CN104463235B - 基于动车组运行图像的故障识别方法及装置 - Google Patents
基于动车组运行图像的故障识别方法及装置 Download PDFInfo
- Publication number
- CN104463235B CN104463235B CN201410659040.7A CN201410659040A CN104463235B CN 104463235 B CN104463235 B CN 104463235B CN 201410659040 A CN201410659040 A CN 201410659040A CN 104463235 B CN104463235 B CN 104463235B
- Authority
- CN
- China
- Prior art keywords
- train
- image
- fault
- template
- operation image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于动车组运行图像的故障识别方法及装置，包括：在列车历史图像库中检索到与当前采集的列车运行图像具有相同列车型号的列车历史运行图像；根据列车型号通过预设的列车模板库对实时采集的列车运行图像进行模板匹配，以实现列车与同车型历史图像的对齐配准，并将配准成功的图像保存到列车历史图像库；将配准后的列车运行图像与具有相同列车型号的列车历史运行图像进行比对和分析，查找图像信息不匹配的图像区域作为故障区域，并将故障区域的位置信息和特征信息进行保存；根据故障区域的位置信息和特征信息进行故障识别，实现对运行动车组的故障识别，提高动车组检修作业的效率，提高运行过程中动车组隐蔽故障的发现和预警能力。
Description
技术领域
本发明涉及动车组故障识别技术领域，特别涉及一种基于动车组运行图像的故障识别方法及装置。
背景技术
动车组在高速运行状态下，任何细小、细微的故障都有可能引发重大事故，因此加强动车组故障识别准确率至关重要。然而目前铁路传统的运行故障动态图像检测系统均采用配备一定数量的作业人员以三班倒的形式对采集到的每张图像进行人工看图浏览方式来检查车辆是否存在故障。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
现有方式需要大量作业人员，而且人工看图时间长后效率不高，容易疲劳，不利于动车组故障的及时发现和处理。
因此，提出一种异常图像自动分析的故障检测方法十分有必要。
发明内容
为解决上述问题，本发明提出了一种基于动车组运行图像的故障识别方法及装置，有效地解决了单纯依靠人工浏览方式检测图像故障时存在的工作量大，效率低，漏检等问题。
本发明提出了一种基于动车组运行图像的故障识别方法，所述方法包括以下步骤：
在列车历史图像库中查找与当前采集的列车运行图像具有相同列车型号的列车历史运行图像；
根据列车型号通过预设的列车模板库对实时采集的列车运行图像进行模板匹配，以实现列车与同车型历史图像的对齐配准，并将配准成功的图像保存到所述列车历史图像库；
将所述当前采集的列车运行图像与所述具有相同列车型号的列车历史运行图像进行比对和分析，查找图像信息不匹配的图像区域作为故障区域，并将所述故障区域的位置信息和特征信息进行保存；
根据所述故障区域的位置信息和特征信息进行列车故障识别。
优选地，根据列车型号通过预设的列车模板库对实时采集的列车运行图像进行模板匹配，以实现列车与同车型历史图像的对齐配准，具体包括：
获取当前运行列车的列车型号；
在所述预设的列车模板库中查找与所述实时采集的列车运行图像具有相同的列车型号的车头模板；
将所述实时采集的列车运行图像与所述车头模板进行车头匹配；
在所述预设的列车模板库中查找与所述实时采集的列车运行图像具有相同的列车型号的车厢连接处模板；
将所述实时采集的列车运行图像与所述车厢连接处模板进行匹配。
优选地，当车厢连接处未成功进行匹配时，所述方法还包括：
对所述实时采集的列车运行图像进行图像融合，将融合后的列车运行图像以车厢为基准进行对齐。
优选地，所述列车历史运行图像包括：同一列车型号的整节车厢图像和同一列车型号的车辆的同一部位图像。
优选地，将所述当前采集的列车运行图像与所述具有相同列车型号的列车历史运行图像进行比对和分析，查找图像信息不匹配的图像区域作为故障区域，具体包括：
获取当前采集的列车运行图像长度及其位置，并从列车历史运行图像中找到与其对应的历史运行图像；
提取所述当前采集的列车运行图像的第一尺度不变特征变换描述子SIFT以及与其对应的历史运行图像的第二尺度不变特征变换描述子SIFT；
将所述第一SIFT与第二SIFT进行特征匹配；
将特征匹配失败的第一SIFT特征点所在的图像区域其作为模板，和与之对应的历史图像区域进行区域模板匹配，将区域模板匹配失败的图像区域作为故障区域。
优选地，若所述区域模板匹配成功，则所述特征匹配失败的第一SIFT特征点所在的图像区域不作为故障区域。
优选地，所述根据所述故障区域的位置信息和特征信息进行列车故障识别具体包括：
根据所述故障区域的位置进行第一故障等级划分；
根据所述故障区域的特征信息进行第二故障等级划分；
根据故障等级划分结果进行列车故障识别。
相应的，本发明还提出了一种基于动车组运行图像的故障识别装置，所述装置包括：
图像查找模块，用于在列车历史图像库中查找与当前采集的列车运行图像具有相同列车型号的列车历史运行图像；
列车对齐模块，用于根据列车型号通过预设的列车模板库对实时采集的列车运行图像进行模板匹配，以实现列车与同车型历史图像的对齐配准，并将配准成功的图像保存到所述列车历史图像库；
故障检测模块，用于将所述当前采集的列车运行图像与所述具有相同列车型号的列车历史运行图像进行比对和分析，查找图像信息不匹配的图像区域作为故障区域，并将所述故障区域的位置信息和特征信息进行保存；
故障识别模块，用于根据所述故障区域的位置信息和特征信息进行列车故障识别。
优选地，所述列车对齐模块包括：
获取单元，用于获取当前运行列车的列车型号；
第一查找单元，用于在所述预设的列车模板库中查找与所述实时采集的列车运行图像具有相同的列车型号的车头模板；
第一匹配单元，用于将所述实时采集的列车运行图像与所述车头模板进行车头匹配；
第二查找单元，用于在所述预设的列车模板库中查找与所述实时采集的列车运行图像具有相同的列车型号的车厢连接处模板；
第二匹配单元，用于将所述实时采集的列车运行图像与所述车厢连接处模板进行匹配；
图像融合单元，用于当所述第二匹配单元未成功进行匹配时，对所述实时采集的列车运行图像进行图像融合，将融合后的列车运行图像以车厢为基准进行对齐。
优选地，所述故障检测模块包括：
图像信息获取单元，用于获取当前采集的列车运行图像长度及其位置，并从列车历史运行图像中找到与其对应的历史运行图像；
SIFT特征提取单元，用于提取所述当前采集的列车运行图像的第一尺度不变特征变换描述子SIFT以及与其对应的历史运行图像的第二尺度不变特征变换描述子SIFT；
特征点匹配单元，用于将所述第一SIFT与第二SIFT进行特征匹配；
检测单元，用于将特征匹配失败的第一SIFT特征点所在的图像区域其作为模板，和与之对应的历史图像区域进行区域模板匹配，将区域模板匹配失败的图像区域作为故障区域。
本发明提出了一种基于动车组运行图像的故障识别方法及装置，该方法利用现有动车组运行故障动态图像检测系统(TEDS)采集的图像数据，基于视觉认知计算理论实现了对运行动车组的可视结构异常情况的实时分析和自动预警，提高了动车组故障识别和检修作业的效率，提高了对运行过程中动车组隐蔽故障的发现和预警能力。
附图说明
图1是本发明实施例一提出的一种基于动车组运行图像的故障识别方法流程图；
图2是本发明实施例一提出的根据列车型号通过预设的列车模板库对实时采集的列车运行图像进行模板匹配，以实现列车与同车型历史图像的对齐配准的方法流程图；
图3是本发明实施例一提出的采用图像比对算法实现的故障检测的方法流程图；
图4是本发明实施例二提出的一种基于动车组运行图像的故障识别装置模块图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明针对单纯依靠人工浏览方式检测图像故障时存在的工作量大，效率低，漏检多等问题，提出了一种基于动车组运行图像的动车组故障识别方法及装置，该方法采用智能图像识别算法对同一车辆的同一部位的图像在两次通过探测站时进行比对和分析，实现异常图像的自动检测。该功能可以辅助质检人员和验收人员进行二次核查，减少故障的漏检，而且还可以可有效地解决图像配准问题，以及由于光线变化、行车速度不同造成的误报问题；还可实现对重要零部件的微小变化和小尺寸及复杂结构的故障检测。
本发明实施例一提出了一种基于动车组运行图像的故障识别方法，如图1所示，所述方法包括以下步骤：
S101：在列车历史图像库中查找与当前采集的列车运行图像具有相同列车型号的列车历史运行图像；
S102：根据列车型号通过预设的列车模板库对实时采集的列车运行图像进行模板匹配，以实现列车与同车型历史图像的对齐配准，并将配准成功的图像保存到所述列车历史图像库；
S103：将所述当前采集的列车运行图像与所述具有相同列车型号的列车历史运行图像进行比对和分析，查找图像信息不匹配的图像区域作为故障区域，并将所述故障区域的位置信息和特征信息进行保存；
S104：根据所述故障区域的位置信息和特征信息进行列车故障识别。
其中，根据列车型号通过预设的列车模板库对实时采集的列车运行图像进行模板匹配，以实现列车与同车型历史图像的对齐配准，具体包括：获取当前运行列车的列车型号；在所述预设的列车模板库中查找与所述实时采集的列车运行图像具有相同的列车型号的车头模板；将所述实时采集的列车运行图像与所述车头模板进行车头匹配，直至匹配成功，实现车头对齐；在所述预设的列车模板库中查找与所述实时采集的列车运行图像具有相同的列车型号的车厢连接处模板；将所述实时采集的列车运行图像与所述车厢连接处模板进行匹配，直至匹配成功。当车厢连接处未成功进行匹配时，所述方法还包括：对所述实时采集的列车运行图像进行图像融合，将融合后的列车运行图像以车厢为基准进行对齐，实现火车以车厢为基准的对齐。
本发明实施例中，对动车组运行图像实现自动故障识别报警，其中关键的一步是被对比图像和对比图像之间的对齐配准，这种对齐配准主要目的是消除图像采集过程中由于车速、天气、光线、抖动等外部因素造成的图像错位的不一致现象，从而为下一步故障检测算法打好基础。
为了更好地达到对齐匹配效果，本算法采用迭代更新对齐配准法，如图2所示。具体地说，首先获得接新车的指令后，获取火车的车号即列车型号，以便从火车模板库中提取相同车型的车头模板。随后利用模板匹配方法，对从TEDS采集前端实时获取的火车图像，实现火车车头匹配。当模板匹配成功时，表明该图像出现了火车车头，利用模板匹配位置对图像进行裁剪分割，从而实现火车第一车厢的起始对齐。接着提取该车型的车厢连接处模板，在实时获取的火车图像中寻找车厢连接处位置。在未匹配成功时，对实时获取图像进行图像融合处理，当匹配成功后，实现图像裁剪分割，从而实现火车第二车厢的起始对齐。根据迭代更新对齐配准方法，从而避免误差叠加，使得对齐配准更加精准。最后将整节车厢图像保存，实现该车型历史图像库的更新。
其中，所述将当前采集的列车运行图像与所述具有相同列车型号的列车历史运行图像进行比对和分析，查找图像信息不匹配的图像区域作为故障区域，具体包括：获取当前采集的列车运行图像长度及其位置即对齐配准后处于车厢的位置坐标，并从列车历史运行图像中找到与其对应的历史运行图像；提取所述当前采集的列车运行图像的第一尺度不变特征变换描述子SIFT以及与其对应的历史运行图像的第二尺度不变特征变换描述子SIFT；将所述第一SIFT与第二SIFT进行特征点匹配；将特征匹配失败的第一SIFT特征点所在的图像区域其作为模板，和与之对应的历史图像区域进行区域模板匹配，将区域模板匹配失败的图像区域作为故障区域。若所述区域模板匹配成功，则所述特征匹配失败的第一SIFT特征点所在的图像区域不作为故障区域。
本发明实施例中，采用图像比对算法实现故障检测，如图3所示，具体如下：首先获得接新车的指令后，获取火车车号即列车型号，以便从火车历史图像库中找到该车型的列车历史运行图像；其次对从TEDS采集前端实时获取的火车图像，运行图像对齐配准算法，获取修正图像Inew即当前采集的列车运行图像的起始位置和图像长度，并从列车历史运行图像中找到与其相应的图像信息Iold；随后采用一种自适应的局部和全局相结合的比对算法完成故障检测。其中，所述列车历史运行图像包括：同一列车型号的整节车厢图像和同一列车型号的车辆的同一部位图像。
首先提取图像Inew的尺度不变特征变换描述子(Scale-invariant featuretransform,SIFT)，该描述子是一种局部特征，不仅具有尺度不变性，即使改变旋转角度，图像亮度或拍摄视角，仍然能够保持较好的不变性。因此其对于方向和尺度变化的特征具有较好的匹配度。其次，提取Iold的SIFT特征描述子，将Inew的SIFT特征与Iold的SIFT特征实现特征匹配，以发现潜在的故障区域(即未匹配上的特征点)。随后，将潜在的故障区域作为模板，利用模板匹配算法，在Iold图像中寻找该区域是否存在。若匹配成功，则表明该潜在故障区域为误报故障，反之，将其作为故障区域保存其位置和特征。
其中，所述根据所述故障区域的位置信息和特征信息进行列车故障识别具体包括：根据所述故障区域的位置进行第一故障等级划分；根据所述故障区域的特征信息进行第二故障等级划分；根据故障等级划分结果进行列车故障识别。
本发明实施例中，根据动车组故障等级定义办法，将检测出的故障区域按照不同的等级进行定义，算法从两个方面进行考虑：1.故障出现的位置：当故障发生在走行部等较关键位置(根据动车结构进行关键位置划分)时，一律认定为一级报警；而对车底板等相对非关键或者说不影响行车安全的部位，则需要进一步考虑故障的损坏程度，以确定故障等级；2.故障损坏程度：提取故障区域的图像特征，包括：故障面积、旋转拉伸程度、质心改变(扭曲)等，并对这些特征进行加权平均，如果平均值低于损坏阈值，则认定为二级报警，反之为一级报警。通过多级报警的模式，可以使得系统用户可以更快的发现重大故障，以确保及时防止事故。
本发明实施例中，根据故障出现位置的重要程度，以及通过故障区域的特征信息获得的故障损坏程度，综合定义故障等级，使系统用户可以更快的识别故障，以确保及时防止事故。
相应的，本发明实施例二还提出了一种基于动车组运行图像的故障识别装置，所述装置包括：
图像查找模块201，用于在列车历史图像库中查找与当前采集的列车运行图像具有相同列车型号的列车历史运行图像；
列车对齐模块202，用于根据列车型号通过预设的列车模板库对实时采集的列车运行图像进行模板匹配，以实现列车与同车型历史图像的对齐配准，并将配准成功的图像保存到所述列车历史图像库；
故障检测模块203，用于将所述当前采集的列车运行图像与所述具有相同列车型号的列车历史运行图像进行比对和分析，查找图像信息不匹配的图像区域作为故障区域，并将所述故障区域的位置信息和特征信息进行保存；
故障识别模块204，用于根据所述故障区域的位置信息和特征信息进行列车故障识别。
本发明实施例中的列车对齐模块202具体包括：
获取单元，用于获取当前运行列车的列车型号；
第一查找单元，用于在所述预设的列车模板库中查找与所述实时采集的列车运行图像具有相同的列车型号的车头模板；
第一匹配单元，用于将所述实时采集的列车运行图像与所述车头模板进行车头匹配；
第二查找单元，用于在所述预设的列车模板库中查找与所述实时采集的列车运行图像具有相同的列车型号的车厢连接处模板；
第二匹配单元，用于将所述实时采集的列车运行图像与所述车厢连接处模板进行匹配；
图像融合单元，用于当所述第二匹配单元未成功进行匹配时，对所述实时采集的列车运行图像进行图像融合，将融合后的列车运行图像以车厢为基准进行对齐。
本发明实施例中的故障检测模块203具体包括：
图像信息获取单元，用于获取当前采集的列车运行图像长度及其位置，并从列车历史运行图像中找到与其对应的历史运行图像；
SIFT特征提取单元，用于提取所述当前采集的列车运行图像的第一尺度不变特征变换描述子SIFT以及与其对应的历史运行图像的第二尺度不变特征变换描述子SIFT；
特征点匹配单元，用于将所述第一SIFT与第二SIFT进行特征匹配；
检测单元，用于将特征匹配失败的第一SIFT特征点所在的图像区域其作为模板，和与之对应的历史图像区域进行区域模板匹配，将区域模板匹配失败的图像区域作为故障区域。
本发明提出了一种基于动车组运行图像的故障识别方法及装置，该方法利用现有动车组运行故障动态图像检测系统(TEDS)采集的图像数据，基于视觉认知计算理论实现了对运行动车组的可视结构异常情况的实时分析和自动预警，提高了动车组故障识别和检修作业的效率，提高了对运行过程中动车组隐蔽故障的发现和预警能力，从而辅助质检人员和验收人员进行二次核查，减少故障的漏检，更好地确保高铁安全。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
本领域技术人员可以理解附图只是一个优选实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (5)
1.一种基于动车组运行图像的故障识别方法，其特征在于，所述方法包括以下步骤：
在列车历史图像库中查找与当前采集的列车运行图像具有相同列车型号的列车历史运行图像；
根据列车型号通过预设的列车模板库对实时采集的列车运行图像进行模板匹配，以实现列车与同车型历史图像的对齐配准，并将配准成功的图像保存到所述列车历史图像库；
将所述当前采集的列车运行图像与所述具有相同列车型号的列车历史运行图像进行比对和分析，查找图像信息不匹配的图像区域作为故障区域，并将所述故障区域的位置信息和特征信息进行保存；
根据所述故障区域的位置信息和特征信息进行列车故障识别；
所述根据所述故障区域的位置信息和特征信息进行列车故障识别具体包括：
根据所述故障区域的位置进行第一故障等级划分；
根据所述故障区域的特征信息进行第二故障等级划分；
根据故障等级划分结果进行列车故障识别；
所述根据所述故障区域的特征信息进行第二故障等级划分，具体包括：
提取故障区域的图像特征，包括：故障面积、旋转拉伸程度、质心改变，并对这些特征进行加权平均，如果平均值低于损坏阈值，则认定为二级报警，反之为一级报警；
所述根据列车型号通过预设的列车模板库对实时采集的列车运行图像进行模板匹配，以实现列车与同车型历史图像的对齐配准，具体包括：
获取当前运行列车的列车型号；
在所述预设的列车模板库中查找与所述实时采集的列车运行图像具有相同的列车型号的车头模板；
将所述实时采集的列车运行图像与所述车头模板进行车头匹配；
在所述预设的列车模板库中查找与所述实时采集的列车运行图像具有相同的列车型号的车厢连接处模板；
将所述实时采集的列车运行图像与所述车厢连接处模板进行匹配。
2.如权利要求1所述的方法，其特征在于，当车厢连接处未成功进行匹配时，所述方法还包括：
对所述实时采集的列车运行图像进行图像融合，将融合后的列车运行图像以车厢为基准进行对齐。
3.如权利要求1所述的方法，其特征在于，所述列车历史运行图像包括：同一列车型号的整节车厢图像和同一列车型号的车辆的同一部位图像。
4.如权利要求1所述的方法，其特征在于，所述将当前采集的列车运行图像与所述具有相同列车型号的列车历史运行图像进行比对和分析，查找图像信息不匹配的图像区域作为故障区域，具体包括：
获取当前采集的列车运行图像长度及其位置，并从列车历史运行图像中找到与其对应的历史运行图像；
提取所述当前采集的列车运行图像的第一尺度不变特征变换描述子SIFT以及与其对应的历史运行图像的第二尺度不变特征变换描述子SIFT；
将所述第一SIFT与第二SIFT进行特征点匹配；
将特征匹配失败的第一SIFT特征点所在的图像区域其作为模板，和与之对应的历史图像区域进行区域模板匹配，将区域模板匹配失败的图像区域作为故障区域。
5.如权利要求4所述的方法，其特征在于，若所述区域模板匹配成功，则所述特征匹配失败的第一SIFT特征点所在的图像区域不作为故障区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410659040.7A CN104463235B (zh) | 2014-11-18 | 2014-11-18 | 基于动车组运行图像的故障识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410659040.7A CN104463235B (zh) | 2014-11-18 | 2014-11-18 | 基于动车组运行图像的故障识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104463235A CN104463235A (zh) | 2015-03-25 |
| CN104463235B true CN104463235B (zh) | 2019-01-18 |
Family
ID=52909249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410659040.7A Active CN104463235B (zh) | 2014-11-18 | 2014-11-18 | 基于动车组运行图像的故障识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104463235B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106468914B (zh) * | 2015-08-21 | 2023-04-28 | 苏州华兴致远电子科技有限公司 | 列车检修方法和系统 |
| CN105241679B (zh) * | 2015-09-21 | 2017-12-15 | 中国铁道科学研究院电子计算技术研究所 | 一种动车组隐蔽故障检测方法 |
| CN106940884B (zh) * | 2015-12-15 | 2020-11-24 | 北京康拓红外技术股份有限公司 | 一种包含深度信息的动车组运行故障图像检测系统及检测方法 |
| CN108345944B (zh) * | 2017-01-22 | 2024-05-10 | 苏州华兴致远电子科技有限公司 | 一种列车闭环智能检修方法和系统 |
| CN108528474B (zh) * | 2018-04-02 | 2019-09-13 | 交控科技股份有限公司 | 地铁车辆限界检测方法和系统 |
| CN108711152B (zh) * | 2018-05-23 | 2021-08-13 | 深圳市阡丘越科技有限公司 | 一种基于ai技术的图像分析方法、装置和用户终端 |
| CN108717711B (zh) * | 2018-05-23 | 2021-09-24 | 深圳市阡丘越科技有限公司 | 一种轨道交通故障图像分析方法、装置和系统 |
| CN109635624B (zh) * | 2018-10-15 | 2020-09-29 | 西北铁道电子股份有限公司 | 用于轨道车自动驾驶系统的车钩、列车管监测方法及系统 |
| CN109740410B (zh) * | 2018-11-07 | 2020-11-13 | 中国铁路总公司 | 一种无需预设模板的列车组故障识别方法及装置 |
| CN110378298B (zh) * | 2019-07-23 | 2021-04-27 | 精英数智科技股份有限公司 | 矿车队列的监控方法、装置、设备和存储介质 |
| CN110674076B (zh) * | 2019-09-23 | 2020-12-18 | 胡佳威 | 命令触发式目标分析平台、方法及存储介质 |
| CN111680609B (zh) * | 2020-06-03 | 2023-02-07 | 合肥中科类脑智能技术有限公司 | 基于图像配准和目标检测的异物识别系统及其方法 |
| CN112183341B (zh) * | 2020-09-28 | 2021-05-11 | 哈尔滨市科佳通用机电股份有限公司 | 基于检测算子的滚动轴承甩油故障图像识别方法 |
| CN112529008A (zh) * | 2020-11-03 | 2021-03-19 | 浙江大华技术股份有限公司 | 图像识别和图像特征处理方法、电子设备及存储介质 |
| CN112767358A (zh) * | 2021-01-21 | 2021-05-07 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像特征配准的铁路电力机车故障检测方法 |
| CN112766426B (zh) * | 2021-04-06 | 2021-09-07 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于时间约束的故障类型识别方法 |
| CN116309741B (zh) * | 2023-05-22 | 2023-08-11 | 中南大学 | Tvds图像配准方法、分割方法、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102323070A (zh) * | 2011-06-10 | 2012-01-18 | 北京华兴致远科技发展有限公司 | 列车异常检测方法和系统 |
| CN103020945A (zh) * | 2011-09-21 | 2013-04-03 | 中国科学院电子学研究所 | 一种多源传感器的遥感图像配准方法 |
| CN103077526A (zh) * | 2013-02-01 | 2013-05-01 | 苏州华兴致远电子科技有限公司 | 具有深度检测功能的列车异常检测方法及系统 |
| CN103338325A (zh) * | 2013-06-14 | 2013-10-02 | 杭州普维光电技术有限公司 | 基于全景摄像机的车底盘图像采集方法 |
-
2014
- 2014-11-18 CN CN201410659040.7A patent/CN104463235B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102323070A (zh) * | 2011-06-10 | 2012-01-18 | 北京华兴致远科技发展有限公司 | 列车异常检测方法和系统 |
| CN103020945A (zh) * | 2011-09-21 | 2013-04-03 | 中国科学院电子学研究所 | 一种多源传感器的遥感图像配准方法 |
| CN103077526A (zh) * | 2013-02-01 | 2013-05-01 | 苏州华兴致远电子科技有限公司 | 具有深度检测功能的列车异常检测方法及系统 |
| CN103338325A (zh) * | 2013-06-14 | 2013-10-02 | 杭州普维光电技术有限公司 | 基于全景摄像机的车底盘图像采集方法 |
Non-Patent Citations (1)
| Title |
|---|
| 动车组运行故障动态图像检测系统（TEDS）设计与实现;李骏;《中国优秀硕士学位论文全文数据库信息科技辑》;20130215;正文第5、19-45页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104463235A (zh) | 2015-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104463235B (zh) | 基于动车组运行图像的故障识别方法及装置 | |
| CN109657552B (zh) | 基于迁移学习实现跨场景冷启动的车型识别装置与方法 | |
| Hegde et al. | Yet another deep learning approach for road damage detection using ensemble learning | |
| CN110119701B (zh) | 基于视觉关系检测的煤矿综采工作面不安全行为识别方法 | |
| CN109740410B (zh) | 一种无需预设模板的列车组故障识别方法及装置 | |
| Singh et al. | Visual big data analytics for traffic monitoring in smart city | |
| CN110969166A (zh) | 一种巡检场景下小目标识别方法和系统 | |
| CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
| CN108319952B (zh) | 一种车辆特征提取方法及装置 | |
| CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
| Liu et al. | An efficient method for high-speed railway dropper fault detection based on depthwise separable convolution | |
| CN106412508A (zh) | 车辆违章压线智能监控方法和系统 | |
| CN108846331A (zh) | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 | |
| Fernández et al. | Robust Real‐Time Traffic Surveillance with Deep Learning | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
| Fernández-Rodríguez et al. | Automated detection of vehicles with anomalous trajectories in traffic surveillance videos | |
| Tang et al. | Driver fatigue detection algorithm based on eye features | |
| CN114898287A (zh) | 用于餐盘检测预警的方法、装置、电子设备、存储介质 | |
| CN104112144A (zh) | 人车识别方法及装置 | |
| CN106097751A (zh) | 车辆行驶控制方法及装置 | |
| Feng | Real time retrieval technology of vehicle navigation and location information under internet of things environment | |
| Patel et al. | IDENTIFY ROAD POTHOLES USING IMAGE SEMANTICSEGMENTATION FORADVANCE DRIVER ASSISTANT SYSTEM | |
| KR20150082823A (ko) | 교통 표지판 탐지 방법 및 장치 | |
| CN114693606B (zh) | 一种基于行人区域合并的安全设备穿戴检测方法 | |
| Liu et al. | + 2cmIntercity Rail Transit Platform Anomaly Detection Using Door Tracking Based Key Frame Extraction and AnoDet Network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |