[發明專利]基于自適應帶通濾波的跨接線膠帶破損故障圖像分割方法

有效

• 申請號: 202011223580.2
• 申請日: 2020-11-05
• 公開（公告）號: CN112330633B
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 石瑋
• 申請（專利權）人: 哈爾濱市科佳通用機電股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 時起磊

基于自適應帶通濾波的跨接線膠帶破損故障圖像分割方法，屬于圖像檢測技術領域。為了解決現有的算子分割方法存在準確率低的問題，以及深度學習方法存在的工作量大和通用性效果不穩定的問題。本發明將經過預處理的檢測圖像轉換為頻譜圖像，利用頻譜能量值曲線確定故障所在頻段；然后將頻譜圖像通過自適應帶通濾波器進行濾波增強；最后通過傅里葉逆變換轉換為空域圖像，然后進行取反操作，最后根據分割閾值對取反操作后的圖像進行二值分割。主要用于列車的跨接線膠帶破損故障圖像分割。

技術領域

本發明屬于圖像檢測技術領域，具體涉及一種跨接線膠帶破損故障圖像分割方法。

背景技術

車廂連接處膠帶破損是一種危及行車安全的故障，會導致列車在行進過程中出現漏電、斷電等嚴重后果。在傳統故障檢測方法中，通常采用人工檢查圖像的方式進行故障檢測。由于檢車人員在工作過程中極易出現疲勞、遺漏等情況，造成漏檢、錯檢的出現，影響行車安全。

自動化檢測技術能夠很好的解決上述問題。隨著圖像識別技術的發展，可以邊緣檢測算子和深度學習等技術實現跨接線膠帶破損故障圖像分割，但是目前的基于邊緣檢測算子的方法的分割準確率較低，而深度學習技術不僅需要構建合適的分割模型，針對不同的處理圖像，需要花費大量的時間來研究和構建模型，而且還需要花費大量的時間來訓練模型，而往往模型的分割效果，不僅取決于所構建的模型，還取決于訓練樣本及訓練的過程，所以針對于不同的用戶往往可能存在通用性效果不穩定的問題。

發明內容

本發明是為了解決現有的算子分割方法存在準確率低的問題，以及深度學習方法存在的工作量大和通用性效果不穩定的問題。

基于自適應帶通濾波的跨接線膠帶破損故障圖像分割方法，包括以下步驟：

S1、獲取檢測圖像；

S2、將經過預處理的檢測圖像轉換為頻譜圖像，利用頻譜能量值曲線確定故障所在頻段；然后將頻譜圖像通過自適應帶通濾波器進行濾波增強；最后通過傅里葉逆變換轉換為空域圖像I(x,y)；

S3、將空域圖像I(x,y)進行取反操作：

其中，ρ為平均灰度閾值，mean為空域圖像I(x,y)的平均灰度值；

S4、根據分割閾值th對圖像T(x,y)進行二值分割。

進一步地，S4所述分割閾值th如下：

其中，設T(x,y)的灰度值最大值為max，最小值為min，δ表示分割閾值的系數,表示灰度值大于時的像素數量，其中，k′表示故障像素點的臨界數量。

進一步地，根據分割閾值th對圖像T(x,y)進行二值分割的過程包括以下步驟：

當圖像T(x,y)的像素的灰度值大于等于分割閾值th時，將其賦值為255；當圖像T(x,y)的像素的灰度值小于分割閾值th時，將其賦值為0，得到二值化圖像T′(x,y)。

進一步地，根據分割閾值th對圖像T(x,y)進行分割后，還要進行形態學開運算，具體過程包括以下步驟：

將進行二值分割后的二值化圖像T′(x,y)進行形態學的腐蝕處理，然后再進行形態學的膨脹處理，進而得到圖像T″(x,y)。

進一步地，所述利用頻譜能量值曲線確定故障所在頻段的過程包括以下步驟：

針對經過預處理的檢測圖像轉換為頻譜圖像，將頻譜圖像進行中心化后轉換為功率譜F(u,v)，并確定功率譜F(u,v)的譜能量曲線Energy；