基于图像处理的铁路货车钩舌销故障检测方法与流程

[0001]
本发明属于铁路货车故障检测领域，具体涉及铁路货车钩舌销故障检测。


背景技术：

[0002]
铁路货车车钩是用来实现机车和车厢或车厢和车厢之间的连挂、传递牵引力及冲击力、并使车辆之间保持一定距离的车辆部件。车钩包括钩舌与钩体，其装配关系如下：钩舌的两个侧面分别有一个销孔，将其与一根钩舌销连接，装配到钩体的安装孔处，钩舌可以围绕钩舌销进行转动。车厢与车厢之间连挂时，实现车厢之间的连挂，而不同型号的车厢所对应的车钩不同，在列车运行过程中，钩舌销将频繁受到牵拉力、压缩力及冲击力作用，致使钩舌销时长产生裂纹、脱落及折断等故障。一旦列车运行中出现上述故障，容易造成列车分离、迫使车辆发生紧急制动、造成轮对槽擦伤等，严重时会造成车辆脱轨颠覆等重大事故。因此，对车辆进行检修时要加强对钩舌销故障的检查。
[0003]
对于钩舌销是否丢失或折断故障，现阶段一般采用人工排查的方式进行故障检修。由于在过程中受作业人员的业务素质、责任心、劳动强度等因素影响较大，容易发生漏检或简化作业等情况。若故障不能及时发现，容易引发严重的车辆故障；故以上问题亟需解决。


技术实现要素：

[0004]
本发明目的是为了解决采用人工排查的方式对钩舌销是否丢失或折断进行故障检测的方法，存在检测结果准确度低的问题，本发明提供了一种基于图像处理的铁路货车钩舌销故障检测方法。
[0005]
基于图像处理的铁路货车钩舌销故障检测方法，该方法包括如下步骤：
[0006]
步骤一、采集所经过车辆的相邻两节车厢图像和相邻两节车厢之间车钩结合区域的图像；
[0007]
步骤二、根据所经过车辆的相邻两节车厢图像，确定所经过车辆的相邻两节车厢的车钩类型，并根据相邻两节车厢的车钩类型调取相应模板图像；
[0008]
步骤三、对相邻两节车厢之间车钩结合区域的图像进行预处理，并将获得的预处理后的图像与所调取的模板图像进行匹配及矫正，从而获得钩舌销初始识别区域图像；
[0009]
步骤四、根据钩舌销初始识别区域图像，获得钩舌销初始识别区域图像的轮廓特征；并根据钩舌销初始识别区域图像的轮廓特征，获得两个钩舌销待识别故障区域图像；
[0010]
步骤五、判断每个钩舌销待识别故障区域图像中的销孔是否存在，结果为是，该结果作为检测结果，执行步骤七，结果为否，执行步骤六；
[0011]
步骤六、利用svm分离器模型判定该钩舌销待识别故障区域图像中钩舌销是否断裂，若钩舌销断裂，将钩舌销断裂的结果作为检测结果，并则执行步骤七；
[0012]
步骤七、将检测结果发送至远方终端。
[0013]
优选的是，步骤二中、根据所经过车辆的相邻两节车厢图像，确定所经过车辆的相
邻两节车厢的车钩类型的实现方式包括：
[0014]
根据所经过车辆的相邻两节车厢图像，获得每节车厢的车型和车号，并根据车厢的车型和车号，确定该节车厢的车钩类型，最终获得所经过车辆的相邻两节车厢的车钩类型。
[0015]
优选的是，步骤三中、对相邻两节车厢之间车钩结合区域的图像进行预处理的实现方式为：
[0016]
对相邻两节车厢之间车钩结合区域的图像进行直方图均衡化。
[0017]
优选的是，步骤三中、将获得的预处理后的图像与所调取的模板图像进行匹配及矫正，从而获得钩舌销初始识别区域图像的实现方式包括：
[0018]
步骤三一、将预处理后的图像与所调取的模板图像进行匹配，获得预处理后的图像中两个钩舌销所在区域的位置；
[0019]
步骤三二、根据预处理后的图像中两个钩舌销所在区域的位置，与所采集的相邻两节车厢之间车钩结合区域的图像的对应关系，从所采集的相邻两节车厢之间车钩结合区域的图像中截取两个钩舌销所在区域图像；
[0020]
步骤三三、对从所采集的相邻两节车厢之间车钩结合区域的图像中截取的两个钩舌销所在区域图像进行矫正，矫正后的图像作为钩舌销初始识别区域图像。
[0021]
优选的是，步骤三一、将预处理后的图像与所调取的模板图像进行匹配，获得预处理后的图像中两个钩舌销所在区域的位置的实现方式包括：
[0022]
使用orb算法分别提取预处理后的图像和所调取的模板图像的特征点，并对从两个图像中所提取的特征点进行特征匹配，从而确定预处理后的图像中两个钩舌销所在区域的位置。
[0023]
优选的是，步骤四中、根据钩舌销初始识别区域图像，获得钩舌销初始识别区域图像的轮廓特征的实现方式包括：
[0024]
通过canny边缘检测算法对钩舌销初始识别区域图像进行处理，获得钩舌销初始识别区域图像中每个轮廓点的位置坐标和该轮廓点所对应的梯度方向；其中，钩舌销初始识别区域图像中所有轮廓点的位置坐标和所有轮廓点的梯度方向构成钩舌销初始识别区域图像的轮廓特征。
[0025]
优选的是，步骤四中、根据钩舌销初始识别区域图像的轮廓特征，获得两个钩舌销待识别故障区域图像的实现方式包括：
[0026]
步骤四一、根据钩舌销初始识别区域图像中每个轮廓点的位置坐标、钩舌销半径r、及角度参数获得每个轮廓点所在圆上的圆心坐标；
[0027]
步骤四二、根据每个轮廓点所在圆上的圆心坐标和该轮廓点位置坐标，获得该轮廓点在圆上时的法线方向θ，并将该轮廓点的法线方向θ与该轮廓点梯度方向作差，若差值在阈值范围内，则记录该轮廓点所对应的圆心坐标出现的次数；
[0028]
步骤四三、重复执行步骤四一和四二，直至遍历钩舌销初始识别区域图像中的所有轮廓点，从而获得所有轮廓点所对应的圆心坐标出现的次数；
[0029]
步骤四四、从所有轮廓点所对应的圆心坐标中，提取出现次数最多的两个圆心坐标，该提取出的两个圆心坐标分别作为两个钩舌销的中心，并以提取出的两个圆心坐标为中心，截取宽度和长度均为1.5r的区域图像，所截取的两个区域图像作为两个钩舌销待识
别故障区域图像，从而完成了对两个钩舌销待识别故障区域图像的获取。
[0030]
优选的是，步骤四一中、根据钩舌销初始识别区域图像中每个轮廓点的位置坐标、钩舌销半径r、及角度参数获得每个轮廓点所在圆上的圆心坐标的实现方式包括：
[0031][0032][0033]
其中，x为轮廓点横坐标，y为轮廓点纵坐标，x0为圆心的横坐标，y0为圆心的纵坐标；
[0034]
步骤四二中、根据每个轮廓点所在圆上的圆心坐标和该轮廓点位置坐标，获得该轮廓点在圆上时的法线方向θ的实现方式包括：
[0035][0036]
优选的是，步骤五中、判断每个钩舌销待识别故障区域图像中的销孔是否存在的实现方式包括：
[0037]
计算以每个钩舌销待识别故障区域图像的中心为圆心、r为半径的区域内的灰度均值与该钩舌销待识别故障区域图像中剩余区域的灰度均值作差，若灰度差值大于灰度阈值，则判定钩舌销待识别故障区域图像中的销孔存在。
[0038]
优选的是，步骤六中、利用svm分离器模型判定该钩舌销待识别故障区域图像中钩舌销是否断裂的实现方式包括：
[0039]
提取以钩舌销待识别故障区域图像的中心为圆心、1.5r为半径的区域内的灰度共生矩阵，通过svm分离器模型对灰度共生矩阵进行分类识别，从而确定钩舌销待识别故障区域图像中钩舌销是否断裂。
[0040]
本发明带来的有益效果是：具体应用时，在铁路底部安装高清的成像设备拍摄经过设备的货车，获取图像，通过本发明基于图像处理的铁路货车钩舌销故障检测方法使用图像处理技术检测图像中钩舌销是否丢失或折断，然后上传至网络。以便人工查阅。工作人员根据图像的识别结果做出相应的处理，保证机车安全运行。
[0041]
1.本发明利用图像自动识别的方式代替人工检测，提高故障识别检测效率、准确率，降低人力成本。
[0042]
2.本发明先提取可能存在的故障区域，即：两个钩舌销待识别故障区域图像，若不存在销孔再通过svm分离器模型进行分类识别，可以有效提高故障识别效率。
[0043]
3.本发明采用图像处理与机器学习(即：svm分离器模型)相结合的方式进行故障判定，提高故障识别的准确率，避免漏报，减少误报。
附图说明
[0044]
图1是本发明所述基于图像处理的铁路货车钩舌销故障检测方法的流程图；
[0045]
图2是钩舌销初始识别区域图像与钩舌销待识别故障区域图像的相对示意图。
具体实施方式
[0046]
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作出创造性劳动的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。
[0047]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0048]
参见图1和图2说明本实施方式，本实施方式所述的基于图像处理的铁路货车钩舌销故障检测方法，该方法包括如下步骤：
[0049]
步骤一、采集所经过车辆的相邻两节车厢图像和相邻两节车厢之间车钩结合区域的图像；
[0050]
步骤二、根据所经过车辆的相邻两节车厢图像，确定所经过车辆的相邻两节车厢的车钩类型，并根据相邻两节车厢的车钩类型调取相应模板图像；
[0051]
步骤三、对相邻两节车厢之间车钩结合区域的图像进行预处理，并将获得的预处理后的图像与所调取的模板图像进行匹配及矫正，从而获得钩舌销初始识别区域图像；
[0052]
步骤四、根据钩舌销初始识别区域图像，获得钩舌销初始识别区域图像的轮廓特征；并根据钩舌销初始识别区域图像的轮廓特征，获得两个钩舌销待识别故障区域图像；
[0053]
步骤五、判断每个钩舌销待识别故障区域图像中的销孔是否存在，结果为是，该结果作为检测结果，执行步骤七，结果为否，执行步骤六；
[0054]
步骤六、利用svm分离器模型判定该钩舌销待识别故障区域图像中钩舌销是否断裂，若钩舌销断裂，将钩舌销断裂的结果作为检测结果，并则执行步骤七；
[0055]
步骤七、将检测结果发送至远方终端。
[0056]
本实施方式中，本发明利用图像自动识别的方式代替人工检测，提高故障识别检测效率、准确率，降低人力成本；本发明先提取可能存在的故障区域，即：两个钩舌销待识别故障区域图像，若不存在销孔再通过svm分离器模型进行分类识别，可以有效提高故障识别效率；本发明采用图像处理与机器学习(即：svm分离器模型)相结合的方式进行故障判定，提高故障识别的准确率，避免漏报，减少误报。
[0057]
具体应用时，由于车厢的车钩类型不同，故相邻两节车厢之间车钩结合区域的图像不同，例如车钩结合部可为13型车钩与13型车钩相结合，或者17型车钩与17型车钩相结合，或者17型车钩与13型车钩相结合，或者13型车钩与17型车钩相结合。故，步骤二中通过根据所经过车辆的相邻两节车厢图像，确定所经过车辆的相邻两节车厢的车钩类型，并根据相邻两节车厢的车钩类型调取相应模板图像可加快匹配进度，提高运行效率。
[0058]
本实施方式中的svm分离器模型可通过现有技术实现，此模型为训练好的模型。
[0059]
步骤三中对相邻两节车厢之间车钩结合区域的图像进行预处理，可减少光照对所采集图像的影响。
[0060]
步骤七中，检测结果为销孔存在的结果或钩舌销断裂的结果，该结果可以以数据传输的方式或图像形式上传，当以图像形式上传时，该图像为钩舌销待识别故障区域图像。
[0061]
进一步的，步骤二中、根据所经过车辆的相邻两节车厢图像，确定所经过车辆的相邻两节车厢的车钩类型的实现方式包括：
[0062]
根据所经过车辆的相邻两节车厢图像，获得每节车厢的车型和车号，并根据车厢的车型和车号，确定该节车厢的车钩类型，最终获得所经过车辆的相邻两节车厢的车钩类
型。
[0063]
更进一步的，步骤三中、对相邻两节车厢之间车钩结合区域的图像进行预处理的实现方式为：
[0064]
对相邻两节车厢之间车钩结合区域的图像进行直方图均衡化。
[0065]
本优选实施方式中，对相邻两节车厢之间车钩结合区域的图像进行直方图均衡化，来进一步减少光照对图像的影响。
[0066]
更进一步的，步骤三中、将获得的预处理后的图像与所调取的模板图像进行匹配及矫正，从而获得钩舌销初始识别区域图像的实现方式包括：
[0067]
步骤三一、将预处理后的图像与所调取的模板图像进行匹配，获得预处理后的图像中两个钩舌销所在区域的位置；
[0068]
步骤三二、根据预处理后的图像中两个钩舌销所在区域的位置，与所采集的相邻两节车厢之间车钩结合区域的图像的对应关系，从所采集的相邻两节车厢之间车钩结合区域的图像中截取两个钩舌销所在区域图像；
[0069]
步骤三三、对从所采集的相邻两节车厢之间车钩结合区域的图像中截取的两个钩舌销所在区域图像进行矫正，矫正后的图像作为钩舌销初始识别区域图像。
[0070]
本优选实施方式中，提供了一种对预处理后的图像与所调取的模板图像进行匹配及矫正的一种具体的实现方式，整个过程简单，且对匹配后的图像进行矫正，进一步获得准确度更高的钩舌销初始识别区域图像
[0071]
更进一步的，步骤三一、将预处理后的图像与所调取的模板图像进行匹配，获得预处理后的图像中两个钩舌销所在区域的位置的实现方式包括：
[0072]
使用orb算法分别提取预处理后的图像和所调取的模板图像的特征点，并对从两个图像中所提取的特征点进行特征匹配，从而确定预处理后的图像中两个钩舌销所在区域的位置。
[0073]
更进一步的，步骤四中、根据钩舌销初始识别区域图像，获得钩舌销初始识别区域图像的轮廓特征的实现方式包括：
[0074]
通过canny边缘检测算法对钩舌销初始识别区域图像进行处理，获得钩舌销初始识别区域图像中每个轮廓点的位置坐标和该轮廓点所对应的梯度方向；其中，钩舌销初始识别区域图像中所有轮廓点的位置坐标和所有轮廓点的梯度方向构成钩舌销初始识别区域图像的轮廓特征。
[0075]
更进一步的，步骤四中、根据钩舌销初始识别区域图像的轮廓特征，获得两个钩舌销待识别故障区域图像的实现方式包括：
[0076]
步骤四一、根据钩舌销初始识别区域图像中每个轮廓点的位置坐标、钩舌销半径r、及角度参数获得每个轮廓点所在圆上的圆心坐标；
[0077]
步骤四二、根据每个轮廓点所在圆上的圆心坐标和该轮廓点位置坐标，获得该轮廓点在圆上时的法线方向θ，并将该轮廓点的法线方向θ与该轮廓点梯度方向作差，若差值在阈值范围内，则记录该轮廓点所对应的圆心坐标出现的次数；
[0078]
步骤四三、重复执行步骤四一和四二，直至遍历钩舌销初始识别区域图像中的所有轮廓点，从而获得所有轮廓点所对应的圆心坐标出现的次数；
[0079]
步骤四四、从所有轮廓点所对应的圆心坐标中，提取出现次数最多的两个圆心坐
标，该提取出的两个圆心坐标分别作为两个钩舌销的中心，并以提取出的两个圆心坐标为中心，截取宽度和长度均为1.5r的区域图像，所截取的两个区域图像作为两个钩舌销待识别故障区域图像，从而完成了对两个钩舌销待识别故障区域图像的获取。
[0080]
更进一步的，步骤四一中、角度参数为变量，且的取值范围为0
°
至360
°
，取值步长为2。
[0081]
更进一步的，步骤四一中、根据钩舌销初始识别区域图像中每个轮廓点的位置坐标、钩舌销半径r、及角度参数获得每个轮廓点所在圆上的圆心坐标的实现方式包括：
[0082][0083][0084]
其中，x为轮廓点横坐标，y为轮廓点纵坐标，x0为圆心的横坐标，y0为圆心的纵坐标；
[0085]
步骤四二中、根据每个轮廓点所在圆上的圆心坐标和该轮廓点位置坐标，获得该轮廓点在圆上时的法线方向θ的实现方式包括：
[0086][0087]
更进一步的，步骤五中、判断每个钩舌销待识别故障区域图像中的销孔是否存在的实现方式包括：
[0088]
计算以每个钩舌销待识别故障区域图像的中心为圆心、r为半径的区域内的灰度均值与该钩舌销待识别故障区域图像中剩余区域的灰度均值作差，若灰度差值大于灰度阈值，则判定钩舌销待识别故障区域图像中的销孔存在。
[0089]
本优选实施方式中，具体应用时，通常来说钩舌销丢失或折断后会在原来的安装位置行程黑色的圆形孔洞，故通过计算截图中心区域内半径为r的区域内灰度均值，与周围灰度均值的作差，当差值大于阈值时，则销孔存在，此时，钩舌销丢失，判定为故障。
[0090]
更进一步的，步骤六中、利用svm分离器模型判定该钩舌销待识别故障区域图像中钩舌销是否断裂的实现方式包括：
[0091]
提取以钩舌销待识别故障区域图像的中心为圆心、1.5r为半径的区域内的灰度共生矩阵，通过svm分离器模型对灰度共生矩阵进行分类识别，从而确定钩舌销待识别故障区域图像中钩舌销是否断裂。
[0092]
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。