CN117876368B - 一种接触轨集电靴碳滑板磨耗和裂纹的检测方法及*** - Google Patents
一种接触轨集电靴碳滑板磨耗和裂纹的检测方法及*** Download PDFInfo
- Publication number
- CN117876368B CN117876368B CN202410269942.3A CN202410269942A CN117876368B CN 117876368 B CN117876368 B CN 117876368B CN 202410269942 A CN202410269942 A CN 202410269942A CN 117876368 B CN117876368 B CN 117876368B
- Authority
- CN
- China
- Prior art keywords
- carbon slide
- slide plate
- point cloud
- cloud data
- abrasion
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 127
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 127
- 238000005299 abrasion Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000003384 imaging method Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010891 electric arc 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
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Abstract
本发明涉及图像处理技术领域，公开了一种接触轨集电靴碳滑板磨耗和裂纹的检测方法及***，包括：采用嵌入式2D相机采集高质量的接触轨图像数据，得到原始点云数据；采用机器学习算法对原始点云数据进行排序、分割和聚类处理，得到处理后的碳滑板区域点云数据；通过遍历每一条碳滑板区域点云数据，提取得到多组碳滑板关键特征点，其中多组碳滑板关键特征点包括起始位置关键特征点一和磨耗数据关键特征点二；根据多组碳滑板关键特征点，计算得到碳滑板磨耗值和/或碳滑板裂纹长度，从而判断碳滑板磨耗是否异常和/或所述碳滑板是否存在裂纹。本发明通过上述步骤实现对全线所有列车的集电靴碳滑板磨耗、裂纹进行识别和分析。
Description
技术领域
本发明涉及集电靴图像处理的技术领域，具体涉及一种接触轨集电靴碳滑板磨耗和裂纹的检测方法及***。
背景技术
集电靴作为接触线取流的另一种牵引供电形式，是电客车与第三轨接触取流的重要装置，在列车运行过程中，集电靴表面碳滑板与第三轨会出现拉弧、烧伤等问题，导致碳滑板表面出现异常磨耗和裂纹等问题，严重时引起车辆断电，影响列车运行安全，如何快速精确的对集电靴碳滑板的磨耗裂纹缺陷进行检测是保证列车安全运行的重要环节。
通常使用安装在车体底部的相机对集电靴进行检测，采用多组相机配合激光扫描形成碳滑板的图像，通过图像处理技术完成对碳滑板磨耗和裂纹的分析。由于碳滑板和第三轨在取流过程中会发生摩擦，车体晃动、第三轨或碳滑板表面不平会使得碳滑板表面出现磨耗不平的问题，对象及采集的图像要求较高，对于暴露在外接环境下的集电靴碳滑板，不同的车辆在不同线路下行驶获得的图像质量不同，因此获取高质量的图像数据是采用图像处理算法计算磨耗和裂纹的关键。
目前对碳滑板缺陷的处理方法通常采用图像处理方法；一是使用深度学习模型对碳滑板的缺陷进行识别，但需要耗费大量时间，对计算机性能要求较高；二是利用传统图像处理方法，对碳滑板进行提取，但阈值选取差异性较大，泛化能力不强。本文结合图像处理算法，采用非接触式嵌入式2D图像测量技术实现对全线所有列车的集电靴碳滑板磨耗计算和裂纹进行分析，提出了一种接触轨集电靴碳滑板磨耗异常和裂纹缺陷检测方法。
发明内容
本发明的目的在于：针对目前接触轨集电靴碳滑板磨耗、裂纹等异常现象，本专利发明提出了一种接触轨集电靴碳滑板磨耗和裂纹的检测方法，通过嵌入式2D成像技术采集碳滑板点云数据、对点云数据预处理过滤干扰数据、提取碳滑板的关键特征点、计算磨耗值、提取裂纹信息并计算裂纹长度和斜率，能够快速高效的地识别接触轨集电靴碳滑板图像中的磨耗或裂纹异常情况，以避免因碳滑板表面出现异常磨耗或裂纹等问题，引起车辆断电，从而保障列车运行安全。
本发明的技术方案如下：
一种接触轨集电靴碳滑板磨耗和裂纹的检测方法，包括如下步骤：
S1、通过嵌入式2D相机采集接触轨图像，得到所述接触轨上每一个位置的点坐标信息，即原始点云数据；
S2、采用机器学习算法，依次对原始点云数据进行排序处理、分割处理和聚类处理，得到碳滑板区域点云数据；
S3、通过遍历每一条碳滑板区域点云数据，提取得到多组碳滑板关键特征点；其中，多组碳滑板关键特征点包括起始位置关键特征点一和磨耗数据关键特征点二；
S4、根据多组碳滑板关键特征点，计算得到碳滑板磨耗值和/或碳滑板裂纹长度，从而判断碳滑板磨耗是否异常和/或碳滑板是否存在裂纹。
进一步地，步骤S2中，对原始点云数据进行排序处理，具体包括：
以原始点云数据的纵坐标值由大到小对原始点云数据进行排序，以对原始点云数据中的干扰光条进行粗过滤，获得排序后的点云数据，得到集电靴区域点云。
进一步地，步骤S2中，对原始点云数据进行分割处理，具体包括：
通过预设的ROI区域对排序后的点云数据进行分割，以去除干扰点云数据，得到碳滑板区域点云数据。
进一步地，步骤S2中，对原始点云数据进行聚类处理，包括：
采用K邻近聚类算法对分割处理后的点云数据进行聚类处理，以完成碳滑板区域点云数据的提取。
进一步地，从碳滑板点云数据中随机选择K个聚类中心，进行集群分配；
通过欧几里得公式计算每一个中心点和前一个中心点的距离，重新获得聚类中心，完成中心移动；
重复迭代上述步骤，直到完成K个聚类个数停止，得到完整的碳滑板区域点云数据。
进一步地，步骤S3中，起始位置关键特征点一为点云数据中纵坐标最小值的点，即最低点；磨耗数据关键特征点二为以起始位置关键特征点一为起始位置，向右遍历点云数据，当相邻两点的横坐标值发生不连续的突变，且相邻两点的纵坐标的差大于阈值，并以横坐标最大值的点为磨耗数据特征点二。
进一步地，步骤S4中，根据多组碳滑板关键特征点，计算得到碳滑板磨耗值，从而判断碳滑板磨耗是否异常，具体包括：
利用起始位置关键特征点一和磨耗数据关键特征点二，计算每组碳滑板的磨耗值；
并从多组数据中选取最大磨耗值，作为当前磨耗值；
当当前磨耗值大于预设阈值时，判定当前磨耗值存在异常。即判定碳滑板磨耗异常。
进一步地，步骤S3中，多组碳滑板关键特征点还包括裂纹数据关键特征点三，所述裂纹数据关键特征点三为以起始位置关键特征点一为起始位置，向右遍历点云数据，当相邻两点的横坐标值未发生不连续的突变，但相邻两点的纵坐标的差大于阈值，即该位置出现裂纹；当找到多个裂纹位置时，以最大纵坐标差值作为裂纹数据，对应位置的点为裂纹数据关键特征点三。
进一步地，S4、根据多组碳滑板关键特征点，计算得到碳滑板裂纹长度，从而判断碳滑板是否存在裂纹，具体包括：
将多组碳滑板关键特征点数据中的裂纹数据关键特征点三进行合并，获得当前碳滑板的裂纹信息；
利用裂纹数据关键特征点三的纵坐标值，计算裂纹长度和斜率，并判断裂纹走向。
基于上述一种接触轨集电靴碳滑板磨耗和裂纹的检测方法，本发明还提出了一种接触轨集电靴碳滑板磨耗和裂纹的检测***，用于执行上述一种接触轨集电靴碳滑板磨耗和裂纹的检测方法，具体包括包括多组2D成像装置、嵌入式ARM控制单元和数据处理单元。其中，2D成像装置安装于车体底部，ARM控制单元与2D成像装置通讯连接，用于完成对碳滑板点云数据的采集，并将碳滑板点云数据传送给数据处理单元进行碳滑板磨耗、裂纹的检测，实现对全线所有列车的集电靴碳滑板磨耗、裂纹进行识别和分析。
与现有的技术相比本发明的有益效果是：
1、本发明提出的碳滑板磨耗和裂纹的检测方法，计算量相对较少，不需要搜集大量的缺陷样本做长时间的模型训练，速度快，满足在线实时检测要求，同时实现碳滑板磨耗异常和裂纹缺陷的快速检测。
2、本发明高精度的计算集电靴碳滑板磨耗量，同时能够分析碳滑板断面磨耗分布情况，以及碳滑板磨耗的全局状态。
3、本发明采用碳滑板磨耗的分布状态间接的检测出碳滑板的裂纹，不需要通过像素级去提取裂纹，降低了因环境等因素带来的干扰，提高了检测的准确性。
附图说明
图1为一种接触轨集电靴碳滑板磨耗和裂纹的检测方法的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
以下结合实施例和附图对本发明的构思、具体实施方式及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。
实施例一
如图1所述，本发明公开了一种接触轨集电靴碳滑板磨耗和裂纹的检测方法，包括如下步骤：
S1、通过嵌入式2D相机采集接触轨图像，得到所述接触轨上每一个位置的点(x,y)
坐标信息，即原始点云数据。其中，，分别表示第个点的点云坐标信
息，以表示该点。
S2、由于不同时刻下嵌入式2D相机拍摄的点云图像数据存在较多干扰，需要对点云数据进行预处理，以过滤掉干扰光条。具体步骤为：
采用机器学习算法，依次对原始点云数据进行y方向排序处理、分割处理和聚类处理，得到碳滑板区域点云数据。
进一步地，采用机器学习算法，依次对原始点云数据进行y方向排序、分割和聚类处理，得到碳滑板区域点云数据，具体为：
S21、以原始点云数据的纵坐标值由大到小对原始点云数据进
行排序，以对原始点云数据中的干扰光条进行粗过滤，获得排序后的点云数据，得到集电靴
区域点云数据组M；
其中，y1＞y2＞y3＞...＞yi＞...＞yn,,为
第n个点的坐标信息，。
S22、通过预设的ROI区域对排序后的点云数据进行分割，以去除干扰点云数据，得到碳滑板区域点云数据。以便于提高点云数据的处理效率，减少聚类时间，从而提高碳滑板磨耗和裂纹的检测效率。
S23、通过上述数据处理，已大致获得了包含碳滑板的光条信息，但由于成像不均等原因，可能会导致相机成像的光条不连续，影响后续计算和碳滑板的提取。为提高后续计算效率和碳滑板提取速度，本文提出利用机器学习聚类算法对步骤S22得到的碳滑板区域点云数据进行聚类处理，以进一步确定碳滑板的光条区域，实现对不连续的区域进行聚类，从而提取到完整的碳滑板和碳滑板底座的点云数据，具体包括：
采用K邻近聚类算法对分割处理后的点云数据进行聚类处理，以完成碳滑板区域点云数据的提取。
进一步地，采用K邻近聚类算法对分割处理后的点云数据进行聚类处理，具体为：
从碳滑板点云数据中随机选择K个聚类中心，进行集群分配；
通过欧几里得公式计算每一个中心点和前一个中心点的距离，重新获得聚类中心，完成中心移动；
重复迭代上述步骤，直到完成K个聚类个数停止，完成对碳滑板区域点云数据的聚类。
S3、通过遍历每一条碳滑板区域点云数据，提取得到多组碳滑板关键特征点；其中，多组碳滑板关键特征点包括起始位置关键特征点一和磨耗数据关键特征点二。
进一步地，以集电靴区域点云数据组M中最小纵坐标对应的点作
为最低点，即起始位置关键特征点一；
从起始位置关键特征点一向右遍历点云数据组，当相邻两点的横坐标与的值发生不连续的突变，且相邻两点的纵坐标与的差大于阈值时，即达到
碳滑板的上边缘，并以横坐标最大值的点为磨耗数据关键特征点二，记作。
进一步地，关键特征点还包括裂纹数据关键特征点三。具体为：以起始位置关键特
征点一，向右遍历点云数据，当相邻两点的横坐标与的值未发生不连续的突变，
但相邻两点的纵坐标与的差大于阈值，即该位置出现裂纹；如果找到多个裂纹位
置，以最大纵坐标差值作为裂纹数据，对应位置的点为关键特征点三，记作。
S4、根据多组碳滑板关键特征点，计算得到碳滑板磨耗值和/或碳滑板裂纹长度，从而判断碳滑板磨耗是否异常和/或碳滑板是否存在裂纹。具体为：
通过对每一条2D点云数据进行处理，得到多组碳滑板关键特征点每组特征点包括起始位置关键特征点一、磨耗数据关键特征点二和裂纹数据关键特征点三中的任意一个及以上特征点；
以n为计量指标，每n组数据为一次最终的结果，计算一次磨耗值或裂纹值，其中裂纹值包括裂纹长度和裂纹斜率。
进一步地，步骤S4中，磨耗值计算，具体包括：
利用起始位置关键特征点一和磨耗数据关键特征点二，计算每组碳滑板的磨耗值；
并从多组数据中选取最大磨耗值，作为当前磨耗值；
当当前磨耗值大于预设阈值时，判定当前磨耗值存在异常。
进一步地，磨耗值计算的具体公式为：，
为磨耗值。每n组数据输出一次磨耗值，并从中选出最大的磨耗值最为最终的磨耗值A，即，表示第n次数据的磨耗值。
进一步地，步骤S4中，裂纹值计算，具体包括：
将多组数据中的所述裂纹数据关键特征点三进行合并，获得当前碳滑板的裂纹信息；
利用裂纹数据关键特征点三的纵坐标值，计算裂纹长度和斜率，从而判断裂纹走向。
进一步地，裂纹长度计算的具体公式为：，其中，表示起始
的点的纵坐标值，表示最后一个点的纵坐标值。
进一步地，裂纹斜率计算的具体公式为：，表示裂纹的斜率，即表
示裂纹走向。通过计算起始点到终点的斜率，从而判断裂纹
的走。
实施例二
在实施例一的基础上，本发明还提出了一种接触轨集电靴碳滑板磨耗和裂纹的检测***，用于执行上述接触轨集电靴碳滑板磨耗和裂纹的检测方法，***包括：多组2D成像装置、嵌入式ARM控制单元和数据处理单元。其中，2D成像装置安装于车体底部，ARM控制单元与2D成像装置通讯连接，用于完成对碳滑板点云数据的采集，并将碳滑板点云数据传送给数据处理单元进行碳滑板磨耗、裂纹的检测，实现对全线所有列车的集电靴碳滑板磨耗、裂纹进行识别和分析。
以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。
Claims (7)
1.一种接触轨集电靴碳滑板磨耗和裂纹的检测方法，其特征在于，包括如下步骤：
S1、通过嵌入式2D相机采集接触轨图像，得到接触轨上每一个位置的点坐标信息，即原始点云数据；
S2、采用机器学习算法，依次对所述原始点云数据进行排序处理、分割处理和聚类处理，得到碳滑板区域点云数据；
S3、通过遍历每一条所述碳滑板区域点云数据，提取得到多组碳滑板关键特征点；其中，所述多组碳滑板关键特征点包括起始位置关键特征点一、磨耗数据关键特征点二和裂纹数据关键特征点三；所述起始位置关键特征点一为点云数据中纵坐标最小值的点，即最低点；所述磨耗数据关键特征点二为以起始位置关键特征点一为起始位置，向右遍历点云数据，当相邻两点的横坐标值发生不连续的突变，且相邻两点的纵坐标的差大于阈值，并以横坐标最大值的点为磨耗数据特征点二；所述裂纹数据关键特征点三为以起始位置关键特征点一为起始位置，向右遍历点云数据，当相邻两点的横坐标值未发生不连续的突变，但相邻两点的纵坐标的差大于阈值，即该位置出现裂纹；当找到多个裂纹位置时，以最大纵坐标差值作为裂纹数据，对应位置的点为裂纹数据关键特征点三；
S4、利用所述起始位置关键特征点一和所述磨耗数据关键特征点二，计算每组碳滑板的磨耗值；
将多组数据中的所述裂纹数据关键特征点三进行合并，获得当前碳滑板的裂纹信息；利用所述裂纹数据关键特征点三的纵坐标值，计算裂纹长度和斜率，并判断裂纹走向；
从而判断所述碳滑板磨耗是否异常和/或所述碳滑板是否存在裂纹。
2.根据权利要求1所述的一种接触轨集电靴碳滑板磨耗和裂纹的检测方法，其特征在于，所述排序处理，包括：
以所述原始点云数据的纵坐标值由大到小对所述原始点云数据进行排序，以对所述原始点云数据中的干扰光条进行粗过滤，获得排序后的点云数据，得到集电靴区域点云。
3.根据权利要求1所述的一种接触轨集电靴碳滑板磨耗和裂纹的检测方法，其特征在于，所述分割处理，包括：
通过预设的ROI区域对排序后的点云数据进行分割，以去除干扰点云数据，得到碳滑板区域点云数据。
4.根据权利要求1所述的一种接触轨集电靴碳滑板磨耗和裂纹的检测方法，其特征在于，所述聚类处理，包括：
采用K邻近聚类算法对分割处理后的点云数据进行聚类处理，以完成碳滑板区域点云数据的提取。
5.根据权利要求4所述的一种接触轨集电靴碳滑板磨耗和裂纹的检测方法，其特征在于，所述采用K邻近聚类算法对分割处理后的点云数据进行聚类处理，具体为；
从碳滑板点云数据中随机选择K个聚类中心，进行集群分配；
通过欧几里得公式计算每一个中心点和前一个中心点的距离，重新获得聚类中心，完成中心移动；
重复迭代上述步骤，直到完成K个聚类个数停止，得到完整的碳滑板区域点云数据。
6.根据权利要求1所述的一种接触轨集电靴碳滑板磨耗和裂纹的检测方法，其特征在于，
从多组数据中选取最大磨耗值，作为当前磨耗值；
当所述当前磨耗值大于预设阈值时，判定当前磨耗值存在异常。
7.一种接触轨集电靴碳滑板磨耗和裂纹的检测***，用于执行权利要求1-6任一项所述的一种接触轨集电靴碳滑板磨耗和裂纹的检测方法，其特征在于，包括多组2D成像装置、嵌入式ARM控制单元和数据处理单元；
所述2D成像装置安装于车体底部，所述ARM控制单元与2D成像装置通讯连接，用于完成对碳滑板点云数据的采集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410269942.3A CN117876368B (zh) | 2024-03-11 | 一种接触轨集电靴碳滑板磨耗和裂纹的检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410269942.3A CN117876368B (zh) | 2024-03-11 | 一种接触轨集电靴碳滑板磨耗和裂纹的检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117876368A CN117876368A (zh) | 2024-04-12 |
| CN117876368B true CN117876368B (zh) | 2024-06-21 |
Family
ID=
Non-Patent Citations (2)
| Title |
|---|
| 基于图像处理的受电弓实时状态检测研究;焦志阳;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20220515(第2022年第5期期);C033-515页 * |
| 基于铁路5C装置的受电弓滑板缺陷智能检测技术;莫小凡等;《中国铁路》;20220215(第2022年第2期期);148-155页 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109580657B (zh) | 一种桥梁质量检测中的裂缝检测方法 | |
| CN104101600B (zh) | 连铸坯断面微小裂纹检测方法 | |
| CN108596872B (zh) | 基于Gabor小波和SVM的钢轨病害的检测方法 | |
| CN106052575A (zh) | 基于列车高速运行中的受电弓碳滑板磨耗在线检测方法 | |
| CN110047070B (zh) | 一种轨道磨损程度的识别方法及*** | |
| CN109300125B (zh) | 一种复杂环境下城轨列车受电弓滑板图像提取方法 | |
| CN109059775B (zh) | 具有图像边缘提取步骤的钢轨磨耗检测方法 | |
| CN109269403B (zh) | 一种基于机器视觉的接触网导线磨耗测量方法及装置 | |
| CN108189859B (zh) | 判断两个激光图像特征是相关冗余特征的方法 | |
| CN110232682B (zh) | 一种基于图像的轨道异物探测方法 | |
| CN115359053B (zh) | 一种金属板材缺陷智能检测方法及*** | |
| CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
| CN109269416B (zh) | 一种接触网导线磨耗测量方法及装置 | |
| CN107633266B (zh) | 一种电力机车接触网受电弓电弧检测方法 | |
| CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
| CN111238393A (zh) | 受电弓碳滑板检测***及其控制方法 | |
| CN115311629B (zh) | 一种折弯机的异常折弯精度监测*** | |
| CN111968079B (zh) | 基于断面局部极值及分段稀疏的三维路面裂缝提取方法 | |
| CN110186934B (zh) | 轴箱橡胶垫裂纹检测方法和检测装置 | |
| CN111127381B (zh) | 一种受电弓滑板不平行检测方法 | |
| CN109614868A (zh) | 汽车轮胎花纹图像直线识别*** | |
| CN112288717A (zh) | 一种动车组列车侧部异物检测方法 | |
| CN117876368B (zh) | 一种接触轨集电靴碳滑板磨耗和裂纹的检测方法及*** | |
| CN108759671B (zh) | 一种接触线磨耗动态检测方法 | |
| CN113538421A (zh) | 一种基于视觉技术的接触网数据检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |