铁路货车的装载检测方法、装置、电子设备及存储介质与流程

本发明属于铁路货车数字化监测，具体涉及一种铁路货车的装载检测方法、装置、电子设备及存储介质。

背景技术：

1、铁路是我国国民经济的大动脉，列车运行安全不仅关系到铁路运输企业的直接经济效益和间接经济效益，同时还会对社会生产和社会生活秩序产生重大影响；在我国铁路客货共线运输的现状下，货运列车的运行安全在铁路列车运行安全中占重要的地位，因此，保证货运列车安全快速的正点运行，及时完成货运任务，不仅有利于提高铁路运输行业的竞争优势，还对促进社会的安定和生产具有十分重要的作用。

2、在铁路货物运输过程中，货物的装载状态是直接影响货物列车安全运行的重要因素之一，而货物装载状态中的装载超限，则是在列车运行过程中必须要严格关注的内容，铁路货车的装载超限，可能会引起各种各样的事故，如顶部超限会损坏铁路沿线基础设施，在电气化区段可能会与接触网接触而引起火灾事故，宽度超限会使货物伸出车外，从而在运行过程中造成行车安全隐患，更有甚者，若货物为散件物品(如煤炭)，其在装载超限后，还可能会掉落在铁轨沿线，给后续列车运行造成严重的安全隐患。

3、目前，对铁路货车的装载超限检测，大多都是靠目视和简单的人工拉尺进行检查，工作质量的高低取决于作业人员的工作经验、能力、责任心和状态等不确定的因素，因此，现有的检测方法存在以下不足：工作效率低、劳动强度大，检测质量不高，不能准确且及时的检测出货物装载状态，已不能满足现有运输条件下对货物运输安全管理的要求；基于此，如何提供一种不依赖于人工，且工作效率高、检测及时以及准确的铁路货车装载状态的检测方法，已成为一个亟待解决的问题。

技术实现思路

1、本发明的目的是提供一种铁路货车的装载检测方法、装置、电子设备及存储介质，用以解决现有技术采用人工检查所存在的工作效率低、劳动强度大，检测质量不高，不能准确且及时的检测出货物装载状态的问题。

2、为了实现上述目的，本发明采用以下技术方案：

3、第一方面，提供了一种铁路货车的装载检测方法，包括：

4、获取目标铁路货车的装载图像，其中，所述装载图像包括所述目标铁路货车装载货物后的俯视图像，以及所述目标铁路货车装载货物后的两侧的侧视图像；

5、对所述装载图像进行图像识别处理，得到所述目标铁路货车的装载检测图像，其中，所述装载检测图像中仅含有所述目标铁路货车；

6、对所述装载检测图像进行多分解尺度的小波变换处理，以在小波变换处理后，得到所述装载检测图像中每个像素点在各个分解尺度下的小波变换系数；

7、基于所述装载检测图像中每个像素点在各个分解尺度下的小波变换系数，对所述装载检测图像进行轮廓识别处理，得到所述装载检测图像在各个分解尺度下所对应的轮廓点，以利用所述装载检测图像在各个分解尺度下所对应的轮廓点，生成所述目标铁路货车的装载轮廓图像；

8、根据所述装载轮廓图像，得出所述目标铁路货车的货物装载界限数据，并基于所述货物装载界限数据，得出所述目标铁路货车的装载检测结果，其中，所述装载检测结果包括货物装载超限或货物装载符合装载标准。

9、基于上述公开的内容，本发明先采集目标铁路货车的装载图像(该装载图像包括有目标铁路货车装载货物后的俯视图像以及两侧的侧视图像)，来作为装载检测的数据基础；而后，通过对前述俯视图像和侧视图像进行图像识别，来完成目标铁路货车所在图像区域的自动分割，从而得到目标铁路货车的装载检测图像，如此，该步骤相当于分割出了仅含有目标铁路货车的区域，从而减少了图像中其他物体对货物装载检测的干扰；接着，本发明对装载检测图像进行小波变换处理，来得到装载检测图像中各个像素点在不同分解尺度下的小波变换系数；由此，即可利用各个像素点在不同分解尺度下的小波变换系数，来确定出不同分解尺度下的各个像素点是否为边界点，从而得到装载检测图像在不同分解尺度下的轮廓点，然后，将不同分解尺度下的轮廓点进行融合处理，即可得到目标铁路货车的装载轮廓图像(该装载轮廓图像则包括俯视轮廓图像以及两侧的侧视轮廓图像)；最后，根据装载轮廓图像，即可得到目标铁路货车的货物装载界限数据(如货物高度以及货物宽度)，而将货物装载界限数据与标准界限数据进行对比，则可得到目标铁路货车的装载检测结果。

10、通过上述设计，本发明通过采集铁路货车的装载图像，并结合机器视觉以及多重图像处理技术，来对装载图像中的铁路货车进行图像识别以及轮廓识别，并以此来得到铁路货车的装载轮廓图像，如此，根据装载轮廓图像，则可确定出铁路货车的装载界限数据；最后，将装载界限数据与标准界限数据进行对比，即可得出铁路货车的装载检测结果；由此，本发明采用机器识别及多重图像处理的技术，来自动的识别出铁路货车的装载状态，相比于人工检查，不仅工作效率高、强度低，且检测实时性以及准确性得到了大幅提升，能够最大限度的降低因货物超限而导致的安全事故，适用于在铁路货车运行安全检测领域的大规模应用与推广。

11、在一个可能的设计中，所述装载检测图像包括：所述目标铁路货车的俯视装载检测图像以及两侧的侧视装载检测图像；

12、其中，基于所述装载检测图像中每个像素点在各个分解尺度下的小波变换系数，对所述装载检测图像进行轮廓识别处理，得到装载检测图像在各个分解尺度下所对应的轮廓点，包括：

13、对于所述装载检测图像中的俯视装载检测图像内的任一像素点，基于所述任一像素点在任一分解尺度下的小波变换系数，计算出所述任一像素点在该任一分解尺度下的梯度矢量值，以及所述任一像素点在该任一分解尺度下的方向角；

14、根据所述任一像素点在所述任一分解尺度下的方向角，判断所述任一像素点在所述任一分解尺度下是否为局部极大值点；

15、若是，则获取所述俯视装载检测图像在所述任一分解尺度下的边界阈值；

16、判断所述任一像素点在所述任一分解尺度下的梯度矢量值，是否大于或等于边界阈值；

17、若是，则将所述任一像素点，作为所述装载检测图像在所述任一分解尺度下对应的轮廓点。

18、在一个可能的设计中，根据所述任一像素点在所述任一分解尺度下的方向角，判断所述任一像素点在所述任一分解尺度下是否为局部极大值点，包括：

19、以所述任一像素点为中心，获取所述任一像素点在第一目标图像中的八个邻接点，以利用八个邻接点得到所述任一像素点的八邻域区域，其中，所述第一目标图像为所述俯视装载检测图像在所述任一分解尺度下的小波变换图像，且每个邻接点到所述任一像素点的距离相等；

20、以所述任一像素点为起点，连接各个邻接点，得到八个连接线，并利用八个连接线将所述八邻域区域划分为八个梯度区域；

21、获取每个梯度区域在所述八邻域区域内的角度范围，并基于每个梯度区域的角度范围，确定出每个梯度区域的局部极大值范围区间；

22、计算所述任一像素点在所述任一分解尺度下的方向角的正切值，并从八个梯度区域的局部极大值范围区间中，确定出所述正切值所属的局部极大值范围区间，以将所述正切值所属的局部极大值范围区间对应的梯度区域，作为局部极大值散落区域；

23、基于所述局部极大值散落区域的角度中线，确定出所述局部极大值散落区域的梯度方向；

24、获取所述八邻域区域在所述梯度方向上任意相邻的两像素点，并计算出该任意相邻的两像素点的梯度矢量值；

25、判断所述任一像素点在所述任一分解尺度下的梯度矢量值，是否大于所述任意相邻的两像素点的梯度矢量值；

26、若是，则判定所述任一像素点在所述任一分解尺度下为局部极大值点。

27、在一个可能的设计中，获取所述俯视装载检测图像在所述任一分解尺度下的边界阈值，包括：

28、基于所述俯视装载检测图像中各个像素点在目标分解尺度下的小波变换系数，计算出所述俯视装载检测图像中各个像素点在目标分解尺度下的梯度矢量值，并从所述目标分解尺度下的各个梯度矢量值中，选取出最大的梯度矢量值，其中，所述目标分解尺度为所述任一分解尺度的上一分解尺度；

29、基于所述最大的梯度矢量值和所述任一分解尺度，并按照如下公式(1)，计算出所述俯视装载检测图像在所述任一分解尺度下的边界阈值；

30、

31、上述公式(1)中，d表示所述俯视装载检测图像在所述任一分解尺度下的边界阈值，wmax表示所述最大的梯度矢量值，λ表示边界阈值计算系数，其中，j表示所述任一分解尺度对应的尺度系数，任一分解尺度的取值为2j，j的取值区间为且n表示所述俯视装载检测图像中像素点的行数或列数，且j为整数。

32、在一个可能的设计中，所述装载轮廓图像包括所述目标铁路货车的俯视轮廓图像，其中，利用所述装载检测图像在各个分解尺度下所对应的轮廓点，生成所述目标铁路货车的装载轮廓图像，包括：

33、基于所述俯视装载检测图像在第d个分解尺度下所对应的轮廓点，生成所述俯视装载检测图像在第d个分解尺度下的俯视轮廓图像；

34、对于所述俯视装载检测图像在第d个分解尺度下的俯视轮廓图像中的第i个轮廓点，获取所述第i个轮廓点在第二目标图像中的边缘匹配区域，其中，所述第二目标图像为所述俯视装载检测图像在第d-1个分解尺度下的俯视轮廓图像，且所述边缘匹配区域为所述第二目标图像中的所述第i个轮廓点的邻域区域；

35、基于第i个轮廓点的梯度矢量值和方向角，从所述边缘匹配区域中确定出候选轮廓点；

36、将i自加1，并重新获取所述第i个轮廓点在第二目标图像中的边缘匹配区域，直至i等于z时，得到所述俯视装载检测图像在第d个分解尺度下的俯视轮廓图像中每个轮廓点的候选轮廓点，以利用每个轮廓点的候选轮廓点组成候选轮廓点集，其中，i的初始值为1，且z为俯视装载检测图像在第d个分解尺度下的俯视轮廓图像中的轮廓点总数；

37、基于所述候选轮廓点集中各个候选轮廓点的梯度矢量值，对各个候选轮廓点进行分类，并将同一类的候选轮廓点进行连接，得到多个候选轮廓链；

38、从多个候选轮廓链中，删除链长小于链长阈值的候选轮廓链，得到俯视装载检测图像基于第d个分解尺度下和第d-1个分解尺度下的俯视轮廓图像进行图像融合后的融合轮廓图像；

39、将d自减1，并判断d是否大于1；

40、若是，则重新基于所述俯视装载检测图像在第d个分解尺度下所对应的轮廓点，生成所述俯视装载检测图像在第d个分解尺度下的俯视轮廓图像，直至d等于1时，得到所述目标铁路货车的俯视轮廓图像，其中，d的初始值为l，且l为所述俯视装载检测图像进行小波变换处理时的最大分解尺度。

41、在一个可能的设计中，基于所述第i个轮廓点的梯度矢量值和方向角，从所述边缘匹配区域中确定出候选轮廓点，包括：

42、对于所述边缘匹配区域中的任一点，获取所述任一点的梯度矢量值和方向角；

43、判断所述任一点的方向角与所述第i个轮廓点的方向角是否相同，以及判断所述任一点的梯度矢量值是否大于或等于所述第i个轮廓点的梯度矢量值；

44、若是，则将所述任一点作为候选轮廓点。

45、在一个可能的设计中，所述装载轮廓图像包括：所述目标铁路货车的俯视轮廓图像和两侧的侧视轮廓图像；

46、其中，根据所述装载轮廓图像，得出所述目标铁路货车的货物装载界限数据，包括：

47、基于所述俯视轮廓图像，得出所述目标铁路货车的装载宽度，以及基于两侧的侧视轮廓图像，得出所述目标铁路货车的装载高度；

48、利用所述装载宽度和装载高度，组成所述货物装载界限数据。

49、第二方面，提供了一种铁路货车的装载检测装置，包括：

50、图像获取单元，用于获取目标铁路货车的装载图像，其中，所述装载图像包括所述目标铁路货车装载货物后的俯视图像，以及所述目标铁路货车装载货物后的两侧的侧视图像；

51、图像识别单元，用于对所述装载图像进行图像识别处理，得到所述目标铁路货车的装载检测图像，其中，所述装载检测图像中仅含有所述目标铁路货车；

52、轮廓提取单元，用于对所述装载检测图像进行多分解尺度的小波变换处理，以在小波变换处理后，得到所述装载检测图像中每个像素点在各个分解尺度下的小波变换系数；

53、轮廓提取单元，还用于基于所述装载检测图像中每个像素点在各个分解尺度下的小波变换系数，对所述装载检测图像进行轮廓识别处理，得到所述装载检测图像在各个分解尺度下所对应的轮廓点，以利用所述装载检测图像在各个分解尺度下所对应的轮廓点，生成所述目标铁路货车的装载轮廓图像；

54、装载检测单元，用于根据所述装载轮廓图像，得出所述目标铁路货车的货物装载界限数据，并基于所述货物装载界限数据，得出所述目标铁路货车的装载检测结果，其中，所述装载检测结果包括货物装载超限或货物装载符合装载标准。

55、第三方面，提供了另一种铁路货车的装载检测装置，以装置为电子设备为例，包括依次通信相连的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意一种可能设计的所述铁路货车的装载检测方法。

56、第四方面，提供了一种存储介质，存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意一种可能设计的所述铁路货车的装载检测方法。

57、第五方面，提供了一种包含指令的计算机程序产品，当指令在计算机上运行时，使计算机执行如第一方面或第一方面中任意一种可能设计的所述铁路货车的装载检测方法。

58、有益效果：

59、(1)本发明通过采集铁路货车的装载图像，并结合机器视觉以及多重图像处理技术，来对装载图像中的铁路货车进行图像识别以及轮廓识别，并以此来得到铁路货车的装载轮廓图像，如此，根据装载轮廓图像，则可确定出铁路货车的装载界限数据；最后，将装载界限数据与标准界限数据进行对比，即可得出铁路货车的装载检测结果；由此，本发明采用机器识别及多重图像处理的技术，来自动的识别出铁路货车的装载状态，相比于人工检查，不仅工作效率高、强度低，且检测实时性以及准确性得到了大幅提升，能够最大限度的降低因货物超限而导致的安全事故，适用于在铁路货车运行安全检测领域的大规模应用与推广。