到关键测量点的的相对高度h1。
所述关键测量点的区域位于扣件中弹条部件中的一个部分,弹条是扣件的组成部分之一,关键点位于扣件的弹条中。
扣件参考点定位步骤:将所述弹条关键点区域进行纵向扩展,从点云s2中截取该区域的点云,并采用密度聚类方法将该区域分割为i个部分,分别求取每个部分的平均高度hiave,取最低的平均高度h′iave为绝缘块参考点的平均高度h2;
所述扣件参考点定位步骤中,纵向扩展关键点区域大小为a1[xa0min~xa0max,(ya0min-n)~(ya0max+n)],n是在模板中根据先验阈值选取的一个固定长度。
扣件松动判断步骤,直接计算所述扣件关键测量点定位步骤中得到的俯视二维图像image0中的扣件关键点区域的高度均值h1,将h1与所述扣件参考点定位步骤中的h2求差,得到关键点区域与参考点区域高差Δh测量,比较Δh测量与该距离的标准值Δh标准的差是否大于阈值U,从而判断扣件是否松动,标准值Δh标准为标准扣件的关键点区域距离绝缘块的距离,根据扣件的标准设计值确定;阈值U为能够接受的扣件松动范围,视运用环境的情况而设定的值。
对应上述方法,本发明还提供了一种计算机设备,包括:一个或多个处理器、存储器,所述存储器存储指令,当所述指令被所述一个或多个处理器执行时,使得所述一个或多个处理器执行上述的方法。
以及,一种非暂时性机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行上述的方法。
有益效果:
1、本发明所提供的这种技术方案,根据经典的轨道及部件数据作为先验阈值,以外接四边形坐标获取的方式对三维点云数据进行粗划分提取出作为目标的扣件所在的区域,采用单一指标快速、直接的从采集对象数据中获取包含有扣件的点云,排除所有无效数据,极大减小处理识别运算量,使后续的匹配识别处理能够更为高效快速。
2、进一步的,本发明这种方法,对于包含有扣件的点云使用三维模板匹配的方法,以扣件标准模板作参考,从采集到的整个轨道点云数据中自动找到每个扣件位置,然后利用扣件标准模板的俯视二维图,对检测扣件进行二次精确配置,并找到如弹条等关键点区域与扣件的相对位置,就能准确获取关键点区域的高度,从而通过高度阈值判定的方式快速的完成扣件松动的检测,相较于现有技术方案,以更加快速且节省算力的方式替代了复杂的三维数据和二维数据转换计算过程,通过模板匹配的方式快速而准确的实现松动检测。
3、在通过模板匹配得到扣件点云后,采用基于快速点特征直方图(FPFH)描述子的点云模板匹配算法进行扣件轮廓的识别,得到准确的扣件模板,然后以扣件中作为经典关键点的弹条为对象,进行实际高度的计算,得到被检测轨道中弹条的实际高度,然后通过二维化处理从弹条的点云数据中分离出作为参考点的平面点云数据,获取弹条的实际高度,同时,对应计算作为模板的扣件模型中的弹条在点云中的相对高度,将被检测轨道中弹条的实际高度与作为参照标准的扣件模型中弹条的相对高度进行高度差计算,以高度差计算结果作为判断扣件是否松动的数据,利用三维模板匹配结合二维图像数据的方法,自动从整个轨面及两侧的点云数据中提取出扣件区域及弹条关键点区域与绝缘块参考点区域,不受扣件自身位置、方向、高度等变化影响。
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为本发明逻辑示意图;
图2为三维采集***获取的轨道三维点云示意图;
图3为通过高度信息的阈值范围过滤轨道三维点云示意图;
图4为获取左右钢轨点云的外接立方体坐标示意图;
图5为包含扣件的三维点云示意图;
图6为扣件区域的三维点云示意图;
图7为扣件模板的所有三维点坐标点集s0示意图;
图8为与轨道三维点云对应匹配的扣件的三维点坐标点集s′0示意图;
图9为三维点坐标点集s′0提取范围示意图;
图10为本发明实施例中点集s2的示意图;
图11为二维图像模板model0中的关键点区域示意图;
图12为关键测量点的区域进行纵向扩展示意图;
图13为标准区域点和关键点区域数据高度差示意图;
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。
实施例1
作为本发明一种具体实施方案,本实施例公开了一种基于三维点云结合二维图像处理技术的扣件松动检测方法,如图1,包括钢轨定位步骤、扣件定位步骤、弹条关键点定位步骤、扣件参考点定位步骤和扣件松动判断步骤,利用扣件标准模板在使用三维模板匹配的方法自动整个轨道点云数据中找到每个扣件位置,然后利用模板扣件的俯视二维图,对检测扣件进行二次精确配置,并找到弹条关键点区域与扣件的相对位置,获取弹条关键点区域高度,再利用绝缘块参考点与弹条上的关键点的相对高差,从点云数据中分离出绝缘块参考点平面点云数据,获取绝缘块参考点的相对高度,最后利用弹条上的关键点与绝缘块参考点的相对高差判断扣件是否松动,选择使用弹条关键点与绝缘块参考点更能准确判断扣件是否松脱。
具体的,所述钢轨定位步骤,如图2,通过三维采集***获取的轨道三维点云,根据三维采集***获取的轨道三维点云中的高度信息设定阈值范围(zrailmin~zrailmax),并如图3,通过阈值范围过滤轨道三维点云,高度信息设定阈值范围取决于三维采集设备与轨面的距离,是一种先验阈值;然后如图4,对过滤后的轨道三维点云进行密度聚类,分别获取左右钢轨点云的外接立方体坐标,密度聚类具体的是通过设定距离判定阈值,将三维点云中所有的三维点云两两间进行间距计算,将间距落入阈值范围的划为一簇,是一种将聚类方法运用在三维里面的成熟技术,扣件与钢轨的位置关系决定了扣件一定处于左右钢轨点云的外接立方体坐标内,即获取外接立方体坐标的目的是为了对扣件所在区域进行一个初步的划分,设外接立方体的对角两点坐标为(xmin,ymin,zmin)和(xmax,ymax,zmax),这里需要说明的是,本发明技术方案的描述中涉及到的前、后、左、右、上、下以及坐标点的X、Y、Z方向都是为了更便于理解技术方案而进行的相对位置限定描述,而不是绝对的方位限定。
接着,所述扣件定位步骤,设T为轨面的两侧距轨面距离,因为扣件都位于轨面的两侧距轨面T距离内,正常情况扣件距离钢轨150mm以内,因此,所述T距离通常可设置为100~200mm之间,优选地可直接设置为150mm,然后以xmin-T~xmax-T的范围从所述钢轨定位步骤中获取到的左右钢轨点云的外接立方体坐标内截取如图5包含扣件的三维点云。
然后再如图6,根据扣件所在的高度范围(hmin~hmax)对所述包含扣件的三维点云进行过滤得到扣件区域的三维点云,所述高度范围(hmin~hmax)取决于安装的三维采集设备与扣件间的距离,这里和所述钢轨定位步骤中对高度信息设定的阈值范围一样,仅是一个较大且粗略的范围,最后通过标准扣件生成匹配模型在扣件区域的三维点云中进行扣件模板匹配、并将如图7的扣件模板的所有三维点坐标点集s0进行平移旋转变化处理为如图8与轨道三维点云对应匹配的扣件的三维点坐标点集s′0。
所述弹条关键点定位步骤,根据各个扣件的点云水平分布范围从所述扣件集合点云中提取当前扣件点云s1,如图9,根据所述扣件定位步骤中匹配出的扣件的三维点云位置坐标在X轴与Y轴上的范围(x′0min~x′0max)和(y′0min~y′0max),从三维采集***获取的所有轨道三维点云中提取落入范围内的三维点云构成点集s1,并以点集s′0为参考、根据设定的判定阈值从点集s1剔除不符合判定阈值要求的点,构成如图10的点集s2;将点集s0和点集s2生成二维图像模板model0和俯视二维图像image0,将二维图像模板model0和俯视二维图像image0进行图像模板匹配,并将二维图像模板model0中的关键点区域通过基于二维的图像匹配算法的变换矩阵变换至匹配的俯视二维图像image0中对应位置,关键点区域如图11所示,为人工根据先验阈值或经验在模板中标记得到的,关键点区域与模板同时通过变换矩阵旋转平移,就能准确找到采集数据中的关键点坐标,完成二次精确配准并得到俯视二维图像image0中的弹条关键测量点的区域,计算区域中关键测量点的高度均值得到关键测量点的的相对高度h1。
所述扣件松动判断步骤,如图12,将扣件关键测量点定位步骤中得到俯视二维图像image0中的弹条关键测量点的区域进行纵向扩展,并采用基于密度方法聚类(如DBSCAN聚类方法)将纵向扩展后的关键测量点区域分割为i个部分,分别求取每个部分的平均高度hiave,平均高度最低的一个部分就是扣件参考点区域,其平均高度h′iave就是绝缘块参考点区域的平均高度h2,通过关键测量点与绝缘块之间的高度差即可判断是否松动。
具体的,所述扣件松动判断步骤,直接计算所述扣件关键测量点定位步骤中得到的俯视二维图像image0中的扣件关键点区域的高度均值h1,将h1与所述扣件参考点定位步骤中的h2求差,得到关键点区域与参考点区域高差Δh测量,比较Δh测量与该距离的标准值Δh标准的差是否大于阈值U,从而判断扣件是否松动,标准值Δh标准为标准扣件的关键点区域距离绝缘块的距离,根据扣件的标准设计值确定;阈值U为能够接受的扣件松动范围,视运用环境的情况而设定的值。
实施例2
作为本发明一种优选地实施方案,本实施例公开了一种基于三维点云结合二维图像处理技术的扣件松动检测方法,如图1,包括钢轨定位步骤、扣件定位步骤、扣件关键测量点定位步骤、扣件参考点定位步骤和扣件松动判断步骤,具体的:
所述钢轨定位步骤,如图2,通过三维采集***获取的轨道三维点云,根据三维采集***获取的轨道三维点云中的高度信息设定阈值范围Zrailmin~Zrailmax,并如图3,通过阈值范围过滤轨道三维点云,高度信息设定阈值范围取决于三维采集设备与轨面的距离,是一种先验阈值;然后如图4,对过滤后的轨道三维点云进行密度聚类,分别获取左右钢轨点云的外接立方体坐标,密度聚类具体的是通过设定距离判定阈值,将三维点云中所有的三维点云两两间进行间距计算,将间距落入阈值范围的划为一簇,是一种将聚类方法运用在三维里面的成熟技术,扣件与钢轨的位置关系决定了扣件一定处于左右钢轨点云的外接立方体坐标内,即获取外接立方体坐标的目的是为了对扣件所在区域进行一个初步的划分,设外接立方体的对角两点坐标为(xmin,ymin,zmin)和(xmax,ymax,zmax),这里需要说明的是,本发明技术方案的描述中涉及到的前、后、左、右、上、下以及坐标点的X、Y、Z方向都是为了更便于理解技术方案而进行的相对位置限定描述,而不是绝对的方位限定。
接着,所述扣件定位步骤,设T为轨面的两侧距轨面距离,因为扣件都位于轨面的两侧距轨面T距离内,正常情况扣件距离钢轨150mm以内,因此,所述T距离通常可设置为100~200mm之间,优选地可直接设置为150mm,然后以xmin-T~xmax-T的范围从所述钢轨定位步骤中获取到的左右钢轨点云的外接立方体坐标内截取如图5包含扣件的三维点云。
然后再如图6,根据扣件所在的高度范围(hmin~hmax)对所述包含扣件的三维点云进行过滤得到扣件区域的三维点云,所述高度范围(hmin~hmax)取决于安装的三维采集设备与扣件间的距离,这里和所述钢轨定位步骤中对高度信息设定的阈值范围一样,仅是一个较大且粗略的范围,最后通过标准扣件生成匹配模型在扣件区域的三维点云中进行扣件模板匹配、并将如图7的扣件模板的所有三维点坐标点集s0进行平移旋转变化处理为如图8与轨道三维点云对应匹配的扣件的三维点坐标点集s′0,更加具体的,是基于FPFH描述子的点云模板匹配算法在包含扣件的三维点云中进行扣件匹配:
进一步的,所述扣件定位步骤中,是基于快速点特征直方图(FPFH)描述子的点云模板匹配算法在扣件集合点云中进行扣件匹配,具体的,包括以下步骤:
步骤1,从待配准点云P中选取n个采样点,采样点之间的距离应满足大于预先设定最小距离阈值d,这样可以保证所采样的点具有不同的FPFH特征;
步骤2,在目标点云Q中查找与点云P中采样点具有相似FPFH特征的一个或多个点,从这些相似点中随机选取一个点作为点云P在目标点云Q中的一一对应点;
步骤3,计算对应点之间刚体变换矩阵,然后通过求解对应点变换后的“距离误差和”函数,来判断当前配准变换的性能;
所述平移旋转变化处理,具体的,是将与三维点云中扣件匹配的扣件模板的三维点坐标点集s0,用平移旋转变化矩阵matrix0(tx,ty,tz,1,α,β,λ)进行平移旋转变化处理,得到扣件区域的三维点云中扣件模板对应匹配的扣件的三维点坐标点集s′0,其中(tx,ty,tz,1)为平移参数,(α,β,λ)位为旋转参数,平移旋转变化矩阵来源于模板匹配算法的输出,因此,平移参数、旋转参数都是通过算法获取的值。
更具体的,首先通过平移参数将扣件模板的三维点坐标(x0,y0,z0)平移处理得到平移位置坐标扣件模板的三维点坐标(x0,y0,z0)为人工根据扣件模板的结构、形状、尺寸等比例在三维坐标系中选择或输入的的模板三维点坐标,因此,扣件模板的三维点坐标可以通过变换矩阵变换到原始坐标系中,在三维点坐标系中可以直接使用。
然后通过旋转参数(α,β,λ)将平移位置坐标进行旋转得到平移旋转后的位置坐标(x′0,y′0,z′0),扣件模板所有的的三维点坐标经过平移旋转处理后的点集即为三维点云中扣件的位置坐标点集,记为s′0,
所述扣件关键测量点定位步骤,如图9,根据所述扣件定位步骤中匹配出的扣件的三维点云位置坐标在X轴与Y轴上的范围(x′0min~x′0max)和(y′0min~y′0max),从三维采集***获取的所有轨道三维点云中提取落入范围内的三维点云构成点集s1,并以点集s′0为参考、根据设定的判定阈值从点集s1剔除不符合判定阈值要求的点,构成如图10的点集s2,具体的是采用KD-tree结构快速遍历计算点集s1中与点集s′0中各个点间的距离dis,并记录点集s1中每个点距离点集s′0中各个点的最小距离dismin,剔除最小距离dismin大于距离阈值m的点,点集s1中剩下的点即构成点集s2,而所述距离阈值m即为判定阈值。
然后将点集s0和点集s2生成二维图像模板model0和俯视二维图像image0,将点集s0生成俯视二维图像,建立二维图像模板model0后,记录选择的关键测量点的区域a0在模板model0中的位置(xa0min~xa0max,ya0min~ya0max);
再将点集s2生成俯视二维图像image0,将image0与model0进行图像模板匹配,根据模板匹配获取到的二维变换矩阵matrix1,对关键测量点的区域a0变换运算得到a0′区域,a0′区域即关键测量点的区域在点集s2中的位置;即,将二维图像模板model0和俯视二维图像image0进行图像模板匹配,并将二维图像模板model0中的关键点区域通过基于二维的图像匹配算法的变换矩阵变换至匹配的俯视二维图像image0中对应位置,关键点区域如图11所示,为人工根据先验阈值或经验在模板中标记得到的,关键点区域与模板同时通过变换矩阵旋转平移,就能准确找到采集数据中的关键点坐标,完成二次精确配准并得到俯视二维图像image0中的弹条关键测量点的区域,直接计算点集s2中中a0'区域的高度均值,就能获取到关键测量点的的相对高度h1。
并且优选地,所述关键测量点的区域位于扣件中弹条部件中的一个部分,弹条是扣件的组成部分之一,关键点位于扣件的弹条中。
所述扣件参考点定位步骤,如图12,将扣件关键测量点定位步骤中得到俯视二维图像image0中的弹条关键测量点的区域进行纵向扩展,纵向扩展关键点区域大小为a1[xa0min~xa0max,(ya0min-n)~(ya0max+n)],n是在模板中根据先验阈值选取的一个固定长度。并采用基于密度方法聚类(DBSCAN)将纵向扩展后的关键测量点区域分割为i个部分,分别求取每个部分的平均高度hiave,平均高度最低的一个部分就是扣件参考点区域,其平均高度h′iave就是绝缘块参考点区域的平均高度h2,通过关键测量点与绝缘块之间的高度差即可判断是否松动。
具体的,所述扣件松动判断步骤,直接计算所述扣件关键测量点定位步骤中得到的俯视二维图像image0中的扣件关键点区域的高度均值h1,将h1与所述扣件参考点定位步骤中的h2求差,得到关键点区域与参考点区域高差Δh测量,如图13,比较Δh测量与该距离的标准值Δh标准的差是否大于阈值U,从而判断扣件是否松动,标准值Δh标准为标准扣件的关键点区域距离绝缘块的距离,根据扣件的标准设计值确定;阈值U为能够接受的扣件松动范围,视运用环境的情况而设定的值。
Claims (10)
1.基于三维点云和二维图像处理的扣件松动检测方法,其特征在于,包括以下步骤:
钢轨定位步骤:从三维采集***获取三维点云,根据钢轨的点云高度阈值范围(zrailmin~zrailmax)筛选钢轨点云并对所述钢轨点云进行密度聚类,获取钢轨点云的外接立方体;
扣件定位步骤:以xmin-T~xmax-T的范围从所述外接立方体截取含扣件点云,其中,T为扣件外侧距轨面的横向距离;根据扣件所在的高度范围(hmin~hmax)从所述含扣件点云中筛选得到扣件集合点云;再将所述扣件集合点云与标准扣件生成的模板点云s0进行模板匹配,并获取所述模板点云s0到各个扣件的平移旋转变换矩阵,对所述模板点云s0进行平移旋转,记平移旋转后的点云为s′0;
弹条关键点定位步骤:根据各个扣件的点云水平分布范围从所述扣件集合点云中提取当前扣件点云s1;计算所述当前扣件点云s1与对应点云s′0的点与点空间距离,剔除点云s1中空间距离不符合阈值的点,构成点云s2;将点云s0和点云s2生成二维图像模板model0和俯视二维图像image0,将二维图像模板model0和俯视二维图像image0进行图像模板匹配并提取二维图像模板model0至俯视二维图像image0的变换矩阵,并将二维图像模板model0中的弹条关键点区域通过所述变换矩阵映射至匹配的俯视二维图像image0中对应位置,得到俯视二维图像image0中的弹条关键点区域;从点云s2中提取弹条关键点区域的高度均值得到弹条关键点相对高度h1;
扣件参考点定位步骤:将所述弹条关键点区域进行纵向扩展,从点云s2中截取该区域的点云,并采用密度聚类方法将该区域分割为i个部分,分别求取每个部分的平均高度hiave,取最低的平均高度h'iave为绝缘块参考点的平均高度h2;
扣件松动判断步骤:弹条关键点相对高度h1与绝缘块参考点的平均高度h2作差,得到弹条关键点与绝缘块参考点的高差Δh测量,根据Δh测量是否超过阈值,判断扣件是否松动。
2.如权利要求1所述的基于三维点云和二维图像处理的扣件松动检测方法,其特征在于:所述扣件定位步骤中,所述T距离设置为100~200mm之间。
3.如权利要求1所述的基于三维点云和二维图像处理的扣件松动检测方法,其特征在于,所述扣件定位步骤中,是基于快速点特征直方图(FPFH)描述子的点云模板匹配算法在扣件集合点云中进行扣件匹配,具体的,包括以下步骤:
步骤1,从待配准点云P中选取n个采样点,采样点之间的距离应满足大于预先设定最小距离阈值d;
步骤2,在目标点云Q中查找与点云P中采样点具有相似FPFH特征的一个或多个点,从这些相似点中随机选取一个点作为点云P在目标点云Q中的一一对应点;
步骤3,计算对应点之间刚体变换矩阵,然后通过求解对应点变换后的“距离误差和”函数,来判断当前配准变换的性能;
所述平移旋转变换处理,具体的,是将与三维点云中扣件匹配的扣件模板的三维点坐标点集s0,用平移旋转变换矩阵matrix0(tx,ty,tz,1,α,β,λ)进行平移旋转变换处理,得到扣件区域的三维点云中扣件模板对应匹配的扣件的三维点坐标点集s′0,其中(tx,ty,tz,1)为平移参数,(α,β,λ)位为旋转参数。
4.如权利要求3所述的基于三维点云和二维图像处理的扣件松动检测方法,其特征在于:
首先通过平移参数将扣件模板的三维点坐标(x0,y0,z0)平移处理得到平移位置坐标
然后通过旋转参数(α,β,λ)将平移位置坐标进行旋转得到平移旋转后的位置坐标(x′0,y′0,z′0),扣件模板所有的三维点坐标经过平移旋转处理后的点集即为三维点云中扣件的位置坐标点集,记为s′0,
5.如权利要求1所述的基于三维点云和二维图像处理的扣件松动检测方法,其特征在于:所述弹条关键点定位步骤中,是采用KD-tree结构快速遍历计算点集s1中与点集s′0中各个点间的距离dis,并记录点集s1中每个点距离点集s′0中各个点的最小距离dismin,剔除最小距离dismin大于距离阈值m的点,点集s1中剩下的点即构成点集s2,而所述距离阈值m即为判定阈值。
6.如权利要求5所述的基于三维点云和二维图像处理的扣件松动检测方法,其特征在于:所述弹条关键点定位步骤中,将点集s0生成俯视二维图像,建立二维图像模板model0后,记录选择的关键测量点的区域a0在模板model0中的位置(xa0min~xa0max,ya0min~ya0max);
再将点集s2生成俯视二维图像image0,将image0与model0进行图像模板匹配,根据模板匹配获取到的二维变换矩阵matrix1,对关键测量点的区域a0变换运算得到a0′区域,a0′区域即关键测量点的区域在点集s2中的位置;
直接计算点集s2中a0'区域的高度均值,就能获取到关键测量点的相对高度h1。
7.如权利要求6所述的基于三维点云和二维图像处理的扣件松动检测方法,其特征在于:所述关键测量点的区域位于扣件中弹条部件中的一个部分,弹条是扣件的组成部分之一,关键点位于扣件的弹条中。
8.如权利要求1所述的基于三维点云和二维图像处理的扣件松动检测方法,其特征在于:所述扣件参考点定位步骤中,纵向扩展关键点区域大小为a1[xa0min~xa0max,(ya0min-n)~(ya0max+n)],n是在模板中根据先验阈值选取的一个固定长度。
9.一种计算机设备,其特征在于:包括一个或多个处理器、存储器,所述存储器存储指令,当所述指令被所述一个或多个处理器执行时,使得所述一个或多个处理器执行上述权利要求1-8中任意一项所述的方法。
10.一种非暂时性机器可读存储介质,其特征在于:其存储有可执行指令,所述指令当被执行时使得所述机器执行上述权利要求1-8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110579074.5A CN113469940B (zh) | 2021-05-26 | 2021-05-26 | 基于三维点云结合二维图像处理技术的扣件松动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110579074.5A CN113469940B (zh) | 2021-05-26 | 2021-05-26 | 基于三维点云结合二维图像处理技术的扣件松动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469940A CN113469940A (zh) | 2021-10-01 |
CN113469940B true CN113469940B (zh) | 2023-08-04 |
Family
ID=77871348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110579074.5A Active CN113469940B (zh) | 2021-05-26 | 2021-05-26 | 基于三维点云结合二维图像处理技术的扣件松动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469940B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354618A (zh) * | 2021-12-16 | 2022-04-15 | 浙江大华技术股份有限公司 | 一种焊缝检测的方法及装置 |
CN115100109B (zh) * | 2022-05-19 | 2023-04-18 | 南昌工程学院 | 一种轨道弹条扣件的松紧状态检测方法 |
CN115830019B (zh) * | 2023-02-14 | 2023-04-28 | 南京慧然科技有限公司 | 钢轨检测的三维点云校准处理方法及装置 |
CN117635520A (zh) * | 2023-03-20 | 2024-03-01 | 南昌工程学院 | 一种二维图像和三维点云融合的弹条扣件松紧检测方法 |
CN117830199A (zh) * | 2023-04-14 | 2024-04-05 | 南昌工程学院 | 一种图像和点云融合的轨道弹条扣件缺陷全面检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009210276A (ja) * | 2008-02-29 | 2009-09-17 | Mitsubishi Heavy Ind Ltd | 締結具の緩み検出システム及び緩み検出方法 |
CN106192634A (zh) * | 2016-08-31 | 2016-12-07 | 武汉汉宁轨道交通技术有限公司 | 一种铁路轨道弹条扣件状态自动检测装置以及方法 |
CN108797241A (zh) * | 2018-06-05 | 2018-11-13 | 成都精工华耀科技有限公司 | 一种基于高度比对的轨道扣件螺帽松动检测方法 |
CN108830891A (zh) * | 2018-06-05 | 2018-11-16 | 成都精工华耀科技有限公司 | 一种钢轨鱼尾板紧固件松动检测方法 |
CN110634122A (zh) * | 2018-06-05 | 2019-12-31 | 成都精工华耀科技有限公司 | 一种扣件弹条移位检测方法 |
CN112365461A (zh) * | 2020-11-06 | 2021-02-12 | 北京格灵深瞳信息技术有限公司 | 紧固件松动识别方法、***、终端及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10410043B2 (en) * | 2016-06-24 | 2019-09-10 | Skusub LLC | System and method for part identification using 3D imaging |
WO2019183475A1 (en) * | 2018-03-23 | 2019-09-26 | University Of Kansas | Vision-based fastener loosening detection |
-
2021
- 2021-05-26 CN CN202110579074.5A patent/CN113469940B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009210276A (ja) * | 2008-02-29 | 2009-09-17 | Mitsubishi Heavy Ind Ltd | 締結具の緩み検出システム及び緩み検出方法 |
CN106192634A (zh) * | 2016-08-31 | 2016-12-07 | 武汉汉宁轨道交通技术有限公司 | 一种铁路轨道弹条扣件状态自动检测装置以及方法 |
CN108797241A (zh) * | 2018-06-05 | 2018-11-13 | 成都精工华耀科技有限公司 | 一种基于高度比对的轨道扣件螺帽松动检测方法 |
CN108830891A (zh) * | 2018-06-05 | 2018-11-16 | 成都精工华耀科技有限公司 | 一种钢轨鱼尾板紧固件松动检测方法 |
CN110634122A (zh) * | 2018-06-05 | 2019-12-31 | 成都精工华耀科技有限公司 | 一种扣件弹条移位检测方法 |
CN112365461A (zh) * | 2020-11-06 | 2021-02-12 | 北京格灵深瞳信息技术有限公司 | 紧固件松动识别方法、***、终端及存储介质 |
Non-Patent Citations (1)
Title |
---|
高速铁路扣件缺陷三维检测***集成与识别算法;代先星;《中国博士学位论文全文数据库 工程科技Ⅱ辑》(第(2020)03期);C033-3 * |
Also Published As
Publication number | Publication date |
---|---|
CN113469940A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469940B (zh) | 基于三维点云结合二维图像处理技术的扣件松动检测方法 | |
CN110443836B (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN109544612B (zh) | 基于特征点几何表面描述的点云配准方法 | |
CN108107444B (zh) | 基于激光数据的变电站异物识别方法 | |
CN100485710C (zh) | 利用数字图像处理技术识别车辆类型的方法 | |
CN106683076B (zh) | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 | |
CN110807781B (zh) | 一种保留细节与边界特征的点云精简方法 | |
CN103295232B (zh) | 基于直线和区域的sar图像配准方法 | |
CN112465948A (zh) | 一种保留空间特征的车载激光路面点云抽稀方法 | |
CN109409385A (zh) | 一种指针式仪表自动识别方法 | |
CN107358617B (zh) | 一种探地雷达记录剖面中目标顶点的检测方法 | |
CN101604450A (zh) | 集成影像与LiDAR数据提取建筑物轮廓的方法 | |
CN111179321B (zh) | 一种基于模板匹配的点云配准方法 | |
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 | |
CN102750449B (zh) | 基于分步三维空间-特征域映射的点云直线特征提取方法 | |
CN111508073A (zh) | 一种三维建筑模型屋顶轮廓线的提取方法 | |
CN113487722A (zh) | 一种基于三维激光扫描方法的混凝土构件自动化检测方法 | |
CN107610174B (zh) | 一种鲁棒的基于深度信息的平面检测方法及*** | |
CN108931206A (zh) | 用于钢轨轮廓离群点检测及有效廓形识别的方法 | |
CN106886988B (zh) | 一种基于无人机遥感的线性目标检测方法及*** | |
CN108205645A (zh) | 一种异源图像匹配***的基准图质量评价方法 | |
Li et al. | Point cloud registration and localization based on voxel plane features | |
CN112232248A (zh) | 一种多线LiDAR点云数据平面特征的提取方法及装置 | |
CN116681912A (zh) | 铁路道岔的轨距检测方法及装置 | |
CN116469092A (zh) | 基于DBSCAN算法的自适应Alpha Shapes轮廓提取方法 |
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 |