1.一种钢轨磨耗自动检测方法,其特征在于,采集钢轨的激光图像,并与完整钢轨激光光带图像进行图像比对,以判断检测钢轨是否有磨耗,判断钢轨有磨耗的,选择并提取与钢轨磨耗量相关的激光图像特征量,以计算得到钢轨磨耗深度和/或宽度。
2.如权利要求1所述的钢轨磨耗自动检测方法,其特征在于,所述与钢轨磨耗量相关的激光图像特征量为以下特征量中的一种以上,
1)激光图像的两段直线部分的长度lA和lB;
2)两段直线激光图像的宽度差e;
3)两段直线激光图像的纵向位置差z;
4)两段直线激光图像间过渡段的长度lC;
5)两段直线激光图像间过渡段的倾角θ。
3.如权利要求2所述的钢轨磨耗自动检测方法,其特征在于,钢轨磨耗的特征量包括磨耗宽度和磨耗深度,选择一个或多个激光图像特征量,用于计算钢轨磨耗的深度和/或宽度,在选择用于判断的激光图像特征量的组合时,假设M是在具有磨耗的钢轨上定点采集到的特征样本集合,该集合包含N个固定点的反应磨耗的激光图像特征量,选择相关度系数作为度量参数,两个激光图像特征是相关冗余特征的,只选择其中一个作为钢轨磨耗判断的激光图像特征量,以得到有效判断钢轨磨耗宽度和深度的最少激光图像特征量的组合,并以该特征量组合计算得到钢轨磨耗的某一特征量。
4.如权利要求3所述的钢轨磨耗自动检测方法,其特征在于,所述判断两个激光图像特征是相关冗余特征的方法是:从激光图像特征量中选择首选特征量,计算其余各激光图像特征量与首选特征量的相关度系数,并求其平均值,该平均值为激光图像特征量选择的阈值β,若其中某两个激光图像特征之间的相关系数的绝对值|rTij|≥β,则该两个激光图像特征是相关冗余特征,只选择其中一个作为钢轨磨耗判断的激光图像特征量。
5.如权利要求3或4所述的钢轨磨耗自动检测方法,其特征在于,计算所述相关度系数的方法是:
设两组不同的激光图像特征分别为:Ti={tik,k=1,2,…,n}和Tj={tjk,k=1,2,…,n},其中k表示第k个测试点,共有n个测试点,则两组激光图像特征的相关系数定义如下:
式中,和分别为两组特征Ti和Tj的平均值:和
相关系数rTij反映了两组特征Ti和Tj的相关程度,rTij的取值为负时,表示两特征负相关;rTij的取值为正时,表示两特征正相关;当rTij=0时,两磨耗特征之间是不相关的,当rTij的绝对值越接近于1时,两激光图像特征的相关程度越高,产生的冗余性越大。
6.如权利要求4所述的钢轨磨耗自动检测方法,其特征在于,计算阈值β的方法是:
其中:式中c为特征量的数量,l为首选特征量的序号,j为备选特征量的序号。
7.如权利要求4所述的钢轨磨耗自动检测方法,其特征在于,激光图像的两段直线部分的长度lA作为磨耗宽度检测的首选特征,两段直线激光图像的纵向位置差z作为磨耗深度检测的首选特征;由两组激光图像特征的相关系数计算得到激光图像的两个直线部分的长度lA和lB作为磨耗宽度检测的特征量,两段直线激光图像的纵向位置差z作为磨耗深度检测的特征量,磨耗宽度计算公式为:
其中,l为没有磨耗钢轨的宽度;
磨耗深度计算公式为:
V=z·tan60°。
8.如权利要求2所述的钢轨磨耗自动检测方法,其特征在于,采集的钢轨的激光图像,在提取与钢轨磨耗量相关的激光图像特征量前,具有激光图像处理的步骤,所述激光图像处理包括图像预处理和图像边缘提取。
9.如权利要求8所述的钢轨磨耗自动检测方法,其特征在于,所述图像预处理包括如下步骤:
首先将图像灰度化,绘制灰度图像的直方图,找出灰度集中范围;
然后使用下述公式,对灰度图像进行灰度增强,使图像更加清晰;
其中:a、b分别为灰度图像直方图中灰度值集中分布的左右边界点,x、y分别代表灰度增强前后的灰度值。
10.如权利要求8所述的钢轨磨耗自动检测方法,其特征在于,使用所述图像边缘提取的方法,包括如下步骤:
任取一条沿水平方向分布像素点的中值滤波亮度曲线,在该曲线最大峰值两侧分别取出亮度梯度变化最大的连续点,取该两组连续点的中点p和q,p和q之间距离作为检测模板直径;
设图像的亮度为f(i,j),在图像场内取一个圆s(c,r)作为检测模板,其中c为圆心,其坐标为(ic,jc),r为半径;
定义s(c,r)内像素点的集合,并记圆s内像素点的亮度和为:
使检测模板圆心在水平方向的小范围内移动,计算每一位置检测模板内各像素亮度和,该范围内亮度和最大的模板圆心位置,即为该亮条的一个像素级屋脊边缘点,利用最小二乘法拟合直线,该直线即为一字线激光图像中心线,所述小范围是以圆心为中心点左右各2倍半径的图像区间,以得到激光图像的两段直线部分的长度lA和lB,两段直线激光图像间过渡段的长度lC。