• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 18
    • 下载费用:30 金币  

    重庆时时彩两星杀号: 基于纹理特征聚类的机车轮对踏面损伤检测的方法.pdf

    关 键 词:
    基于 纹理 特征 机车 轮对 损伤 检测 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201611050443.7

    申请日:

    2016.11.24

    公开号:

    CN106683076A

    公开日:

    2017.05.17

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06T 7/00申请日:20161124|||公开
    IPC分类号: G06T7/00(2017.01)I; G06T7/11(2017.01)I; G06T7/187(2017.01)I; G06T7/13(2017.01)I; G06T7/45(2017.01)I; G06K9/62 主分类号: G06T7/00
    申请人: 南京航空航天大学; 南京拓控信息科技股份有限公司
    发明人: 黎宁; 吕洪波; 汪成; 梅劲松; 袁家斌; 沈晓东; 张兆贵; 徐明军
    地址: 210016 江苏省南京市秦淮区御道街29号
    优先权:
    专利代理机构: 江苏圣典律师事务所 32237 代理人: 贺翔
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201611050443.7

    授权公告号:

    |||

    法律状态公告日:

    2017.06.09|||2017.05.17

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开了一种基于纹理特征聚类的机车轮对踏面损伤检测方法,首先通过踏面图像分块纹理聚类的方法来确定损伤可疑区域,然后利用梯度信息在可疑区域内进行损伤轮廓点检测,根据检测到的损伤轮廓点进一步确定种子点,在此基础上采用基于最大似然估计与原则的区域生长技术对损伤区域进行分割,最后采用基于方向性结构元素的形态学区域合并技术得到最终的损伤检测结果,能够在机车轮对在线检测系统中实现对机车踏面损伤准确、高效地判定,具有较强的实用性和广阔的应用前景。

    权利要求书

    1.基于纹理特征聚类的机车轮对踏面损伤检测方法,其特征在于,包括以下步骤:
    步骤1),按照横向分块的方式对整个踏面区域进行分块处理,子区域高度大于最小需
    要检测出的损伤区域的高度;
    令整体的踏面图像为W,子区域数为N,N为大于1的自然数,子区域为wi,i=1,2…N;
    步骤2),对于每个子区域wi,基于灰度共生矩阵计算其纹理特征,得到其纹理特征向量
    vi,i=1,2…N;
    步骤3),对每个子区域wi的纹理特征向量vi进行归一化处理后,采用K-means++聚类方
    法对纹理特征向量空间内的所有的纹理特征向量进行聚类,将其划分为两类,并选取对比
    度较大的一类作为可疑子区域集合[ws1,ws2,…,wsj],j=1,2…k,k<N;
    步骤4),对相邻的可疑子区域进行合并,得到若干个不相邻的合并区域集合[M1,M2,…,
    Mu,…,Mm]后,在每个合并区域Mu内分别沿着水平扫描线与垂直扫描线寻找横向与纵向的灰
    度跳跃点,将其作为轮廓点的候选点,得到候选点集合,其中,u=1,2…m,m<k;
    步骤5),在候选点集合中沿着扫描线选取两个相邻的候选点,基于全局阈值的方法计
    算这两个候选点的扫描线上所有像素的灰度值的阈值T;
    步骤6),根据以下公式计算灰度值阈值P1与P2:
    P1=α×T
    P2=β×T
    其中,α与β均为预设的比例系数,0≤α<β≤1;
    步骤7),如果两个候选点之间的像素数目Num乘以预设的比例系数ε大于等于两个候选
    点之间灰度值介于P1与P2之间的像素数目Num1,或者两个候选点的梯度方向的乘积大于等
    于0,则将该两个候选点从候选点集合中剔除;其中,0<ε<1;
    步骤8),重复步骤5)到步骤7),直到候选点集合中候选点的数目不再变化,此时将候选
    点集合作为轮廓点集合;
    步骤9),在轮廓点集合中,沿水平扫描线与垂直扫描线对任意两个相邻的轮廓点进行
    连线,将所有呈直角相交的连线的交点作为种子点,获得种子点集合S;
    步骤10),令所有合并区域中损伤区域的灰度值X~N(μ,σ2),种子点集合S为从分布X中
    取得的部分样本,采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差σ2;
    步骤11),根据种子点集合S总体分布X的均值μ与方差σ2采用区域生长技术实现机车踏
    面损伤区域的检测,得到损伤区域集合;
    步骤12),计算损伤区域的集合中每个损伤区域的特征向量,所述特征向量包含损伤区
    域轮廓的重心坐标、灰度均值和灰度方差;
    步骤13),计算损伤区域集合中任意两个损伤区域之间的欧氏距离,并在两个损伤区域
    之间的欧式距离小于预先设定的距离阈值时,基于方向性结构元素的形态学方法将该两个
    损伤区域进行合并。
    2.根据权利要求1所述的基于纹理特征聚类的机车轮对踏面损伤检测方法,其特征在
    于,所述步骤2)中的纹理特征向量包含方差σ2(z)、对比度Co和一致性Ho,其中:
    <mrow> <msup> <mi>&sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <mi>z</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>g</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>L</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>g</mi> </msub> <mo>-</mo> <mi>m</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>z</mi> <mi>g</mi> </msub> <mo>)</mo> </mrow> </mrow>
    <mrow> <mi>C</mi> <mi>o</mi> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msup> <mrow> <mo>(</mo> <mi>r</mi> <mo>-</mo> <mi>l</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> <msub> <mi>p</mi> <mrow> <mi>r</mi> <mi>l</mi> </mrow> </msub> </mrow>
    <mrow> <mi>H</mi> <mi>o</mi> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <mfrac> <msub> <mi>p</mi> <mrow> <mi>r</mi> <mi>l</mi> </mrow> </msub> <mrow> <mn>1</mn> <mo>+</mo> <mo>|</mo> <mi>r</mi> <mo>-</mo> <mi>l</mi> <mo>|</mo> </mrow> </mfrac> </mrow>
    其中,z是表示子区域图像的灰度值,p(zg)为相应的直方图,g=0,1,2...,L-1,其中L是
    不同灰度级的数量,m为z的均值;zg表示图像灰度为g的灰度值;
    其中,K是子区域图像的灰度共生矩阵的行数,r、l均为大于等于1小于等于K的自然数;
    prl为满足位置算子Q的值为(zr,zl)的点对的概率估计,概率估计的值域为[0,1],且所有概
    率估计的和为1:
    <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>r</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msub> <mi>p</mi> <mrow> <mi>r</mi> <mi>l</mi> </mrow> </msub> <mo>=</mo> <mn>1</mn> </mrow>
    所述位置算子Q的生成方向θ=0°、生成间距d=1;
    H是轮廓点集合中所有在垂直扫描线上的轮廓点的集合。
    3.根据权利要求2所述的基于纹理特征聚类的机车轮对踏面损伤检测方法,其特征在
    于,步骤3)对每个子区域wi的纹理特征向量vi进行归一化处理的详细步骤如下:
    步骤3.1),将所有的纹理特征向量vi组成矩阵Y∈RN×3,即:
    步骤3.2),根据以下公式对矩阵Y进行归一化:
    <mrow> <msub> <mi>Y</mi> <mrow> <mi>m</mi> <mo>,</mo> <mi>n</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>Y</mi> <mrow> <mi>m</mi> <mo>,</mo> <mi>n</mi> </mrow> </msub> <mo>-</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>Y</mi> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>)</mo> </mrow> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <mi>Y</mi> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>)</mo> <mo>-</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>Y</mi> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>)</mo> </mrow> </mfrac> </mrow>
    其中,Ym,n表示矩阵Y内第m行n列的元素,Y(n)表示矩阵Y的第n列,max(Y(n))与min(Y
    (n))分别表示矩阵Y第n列组成的向量的最大值与最小值。
    4.根据权利要求3所述的基于纹理特征聚类的机车轮对踏面损伤检测方法,其特征在
    于,步骤5)中所述基于全局阈值的方法计算两个相邻候选点的扫描线上所有像素的灰度值
    的阈值T的详细步骤如下:
    步骤5.1),根据以下公式计算沿着扫描线方向两个候选点之间所有像素点的灰度值的
    均值T′:
    <mrow> <msup> <mi>T</mi> <mo>&prime;</mo> </msup> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>b</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>B</mi> </munderover> <msub> <mi>L</mi> <mi>b</mi> </msub> </mrow> <mi>B</mi> </mfrac> </mrow>
    其中,L1、L2、…、Lb、…、LB分别为两个候选点之间的像素点的灰度值,b=1,2,…B,B为两
    个候选点之间的像素点的个数;
    步骤5.2),采用均值T′对沿着扫描线方向对相邻两个候选点之间的像素点集合进行二
    值化,将灰度值大于均值T′的像素放入集合Sbigger中,小于等于均值T′的像素放入集合Sless
    中;
    步骤5.3),分别计算Sbigger与Sless内各个像素灰度值的均值Tbigger、Tless;
    步骤5.4),将Tbigger、Tless的平均值和均值T′作差得到ΔT′;
    步骤5.5),将Tbigger、Tless的平均值赋给均值T′,清空集合Sbigger与Sless;
    步骤5.6),重复步骤5.2)至步骤5.5),直到ΔT′的绝对值小于预设的差值阈值;
    步骤5.7),将均值T′作为两个相邻候选点的扫描线上所有像素的灰度值的阈值T输出。
    5.根据权利要求4所述的基于纹理特征聚类的机车轮对踏面损伤检测方法,其特征在
    于,所述步骤10)中根据以下公式计算种子点集合S总体分布X的均值μ与方差σ2:
    <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>&mu;</mi> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <mrow> <mo>(</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mi>n</mi> <mi>d</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>n</mi> <mi>d</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msup> <mi>&sigma;</mi> <mn>2</mn> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mi>n</mi> <mi>d</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>n</mi> <mi>d</mi> </mrow> </msub> <mo>-</mo> <mover> <mi>x</mi> <mo>&OverBar;</mo> </mover> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </mtd> </mtr> </mtable> </mfenced>
    其中,n表示种子点集合内像素的数目,ind为种子点像素的索引,ind=1,2…n;xind表
    示种子点集合内索引为ind的像素的灰度值,为种子点集合内像素灰度值的均值。
    6.根据权利要求1所述的基于纹理特征聚类的机车轮对踏面损伤检测方法,其特征在
    于,所述步骤4)中寻找横向与纵向的灰度跳跃点的详细步骤如下:
    沿着某一横向或纵向的扫描线,计算当前点的灰度值与相邻的两点的灰度值的差值,
    判断这两个差值的之间的差值的绝对值是否大于预设的灰度值阈值,若大于预设的灰度值
    阈值,则认为该点是灰度跳跃点。
    7.根据权利要求1所述的基于纹理特征聚类的机车轮对踏面损伤检测方法,其特征在
    于,所述步骤11)的详细步骤为:
    步骤11.1),针对种子点集合S中每一个的种子点,判断其8邻域内的各个像素点的灰度
    值是否在[μ-3×σ,μ+3×σ]内,如果存在灰度值在[μ-3×σ,μ+3×σ]内的像素点,则将该像
    素点加入到种子点集合S中;
    步骤11.2),采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差σ2;
    步骤11.3),重复步骤11.1)至步骤11.2),直到种子点集合S中种子点的数目不再变化;
    步骤11.4),根据种子点集合S得到损伤区域集合。

    说明书

    基于纹理特征聚类的机车轮对踏面损伤检测的方法

    技术领域

    本发明涉及无损检测技术领域,具体而言涉及一种基于纹理特征聚类的机车轮对
    踏面损伤检测方法。

    背景技术

    机车轮对作为机车行走的主要部件之一,其能否正常工作会直接影响到机车的行
    驶安全?;德侄蕴っ娴乃鹕擞敕袷怯跋旎翟诵械闹匾蛩?。因此,是否能够正确的检测
    出机车踏面存在的损伤,对机车的正常运行有至关重要的作用。

    机车车轮踏面的损伤是机车在运行过程中形成的不规则的表面缺陷。常见的踏面
    损伤有:擦伤、剥离等。目前,由于机车紧急制动、车轮间瓦材料不结实、空重车调整装置漏
    调导致空车时在重车位制动力过大、机车司机操作不合理及车辆缓解不利等原因,造成机
    车轮对踏面剥离、擦伤等故障颇为常见。

    目前,机车踏面损伤检测的传统方法是由机车检修工作人员通过肉眼观察或者声
    音识别的方法来进行踏面损伤的检测。这种方法存在劳动强度大、占用机车的运行时间、检
    测效率低下和自动化程度低等不足之处。随着机器视觉检测技术的发展,通过机器视觉进
    行物体的尺寸、外形、表面缺陷等检测技术得到长足的发展与广泛的应用?;魇泳跫觳饧?br />术具有:非接触式、检测准确、检测效率高等优点。因此,研究一种高精度、高可靠性的非接
    触式车轮损伤在线检测方法对提高我国铁路机车轮对的检测技术水平有重要意义。

    发明内容

    本发明所要解决的技术问题是针对现有技术在机车踏面损伤检测方面的不足,利
    用图像处理技术,提出了一种基于纹理特征聚类的机车轮对踏面损伤检测的方法,高效、准
    确地对机车轮对踏面的损伤进行检测。

    本发明为解决上述技术问题采用以下技术方案:

    基于纹理特征聚类的机车轮对踏面损伤检测方法,包括以下步骤:

    步骤1),按照横向分块的方式对整个踏面区域进行分块处理,子区域高度大于最
    小需要检测出的损伤区域的高度;

    令整体的踏面图像为W,子区域数为N,N为大于1的自然数,子区域为wi,i=1,2…
    N;

    步骤2),对于每个子区域wi,基于灰度共生矩阵计算其纹理特征,得到其纹理特征
    向量vi,i=1,2…N;

    步骤3),对每个子区域wi的纹理特征向量vi进行归一化处理后,采用K-means++聚
    类方法对纹理特征向量空间内的所有的纹理特征向量进行聚类,将其划分为两类,并选取
    对比度较大的一类作为可疑子区域集合[ws1,ws2,…,wsj],j=1,2…k,k<N;

    步骤4),对相邻的可疑子区域进行合并,得到若干个不相邻的合并区域集合[M1,
    M2,…,Mu,…,Mm]后,在每个合并区域Mu内分别沿着水平扫描线与垂直扫描线寻找横向与纵
    向的灰度跳跃点,将其作为轮廓点的候选点,得到候选点集合,其中,u=1,2…m,m<k;

    步骤5),在候选点集合中沿着扫描线选取两个相邻的候选点,基于全局阈值的方
    法计算这两个候选点的扫描线上所有像素的灰度值的阈值T;

    步骤6),根据以下公式计算灰度值阈值P1与P2:

    P1=α×T

    P2=β×T

    其中,α与β均为预设的比例系数,0≤α<β≤1;

    步骤7),如果两个候选点之间的像素数目Num乘以预设的比例系数ε大于等于两个
    候选点之间灰度值介于P1与P2之间的像素数目Num1,或者两个候选点的梯度方向的乘积大
    于等于0,则将该两个候选点从候选点集合中剔除;其中,0<ε<1;

    步骤8),重复步骤5)到步骤7),直到候选点集合中候选点的数目不再变化,此时将
    候选点集合作为轮廓点集合;

    步骤9),在轮廓点集合中,沿水平扫描线与垂直扫描线对任意两个相邻的轮廓点
    进行连线,将所有呈直角相交的连线的交点作为种子点,获得种子点集合S;

    步骤10),令所有合并区域中损伤区域的灰度值X~N(μ,σ2),种子点集合S为从分
    布X中取得的部分样本,采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差
    σ2;

    步骤11),根据种子点集合S总体分布X的均值μ与方差σ2采用区域生长技术实现机
    车踏面损伤区域的检测,得到损伤区域集合;

    步骤12),计算损伤区域的集合中每个损伤区域的特征向量,所述特征向量包含损
    伤区域轮廓的重心坐标、灰度均值和灰度方差;

    步骤13),计算损伤区域集合中任意两个损伤区域之间的欧氏距离,并在两个损伤
    区域之间的欧式距离小于预先设定的距离阈值时、基于方向性结构元素的形态学方法将该
    两个损伤区域进行合并。

    作为本发明基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案,
    所述步骤2)中的纹理特征向量包含方差σ2(z)、对比度Co和一致性Ho,其中:




    其中,z是表示子区域图像的灰度值,p(zg)为相应的直方图,g=0,1,2...,L-1,其
    中L是不同灰度级的数量,m为z的均值;zg表示图像灰度为g的灰度值;

    其中,K是子区域图像的灰度共生矩阵的行数,r、l均为大于等于1小于等于K的自
    然数;prl为满足位置算子Q的值为(zr,zl)的点对的概率估计,概率估计的值域为[0,1],且
    所有概率估计的和为1:


    所述位置算子Q的生成方向θ=0°、生成间距d=1;

    H是轮廓点集合中所有在垂直扫描线上的轮廓点的集合。

    作为本发明基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案,
    步骤3)对每个子区域wi的纹理特征向量vi进行归一化处理的详细步骤如下:

    步骤3.1),将所有的纹理特征向量vi组成矩阵Y∈RN×3,即:

    步骤3.2),根据以下公式对矩阵Y进行归一化:


    其中,Ym,n表示矩阵Y内第m行n列的元素,Y(n)表示矩阵Y的第n列,max(Y(n))与min
    (Y(n))分别表示矩阵Y第n列组成的向量的最大值与最小值。

    作为本发明基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案,
    步骤5)中所述基于全局阈值的方法计算两个相邻候选点的扫描线上所有像素的灰度值的
    阈值T的详细步骤如下:

    步骤5.1),根据以下公式计算沿着扫描线方向两个候选点之间所有像素点的灰度
    值的均值T′:


    其中,L1、L2、…、Lb、…、LB分别为两个候选点之间的像素点的灰度值,b=1,2,…B,
    B为两个候选点之间的像素点的个数;

    步骤5.2),采用均值T′对沿着扫描线方向对相邻两个候选点之间的像素点集合进
    行二值化,将灰度值大于均值T′的像素放入集合Sbigger中,小于等于均值T′的像素放入集合
    Sless中;

    步骤5.3),分别计算Sbigger与Sless内各个像素灰度值的均值Tbigger、Tless;

    步骤5.4),将Tbigger、Tless的平均值和均值T′作差得到ΔT′;

    步骤5.5),将Tbigger、Tless的平均值赋给均值T′,清空集合Sbigger与Sless;

    步骤5.6),重复步骤5.2)至步骤5.5),直到ΔT′的绝对值小于预设的差值阈值;

    步骤5.7),将均值T′作为两个相邻候选点的扫描线上所有像素的灰度值的阈值T
    输出。

    作为本发明基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案,
    所述步骤10)中根据以下公式计算种子点集合S总体分布X的均值μ与方差σ2:


    其中,n表示种子点集合内像素的数目,ind为种子点像素的索引,ind=1,2…n;
    xind表示种子点集合内索引为ind的像素的灰度值,为种子点集合内像素灰度值的均值。

    6、根据权利要求1所述的基于纹理特征聚类的机车轮对踏面损伤检测方法,其特
    征在于,所述步骤4)中寻找横向与纵向的灰度跳跃点的详细步骤如下:

    沿着某一横向或纵向的扫描线,计算当前点的灰度值与相邻的两点的灰度值的差
    值,判断这两个差值的之间的差值的绝对值是否大于预设的灰度值阈值,若大于预设的灰
    度值阈值,则认为该点是灰度跳跃点。

    作为本发明基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案,
    所述步骤11)的详细步骤为:

    步骤11.1),针对种子点集合S中每一个的种子点,判断其8邻域内的各个像素点的
    灰度值是否在[μ-3×σ,μ+3×σ]内,如果存在灰度值在[μ-3×σ,μ+3×σ]内的像素点,则将
    该像素点加入到种子点集合S中;

    步骤11.2),采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差σ2;

    步骤11.3),重复步骤11.1)至步骤11.2),直到种子点集合S中种子点的数目不再
    变化;

    步骤11.4),根据种子点集合S得到损伤区域集合。

    本发明采用以上技术方案与现有技术相比,具有以下技术效果:

    本发明提出的基于纹理特征聚类的机车轮对踏面损伤检测方法,首先通过踏面图
    像分块纹理聚类的方法来确定损伤可疑区域,然后利用梯度信息在可疑区域内进行损伤轮
    廓点检测,根据检测到的损伤轮廓点进一步确定种子点,在此基础上采用基于最大似然估
    计与3σ原则的区域生长技术对损伤区域进行分割,最后采用基于方向性结构元素的形态学
    区域合并技术得到最终的损伤检测结果,能够在机车轮对在线检测系统中实现对机车踏面
    损伤准确、高效地判定,具有较强的实用性和广阔的应用前景。

    附图说明

    图1是图像采集系统布局示意图;

    图2是本发明某些实施例的基于纹理特征聚类的机车轮对踏面损伤检测方法的流
    程示意图;

    图3(a)、图3(b)分别是第一原始采集图像示意图和第二原始采集图像示意图;

    图4(a)、图4(b)分别是针对第一原始采集图像示意图的第一轮对踏面提取图像示
    意图和针对第二原始采集图像示意图的第二轮对踏面提取图像示意图;

    图5(a)、5(b)、5(c)、5(d)、5(e)、5(f)、5(g)分别是第一轮对踏面提取图像示意图
    的K-means++聚类结果示意图、可疑子区域合并结果示意图、损伤区域轮廓点检测结果示意
    图、种子点确定示意图、区域生长结果示意图、区域合并结果示意图、和损伤检测结果示意
    图;

    图6(a)、6(b)、6(c)、6(d)、6(e)、6(f)、6(g)分别是第二轮对踏面提取图像示意图
    的K-means++聚类结果示意图、可疑子区域合并结果示意图、损伤区域轮廓点检测结果示意
    图、种子点确定示意图、区域生长结果示意图、区域合并结果示意图、和损伤检测结果示意
    图;

    图7是方向性结构元素的示例性示意图;

    图8是损伤区域相对角度计算示例图。

    具体实施方式

    下面结合附图对本发明的技术方案做进一步的详细说明:

    图1所示为本实施例中所采用的图像采集系统布局示意图,是机车轮对踏面损伤
    检测系统的示例性布设方式的举例,其中,图像采集系统用于采集机车轮对踏面的实时图
    像,包括铺设在轨道两侧的图像采集箱头,控制箱,工控机以及磁钢触发器。

    图2所示为基于纹理特征聚类的机车轮对踏面损伤检测方法的流程示意图,总体
    上来说,整个检测方法包括下述过程:

    第一步:踏面分区

    按照横向分块的方式对整个踏面区域进行分块处理,子区域高度大于最小需要检
    测出的损伤区域的高度;

    令整体的踏面图像为W,子区域数为N,N为大于1的自然数,子区域为wi,i=1,2…
    N;

    第二步:纹理特征计算

    对于每个子区域wi,基于灰度共生矩阵计算其纹理特征,得到其纹理特征向量vi,i
    =1,2…N;本发明选取的纹理特征量为:方差、对比度和一致性;

    第三步:聚类分析

    对每个子区域wi的纹理特征向量vi进行归一化处理后,采用K-means++聚类方法对
    纹理特征向量空间内的所有的纹理特征向量进行聚类,将其划分为两类,并选取对比度较
    大的一类作为可疑子区域集合[ws1,ws2,…,wsj],j=1,2…k,k<N;

    第四步:损伤轮廓候选点提取

    对相邻的可疑子区域进行合并,得到若干个不相邻的合并区域集合[M1,M2,…,
    Mu,…,Mm]后,在每个合并区域Mu内分别沿着水平扫描线与垂直扫描线寻找横向与纵向的灰
    度跳跃点,将其作为轮廓点的候选点,得到候选点集合,其中,u=1,2…m,m<k;

    第五步:损伤轮廓点确定

    在候选点集合中沿着扫描线选取两个相邻的候选点,基于全局阈值的方法计算这
    两个候选点的扫描线上所有像素的灰度值的阈值T;根据以下公式计算灰度值阈值P1与P2:

    P1=α×T

    P2=β×T

    其中,α与β均为预设的比例系数,0≤α<β≤1;

    如果两个候选点之间的像素数目Num乘以预设的比例系数ε大于等于两个候选点
    之间灰度值介于P1与P2之间的像素数目Num1,或者两个候选点的梯度方向的乘积大于等于
    0,则将该两个候选点从候选点集合中剔除;其中,0<ε<1;

    第六步:重复第五步,直到候选点集合中候选点的数目不再变化,此时将候选点集
    合作为轮廓点集合;

    第七步:损伤种子点选择

    轮廓点集合中,沿水平扫描线与垂直扫描线对任意两个相邻的轮廓点进行连线,
    将所有呈直角相交的连线的交点作为种子点,获得种子点集合S;

    第八步:损伤区域确定

    令所有合并区域中损伤区域的灰度值X~N(μ,σ2),种子点集合S为从分布X中取得
    的部分样本,采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差σ2;根据种子
    点集合S总体分布X的均值μ与方差σ2采用区域生长技术实现机车踏面损伤区域的检测,得
    到损伤区域集合;

    第九步:同类损伤区域合并

    计算损伤区域的集合中每个损伤区域的特征向量,所述特征向量包含损伤区域轮
    廓的重心坐标、灰度均值和灰度方差;计算损伤区域集合中任意两个损伤区域之间的欧氏
    距离,并在两个损伤区域之间的欧式距离小于预先设定的距离阈值时、基于方向性结构元
    素的形态学方法将该两个损伤区域进行合并。

    下面结合图示与具体实例对本发明作进一步说明。

    图3(a)、3(b)所示的为进线方向右侧某一相机连续拍摄的两张车轮图像,左侧为
    第一张拍摄图,右侧为第二张拍摄图。图4(a)、4(b)为截取出的机车轮对踏面图像,即为待
    检测的图像。

    图5(a)-图5(g)展示了图3(a)踏面图像的损伤检测过程。图5(a)为步骤(1)到步骤
    (3)使用K-means++聚类得到的可疑子区域的结果。其中,白色矩形框覆盖的区域为聚类得
    到的可疑子区域。图5(b)为将图5(a)得到的可疑子区域进行合并结果,白色矩形框内为最
    终合并的可疑区域。图5(c)为进行损伤轮廓点检测的结果。图5(d)为得到种子点的结果。图
    5(e)为进行区域生长的结果。图5(f)为得到的基于方向性结构元素的区域合并的结果。图5
    (g)为本文提出的算法对轮对踏面损伤的最终检测结果。其中图中粉色轮廓内的区域即认
    为是损伤区域。

    同理,图6(a)-图6(g)展示了图3(a)踏面图像的损伤检测过程。各图所示具体结果
    与图5(a)-图5(g)一致。

    下面对本发明一些步骤进行更详细的解释与描述。

    第二步中,本发明采用的是基于灰度共生矩阵的纹理特征量计算的方法,选取的
    特征量为:方差、对比度和一致性。

    灰度共生矩阵是描述在θ方向上,相隔d像元距离的一对像元分别具有灰度层gr和
    gl的出现概率p(gr,gl,d,θ),见公式(1)所示。

    p(gr,gl,d,θ)={[(x,y),(x+Dx,y+Dy)|f(x,y)=gr;f(x+Dx,y+Dy)=gl]} (1)

    上式中:x,y=0,1,2,...,N-1是图像的像元坐标;f(x,y)是像素(x,y)的灰度;gr,
    gl=0,1,2,...,L-1是灰度级;Dx,Dy是位置偏移量;d是GLCM统计距离,即生成步长;θ是
    GLCM生成方向,θ取值为0o、45o、90o、135o四个值。根据不同的d和θ值,计算出的GLCM不同,
    一些纹理特性的描述和分割使用GLCM对各种各样的纹理进行分类。

    实际使用过程中需要对p(gr,gl,d,θ)归一化,即:


    通过公式(1)可得,GLCM体现了图像灰度值。

    关于变化幅度、方向角度、相邻间隔的综合信息,它是分析目标图像的局部模式结
    构及其排列规则的基础。GLCM作为纹理特征计算的特征量,不是直接应用GLCM,而是在GLCM
    基础上再次提取纹理的特征量,定义为二次统计量。

    常用的统计量包括:方差、熵、和平均、角二阶矩、对比度、相关性、逆差矩和最大相
    关系数等。经过实验发现,灰度共生矩阵求取特征量计算量很大,受系统时间限制,以及经
    过大量实验分析和损伤特征分析,本发明决定采用方差、对比度、一致性三个特征来提取图
    像纹理特征信息。它们各自定义如下:

    方差的定义如下:


    其中,z是表示灰度值的一个随机变量,并令p(zg)为相应的直方图,g=0,1,2...,
    L-1,其中L是不同灰度级的数量,m为z的均值;zg表示图像灰度为g的灰度值;

    对比度的定义如下:


    一致性的定义如下:


    其中,K是灰度共生矩阵的行数,r、l均为大于等于1小于等于K的自然数,prl为满足
    位置算子Q的一个值为(zr,zl)的点对的概率估计,这些概率的值域为[0,1],且它们的和为
    1:


    所述位置算子Q的生成方向θ=0°、生成间距d=1;

    第三步中,需要对每个子区域的纹理特征向量进行归一化处理。本发明用公式(7)
    来对向量进行归一化处理。

    首先,将所有的纹理特征向量vi组成矩阵Y∈RN×3,即:之后,对矩阵Y进行
    归一化:


    其中Ym,n表示矩阵Y内第m行n列的元素。Y(n)表示矩阵Y的第n列。max(Y(n))与min
    (Y(n))分别表示矩阵Y第n列组成的向量的最大值与最小值。

    对每一维度的纹理特征向量进行归一化处理,目的是为了使用聚类算法时,可以
    让每个纹理特征分量可以得到相同的“重视度”。

    本发明采用K-means++聚类方式。K-means++聚类算法是K-means算法的一种改进,
    K-means是在基本原理是在最小化误差函数的基础上,将输入的数据分成预定的Kn类,原理
    简单,便于大批量数据处理。K-means聚类算法的运行过程是:首先指定聚类的簇数Kn,Kn个
    初始聚类中心初值、收敛条件和迭代次数;然后根据给定的相似性度量准则将每一个输入
    数据分配到相似或者最近的聚类中,形成类,再用每一类中的平均矢量作为这一类的聚类
    中心,重新开始,通过不断迭代直到类收敛或者达到最大迭代次数时结束,得到聚类结果。

    设样本空间为X={x1,x2,...,xd,...,xn},最初的聚类中心为:C1,C2,...,Ct,...,
    CKn,预定聚类的簇数为Kn,令ddt(xd,Ct)表示样本xd与最初聚类中心点Ct之间的距离,用J表
    示样本空间内所有数据点到所属聚类中心距离之和,即:


    通过计算J的值可以直接反映出聚类效果好坏,如果J越小,则聚类效果越好,聚类
    越紧凑,因此只要求出J的最小值即可达到最优聚类。实际应用中,常用欧氏距离作为样本
    数据与聚类中心的距离J,即:


    上式中表示属于t组的数据样本;

    然后求取公式(9)最小值,得到聚类中心Ct,即:


    其中nt表示t组的样本个数,最后结果为:


    K-means++在K-means的基础上对初始聚类中心的选择做了改进,在K-means中,使
    用的是随机初始聚类中心的方法,而在K-means++中,引入了先验信息,认为不同的类别的
    应该是“距离”较大的那些样本。一般“距离”的衡量使用欧氏距离。因此,在中,K-means++选
    取初始聚类中心的时候,会倾向于选择较为分散的样本作为聚类中心。

    本发明采用的是K-means++算法,同时选取Kn=2。

    第五步中,采用基于全局阈值的方法计算相邻两个跳跃点之间的阈值T。该阈值计
    算步骤如下:

    步骤5.1),根据以下公式计算沿着扫描线方向两个候选点之间所有像素点的灰度
    值的均值T′:


    其中,L1、L2、…、Lb、…、LB分别为两个候选点之间的像素点的灰度值,b=1,2,…B,
    B为两个候选点之间的像素点的个数;

    步骤5.2),采用均值T′对沿着扫描线方向对相邻两个候选点之间的像素点集合进
    行二值化,将灰度值大于均值T′的像素放入集合Sbigger中,小于等于均值T′的像素放入集合
    Sless中;

    步骤5.3),分别计算Sbigger与Sless内各个像素灰度值的均值Tbigger、Tless;

    步骤5.4),将Tbigger、Tless的平均值和均值T′作差得到ΔT′;

    步骤5.5),将Tbigger、Tless的平均值赋给均值T′,清空集合Sbigger与Sless;

    步骤5.6),重复步骤5.2)至步骤5.5),直到ΔT′的绝对值小于预设的差值阈值;

    步骤5.7),将均值T′作为两个相邻候选点的扫描线上所有像素的灰度值的阈值T
    输出。

    本发明中,选取预设的差值阈值为0.5。

    第八步中,令所有合并区域中损伤区域的灰度值X~N(μ,σ2),种子点集合S为从分
    布X中取得的部分样本,采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差
    σ2;其过程如下:


    式(12)为分布X的概率密度,种子点集合S的似然函数表达为下式:


    对式(13)取自然对数,得到下式:


    令:


    解得:


    本发明中,针对种子点集合S中每一个的种子点,判断其8邻域内的各个像素点的
    灰度值是否在[μ-3×σ,μ+3×σ]内,如果存在灰度值在[μ-3×σ,μ+3×σ]内的像素点,则将
    该像素点加入到种子点集合S中;一轮生长过后,继续采用最大似然估计法估计种子点集合
    S总体分布X的均值μ与方差σ2;继续按照上述的3×σ准则进行生长,直到种子点集合S中种
    子点的数目不再变化;根据种子点集合S得到损伤区域集合。

    第九步中,采用基于方向性结构元素的形态学方法实现对损伤区域快速、准确的
    合并。其步骤如下:

    计算损伤区域的集合中每个损伤区域的特征向量,所述特征向量包含损伤区域轮
    廓的重心坐标、灰度均值和灰度方差;计算损伤区域集合中任意两个损伤区域之间的欧氏
    距离,并在两个损伤区域之间的欧式距离小于预先设定的距离阈值时、基于方向性结构元
    素的形态学方法将该两个损伤区域进行合并。

    其中,图7所示为本发明第九步中所使用的方向性结构元素的一个示例。图7中的
    每个结构元素涵盖了22.5度范围,8个结构元素可以无缝的涵盖两块损伤区域的相对位置。
    根据两个损伤区域之间的欧氏距离判断该对区域是否需要合并。若满足合并的条件,则上
    述的步骤进行区域合并。图8为两个损伤区域相对角度计算示例图。其中,Area1与Area2分
    别表示两个损伤区域,α为两个损伤区域的相对角度。

    下表为方向性结构元素查找表,根据α的值选取恰当的方向性结构元素。

    α
    Area 1
    Area 2
    0°~22.5°
    4
    0
    22.5°~67.5°
    3
    7
    67.5°~112.5°
    2
    6
    112.5°~157.5°
    1
    5
    157.5°~180°
    0
    4

    本发明中选取的形态学运算为膨胀运算。

    本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技
    术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义?;?br />应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中
    的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。

    以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步
    详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发
    明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明
    的?;し段е?。

    关于本文
    本文标题:基于纹理特征聚类的机车轮对踏面损伤检测的方法.pdf
    链接地址://www.4mum.com.cn/p-6079534.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 后三组六9码稳赚方案 福彩3d万能六码怎么用 pk10计划群 多赢腾讯分分计划软件 重庆时时露珠网址 香港精选资料六肖中特 11选5稳赚投注方法 北京塞车计划全天计划 pk10赛车9码计划倍投 七乐彩开奖结果今天晚上 3d精准6码 双色球官方下载 包胆100稳赚 11选5任二稳赚技巧 北京pk10冠军单双计划 一分快三大小单双回血技巧