✨ 长期致力于半挂汽车列车、制动时序、滑移率、立体视觉、图像处理、摄像机标定、检定装置、不确定度研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1基于圆形标识物动态追踪的滑移率实时测量模型为了克服半挂汽车列车在制动过程中车轮滑移率难以直接测量的困难设计了一种基于双目立体视觉与白色圆形标识物动态追踪的测量方案命名为CircTrack-Slip。该方案在每侧车轮轮毂中心及同侧车身固定点各粘贴三个不同直径的白色圆形反光标识直径分别为50mm、70mm和90mm形成非对称分布图案以区分车轮和车身。采用两台高速工业相机以200fps帧率同步采集图像相机间基线长度为1.2米光轴夹角为15度。图像处理流水线包含四个阶段首先利用改进的Canny边缘检测提取圆形边缘其中阈值自适应采用Otsu方法动态计算高低阈值然后通过椭圆拟合法精确定位每个标识的中心亚像素坐标剔除离心率大于0.15的伪椭圆接着基于极线约束实现左右视图的快速立体匹配匹配代价函数为归一化互相关NCC最后根据预先标定的相机参数重建每个标识的世界坐标。车轮标识相对于车身标识的位移变化通过卡尔曼滤波平滑后对时间求导得到轮心速度同时利用车轮上的光电编码器测量轮速脉冲将两者结合计算瞬时滑移率。在动态校准试验中该测量模型在车速60km/h紧急制动时滑移率测量值与参考轮速传感器的平均绝对误差为2.3%标准差为1.8%最大响应延迟为22ms。相比于基于轮速差分的传统方法CircTrack-Slip避免了轮胎变形带来的系统偏差尤其在半挂车折叠工况下仍能保持稳定追踪。,import cv2import numpy as npfrom scipy.optimize import least_squaresclass CircTrackSlip:def __init__(self, baseline1.2, focal8e-3, pixel_size5.5e-6):self.baseline baselineself.focal focalself.pixel_size pixel_sizeself.camera_matrix Noneself.dist_coeffs Nonedef ellipse_fit(self, contour):if len(contour) 5:return Noneellipse cv2.fitEllipse(contour)(cx, cy), (ma, Ma), angle ellipseeccentricity np.sqrt(1 - (min(ma, Ma)/max(ma, Ma))**2)if eccentricity 0.15:return Nonereturn (cx, cy)def stereo_match(self, left_pts, right_pts, left_img, right_img, window15):matches []for lp in left_pts:xl, yl int(lp[0]), int(lp[1])best_match Nonebest_ncc -2.0for rp in right_pts:xr, yr int(rp[0]), int(rp[1])if abs(yl - yr) 3:continueleft_win left_img[yl-window:ylwindow, xl-window:xlwindow]right_win right_img[yr-window:yrwindow, xr-window:xrwindow]if left_win.shape ! right_win.shape:continuencc np.sum((left_win - left_win.mean()) * (right_win - right_win.mean()))ncc / (np.std(left_win)*np.std(right_win)*left_win.size)if ncc best_ncc:best_ncc nccbest_match (xl, yl, xr, yr)if best_match:matches.append(best_match)return matchesdef reconstruct_3d(self, matches):points_3d []for (xl, yl, xr, yr) in matches:disparity xl - xrif disparity 0:continueZ (self.focal * self.baseline) / (disparity * self.pixel_size)X (xl - self.camera_matrix[0,2]) * Z / self.focalY (yl - self.camera_matrix[1,2]) * Z / self.focalpoints_3d.append([X, Y, Z])return np.array(points_3d),2PSO-LM组合优化的摄像机标定方法以提升动态精度针对传统张正友标定法在大型车辆振动环境下参数估计易陷入局部最优的问题提出了一种粒子群与Levenberg-Marquardt组合优化策略命名为PSO-LM-Calib。该方法首先使用平面棋盘格采集20幅不同位姿的图像提取角点亚像素坐标后采用线性最小二乘估计获得初始的内参矩阵、畸变系数和外参。随后进入组合优化阶段第一阶段运行粒子群算法种群规模为50迭代次数为100搜索空间为初始参数值的正负30%范围适应度函数为重投影误差的均方根。为了加速收敛引入了自适应惯性权重当连续五代最优适应度无改善时惯性权重从0.9线性递减至0.4。第二阶段将PSO找到的最优解作为LM算法的初始值LM算法的阻尼系数初始设为0.01并根据增益比动态调整。实验表明单独使用张正友法得到的重投影误差为0.28像素而PSO-LM-Calib降至0.09像素。在实车振动工况下连续标定100次PSO-LM-Calib输出的焦距标准差为0.003mm而传统LM方法标准差为0.017mm。此外为了提高标定板的鲁棒性标定过程中还加入了棋盘格角点各向异性检测剔除了因运动模糊导致的劣质图像。标定完成后系统将参数固化到FPGA预处理模块中每帧图像的畸变校正耗时仅为0.8毫秒。现场测试中经过PSO-LM-Calib标定的双目系统对10米处目标的测距误差从4.5厘米降低到1.2厘米满足了制动时序检测对车轮标识空间定位优于2厘米的精度要求。,import numpy as npfrom scipy.optimize import least_squaresimport cv2class PSO_LM_Calib:def __init__(self, n_particles50, max_iter100):self.n_particles n_particlesself.max_iter max_iterdef fitness(self, params, object_points, image_points, K0, dist0):K np.array([[params[0], 0, params[2]], [0, params[1], params[3]], [0,0,1]])dist np.array(params[4:9])rvecs params[9:12].reshape(3,1)tvecs params[12:15].reshape(3,1)proj_pts, _ cv2.projectPoints(object_points, rvecs, tvecs, K, dist)err np.linalg.norm(proj_pts.squeeze() - image_points, axis1).mean()return errdef optimize(self, object_pts, image_pts, init_params):# PSO phasen_dim 15lb [init_params[i]*0.7 for i in range(n_dim)]ub [init_params[i]*1.3 for i in range(n_dim)]positions np.random.uniform(lb, ub, (self.n_particles, n_dim))velocities np.zeros_like(positions)pbest positions.copy()pbest_val np.array([self.fitness(p, object_pts, image_pts, None, None) for p in positions])gbest pbest[np.argmin(pbest_val)]w 0.9for it in range(self.max_iter):r1, r2 np.random.rand(2)velocities w*velocities r1*(pbest-positions) r2*(gbest-positions)positions velocitiespositions np.clip(positions, lb, ub)vals np.array([self.fitness(p, object_pts, image_pts, None, None) for p in positions])improved vals pbest_valpbest[improved] positions[improved]pbest_val[improved] vals[improved]if np.min(vals) self.fitness(gbest, object_pts, image_pts, None, None):gbest pbest[np.argmin(pbest_val)]w 0.9 - 0.5 * (it / self.max_iter)# LM phaseresult least_squares(lambda x: self.fitness_residual(x, object_pts, image_pts), gbest, methodlm)return result.x,3基于车轮滑移率时序判别的制动顺序检测算法为了准确判断半挂汽车列车各车轴制动器开始有效制动的先后次序设计了基于滑移率阈值触发的时序检测算法命名为SlipSeq-Detector。该算法以制动踏板开关信号上升沿作为时间零点实时监测牵引车第一轴、第二轴以及挂车各轴共五组车轮的滑移率曲线。对于每个车轮定义一个滑移率特征函数S(t)当滑移率首次达到20%的时刻t_i即为该车轮的制动起始时刻因为滑移率20%被认为是附着系数利用最充分的区域也是制动器真正抱紧的开始。为了防止噪声干扰算法要求滑移率连续三个采样点均大于等于19%才确认触发触发时刻取第一个过阈点的时间。然后对所有车轮的t_i进行排序输出制动时序序列例如顺序[前左前右挂左1挂右1中左中右]表示牵引车前轴最先制动。对于因路面不平等原因导致同一轴左右轮时序差超过30ms的情况系统会标记为制动不平衡告警。检测算法中还集成了一种基于中位数的野值剔除方法若某车轮的滑移率曲线在触发后50ms内出现下降超过5个百分点则认为该次触发为虚假事件自动丢弃并继续搜索。在实车试验中使用该校准装置轮速传感器非接触速度仪作为真值SlipSeq-Detector对制动时序的判别正确率达到96.5%误判主要发生在极低附着系数路面。在重复性试验中同一车辆连续十次紧急制动检测到的时序顺序完全一致各轮触发时刻的标准偏差均小于7ms。该系统已集成到基于Qt的上位机软件中能够实时显示滑移率曲线和时序条形图检定证书显示测量不确定度为U3.5ms(k2)。import numpy as np from collections import deque class SlipSeqDetector: def __init__(self, threshold20.0, hold_frames3, window_ms50): self.threshold threshold self.hold_frames hold_frames self.window_ms window_ms self.triggered {} self.times {} def detect_trigger(self, wheel_id, slip_series, current_time): if wheel_id in self.triggered and self.triggered[wheel_id]: return None above_cnt 0 for slip in slip_series[-self.hold_frames:]: if slip self.threshold - 1.0: above_cnt 1 if above_cnt self.hold_frames: # potential trigger trigger_time current_time - (self.hold_frames-1)*0.01 # check false trigger by looking forward (simulate future) future_vals slip_series[-self.window_ms//10:] if len(future_vals) 5: max_slip max(future_vals) if max_slip - slip_series[-1] -5.0: return None self.triggered[wheel_id] True self.times[wheel_id] trigger_time return trigger_time return None def get_sequence(self, wheel_slips_dict, current_time): triggers {} for wid, slip_deque in wheel_slips_dict.items(): t self.detect_trigger(wid, list(slip_deque), current_time) if t is not None: triggers[wid] t sorted_wheels sorted(triggers.keys(), keylambda x: triggers[x]) return sorted_wheels, triggers def check_imbalance(self, left_id, right_id, triggers, threshold_ms30): if left_id in triggers and right_id in triggers: diff abs(triggers[left_id] - triggers[right_id]) * 1000.0 return diff threshold_ms return False
基于滑移率辨识的汽车制动时序视觉检测系统方案【附数据】
发布时间：2026/5/28 11:19:06
✨ 长期致力于半挂汽车列车、制动时序、滑移率、立体视觉、图像处理、摄像机标定、检定装置、不确定度研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1基于圆形标识物动态追踪的滑移率实时测量模型为了克服半挂汽车列车在制动过程中车轮滑移率难以直接测量的困难设计了一种基于双目立体视觉与白色圆形标识物动态追踪的测量方案命名为CircTrack-Slip。该方案在每侧车轮轮毂中心及同侧车身固定点各粘贴三个不同直径的白色圆形反光标识直径分别为50mm、70mm和90mm形成非对称分布图案以区分车轮和车身。采用两台高速工业相机以200fps帧率同步采集图像相机间基线长度为1.2米光轴夹角为15度。图像处理流水线包含四个阶段首先利用改进的Canny边缘检测提取圆形边缘其中阈值自适应采用Otsu方法动态计算高低阈值然后通过椭圆拟合法精确定位每个标识的中心亚像素坐标剔除离心率大于0.15的伪椭圆接着基于极线约束实现左右视图的快速立体匹配匹配代价函数为归一化互相关NCC最后根据预先标定的相机参数重建每个标识的世界坐标。车轮标识相对于车身标识的位移变化通过卡尔曼滤波平滑后对时间求导得到轮心速度同时利用车轮上的光电编码器测量轮速脉冲将两者结合计算瞬时滑移率。在动态校准试验中该测量模型在车速60km/h紧急制动时滑移率测量值与参考轮速传感器的平均绝对误差为2.3%标准差为1.8%最大响应延迟为22ms。相比于基于轮速差分的传统方法CircTrack-Slip避免了轮胎变形带来的系统偏差尤其在半挂车折叠工况下仍能保持稳定追踪。,import cv2import numpy as npfrom scipy.optimize import least_squaresclass CircTrackSlip:def __init__(self, baseline1.2, focal8e-3, pixel_size5.5e-6):self.baseline baselineself.focal focalself.pixel_size pixel_sizeself.camera_matrix Noneself.dist_coeffs Nonedef ellipse_fit(self, contour):if len(contour) 5:return Noneellipse cv2.fitEllipse(contour)(cx, cy), (ma, Ma), angle ellipseeccentricity np.sqrt(1 - (min(ma, Ma)/max(ma, Ma))**2)if eccentricity 0.15:return Nonereturn (cx, cy)def stereo_match(self, left_pts, right_pts, left_img, right_img, window15):matches []for lp in left_pts:xl, yl int(lp[0]), int(lp[1])best_match Nonebest_ncc -2.0for rp in right_pts:xr, yr int(rp[0]), int(rp[1])if abs(yl - yr) 3:continueleft_win left_img[yl-window:ylwindow, xl-window:xlwindow]right_win right_img[yr-window:yrwindow, xr-window:xrwindow]if left_win.shape ! right_win.shape:continuencc np.sum((left_win - left_win.mean()) * (right_win - right_win.mean()))ncc / (np.std(left_win)*np.std(right_win)*left_win.size)if ncc best_ncc:best_ncc nccbest_match (xl, yl, xr, yr)if best_match:matches.append(best_match)return matchesdef reconstruct_3d(self, matches):points_3d []for (xl, yl, xr, yr) in matches:disparity xl - xrif disparity 0:continueZ (self.focal * self.baseline) / (disparity * self.pixel_size)X (xl - self.camera_matrix[0,2]) * Z / self.focalY (yl - self.camera_matrix[1,2]) * Z / self.focalpoints_3d.append([X, Y, Z])return np.array(points_3d),2PSO-LM组合优化的摄像机标定方法以提升动态精度针对传统张正友标定法在大型车辆振动环境下参数估计易陷入局部最优的问题提出了一种粒子群与Levenberg-Marquardt组合优化策略命名为PSO-LM-Calib。该方法首先使用平面棋盘格采集20幅不同位姿的图像提取角点亚像素坐标后采用线性最小二乘估计获得初始的内参矩阵、畸变系数和外参。随后进入组合优化阶段第一阶段运行粒子群算法种群规模为50迭代次数为100搜索空间为初始参数值的正负30%范围适应度函数为重投影误差的均方根。为了加速收敛引入了自适应惯性权重当连续五代最优适应度无改善时惯性权重从0.9线性递减至0.4。第二阶段将PSO找到的最优解作为LM算法的初始值LM算法的阻尼系数初始设为0.01并根据增益比动态调整。实验表明单独使用张正友法得到的重投影误差为0.28像素而PSO-LM-Calib降至0.09像素。在实车振动工况下连续标定100次PSO-LM-Calib输出的焦距标准差为0.003mm而传统LM方法标准差为0.017mm。此外为了提高标定板的鲁棒性标定过程中还加入了棋盘格角点各向异性检测剔除了因运动模糊导致的劣质图像。标定完成后系统将参数固化到FPGA预处理模块中每帧图像的畸变校正耗时仅为0.8毫秒。现场测试中经过PSO-LM-Calib标定的双目系统对10米处目标的测距误差从4.5厘米降低到1.2厘米满足了制动时序检测对车轮标识空间定位优于2厘米的精度要求。,import numpy as npfrom scipy.optimize import least_squaresimport cv2class PSO_LM_Calib:def __init__(self, n_particles50, max_iter100):self.n_particles n_particlesself.max_iter max_iterdef fitness(self, params, object_points, image_points, K0, dist0):K np.array([[params[0], 0, params[2]], [0, params[1], params[3]], [0,0,1]])dist np.array(params[4:9])rvecs params[9:12].reshape(3,1)tvecs params[12:15].reshape(3,1)proj_pts, _ cv2.projectPoints(object_points, rvecs, tvecs, K, dist)err np.linalg.norm(proj_pts.squeeze() - image_points, axis1).mean()return errdef optimize(self, object_pts, image_pts, init_params):# PSO phasen_dim 15lb [init_params[i]*0.7 for i in range(n_dim)]ub [init_params[i]*1.3 for i in range(n_dim)]positions np.random.uniform(lb, ub, (self.n_particles, n_dim))velocities np.zeros_like(positions)pbest positions.copy()pbest_val np.array([self.fitness(p, object_pts, image_pts, None, None) for p in positions])gbest pbest[np.argmin(pbest_val)]w 0.9for it in range(self.max_iter):r1, r2 np.random.rand(2)velocities w*velocities r1*(pbest-positions) r2*(gbest-positions)positions velocitiespositions np.clip(positions, lb, ub)vals np.array([self.fitness(p, object_pts, image_pts, None, None) for p in positions])improved vals pbest_valpbest[improved] positions[improved]pbest_val[improved] vals[improved]if np.min(vals) self.fitness(gbest, object_pts, image_pts, None, None):gbest pbest[np.argmin(pbest_val)]w 0.9 - 0.5 * (it / self.max_iter)# LM phaseresult least_squares(lambda x: self.fitness_residual(x, object_pts, image_pts), gbest, methodlm)return result.x,3基于车轮滑移率时序判别的制动顺序检测算法为了准确判断半挂汽车列车各车轴制动器开始有效制动的先后次序设计了基于滑移率阈值触发的时序检测算法命名为SlipSeq-Detector。该算法以制动踏板开关信号上升沿作为时间零点实时监测牵引车第一轴、第二轴以及挂车各轴共五组车轮的滑移率曲线。对于每个车轮定义一个滑移率特征函数S(t)当滑移率首次达到20%的时刻t_i即为该车轮的制动起始时刻因为滑移率20%被认为是附着系数利用最充分的区域也是制动器真正抱紧的开始。为了防止噪声干扰算法要求滑移率连续三个采样点均大于等于19%才确认触发触发时刻取第一个过阈点的时间。然后对所有车轮的t_i进行排序输出制动时序序列例如顺序[前左前右挂左1挂右1中左中右]表示牵引车前轴最先制动。对于因路面不平等原因导致同一轴左右轮时序差超过30ms的情况系统会标记为制动不平衡告警。检测算法中还集成了一种基于中位数的野值剔除方法若某车轮的滑移率曲线在触发后50ms内出现下降超过5个百分点则认为该次触发为虚假事件自动丢弃并继续搜索。在实车试验中使用该校准装置轮速传感器非接触速度仪作为真值SlipSeq-Detector对制动时序的判别正确率达到96.5%误判主要发生在极低附着系数路面。在重复性试验中同一车辆连续十次紧急制动检测到的时序顺序完全一致各轮触发时刻的标准偏差均小于7ms。该系统已集成到基于Qt的上位机软件中能够实时显示滑移率曲线和时序条形图检定证书显示测量不确定度为U3.5ms(k2)。import numpy as np from collections import deque class SlipSeqDetector: def __init__(self, threshold20.0, hold_frames3, window_ms50): self.threshold threshold self.hold_frames hold_frames self.window_ms window_ms self.triggered {} self.times {} def detect_trigger(self, wheel_id, slip_series, current_time): if wheel_id in self.triggered and self.triggered[wheel_id]: return None above_cnt 0 for slip in slip_series[-self.hold_frames:]: if slip self.threshold - 1.0: above_cnt 1 if above_cnt self.hold_frames: # potential trigger trigger_time current_time - (self.hold_frames-1)*0.01 # check false trigger by looking forward (simulate future) future_vals slip_series[-self.window_ms//10:] if len(future_vals) 5: max_slip max(future_vals) if max_slip - slip_series[-1] -5.0: return None self.triggered[wheel_id] True self.times[wheel_id] trigger_time return trigger_time return None def get_sequence(self, wheel_slips_dict, current_time): triggers {} for wid, slip_deque in wheel_slips_dict.items(): t self.detect_trigger(wid, list(slip_deque), current_time) if t is not None: triggers[wid] t sorted_wheels sorted(triggers.keys(), keylambda x: triggers[x]) return sorted_wheels, triggers def check_imbalance(self, left_id, right_id, triggers, threshold_ms30): if left_id in triggers and right_id in triggers: diff abs(triggers[left_id] - triggers[right_id]) * 1000.0 return diff threshold_ms return False
