基于智能小車的鋼軌表面缺陷檢測系統(tǒng)及方法
【專利摘要】本發(fā)明公開了一種基于智能小車的鋼軌表面缺陷檢測系統(tǒng)，包括智能小車和上位機，智能小車包括獲取圖像裝置、通信模塊、電機驅(qū)動裝置和控制裝置，所述獲取圖像裝置、通信模塊、電機驅(qū)動裝置分別與控制裝置連接，智能小車和上位機通過通信模塊進行通信。改變了傳統(tǒng)人工對鋼軌缺陷的巡檢，采用智能小車和上位機的結(jié)合，完成對鋼軌缺陷數(shù)據(jù)的準(zhǔn)確獲取，有效避免了人為因素帶來的誤差，準(zhǔn)確度高，提高了檢測速度，降低了工人勞動強度，在保證鐵路線路安全的同時，可以節(jié)省檢測成本，提高線路維護效率。
【專利說明】
基于智能小車的鋼軌表面缺陷檢測系統(tǒng)及方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及鐵路安全防護與檢測技術(shù)領(lǐng)域，特別涉及一種鋼軌表面缺陷檢測系統(tǒng) 及方法。
【背景技術(shù)】
[0002] 目前，隨著軌道交通運行速度的提高，鋼軌在線質(zhì)量的監(jiān)測技術(shù)越來越受到重視， 軌道交通的發(fā)展方向和趨勢是高速、重載以及高密度。如何保證列車行車安全則成了首要 問題。鋼軌作為軌道中最基礎(chǔ)的部分，直接影響著列車行車的安全。因此如何確保鋼軌在線 狀態(tài)的質(zhì)量成了鐵路工務(wù)部門面臨的一項艱巨的任務(wù)。
[0003] 列車的高速、重載、高密度的運行，在給人民群眾的生活帶來極大便利的同時，對 鋼軌的損害也隨之加重，鋼軌發(fā)生裂紋等損傷的可能性也越來越大。鋼軌的故障直接威脅 著列車的正常運行。這些年來出現(xiàn)的因為鋼軌裂紋等故障導(dǎo)致的列車脫軌事故則更加說明 了監(jiān)測鋼軌狀態(tài)質(zhì)量的重要性。所以，為了列車運行安全，避免列車運行事故，實現(xiàn)鐵路管 理科學(xué)化，需要對關(guān)鍵設(shè)備(軌道)的狀態(tài)進行實時監(jiān)控，盡可能及時發(fā)現(xiàn)軌道表面缺陷，便 于軌道維護與管理。人工巡檢工作量大，時間長，容易出現(xiàn)漏檢現(xiàn)象。

【發(fā)明內(nèi)容】

[0004] 鑒于此，本發(fā)明要解決的技術(shù)問題之一在于提供一種基于智能小車的鋼軌表面缺 陷檢測系統(tǒng)，檢測效率高、準(zhǔn)確度高，減輕工人的勞動量。
[0005] 本發(fā)明通過以下技術(shù)手段解決上述技術(shù)問題： 本發(fā)明的智能小車的鋼軌表面缺陷檢測系統(tǒng)，包括智能小車和上位機，智能小車包括 獲取圖像裝置、通信模塊、電機驅(qū)動裝置和控制裝置，所述獲取圖像裝置、通信模塊、電機驅(qū) 動裝置分別與控制裝置連接，智能小車和上位機通過通信模塊進行通信。
[0006] 進一步，上位機包括圖像處理裝置，所述圖像處理裝置包括圖像預(yù)處理模塊、鋼軌 圖像表面缺陷信息提取模塊和分析判斷鋼軌表面是否存在缺陷的分析模塊。
[0007] 進一步，上述圖像預(yù)處理模塊的處理方法包括采用二維變分模態(tài)分解法和自適應(yīng) 中值濾波處理相結(jié)合進行圖像去噪；圖像增強;邊緣檢測和圖像二值化處理。
[0008] 進一步，分析模塊包括矩形度分析模塊、圓形度分析模塊、細(xì)度比例分析模塊和面 積周長比分析模塊。
[0009] 進一步，上述二維變分模態(tài)分解法具體步驟為最小化下列函數(shù)
：Sv：
1) 式（1)中，.魏_表不原始圖像信號，表不分解的子模態(tài)，wk表不第k個模態(tài)的中 心頻率，Uk(x)表示分解的模態(tài)，％表示帶寬限制， 為將約束性變分問題變?yōu)榉羌s束性變分問題，引入二次乘法因子和拉格朗日乘子，則 擴展的拉格朗日表達式為：
式⑷中，QUOTE |^_^表示在頻域內(nèi)原圖像，QUOTE A(W)表示頻域內(nèi) 的拉格朗日乘子，QUOTE ifs<W〕表示頻域內(nèi)的分解的子模態(tài)，€^表示頻域內(nèi)的帶 寬限制，QUOTE :?? Ws表示頻域內(nèi)的第k個模態(tài)的中心頻率， 一本智' rh ,丨、、瓶?讀？
[0010] 本發(fā)明還提供了一種基于智能小車的鋼軌表面缺陷檢測方法，具體包括以下步 驟： Sl:智能小車拍攝鋼軌表面原始圖像，并通過通信模塊將所述圖像發(fā)送到上位機； S2:上位機讀取圖像信息，對所述圖像信息進行預(yù)處理，所述預(yù)處理包括二維變分模態(tài) 分解、自適應(yīng)中值濾波、圖像增強、邊緣檢測和圖像二值化處理； S3:根據(jù)特征閾值提取鋼軌圖像表面缺陷信息，完整提取鋼軌表面缺陷信息； S4:上位機根據(jù)所述提取的鋼軌表面缺陷信息計算出鋼軌缺陷參數(shù)，將所述參數(shù)與設(shè) 定的閾值進行對比，判斷出鋼軌表面是否存在缺陷。
[0011] 進一步，所述S2中的二維變分模態(tài)分解法具體步驟為最小化下列函數(shù)
式（1沖，表示原始圖像信號表示分解的子模態(tài)，％表示的是中心頻率， Uk(X)表示分解的模態(tài)，ak表示帶寬限制， 為將約束性變分問題變?yōu)榉羌s束性變分問題，引入二次乘法因子和拉格朗日乘子，則 擴展的拉格朗日表達式為：
式(4沖，QUOTE 表示的是在頻域內(nèi)原圖像，QUOTE 表示的 頻域內(nèi)拉格朗日乘子，QUOTE鼠雜?) 8:(U')表示頻域內(nèi)分解的子模態(tài)，QUOTE 表 示頻域內(nèi)帶寬限制，QUOTE 轉(zhuǎn)％表示頻域內(nèi)第k個模態(tài)的中心頻率， 計覚中心頗塞·
進一步，S2中自適應(yīng)中值濾波的具體步驟:設(shè)表示圖像中心像素點(63?.在濾波時所對 應(yīng)的掩模窗口，令為中的灰度最小值為Sl^遍中的灰度最大值，意^為 中的灰度中值，&,為在坐標(biāo)上的灰度，％_為_>￡_.允許的最大尺寸，自適應(yīng) 中值濾波工作的兩個層面可定義為A層和B層，
如果％。> 0并且，轉(zhuǎn)到B層，否則增加濾波窗□的尺寸大小，如果濾波窗□，則重復(fù)執(zhí) ^frA層，否則把作為輸出值，如果S.并且年初；+.&. 〇，把作為輸出值，否則作為輸 出值。
[0013] 進一步，S3中鋼軌表面缺陷參數(shù)包括矩形度、圓形度、細(xì)度比例和面積周長比。
[0014] 進一步，智能小車包括獲取圖像裝置、通信模塊、電機驅(qū)動裝置和控制裝置，所述 獲取圖像裝置、通信模塊、電機驅(qū)動裝置分別與控制裝置連接。
[0015] 本發(fā)明的有益效果： 本發(fā)明的基于智能小車的鋼軌表面缺陷檢測系統(tǒng)，包括智能小車和上位，智能小車包 括獲取圖像裝置、通信模塊、電機驅(qū)動裝置和控制裝置，所述獲取圖像裝置、通信模塊、電機 驅(qū)動裝置分別與控制裝置連接，智能小車和上位機通過通信模塊進行通信。改變了傳統(tǒng)人 工對鋼軌缺陷的巡檢，采用智能小車和上位機的結(jié)合，完成對鋼軌缺陷數(shù)據(jù)的準(zhǔn)確獲取，有 效避免了人為因素帶來的誤差，準(zhǔn)確度高，提高了檢測速度，降低了工人勞動強度，在保證 鐵路線路安全的同時，可以節(jié)省檢測成本，提尚線路維護效率。
[0016] 本發(fā)明的基于智能小車的鋼軌表面缺陷檢測方法，通過上位機控制智能小車對鋼 軌表面缺陷信息進行原始圖像獲取，有效避免了人工巡檢存在的弊端，降低工人勞動強度， 提高檢測效率。獲取的鋼軌表面缺陷原始圖像經(jīng)過上位機內(nèi)部的圖像處理裝置將原始圖像 采用二維變分模態(tài)分解法和自適應(yīng)中值濾波進行圖像去噪、圖像增強、邊緣檢測和二值化 處理，原始圖像經(jīng)過一系列的預(yù)處理后，使圖像變得更清晰，便于后期準(zhǔn)確閾值分割獲取鋼 軌表面缺陷信息，提高圖像處理準(zhǔn)確度。通過特征閾值完整準(zhǔn)確獲取鋼軌表面缺陷信息，對 鋼軌表面缺陷信息進行輪廓跟蹤，計算出表征鋼軌表面缺陷信息的相關(guān)參數(shù)，再設(shè)定閾值， 與相關(guān)的參數(shù)相對比，判斷出鋼軌是否存在表面缺陷。本發(fā)明通過小車與上位機的有機結(jié) 合，代替?zhèn)鹘y(tǒng)的人工巡檢方式，通過小車對鋼軌表面原始圖像的獲取，避免了人為因素帶來 的誤差、漏檢等情況，提高了檢測速度，降低了勞動強度，節(jié)省檢測成本。采用圖像處理技術(shù) 對鋼軌原始圖像進行處理，提高了鋼軌表面缺陷數(shù)據(jù)獲取的準(zhǔn)確性，提高檢測結(jié)果的準(zhǔn)確 性。
【附圖說明】
[0017] 下面結(jié)合附圖和實施例對本發(fā)明作進一步描述。
[0018]圖1為本發(fā)明一實施例的結(jié)構(gòu)不意圖； 圖2為圖1中的圖像預(yù)處理模塊的結(jié)構(gòu)示意圖； 圖3為本發(fā)明另一實施例的流程圖。
【具體實施方式】
[0019] 以下將結(jié)合附圖對本發(fā)明進行詳細(xì)說明。
[0020] 如圖1、2所示:本發(fā)明的基于智能小車的鋼軌表面缺陷檢測系統(tǒng)，智能小車的鋼軌 表面缺陷檢測系統(tǒng)，包括智能小車和上位，智能小車包括獲取圖像裝置、通信模塊、電機驅(qū) 動裝置和控制裝置，所述獲取圖像裝置、通信模塊、電機驅(qū)動裝置分別與控制裝置連接，智 能小車和上位機通過通信模塊進行通信。智能小車通過圖像獲取裝置可實時采集鋼軌表面 圖像信息，通信模塊用于智能小車與上位機進行通信，電機驅(qū)動電路用于控制小車的行進， 控制裝置用于控制小車正常工作。上位機可以是PC、手機或平板電腦等電子設(shè)備，上位機將 錄像或拍照命令通過通信模塊發(fā)送給控制裝置，控制裝置控制電機驅(qū)動電路工作驅(qū)動小車 運動，小車實時采集鋼軌表面圖像，并將圖像信息通過通信模塊反饋給上位機。小車獲取的 數(shù)據(jù)是鋼軌表面缺陷，不能獲取到缺陷的深度信息，所以本發(fā)明對鋼軌表面缺陷的識別主 要是識別剝落掉塊和裂紋缺陷。采用小車采集鋼軌表面圖像數(shù)據(jù)，有效避免人工巡檢的漏 檢，提高了檢測速度，降低了工人的勞動強度。
[0021] 上位機包括圖像處理裝置，所述圖像處理裝置包括圖像預(yù)處理模塊、鋼軌圖像表 面缺陷信息提取模塊和分析判斷鋼軌表面是否存在缺陷的分析模塊。圖像預(yù)處理模塊的處 理方法包括采用二維變分模態(tài)分解法將原始圖像分解為不同中心頻率的子模態(tài)，保留低頻 模態(tài)，再進行自適應(yīng)中值濾波，由于圖像信息保留在低頻模態(tài)，噪聲在整個頻帶中存在，因 此保留分解后的低頻模態(tài)，再進行自適應(yīng)中值濾波，達到圖像去噪的目的，為后期圖像處理 奠定基礎(chǔ)；圖像增強;邊緣檢測和圖像二值化處理，使圖像變得清晰，提高獲取圖像的準(zhǔn)確 性，便于后期準(zhǔn)確閾值分割獲取鋼軌表面缺陷信息，提高圖像處理準(zhǔn)確度。
[0022] 分析模塊用于根據(jù)鋼軌圖像分析判斷鋼軌表面是否存在缺陷，其包括矩形度分析 模塊、圓形度分析模塊、細(xì)度比例分析模塊和面積周長比分析模塊。
[0023] 基于智能小車的鋼軌表面缺陷檢測系統(tǒng)，改變了傳統(tǒng)人工對鋼軌缺陷的巡檢，采 用智能小車和上位機的結(jié)合，完成對鋼軌缺陷數(shù)據(jù)的準(zhǔn)確獲取，有效避免了人為因素帶來 的誤差，準(zhǔn)確度高，提高了檢測速度，降低了工人勞動強度，在保證鐵路線路安全的同時，可 以節(jié)省檢測成本，提尚線路維護效率。
[0024] 如圖3所示，本發(fā)明的基于智能小車的鋼軌表面缺陷檢測方法，具體包括以下步 驟： Sl:智能小車拍攝鋼軌表面原始圖像，并通過通信模塊將所述圖像發(fā)送到上位機;智能 小車上包括圖像獲取裝置、通信模塊、電機驅(qū)動電路和控制裝置，圖像獲取裝置、通信模塊、 電機驅(qū)動電路分別與控制裝置連接。智能小車通過圖像獲取裝置可實時采集鋼軌表面圖像 信息，通信模塊用于智能小車與上位機進行通信，電機驅(qū)動電路用于控制小車的行進，控制 裝置用于控制小車正常工作。上位機可以是PC、手機或平板電腦等電子設(shè)備，上位機將錄像 或拍照命令通過通信模塊發(fā)送給控制裝置，控制裝置控制電機驅(qū)動電路工作驅(qū)動小車運 動，小車實時采集鋼軌表面圖像，并將圖像信息通過通信模塊反饋給上位機。采用小車采集 鋼軌表面圖像數(shù)據(jù)，有效避免人工巡檢的漏檢，提高了檢測速度，降低了工人的勞動強度。
[0025] S2:上位機讀取圖像信息，對所述圖像信息進行預(yù)處理，所述預(yù)處理包括采用二維 變分模態(tài)分解法將原始圖像分解為不同中心頻率的子模態(tài)，保留低頻模態(tài)、自適應(yīng)中值濾 波、圖像增強、邊緣檢測和圖像二倌化處理：二維變分模態(tài)分解法具體步驟為最小化下列函
式（1)中，/u)表示原始圖像信號表示分解的子模態(tài)/5*?表示的是中心頻率， Uk(X)表示分解的模態(tài)，Ctk表示帶寬限制， 為將約束性變分問題變?yōu)榉羌s束性變分問題，引入二次乘法因子和拉格朗日乘子，則 擴展的枋槐_ R丟伏忒為.

式⑷中，QUOTE /(KZ)表示的是在頻域內(nèi)原圖像，QUOTE A(W) A(W)表示頻 域內(nèi)的拉格朗日乘子，QUOTE A(W) S3(W)表示頻域內(nèi)的分解的子模態(tài)，QUOTE 輝兌 表示頻域內(nèi)的帶寬限制，QUOTE Wk \￥:1<表示頻域內(nèi)的第k個模態(tài)的中心頻率， 根據(jù)式(4)計算中心頻率
[0026]二維變分模態(tài)分解是一種新的自適應(yīng)非遞歸方法，它是將圖像分解為一系列不同 中心頻率的子模態(tài)，而圖像信息一般分布在低頻區(qū)域，噪聲分布在整個頻帶內(nèi)。本發(fā)明采用 的去噪方法先選取二維變分模態(tài)分解后的低頻模態(tài)再對低頻模態(tài)采取自適應(yīng)中值濾波的 方法來達到去除噪聲的目的，自適應(yīng)中值濾波在進行濾波處理過程中，依賴一定條件來改 變掩模的大小，來達到去噪的目的。設(shè)表示原始圖像中心像素點§^§在濾波時所對應(yīng)的掩 模窗口，令為中的灰度最小值，為％^ :中的灰度最大值，為S(Ky)中的灰度中值， 為在坐標(biāo)惑上的灰度，為錢心分允許的最大尺寸，自適應(yīng)中值濾波算法工作的兩個層面 可定義為A層和B層。
如果離^ 辦并且巧2 < G，轉(zhuǎn)到B層，否則增加濾波窗口的尺寸大小，如果濾波窗口 <:%_，則重復(fù)執(zhí)行A層，否則把作為輸出值。如果并且Zss +:? i，把作為輸出 值，否則^@作為輸出值。中值濾波的原理是將掩模窗口的中間值代替圖像的灰度值，這就 會改變非噪聲點的大小，自適應(yīng)中值濾波是在其基礎(chǔ)上的改進，去除噪聲的效果更好。通過 自適應(yīng)中值濾波進行圖像去噪，處理圖像在獲取、傳送、存儲等過程中存在的噪聲。圖像增 強是在圖像去噪之后，使圖像邊緣變得更清晰，方便后期處理。邊緣檢測是根據(jù)灰度級別的 不同來識別鋼軌上的裂紋。通過圖像二值化處理，使鋼軌裂紋與圖像背景進一步分離，雖然 在邊緣檢測中，閾值分割也已經(jīng)使目標(biāo)物與背景分割，但效果不是很明顯。由二值化處理的 定義知，小于某個灰度級全變黑，大于它的全變白，這可以使裂紋與背景有效分離。通過圖 像預(yù)處理的幾個處理步驟，可以將小車運行中的抖動、速度不均、光照不均等外在因素造成 采集圖像噪聲點等，以及光電信號轉(zhuǎn)換的過程中信號不均勻產(chǎn)生的噪聲點，對獲取的鋼軌 圖像信息會有干擾，該發(fā)明的檢測方法經(jīng)過圖像預(yù)處理對圖像進行去噪、增強等便于后期 獲取裂紋信息，從而完整提取鋼軌缺陷信息，提高鋼軌裂紋信息獲取的準(zhǔn)確度。
[0028] S3:根據(jù)特征閾值提取鋼軌圖像表面缺陷信息，完整提取鋼軌表面缺陷信息。將預(yù) 處理后的圖像通過特征閾值提取裂紋信息，特征閾值根據(jù)相關(guān)的標(biāo)準(zhǔn)進行選定。由于小車 獲取的數(shù)據(jù)是鋼軌表面缺陷，不能獲取到缺陷的深度信息，所以本發(fā)明對鋼軌表面缺陷的 識別主要是識別剝落掉塊和裂紋缺陷，掉塊的長寬比相差不是很大，而裂紋的長寬比則差 距較大，所以采用矩形度、圓形度、細(xì)度比例、面積周長比這幾個特征參數(shù)來綜合考證，采取 先設(shè)定特征閾值。
[0029] S4:上位機根據(jù)所述提取的鋼軌表面缺陷信息計算出表征鋼軌缺陷參數(shù)，將所述 參數(shù)與特征閾值進行對比，判斷出鋼軌表面是否存在缺陷。采用鏈碼跟蹤算法對鋼軌表面 缺陷輪廓進行跟蹤，保存該缺陷輪廓信息并進行特征計算，提取出裂紋的相關(guān)參數(shù)，包括矩 形度、圓形度、細(xì)度比例、面積周長比這4個特征參數(shù)。如果計算出的特征參數(shù)超過特征閾值 則認(rèn)為有掉塊或是裂紋，否則認(rèn)為沒有缺陷。其中，矩形度R= Ao/Ar (12) 式(12)中，R代表矩形度，Ao為目標(biāo)區(qū)域包圍的面積，Ar為最小外接矩形的面積； 圓形度 C=P2/A (13) 式(13)中，C代表圓形度，P為目標(biāo)區(qū)域的周長，A為該目標(biāo)圍繞的面積； 細(xì)度比例 tr=4Ji(A/B2) (14) 式(14)中，tr代表細(xì)度比例，A為該目標(biāo)圍繞的面積，B為該目標(biāo)區(qū)域的面積； 面積周長比r=A/B (15) 式(15)中，r代表面積周長比，A為該目標(biāo)圍繞的面積，B為該目標(biāo)區(qū)域的面積。
[0030] 將計算出的4個特征參數(shù)與設(shè)定的特征閾值進行對比，計算出的特征參數(shù)大于對 應(yīng)的特征閾值，說明鋼軌表面存在缺陷。
[0031] 最后說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管參照較 佳實施例對本發(fā)明進行了詳細(xì)說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對本發(fā)明的技 術(shù)方案進行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的宗旨和范圍，其均應(yīng)涵蓋在本 發(fā)明的權(quán)利要求范圍當(dāng)中。
【主權(quán)項】
1. 基于智能小車的鋼軌表面缺陷檢測系統(tǒng)，其特征在于:包括智能小車和上位機，智能 小車包括獲取圖像裝置、通信模塊、電機驅(qū)動裝置和控制裝置，所述獲取圖像裝置、通信模 塊、電機驅(qū)動裝置分別與控制裝置連接，智能小車和上位機通過通信模塊進行通信。2. 如權(quán)利要求1所述的基于智能小車的鋼軌表面缺陷檢測系統(tǒng)，其特征在于:所述上位 機包括圖像處理裝置，所述圖像處理裝置包括圖像預(yù)處理模塊、鋼軌圖像表面缺陷信息提 取模塊和分析判斷鋼軌表面是否存在缺陷的分析模塊。3. 如權(quán)利要求2所述的基于智能小車的鋼軌表面缺陷檢測系統(tǒng)，其特征在于:所述圖像 預(yù)處理模塊的處理方法包括采用二維變分模態(tài)分解和自適應(yīng)中值濾波的方法相結(jié)合的方 式進行圖像去噪；圖像增強;邊緣檢測和圖像二值化處理。4. 如權(quán)利要求2所述的基于智能小車的鋼軌表面缺陷檢測系統(tǒng)，其特征在于:所述分析 模塊包括矩形度分析模塊、圓形度分析模塊、細(xì)度比例分析模塊和面積周長比分析模塊。 1加切剎悪所怵的甚干智能/h主的鋼軌丟而紈臨烚涮賽締.蛙征亦干.所怵一維式(4)中，表示在頻域內(nèi)原圖像表示頻域內(nèi)的拉格朗日乘子，表示 頻域內(nèi)的分解的子模態(tài)，表示頻域內(nèi)的帶寬限制，Wk表示頻域內(nèi)的第k個模態(tài)的中心頻 率，6. 基于智能小車的鋼軌表面缺陷檢測方法，其特征在于:具體包括以下步驟： Sl:智能小車拍攝鋼軌表面原始圖像，并通過通信模塊將所述圖像發(fā)送到上位機； S2:上位機讀取圖像信息，對所述圖像信息進行預(yù)處理，所述預(yù)處理包括二維變分模態(tài) 分解、自適應(yīng)中值濾波、圖像增強、邊緣檢測和圖像二值化處理； S3:根據(jù)特征閾值提取鋼軌圖像表面缺陷信息，完整提取鋼軌表面缺陷信息； S4:上位機根據(jù)所述提取的鋼軌表面缺陷信息計算出鋼軌缺陷參數(shù)，將所述參數(shù)與設(shè) 定的閾值進行對比，判斷出鋼軌表面是否存在缺陷。7. 如權(quán)利要求6所述的基于智能小車的鋼軌表面缺陷檢測方法，其特征在于:所述S2中 的二維變分模態(tài)分解法具體步驟為最小化下列函I(1)式（1)中，#七_表不原始圖像信號，表不分解的子模態(tài)，wS::表不第k個模態(tài)的中 心頻率，uk(x)表示分解的模態(tài)，％表示帶寬限制， 為將約束性變分問題變?yōu)榉羌s束性變分問題，引入二次乘法因子和拉格朗日乘子，則 擴展的枋格朗日表汰式為：式⑷中，表示在頻域內(nèi)原圖像，表示頻域內(nèi)的拉格朗日乘子為表示 頻域內(nèi)的分解的子模態(tài)，表示的帶寬限制，_|:表示的是第k個模態(tài)的中心頻率， 計算中心頻率8. 如權(quán)利要求6所述的基于智能小車的鋼軌表面缺陷檢測方法，其特征在于:所述S2中 自適應(yīng)中值濾波的具體步驟:設(shè)S〔x,y)表示圖像中心像素點(Ay)在濾波時所對應(yīng)的掩模窗 口，令2_:為錢中的灰度最小值，為中的灰度最大值，為?·，中的灰 度中值，Iy為在坐標(biāo)上的灰度，為鐵氧的允許的最大尺寸，自適應(yīng)中值濾波工作 1%而個目·而可奮''?/ 盡和RIP·. 如果O并且? 0，轉(zhuǎn)到B層，否則增加濾波窗口的尺寸大小，如果濾波窗口 Sgy).邊Sw&..，則重復(fù)執(zhí)行A層，否則把％作為輸出值，如果％: > 13并且:<： @，把％, 作為輸出值，否則作為輸出值。9. 如權(quán)利要求6所述的基于智能小車的鋼軌表面缺陷檢測方法，其特征在于:所述S3中 鋼軌表面缺陷參數(shù)包括矩形度、圓形度、細(xì)度比例和面積周長比。10. 如權(quán)利要求6所述的基于智能小車的鋼軌表面缺陷檢測方法，其特征在于:所述智 能小車包括獲取圖像裝置、通信模塊、電機驅(qū)動裝置和控制裝置，所述獲取圖像裝置、通信 模塊、電機驅(qū)動裝置分別與控制裝置連接。
【文檔編號】G01N21/88GK105891217SQ201610269971
【公開日】2016年8月24日
【申請日】2016年4月27日
【發(fā)明人】劉嘉敏, 彭玲, 羅甫林, 劉軍委, 袁佳成
【申請人】重慶大學(xué)