基于OpenCV的钢轨裂纹检测_唐曼玲
- 格式:pdf
- 大小:1.41 MB
- 文档页数:1
高速铁路钢轨的电磁检测与故障诊断技术随着高速铁路的快速发展,保障铁路运行安全和高效性成为当务之急。
而钢轨作为高速铁路的重要组成部件,其健康状态直接关系到行车安全与线路的稳定性。
因此,开发并应用电磁检测与故障诊断技术对钢轨进行实时监测和故障诊断,对于保障高速铁路运行的稳定性和安全具有重要意义。
一、电磁检测技术在高速铁路钢轨中的应用1. 电磁检测技术的基本原理电磁检测技术是基于感应电磁法进行的,通过测量钢轨上感应出的电磁信号来判断钢轨的健康状况。
该技术主要包括磁损耗检测、电阻率测量、皮肤效应检测等方法。
2. 磁损耗检测技术磁损耗检测技术是通过在钢轨表面放置磁场感应装置,并记录磁感应强度的变化来判断钢轨的疲劳程度。
根据磁感应强度的变化曲线,可以识别出钢轨的不同疲劳区域,进而进行钢轨的维修和更换工作。
3. 电阻率测量技术电阻率测量技术是通过测量钢轨的电阻率来判断钢轨的健康状况。
当钢轨存在裂纹、疲劳和压应力等问题时,钢轨的电阻率会发生变化。
通过测量不同区域的电阻率,可以精确地了解钢轨的健康状态并采取相应的维修措施。
4. 皮肤效应检测技术皮肤效应检测技术是通过测量钢轨表面感应出的电流和电压来判断钢轨的健康状况。
当钢轨存在裂纹和缺陷时,电流和电压的变化会反映出钢轨的异常情况。
通过分析检测结果,可以及时进行钢轨的维修和更换,确保高速铁路的正常运行。
二、故障诊断技术在高速铁路钢轨中的应用1. 故障诊断技术的基本原理故障诊断技术是采用传感器等设备对钢轨进行实时监测,通过分析采集的数据来判断钢轨是否存在故障并进行精确诊断。
该技术主要包括振动分析、声发射检测、红外热像技术等方法。
2. 振动分析技术振动分析技术是通过采集钢轨振动信号,并对其进行分析来判断钢轨的健康状况。
当钢轨存在裂纹、疲劳和松动等问题时,振动信号会呈现不同的频谱特征。
通过分析频谱特征,可以准确诊断钢轨的故障,并及时采取相应的维修措施。
3. 声发射检测技术声发射检测技术是通过在钢轨上布置传感器来捕获发生在钢轨内部的声发射信号,并将其转化为电信号,再通过计算机进行分析诊断。
第18卷第3期铁道科学与工程学报Volume18Number3 2021年3月Journal of Railway Science and Engineering March2021 DOI:10.19713/ki.43−1423/u.T20200388基于图像增强与深度学习的钢轨表面缺陷检测罗晖,徐广隆(华东交通大学信息工程学院,江西南昌330013)摘要:相比传统的物理检测算法,基于机器视觉的检测算法具有检测速度快、操作便捷等诸多优点,但因受光照不均、相机失焦抖动、雨雪天气等外界因素的影响,导致检测精度降低。
针对这一问题,提出一种基于图像增强与深度学习的钢轨表面缺陷视觉检测算法。
首先,对图像进行Gabor滤波去噪,以减少噪声对缺陷检测的影响;然后,利用HSV空间变换方法增强缺陷图像的关键特征信息;最后,通过改进Faster R-CNN卷积神经网络,实现了多尺度钢轨表面缺陷的检测与识别。
通过对所提出的检测算法进行对比实验,实验结果表明:裂纹、剥落、磨损三类缺陷的识别精度分别为91.87%,92.75%和91.52%,检测速度为每张图像0.265s,优于已有的钢轨表面缺陷检测算法,能够很好地应用于实际项目中。
关键词:钢轨表面缺陷检测;机器视觉;目标检测;图像增强;卷积神经网络中图分类号:U216.3文献标志码:A文章编号:1672−7029(2021)03−0623−07Rail surface defect detection based on image enhancement and deep learningLUO Hui,XU Guanglong(School of Information Engineering,East China Jiaotong University,Nanchang330013,China)Abstract:Compared with traditional physical detection methods,computer-vision-based detection methods has many advantages such as its fast detection speed and convenient characteristics.However,due to the influence of external factors such as uneven illumination,out-of-focus of camera jitter,rain and snow weather,the detection accuracy was reduced.To solve this problem,this paper presents a visual detection algorithm for rail surface defects based on image enhancement and deep learning.Firstly,Gabor filtering was carried out to reduce the impact of noise on the defect detection effect.Then,the key feature information in the image was enhanced by HSV space transformation.Finally,Faster R-CNN convolutional neural network was improved to realize the detection and recognition of multiscale rail surface defects.The proposed algorithm was compared in detail.The experimental results indicate that the proposed algorithm can achieve high accuracy of crack,spalling and abrasion with91.87%,92.75%and91.52%,high detect speed with0.265s per image,substantially outperforming the state-of-the-art rail surface defect detection algorithms.The proposed method can be used for actual fault detection of freight train images.Key words:rail surface defect detection;computer vision;object detection;image enhancement;convolutional neural network收稿日期:2020−05−10基金项目:国家自然科学基金资助项目(61261040)通信作者:罗晖(1969−),男,江西南昌人,教授,从事物联网、图像信号处理相关研究;E−mail:*********************铁道科学与工程学报2021年3月624随着铁路运输事业的不断发展,铁路运量不断增加,这对铁路安全运行提出了更高的要求。
基于图像处理的轨道表面病害检测研究
胡璐萍;王琪璇;吴哲;王小龙
【期刊名称】《现代信息科技》
【年(卷),期】2024(8)7
【摘要】以钢轨为研究对象,结合图像处理技术,对钢轨表面质量进行检测。
首先,对钢轨图像进行预处理,通过线性灰度变换对图像进行增强,并采用自适应滤波进行图像去噪;其次,采用Ostu阈值分割算法对预处理后的钢轨图像进行缺陷分割;最后,以离心率、矩形度和致密度作为分类依据,通过决策树分类法对钢轨表面缺陷进行分类。
实验结果表明:基于图像处理的钢轨表面质量检测方法能够有效对钢轨缺陷进行检测,分割准确率为96.7%,分类准确率为90%,为钢轨表面质量检测提供了一种有效的检测方法。
【总页数】6页(P118-122)
【作者】胡璐萍;王琪璇;吴哲;王小龙
【作者单位】西安交通工程学院机械与电气工程学院
【正文语种】中文
【中图分类】TP391.4;U216.3
【相关文献】
1.基于图像处理的铁路轨道板裂缝检测研究
2.基于图像处理的城市轨道交通异物检测系统研究
3.基于图像处理的木板表面缺陷检测与识别研究
4.基于图像处理的脐橙表面缺陷检测研究
5.基于图像处理的微通道流道板表面缺陷检测方法研究
因版权原因,仅展示原文概要,查看原文内容请购买。
基于屋脊特征分析的裂缝检测算法
薛丹;苑玮琦
【期刊名称】《仪表技术与传感器》
【年(卷),期】2022()1
【摘要】针对隧道内采集的衬砌图像普遍存在光照不均和混凝土坑洼不平的噪声的现象,导致在检测不同宽窄裂缝时准确率不高的问题,本文提出一种基于屋脊特征分析的裂缝检测算法,把在图像二维空间中的曲线检测问题转换到一维空间中的极值点检测问题。
首先,通过检测极值点提取所有屋脊状特征;然后分析裂缝和噪声的区别,根据屋脊高度直方图检测裂缝;最后用数学形态学连接邻近断续线条完成裂缝的提取。
该算法在辽宁省唐岭山隧道现场采集的实际衬砌图库中进行了实验验证,并与马尔科夫图像分割和小波变换边缘检测方法对比,裂缝检出率和噪声去除率都取得了更好的效果。
【总页数】5页(P109-113)
【关键词】隧道衬砌;裂缝检测;屋脊;光照不均;极值
【作者】薛丹;苑玮琦
【作者单位】沈阳工业大学视觉检测技术研究所
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于特征分析的地铁隧道裂缝识别算法
2.基于特征分析的图像式地铁隧道裂缝检测方法研究
3.基于特征分析的图像式地铁隧道裂缝检测方法研究
4.基于遗传算法的阈值分割桥梁裂缝检测算法研究
5.基于在线加权慢特征分析的故障检测算法
因版权原因,仅展示原文概要,查看原文内容请购买。
摘要在当今社会,安全问题越来越受到人们的关注,而视频监控是保障人民群众生命财产安全的重要技术手段,同时也是目前计算机视觉与模式识别领域的研究热点之一。
视频监控历经了普通监控、网络监控到现在的智能监控三个发展阶段。
近几年来,智能监控在交通、银行、博物馆等安全性要求比较高的场所发挥了举足轻重的作用。
但由于其应用范围的广泛性、应用场景的多样性,就其技术而言仍未达到人们所期望的要求。
其算法实时性、稳定性情况还不甚理想,受雨雪等恶劣天气的影响也比较大,还需要进一步研究出更好的算法,因此它是一个十分有意义的课题。
本文设计了基于opencv的运动目标检测与跟踪系统。
进行了大量的实验,并在实验中通过多次改进系统的结构和相关的算法,达到了提高系统实时性的目的。
该系统能够打开视频文件,并对视频文件中的运动物体进行实时有效检测与跟踪。
本文的主要工作包括:在运动目标检测阶段,本文介绍了目前常用的背景差法、帧间差分法、光流法,并通过实验对其进行了多次改进,最终采用了自适应背景更新算法、以及最经典的混合高斯背景建模算法进行运动检测。
在运动目标跟踪阶段,本文利用了颜色范围和面积大小这两个简单的特性来识别目标,在满足了识别要求的前提下,大大提高了识别的速度,再一次提升了系统的实时性;在目标跟踪阶段采用Meanshift的改进算法Camshift,并根据实验结果对算法中的优缺点进行分析。
关键词:运动目标检测,运动目标跟踪,OpenCV,高斯背景建模算法,Camshift算法。
AbstractToday,security problems are becoming increasingly subject to people’s attention.Video surveillance is the most important technical means to protect people’s lives and property.It is also the most popular problems in the computer vision and pattern recognition research fields. Video Surveillance has developed three stages as the common surveillance,the network surveillance and the intelligent surveillance.In recent years,the intelligent video surveillance has played great importance in the field of Traffic,Bank,Museum and so on which have a high safety requirements.But because of the extensive and diversity of its application,as for the technology,it has not reached the expected requirements of the people.On the other hand,the stability and real-time performance of the algorithms are not so satisfied;the result is still affected by the bad weather as rain and snow.So,better algorithm is needed.Therefore,it is one of the most valuable topics.This article is designed based on the opencv moving target detection and tracking system. Done a lot of experiments and experiments through several improvements in the structure and related algorithms,to improve the system of real-time purposes.The system is able to open video files,and video files in real-time moving object detection and tracking effectively.The main work includes:the moving target detection phase,the paper describes the current common background subtraction,inter-frame difference method,optical flow,and through experiments carried out many improvements,finally adopted adaptive background updating algorithm,and the most classic Gaussian mixture background modeling algorithm for motion detection.In moving target tracking phase,the scope of this paper,the color and size of the size of these two simple features to identify the target,to meet the identification requirements under the premise,greatly improve the recognition rate,once again enhance the system in real time;in Meanshift tracking stage using the improved algorithm Camshift,and the experimental results of the algorithm to analyze the advantages and disadvantages.Key words:Moving target detection,target tracking,OpenCV,Gaussian background modelingalgorithm,Camshift algorithm.目录1绪论......................................................................11.1课题研究的背景和意义...................................................11.2国内外研究现状.........................................................11.3技术发展难点与趋势.....................................................21.4论文结构安排...........................................................32编程工具介绍..............................................................42.1opencv2.4.3简介.......................................................42.2opencv视频处理........................................................42.2.1OpenCV中处理图像Mat类............................................52.2.2OpenCV中读取视频VideoCapture类...................................62.3opencv编程环境配置....................................................62.3.1配置Windows环境变量..............................................62.3.2在VisualStudio2010中建立MFC对话框..............................72.3.3配置OpenCV函数库..................................................73运动目标检测..............................................................93.1概述...................................................................93.1.1帧间差分法.........................................................93.1.2背景差法..........................................................93.1.3光流法...........................................................103.2自适应背景更新算法....................................................113.2.1原理..............................................................113.2.2流程.............................................................113.2.3核心代码.........................................................123.2.4实验结果及分析...................................................133.3混合高斯背景建模算法.................................................153.3.1原理..............................................................153.3.2流程..............................................................163.3.3核心代码.........................................................173.3.4实验结果及分析...................................................174运动目标跟踪.............................................................214.1概述..................................................................214.2均值漂移MeanShift算法...............................................224.2.1原理..............................................................224.2.2流程图............................................................234.3Camshift算法.........................................................234.3.1原理..............................................................234.3.2流程图............................................................254.3.3核心代码.........................................................254.4实验结果及分析........................................................275软件的设计与仿真.........................................................296全文总结与展望...........................................................32参考文献...................................................................33翻译部分...................................................................35英文文献.................................................................35中文译文.................................................................45致谢.....................................................错误!未定义书签。
钢轨探伤原理
钢轨探伤是一种用于检测钢轨缺陷的技术方法。
它的原理是利用感应电磁法或超声波法,通过测量钢轨表面或内部的电磁或超声信号的变化来判断钢轨是否存在缺陷。
感应电磁法是一种非接触式的探测方法,它利用电磁感应现象来检测钢轨中的缺陷。
当钢轨中存在缺陷时,缺陷处的磁导率或电导率会发生变化,从而影响到感应电磁场的分布和强度。
通过测量感应电磁场的变化,可以确定出钢轨中的缺陷位置和尺寸。
超声波法是一种利用超声波在物质中传播的特性来检测缺陷的方法。
这种方法是通过在钢轨表面或内部产生超声波,并接收和分析超声波信号来确定钢轨中的缺陷。
当超声波在钢轨中遇到缺陷时,会发生反射、折射或散射,从而产生回波。
通过分析回波的幅度、时差和波形等特性,可以确定出钢轨中的缺陷位置、形状和尺寸。
钢轨探伤技术在铁路运输中起着重要的作用,可以及时发现并修复钢轨上的缺陷,确保列车行驶的安全。
同时,钢轨探伤还可以提供有关钢轨疲劳、裂纹、腐蚀等方面的信息,为钢轨的维护和管理提供参考。
正交异性钢桥面板疲劳裂纹图像巡检测量系统研究目录1. 内容概述 (2)1.1 研究背景 (3)1.2 技术现状 (4)1.3 研究意义 (5)1.4 工作内容与研究目标 (6)1.5 文献综述 (7)2. 系统设计与实现 (9)2.1 系统的总体设计 (10)2.2 图像采集系统设计 (11)2.3 图像处理算法 (12)2.4 疲劳裂纹特征提取 (14)2.5 疲劳裂纹检测与识别 (15)2.6 数据处理与分析 (16)2.7 系统实现与调试 (17)3. 疲劳裂纹图像特征分析 (18)3.1 疲劳裂纹的基本特征 (20)3.2 疲劳裂纹图像的纹理特征 (21)3.3 疲劳裂纹图像的空间分布特征 (22)4. 系统评价与测试 (23)4.1 测试样本与环境设定 (24)4.2 性能评价指标 (25)4.3 系统测试分析 (26)4.4 测试结果讨论 (27)5. 实验研究与应用实例 (28)5.1 实验设计与数据分析 (30)5.2 应用实例分析 (31)5.3 技术实现与优化 (32)6. 结论与展望 (33)6.1 研究成果总结 (35)6.2 存在的不足与改进建议 (36)6.3 未来的研究方向 (37)1. 内容概述本研究旨在开发一套基于图像巡检的疲劳裂纹检测系统,专门针对正交异性钢桥面板中的裂纹进行识别和评估。
桥梁作为基础交通设施的重要组成部分,其安全运行直接关系到社会的正常运作和经济的发展。
正交异性钢桥面板因其大跨度、高负载的特性,在长期使用过程中会面临各种形式的破坏,尤其是由于疲劳裂纹导致的结构损伤,对桥梁的承载能力和安全性构成了严重威胁。
本研究首先将介绍正交异性钢桥面板的材料特性、疲劳裂纹的形成机理以及裂纹发展的主要影响因素。
将重点讨论现有裂纹检测技术面临的挑战,包括检测盲区、复杂工作环境以及操作人员的技能依赖性等问题。
为解决这些难题,本研究将提出并实现一种基于图像技术的疲劳裂纹巡检测量方法。
Image & Multimedia Technology
•
图像与多媒体技术
Electronic Technology & Software Engineering
电子技术与软件工程
• 97
【关键词】OpenCV 裂纹检测 数学形态学操作
现代铁路运输给人们的工作、生活与学
习带来极大便利,就需要生产出高质量和高性
能的钢轨。但是钢轨在轧制、酸洗过程中,因
为轧制设备和生产工艺等诸多因素的影响,导
致其表面出现裂边、夹杂、划伤、压印等不同
类型的缺陷。表面缺陷是影响铁轨质量的主要
因素。传统的钢轨裂纹检测都是由人工目测抽
检或频闪光检测实现的,但效率低下、成本偏
高。如果将机器视觉识别这方面的技术应用到
钢轨裂纹检测,那将带动钢铁企业的产品质量
提高与利益增长。
1 裂纹检测流程
本文提出了一种基于机器视觉识别工具
OpenCV图像处理技术的钢轨裂纹检测方法,
通过不同的图像处理算法:预处理图像(光线
补偿与灰度化),滤除图像的噪声,提取缺陷
的边缘,提取缺陷区域的特征量,实现检测钢
轨裂纹的目标。具体的处理流程为:图像预处
理与去噪,图像分割与特征提取。
2 图像预处理与去噪
在摄像头的捕捉过程中,可能会存在光
线不平衡,这影响了对特征的提取。考虑到背
景模型对光线变化比较敏感。在有金属设备的
室内场景中,需要对摄像头捕捉的图像序列进
行光线补偿。彩色图像由于信息容量比灰度图
像大,因此处理难度大、速度慢,而且在识别
一般图像的过程中,灰度图像所含的信息量已
经足够,因此先将彩色图像转换为灰度图像。
中值滤波是一种非线性滤波。中值滤波在
一定条件下可以克服线性滤波器如最小均方滤
波、均值滤波等带来的图像细节的模糊,而且
对滤除椒盐噪声最为有效。其滤波原理为对模
板 S(像素个数为 M)下图像 F ( x,y)的 M 个
像素进行排序,用其中间值代替模板中心下图
像像素值 g ( x,y)的操作。M 一般取奇数,以
便有中间像素,若 M 为偶数,则中值取中间
两像素灰度值的平均值。
基于OpenCV的钢轨裂纹检测
文/唐曼玲 龙珍 李炳川
本文提出了一种基于OpenCV
图像处理技术的钢轨裂纹检测方
法,首先对采集的图像进行预处
理,通过中值滤波滤除图像中的
噪声,然后利用数学形态学构造
边缘检测算子检测出缺陷的边缘,
并分割出最大缺陷区域,提取裂
纹的位置。
摘
要
g (x,y)= Med{F(x-i,y-j),(i,j∈M)} 公式
(2.1)
式中,F (x-i,y-j)代表模板下图像的灰度
值。图像预处理与去噪处理后的图像如图1。
3 图像分割
对钢轨裂纹的检测最重要的步骤就是提
取边缘,分割图像。只有这样才能更方便地进
行后期的缺陷定位与识别。本文是利用数学形
态学构造边缘检测算子检测出缺陷的边缘。数
学形态学有四种基本运算,其中的膨胀可使目
标增大,孔洞缩小,腐蚀可以收缩图像的边界,
内孔增大,消除外部孤立的噪声。
设有两幅图象B,X。若X是被处理的对
象,而B是用来处理X的,则称B为结构元素。
把结构元素B平移a后得到Ba,若Ba包含于X,
记下a点,所有满足上述条件的a点组成的集
合称做X被B腐蚀的结果,表示为E(X) = {a |
B
a
X}= XB。而膨胀可看做是腐蚀的对偶
运算,其定义是:把结构元素B平移a后得到
B
a,若Ba
击中X,记下a点。所有满足上述
条件的a点组成的集合称做X被B膨胀的结果,
表示为:D(X) = {a | Ba↑X} = XB。利用数
学形态学构造的边缘检测分割效果图如图2。
4 总结
钢轨缺陷类型较多且复杂,由于只检测
了少量缺陷种类,所以应用到实时监测中还有
很大一段距离。本文针对钢轨表面缺陷特点使
用中值滤波去噪、膨胀、腐蚀等一系列处理,
获得了缺陷大致轮廓和位置等信息。
参考文献
[1]徐超.基于OpenCV图像处理技术在冰清
检测中的应用[A].信息技术,2014(03).
[2]曹宇.基于 CCD 图像的表面裂纹检测[B].
仪器仪表/检测/监控,2014(12).
[2]厉荣宣.基于图像处理的轴类零件表面裂
纹检测[A].图学学报,2015(02).
作者简介
唐曼玲(1993-),女,四川省成都市人。现
为西南科技大学信息工程学院通信工程专业
2012级本科生。
龙珍(1993-),女,四川省内江市人。现为
西南科技大学信息工程学院电子信息工程专业
2012级本科生。
作者单位
西南科技大学 四川省绵阳市 621000
图1:图像预处理与去噪处前后的图像
图2:图像分割效果图
网络出版时间:2015-06-16 09:44
网络出版地址:http://www.cnki.net/kcms/detail/10.1108.TP.20150616.0944.074.html