《具有深度檢測功能的列車異常檢測方法及系統》是蘇州華興致遠電子科技有限公司和北京華興致遠科技發展有限公司於2013年2月1日申請的專利,該專利的申請號為2013100410285,公布號為CN103077526A,公布日為2013年5月1日,發明人是董雪松、李駿、袁寧、宋野、許皓、嚴鴻飛、楊蘇,該發明涉及列車故障檢測技術。
《具有深度檢測功能的列車異常檢測方法及系統》其中方法包括:獲取列車車號和列車當前圖像;查找預設圖像庫中與列車車號相對應的列車參考圖像,所述列車參考圖像和列車當前圖像均包括灰度信息和深度信息;對齊列車當前圖像和列車參考圖像,以及,比對兩者中對應區域的灰度信息;比對列車當前圖像與列車參考圖像中灰度不一致區域的深度信息,將兩者深度信息不一致區域確定為列車異常區域,以及輸出列車異常報警信息。上述方案能夠避免列車圖像受到光線、灰塵、水漬等外界環境的干擾導致的異常檢測不準確的問題,進而提高利用計算機通過對列車圖像異常檢測的準確度,最終降低報警的誤報率。
2017年5月,《具有深度檢測功能的列車異常檢測方法及系統》獲得第十屆江蘇省專利項目獎優秀獎。
(概述圖為《具有深度檢測功能的列車異常檢測方法及系統》摘要附圖)
基本介紹
- 中文名:具有深度檢測功能的列車異常檢測方法及系統
- 公布號:CN103077526A
- 公布日:2013年5月1日
- 申請號:2013100410285
- 申請日:2013年2月1日
- 申請人:蘇州華興致遠電子科技有限公司、北京華興致遠科技發展有限公司
- 地址:江蘇省蘇州市工業園區金雞湖大道國際科技園一期一區3號樓1340室
- 發明人:董雪松、李駿、袁寧、宋野、許皓、嚴鴻飛、楊蘇
- 分類號:G06T7/00(2006.01)I、G06K9/62(2006.01)I
- 代理機構:北京同輝智慧財產權代理事務所(普通合夥)
- 類別:發明專利
- 代理人:劉洪勛
專利背景,發明內容,專利目的,技術方案,附圖說明,權利要求,實施方式,榮譽表彰,
專利背景
鐵路運輸以運輸量大、快捷、安全性可靠性高等優點,在交通運輸領域占據著較為重要的位置。
列車作為鐵路運輸的核心部分,在運行過程中可能會出現車體零部件異常情況。零部件異常情況的出現將危及列車的行車安全。因此,列車異常檢測的全面、準確、快速對鐵路的安全運行至關重要。
但是,傳統的列車異常通常採用人工進行檢測,這種方式存在以下缺陷:
1、列車大部分時間處於運動狀態,只有列車進站後或完成運營公里數入庫後才檢修,這導致列車出現異常不能及時發現和檢修,最終增大人工檢測的難度和列車異常的漏檢機率。
2、即便列車進站或入庫,由於列車(包括貨車、客車、動車組及其它類型列車)的結構複雜,部件眾多,檢修人員很難記住各個零部件的正常狀態,而且零部件之間存在遮擋而存在視覺盲區,這既進一步增大列車異常的漏檢機率,也進一步降低異常檢測效率和準確度。
以動車為例,動車具有一站直達、停站時間短、長交路等運行特點。這些特點導致動車無法在中途進行人工異常檢測。動車進站後,站台高度較高,列車隱蔽部件數量多,存在視覺盲區;動車入庫後,其車輪的內外輪輞、踏面、輪緣由於鋼軌和轉向架結構的遮擋,同樣也存在著視覺盲區。視覺盲區的存在進一步提高了列車異常漏檢機率。
為了克服人工檢測的缺陷,雖然現在也存在利用計算機自動異常檢測方式以輔助人工檢測,也達到降低工作難度和漏檢機率的目的,但是,由於列車零部件數目頗多,故障類型難以預計,而且計算機自動異常檢測過程中獲取的列車圖像容易受到光線、灰塵、水漬等外界環境的干擾,進而導致列車圖像並不能準確地反映列車各個零部件的真正狀態,最終影響列車異常的檢測結果,導致報警誤報率高。
發明內容
專利目的
該發明的目的在於提供具有深度檢測功能的列車異常檢測方法及系統,以實現對列車異常更加準確地檢測,進而降低報警誤報率。
技術方案
該發明實施例提供一種具有深度檢測功能的列車異常檢測方法,包括以下步驟:獲取列車車號和列車當前圖像;查找預設圖像庫中與列車車號相對應的列車參考圖像,所述列車參考圖像和列車當前圖像均包括灰度信息和深度信息;對齊列車當前圖像和列車參考圖像,以及,比對兩者中對應區域的灰度信息;比對列車當前圖像與列車參考圖像中灰度不一致區域的深度信息,將兩者深度信息不一致區域確定為列車異常區域,以及輸出列車異常報警信息。
優選的,所述獲取列車車號和列車當前圖像為:利用線陣相機與雷射器成像方式獲取所述列車當前圖像。
優選的,所述比對兩者中對應區域的灰度信息為:判斷列車當前圖像的灰度信息與列車參考圖像的灰度信息的差值是否大於或等於預設灰度閾值,如果是,則認為對應區域為灰度不一致區域。
優選的,按照以下方式比對深度信息判斷列車當前圖像的深度信息和列車參考圖像的深度信息的差值是否大於或等於預設深度閾值,若是,則認為深度信息不一致。
優選的,上述方案還可以包括:根據列車當前圖像與列車參考圖像的深度信息差值大小將列車異常區域分級;這種情況下,所述輸出列車異常報警信息為:根據列車異常區域的等級確定相對應等級的列車異常報警信息。
優選的,上述方案還可以進一步包括對不同等級的列車異常區域進行識別分類,不同等級、不同類別的列車異常區域以不同顏色或形狀標示。
優選的,上述方案還可以進一步將列車當前圖像存入所述預設圖像庫。
該發明提供的具有深度檢測功能的列車異常檢測方法,在預設圖像庫中查找與列車車號相對應的列車參考圖像,通過對齊列車當前圖像和列車參考圖像,比對兩者中對應區域的灰度信息,以確定列車灰度信息不一致的區域,然後通過比對列車灰度信息不一致區域的深度信息,將深度信息不一致的區域確定為列車異常區域,以及輸出列車異常報警信息。與2013年2月前已有技術相比,該發明提供的技術方案將實際的列車檢測轉換為圖像比對實現列車異常的尋找,而且在圖像比對的過程中依次進行灰度信息比對和深度信息比對,能夠避免列車圖像受到光線、灰塵、水漬等外界環境的干擾導致的異常檢測不準確的問題,進而提高利用計算機通過對列車圖像異常檢測的準確度,最終降低報警的誤報率。
基於上述具有深度檢測功能的列車異常檢測方法,該發明還提供了一種具有深度檢測功能的列車異常檢測系統,包括:車號獲取單元,用於獲取列車車號;當前圖像獲取單元,用於獲取列車當前圖像,所述列車當前圖像包括灰度信息和深度信息;參考圖像查找單元,用於在預設圖像庫中查找與列車車號相對應的列車參考圖像,所述列車參考圖像包括灰度信息和深度信息;圖像對齊單元,用於對齊列車當前圖像和列車參考圖像;第一比對單元,用於比對列車當前圖像和列車參考圖像的灰度信息;第二比對單元,用於比對列車當前圖像與列車參考圖像中灰度不一致區域的深度信息;異常區域確定單元,用於將灰度不一致區域中深度信息不一致的區域確定為列車異常區域,以及輸出列車異常報警信息。
優選的,所述列車異常區域確定單元包括:異常區域分級單元,用於根據列車當前圖像與列車參考圖像的深度信息差值大小將列車異常區域分級;分級報警確定單元,用於根據列車異常區域的等級確定相對應等級的列車異常報警信息。
優選的,還包括分類標示單元,用於對不同等級的列車異常區域進行識別分類,不同等級、不同類別的列車異常區域以不同顏色或形狀標示。
附圖說明
圖1是《具有深度檢測功能的列車異常檢測方法及系統》實施例一提供的具有深度檢測功能的列車異常檢測方法的流程示意圖;
圖2為該發明實施例一提供的存儲灰度信息的二維矩陣示意圖;
圖3為該發明實施例一提供的存儲灰度信息和深度信息的二維矩陣示意圖;
圖4是該發明實施例二提供的具有深度檢測功能的列車異常檢測方法的流程示意圖;
圖5是該發明實施例三提供的具有深度檢測功能的列車異常檢測方法的流程示意圖;
圖6是該發明實施例四提供的具有深度檢測功能的列車異常檢測方法的流程示意圖;
圖7是該發明實施例五提供的具有深度檢測功能的列車異常檢測系統的結構示意圖;
圖8是該發明實施例六提供的具有深度檢測功能的列車異常檢測系統的結構示意圖。
權利要求
1.具有深度檢測功能的列車異常檢測方法,其特徵在於包括:獲取列車車號和列車當前圖像;查找預設圖像庫中與列車車號相對應的列車參考圖像,所述列車參考圖像和列車當前圖像均包括灰度信息和深度信息;對齊列車當前圖像和列車參考圖像,以及,比對兩者中對應區域的灰度信息;比對列車當前圖像與列車參考圖像中灰度不一致區域的深度信息,將兩者深度信息不一致區域確定為列車異常區域,以及輸出列車異常報警信息。
2.根據權利要求1所述的方法,其特徵在於,所述獲取列車車號和列車當前圖像為:利用線陣相機與雷射器成像方式獲取所述列車當前圖像。
3.根據權利要求1所述的方法,其特徵在於,所述比對兩者中對應區域的灰度信息為:判斷列車當前圖像與列車參考圖像對應區域的灰度信息的差值是否大於或等於預設灰度閾值,如果是,則認為對應區域為灰度不一致區域。
4.根據權利要求1、2或3所述的方法,其特徵在於按照以下方式比對深度信息:判斷列車當前圖像的深度信息和列車參考圖像的深度信息的差值是否大於或等於預設深度閾值,若是,則認為深度信息不一致。
5.根據權利要求1所述的方法,其特徵在於,還包括:根據列車當前圖像與列車參考圖像的深度信息差值大小將列車異常區域分級;所述輸出列車異常報警信息為:根據列車異常區域的等級確定相對應等級的列車異常報警信息。
6.根據權利要求5所述的方法,其特徵在於還包括:對不同等級的列車異常區域進行識別分類,不同等級、不同類別的列車異常區域以不同顏色或形狀標示。
7.根據權利要求1所述的方法,其特徵在於還包括:將列車當前圖像存入所述預設圖像庫。
8.具有深度檢測功能的列車異常檢測系統,其特徵在於包括:車號獲取單元,用於獲取列車車號;當前圖像獲取單元,用於獲取列車當前圖像,所述列車當前圖像包括灰度信息和深度信息;參考圖像查找單元,用於在預設圖像庫中查找與列車車號相對應的列車參考圖像,所述列車參考圖像也包括灰度信息和深度信息;圖像對齊單元,用於對齊列車當前圖像和列車參考圖像;第一比對單元,用於比對列車當前圖像和列車參考圖像的灰度信息;第二比對單元,用於比對列車當前圖像與列車參考圖像中灰度不一致區域的深度信息;異常區域確定單元,用於將灰度不一致區域中深度信息不一致的區域確定為列車異常區域,以及輸出列車異常報警信息。
9.根據權利要求8所述的系統,其特徵在於,所述列車異常區域確定單元包括:異常區域分級單元,用於根據列車當前圖像與列車參考圖像的深度信息差值大小將列車異常區域分級;分級報警確定單元,用於根據列車異常區域的等級確定相對應等級的列車異常報警信息。
10.根據權利要求9所述的系統,其特徵在於還包括:分類標示單元,用於對不同等級的列車異常區域進行識別分類,不同等級、不同類別的列車異常區域以不同顏色或形狀標示。
實施方式
實施例一
請參考圖1,圖1示出了《具有深度檢測功能的列車異常檢測方法及系統》實施例一提供的具有深度檢測功能的列車異常檢測方法的流程。圖1所示流程,包括:
S101、獲取列車車號。
列車車號指的是當前待檢測列車各節車廂的編號,每節車廂具有唯一的編號,例如ZH2010103。列車車號存儲在列車信息系統中,作為列車的存儲信息與列車對號入座,方便列車運行過程中的各種針對性工作能夠有指導性地進行。
S102、獲取列車當前圖像。
該步驟中獲取的列車當前圖像指的是從列車的各個角度(如底部、頂部、左側、右側等)拍攝到的列車全局圖像。列車當前圖像的深度信息指的是存儲每個像素所用的位數,也用於量度圖像色彩解析度。
在獲取的過程中,可以通過線陣相機與雷射器成像方式獲取運行中的列車當前圖像;可以通過面陣相機與雷射器成像方式,採用雷射三角法計算得到列車運行過程中列車當前圖像的深度信息。
在列車異常檢測的過程中可以先獲取列車車號,也可以先獲取列車當前圖像,當然也可以獲取列車車號和列車當前圖像同時進行。
S103、查找預設圖像庫中與列車車號相對應的列車參考圖像。
所述的列車參考圖像包括灰度信息和深度信息。與步驟S101中所述的列車車號一樣,列車參考圖像也是作為列車的信息存儲在列車信息系統的預設圖像庫中,而且預設圖像庫中的列車參考圖像與列車車號一一對應,在查找的過程中首先進行列車車號自動提取、分析,以列車車號為信息索引查找與所述列車車號相對應的列車參考圖像。
所述的列車參考圖像可以是以下圖像中的任意一種:
1、固定模板圖像,即列車出廠時的標準圖像,存儲時與列車車號相關聯。
2、與拍攝所述列車當前圖像時間最鄰近的一張列車正常圖像,所述列車正常圖像是指經過對齊比對後確定列車無異常的圖像。一般來說,時間越鄰近,圖像參考價值越大,將其與列車當前圖像比對分析的結果可信度就越高。
3、當前列車在最鄰近時間駛過某個探測點時被拍攝到的圖像。
4、當前列車在最鄰近時間駛過其它探測點時被拍攝到的圖像。
5、當前列車在鄰近當前時間被拍攝到的多張圖像。
選擇多張時間鄰近的圖像與列車當前圖像分別比對分析,將比對結果按照不同權重融合處理,降低誤檢率和漏檢率。
6、基於當前列車在鄰近當前時間被拍攝到的多張圖像經過統計數學模型後得到的圖像。
所述對齊比對的具體方式在該實施例的後續部分有詳細描述,具體請參考該專利的後續部分描述。
S104、對齊列車當前圖像和列車參考圖像。
圖像“對齊”過程類似於圖像配準,是解決變化檢測的必要前提。圖像對齊就是找出兩幅圖像中的公共場景部分,並確定它們之間的變換參數。這兩幅圖像通常是拍攝於不同時間、不同光照條件、基於不同解析度或者不同角度和/或位置等,它們之間的變換可以是剛體變換,也可以非線性的仿射變換等。
針對列車異常檢測,對於面陣圖像,採用全局對齊方式,對於線陣圖像,對齊主要解決縱向變形問題,主要遵從兩種模式執行,一是當參考列車與當前列車車速相差不大時,直接對線陣圖像利用特徵點全局對齊;二是當參考列車與當前列車車速差距較大時,則對線陣圖像局部對齊。下面分別介紹。
模式一:全局對齊。
全局對齊模式中的“對齊”包括以下步驟:
步驟(1)、特徵點提取。
該實施例中,主要採用SIFT/SURF並結合harris等角點檢測算法按不同權重進行加權方式保留特徵點。
具體方式為:首先,利用SIFT算法在尺度空間進行特徵檢測,並確定關鍵點的位置和關鍵點所處的尺度,然後,使用關鍵點鄰域梯度的主方向作為該點的方向特徵,以實現運算元對尺度和方向的無關性。
SIFT算法可以處理兩幅圖像之間發生平移、旋轉、尺度變化、光照變化情況下的特徵匹配問題,並能在一定程度上對視角變化、仿射變換也具備較為穩定的特徵匹配能力。
SURF算法是SIFT算法的加速版,通過積分圖像haar求導,SURF算法在適中的條件下完成兩幅圖像中物體的匹配,基本實現了實時處理。
Harris角點檢測算法是在Moravec算法基礎上發展起來的。Moravec角點檢測算法的思想是:在圖像中設計一個局部檢測視窗,當該視窗沿各個方向作微小移動時,考察視窗的平均能量變化,當該能量變化值超過預設的閾值時,就將視窗的中心像素點提取為角點。Harris檢測算法選取高斯函式為檢測視窗,對圖像進行平滑濾波後再提取角點,對噪聲有一定抑制作用。
步驟(2)、利用RANSAC方法剔除錯誤點。
步驟(2)中求得特徵點的同時可獲得每個特徵點的尺度、方向構成特徵向量,利用歐式距離方法分別找出列車當前圖像的特徵點在列車參考圖像中對應的特徵點,構成同名點對。
RANSAC算法根據一組包含異常數據的樣本數據集,計算出數據的數學模型參數,得到有效樣本數據。該實施例中,首先由SIFT/SURF檢測出特徵點,再由RANSAC對誤匹配進行剔除。
在利用特徵點對齊中,模型即為從一個平面上的特徵點到另外一個平面上的特徵點的射影關係,反應為射影矩陣H。H是一個包含8個自由度的3×3矩陣,它最少可以由兩平面中的4對匹配點計算出,但同一平面上的3個點必須不共線。
步驟(3)、計算坐標變換映射函式。
將RANSAC剔除錯誤點之後保留下的特徵點對,此時要求至少保留四個同名點對,利用射影變換求得列車當前圖像與列車參考圖像之間坐標變換關係。
步驟(4)、插值運算。
將列車參考圖像根據步驟(3)求得的射影變換矩陣進行坐標變換及插值處理。這裡考慮到插值效果及運算效率,採用雙線性插值方法。在數學上,雙線性插值是有兩個變數的插值函式的線性插值擴展,其核心思想是在兩個方向分別進行一次線性插值。
模式二:局部對齊。
當參考列車車速與當前車速差距較大時,說明有可能在兩次採集列車圖像的時候,列車出現變速,常規的全局射影變換很難求得準確的坐標映射關係,這種情況下,可以採用局部對齊模式。
局部對齊模式的具體內容包括:利用SIFT/SURF方法求得所述列車當前圖像和列車參考圖像的多個特徵點,並保存每個特徵點的尺度和方向構成的特徵向量,利用歐式距離方法分別找出列車當前圖像的特徵點在所述列車參考圖像中對應的特徵點,構成同名點對;依次利用射影變換確定各同名點對對應的坐標變換映射關係對歷史圖像進行插值運算。
可以看出,與全局對齊模式相比,局部對齊模式的整體思路一致,但少了步驟(2)。
具體的,可以在比較當前列車車速與參考列車車速後,根據比較結果確定採用哪種模式的對齊方式:
當列車當前速度與所述列車參考圖像對應的列車速度的差值小於預設數值時,利用特徵點全局配準的方式(即上述模式一)對列車當前圖像和列車參考圖像進行對齊,否則,以局部配準的方式(即上述模式二)對列車當前圖像和列車參考圖像進行對齊。
S105、比對列車當前圖像和列車參考圖像對應區域的灰度信息。
該步驟通過比對列車當前圖像和列車參考圖像對應區域的灰度信息,以確保列車當前圖像中顯示的列車的各個零部件是否有缺失、變形等,可以初步根據列車參考圖像對列車當前圖像進行檢測,灰度信息的比對可以初步判斷列車的零部件是否異常,但是受到光線、灰塵、水漬等外界環境的影響,列車當前圖像中灰度信息與列車參考圖像灰度信息不一致的區域不一定是真正出現異常的區域,影響列車異常檢測的準確性。但是步驟S105可以作為列車異常確定一個大致範圍,該範圍可能存在列車異常。
所述灰度信息可以以二維矩陣的形式存儲,如圖2所示,圖中矩陣中每個方框代表一個像素所在位置,每個像素的灰度信息A存儲於矩陣中的像素所在位置。在比對時,將列車當前圖像中的每個像素的灰度信息與列車參考圖像中每個像素的灰度信息進行逐一比對。
S106、比對列車當前圖像與列車參考圖像中灰度不一致區域的深度信息。
該步驟對步驟S105中的灰度信息不一致區域的深度信息進行比對,確定深度信息不一致區域為列車異常區域。當發現深度信息不一致的部位存在時,則可以排除光線、灰塵、水漬等外界環境的影響,能夠確定列車的零部件已經出現異常。例如零部件異位、變形、折斷、丟失等都可以通過深度信息進行確定。
所述深度信息同樣也可以以二維矩陣的形式存儲,可以是與灰度信息共用一個二維矩陣,例如圖3,矩陣中的每個像素所在位置存儲有該像素的灰度信息和深度信息,這個矩陣在進行上述步驟S105時被調用,即灰度信息和深度信息被一併調用,於是,在進行本步驟時無需再單獨調用。當然,存儲灰度信息的二維矩陣可以與存儲深度信息的二維矩陣相互獨立,可以單獨調用,即僅在需要對比深度信息時再調用存儲深度信息的二維矩陣。
S107、輸出列車異常報警信息。
根據步驟S106比對結果後,輸出列車異常報警信息。其中,列車異常報警信息有很多種,可以是聲音信息、圖像信息或者振動信息等。
該發明實施例一提供的具有深度檢測功能的列車異常檢測方法,在預設圖像庫中查找與列車車號相對應的列車參考圖像,通過對齊列車當前圖像和列車參考圖像,比對兩者中對應區域的灰度信息,以確定列車灰度信息不一致的區域,然後通過比對列車灰度信息不一致區域的深度信息,將深度信息不一致的區域確定為列車異常區域,以及輸出列車異常報警信息。與2013年2月前已有技術相比,該發明提供的技術方案將實際的列車檢測轉換為圖像比對實現列車異常的尋找,而且在圖像比對的過程中依次進行灰度信息比對和深度信息比對,能夠避免列車圖像受到光線、灰塵、水漬等外界環境的干擾導致的異常檢測不準確的問題,進而提高利用計算機通過對列車圖像異常檢測的準確度,最終降低報警的誤報率。
實施例二
請參考圖4,該圖示出了該發明實施例二提供的具有深度檢測功能的列車異常檢測方法的流程。
圖4所示流程,比對列車當前圖像和列車參考圖像對應區域的灰度信息為:
S205、判斷列車當前圖像的灰度信息a與列車參考圖像的灰度信息b的差值是否大於或等於預設灰度閾值,如果是,則執行步驟S206,如果否,則可以結束檢測。
S206、對灰度信息的差值大於或等於預設灰度閾值的區域進行深度信息比對,如果深度信息不一致,則進行步驟S207。
實施例二在實施例一的基礎之上進行改進,只有列車當前圖像的灰度信息a和列車參考圖像的灰度信息b的差值大於或者等於預設灰度閥值時,才對列車當前圖像和列車參考圖像的深度信息進行比對,否則可以結束檢測。該方案是基於在實際的操作過程中,列車當前圖像的獲取勢必會受到環境的影響,最終使得列車當前圖像的灰度信息a和列車參考圖像的灰度信息b實質上很難達到完全一致,兩者有所區別。當然該領域技術人員可以預知,該部分的區別是由於實際環境導致,而不是真正的圖像灰度不一致區域,可以不予考慮。
因此,只有列車當前圖像的灰度信息a和列車參考圖像的灰度信息b的差值大於或等於預設灰度閾值時,才執行後續深度信息比對操作,該技術方案能夠進一步降低環境對圖像灰度信息的影響,而且在檢測的過程如果灰度信息差異小於預設灰度閾值,則結束檢測,無需後續操作,節省檢測的後續操作,提高異常檢測效率。
該實施例二中的步驟S201~S204和S207分別與實施例一中的步驟S101~S104和S107一一對應,且內容基本相同,相應部分對應參考即可。
實施例三
請參考圖5,該圖示出了該發明實施例三提供的具有深度檢測功能的列車異常檢測方法的流程。
圖5所示流程,按照以下方式比對深度信息:S306、判斷列車當前圖像的深度信息c和列車參考圖像的深度信息d的差值是否大於或等於預設深度閾值,若是,則執行步驟S307,否則可以結束檢測。
實施例三在實施例一的基礎之上進行改進,對輸出列車異常報警信息的條件進行限定,只有列車當前圖像深度信息c與列車參考圖像的深度信息d的差值大於或等於預設深度閾值時才傳送列車異常報警信息。該方案是基於在實際的操作過程中,列車當前圖像的獲取勢必會受到環境的影響,最終使得列車當前圖像的深度信息c和列車參考圖像的深度信息d實際上很難達到完全一致。兩者有所區別,當然本領域技術人員可以預知,該部分的區別是由於實際環境導致,並不是真正的列車異常區域,可以不予考慮。
因此,在實施例提供的技術方案中只有當列車當前圖像的深度信息c和列車參考圖像的深度信息d的差值大於或等於預設閥值時,才執行後續報警信息輸出程式。該種方式能夠進一步降低環境對異常檢測的干擾,降低報警誤報率。
實施例三提供的方案中,步驟S301~S305和S307分別與實施例一中的步驟S101~S105和S107一一對應,且內容基本相同,相應部分對應參考即可。
實施例四
請參考圖6,該圖示出了該發明實施例四提供的具有深度檢測功能的列車異常檢測方法的流程。
圖6所示流程,步驟S406和步驟S409之間還包括:
S407、根據列車當前圖像與列車參考圖像等深度信息差值大小將列車異常區域分級。
S408、所述輸出列車異常報警信息為:根據列車異常區域的等級確定列車異常報警信息的等級。
該步驟中根據列車異常區域的等級確定相應等級的列車異常報警信息,進而使的不同等級的列車異常區域一一對應與其相應等級的列車異常報警信息,最終實現列車異常的嚴重性進行相應嚴重的報警信息輸出。
基於實施例四的優選方案中,可以對不同等級的列車異常區域進行識別分類,不同等級、不同類別的列車異常區域以不同顏色或者形狀標示。例如以紅色來標識等級最高的異常區域,以黃色標識等級次高的異常區域。如此,操作人員能夠根據標識的不同快速、直觀地確定當前列車的狀態。
實施例四提供的方案中,步驟S401~S406和S409分別與實施例一中的步驟S101~S107一一對應,且內容基本相同,相應部分對應參考即可。
實施例五
請參考圖7,該圖示出了該發明實施例五提供的具有深度檢測功能的列車異常檢測系統的結構。
圖7所示結構,包括:車號獲取單元501,用於獲取列車車號,列車車號指的是當前待檢測的列車各節車廂的編號,每節車廂具有唯一的編號,例如ZH2010103。列車車號存儲在列車信息系統中,作為列車的存儲信息與列車對號入座,方便列車運行過程中的各種針對性工作指導性進行。
當前圖像獲取單元502,用於獲取列車當前圖像;列車當前圖像指的是從列車的各個角度(如底部、頂部、左側、右側等)拍攝到的列車全局圖像。在獲取的過程中,可以通過線陣相機與雷射器成像方式獲取列車運行中的列車當前圖像。列車當前圖像的深度信息指的是存儲每個像素所用的位數,也用於量度圖像色彩解析度,可以通過面陣相機與雷射器成像方式,採用雷射三角法計算得到列車運行過程中列車當前圖像的深度信息。
參考圖像查找單元503,用於在預設圖像庫中查找與列車車號相對應的列車參考圖像,所述列車參考圖像包括灰度信息和深度信息;列車參考圖像也是作為列車的信息存儲在列車信息系統的預設圖像庫中,而且預設圖像庫中的列車參考圖像與列車車號一一對應,在查找的過程中首先進行列車車號自動提取、分析,以列車車號為信息索引查找與所述列車車號相對應的列車參考圖像。
所述的列車參考圖像可以是以下圖像中的任意一種:
1、固定模板圖像,即列車出廠時的標準圖像,存儲時與列車車號相關聯。
2、與拍攝所述列車當前圖像時間最鄰近的一張列車正常圖像,所述列車正常圖像是指經過對齊比對後確定列車無異常。一般來說,時間越鄰近,圖像參考價值越大,將其與列車當前圖像比對分析的結果可信度就越高。
3、當前列車在最鄰近時間駛過某個探測點時拍攝到的圖像。
4、當前列車在最鄰近時間駛過其它探測點時拍攝到的圖像。
5、當前列車在鄰近當前時間被拍攝到的多張圖像。
選擇多張時間鄰近的圖像與列車當前圖像分別比對分析,將比對結果按照不同權重融合處理,降低誤檢率和漏檢率。
6、基於當前列車在鄰近當前時間被拍攝到的多張圖像經過統計數學模型後得到的圖像。
圖像對齊單元504,用於對齊列車當前圖像和列車參考圖像。
第一比對單元505,用於比對列車當前圖像和列車參考圖像的灰度信息。
第二比對單元506,用於比對列車當前圖像與列車參考圖像中灰度不一致區域的深度信息。
異常區域確定單元507,用於將灰度不一致區域中深度信息不一致的區域確定為列車異常區域,以及輸出列車異常報警信息。
由於實施例五是針對實施例一提供的方法相對應的系統,所以其取得的有益效果請參考實施例一相應部分的描述即可。
實施例六
請參考圖8,該圖示出了該發明實施例六提供的具有深度檢測功能的列車異常檢測系統的結構。
圖8所示的結構中,列車異常區域確定單元607包括:
異常區域分級單元6071,用於根據列車當前圖像與列車參考圖像的深度信息差值大小將列車異常區域分級;
分級報警確定單元6072,用於根據列車異常區域的等級確定相對應等級的列車異常報警信息。
實施例六提供的技術方案根據列車異常區域的等級確定相應等級的列車異常報警信息,進而使的不同等級的列車異常區域一一對應與其相應等級的列車異常報警信息,最終實現列車異常的嚴重性進行相應嚴重的報警信息的確定,然後後續輸出,提高了報警的效果。
基於實施例六的基礎之上,還包括分類標示單元,用於對不同等級的列車異常區域進行識別分類,不同等級、不同類別的列車異常區域以不同顏色或形狀標示。例如以紅色來標識等級最高的異常區域,以黃色標識等級次高的異常區域。如此,操作人員能夠根據標識的不同快速、直觀地確定當前列車的狀態。
實施例六中的車號獲取單元601、當前圖像獲取單元602、參考圖像查找單元603,圖像對齊單元604、第一比對單元605、第二比對單元606分別與實施例五中的車號獲取單元501、當前圖像獲取單元502、參考圖像查找單元503,圖像對齊單元504、第一比對單元505、第二比對單元506一一對應,且功能相同,相對應部位請參考實施例五,此不贅述。
上述各個實施例中提供的具有深度檢測功能的列車異常檢測方法或系統,在檢測結束後,可以將列車當前圖像滾動存儲為相應列車車號對應的時間最近鄰一張同輛車的圖像,以便作為下次檢測運算時該列車車號對應的列車參考圖像的首選。
為了描述的方便,描述以上裝置時以功能分為各種單元分別描述。當然,在實施該申請時可以把各單元的功能在同一個或多個軟體和/或硬體中實現。
榮譽表彰
2017年5月,《具有深度檢測功能的列車異常檢測方法及系統》獲得第十屆江蘇省專利項目獎優秀獎。