Analys av slitna strömavtagare med hjälp av datoriserad bildanalys Den här presentationen kommer troligen att leda till en diskussion med åhörarna, vilket skapar viktiga frågeställningar och uppgifter. Så här använder du PowerPoint för att hålla ordning på dessa uppgifter under presentationen: Klicka med höger musknapp när du kör bildspelet. Välj Möteshanteraren. Välj fliken Uppgiftslista. Anteckna uppgifter/frågor efterhand som de dyker upp. Klicka på OK om du vill stänga den här rutan. En separat bild med dina anteckningar skapas automatiskt i slutet av presentationen. Examensarbete Analys av slitna strömavtagare med hjälp av datoriserad bildanalys Robin Strand

Kamera och blixt

Kamera och blixt Slutartid 1/3200 sek Objektiv 180 mm Brinntid 1/28000 sek Effekt 1000 Ws

Exempelbild

Strömavtagarens olika delar

Angreppssätt Skapa en mall efter aluminiumprofilens form Segmentera aluminiumprofilen genom att placera mallen i bilden Segmentera kolskenan utifrån mallens placering Analysera kolskenan

Generera mall Följande information sparas: Kantpixlarnas koordinater Varje kantkoordinats normalriktning Kolslitskenans placering Mallens bredd, mätt i antal pixlar

Avgränsa bilden Finn röda regioner i bilden

Röda regioner Ur dessa beräknas: Bounding box Skalfaktor, s, m.h.a. b och e Vinkel, theta, m.h.a. e och f

Skapa en ”bounding box” m.h.a. de röda regionerna

Förberedelser för att placera mallen Kantdetektion Laplace + percentilfiltrering

Avståndstransform Chamfer 3-4

Tröskling De pixlar med störst intensitet blir objekt (10% av totala antalet pixlar)

Villkor för placering av mallen Placera mallen s.a. de framtrösklade objekten hamnar innanför mallens kanter Placera mallen med chamfermatchning

Placering av mallen Avsökta placeringar Bästa placering

Segmentering av kolslitskenan Kantdetektion och avståndstransform vid kolslitskenan Riktningsberoende kantdetektor

Kantövergångsmall Detta ger upphov till endimensionella mallar med beräknat avstånd mellan de intressanta kanterna

Finna bästa placering för kantövergångsmallar

Resultat av placering av kantövergångsmall Problem: statisk höjd

Höjdmätning av kolskenan Om kanten mellan kolskenan och bakgrunden tillräckligt stark är höjdmätning möjlig: Utgå från den approximerade kanten under kolskenan För varje x-värde sök efter starkaste kant nära den beräknade övre kanten m.h.a. vikter Om dessa kanter går att approximera tillräckligt bra till en andragradskurva, så används denna som approximation till den övre kanten Annars används statisk höjd

Anpassa andragradskurvor till övre resp Anpassa andragradskurvor till övre resp. undre kanten av kolslitskenorna

Resultat av segmenteringen

Analys av kolslitskenorna Medelintensitet i ~1000 olika delar av kolskenan Kolskena 1 Kolskena 2

Resultat av analysen Problem: Kontaktledningen och dess upphängningsanordning resulterar i detekterade skador Lösning: Kontaktledningen har ungefär samma placering i de båda segmenterade kolskenorna, utnyttja detta genom att bortse från ”skador” som finns i båda kolskenorna Nytt problem: Detta kräver relativt stora marginaler vilket resulterar i att man bortser från en stor del av kolskenan

Resultat Lyckade segmenteringar 45 Misslyckade placeringar av aluminiumprofilmallen 2 Misslyckade segmenteringar av kolskenan 3 Lyckade höjdmätningar 34 Misslyckade höjdmätningar 16

Resultat Analys Bortslagna flisor: Möjligt att detektera skador om bakgrunden skiljer sig i intensitet från kolskenan Nedslitna skenor: Möjligt att detektera om höjdmätning varit möjlig

Slutsatser Segmenteringen är pålitlig. Den bygger på kantinformation i bilden => starka kanter krävs. Detta får man om det är stor skillnad i intensitet mellan kolskenan och bakgrunden Analysmetoden är inte tillräcklig. Kraftfullare analys av kolskenan krävs för att den ska vara pålitlig

Några förslag till förbättringar Fotografera strömavtagaren då tåget har lägre hastighet => exaktare placering av strömavtagaren Skapa jämnare ljusförhållande genom att installera kameran i t.ex. en tunnel => mindre variation i intensitet mellan bilderna Skapa homogen bakgrund => kraftfullare segmentering och analys