转辙机是转换道岔位置,改变道岔开通方向,锁闭道岔尖轨的重要信号设备,与高速行驶的列车安全紧密相关。轨道交通的密度日益增加对其可靠性、经济性和可用性提出了更高的要求[1-2]。
在实际现场中,转辙机设备处于封闭环境,监控系统通过控制器控制安装在设备内部的单目摄像机对连杆和锁闭机构进行拍照,由设计的算法完成锁闭机构与连杆之间的缺口图像识别并测量距离[3-4]。算法需要在嵌入式Linux操作系统下结合的ARM9或其他系列微处理器[4-7]上完成对转辙机缺口图像的快速识别和测量。
目前虽已有多种机器视觉自动检测方法来替代传统的接触式和光电传感器测量方式[2,4,8],但在实际工程实现中都存在一些不足。文献[3]先在缺口和基准支架上粘贴辅助识别标记,然后通过小波变换滤波、多尺度边缘检测和边缘链码特征筛选提取标记边缘,通过标记的位置计算缺口当前位置偏差。文献[6]在文献[3]的基础上利用改进的LSD算法提取图像中标记的边缘直线段,两种方法都需要粘贴辅助识别标记,给实际工程中的实施带来了巨大的工作量和不便。文献[7]先利用Canny算子提取转辙机表示杆缺口图像的单像素边缘获得参考位置,再由帧间差分法提取缺口的移动部分,拟合边界直线实时获得缺口位置。但该方法测量的目标移动区间通常较小,还需要设置参数裁剪图像有效区域ROI来保证算法稳定性,相机安装位置的差异使得图像裁剪参数和缺口参考位置难以通用。同时,算法对辅助光照、设备机型等要求较高,抗干扰能力较弱,存在拒识别问题,需要人工现场确认。文献[9]先利用Sobel算子边缘检测和连通域标记对检测缺口的边缘进行提取,通过直线变换和像素筛选计算出缺口像素大小,然后根据由最小二乘法拟合得到的缺口在图像中的宽度和实际宽度的函数关系计算缺口实际大小。该方法需要多次人工测量拟合数据,由于实际的成批工业需求中每个相机的安装距离和角度无法完全一样,单独拟合函数不切实际,通用的拟合函数往往以牺牲测量精度为代价。
低碳经济作为一种以低能耗、低污染、低排放为基础的新经济模式日益受到世界各国的青睐[1]。发展低碳经济要求及时转化现有的传统能源系统[2]。中国农村地区家庭能源的供应基本上是依赖于煤炭和当地的秸秆、薪柴,这种传统的用能模式对资源和生态环境产生了重大而长久的负面影响[3-4]。农村户用沼气工程的建设是解决农村能源短缺,提高能源转化效率和利用效率的有效途径。截至2008年,中国已发展农村户用沼气池3 050万户,规划到2015年全国户用沼气池达6 000万户,生产沼气233亿m3。
基于模板匹配的目标检测方法是以图像匹配作为核心技术的一种常用的目标检测手段[10]。文献[11]利用轨道的螺栓几何结构约束,提出使用最近邻分类器来检测螺栓的快速模板匹配算法。文献[12]通过设计掩模模板,提取扣件的HOG特征,并对扣件进行分块得到部件模型,结合弹簧模型度量部件相对位置关系,使用加权的HOG特征余弦相似性度量来区分正常、断裂和丢失三种状态的扣件。
针对目前方法的不足和实际的现场条件,本文提出一种基于模板匹配的转辙机缺口检测算法,设计一个融合缺口边界梯度和尺寸信息的通用模板,并根据设计的模板确立相似性度量匹配准则,通过对阈值分割和形态学滤波后的缺口图像进行匹配识别,实时获得缺口位置。试验表明:该算法对辅助光照变化、相机安装距离和安装角度具有良好的鲁棒性,检测结果满足实际现场的快速和高精度要求。
转辙机的种类众多,以S700K转辙机为例,S700K转辙机又分为Ⅰ型(定位)和Ⅱ型(反位),见图1。在图1中被固定的L形结构为L标,铁块壁上的凹槽即为需要识别的缺口。
图1 S700K转辙机
转辙机的缺口图像由安装固定好的数字摄像机拍摄,采集的Ⅰ型和Ⅱ型转辙机缺口图像见图2。需要设计算法测量缺口中心线相对L标中心线的偏移量,从而得知道岔转换精度和行车的安全性。
图2 S700K转辙机缺口图像
Ⅰ型和Ⅱ型的测量原理相同,以Ⅰ型为例说明检测原理,见图3。
图3 转辙机缺口检测原理
由于L标固定不动,摄像机安装好后位置也是不变的,由此可以直接识别图像中凹槽缺口的左右边界,计算图像中的缺口宽度δ和缺口中心在图像上的移动量φ,根据已知的缺口实际宽度7.0 mm计算像素当量,再根据人工标定给出的缺口在基准位置时其中心相对L标中心的实际基准偏移量D0,计算当前缺口中心相对L标中心的实际偏移量D,计算公式为
四是学生的能力有偏差.传统教学模式下培养的学生与应用型人才培养目标有偏差,学生在课堂上感觉“学会了”,但不会把所学知识应用到自己开发的网站上.传统的课程教学模式会导致学生实践操作时完全模仿教师上课演示的网页案例,不能独立完成一个真实的有创意的网站.
( 1 )
转辙机缺口检测算法是通过对自适应阈值分割后的缺口图像进行分析和建模,将建立的模板作为标准缺口二值图像,根据相似性度量准则对图像中的缺口进行匹配检测。缺口检测流程见图4,算法首先对数字摄像机采集的缺口图像进行自适应阈值分割和形态学滤波,完成图像预处理;然后使用设计的变尺度缺口二值图像模板依照建立的相似性度量准则对缺口图像进行匹配识别;最后根据存储的缺口基准图像的匹配结果和基准偏移量计算缺口当前偏移量。
图4 缺口检测算法流程
对于Ⅱ型转辙机,当缺口边界被L标遮挡时,模板匹配算法根据匹配结果自动判别,将当前图像的预处理结果与存储的缺口基准图像的预处理结果差分处理,通过提取的连通域判断缺口移动方向和大小,利用基准偏移量计算缺口当前偏移量,流程见图4。
2.2.1 自适应阈值分割
自适应阈值分割是利用图像局部灰度阈值替换全局阈值对图像进行二值化处理[10],从而更好地保留图像信息,分割原理为
( 2 )
式中:f(x,y)为原图像素点(x,y)的灰度值;G(x,y)为阈值分割后像素点(x,y)的灰度值;T(x,y)为像素点(x,y)的分割阈值。
考虑到实际现场的设备安装在需要辅助照明的封闭铁盒中,自适应阈值分割算法要求对辅助光照变化具有良好的稳健性。经比较和分析后采用文献[13]提出的使用积分图像的自适应阈值分割方法,计算以每个像素点(x,y)为中心的s×s像素窗口的灰度平均值average_s(x,y),以灰度均值作为分割阈值参考,根据设定的分割阈值权重参数t计算该像素点(x,y)的分割阈值,即
( 3 )
经分析和试验,将阈值分割参数s和t分别设定为H/8和0.1,其中H为图像的像素行数。当图像边界上的像素的邻域窗口不足s×s大小时,超出图像边界的部分不参与s×s像素窗口灰度均值计算。
2.2.2 形态学滤波
转辙机表面存在较明显的纹理和非均匀发散的简易辅助照明,使得转辙机金属表面容易反光,甚至在局部形成高亮的连通域斑块给缺口图像的识别和边界提取增加了干扰和难度。形态学运算[10]是分析几何形状和结构的数学方法。形态学滤波[3,14]可以去除几乎所有的高斯噪声和干扰引起的伪边缘,对削弱转辙机表面的纹理和光照引起的干扰,还原缺口边缘具有较强的鲁棒性。
如图5所示,形态学开运算可以将缺口二值图中连接的噪声点断开,填充运算可以将连通域中微小的孔洞修补。由此,先对图像填充去除纹理特征,避免直接开运算引起完整连通域的分割和破坏;再对其进行开运算,断开小连通域与大连通域的连接;然后对图像腐蚀,去除小的连通域和噪声干扰;最后将腐蚀结果对开运算结果进行重构,还原缺口边缘细节。
图5 缺口边缘不同形态学滤波算法效果
滤波流程见图6。
图6 形态学滤波流程
经试验和分析,填充算法采用漫水填充,开运算和腐蚀运算分别采用3×3和6×6的圆盘结构元素。Ⅰ型缺口预处理过程中的结果见图7。
图7 I型缺口图像预处理
基于模板匹配的目标检测方法是以事先获取的目标先验模型或者先验信息作为模板,提取能够反映目标自身与其他不同目标之间最大化差异的特征,并根据该特征确定相似性度量和匹配准则,通过搜索和匹配算法来确定模板与待检测图像的相似性,从而达到目标检测和定位的目的[10]。
2.3.1 变尺度模板设计
模板的设计结果对整个检测系统起着至关重要的作用,它影响着目标的准确检测。模板的设计主要有先验信息获取、最大化差异特征提取与表示两个步骤。
(1)先验信息获取
英格曼神甫这时在阅览室打盹儿——他已经搬到阅览室住了,为了不额外消耗一份柴火去烧他居处的壁炉,也为了能听见法比·阿多那多上楼下楼、进门出门的声音,这声音使他心里踏实,觉得得到了法比的间接陪伴,法比也在间接给他壮胆。
如图8所示,图8(a)中缺口底部连通域孤立,可通过连通域特征筛选剔除,图8(b)中转辙机表面反光和油渍等污染使得缺口底部不可避免地与缺口边界相连通,无法剔除。模板需要对缺口底部区域的不确定性具有很强的自适应能力,能够稳定应对不定的缺口底部连通域形状。同时,由于转辙机上的相机安装距离和角度不尽相同,缺口在图像中的宽度在60~130像素不等,模板应该设计为变尺度模板,以应对不同设备的相机安装距离和角度引起的缺口在图像中的宽度不等的问题。
2.2 我国胸痛中心改进方向 欧洲心脏病学学会(ESC)于 2012年和美国心脏病学学会基金会(ACCF)/美国心脏协会(AHA)于2013年发布的STEMI管理指南均提出缩短 FMC-to-B时间[32-33]。这个时间点包括了部分院前急救时间,由此心肌梗死的救治由院内急救提前到院前急救。
图8 Ⅰ型缺口二值图像
(2)最大化差异特征提取与表示
生机勃勃的春天来了。春姑娘迎着春风,踏着轻盈的脚步款款而来,她用温柔的声音唤醒了校园里的万物。柳树姑娘梳理着长长的辫子;小草弟弟探出了头,好奇地打量着这个世界;迎春花姑娘绽开了笑脸,向春姑娘打着招呼;溪流冲破了层层阻碍,一路唱着欢乐的歌。校园里处处绿意盎然,仿佛穿上了一件绿色的新装。
如图8(c)所示,缺口图像的最大特征是其左右边界平行且对称,边界的梯度方向相反且有顺序关系。由此可以设定缺口模板边界元素值为1和-1来衡量缺口左右边界梯度,1和-1的设定顺序对应各自边界的梯度方向,同时保证模板对缺口边界存在的锯齿和倾斜等问题的应对能力。根据先验信息,可以将模板中心设定为0来消除缺口底部连通域形状不定干扰因素,并将模板的尺度d的变化区间设定为50~140像素,模板像素高度设定为40像素以增强模板的鲁棒性。模板设计结果见图9。
江南具体景观在皇家园林中的仿建以园林为主,如常州府无锡县的寄畅园在清漪园中仿建成惠山园,杭州汪氏园、海宁陈氏园和扬州趣园在圆明园中仿建为小有天园、安澜园和鉴园,苏州狮子林被仿建于长春园、避暑山庄,江宁瞻园在长春园中仿建成如园等。
图9 变尺度缺口二值图像模板
2.3.2 模板匹配相似性度量准则
相似性度量是影响图像目标检索结果的关键之一,它可以很好地模拟人对图像的理解[15],是模板匹配的重要依据。为适应模板的特点,同时简化模板匹配的准则,先将待匹配的缺口二值图像进行变形,变形方式为
2.尝试验证。不断的尝试就是用多种方法“试误”的过程。学生之间存在个体差异,老师应尊重学生间存在的差异,引导学生尝试使用多中方法进行验证解决问题,从不同的结果中获得最合适的答案。
( 4 )
式中:g(x,y)为预处理结果;h(x,y)为变形结果。
根据模板和图像变形结果特点,将相似性度量准则设定为
( 5 )
式中:temp(d,i,j)为尺度d的模板;F(x,y,d)为尺度d的模板与以(x,y)为起点的h(x,y)局部图像的相似性度量。
根据相似性度量准则可知,当模板匹配到清晰的缺口左右边界时,被匹配到的局部子图像与等大的模板temp边界的相似度会很高,F(x,y,d)的结果为大量的(-1)×(-1)+1×1+0之和,结果值较大。当变尺度模板的左右边界未同时匹配到缺口的左右边界时,F(x,y,d)的值会显著降低。同时,当缺口边缘有噪声干扰和缺损等突变时,缺口右边界像素值由1变成-1,导致F(x,y,d)的求和表达式中出现(-1)×1,F(x,y,d)微许下降,该匹配位置的F(x,y,d)始终是整个图像的全局最大相似性度量值,对应的匹配位置仍为缺口准确位置。模板对随机噪声,边界缺损、锯齿、轻微倾斜和相机的安装距离具有很强的鲁棒性。
实际中,当缺口缓慢偏移时,缺口对应的相似性度量Fmax会因缺口偏移引起的噪声而缓慢减小,接着,噪声的平稳性会使之处于小范围内平稳阶段。当缺口偏移量进一步增加时,由于缺口严重偏移图像中心,图像中的缺口边缘产生较大倾斜和畸变,最大相似性度量Fmax迅速下降,最后收敛于一稳定值,对应的变化曲线见图10。
图10 最大相似性度量与缺口偏移量关系曲线
设定最大相似性度量阈值为110,当Fmax低于110时,直接判定缺口严重偏移超过7.0 mm。
2.3.3 变尺度模板匹配优化
传统的模板匹配目标搜索算法效率较低,由此对变尺度模板匹配算法进行优化,保证缺口识别检测效率。
我们身边有很多物品,虽然它们有大有小、有轻有重,但它们都有一个平衡点。你知道平衡点在哪里吗?怎样才能让它们保持平衡呢?一起做一些平衡玩具,学习平衡的知识吧!
如图11所示,将模板temp分为左子模板temp1和右子模板temp2两部分,先利用左子模板匹配搜索缺口左边界,相似性度量准则为
步骤1:计算方案层各指标的隶属度云模型。将各指标每列数据输入到逆向云发生器中,并计算每一风险指标的数字特征值。将每个指标的定量化的数据表达转变为云模型的定性化表达。
图11 缺口二值图像左、右子模板
( 6 )
式中:temp1(i,j)为左子模板;F1(x,y)为以(x,y)为起点的h(x,y)局部图像与缺口左子模板相似性度量值,由于图像与模板的特殊性,其与归一化相关结果等价。
一个科学的地理信息软件系统应通过建立合理的模型对空间实体的空间定位、属性及其相互之间的关系进行描述。因此,该一体化概念模型包括2个模型:GIS软件的分析型数据模型和地图制图数据模型。
设定F1(x,y)的阈值T1,当F1(x,y)超过阈值T1时,利用右子模板temp2进行匹配计算F(x,y,d),匹配出以(x,y)为缺口左边界起点的最佳尺度,即
F(x,y,d)=F1(x,y)+
( 7 )
式中:temp2(i,j)为右子模板。
优化后的模板匹配流程见图12。
图12 优化后的模板匹配流程
最终确定T1为40,并在后续的匹配识别中参考基准缺口图像匹配出的尺度d0,将匹配尺度d的范围减少到d0-5至d0+5之间,去除不必要的搜索尺度。
2.3.4 偏移量计算
设匹配结果的最大相似性度量Fmax对应于F(x,y,d),则缺口的左边界起始点为像素点(x,y),缺口像素宽度为d+4,缺口中心的像素列坐标为y+(d+4)/2,将其代入式( 1 )即有
2.1.4完善生态补偿强化涉水工程过程监管和结果跟踪评估,开展涉水工程普查和后评价工作。完善生态补偿机制,扩大补偿范围,提高补偿标准,制定生态修复方案。探索建立多元化保护工作格局,设立长江水生生物保护基金,鼓励企业和公众支持资助长江水生生物保护事业。
( 8 )
式中:B0为基准图像中缺口中心的像素列坐标,由模板匹配算法对基准图像匹配结果计算得到。
L标是S700K转辙机的固定结构,其中S700K-Ⅱ型转辙机的L标在缺口正前方,当缺口偏移超过一定量后,会出现被L标遮挡边界的情况。
如图13所示,当L标遮挡缺口边界时,模板不能匹配出正确结果。
图13 Ⅱ型缺口模板匹配结果
分析可知,通过图像差分提取缺口未遮挡的那个边界的位置,对比该边界在基准处的位置也可以计算缺口偏移量。
2.4.1 图像差分边界提取
本文设计的图像差分算法为
( 9 )
式中:gB(x,y)为基准图像预处理结果;g(x,y)为图像预处理结果;d(x,y)为差分图像。
当转辙机缺口右移被L标遮挡边界时,由图像差分得到的结果见图14。分析可知,不同程度的转辙机缺口右移得到的差分图像具有如下相同特点:
(1)连通域的右边界始终为当前缺口右边界;
(2)连通域中心线(图14中的黄线)始终在缺口基准位置中心线(图14中的绿线)的右边,与缺口移动方向相同。
图14 缺口右移时图像差分算法原理
同理,当转辙机缺口向左移动时,图像差分算法结果具有对称的性质。通过提取连通域,根据其相对位置可以判别出缺口移动方向,获得未遮挡边界位置。
实际的图像差分结果见图15,通过形态学滤波可以去除细小的连通域和缺口边界的毛刺噪声。
图15 Ⅱ型缺口遮挡处理过程
根据连通域的像素面积S、外接矩形长宽比K以及面积饱和度M(S与其外接矩形面积的比值),对缺口边界位移差连通域进行筛选。
经试验和分析,将S的阈值设为600,K的阈值设为1,M的阈值设为0.7。当无满足条件的连通域时,直接判别为缺口严重偏移超过7.0 mm;当有多个连通域满足筛选阈值条件时,若有M超过0.8,则将M最大的判定为筛选结果,否则将S最大的连通域判定为筛选结果。连通域筛选结果见图15(b)(图中已用红框标出)。
然而,由于酶促反应涉及的步骤增加及后处理导致的成本增加,使得酶促反应的工业应用受到一定限制。研究表明,酶促反应中添加表面活性剂,不仅可以提高酶的水解速率,还可以降低酶的负载[7-9]。目前,表面活性剂辅助酶解技术很少涉及食品工业。本文利用酶和表面活性剂辅助提取辣椒中的辣椒碱、辣椒二氢碱、辣椒红色素,通过单因素试验和正交试验优化其提取工艺,考察酶和表面活性剂添加量、酶解温度和酶解时间等对其提取率的影响规律,为辣椒的精加工和综合利用提供一定的科学理论依据。
2.4.2 补偿方案的偏移量计算
这则新闻中,所用数字比如“8万人”“3倍”“21.5万”“43辆”“半个小时”“十一点”“40名”“100名”“65人”“150人”“60吨”等,都非常精确;事件发生地点“南京中山陵”,发生时间是“昨天”,用词都十分准确;多用陈述句,语气肯定,情真意切,言之凿凿。对2012年中秋、国庆双节假期中,南京中山陵景区的人流量、管理应急措施、工作状况等做了准确叙述,由此输出的修辞语义也是准确的。
缺口偏移量计算变量见图16,B0为缺口基准位置图像的中心线列坐标,a0、b0为其左、右边界的列坐标,d0为基准图模板匹配的尺度结果,均为保存的参数。
图16 图像差分计算变量示意
缺口偏移量计算步骤如下:
Step1 使用模板匹配对缺口图像进行匹配得到尺度d,并根据式( 8 )计算偏移量D。
Step2 若尺度d与尺度d0相差不超过3且偏移量D小于2 mm则识别成功,此时偏移量小,L标未挡住缺口边界。
Step3 不满足Step2中的条件则识别失败,使用差分算法计算二值图像与基准图像预处理结果的差分图像,并根据筛选阈值提取连通域,计算连通域外接矩形的左右边界像素列坐标a、b及其中心线的像素列坐标P,见图16。根据定义,B0和P必定存在一大一小,由B0和P大小关系判断偏移方向,并计算偏移量D,计算式为
(10)
选择6台安装好摄像机的S700K转辙机对算法进行试验,6台设备的相机安装角度、距离和辅助光照未经人为统一,试验结果见图17。
图17 6台转辙机缺口识别结果
为验证算法可以应对随机选取的6台转辙机的辅助光照条件,测试算法对光照的稳健性,多次改变同一台转辙机的光照进行试验,识别结果见图18。测量的偏移量结果没有差异,模板匹配结果对偏移量计算结果无影响。
图18 光照变化测试试验
随机移动6台转辙机缺口位置,分别采集50~60张缺口不同位置的图像进行算法测试,统计6台转辙机的测试结果如表1所示。
表1 6台转辙机缺口识别测试结果
转辙机序号转辙机机型采集图像数量准确识别数量准确警报数量错误处理数量1Ⅰ型6052802Ⅰ型5044603Ⅰ型5045504Ⅱ型5046405Ⅱ型5043706Ⅱ型504640
分析表1可知,算法共处理了310张不同状态的S700K转辙机缺口图像,准确识别了276张,准确严重偏移报警了34张,无错误判断。
试验结果表明:模板匹配算法对辅助光照的条件具有良好的鲁棒性,对设备的安装角度和距离具有较强的适应能力,可以对缺口准确检测识别和严重偏移报警。
通过提取原始图像中的缺口边缘,并与算法处理结果进行对比,验证算法的处理精度,见图19,图中红色部分为边缘的重合部分。
图19 缺口图像边缘与算法处理结果对比
经试验统计得知,因数字相机成像过程中的信号采样和其他噪声干扰等因素,缺口的边缘通常不在一条直线上,边缘主干跨越区为1~2个像素宽度,见图19(b)。
将表1中的算法测量结果与人工校验结果对比,统计不同测量区间的识别次数、最大测量偏差、缺口边缘重合率和边缘在跨越区比率,结果如表2所示。
表2 6台转辙机测量区间与精度统计结果
测量区间/mm测量总数量/识别数/报警数最大测量偏差/mm边缘重合率/%边缘在跨越区比率/%0~2.081/81/00.03282.686.62.0~4.073/73/00.07181.485.84.0~5.060/60/00.11278.983.25.0~7.039/39/00.16876.378.77.0~9.034/19/150.26564.672.79.0~12.023/4/190.56755.265.5
由统计结果表2可知,在0~5.0 mm的测量区间内,算法处理后的缺口边缘与原始边缘重合率达78.9%,缺口边缘保留在跨越区内的比率达83.2%,算法可以在边缘跨越区内匹配到缺口左右边界,左右边界位置偏差均不大于一个像素,由此缺口中心位置的计算结果偏差不大于一个像素,分析可知,图像中缺口的宽度为105~120像素(图像大小为640×480),根据实际缺口宽度7.0 mm可知像素当量为0.058~0.067 mm,理论误差小于0.067 mm。对比实际结果表2可知,在0~5.0 mm的测量区间精度达到0.2 mm,在0~4.0 mm的测量区间内精度达到0.1 mm。
为验证算法测量性能对噪声干扰的鲁棒性,在不同方差σ的零均值高斯噪声环境下对算法进行试验,见图20,统计结果如表3所示。
图20 零均值高斯噪声干扰测试试验
表3 噪声干扰试验统计结果
注:算法测出超过或接近7 mm时直接按严重偏移报警处理。
测量区间/mmσ=0.002σ=0.005识别/报警最大偏差/mm跨越区内比率/%识别/报警最大偏差/mm跨越区内比率/%0~2.081/00.03285.781/00.06582.32.0~4.073/00.06885.973/00.08281.44.0~5.060/00.12283.360/00.15679.65.0~7.039/00.23476.237/20.32572.9
由统计结果表3可知,在方差为0.005的较强噪声干扰下,算法在0~5.0 mm的测量区间内具有较高的识别率,缺口边缘保留在跨越区内的比率达到79.6%,测量精度达到0.2 mm,在0~4.0 mm的测量区间内测量精度达到0.1 mm,同时,算法的报警性能可以满足现场需求。
分析可知,当缺口偏移量超过4.0 mm时,实物平面与相机镜面的不完全平行引起了像素当量变化,影响了测量精度。当缺口偏移量超过5.0 mm时,若同时存在较大噪声干扰,自适应阈值化算法会将部分噪声判为缺口边缘,形态学滤波无法全部处理,对于I型设备而言,模板匹配算法对边缘噪声干扰还较强,可以稳定应对突出的毛刺,但Ⅱ型设备因遮挡而采用的连通域提取补偿算法无法应对较大噪声引起的毛刺,会引起1~2像素级的处理误差,测量精度下降。当缺口偏移量增加到5.0~7.0 mm,缺口偏移图像中心,边界的变形和倾斜影响算法精度,若此时存在较强噪声的干扰,缺口与模板的相似性度量会降低,报警的偏移阈值减小。
结果表明:模板匹配算法测量精度满足要求,检测区间广,抗干扰鲁棒性较强,具有严重偏移判断优势,可以在较大范围内防止目标丢失,无需人工频繁现场判断。
最后,根据实际现场情况选用了57台转辙机设备,将算法程序在嵌入式Linux操作系统下结合的ARM9 300 M微处理器上完成交叉编译,完成实际现场测试。其中有2台设备过于破旧,其缺口边界破损和残缺过于严重,未参与实际测试。
测试结果表明:系统运行稳定,算法测量结果理想,可以满足在0.5 s内对转辙机缺口图像的快速识别和测量要求。
综上所述,本文提出的算法现场适用率较高,除缺口缺损严重的转辙机之外,对转辙机缺口具有良好的识别和定位测量性能,能够满足实际现场需求。
转辙机缺口监控与检测一直是铁路现场电务人员面对的主要难题。本文对现有的转辙机缺口自动检测识别方法和实际的现场需求问题进行分析,提出了一种基于缺口图像建模和匹配的简易识别方法。该方法利用了匹配模板稳定与灵活的优势,将缺口的尺寸和边界梯度信息融合成变尺度的标准模板,简化了转辙机缺口图像的识别定位过程,增强了视觉系统的监控性能。与现有的方法相比,该测量方法简单,且利用了缺口标准的7.0 mm宽度“天然标签”,无需识别标记和人工多次测量标定等参数设定,算法对设备的安装距离和角度有较好的适应能力,对辅助照明的变化和其他噪声干扰鲁棒性强,检测精度高,检测区间广,在实际的工程应用中可以很好地满足成批的测量现场需求。算法可以为其他识别测量需求提供方案参考和思路。
参考文献:
[1] 苏靖棋.智能转辙机[J].现代城市轨道交通,2019,16(7):118-120.
SU Jingqi. Intelligent Switch Machine[J].Modern Urban Transit,2019,16(7):118-120.
[2] 赵明国.轨道交通转辙机表示缺口检测系统研究[J].山东工业技术,2018,37(15):128-133.
ZHAO Mingguo. Research on Indication Gap Detection System of Rail Transit Switch Machine[J].Journal of Shandong Industrial Technology,2018,37(15):128-133.
[3] 娄生超.基于视频图像识别技术的转辙机缺口检测系统的研究[D].兰州:兰州交通大学,2013.
[4] 郑霄.基于图像处理技术的转辙机实时在线监测的研究[D].北京:北京交通大学,2009.
[5] 樊文侠,焦正才.基于ARM9和Linux的转辙机缺口图像检测系统的设计[J].科学技术与工程,2012,12(24):6236-6240.
FAN Wenxia, JIAO Zhengcai. The Design of Switch’ Gap Pictures Detection Based on ARM9 and Linux[J]. Science Technology and Engineering, 2012,12(24):6236-6240.
[6] 周海波,张云贵,王丽娜,等.基于机器视觉的转辙机缺口检测方法研究[J].自动化与仪器仪表,2014,34(6):26-29.
ZHOU Haibo, ZHANG Yungui, WANG Lina, et al. Research of Switch Gap Detection Method Based on Machine Vision[J].Automation & Instrumentation,2014,34(6):26-29.
[7] 李超,赵林海,刘伟宁.基于Canny算子的转辙机缺口自动检测算法[J].铁道学报,2018,40(10):81-87.
LI Chao, ZHAO Linhai, LIU Weining. Automatic Detection Algorithm of Switch Machine Gap Based on Canny Operator[J]. Journal of the China Railway Society, 2018,40(10):81-87.
[8] 黄毅.关于S700K转辙机缺口检测技术的探讨[J].铁道通信信号,2011,47(11):37-38.
HUANG Yi. Discussion on Gap Detection Technology of S700K Switch Machine[J].Railway Signalling & Communication,2011,47(11):37-38.
[9] 李萌.转辙机表示缺口的图像监测板设计[D].西安:西安电子科技大学,2014.
[10] 谢凤英.数字图像处理及应用[M].北京:电子工业出版社,2014:217-390.
[11] DOU Y, HUANG Y, LI Q, et al. A Fast Template Matching-based Algorithm for Railway Bolts Detection[J]. International Journal of Machine Learning and Cybernetics, 2014, 5(6): 835-844.
[12] 何彪,李柏林,熊鹰,等.基于可变形部件模板的扣件状态识别[J].铁道学报,2019,41(3):91-96.
HE Biao, LI Bailin, XIONG Ying, et al. Fastener Status Recognition Using Deformable Part Template Model[J]. Journal of the China Railway Society, 2019,41(3):91-96.
[13] BRADLEY D, ROTH G. Adaptive Thresholding Using the Integral Image[J]. Journal of Graphics, GPU, and Game Tools, 2007, 12(2):13-21.
[14] 徐岩,雷涛.基于形态学方法的车道线检测算法研究[J].铁道学报,2009,31(1):107-110.
XU Yan, LEI Tao. Research of Traffic Lane Detection Algorithm Based on Morphology Method[J]. Journal of the China Railway Society, 2009,31(1):107-110.
[15] 赵玉凤,赵耀,朱振峰.一种新的基于区域的图像相似性计算[J].铁道学报,2007,29(1):55-60.
ZHAO Yufeng, ZHAO Yao, ZHU Zhenfeng. New Region-based Image Similarity Calculation[J]. Journal of the China Railway Society, 2007,29(1):55-60.
联系客服