一种货车轴箱弹簧故障自动检测方法
技术领域
本发明涉及一种货车轴箱弹簧故障自动检测方法。属于货车运行技术领域。
背景技术
货车轴箱弹簧起到缓冲和固定作用，用于避免车辆在运行速度范围内蛇行运动失稳，保证曲线通过时具有良好的导向性能，减轻轮缘与钢轨间的磨耗和噪声，确保运行安全和平稳。轴箱弹簧的折断或窜出会危及行车安全，因此，铁路有关部分对轴箱弹簧故障检测非常重视。在轴箱弹簧故障检测中，一般采用人工检查图像的方式进行故障检测。但由于检车人员在工作过程中极易出现疲劳、注意力不集中等情况，而且还可能由于个人原因很导致出现漏检、错检的情况，无法确保货车的行车安全。
图像处理与模式识别技术不断成熟，采用图像自动识别的方式可提高检测效率和稳定性。因此，采用图像处理、模式识别自动进行轴箱弹簧故障识别，可以有效提高检测准确率和稳定性。
发明内容
本发明是为了解决现有货车轴箱弹簧采用人工检测图像的方式进行故障检测准确性和稳定性不高，而无法确保货车行车安全的问题。现提供一种货车轴箱弹簧故障自动检测方法。
一种货车轴箱弹簧故障自动检测方法，包括：
步骤一、货车通过成像设备后，获取轴箱弹簧大图像，所述轴箱弹簧大图像包括高度图像和灰度图像；
步骤二、对轴箱弹簧大图像中的高度图像进行校正；
步骤三、分别获取轴箱弹簧整体高度子图像与灰度子图像；
步骤四、根据得到的灰度图像来判别轴箱弹簧的故障类型；
步骤五、识别出故障后，通过子图像与轴箱弹簧大图像、轴箱弹簧大图像与原始图像的映射关系，计算出故障在原始图像中的位置，并通过故障显示平台显示该故障。
有益效果
1、本发明利用图像自动识别的方式代替人工检测，提高了检测效率和准确率，确保了货车行车的安全。
2、采用3D硬件设备拍摄出的图像，可依据部件与相机距离即部件深度信息直接对部件定位，后续识别简洁高效。
3、系统在3D设备采集的高度与灰度图像上进行故障识别，3D高度图像是被检测物体的深度信息，使得故障检测不受雨水、粉笔、白漆、污渍的影响，故系统稳定性增强。
4、对3D高度图像先校正后识别，降低了后面检测故障的复杂度且识别准确度高。
5、针对不同探测站、不同车型进行图像融合得到弹簧正常无故障的模板图像，提高了系统普适性。
6、先识别头圈故障，再识别尾圈故障，最后识别左右窜出与中间层折断的流程，提高了系统检测效率。
附图说明
图1为本发明的流程图；
图2为本发明具体故障识别流程图；
图3为深度信息y与行位置x关系图。
具体实施方式
具体实施方式一：参照图1来说明本实施方式，本实施方式一种货车轴箱弹簧故障自动检测方法，包括：
步骤一、在轨道周围搭建成像设备，成像设备与车体侧面有一定仰角，货车通过成像设备后，获取轴箱弹簧大图像(即粗定位图像，根据轴距信息并结合轴箱弹簧在转向架中位置的先验知识截取的包含轴箱弹簧但范围比轴箱弹簧大一些的图像)，所述大图像包括高度图像与灰度图像；
步骤二、对轴箱弹簧大图像中的高度图像进行校正；
步骤三、分别获取轴箱弹簧整体高度子图像与灰度子图像；
步骤四、根据得到的灰度图像来判别轴箱弹簧的故障类型；
步骤五、识别出故障后，通过子图像与轴箱弹簧大图像、轴箱弹簧大图像与原始图像的映射关系，计算出故障在原始图像中的位置，并通过故障显示平台显示该故障。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一在轨道周围搭建成像设备，货车通过设备后，获取轴箱弹簧大图像，所述轴箱弹簧大图像包括高度图像与灰度图像；具体过程为：
所述成像设备包括相机采集单元、磁钢单元、3D图像采集工控机单元、控制工控机单元和图像识别单元，其中相机采集单元包括相机和补偿光模块；
相机采集单元拍摄采集经过的货车图像，3D图像采集工控机单元将采集到的图像进行存储；磁钢单元将近端磁钢和远端磁钢信号传递给控制工控机单元，控制工控机单元通过获取的近端磁钢和远端磁钢信号信息计算出车速和轴距信息，并将车速和磁钢轴距信息传递给图像识别单元，图像识别单元通过利用获取的轴距信息和图像信息等来实现自动识别算法；
将控制工控机单元得到的磁钢轴距信息与货车原始图像相结合，由先验知识可粗略估计出轴箱弹簧部件位置，并得到轴箱弹簧大图像，所述轴箱弹簧大图像包含一一对应的高度图像与灰度图像。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤二对轴箱弹簧大图像中的高度图像进行校正；具体过程为：
通过有仰角的相机拍摄货车的侧面图像，故最初得到的3D图像的同一平面的深度信息并不相同，比如，轴承的3D图像并不是理想的圆柱，而是离地面远的部分深度信息值较小，离地面近的部分深度信息值较大；
对于同一平面的物体，理想的深度信息值应为相同，但最初在深度图像中却在不同行的图像中有所区别；深度信息存在一定扰动，但大体上实际的深度信息与最初深度信息的差值和图像中的行数关系相当于直角三角形的两条直角边；当前x行位置的深度信息为y，实际的深度信息为yr，其对应关系如图3所示，公式为：
(yr-y) ＝ k(x-x0) (1)
其中，k表示倾角正切值；x0表示同一平面的物体当高度图像中的深度值取到最大值时，其所在图像中的行数；k与x0的值通过大量的采集数据计算拟合得到；选择转向架侧架实际物体是同一平面，且部件尺寸大的地方采集数据；
由于货车在行驶故障中本身在运动，每辆车与3D高清成像设备间的距离是有变化的，所以对不同车型、不同站点以及不同时间过车的深度图像进行采集，为深度图像校正提供充足数据；
对于轴箱弹簧大图像，经公式(1)计算后得到yr，即完成了对高度图像的校正；此时同一平面的物体基本为同一值，轴承3D图像大体为圆柱。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤三分别获取轴箱弹簧整体高度子图像与灰度子图像；具体过程为：
对于校正后的高度图像，由于轴承与相机距离和轴箱弹簧与相机的距离相近，故高度信息值也用类似的先验知识来判断当前图像中是否有轴箱弹簧部件；
若高度图像中在轴承高度附近范围内的部件只有轴承，则当前图像为不包含轴箱弹簧部件，故不在识别范围内；若高度图像中在轴承高度附近范围内的部件有轴承与轴箱弹簧，则要进行后续的识别；先对轴箱弹簧用阈值th1进行全局二值化；然后查找二值化图像中面积大于阈值th2的连通区域；若找到了多于1个连通区域则为包含轴箱弹簧的车型，进行后续识别；若只检测到了一个连通区域则为不包含轴箱弹簧的车型，则不进行后续识别；
全局二值化图像中除去中间轴承的连通区域即为两条轴箱弹簧的位置；通过连通区域位置，分别截取轴箱弹簧整体高度子图像与灰度子图像；根据比例截取轴箱弹簧头圈与上邻近部件的高度子图像与灰度子图像；根据比例截取轴箱弹簧尾圈与下邻近部件的高度子图像与灰度子图像。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述步骤四判断识别轴箱弹簧的故障类型；具体过程为：
轴箱弹簧窜出分为头圈窜出、尾圈窜出和左右倾斜窜出三种情况；轴箱弹簧折断分为头圈折断、中间层弹簧折断和裂缝型折断；轴箱弹簧头圈窜出与尾圈窜出属于端部弹簧窜出，且均采取相同识别方式；左右倾斜窜出采用另外方式进行识别；轴箱弹簧折断采用头圈折断与中间层折断两种识别方式；若识别出了头圈窜出或折断则不进行后续识别；若识别出了尾圈窜出则不进行后续识别；对轴箱弹簧左右窜出、中间折断进行进一步的识别识别；
步骤四一、模板数据库建立：
对不同探测站点端部轴箱弹簧与邻近部件灰度图像进行采集；对采集后的图像进行多尺度的图像融合，作为正常无故障图像，融合后的图像具有更多、更有价值的信息；
步骤四二、端部窜出与折断故障识别
正常情况下，轴箱弹簧的头圈与上邻近部件的位置关系是紧密相贴的，轴箱弹簧的头圈折断或窜出后头圈弹簧与上邻近部件不再紧密相贴，边缘(图像中的亮暗交接处)比正常无故障图像增多，且纹理更加丰富，通过取轴箱弹簧头圈和上邻近部件灰度子图像与正常无故障图像的比对即可识别出是否出现故障；正常的轴箱弹簧尾圈与下邻近部件的位置关系是尾圈卡在下邻近部件槽中，轴箱弹簧的尾圈窜出后会骑在下邻近部件上，通过弹簧尾圈和下邻近部件灰度子图像与正常无故障图像比对即可识别是否出现故障；
将当前端部轴箱弹簧及相邻部件灰度子图与上一步中的正常无故障图像进行相似度匹配，检测到的图像相似度低于某一阈值时，进行故障报警。
步骤四三、中间层弹簧故障识别
通过对弹簧整体倾斜程度识别出弹簧是否发生左右倾斜窜出的故障，至此若仍未检测出故障，则进行轴箱弹簧中间层折断故障的识别；
轴箱弹簧左右倾斜窜出的故障通过高度图像计算外接矩形倾斜度识别，对轴箱弹簧整体高度子图像进行OTSU二值化处理，然后经形态学开运算处理消除相邻弹簧之间的弹簧间隙，最后检测图像中最大的连通区域；当最大连通区域的最小外接矩形的倾斜角度大于k时，即判定为轴箱弹簧有左右倾斜窜出的故障发生；
对于轴箱弹簧中间层的折断，通过对每层弹簧进一步分析来识别；先对每层弹簧进行分割，此分割方法可将正常图像每层弹簧被分割成多个高度小于正常弹簧直径的小区域，若出现高度大于一圈弹簧高度的连通区域，则证明有上下错位的折断故障发生，进行故障报警；若仍未检测出故障，但检测出连通区域宽度小于正常宽度的80％，则证明有弹簧存在裂缝型折断，进行故障报警。
具体实施方式六、本实施方式与具体实施方式一至五之一不同的是，所述分割方法包括：
获取弹簧掩膜图像：
对当前列的弹簧原始高度图像进行全局二值化(轴箱弹簧有两列弹簧，定位每列(条)子图后，要对每一列的轴箱弹簧分别进行后续故障检测)，灰度值大于th1为255，小于th1为0,即可得到掩膜图像；
获取弹簧滤波图像：
将滤波图像的所有像素值赋值为0，大小与原始图像相同；对于(i，j)位置，若在掩膜图像中为非0，则进行如下操作：以(i，j)为中心，计算原始图像长度为W，宽度为H矩形区域内(只考虑掩膜图像中非0像素位置)的亮度均值作为滤波图像中的像素值；
获取弹簧分割图像：
将分割图像像素全部设置为0，大小与原始图像相同；对于(i，j)位置，当在掩膜图像中像素为非0，则进行如下操作：滤波图像中(i-h1，j)与(i+h1，j)位置的像素值均与(i，j)做差，当差值的绝对值相加大于th时，分割图像像素值为255。
