System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及数据处理,特别是涉及一种基于红外传感器的地铁车站钢管柱检测方法。
技术介绍
1、地铁钢管柱检测场景中,地铁钢管柱使用过程中可能出现腐蚀、弯曲变形、疲劳断裂和脱落等缺陷,这些缺陷增加了钢管柱的安全风险,需要进行定期维护和检测以确保地铁车站的安全运营。因此,利用计算机视觉技术对地铁钢管柱进行定期缺陷检测,无疑节约了大量的运营维护成本。在地铁钢管柱缺陷检测过程中,常利用机器视觉装置获得地铁钢管柱的rgb图像与红外图像对缺陷区域进行分析,但往往实际使用场景下忽视钢管柱周围物体运动产生的热传导现象,导致缺陷类型难以区分,受到成像条件较大的影响。
2、由于地铁车站钢管柱区域热传导现象,导致钢管柱红外图像的上下区域呈现渐变式的温度梯度变化形式,区域边缘的局部区域异常程度难以准确度量,也即现有技术中缺陷检测准确率不够。
技术实现思路
1、本专利技术提供一种基于红外传感器的地铁车站钢管柱检测方法,该方法能够准确获取钢管柱缺陷类型信息,完成地铁车站钢管柱异常情况检测,便于后续的运营与维护。
2、第一方面,本申请提供一种基于红外传感器的地铁车站钢管柱检测方法,包括:
3、采集地铁车站钢管柱的rgb图像以及红外图像,并对所述rgb图像以及红外图像进行语义分割,使得所述rgb图像以及红外图像仅包含所述钢管柱;
4、基于所述rgb图像确定钢管柱的表面异常程度,所述表面异常程度表征钢管柱表面可见的缺陷;以及基于所述红外图像确定钢管柱的传导异常程度,所述传
5、基于所述表面异常程度以及所述传导异常程度确定异常区域的类型;
6、基于异常区域的类型确定缺陷区域。
7、在一可选实施例中,基于所述rgb图像确定钢管柱的表面异常程度,包括:
8、将所述rgb图像转化为rgb灰度图像;
9、利用自适应局部阈值分割算法对所述rgb灰度图像进行处理,获取多个二值图像;
10、基于所述多个二值图像得到多个连通域,每一所述连通域表征一个表面异常区域;
11、基于所述表面异常区域的面积、所述表面异常区域内部的灰度值和表面异常区域的邻域的灰度值的差值计算所述表面异常程度。
12、在一可选实施例中,基于所述表面异常区域的面积、所述表面异常区域内部的灰度值和表面异常区域的邻域的灰度值的差值计算所述表面异常程度,包括:
13、
14、其中,sdi表示的是第i个表面异常区域的表面异常程度,si表示的是第i个表面异常区域的面积大小,表示的是表面异常区域外部邻域像素点组成的集合的灰度均值,表示的是表面异常区域的区域内部灰度均值。
15、在一可选实施例中,基于所述红外图像确定钢管柱的传导异常程度,包括:将所述红外图像转化为红外灰度图像;
16、利用自适应局部阈值分割算法对所述红外灰度图像进行处理,获取多个二值图像;
17、基于所述多个二值图像得到多个连通域,每一所述连通域表征一个传导异常区域;
18、基于所述传导异常区域的面积、所述传导异常区域内部的灰度值和传导异常区域的邻域的灰度值的差值计算所述传导异常程度。
19、在一可选实施例中,基于所述传导异常区域的面积、所述传导异常区域内部的灰度值和传导异常区域的邻域的灰度值的差值计算所述传导异常程度,包括:
20、
21、其中,idi表示的是第i个传导异常区域的传导异常程度,si表示的是第i个传导异常区域的面积大小,表示的是传导异常区域外部邻域像素点组成的集合的灰度均值,表示的是传导异常区域的区域内部灰度均值。
22、在一可选实施例中,基于所述表面异常程度以及所述传导异常程度确定异常区域的类型,包括:
23、基于所述表面异常程度与所述传导异常程度建立坐标系,横坐标表示连通域的表面异常程度,纵坐标表示连通域的传导异常程度,所述坐标系上的点表示异常区域;
24、计算两个异常区域之间的欧式距离,基于所述欧式距离确定所述两个异常区域的相似程度;
25、基于所述相似程度对所述坐标系上的点进行聚类,得到多个聚类簇,确定所述聚类簇对应的异常区域的类型。
26、在一可选实施例中,所述基于所述欧式距离确定所述两个异常区域的相似程度,包括:
27、计算每一个异常区域的异常置信度;
28、基于所述异常置信度对两个异常区域的距离进行加权处理,得到加权欧式距离;
29、基于所述加权欧式距离确定所述两个异常区域的相似程度。
30、在一可选实施例中,如果所述加权欧式距离大于预设距离,则确定所述两个异常区域为同一聚类簇;如果所述加权欧式距离小于预设距离,则确定所述两个异常区域为不同聚类簇。
31、在一可选实施例中,基于所述聚类簇确定异常区域的类型,包括:
32、当聚类簇中异常区域的表面异常程度sd>>传导异常程度id时,所述聚类簇不存在表面或内部异常;
33、当聚类簇中异常区域的表面异常程度sd≈传导异常程度id时,所述聚类簇属于表面异常缺陷;
34、当聚类簇中异常区域的表面异常程度sd《传导异常程度id时,所述聚类簇属于内部异常缺陷。
35、在一可选实施例中:
36、计算每一个异常区域的异常置信度;包括:
37、
38、其中,db表示的是异常区域的异常置信度,d表示当前异常区域的中心像素点距离图像上下边界的最小距离,表示图像三个不同区域的第i个区域的灰度均值,g表示的是当前异常区域对应的灰度均值,三个不同区域分别为上连接区域、中间区域和下连接区域;
39、基于所述异常置信度对两个异常区域的距离进行加权处理,得到加权欧式距离,包括:
40、
41、其中,为加权欧式距离,d表示的是坐标系上的表示两个异常区域的欧式距离,δdb表示的是异常区域的异常值置信度之差的绝对值。
42、本申请的有益效果,区别于现有技术,本申请的基于红外传感器的地铁车站钢管柱检测方法,包括:采集地铁车站钢管柱的rgb图像以及红外图像,并对rgb图像以及红外图像进行语义分割,使得rgb图像以及红外图像仅包含钢管柱;基于rgb图像确定钢管柱的表面异常程度,表面异常程度表征钢管柱表面可见的缺陷;以及基于红外图像确定钢管柱的传导异常程度,传导异常程度表征钢管柱内部的缺陷;基于表面异常程度以及传导异常程度确定异常区域的类型;基于异常区域的类型确定缺陷区域。该方法能够准确获取钢管柱缺陷类型信息,完成地铁车站钢管柱异常情况检测,便于后续的运营与维护。
本文档来自技高网...【技术保护点】
1.一种基于红外传感器的地铁车站钢管柱检测方法,其特征在于,包括:
2.根据权利要求1所述的基于红外传感器的地铁车站钢管柱检测方法,其特征在于,基于所述RGB图像确定钢管柱的表面异常程度,包括:
3.根据权利要求2所述的基于红外传感器的地铁车站钢管柱检测方法,其特征在于,基于所述表面异常区域的面积、所述表面异常区域内部的灰度值和表面异常区域的邻域的灰度值的差值计算所述表面异常程度,包括:
4.根据权利要求1所述的基于红外传感器的地铁车站钢管柱检测方法,其特征在于,基于所述红外图像确定钢管柱的传导异常程度,包括:将所述红外图像转化为红外灰度图像;
5.根据权利要求4所述的基于红外传感器的地铁车站钢管柱检测方法,其特征在于,基于所述传导异常区域的面积、所述传导异常区域内部的灰度值和传导异常区域的邻域的灰度值的差值计算所述传导异常程度,包括:
6.根据权利要求2或4所述的基于红外传感器的地铁车站钢管柱检测方法,其特征在于,基于所述表面异常程度以及所述传导异常程度确定异常区域的类型,包括:
7.根据权利要求6所述的基
8.根据权利要求7所述的基于红外传感器的地铁车站钢管柱检测方法,其特征在于,如果所述加权欧式距离大于预设距离,则确定所述两个异常区域为同一聚类簇;如果所述加权欧式距离小于预设距离,则确定所述两个异常区域为不同聚类簇。
9.根据权利要求6所述的基于红外传感器的地铁车站钢管柱检测方法,其特征在于,基于所述聚类簇确定异常区域的类型,包括:
10.根据权利要求7所述的基于红外传感器的地铁车站钢管柱检测方法,其特征在于,计算每一个异常区域的异常置信度;包括:
...【技术特征摘要】
1.一种基于红外传感器的地铁车站钢管柱检测方法,其特征在于,包括:
2.根据权利要求1所述的基于红外传感器的地铁车站钢管柱检测方法,其特征在于,基于所述rgb图像确定钢管柱的表面异常程度,包括:
3.根据权利要求2所述的基于红外传感器的地铁车站钢管柱检测方法,其特征在于,基于所述表面异常区域的面积、所述表面异常区域内部的灰度值和表面异常区域的邻域的灰度值的差值计算所述表面异常程度,包括:
4.根据权利要求1所述的基于红外传感器的地铁车站钢管柱检测方法,其特征在于,基于所述红外图像确定钢管柱的传导异常程度,包括:将所述红外图像转化为红外灰度图像;
5.根据权利要求4所述的基于红外传感器的地铁车站钢管柱检测方法,其特征在于,基于所述传导异常区域的面积、所述传导异常区域内部的灰度值和传导异常区域的邻域的灰度值的差值计算所述传导异常程度,包括:<...
【专利技术属性】
技术研发人员:张艺超,晏娟娟,李倩倩,王珂,
申请(专利权)人:郑州铁路职业技术学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。