一种基于图像处理的车钩托梁折断检测方法、系统及装置制造方法及图纸

一种基于图像处理的车钩托梁折断检测方法、系统及装置，属于图像处理和设备检测技术领域。本发明专利技术是为了解决现有的视觉判断方法存在遗漏率高、误检率高的问题，以及神经网络判断方法存在工作量大和通用性效果不稳定的问题。本发明专利技术首先对待检测图形进行滤波，并利用检测算子模板与滤波图像像素卷积，获取当前像素的最大卷积值，如果卷积值大于等于255，则像素置为255；否则像素置为0，得到二值图像；然后对检测到的边缘进行补充；基于边缘补充后的边缘图像，查找连通域确定折断处并计算折断的长度和角度；从而实现车钩托梁折断的检测。主要用于车钩托梁的折断检测。

【技术实现步骤摘要】
一种基于图像处理的车钩托梁折断检测方法、系统及装置
本专利技术涉及一种车钩托梁折断检测方法、系统及装置，属于图像处理和设备检测

技术介绍
铁路货车的车钩托梁折断会影响铁路货车的安全运行。目前的货车故障监控的方法为视觉判断，这种方法会受外界影响颇大，例如拍摄的图片不清晰，有水迹干扰等客观因素；人工分时性疲劳，注意力不集中等主观因素。都会造成部件故障的遗漏、误检等情况，影响货车行驶安全。因此，铁路货车检测领域亟需货车部件的故障自动化检测技术。目前也有一些自动化检测技术能够用于车钩托梁折断检测，但是由于车钩托梁所在部位存在结构比较复杂导致基于图像处理的技术存在很大难度，同时车钩托梁折断的形态不易被检测和识别到，所以现有的技术往往不能取得良好的效果，存在漏检率高和误检率高的问题。目前也有一些检测方法利用神经网络来进行铁路货车车钩托梁折断的检测，这种方法虽然能够较好的应用于车钩托梁折断检测，但是这种方法的准确性也依赖于训练过程所得到的模型的好坏，而训练过程还需要收到训练样本的影响，如果训练样本不能覆盖所有的情况(如天气光照影响、油污影响等)，则模型的适用性和检测准确度将会收到严重影响，所以这种方法需要获取非常多的图像，这就需要花费大量的图像手机工作量，而且这种还存在通用性效果不稳定的问题，即A用户通过训练得到的训练好的模型，可能该模型的效果非常好，但是B用户训练得到的模型不一定能够取得同样好的效果。
技术实现思路
本专利技术是为了解决现有的视觉判断方法存在遗漏率高、误检率高的问题，以及神经网络判断方法存在工作量大和通用性效果不稳定的问题。一种基于图像处理的车钩托梁折断检测方法，包括以下步骤：s1、对待检测图形进行滤波，即将卷积核与待检测图像进行卷积；所述卷积核如下：fs(x,y)＝f(x,y)*G(x,y)*C(x,y)(1)其中，f(x,y)表示输入图像数据，G(x,y)表示二维高斯函数，fs(x,y)为卷积平滑后的图像，C(x,y)表示图像的内容函数，x和y分别为二维图像像素的横纵坐标；图像的内容函数s2、针对于滤波图像进行边缘检测，利用检测算子模板Sobelx、Sobely、k45°、k135°分别与滤波图像像素卷积，获取当前像素的最大卷积值，如果卷积值大于等于255，则像素置为255；否则像素置为0，得到二值图像；s3、对检测到的边缘进行补充；s4、基于边缘补充后的边缘图像，查找连通域确定折断处并计算折断的长度和角度；从而实现车钩托梁折断的检测。进一步地，所述二维高斯函数σ＝1，高斯核选取5×5大小来进行高斯模糊。进一步地，所述的进一步地，所述步骤s3中采用邻域灰度差法对检测到的边缘进行补充。进一步地，所述用邻域灰度差法对检测到的边缘进行补充的具体过程包括以下步骤：首先分别遍历二值图像像素，当二值图像的某一点p灰度值为255时，按照坐标找到其相邻的8个像素，分别计算这8个像素映射到原图的灰度值和p点对应原图的灰度值，然后分别计算邻域点和p的灰度差值，找到差值最小的一点pmin，就是损失的边缘点，把它的灰度值设置为255，再继续计算pmin的8个相邻像素，寻找到下一个边缘点，直到全部遍历完成。进一步地，s4所述基于边缘补充后的边缘图像，查找连通域确定折断处并计算折断的长度和角度的过程包括以下步骤：针对边缘补充后的边缘图像，通过查找白色像素点连通域方法得到所有轮廓，计算所有轮廓的外接矩形；然后根据矩形的面积和边长进行筛选，找到折断处的轮廓，进而得到轮廓的大小和与水平线的夹角。进一步地，所述轮廓的外接矩形为轮廓的最小面积外接矩形。进一步地，所述实现车钩托梁折断检测的过程包括以下步骤：基于折断处的轮廓的大小和与水平线的夹角，与折断的角度和长度阈值进行比较，若检测结果大于等于阈值，则进行报警。一种基于图像处理的车钩托梁折断检测系统，所述系统用于执行一种基于图像处理的车钩托梁折断检测方法。一种基于图像处理的车钩托梁折断检测装置，所述装置用于存储和/或运行一种基于图像处理的车钩托梁折断检测系统。有益效果：本专利技术可以实现货车故障检测自动化，且本专利技术不受人为因素影响，相比视觉判断方法本专利技术可以极大地提高提高检测效率、准确率和识别率。本专利技术根据折断图像的像素分布和边缘信息，设计特定的滤波算法和边缘检测算法，并对边缘进行补充，完善丢失且不连续的边缘信息，能够更好的检测折断，从而保证本专利技术的检测准确率。相比利用神经网络的检测方法，本专利技术可以节省大量的工作量，而且本专利技术具有通用性效果稳定的优点，利用本专利技术的用户可以实现相同的检测准确率。附图说明图1为故障识别流程图；图2为车钩托梁图像；图3为滤波之后的图像；图4a为梯度图像，图4b为二值图像；图5为边缘补充图像；图6a为最大外接矩形图，图6b最小面积外接矩形图。具体实施方式具体实施方式一：结合图1具体说明本实施方式，本实施方式为一种基于图像处理的车钩托梁折断检测方法，包括：1、设计折断图像滤波算法图2为要检测的原始折断图像，折断处在图中红色框(图中的方框)中。根据以往对故障的先验知识和对部件在物理上的受力分析可知，折断的裂纹会从车钩托梁两端开始向内部延伸，裂纹是连续的不会出现中途断裂的情况，且裂纹总体的延展方向会在水平方向上呈现一定的角度，是一个锐角。通过观察图像可知，裂纹处会有较为明显的灰度变化和边缘变化。本专利技术设计的滤波算法可以使得裂纹会更加的明显以便于后续的检测。图像滤波的原理是将一个矩阵和一副图像卷积，卷积之后的图像也就是滤波后的结果，这个矩阵也称之为卷积核。所以想要图像滤波之后达到什么样的效果，只要设计好特定的卷积核即可。本专利技术设计的卷积核是基于图像内容的高斯核函数，具体如下：f(x,y)表示输入图像数据，G(x,y)表示二维高斯函数，fs(x,y)为卷积平滑后的图像，C(x,y)表示图像的内容函数，x和y分别为二维图像像素的横纵坐标。本专利技术的图像内容函数反应了图像的清晰度和纹理的深浅，纹理越深效果越清晰，反之效果越模糊，所用的公式如下：通过本专利技术的所设计的公式滤波出来的图像能使折断处的裂纹表现的更加明显，对于检测折断的工作提供了很好的基础。优选地，本专利技术选取标准差σ＝1，高斯核选取5×5大小来进行高斯模糊，测试非常适合处理折断的图像，使得图像具有非常好的清晰度和纹理。如图3所示的滤波图像。2、设计边缘检测算法针对于滤波图像进行边缘检测，由于折断产生的方向是不固定的，是四面八方的，所以在进行边缘检测的时候不能单纯的只对横轴方向和纵轴检测，这样会使得带角度的裂纹失去了某些边缘的信息。为了解决该问题，本专利技术研究出了专门应对此图像的边缘检测算子，增加了45度和135度(均与横轴夹角)的检测算子：其中，k45°本文档来自技高网...

【技术保护点】
1.一种基于图像处理的车钩托梁折断检测方法，其特征在于，包括以下步骤：/ns1、对待检测图形进行滤波，即将卷积核与待检测图像进行卷积；/n所述卷积核如下：/nf

【技术特征摘要】
1.一种基于图像处理的车钩托梁折断检测方法，其特征在于，包括以下步骤：
s1、对待检测图形进行滤波，即将卷积核与待检测图像进行卷积；
所述卷积核如下：
fs(x,y)＝f(x,y)*G(x,y)*C(x,y)(1)
其中，f(x,y)表示输入图像数据，G(x,y)表示二维高斯函数，fs(x,y)为卷积平滑后的图像，C(x,y)表示图像的内容函数，x和y分别为二维图像像素的横纵坐标；
图像的内容函数
s2、针对于滤波图像进行边缘检测，利用检测算子模板Sobelx、Sobely、k45°、k135°分别与滤波图像像素卷积，获取当前像素的最大卷积值，如果卷积值大于等于255，则像素置为255；否则像素置为0，得到二值图像；
s3、对检测到的边缘进行补充；
s4、基于边缘补充后的边缘图像，查找连通域确定折断处并计算折断的长度和角度；从而实现车钩托梁折断的检测。


2.根据权利要求1所述的一种基于图像处理的车钩托梁折断检测方法，其特征在于，所述二维高斯函数高斯核选取5×5大小来进行高斯模糊。


3.根据权利要求1或2所述的一种基于图像处理的车钩托梁折断检测方法，其特征在于，所述的


4.根据权利要求3所述的一种基于图像处理的车钩托梁折断检测方法，其特征在于，所述步骤s3中采用邻域灰度差法对检测到的边缘进行补充。


5.根据权利要求4所述的一种基于图像处理的车钩托梁折断检测方法，其特征在于，所述用邻域灰度差法对检测到的边缘进行补充的具体过程包括以下步骤：
首先分别遍历二值图像像素...

【专利技术属性】
技术研发人员：张庆宇，
申请(专利权)人：哈尔滨市科佳通用机电股份有限公司，
类型：发明
国别省市：黑龙江;23