基于纹理特征聚类的机车轮对踏面损伤检测的方法技术

本发明专利技术公开了一种基于纹理特征聚类的机车轮对踏面损伤检测方法，首先通过踏面图像分块纹理聚类的方法来确定损伤可疑区域，然后利用梯度信息在可疑区域内进行损伤轮廓点检测，根据检测到的损伤轮廓点进一步确定种子点，在此基础上采用基于最大似然估计与

Method for detecting tread damage of locomotive wheelset based on texture feature clustering

The invention discloses a method for detecting damage of locomotive wheelset tread texture features based on clustering method, first through the tread block texture image clustering to determine the damage the suspicious area, and then use the gradient information of the contour points of damage detection in the suspicious region, according to the detected damage contour points to further determine the seed point, on the basis of based on the maximum likelihood estimation and

【技术实现步骤摘要】
基于纹理特征聚类的机车轮对踏面损伤检测的方法
本专利技术涉及无损检测
，具体而言涉及一种基于纹理特征聚类的机车轮对踏面损伤检测方法。
技术介绍
机车轮对作为机车行走的主要部件之一，其能否正常工作会直接影响到机车的行驶安全。机车轮对踏面的损伤与否是影响机车运行的重要因素。因此，是否能够正确的检测出机车踏面存在的损伤，对机车的正常运行有至关重要的作用。机车车轮踏面的损伤是机车在运行过程中形成的不规则的表面缺陷。常见的踏面损伤有：擦伤、剥离等。目前，由于机车紧急制动、车轮间瓦材料不结实、空重车调整装置漏调导致空车时在重车位制动力过大、机车司机操作不合理及车辆缓解不利等原因，造成机车轮对踏面剥离、擦伤等故障颇为常见。目前，机车踏面损伤检测的传统方法是由机车检修工作人员通过肉眼观察或者声音识别的方法来进行踏面损伤的检测。这种方法存在劳动强度大、占用机车的运行时间、检测效率低下和自动化程度低等不足之处。随着机器视觉检测技术的发展，通过机器视觉进行物体的尺寸、外形、表面缺陷等检测技术得到长足的发展与广泛的应用。机器视觉检测技术具有：非接触式、检测准确、检测效率高等优点。因此，研究一种高精度、高可靠性的非接触式车轮损伤在线检测方法对提高我国铁路机车轮对的检测技术水平有重要意义。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术在机车踏面损伤检测方面的不足，利用图像处理技术，提出了一种基于纹理特征聚类的机车轮对踏面损伤检测的方法，高效、准确地对机车轮对踏面的损伤进行检测。本专利技术为解决上述技术问题采用以下技术方案：基于纹理特征聚类的机车轮对踏面损伤检测方法，包括以下步骤：步骤1)，按照横向分块的方式对整个踏面区域进行分块处理，子区域高度大于最小需要检测出的损伤区域的高度；令整体的踏面图像为W，子区域数为N，N为大于1的自然数，子区域为wi，i＝1,2…N；步骤2)，对于每个子区域wi，基于灰度共生矩阵计算其纹理特征，得到其纹理特征向量vi，i＝1,2…N；步骤3)，对每个子区域wi的纹理特征向量vi进行归一化处理后，采用K-means++聚类方法对纹理特征向量空间内的所有的纹理特征向量进行聚类，将其划分为两类，并选取对比度较大的一类作为可疑子区域集合[ws1,ws2,…,wsj]，j＝1,2…k,k＜N；步骤4)，对相邻的可疑子区域进行合并，得到若干个不相邻的合并区域集合[M1,M2,…,Mu,…,Mm]后，在每个合并区域Mu内分别沿着水平扫描线与垂直扫描线寻找横向与纵向的灰度跳跃点，将其作为轮廓点的候选点，得到候选点集合，其中，u＝1,2…m,m＜k；步骤5)，在候选点集合中沿着扫描线选取两个相邻的候选点，基于全局阈值的方法计算这两个候选点的扫描线上所有像素的灰度值的阈值T；步骤6)，根据以下公式计算灰度值阈值P1与P2:P1＝α×TP2＝β×T其中，α与β均为预设的比例系数，0≤α＜β≤1；步骤7)，如果两个候选点之间的像素数目Num乘以预设的比例系数ε大于等于两个候选点之间灰度值介于P1与P2之间的像素数目Num1，或者两个候选点的梯度方向的乘积大于等于0，则将该两个候选点从候选点集合中剔除；其中，0＜ε＜1；步骤8)，重复步骤5)到步骤7)，直到候选点集合中候选点的数目不再变化，此时将候选点集合作为轮廓点集合；步骤9)，在轮廓点集合中，沿水平扫描线与垂直扫描线对任意两个相邻的轮廓点进行连线，将所有呈直角相交的连线的交点作为种子点，获得种子点集合S；步骤10)，令所有合并区域中损伤区域的灰度值X～N(μ,σ2)，种子点集合S为从分布X中取得的部分样本,采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差σ2；步骤11)，根据种子点集合S总体分布X的均值μ与方差σ2采用区域生长技术实现机车踏面损伤区域的检测，得到损伤区域集合；步骤12)，计算损伤区域的集合中每个损伤区域的特征向量，所述特征向量包含损伤区域轮廓的重心坐标、灰度均值和灰度方差；步骤13)，计算损伤区域集合中任意两个损伤区域之间的欧氏距离，并在两个损伤区域之间的欧式距离小于预先设定的距离阈值时、基于方向性结构元素的形态学方法将该两个损伤区域进行合并。作为本专利技术基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案，所述步骤2)中的纹理特征向量包含方差σ2(z)、对比度Co和一致性Ho，其中：其中，z是表示子区域图像的灰度值，p(zg)为相应的直方图，g＝0,1,2...,L-1，其中L是不同灰度级的数量，m为z的均值；zg表示图像灰度为g的灰度值；其中，K是子区域图像的灰度共生矩阵的行数，r、l均为大于等于1小于等于K的自然数；prl为满足位置算子Q的值为(zr,zl)的点对的概率估计，概率估计的值域为[0,1]，且所有概率估计的和为1：所述位置算子Q的生成方向θ＝0°、生成间距d＝1；H是轮廓点集合中所有在垂直扫描线上的轮廓点的集合。作为本专利技术基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案，步骤3)对每个子区域wi的纹理特征向量vi进行归一化处理的详细步骤如下：步骤3.1)，将所有的纹理特征向量vi组成矩阵Y∈RN×3,即：步骤3.2)，根据以下公式对矩阵Y进行归一化：其中，Ym,n表示矩阵Y内第m行n列的元素，Y(n)表示矩阵Y的第n列，max(Y(n))与min(Y(n))分别表示矩阵Y第n列组成的向量的最大值与最小值。作为本专利技术基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案，步骤5)中所述基于全局阈值的方法计算两个相邻候选点的扫描线上所有像素的灰度值的阈值T的详细步骤如下：步骤5.1)，根据以下公式计算沿着扫描线方向两个候选点之间所有像素点的灰度值的均值T′：其中，L1、L2、…、Lb、…、LB分别为两个候选点之间的像素点的灰度值，b＝1,2,…B，B为两个候选点之间的像素点的个数；步骤5.2)，采用均值T′对沿着扫描线方向对相邻两个候选点之间的像素点集合进行二值化，将灰度值大于均值T′的像素放入集合Sbigger中，小于等于均值T′的像素放入集合Sless中；步骤5.3)，分别计算Sbigger与Sless内各个像素灰度值的均值Tbigger、Tless；步骤5.4)，将Tbigger、Tless的平均值和均值T′作差得到ΔT′；步骤5.5)，将Tbigger、Tless的平均值赋给均值T′，清空集合Sbigger与Sless；步骤5.6)，重复步骤5.2)至步骤5.5)，直到ΔT′的绝对值小于预设的差值阈值；步骤5.7)，将均值T′作为两个相邻候选点的扫描线上所有像素的灰度值的阈值T输出。作为本专利技术基于纹理特征聚类的机车轮对踏面损伤检测方法进一步的优化方案，所述步骤10)中根据以下公式计算种子点集合S总体分布X的均值μ与方差σ2：其中，n表示种子点集合内像素的数目，ind为种子点像素的索引，ind＝1,2…n；xind表示种子点集合内索引为ind的像素的灰度值，为种子点集合内像素灰度值的均值。6、根据权利要求1所述的基于纹理特征聚类的机车轮对踏面损伤检测方法，其特征在于，所述步骤4)中寻找横向与纵向的灰度跳跃点的详细步骤如下：沿着某一横向或纵向的扫描线，计算当前点的灰度值与相邻的两点的灰度值的差本文档来自技高网...

【技术保护点】
基于纹理特征聚类的机车轮对踏面损伤检测方法，其特征在于，包括以下步骤：步骤1)，按照横向分块的方式对整个踏面区域进行分块处理，子区域高度大于最小需要检测出的损伤区域的高度；令整体的踏面图像为W，子区域数为N，N为大于1的自然数，子区域为w

【技术特征摘要】
1.基于纹理特征聚类的机车轮对踏面损伤检测方法，其特征在于，包括以下步骤：步骤1)，按照横向分块的方式对整个踏面区域进行分块处理，子区域高度大于最小需要检测出的损伤区域的高度；令整体的踏面图像为W，子区域数为N，N为大于1的自然数，子区域为wi，i＝1,2…N；步骤2)，对于每个子区域wi，基于灰度共生矩阵计算其纹理特征，得到其纹理特征向量vi，i＝1,2…N；步骤3)，对每个子区域wi的纹理特征向量vi进行归一化处理后，采用K-means++聚类方法对纹理特征向量空间内的所有的纹理特征向量进行聚类，将其划分为两类，并选取对比度较大的一类作为可疑子区域集合[ws1,ws2,…,wsj]，j＝1,2…k,k＜N；步骤4)，对相邻的可疑子区域进行合并，得到若干个不相邻的合并区域集合[M1,M2,…,Mu,…,Mm]后，在每个合并区域Mu内分别沿着水平扫描线与垂直扫描线寻找横向与纵向的灰度跳跃点，将其作为轮廓点的候选点，得到候选点集合，其中，u＝1,2…m,m＜k；步骤5)，在候选点集合中沿着扫描线选取两个相邻的候选点，基于全局阈值的方法计算这两个候选点的扫描线上所有像素的灰度值的阈值T；步骤6)，根据以下公式计算灰度值阈值P1与P2:P1＝α×TP2＝β×T其中，α与β均为预设的比例系数，0≤α＜β≤1；步骤7)，如果两个候选点之间的像素数目Num乘以预设的比例系数ε大于等于两个候选点之间灰度值介于P1与P2之间的像素数目Num1，或者两个候选点的梯度方向的乘积大于等于0，则将该两个候选点从候选点集合中剔除；其中，0＜ε＜1；步骤8)，重复步骤5)到步骤7)，直到候选点集合中候选点的数目不再变化，此时将候选点集合作为轮廓点集合；步骤9)，在轮廓点集合中，沿水平扫描线与垂直扫描线对任意两个相邻的轮廓点进行连线，将所有呈直角相交的连线的交点作为种子点，获得种子点集合S；步骤10)，令所有合并区域中损伤区域的灰度值X～N(μ,σ2)，种子点集合S为从分布X中取得的部分样本,采用最大似然估计法估计种子点集合S总体分布X的均值μ与方差σ2；步骤11)，根据种子点集合S总体分布X的均值μ与方差σ2采用区域生长技术实现机车踏面损伤区域的检测，得到损伤区域集合；步骤12)，计算损伤区域的集合中每个损伤区域的特征向量，所述特征向量包含损伤区域轮廓的重心坐标、灰度均值和灰度方差；步骤13)，计算损伤区域集合中任意两个损伤区域之间的欧氏距离，并在两个损伤区域之间的欧式距离小于预先设定的距离阈值时，基于方向性结构元素的形态学方法将该两个损伤区域进行合并。2.根据权利要求1所述的基于纹理特征聚类的机车轮对踏面损伤检测方法，其特征在于，所述步骤2)中的纹理特征向量包含方差σ2(z)、对比度Co和一致性Ho，其中：其中，z是表示子区域图像的灰度值，p(zg)为相应的直方图，g＝0,1,2...,L-1，其中L是不同灰度级的数量，m为z的均值；zg表示图像灰度为g的灰度值；其中，K是子区域图像的灰度共生矩阵的行数，r、l均为大于等于1小于等于K的自然数；prl为满足位置算子Q的值为(zr,zl)的点对的概率估计，概率估计的值域为[0,1]，且所有概率估计的和为1：所...

【专利技术属性】
技术研发人员：黎宁，吕洪波，汪成，梅劲松，袁家斌，沈晓东，张兆贵，徐明军，
申请(专利权)人：南京航空航天大学，南京拓控信息科技股份有限公司，
类型：发明
国别省市：江苏,32