基于图像处理的列车轮对参数检测方法的研究及系统设计精.docx

1、基于图像处理的列车轮对参数检测方法的研究及系统设计精中国农业大学硕士学位论文基于图像处理的列车轮对参数检测方法的研究及系统设计姓名：张红波申请学位级别：硕士专业：计算机应用技术指导教师：叶海建20040501中国农业大学研究生毕业论文摘要摘要列车轮对作为重要的可互换行走部件，对列车安全亍驶起着关键性的作用。目前，我国列车轮对的参数检测仍停留在手工测量阶段，技术落后、工作效率低。而日本、美国等国在轮对自动检测方面进行了大量的研究，并研制出各种类型的检测装置，产生了巨大的经济效益。随着我国业控制技术领域的巨大进步和市场的开放，给计算机控制技术、信息技术在铁路系统的应用带来了前所未有的机遇。本文介绍

2、了一种应用（的缩写，称为电荷耦合器件）图像测量技术实现列车轮对外形尺寸非接触检测的方法，并在此基础上完成了“列车轮对参数检测装置”软件系统的研制。本文阐明了型像的分通道自动采集过程，以及对采集到的原始图像进彳：预处理过程，逃剑图像去噪声的目标，本课题采用了阈值分割中迭代阀值和闽值插值相结合的方法算、算子边缘检测算法，基于数学形态学的膨胀运算子进行边缘断点连接以及目标提取中的投影法和边缘跟踪方法，使得提取轮对图像边缘达到测量精度的要求。对系统进行标定时，采抖了非线性模型提高了幽像的测量精度。同时对测量结果的精度进行了试验验证和分析，满足测量的要求。本课题软。存系统上开发，实现了基于图像处理技术的

3、轮对参数检测，完成了预期的标，各项功能都满足了系统要求，软件的稳定性也得到了测试。关键词：轮对，北接触检测，图像处理，图像分析。，：，：，独创性声明本人声明所呈交的论文是我个人在导师的指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已发表或撰写过的研究成果，也不包含为获得中国农业大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本课题所做的任何贡献均在论文中作了明确的说明，并表示了感谢。研究生签名：弓红良时间：加绎月日关于论文使用授权的说明本人完全了解中国农业大学有关保留、使用学位论文的规定，即：学校有权保留送交论文的复印件

4、和磁盘，允许论文被查阅和借阅，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。同意中国农业大学可阻用不同方式在不同媒体上发表、传播学位论文的全部或部分内容。研究生签名：旁长宝工蓖时间：铷移降妇日导师签名口滔建时间：卯够月同中国农业大学研究生毕业论文绪论第一章绪论研究轮对几何参数自动测量系统的意义作为列车行走部件的车轮，在行驶中要受到撞击、循环应力、摩擦、高低温等作用的影响，冈此磨损、裂纹、剥离等损坏现象十分常见。长期来，我国铁路处于低装备率、高使用率、高强度运输状态。就拿年来说，我国铁路货物周转量为吨公里，仅次于俄罗斯和美国一级铁路，居世界第三位，旅客周转量亿人公里，远高于俄罗斯、日本和

5、其它国家，居世界第仿。从机车单位功率生产率来看，我国机车的单位功率负荷率居世界之首。随着运量密度的提高，轮轨磨耗更加严重年代末全国列车车轮每年光磨损报废的就达万对。还有车轮轮辋发，裂纹等其它故障，比如上海车辆段经过对年该段发生故障的统计，该段在这年批检轮辋裂纹起，发生货车车轮踏面裂纹缺损件。这些有缺陷的车轮若不被及时检禽出来并进行处理，将给列车行驶安全带来严重威胁。由此可见，在机车运用和检修中，机车走行部件尤其是机车轮对的检修和检查是十分重要的，也是铁路部门一直密切关注和不断研究改进的课题。红机乍轮对检测中，衡量轮对是否合格的指标有轮缘磨耗、踏面磨耗、踏面擦伤等。通过检洲，司以及时了解轮对的磨

6、损情况，以便采取适当措施保证车辆运行的安全和平稳。闷前，我国列车轮对的检测还停留在手阶段，测量精度不高，操作条件差、劳动量大、劳动效率低，测量数据存储和二次处理很不方便。在测量中，人为因素造成的随机误差很难掌握。因此，为了提高效率以适应高速列车及车组转向架自动检测的要求，研究一种高精度、高可靠眭的动检测机车轮对各种参数的系统是十分必要的，具有很大的实用价值。国内外关于轮对参数测量技术的现状车轮外形几何参数的测量方法主要有两种：一种是列车在检修时进行的测量，称之为静态检测法；另一种是列车在运行时进行的测量，称之为动态检测法。静态检测技术、芬兰车轮外形测量仪该测量仪是在年代初研制成功的。可以测绘轮

7、对的外形并将测得的数据与存储的参数数据比较，进而计算出车轮外形参数并对近限或超限轮对发出指令。这个仪器能在秒的时间内测量出个点。每点的间隔仅有。测量装置用永磁铁安装在车轮上，包括齿轮和齿条的测量架可在车轮踏面上移动，传感器和直线型滑杆负责采集数据并传给控制装置。计算机程序把车轮外形放大倍、倍或倍，并以图像或数字形式显示出来，另外还可以直接从控制装置或从计算机绘出车轮形状或打印测量结果。第25卷第2期2008年2月公路交通科技Journal of Highway and T ransportation Research and DevelopmentV ol 125N o 12Feb 12008

8、文章编号:10020268(2008 02006405收稿日期:20061017基金项目:交通部西部交通建设科技资助项目(200431800054作者简介:孙波成(1964- , 男, 湖北孝感人, 工学博士, 研究方向为图像处理1(sunboch 1631com 路面裂缝图像处理算法研究孙波成1, 邱延峻2(11西南交通大学峨眉校区, 四川峨眉山614202; 21西南交通大学土木学院, 四川成都610031摘要:为了避免传统人工视觉裂缝检测方法的耗力、耗时、不精确、影响交通、危险、, 提出了一种新的基于图像处理技术的路面裂缝类病害自动识别算法。:, 在这个窗口中确定9种不同的掩膜模板, ,

9、 采用最大类间、类内距离准则对图像进行阈值分割, 研究, 和R obis on 等常用的平滑模板相比, 。在对平滑后的图像进行分割当中, 和H ough 变换、, 结果表明了该算法在精度、速度和可靠性方面具有一定的优势。关键词:道路工程; ; ; 路面裂缝; 阈值分割中图分类号:TP391141; U4161217文献标识码:APavement Crack Disea se s Recognition Ba sed on Image Proce ssing AlgorithmS UN Bo cheng 1, QI U Y an jun2(11Emei Branch of S outhwest

10、Jiaotong University , Emeishan S ichuan 614202, China ; 21School of Civil Engineering , S outhwest Jiaotong University , Chengdu S ichuan 610031, China Abstract :C onventional visual and manual road crack detection method is labor consuming , non precise , dangerous ,costly and als o it can affect t

11、ransportation 1T o av oid these shortcomings , an automatic road crack detection alg orithm based on image process was presented 1It includes tw o steps :firstly , using nine different tem plates in a 55window to sm ooth and enhance noise pavement image ; secondly , based on threshold segmentation m

12、ethod , adopting criterion of maximum class distance to segment processed image and extract crack character 1In the end , the foreg oing sm ooth and segmentation alg orithm on 200pavement crack images were tested 1C om paring with other accustomed tem plates , the images are enhanced and the crack e

13、dge is protected 1Further com paring with segmentation methods of H ough trans form and mathematic m orphology , the presented method shows definite advantage in precision , processing speed and reliability 1K ey words :road engineering ; crack identification ; image processing ; pavement crack ; th

14、reshold segmentation 0引言疲劳开裂和车辙是沥青路面最主要的破损形式, 根据交通部高速公路养护质量检测方法(试行 之规定, 需要定期对高速公路路面状况进行调查, 以便制订相应的维护策略, 其中重要的一项指标是路面裂缝。而且准确的裂缝信息也是路面管理信息系统的需要。传统的基于人工视觉检测裂缝的方法愈来愈不能适应高速公路发展的要求, 主要是速度慢, 个人主观程度大, 而且花费高, 危险还影响正常交通。计算机高性能处理器、大容量存储器及图像处理技术的快速发展, 使得路面裂缝的自动检测与识别技术成为可 能。但对于采集到的路面图像, 由于采集工具的不同, 路面材料的影响, 使图像包含

15、大量的噪音1。因而对路面图像裂缝的识别研究主要集中在图像增强和裂缝目标的分割。文献2采用路面图像直方图均衡化来增强图像; 文献3运用加权邻域平均法来平滑路面图像; 文献4则采用了中值滤波。在图像分割方面, 大多采用图像全局信息(如整幅图像的灰度直方图 和局部阈值(把原始图像分为几个小的子图像 来求出最优分割阈值24。也有其他的路面图像分割算法, 如文献5采用了基于样本空间的图像分割算法。本文参考上述路面图像裂缝识别的各种算法, 根据道路图像自身的特点, 法, 类间、提取图像上的裂缝特征。1图像增强图像增强是相对图像识别、图像理解而言的一种前期处理, 目的是采用一系列方法改善图像的效果或将图像转

16、换成一种更适合人或计算机进行分析处理的形式, 主要是指按需要对图像进行适当的变换突出某些有用的信息或削弱无用的信息, 如改善图像的对比度、去除噪音或强调边缘的处理等。图像增强的方法一般分为空间域和变换域两大类, 常用的图像增强方法有空间域单点增强、图像平滑、图像锐化、图像滤波等6。111空域滤波图1圈积运算方法Fig 11Loop product alg orithm在一幅数字图像中, 相邻区域的变化大于区域内部的变化, 同一区域内部中间像素的变化小于边缘像素的变化。为了减少和消除图像中的噪音, 改善图像的质量, 抽取图像的线形特征, 目前空域滤波采用最多的是小区域模板卷积的方法(图1 。具体

17、计算时, 实现将模板中心和图像中待处理的某像素点重合, 并将模板各元素与模板下各自的对应像素值相乘, 最后将模板输出响应(上步计算出的模板各元素乘积之和 作为当前模板中心所在像素的灰度值。为了更好地突出图像线形特征的方向性, 通常的做法是对上述单模板进行扩展, 构造8个方向的模板。通常, 对图像中的一个像素, 它共有8个相邻点, 因此从该点出发具有8个方向。可以事先构造8个不同方向、大小为33的模板, 如图2所示 。图2模板方向定义图Fig 12T em plate direction definition将这8个模板依次作用于同一图像窗口。对于每一个模板, 将图像窗口内各像素的灰度值分别与模

18、板对应位置的元素相乘, 再累加求和, 记为C i , 其中i =0, 1, , 7。则图像窗口中心像素的输出值为g (m , n =max (C 1 。(1 常用的有3种, 即R obis on 模板、Prewitt 模板和K irsch 。例如R obis 模板的:M 0=121000-1-2, M 1=2101010-1,M 2=10-12 -210-, M 3=0-1-210-1210, M 4=-1-2-1000121, M 5=-2-10-1 0101, M 6=-101-202-1, M 7=012-101-2-1。112掩膜平滑法图像中存在这样一个基本事实:同一区域内部的像素之间

19、灰度变化平缓, 起伏较小, 统计方差小; 在区域边缘, 像素之间灰度值的起伏变化大, 统计方差大。掩膜平滑的目的在于进行滤波操作的同时, 尽可能不破坏区域边缘的细节。此方法在对路面图像进行增强时, 既可以去除图像噪音, 又能较好地保护裂缝的边缘56第2期孙波成, 等:路面裂缝图像处理算法研究 细节。本文以一个55的窗口为基准, 中心位置为(j ,k , 在这个窗口中确定9种不同的掩膜模板, 如图3所示 。 em and child tem plate在平滑时, E i =ql =1f l (j m , k +n q, (2 i =ql =1f l (j +m , k +n 2-E 2i ,(3

20、式中, i 表示掩膜模板的编号, i =1,2, ,9; q 为对应掩膜模板中包含像素的个数; (m , n 为掩膜模板内像素相对于中心像素(j , k 的位移量。比较这9个模板的方差, 掩膜平滑输出的新灰度值为具有最小方差的模板所对应的灰度均值, 即g (j , k =E p |p =minE i 。(4当用同样的方法作用于图像中的每一个像素后, 即可得到平滑的图像。在实际使用时, 由于窗口大小为55像素, 在对图像边缘的像素进行处理时, 对图像进行了对称扩展。2图像分割在对图像进行的研究和应用中, 在某一领域往往仅对原始图像中的某些部分或者目标感兴趣。图像分割就主要根据图像在各个区域的不同

21、特性, 而对其进行边界或区域上的分割, 并从中提取所关心的目标。由于图像各区域特征的巨大差异, 很难用同一种图像分割算法对其进行分割处理, 所有的图像分割算法均是针对某一具体问题而提出的。目前使用最多的还是阈值化分割算法。211最大类内、类间距离阈值准则阈值T 可以通过分析图像的直方图来确定, 如果一幅图像只有物体和背景两部分组成, 则选择直方图谷底处的灰度值作为阈值T 可以很好地把物体和背景分开。由于路面图像的复杂性, 直方图很难出现明显的峰值, 往往连成一片, 运用直方图选取最佳阈值变得困难。这时可以根据整幅图像的全局信息来确定阈值, 运用最大类内、类间距离阈值准则提取路面图像中的裂缝取得

22、了较好的效果7。设一幅图像的灰度级为L , 图像中灰度值是i 的像素个数为n i 。以分割阈值为准将图像分割成两个区域, 定义区域A 用来描述0, 1, 2, , 的灰度分布, 区域B 用来描述+1, +2, , L -1的灰度分布。设区域A 、区域B 和图像的像素数分别为N A ,N B 和N , 则N A =i =0ni, N B =L -1i =+1ni, N =N A +N B =L -1i =0n i。(5区域A 、区域B 和全图中各灰度出现的频率分别为h Ai 、h Bi 和p i , 即h Ai =n iN A, i =0, 1, , , (6 h Bi =N B, i =+1,

23、 +2, , L -1, (7 p i =N。(8区域A 、区域B 出现的概率为p A 、p B :p A =N N p ( , p B =N N=1-p (。(9由以上假设, 得到全图的平均灰度m 、区域A 和区域B 的平均灰度m A 、m B , 即66公路交通科技第25卷 m =L -1i =0ip i =i =0ip i +L -1i =ip i ,(10m A =i =0ih Ai =i =0in N A=i =0ip p A=ip ip Ap (, (11m B =L -1i =+1ihB i=L -1i =+1i n N B=L -1i =+1i p p B=1-p ( ,(12

24、从而有m =p A m A +p B m B , (13将两区域看作两类时, 它们的类间距离为s 2b =p A (m A -m 2+p B (m B -m 2=2p (1-p ( ,(类内距离为s 2w( =p A i =0(i -A ip B-i =+1i -m B 2h Bi =i =0(i -m A 2p i +L -1i =+1(i -m B 2p i 。(15最佳阈值的选取应使区域A 和区域B 的类间、类内距离比达到最大, 即J f ( =s 2b (s 2w ( max 。(16 通过改变即可求得最佳灰度分割阈值38,9。212算法实现与分析本文在成都绵阳高速公路采集200多幅路面破损图像, , 对图像平滑和裂缝分割。图4on 模板卷积和本文使。可以看, , 缝边缘。图4图像增强算法的实现Fig 14Result of image enhancement alg orithm在MAT LAB 上运用本文算法对图4(c 、(f 进图5图像分割算法的实现Fig 15Result of image segmentation alg orithm行分割, 结果如图5所示。从分割结果看, 微细裂缝的识别不是很理想, 对小于115mm 的裂缝识别比较困难, 而且裂缝的连通也不是很好。进一步的试验说明, 在分割前对图像进行数学形态学处理, 再运用本算法进行分割能