基干彩色图像处理高速列车快速检测方法.docVIP

基干彩色图像处理高速列车快速检测方法 　　摘 要随着高速列车车速不断提高，对于车辆各部件检查和监控也提出了更高的要求。而传统的人工检测很容易出现检测不到位的情况，伴随着以图片为主要信息载体的发展需求，通过机器人定点拍摄的彩色照片，利用图像处理技术对可视化的部件进行故障检测，最后生成的报警信息可在终端屏幕由检测人员查看并研判，提高了我们的信息检测效率，也带来了快捷的信息记录和分享方式 【关键词】图像处理 高速列车 故障检测 1 引言 我们与外部世界的常规交互方式是人眼捕捉目标信息、大脑将信息进行分析，而图像识别技术是赋予机器“眼睛”之后，借助机器捕捉目标信息、机器和互联网直接对信息进行分析并返回结果。目前图像识别技术也渗透到高速列车上，自2008年京津城际铁路开始运营至今，在短时间内中国建成了世界上营运里程最长、最大规模的高铁系统，搭建了最先进的高速列车技术平台。高速列车每天在高速、高密度地运行，为了运行安全，保质保量地检修列车具有重要的意义 我们对物体的认知是基于大脑器官感知的信息来推断，这构成了人类最重要的预判和处理突发时间的能力，而这些信息80%都是视觉类的，通过机器视觉的（即图像识别技术）可以及时和准确的获取信息。本文将阐述利用彩色信息和模式识别混合方式处理图像进行高速列车转向架的检测，首先利用彩色信息作为定位的基础，若部件的颜色信息不足以支持其从背景中区别出来，则采用模式识别方式进行定位。定位结束后，对每一个部件做故障检测。最后，在终端呈现检测结果，并存储检测报文 2 图像自动识别 相比于文字，图像能够提供更加生动、容易理解的信息，帮助我们更快的用图片来采集、判定和记录信息。通过设计四个四轴和一个六轴联动工业机器人装置自动运动到定点位置，利用自身携带的彩色相机采集转向架各部件高清彩色图像，然后将图像信息传送给机柜设备送的分析中心服务器，服务器对采集的数据做存储和彩色图像自动识别处理 在上述过程中，转向架故障识别正确率的关键就是对部件定位的精准程度。所有后续的图像处理方法都将在定位的基础上进行，所以本文采用的是彩色图像处理方法。图1为某车型转向架模型，从图中可以看出，有些部件的颜色特征很明显，这样的部件若利用以前的灰度图像处理方法就丢失了其很重要的色彩特征，虽然就数据存储空间来说，灰度图像是彩色图像的降维，但是对于后期的故障检测却不利，有可能算法难度增加几倍 图2为图像自动识别流程图。故障检测是上述整个流程的重点，由于转向架有上百个部件，不能采用统一的方法，在后续的部分详细阐述其中几个部件的检测方法 3 部件故障分析与识别 下面列举几个部件，详细说明其定位方式和故障识别算法，包括防松线故障识别、防脱链故障识别 3.1 防松线故障识别 为了防止螺栓在行车中会因列车颠簸或车厢之间挤压造成脱落事故发生，在部件的边缘画上一条白色直线，如果直线发生扭曲或者断开则说明紧固件松动，需要及时维修，而这条白色直线叫做防松线 图3为自动化装置拍摄的真彩图片。首先对图片做预处理，使图片内容简化，突出目标区域。然后定位图中的螺栓和防松线区域，利用模板匹配算法，模板响应最大值处便是螺栓的位置。图4位预处理效果图，可以看出经过预处理后的图片，边缘清晰可见。模板匹配示意图，如图5 螺栓定位成功后，便可通过防松线的特性找到防松线，从图片中提取完整的防松线，如图6。利用基于最小二乘法的分段直线拟合识别出来的防松线，判断识别出的防松线是否为直线，如果是直线，说明无故障，否则判定为螺栓松动，产生自动识别报警， 图7为拟合直线 3.2 防脱链故障识别 防脱链与防松线相似，都是为监测部件是否异常而设定的，轴箱上的防脱链分别固定在轴箱盖的中心和轴箱上，若一端脱落则说明有故障 图8为防脱链图，利用形态学提取边缘后的结果如图9，图中的边缘虽然十分清晰，但是结构非常复杂，利用轴箱盖外轮廓定位也是不易的。如果用轴箱盖上的纹理信息作为定位特征，很容易定位轴箱盖上的螺栓，图10为经过频域图像增强算法和图像分割技术，提取得到的螺栓二值效果图。结合先验知识定位轴箱盖的外轮廓，并将轮廓内的其他边缘信息剔除，利用距离之和最小算法拟合圆形，得到圆的相关参数。图11为轴箱外轮廓图，拟合后的结果如图12 利用拟合结果，确定防脱链两端的位置，根据特征检测与匹配算法判断防脱链是否丢失，若有故障产生自动故障报警 4 结论 在某些应用场景，机器视觉比人类的生理视觉更具优势，它更加准确、客观和稳定。在有了成熟的图像识别技术之后，加以人工智能的支持，计算机就可以自行对获得的图像、视频信息进行分析和判断，发现异常情况直接报警，带来了更高的效率和准确度。本文利用四轴和六轴联动机器人拍摄的彩色照片处理进行动车组转