[0001] 本发明涉及地铁高度调节阀紧固螺母状态检测领域，尤其涉及一种基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法。

[0002] 目前在地铁走行部的日常检测中，高度调节阀紧固螺母是需要重点监测的部件。地铁列车长期运行时产生的震动或检修失误都可能导致高度调节阀紧固螺母出现脱落、松动等不良状态，使得拉杆的承力能力降低，机械强度下降，使事故发生的可能性增加。因此，准确判定高度调节阀紧固螺母是否处于异常状态就显得十分关键。

[0003] 目前对于地铁高度调节阀紧固螺母的异常检测仍以人工检测为主，由于待检测区域多，工作量大，完成异常检测需要大量人力，效率十分低下。基于数字图像处理技术的地铁高度调节阀紧固螺母在非接触的情况下完成在线实时检测，具有较强优势。由于螺母相对于整车零部件来说的尺寸极小，在形成的全车底部图像中所占像素数量也很少，感兴趣区域的对比度较低，图像边缘较模糊，且螺杆螺母部件易受到反光的影响，基于图像处理技术的异常检测存在一定难度。

[0035] 为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

[0036] 如图1所示的一种基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法，具体包括以下步骤：

[0037] A、使用高清彩色线阵相机和测速模块采集地铁列车全车底部图像信息，获得包含高度调节阀紧固螺母的高清彩色图像，如图2。

[0038] B、对定位到的螺母彩色图像进行预处理，使用高斯滤波算法去除噪声；

[0039] C、基于边界特征的高度调节阀紧固螺母脱落检测

[0040] a、图3为螺母正常状态与各类异常状态，为了准确判定螺母的工作状态，首先将彩色图像转为灰度图像，采用直方图均衡化处理图像，提升图像对比度，使过曝和过暗的图像都能以更加均衡的方式展现，突出螺母部分的特征，从而有利于分割螺母，处理效果如图4；

[0041] b、选用Sobel算子检测图像边缘，提取边缘位置点在灰度图像中的灰度值，计算所有边缘位置处像素点的灰度均值和所有非边缘位置点的灰度均值，将两灰度均值的平均数设定为二值化阈值，完成灰度图像的二值化处理，实现目标区域与背景的分割，如图5所示；

[0042] c、对分割后的图像进行图像形态学的开运算处理，去除背景杂点，最大限度的保留目标轮廓，运算窗口设定为3×3，效果如图6所示；

[0043] d、累加二值图像同一横坐标像素点的灰度值，如图7，得到统计曲线，分析垂直方向边界特征。在统计曲线峰值点的右侧邻近区域内选取最小值点，邻近区域宽度为图像宽度的二分之一，根据选取的最小值点水平坐标确定螺母左侧边界线；曲线中最右侧非零点对应螺母右侧边缘，据此确定螺母右侧边界线。

[0044] e、累加二值图像同一纵坐标像素点的灰度值，如图8，得到统计曲线。根据水平方向边界特征提取螺母上下边界。以水平方向统计曲线中经过峰值点纵坐标的水平直线为中心，取上下两图像各自高度的二分之一位置划定水平线，分别设定为螺母的上边界线和下边界线。

[0045] f、将上下左右边界线包围的图像区域按水平方向等分为左右两个区域，设定为状态判定窗口，计算两区域内的像素值为255的像素个数，如图9

[0046] g、设定螺母脱落判定阈值，按照脱落状态下状态判定窗口内螺母与螺杆的面积比设定，阈值为0.65，左右状态判定窗口内白像素个数比超过阈值，判定为脱落；小于阈值，判定为未脱落

[0047] D、基于标记线的高度调节阀紧固螺母松动检测

[0048] a、若上部判断螺母未脱落，则将对应的螺母RGB空间图像转换到HSV空间；预处理，对明度分量进行直方图均衡化；

[0049] b、设定HSV过滤器，提取标记线。由于待提取的标记线为暗红色，故设定过滤器的H分量的取值范围为5～12、S分量的取值范围为43～255、V分量的取值范围为46～255，遍历原图像，将符合HSV范围的像素置为白色，不符合的置为黑色；

[0050] c、使用状态判定窗口截取图像，如图10，若截取到的右侧图像中未检测到标记线，说明螺母标记线已旋转至相机后方，未被拍摄到，直接判定为松动；若截取到的两图像内均检测到标记线，则累加各图像同一纵坐标像素点的灰度值，得到统计曲线，如图11所示；

[0051] d、取各自统计曲线峰值对应的纵坐标，比较两纵坐标间的距离与图像高度的比值，并设定松动阈值为0.2，若大于阈值，判定为松动；若小于阈值，判定为未松动。

[0052] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。