一种铁路货车转向架弹簧托板折断故障识别方法与流程

本发明属于铁路货车转向架弹簧托板折断故障检测技术领域，具体涉及一种基于边缘检测的铁路货车转向架弹簧托板折断故障图像识别方法。

背景技术：

转向架弹簧托板折断是弹簧托板的一种故障形态，弹簧托板把左右侧架连接在一起，提高了转向架的抗菱刚度。同时，左右侧架通过其顶部导框摇动座分别支撑在前后两承载鞍上，成为横向可同步摆动的吊杆。两侧架摆动时，摇枕横向移动，为限制摇枕过大的横向位移，防止摇枕窜出，在弹簧托板上设置了止挡板，通过止挡与摇枕下部三角挡的配合，限制摇枕的最大横向位移，起到安全挡的作用。当转向架弹簧托板折断时将影响其功用，给货车行车安全带来隐患。当前采用的人工逐张看图的检车作业方式，存在受人员素质、责任心影响，错漏检问题时有发生，作业质量难以保证，以及人工成本巨大、效率低下等问题。

技术实现要素：

本发明的目的是为解决采用人工检测方法对弹簧托板折断故障进行检测时容易出现错检、漏检的问题，而提出了一种铁路货车转向架弹簧托板折断故障识别方法。

本发明为解决上述技术问题采取的技术方案是：一种铁路货车转向架弹簧托板折断故障识别方法，所述方法包括以下步骤：

步骤一、获取货车的线阵图像；

步骤二、从步骤一获取的图像中截取出弹簧托板的局部区域图像；

步骤三、采用逐步定位的方法，从步骤二获得的局部区域图像中精定位出弹簧托板两侧的挡板；

步骤四、将弹簧托板两侧的挡板切割为若干张有重叠区域的子图，比较相邻子图的梯度信息判断是否发生折断故障。

本发明的有益效果是：

1、将自动识别技术引入货车故障检测，实现故障自动识别及报警，人工只需对报警结果进行确认，有效节约人力成本，提高检测的准确率和检测效率。

2、不同车型的弹簧托板的形态各异，发生故障的位置也不固定，难以通过传统的模板匹配或图像处理方法直接对弹簧托板进行精定位，本发明采用了一种逐步定位的方法，利用弹簧托板周边部件信息，及弹簧托板本身u型对称的特性，有效精确地定位托板位置。

3、对图像滤波进行了改进，提出了一种多子窗口滤波的方法，克服了列车行驶中托板表面的灰尘和污渍产生的干扰。

4、根据弹簧托板形态特点，对边缘检测算子进行了改进，提出了对45°和135°的边缘的两种检测算子，这样就采用接近角度的sobel算子，边缘的检测效果更好。

附图说明

图1为本发明方法的流程图；

图2为多子窗口的示意图；

图3为45°的sobel算子的示意图；

图4为135°的sobel算子的示意图；

图5为对两侧挡板图像进行切割的示意图。

具体实施方式

具体实施方式一：结合图1说明本实施方式。本实施方式所述的一种铁路货车转向架弹簧托板折断故障识别方法，该方法具体通过以下步骤实现：

步骤一、获取货车的线阵图像；

步骤二、从步骤一获取的图像中截取出弹簧托板的局部区域图像；

步骤三、采用逐步定位的方法，从步骤二获得的局部区域图像中精定位出弹簧托板两侧的挡板；

步骤四、将弹簧托板两侧的挡板切割为若干张有重叠区域的子图，比较相邻子图的梯度信息判断是否发生折断故障。

针对转向架弹簧托板折断故障的自动化检测具有重要意义。通过结合图像处理和深度学习技术，实现故障自动识别和报警，有效提高检车作业质量和效率。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述线阵图像是利用搭建在货车轨道周围的高清设备拍摄的，通过线扫描的方式实现图像的无缝拼接。

本实施方式可以获得视野大、精度高的二维图像。

具体实施方式三：本实施方式与具体实施方式一不同的是：所述步骤二的具体过程为：

根据货车轴距信息和转向架信息对弹簧托板所在转向架区域进行粗定位后，从线阵图像中截取出包含弹簧托板的局部区域图像。

截取出弹簧托板的局部区域图像可有效减少故障识别所需时间、提升识别准确率。

具体实施方式四：本实施方式与具体实施方式一不同的是：所述步骤三的具体过程为：

步骤三一、定位弹簧托板中心列

在局部区域图像中，根据转向架上两个对称的三角孔内阴影区域的图像特征，提取出阴影区域的位置信息；

将两个阴影区域对称的中心列作为弹簧托板中心列；

由于两个三角孔对称于转向架整体的中心列，故将两个阴影区域对称中心列作为转向架整体的中心列。再由于弹簧托板中心列与转向架中心列在同一位置，故成功精定位到弹簧托板中心列；

步骤三二、定位弹簧托板底边

采用多子窗口滤波方法对局部区域图像进行滤波处理，获得滤波处理后的图像；再使用sobel算子提取出弹簧托板u型底边边缘信息，获得弹簧托板底边位置信息；

步骤三三、定位弹簧托板拐角

采用45°的sobel算子对弹簧托板左侧拐角进行检测，采用135°的sobel算子对弹簧托板右侧拐角进行检测，获得弹簧托板两个拐角的位置信息；

由于弹簧托板折断故障常发生在u型的两侧挡板处，故需要对两侧挡板进行进一步定位提取。两侧挡板的位置可以通过弹簧托板底边和两侧挡板连接角的位置确定。

根据弹簧托板中心列和弹簧托板底边位置，可以截取出一个包含弹簧托板底边和两侧挡板连接角的子区域图像。本发明根据u型底边和两侧挡板连接角的灰度特征，设计了两个改进的sobel算子。传统的sobel算子只有水平sobel算子和垂直sobel算子，对水平方向和垂直方向的边缘相应强，对倾斜的边缘相应较弱。针对弹簧托板底边和两侧挡板连接角呈现圆角的特点，设计了45°和135°的改进sobel算子，这样就采用接近角度的sobel算子，边缘的检测效果更好，如图3和图4所示。使用135°的改进sobel算子对左侧圆角进行检测，使用45°的改进sobel算子对右侧圆角进行检测，从弹簧托板两个拐角的位置信息。

步骤三四、提取弹簧托板两侧的挡板子图

根据弹簧托板底边和两个拐角的位置信息提取出包含两侧挡板的两张子图。

具体实施方式五：本实施方式与具体实施方式四不同的是：所述多子窗口滤波方法具体为：

将5×5的滤波窗口划分为9个3×3的子窗口，如图2所示，计算子窗口zi，j内所有点的像素值的中值ni，j；

ni，j＝median(x∈fi，j)

其中，fi，j为子窗口zi，j内的点的像素值的集合，i＝1，2，3，j＝1，2，3；median(x∈fi，j)代表选取出子窗口zi，j内全部点的像素值中的中值；

计算所有子窗口中值的平均值v：

计算每个子窗口中值ni，j与平均值v的绝对差值fai，j：

fai，j＝|ni，j-v|

计算每个子窗口中值对应的归一化权值wi，j：

其中，th是所有子窗口绝对差值fai，j的平均值；

将所有子窗口的中值与对应权值进行加权相加，相加结果作为滤波输出f(i，j)：

f(i，j)＝∑ni，jwi，j。

对于铁路货车部件，由于运行环境复杂，常出现灰尘、污渍等干扰，图像上反映为黑白、区域大小不一、亮度随机的不规则噪点，与传统意义上的椒盐噪声有所区别，仅通过中值滤波很难消除噪声干扰，所以本发明提出了一种改进的多子窗口滤波方法。

本方法通过对每个子窗口进行中值计算，有效的滤除椒盐噪声，并通过对所有子窗口的加权运算，消除区域较大的黑白斑点噪声。同时通过计算子窗口中值与平均值的绝对差值，反映出该子窗口内纹理的复杂程度，通过提高纹理复杂的子窗口权重，有效地保留了图像的细节信息。

实验结果表明，该算法对图像中的噪声具有较好的滤除性能，并且较好地保持了图像的细节，效果优于传统的滤波算法。

具体实施方式六：本实施方式与具体实施方式一不同的是：所述步骤四的具体过程为：

对弹簧托板左侧的挡板图像进行切割，将其切割为3张子图，3张子图的高度均为50像素，宽度均为30像素，3张子图中相邻的子图之间有20％的重叠区域；

分别利用水平sobel算子和垂直sobel算子对每张子图进行检测，得到每张子图中的水平梯度强度和垂直梯度强度，并计算每张子图的水平梯度强度与垂直梯度强度的比值的绝对值；

将相邻两个子图对应的绝对值做差，若存在着相邻两个子图的做差结果的绝对值大于0.2，则认为左侧挡板发生折断故障，否则，任意的相邻两个子图的做差结果的绝对值均小于等于0.2，则认为左侧挡板未发生折断故障；

同理，对弹簧托板右侧的挡板图像进行处理，判断右侧挡板是否发生折断故障。

由于发生折断故障时，相邻位置的梯度变化比整体图像的梯度变化更明显，故将托板两侧挡板图像，切割为多张子图进行检测，切割示意图如图5所示。若子图a1的水平和垂直梯度比值的绝对值为a1，子图a2的水平和垂直梯度比值的绝对值为a2，且子图a1与子图a2为任意的相邻子图，当存在a1与a2的差的绝对值大于0.2时，则认为发生折断故障，只有任意两个相邻子图所对应的绝对值做差结果的绝对值均小于等于0.2，才能认为未发生折断故障。

本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。