[发明专利]一种基于二维图像的动车车底异常检测方法在审

专利信息
申请号: 202011259297.5 申请日: 2020-11-12
公开(公告)号: CN112330646A 公开(公告)日: 2021-02-05
发明(设计)人: 徐明;王谨怡 申请(专利权)人: 南京优视智能科技有限公司
主分类号: G06T7/00 分类号: G06T7/00;G06T7/12;G06T7/136;G06T7/62;G06T7/73;G06K9/46;G06K9/62
代理公司: 南京中盟科创知识产权代理事务所(特殊普通合伙) 32279 代理人: 张靖尧
地址: 210000 江苏省南京市栖*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 二维 图像 动车 车底 异常 检测 方法
【权利要求书】:

1.一种基于二维图像的动车车底异常检测方法,其特征在于,包括以下步骤:

S1:采集图像,采用高位深相机拍摄动车车底图片;

S2:图像预处理,根据统计信息判断整列车的图像灰度过高或过低即为异常拍摄,使用直方图均衡化处理图像中的过曝或欠曝,降低图片位深增强画质;

S3:图像坐标定位,图片世界坐标系位置确认,识别关键部位,重新组织图片,确认车头方向和图像在车辆上的位置,与模板车进行配对;

S4:零件和异物识别,通过训练后的视觉学习机器算法识别零部件和异物,定位动车关键零部件;

S5:图像和零件匹配,将图像与模板车辆进行比较找出异常,记录检测结果。

2.根据权利要求1所述的一种基于二维图像的动车车底异常检测方法,其特征在于,在步骤S2中,所述直方图均衡化的具体步骤包括:

S201:统计灰度级中每个像素在整幅图像中的个数nk,k=0,...,L-1;

S202:计算每个灰度级占图像中的概率分布P(r)r=nk/n;

S203:计算累计分布概率Sk∑P(r)r,k=0,1,2,...,L-11;

S204:计算均衡化之后的灰度值cdf(Sk);

S205:映射回原来像素的坐标的像素值。

3.根据权利要求1所述的一种基于二维图像的动车车底异常检测方法,其特征在于,在步骤S3中,通过景深摄像头以及简单的阈值分割和霍夫曼变换算法拟合车头的曲线,从第一张图的灰度图和景深图开始进行阈值分割和边缘提取,计算面积和边缘曲线,当面积和曲线符合车头条件即为车辆的车头,同时从最后一张图进行同样过程,确定两个车头位置,通过定位的两个车头的位置,确定图片位于车辆上的位置。

4.根据权利要求1所述的一种基于二维图像的动车车底异常检测方法,其特征在于,步骤S4还包括以下子步骤:

S401:收集所需检测车型的动车图,针对需检测的每种零件收集100张以上的图,针对油污和异物收集50张左右的图,并收集一部分曝光不正常的图,手动对图进行降低和提高亮度的处理;

S402:使用边界框标注工具,对收集到的图片中的零件进行标注,使用边界框标注零件的位置的大小和类型;

S403:使用Cascade Rcnn物体识别算法,以交叉熵作为损失函数进行训练,评价指标为平均精度均值,使用Adam作为优化器,所述多分类交叉熵公式为其中,M为类别数量,yic指示变量,如果该类与样本i相同类别就为1,否则为0,pic对于观测样本i属于类别c的预测概率;

S404:模型对待检测车辆的图片进行识别,获得每张图上零件的位置信息。

5.根据权利要求4所述的一种基于二维图像的动车车底异常检测方法,其特征在于,在步骤S402中,标注的零件包括外六角螺头,内六角螺头,堵头,螺母,刹车片,销钉,三通,减震器,油液观察口,线夹,油液加注帽,一字螺头,并且对异常位置也进行标注,包括油污和异物。

6.根据权利要求1所述的一种基于二维图像的动车车底异常检测方法,其特征在于,在步骤S5中,通过人工对无故障的检测车型进行标注,作为零件在整辆车上的模板,通过与标注过的模板车辆进行比较,找出异常。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京优视智能科技有限公司,未经南京优视智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011259297.5/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top