一种铁路货车轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法

摘要

本发明公开了一种铁路货车轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法。步骤1：获取货车的线阵图像；步骤2：根据确定的铁路货车轴距信息对线阵图像中的轴箱橡胶垫中间橡胶进行粗定位；步骤3：对步骤2粗定位的部件图像进行边缘提取和边缘连接；步骤4：将步骤4的进行边缘提取和边缘连接的图像，再进行图像特征点的提取；步骤5：根据步骤5提取的图像特征点进行故障判定。本发明针对轴箱橡胶垫中间橡胶与上、下层板错位故障的自动化检测的问题，通过图像处理技术，有效提高检车作业质量和效率。

说明书

技术领域

本发明涉及图像处理领域，具体涉及一种铁路货车轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法。

背景技术

轴箱橡胶垫中间橡胶与上、下层板错位是轴箱装置的一种故障形态，轴箱橡胶垫作为轴箱装置的重要组成部件，其功用包括：实现轮对弹性定位、隔离轮轨的高频震动以及降低对轨道的冲击。当橡胶垫中间橡胶出现错位时将影响轴箱橡胶垫的功用，给货车行车安全带来隐患。当前采用的人工逐张看图的检车作业方式，存在受人员素质、责任心影响，错漏检问题时有发生，作业质量难以保证，以及人工成本巨大、效率低下等问题。

发明内容

本发明提供一种铁路货车轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法，针对轴箱橡胶垫中间橡胶与上、下层板错位故障的自动化检测的问题，通过图像处理技术，实现故障自动识别和报警，有效提高检车作业质量和效率。

本发明通过以下技术方案实现：

一种铁路货车轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法，图像识别方法包括以下步骤：

步骤1：获取货车的线阵图像；

步骤2：根据确定的铁路货车轴距信息对线阵图像中的轴箱橡胶垫中间橡胶进行粗定位；

步骤3：对步骤2粗定位的部件图像进行边缘提取和边缘连接；

步骤4：将步骤4的进行边缘提取和边缘连接的图像，再进行图像特征点的提取；

步骤5：根据步骤5提取的图像特征点进行故障判定。

进一步的，步骤2具体为，

步骤2.1，对所获取的线阵图像进行过滤，获得包括K6型转向架的线阵图像；

步骤2.2，根据确定的铁路货车轴距信息对包括K6型转向架的线阵图像中的轴箱橡胶垫中间橡胶进行粗定位。

进一步的，步骤3包括：

步骤3.1，对步骤2粗定位的部件图像进行预处理，获得预处理后图像，其中，预处理具体为，利用中值滤波算法对步骤2粗定位的部件图像进行去噪，以除去孤立的噪声点；

步骤3.2，对预处理后图像进行边缘提取和边缘连接。

进一步的，步骤3的边缘提取具体为，SUSAN算法将圆形窗口模板应用于图像，从而给出各个方向的相应图像，将窗口中心置于图像的每一个位置上，计算窗口中心点r

其中，c(r,r

其中，t表示亮度阈值；当两点亮度之差小于t时，c(r,r

进一步的，步骤3的边缘连接分为灰度的相似和距离的连贯；

灰度的相似性：使用梯度的大小和方向度量像素间的灰度的相似性；边缘点(x

|||G

|||θ

其中，G

距离的连贯性：边缘点(x

进一步的，步骤4包括以下步骤，

步骤4.1：判断进行了边缘提取和边缘连接的图像的边缘轮廓线是否封闭；

步骤4.2：基于步骤4.1的判断结果，进行边缘轮廓线的几何重心计算；

步骤4.3：基于步骤4.2获得的几何重心，对进行了边缘提取和边缘连接的图像中的边缘点进行极坐标转化；

步骤4.4：从极坐标转化后的边缘点中提取特征点。

进一步的，步骤4.1具体为，利用轮廓跟踪算法，对边缘轮廓的端点进行检测；即当一个像素的八邻域中只有一个像素或有两个相邻的像素时，判定为端点；当检测到端点时，边缘轮廓线不封闭，反之为封闭轮廓线。

进一步的，步骤4.2具体为，步骤4.2.1：封闭轮廓线的几何重心；对于一个封闭的不规则平面图形，其边缘点的坐标为(x

步骤4.2.2：非封闭轮廓线的几何重心；对于一段凸或凹的曲线，首先由其边缘线的两端点和中间点构成三角形，根据三角形求其几何重心；如果一条边缘线不是单凸或单凹，先对其进行分段，并分别求几何重心，根据分段的几何重心求得总体的几何重心。

进一步的，步骤4.4具体为，

步骤4.4.1，将极坐标化后的局部极值点提取为的候选特征点，将幅角以10°，即

其极大值点为，

其极小值点为，

步骤4.4.2，使用非极大值抑制的方法对候选特征点进行筛选，获得筛选后的特征点；即每一区间内的极大值点与相邻区间内的极大值点进行比较，如果该极大值点的极径大于相邻两个区间内的极大值点的极径，则认为是筛选后的特征点；

或使用非极小值抑制的方法对候选特征点进行筛选；即每一区间内的极小值点与相邻区间内的极小值点进行比较，如果该极小值点的极径小于相邻两个区间内的极小值点的极径，则认为是筛选后的特征点。

进一步的，步骤5具体为，以图像中心列将特征点图像分为左、右两半部分，分别计算左、右两半部分中特征点与图像中心列的平均列坐标距离；左、右两半部分的平均列坐标距离相差超过设定阈值时，判定为发生轴箱橡胶垫中间橡胶与上、下层板错位故障。

本发明的有益效果是：

1.本发明将自动识别技术引入货车故障检测，实现故障自动识别及报警，人工只需对报警结果进行确认，有效节约人力成本，提高作业质量和作业效率。

2.本发明的算法提取任何类型边缘上的凹凸处的特征点，能更加准确地反映目标的轮廓信息，提升了目标识别的效果。

3.本发明的SUSAN算法，不需要进行微分计算，具有更高的算法效率和抗噪声能力。

附图说明

图1是本发明的方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

需要特别说明的是，在不冲突的情况下，本申请公开的各个实施例之间或实施例包括的特征之间可以相互组合。

如图1所示，一种铁路货车轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法，图像识别方法包括以下步骤：

步骤1：获取货车的线阵图像；

步骤2：根据确定的铁路货车轴距信息对线阵图像中的轴箱橡胶垫中间橡胶进行粗定位；

步骤3：对步骤2粗定位的部件图像进行边缘提取和边缘连接；

步骤4：将步骤4的进行边缘提取和边缘连接的图像，再进行图像特征点的提取；

步骤5：根据步骤5提取的图像特征点进行故障判定。

进一步的，步骤2具体为，

步骤2.1，对所获取的线阵图像进行过滤，获得包括K6型转向架的线阵图像；

步骤2.2，根据确定的铁路货车轴距信息对包括K6型转向架的线阵图像中的轴箱橡胶垫中间橡胶进行粗定位。

进一步的，步骤3包括：

步骤3.1，对步骤2粗定位的部件图像进行预处理，获得预处理后图像，其中，预处理具体为，利用中值滤波算法对步骤2粗定位的部件图像进行去噪，以除去孤立的噪声点；

步骤3.2，对预处理后图像进行边缘提取和边缘连接。

进一步的，步骤3的边缘提取具体为，SUSAN算法将圆形窗口模板应用于图像，从而给出各个方向的相应图像，将窗口中心置于图像的每一个位置上，计算窗口中心点r

其中，c(r,r

其中，t表示亮度阈值；当两点亮度之差小于t时，c(r,r

进一步的，步骤3的边缘连接分为灰度的相似和距离的连贯；

灰度的相似性：使用梯度的大小和方向度量像素间的灰度的相似性；边缘点(x

|||G

|||θ

其中，G

距离的连贯性：边缘点(x

进一步的，步骤4包括以下步骤，

步骤4.1：判断进行了边缘提取和边缘连接的图像的边缘轮廓线是否封闭；

步骤4.2：基于步骤4.1的判断结果，进行边缘轮廓线的几何重心计算；

步骤4.3：基于步骤4.2获得的几何重心，对进行了边缘提取和边缘连接的图像中的边缘点进行极坐标转化；

步骤4.4：从极坐标转化后的边缘点中提取特征点。

进一步的，步骤4.1具体为，利用轮廓跟踪算法，对边缘轮廓的端点进行检测；即当一个像素的八邻域中只有一个像素或有两个相邻的像素时，判定为端点；当检测到端点时，边缘轮廓线不封闭，反之为封闭轮廓线。

进一步的，步骤4.2具体为，步骤4.2.1：封闭轮廓线的几何重心；对于一个封闭的不规则平面图形，其边缘点的坐标为(x

步骤4.2.2：非封闭轮廓线的几何重心；对于一段凸或凹的曲线，首先由其边缘线的两端点和中间点构成三角形，根据三角形求其几何重心；如果一条边缘线不是单凸或单凹，先对其进行分段，并分别求几何重心，根据分段的几何重心求得总体的几何重心；

步骤4.3具体为，将边缘点极坐标化；转换公式为，

其中，几何重心作为极点(x

进一步的，步骤4.4具体为，

步骤4.4.1，将极坐标化后的局部极值点提取为的候选特征点，将幅角以10°，即

其极大值点为，

其极小值点为，

步骤4.4.2，使用非极大值抑制的方法对候选特征点进行筛选，获得筛选后的特征点；即每一区间内的极大值点与相邻区间内的极大值点进行比较，如果该极大值点的极径大于相邻两个区间内的极大值点的极径，则认为是筛选后的特征点；

或使用非极小值抑制的方法对候选特征点进行筛选；即每一区间内的极小值点与相邻区间内的极小值点进行比较，如果该极小值点的极径小于相邻两个区间内的极小值点的极径，则认为是筛选后的特征点。

进一步的，步骤5具体为，以图像中心列将特征点图像分为左、右两半部分，分别计算左、右两半部分中特征点与图像中心列的平均列坐标距离；左、右两半部分的平均列坐标距离相差超过设定阈值时，判定为发生轴箱橡胶垫中间橡胶与上、下层板错位故障。

图像中心列为图像最中心的那一列。