CN105260744B - 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 - Google Patents
一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 Download PDFInfo
- Publication number
- CN105260744B CN105260744B CN201510644310.1A CN201510644310A CN105260744B CN 105260744 B CN105260744 B CN 105260744B CN 201510644310 A CN201510644310 A CN 201510644310A CN 105260744 B CN105260744 B CN 105260744B
- Authority
- CN
- China
- Prior art keywords
- image
- coupler yoke
- yoke key
- module
- feature
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统,包括图像采集部分和诊断部分,其中诊断部分又分为定位模块和识别模块;图像采集部分获取车钩图像,再由诊断部分中的定位模块和识别模块分别进行定位和识别;定位模块是在车钩图像中确定钩尾扁销的位置;识别模块是根据定位模块得到的钩尾扁销图像判断螺栓是否丢失;在定位模块中,将归一化的梯度幅值特征和6个方向的梯度直方图特征相结合形成复合维度特征,并使用线性支持向量机(SVM)来得到钩尾扁销的位置;在识别模块中,使用Haar特征来提取正常钩尾扁销图像和存在螺栓丢失的扁销图像之间的不同,并使用Adaboost决策树作为最终分类器来判断是否存在故障。
Description
技术领域
本发明涉及一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统,属于货运列车故障诊断技术。
背景技术
车钩缓冲装置货运列车连接系统的重要部件,它主要由车钩和缓冲器两部分组成。车钩和缓冲器由钩尾扁销上的螺栓连接在一起。如果钩尾扁销螺栓丢失,车钩就会和缓冲器分离,这会导致列车车体间的分离,酿成重大事故。因此,故障诊断是保障货运列车安全运行的关键。为了保证车钩和缓冲器间的连接,钩尾扁销螺栓通常由经验丰富的检测员手工检查。然而这种检测方式很消耗人力,而且非常耗时,这样就带来了很高的维护费用,也限制了货运列车的过程速度的提升。
在当今运输领域,现有的故障诊断方法可以被分为两类:视觉的和非视觉的。在非视觉方法中,针对滚柱轴承的基于声学的故障诊断方法毫无疑问是最成功的方法之一。然而,这套轨边声波探测系统却不能检测其他类型的故障。随着计算机视觉技术的发展,很多基于视觉的故障诊断系统被提了出来,能够诊断的故障类型范围也得到了很大扩展,计算机视觉技术的发展促使基于视觉的诊断方法成为了故障诊断的主流方法之一。
在开始阶段,研究者们关注于铁路轨道故障的检测。Marino等人[FrancescomariaMarino,Arcangelo Distante,Pier Luigi Mazzeo,and Ettore Stella,“A Real-TimeVisual Inspection System for Railway Maintenance:Automatic Hexagonal-HeadedBolts Detection,”IEEE TRAN.ON SYSTEMS,MAN,AND CYBERNETICS—PART C:APPLICATIONS AND REVIEWS,vol.37,no.3,pp.418-428,May 2007.]提出了一套故障诊断系统来自动检测用于紧固轨枕的六角头螺栓的丢失。他们使用小波变换和主分量分析方法来预处理图像。转换的数据被传入多层感知神经网络以实现分类和鉴别。Ruvo等人[DeRuvo P,Distante A,Stella E and Marino F.A GPU-based vision system for realtime detection of fastening
elements in railway inspection.In:The 16th IEEE internationalconference on image processing,Cairo,Egypt,7–10November 2009,pp.2333–2336.Piscataway,NJ:IEE Press.]使用误差反向传播算法对六角头螺栓建模。为了达到实时的效果,他们在图形数据处理单元(GPU)上实现检测算法。
接下来,随着基于视觉的诊断系统越来越普遍,研究者们开始尝试使用它们来检测货运列车上不同部件的故障。Hart等人[Hart J,Resendiz E,Freid B,et al.Machinevision using multi-spectral imaging for undercarriage inspection of railroadequipment.In:The eighth World congress on railway research.Seoul,Korea,18–12May 2008,pp.1–8.Seoul:WCRR.]设计了一套检测系统用来监视盘式制动器的状态和轴承的表现。Kim等人[Kim HC and Kim WY.Automated inspection system for rollingstock brake shoes.IEEE Trans Instrum Meas 2011;60(8):2835–2847.]使用双目视觉测量系统来精确测量闸瓦的厚度。TFDS是一套在中国使用的在线货运列车关键部位的基于视觉的故障检测系统。利用TFDS拍摄的图像,周等人[Zhou F,Zou R,Qiu Y,etal.Automated visual inspection of angle cocks during train operation.ProcIMechE,Part F:J Rail Rapid Transit 2014;228(7):794-806.]将梯度编码直方图和支持向量机结合使用诊断折角塞门上的把手是否丢失。李等人[Nan L,Wei ZZ,Gao ZP,WeiXG.Automatic fault recognition for losing of train bogie center platebolt.In:Proceedings of 2012 IEEE 14th International Conference onCommunication Technology,Chengdu,China.9 November-11November 2012,pp.1001-1005.Piscataway,NJ:IEEE Press.]提出一个自动识别方法来处理列车转向架心盘螺栓的丢失。刘等人[Liu ZH,Xiao DY,Chen YM.Displacement fault detection of bearingweight saddle in TFDS based on hough transform and symmetry validation.In:Proceedings of the 9th International Conference on FSKD,Chongqing,China,29May-31 May 2012,pp.1404-1408.Piscataway,NJ:IEE Press.]使用Hough变换和对称的方法来检测承载鞍的错位故障。朱等人[Zhu ZX,Wang GY,Liu JG,et al.Fast and Robust2D-Shape Extraction Using Discrete-Point Sampling and Centerline Grouping inComplex Images.IEEE Trans Image Process 2013;22(12):4762-4774.]提出一种新型方法基于分立点采样和中心线分组的方法从TFDS图像中提取复合形状,但他们没有进一步将他们的方法用于故障检测。
目前,尚未有关于讨论钩尾扁销螺栓视觉诊断方法的文献报导。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统,具有实时性和很高的诊断率,提高了货运列车的安全性。
本发明技术解决方案:一种货运列车钩尾扁销部位故障的自动在线诊断方法,实现步骤如下:
(1)铁轨边的多台高速相机实时采集列车车身各部位的图像,并将采集到的图像实时传输到图像中转站;
(2)图像中转站获取到高速相机传输的图像后,将图像传输到负责自动诊断的服务器中;
(3)负责诊断的服务器中安装有两个模块,定位模块和识别模块,图像中转站传入的图像首先进入定位模块,定位模块是从众多的车身图像中选择包含钩尾扁销部位的图像,从而确定钩尾扁销的位置,所述确定钩尾扁销的位置的方法是通过将归一化的梯度幅值特征和6个方向的梯度直方图特征相结合形成复合维度特征(MDF),然后使用线性支持向量机(SVM)得到钩尾扁销的位置,再通过SVM分类器确定钩尾扁销的精确位置;
(4)在自动诊断服务器中,定位模块在确定钩尾扁销的精确位置后传入识别模块,识别模块通过Haar特征来表示故障图像与正常图像间的不同,完成钩尾扁销部位故障的判断,并使用Adaboost决策树分类器最终判断钩尾扁销部位是否存在故障。
所述步骤(3)中,为了处理图像中钩尾扁销的尺度变化,采用一种快速多尺度特征金字塔算法计算多尺度特征,具体过程如下:
I来表示图像,并使用Is=R(I,s)来表示I在尺度s的重采样,使用M=C(I)来表示图像I上计算的MDF特征,则在尺度s下的Is对应的MDF特征可以
采用Ms=R(M,s)·s-λ (5)
来计算得到,
尺度为在对数空间中均匀采样,由s=1开始,每一级一般包含4个尺度,所谓一级,指的是一个尺度与半于或倍于其尺度间的间隔;
开始每一级只使用Ms=C(R(I,s))计算一个尺度而对于每个中间尺度,特征Ms由Ms=R(Ms′,s/s′)(s/s′)-λ计算得到,其中为经Ms′=C(Is′)计算的得到的最近的尺度。
所述步骤(3)中的复合维度特征(MDF)中的梯度幅值特征GM由下式计算:
其中,I表示图像,为线性卷积算子,hx为应用于水平(x)方向的高斯偏微分滤波器,hy为应用于竖直(y)方向的高斯偏微分滤波器,hx和hy由下式计算:
其中,为等向的尺度参数为σ的高斯函数。
所述步骤(3)中复合维度特征(MDF)中的6个方向的梯度直方图特征表示为:
首先,要从图像I的像素中计算梯度方向θ:
其中,△y=I(x,y+1)-I(x,y-1),△x=I(x+1,y)-I(x-1,y);再利用计算出的θ,每个像素的梯度方向被离散到6个方向中,且使用从1到6的不同数字将θ编码为θ*:
最后,这些离散的梯度方向被聚合在一个稠密间隔的不重叠的方形图像区域中,每个区域包含4×4个像素,每个区域可以由一个6单元的梯度方向的直方图表示,且直方图的每个单元都代表一个方向,使用{o1,o2,…,o6}来分别表示直方图的6个单元,得到表示6个方向梯度特征的6个向量。
所述步骤(4)中为了克服Adaboost决策树训练过程相对缓慢的缺点,采用一种通过预先删减无效特征的快速决策树训练方法,即利用每一个决策树节点的误差率上界来在训练的早期阶段删减掉无效的特征,这种方法能在完全保持性能的前提下在分类器训练阶段取得显著的加速效果。
一种货运列车钩尾扁销部位故障的自动在线诊断系统,包括:图像采集模块,图像中转模块和自动诊断模块三大部分;
图像采集模块负责在列车经过时采集列车车体的实时在线图像,此模块由多台高速相机来在线采集货运列车的不同部位的图像,其中两台被安装在铁轨旁来获取货运列车的侧面图像,其他的高速相机被安装在铁轨中心来获取列车底部图像;
图像中转模块负责将多台高速相机采集的图像进行整理并传入后续的自动诊断模块,该模块包括一台数据传输服务器,此服务器同时接受多台相机传入的图像,并将这些图像根据部位的不同进行分类,并进行有序的排列,而后图像中转模块将整理好的图像传入自动诊断模块;
自动诊断模块包含两个部分,定位模块和识别模块;定位模块完成钩尾扁销部位的定位提取,定位模块是从众多的车身图像中选择包含钩尾扁销部位的图像,从而确定钩尾扁销的位置,所述确定钩尾扁销的位置的方法是通过将归一化的梯度幅值特征和6个方向的梯度直方图特征相结合形成复合维度特征(MDF),然后使用线性支持向量机(SVM)得到钩尾扁销的位置,再通过SVM分类器确定钩尾扁销的精确位置;识别模块通过Haar特征来表示故障图像与正常图像间的不同,完成钩尾扁销部位故障的判断,并使用Adaboost决策树分类器最终判断钩尾扁销部位是否存在故障。
本发明与现有技术的优点在于:
(1)本发明的全自动的基于视觉的系统来诊断货运列车上的钩尾扁销螺栓故障,且这套系统已成为了传统人工检测的理想替代。诊断效率得到了提高,且维护费用被大幅减小。
(2)为了应对不同的环境状况对钩尾扁销螺栓成像带来的巨大变化,提出了一种新型特征被称为复合维度特征(MDF)。MDF包含七个维度的特征:归一化的梯度幅值和梯度在6个方向上的直方图,此特征能有效表达特征,而且在本发明中表现优于其它常用特征。
(3)为了处理图像中钩尾扁销尺度的变化,提出了一种快速多尺度特征金字塔算法。使用这种方法,能比一般的采样特征金字塔更快地得到一个MDF特征金字塔,且性能上损失不大。
(4)为了克服Adaboost决策树训练过程缓慢的缺陷,提出了一种基于预先删减无效特征的快速决策树训练方法,利用每个决策树节点的错误率边界,来在训练的早期阶段删减掉无效的特征,这种方法能极大加快分类器的训练过程,且丝毫不影响分类器的最终性能。
(5)故障诊断的可靠性是铁路安全最重要的方面之一。因此本发明将整个诊断过程分为两个阶段,并使用一个从整体到局部的分级串联的识别架构来建立了一套高可靠性的钩尾扁销螺栓诊断系统。
(6)实验结果显示,本发明提出的诊断方法能够达到98.6%的故障诊断率,而且一幅图像的平均处理时间只有大约98ms,很好的实时性和很高的诊断率。
附图说明
图1为本发明的实现流程图;
图2为TFDS系统框图;
图3为TFDS系统获取的钩尾扁销图像;(a)表示实际拍摄的车钩位置位于左边的图像,图(b)表示实际拍摄的车钩位置位于右边的图像)
图4为MDF特征:(a)实例图像;(b)梯度幅值特征;(c)六个方向的梯度直方图特征;
图5为本发明中的快速特征金字塔;
图6为本发明中的训练数据库中的正样本和负样本图像,其中(a)为正样本图像,(b)为负样本图像;
图7为本发明中的钩尾扁销的定位;第一幅、第二幅图表示采集到的两幅正常图像,第三幅、第四幅图表示采集到的两张存在故障的图像,四幅图像结果说明无论是正常图像还是存在故障的图像,方法中的定位模块均能正确地定位出钩尾扁销部件位置;
图8为本发明中的样本集中的正样本图像;(a),(b),(c),(d),(e)为样本集的正样本中随机抽出的5幅钩尾变销螺栓的图像;
图9为本发明中的样本集中的负样本图像;(a),(b),(c),(d),(e)为样本集的负样本中随机抽出的5幅钩尾变销螺栓丢失的图像;
图10为本发明中的动态获取钩尾扁销图像的装置:(a)安装在铁轨中间以获取列车底部图像(b)安装在铁轨两侧以获取列车侧面图像;
图11为本发明中的定位分类器的ROC曲线。
具体实施方式
如图1所示,本发明的货运列车钩尾扁销部位故障的自动在线诊断系统中安装了5架高速相机来同时捕捉运动列车的动态图像,整个诊断过程被分为两个部分,定位部分和识别部分。由于高速相机被安装在外场,钩尾扁销的成像可能会由于不同的环境条件发生很大的变化,因此很难找到现有的成熟特征来代表钩尾扁销的形态。为了解决这个问题,提出了一种新型特征被称为复合维度特征(MDF)。MDF包含了7个维度的特征:归一化的梯度幅值和6个方向的梯度直方图。为了应对图像中钩尾扁销尺度的变化,还设计了一种快速算法来计算多尺度图像特征,此算法比起充分采样的金字塔能更快得到一个MDF特征金字塔。特征被提取后,构建超平面分类器来实现钩尾定位。详细点说,输入训练集的特征向量使用支持向量机(SVM)分类器分布到高维空间中,以使用线性分类。最优超平面由最小化钩尾扁销和背景之间的误分类来确定。在这个阶段,分类器只实现了钩尾扁销的定位。
在识别阶段,选择Adaboost决策树作为分类器来实现钩尾扁销丢失螺栓的识别。Adaboost是当今使用的最受欢迎的学习技术之一,它将很多弱分类器联结起来形成一个强分类器。然而,尽管具有很快的测试速度,但Adaboost决策树的训练速度还是相对缓慢的。为了克服这个缺陷,提出了一种基于预先删减无效特征的快速决策树训练方法。本发明的方法利用每个决策树节点的错误率边界,来在训练的早期阶段删减掉无效的特征,这种方法能极大加快分类器的训练过程,且丝毫不影响分类器的最终性能。最后一个训练良好的Adaboost分类器将从正常螺栓中区分出缺失的螺栓,钩尾扁销螺栓丢失故障也就被诊断出。
本发明的方法实现如下:
1.获取图像
获取图像是所有基于视觉的故障诊断系统的第一步。对于钩尾扁销的故障诊断,必须获取钩尾扁销的动态图像。这是通过一套被称为“铁路货车运行故障动态图像检测系统”(TFDS)的诊断系统实现的,这套系统被广泛的安装在中国的铁路上。此系统专门用来对列车的关键部位进行在线诊断,以阻止危险的情况发生。TFDS系统主要包含三个部分,动态图像采集模块,数据传输站以及图像识别模块。
数据传输站时刻监控着磁钢组(C0–C10)的正常运行。如图2中所示,安装了5台高速相机来在线诊断货运列车的不同部位。两台被安装在铁轨旁来获取货运列车的侧面图像,其他的被安装在铁轨中心来获取列车底部图像。当列车通过磁钢时,触发信号被传递给控制室。然后,光源和相机保护门会被打开,这五台相机就不断地采集运动货运列车关键部位的动态图像。最后,图像被传输到远程监控服务器作为识别模块的输入,在这里这些图像被分析来诊断列车关键部位的故障。
一部货运列车大概会获取2,500到3,000幅图像,取决于它包含的车厢数目。每一幅图像都是1024×1200像素,24位彩色,jpg格式的。每一节列车车厢会被获取59个部分的图像,其中45幅图像是被底部相机获取,余下14幅图像是由轨道侧面相机获取。由于研究关注的是钩尾扁销螺栓故障的诊断,因此本文使用的是底部相机拍摄的图像。获取到的钩尾扁销图像如图3所示,其中白色矩形位置就是钩尾扁销。
以下三个方面的需求使得钩尾扁销螺栓的诊断成了很有挑战性的问题。
(1)TFDS系统设计时可以应用于速度区间为10km/h到160km/h的列车。当列车速度过快时,图像会发生模糊。对于此动态诊断任务,低分辨率的、模糊的图像和环境的不确定性都是必须考虑的难题。
(2)相机被安装在户外,因此钩尾扁销螺栓的成像会随着不同光照条件而发生变化。此外,钩尾扁销部位有时会被泄露的机油或粉尘污染,因此想在图像中准确定位钩尾扁销的位置是很有挑战性的。
(3)困难还来自于在线诊断。一般来说,一趟列车与下一趟间的时间间隔最短为5分钟,这就对整个诊断系统的稳定性和速度都提出了更高的要求。
2.钩尾扁销的定位
在实际中铁路检测员诊断钩尾扁销螺栓故障时,首先要找到钩尾扁销的位置,而后检测员进一步确定螺栓的存在与否。在自动诊断过程中,本发明也使用同样的过程。因此,第一步就是要检测钩尾扁销,并定位出其在图像中的位置。
(1)复合维度特征(MDF)
基于视觉的诊断方法的定位通常都是通过目标检测实现的。目标检测邻域最成功的额方法之一就是滑动窗口法.目标检测系统的性能是由所选特征的性能决定的。在计算机视觉发展的过程中,有很过著名的特征被提出:用于人脸检测的Haar特征,用于行人检测的HOG特征,用于柔性物体的DPM特征等。但研究人员仍在不大断地提出新的特征。这是因为没有哪种特征能够成功地用于所有的应用。因此,在本发明的诊断系统中,本发明需要找到符合任务需求的特征。由于相机安装在户外,钩尾扁销部位的成像可能会随着不同的环境条件发生很大的变化。本发明最终没能找到合适的现有特征来表示钩尾扁销的成像形态,所以不得不自己提出一种新型特征。本发明提出的特征称为复合维度特征(MDF)。
MDF包含7个维度的特征,归一化的梯度幅值特征和6个方向的梯度直方图特征。它是这两类特征的结合,而这两类特征都是平移不变的。
A.梯度幅值
能将图像各方面集合到一起的最直接特征就是梯度幅值。它是一种平移不变的非线性图像变换,能提取无方向的边缘强度。它是通过等方向性的微分操作实现的且不含角度影响,因此它反映了最大灰度变化。边缘和结构是钩尾扁销的重要特征,而梯度幅值特征正标记了局部灰度变换的强度,可以被当作图像边缘轮廓。因此它是一个表示钩尾扁销成像状态的很合适的特征。用I来表示图像,那么它的GM特征由下式计算:
其中,I表示图像,为线性卷积算子,hx为应用于水平(x)方向的高斯偏微分滤波器,hy为应用于竖直(y)方向的高斯偏微分滤波器,hx和hy由下式计算:
其中,为等向的尺度参数为σ的高斯函数。
B.各向梯度直方图
梯度方向的直方图是一个加权的直方图,其中单元索引由梯度方向来决定。通过使用上面的梯度幅值特征,可以得到钩尾扁销的结构,但只有结构信息不足以准确检测出元件部位,还需要使用梯度方向信息。局部物体的外观和形状经常可以由局部灰度梯度或边缘方向的分布来很好地表达,即使无法精确地对应梯度或边缘的位置。由于直方图具有平移不变性,因此方向分析对于光照变化具有鲁棒性。梯度方向的直方图概括了图像区域的量化分布,尤其对于形状变化的纹理物体的检测十分有效。因此它可以获取钩尾扁销的更多纹理细节。而且,比起更为复杂的HOG特征,的梯度方向的直方图特征更为简单和便捷。特征可以更快地计算。在本发明的项目中,本发明把梯度角度分为6个方向。要计算梯度方向的直方图特征,首先,要从图像I的像素中计算梯度方向θ。
其中,△y=I(x,y+1)-I(x,y-1),△x=I(x+1,y)-I(x-1,y)。而后,使用计算出的θ,每个像素的梯度方向被离散到6个方向中,且本发明使用从1到6的不同数字将θ编码为θ*
最后,这些离散的梯度方向被聚合在一个稠密间隔的不重叠的方形图像区域中,每个区域包含4×4个像素。每个区域可以由一个6单元的梯度方向的直方图表示,且直方图的每个单元都代表一个方向。本发明使用{o1,o2,…,o6}来分别表示直方图的6个单元,于是本发明可以得到表示6个方向梯度特征的6个向量。
MDF包含了以上两种特征组成,梯度幅值特征和梯度方向的直方图特征,且在本发明的应用中取得了良好的效果。一幅钩尾扁销图像及由它计算出的MDF特征如图4所示,(a)实例图像;(b)梯度幅值特征;(c)六个方向的梯度直方图特征。
(2)快速多尺度特征金字塔
为了处理图像中钩尾扁销的尺度变化,本发明需要找到一个方法来计算多尺度特征。特征金子塔是一幅图像在各个尺度下的一种多尺度表示。因此,在钩尾扁销图像的各尺度计算本发明的MDF特征的特征金字塔是解决这个问题的很好方法。然而,在一个全采样金字塔的每个尺度都需要计算特征是很多当代检测器的计算瓶颈。本发明的MDF特征也面临这个问题,因此本发明设计了一种快速算法来计算特征并得到MDF特征金字塔。
像先前一样,使用I来表示图像,并使用Is=R(I,s)来表示I在尺度s的重采样。本发明使用M=C(I)来表示图像I上计算的MDF特征,而本发明想得到在尺度s下的Is对应的MDF特征。标准的方法是,直接计算Ms=C(Is),而不考虑M=C(I)中包含的信息。然而,本发明提出了如下近似:
Ms=R(M,s)·s-λ (5)
尺度为在对数空间中均匀采样,由s=1开始,每一级一般包含4个尺度(所谓一级,指的是一个尺度与半于或倍于其尺度间的间隔)。标准的构建特征金字塔的方法是对每个尺度s均计算Ms=C(R(I,s)),看图5(上)。
公式(5)中的近似提出了另一种有效构建特征金字塔的方法。本发明开始每一级只使用Ms=C(R(I,s))计算一个尺度而对于每个中间尺度,特征Ms由Ms=R(Ms′,s/s′)(s/s′)-λ计算得到,其中为本发明经Ms′=C(Is′)计算的得到的最近的尺度,如图5所示。
每一级只使用Ms=C(R(I,s))计算一个尺度,是兼顾了速度和精度的一个均衡。近似得到MDF的计算量只有在初始尺度计算MDF计算量的33%,且近似尺度不会超过每一级的一半以保证误差较小。其他方法,在两个相邻尺度s′对每一个s进行差值,或使用更大密度来近似M,都可以得到更高的金字塔精度(计算量也会增加)。但,上面提出的方法已证实足以满足本发明钩尾扁销定位的需求。
(3)钩尾扁销定位
为了定位钩尾扁销,本发明使用136×136像素作为检测窗口,是一个非常紧凑的正方形。检测窗口被分为4×4块(每一块包含16像素)来准确描述检测窗口中目标物体的结构特征。MDF包含7个不同维度的特征:一维梯度幅值特征和六个维度的梯度方向的直方图特征。因此,对于每个图像块,本发明都可以得到表示MDF特征的一个7维向量。因此,一个136×136的检测窗口包含34×34=1156个待选向量,即136×136×7/16=8092维特征。对于整幅1400×1024的图像,计算特征的过程在一般PC机上的速率超过75fps,而且还可以通过代码优化或GPU实现进一步加速。
另一个特征提取中的重要部分就是MDF特征金字塔的构建。一般来说,以一级为尺度间隔的特征金字塔的计算,对于1400×1024的图像为50fps。然而,计算每一级包含4个尺度的特征金字塔速度就会减慢为15fps,会阻碍本发明对钩尾扁销中故障的实时诊断。相比之下,本发明的快速算法通过近似得到每一级4个尺度中的3个,可以将速度提升到35fps。
除了MDF特征之外,钩尾扁销的准确可靠定位也依赖于SVM分类器的有效训练。在训练阶段,首先建立正训练样本集DP_Train,里面图像大小为136×136个像素(如图6中的(a)所示)。同时,负训练样本集DN_Train也要建立,其中的图像不包含钩尾扁销(如图6中的(b)所示)。本发明是从图像中的其他部分随机提取的136×136像素的图像区域,来建立的负样本集DN_Train。使用整个训练样本集DTrain=DP_Train∪DN_Train,本发明训练了一个线性SVM分类器HSVM。之所以使用线性分类器是因为速度比较快。
SVM分类器是一种基于结构风险最小的统计学习理论。它具有理论比较完整,训练时间段及通用性较强等优势[23]。线性SVM是要寻找使代价函数l1与常规项l2之和最小的超平面参数即:
其中,X={x1,x2,…xN}为训练样本的一组MDF特征向量,N为正负样本的总数目,也即DTrain中的样本数目;而Y={y1,y2,…yN}是每个训练样本对应的标签。
在训练SVM分类器的过程中使用了自举法以降低虚警率。具体的过程是,线性SVM首先由训练集DTrain得到初始参数从而构成分类器H1,且就如DN_Train中的负样本一样,在图像的其它部分重新提取不包含钩尾扁销的新的136×136的图像区域。而后是用分类器H1对这些新样本进行判断。将被错误分类的负样本集合形成新的负样本训练集并被添加到训练集DN_Train中。这样训练集DN_Train就被扩充为在重新学习和训练后,本发明得到新的参数及对应的分类器H2。这个过程不断重复直到虚警率低于一个固定阈值或者达到了最大的迭代次数k。最终得到模型参数并构成分类器HSVM。
最后,本发明使用滑动窗口搜索方法来定位钩尾扁销。当一幅图像中只有一个钩尾扁销部件时,后续的处理过程可以省略以提高检测速度。而后,本发明只选取相似度最大的图像区域,并将其作为钩尾扁销的正确位置(如图7所示)。
3.钩尾扁销螺栓丢失故障的识别
本发明得到钩尾扁销的图像区域后,下一步就是判断钩尾扁销的螺栓是否丢失。在定位部分,本发明使用MDF特征和SVM分类器来从整体图像中分离出钩尾扁销部分。MDF特征在钩尾扁销定位中表现很好,这是因为钩尾扁销的额结构特征与图像中其他部分不同,而MDF能有效提取这种特征。然而,结构特征并不是一个适合区分含有螺栓的钩尾扁销图像与存在螺栓丢失的钩尾扁销图像的好方法,因此MDF特征与SVM分类器的结合并不是处理识别部分任务的好选择。为了解决这个问题,本发明选择Haar特征来描述钩尾扁销螺栓的外形特征,并使用Adaboost决策树作为完成识别功能的分类器。
Haar特征通常是一个二维Haar函数的完整集,通常被用来描述物体的局部特征。它们首先由Papageorgiou等人引入目标检测领域,在被用于人脸检测之后引起了很多注意。在Viola等人的文章中,达到了一个很高的实时检测率。Haar特征由于矩形的数目和矩形的方向不同而产生了很多不同的模板。这些矩形特征可以通过一种被称为积分图像的中间图像形式很快计算出来。使用积分图像能将Haar特征的值计算出来是因为一个图像矩形的和可以直接由积分图像计算。
提取了特征之后,本发明使用Adaboost来利用Haar特征,并把作为弱分类器的决策树联合起来形成一个强分类器。一般来说,只使用一个分类器是不足以提供准确的模式识别的。因此,Adaboost算法通过联结弱分类器来组成强分类器以提高识别率。要形成强分类器,就需要Adaboost训练过程。在基于每个Haar特征构建一个弱分类器后,训练样本权重会被重新赋值来突出被错误分类的样本。这些弱分类器的预测会通过带权重的投票融合以形成强分类器的预测。这些权重是由每个弱分类器的分类误差决定的。
最后Adaboost决策树分类器能够提供一个可靠的高识别率,且在本发明项目中证实很有效。然而,缓慢的训练过程Adaboost决策树存在的共有问题。因此本发明提出了一种基于预删减无效特征的快速决策树训练方法,使用这种方法能Adaboost决策树分类器的训练过程加快很多。
(1)快速Adaboost决策树训练
在识别部分,本发明选择Adaboost决策树分类器作为最后的故障分类器。Adaboost是当今使用的一种很流行的学习技术,讲很多弱分类器联结起来组成一个强分类器。决策树由于其简单的结构和良好的稳定性经常作为弱分类器在一般应用中被使用。将Adaboost与决策树结合起来会组成一个强大的分类器,是很多先进方法的内部架构,被广泛应用在很多领域且均表现出令人满意的测试速度和准确率。然而,Adaboost决策树的训练速度相对缓慢这个事实一直是很多实际应用中的一个瓶颈,当然也影响着本发明故障诊断系统最后分类器的训练。因此,本发明提出了一种快速Adaboost决策树的训练方法来加速Adaboost决策树分类器的训练过程。
一个形式为H(x)=∑αtht(x)的Adaboost分类器可以通过最小化损失函数L来训练,即通过在每次迭代t中最优化标量αt和弱分类器ht(x)来实现。在训练前,每一个数据样本xi都被赋予了一个权值wi。在每次迭代之后,被错误分类的样本的权值会加重,从而提高它们在后续迭代中被错误分类的代价。
一个决策树hTREE(x)是由在每个非叶节点j对应的一个决策树桩hj(x)组成的。决策树通常由贪心过程训练得到,递归地一次设置一个决策树桩,从根节点开始不断向下延伸到更低的节点。每个树桩均产生一个二元决策;给定输入x∈RK,则可由表示极性的参数p∈{±1},阈值τ∈R和特征序列k∈{1,2,...,K}表示为:
hj(x)≡pjsign(x[kj]-τj) (7)
其中x[k]表示x的第k维特征值。
每一级树桩训练的目标就是寻找最优参数配置,以使加权分类误差ε取得最小值:
其中,为指示函数。
给定一个特征k和一个m-子集,初级错误率定义为在只考虑子集中数据点的情况下所能达到的最小训练错误率。也就是说,如果去掉m-子集外其他所有样本,初级错误率就是整体错误率。
其中,和为最优初级参数。
本发明可以看出使用较小的m-子集确定整体最优特征的想法是合理的,但若仅使用m-子集来进行训练也会带来大量的信息损失,造成训练结果性能较差。因此,需要一个合理的方法来尽可能减少参与训练的信息,而又不对训练结果产生影响。
基于错误率边界的上述特性,本发明提出了一种新的决策树桩训练方法,在数据子集上比较特征的表现,并利用错误率边界删减非有效特征。
快速决策树桩训练方法
A.在一个相对较小的m-子集上训练每一个特征,并得到它们的初始分类错误率εm。
B.基于初级错误率大小按从表现最好到表现最差(即错误率从小到大)的顺序对特征进行排序。
C.取初级错误率最小的特征,使用余下的数据点继续对其训练,即完成其在整个数据集上的训练,并将其最终的整体错误率作为错误率边界ε'。
D.按照次序对余下每个特征通过比较其对应的εm和当前错误率边界ε',进行是否有效的判断:
1)如果此特征为非有效特征,立即对其进行删减
2)如果此特征为有效特征,则完成其在整个数据集上的训练,若训练结果的错误率不小于错误率边界ε',怎判断为非最优特征,进行删减;若训练结果的错误率小于错误率边界ε',则将此特征作为最优特征,并用其对应错误率替换当前错误率边界,作为新的错误率边界ε'。
E.所有训练完成后,得到的最优特征即为分类器最优特征,最终的错误率边界即为此分类器的训练错误率。
(2)钩尾扁销螺栓丢失的判断
螺栓丢失的故障是由最后的螺栓丢失分类器识别出来的。通过使用上面的快速Adaboost决策树训练方法,最后的分类器可以被很快训练出来。正训练样本集DP_Adaboost是由88×136像素的存在螺栓丢失的图像(如图8,DAdaboost样本集中的正样本图像)组成的,而负训练样本集DN_Adaboost是由同样大小的包含螺栓的图像(如图9,DAdaboost样本集中的负样本图像)组成的。使用样本集DAdaboost=DP_Adaboost∪DN_Adaboost,本发明训练出了一个Adaboost决策树分类器HAdaboost。最后,定位出的钩尾扁销螺栓区域由螺栓分类器HAdaboost来判定。
因此,在整个识别过程中,负责定位钩尾扁销的分类器HSVM与负责确认螺栓的分类器HAdaboost串联起来,以准确分辨钩尾扁销螺栓是否丢失。
4.实验结果
如图10中所示,本发明使用DALSA HM1400高速数字CCD相机来在TFDS系统中获取钩尾扁销图像。DALSA HM1400相机的最短曝光时间为4.7μs。在全图像1400×1200像素的情况下最大的帧频为64每秒帧,这使其能够用于最高速达到160km/h的列车。还选用了6mm的定焦镜头。为了减小自然光照水平带来的影响,在每个盒子中相机的两个均安装了四个补偿光源(如图10所示,(a)安装在铁轨中间以获取列车底部图像(b)安装在铁轨两侧以获取列车侧面图像)。每组包含两个疝气灯泡。
实验中使用了大量图像以检验本发明提出方法的有效性。.训练样本集Dtrain中共包含从12辆车上收集的1436幅原始图像。基于这些图像,形成了1436幅正样本图像及1400幅负样本图像来训练HSVM分类器,并形成了1025幅正样本图像及411幅负样本图像来训练HAdaboost分类器。测试样本集Dtest由来自26列货运列车的共5124幅原始图像组成,其中包含4636幅不含故障的正常图像和488幅故障图像。
(1)诊断速度
实时处理在大部分故障诊断系统中都是一项重要特性。在本发明的诊断系统中,诊断速度是很高的。对于1400×1024像素的图像,本发明的方法在如下配置中的处理时间为98ms:3.6GHz Intel Xeon E5-1620处理器(4核和8线程),8GB RAM,以及Win7系统。每一模块的具体计算时间在表1中列了出来。
表1.每一个模块的平均处理时间
(2)诊断准确率
诊断系统包含两个部分,定位部分和诊断部分,且每部分均包含一个分类器,定位分类器HSVM和诊断分类器HAdaboost。因此,每个分类器的性能都会影响最终的诊断准确率。
一般来说,定位准确率通过receiver operating characteristic(ROC)曲线来表示。这个曲线的纵轴表示定位率,横轴表示错误定位的数量。一个理想的分类器对应的ROC曲线会通过(0,1)点,这个点在ROC轴线的左上角。在测试样本集下,定位分类器HSVM的ROC曲线如图11中显示。从中本发明看到当错误检测数量超过23个时,定位率达到100%。这说明分类器HSVM表现出了很好的分类特性,且在整个测试样本集只有在23幅图像上定位分类器没能准确定位钩尾扁销的位置。
由于本发明的系统使用的是分层串联的诊断架构,故定位分类器和诊断分类器串联使用共同决定诊断准确率。表2展示了整套系统的最终诊断结果。表中的一些参数项定义如下:
表2.整套诊断系统的诊断结果.
对于测试集中的全部5124幅图像,本发明的方法及系统具有98.6%的故障诊断率,且只有4.1%虚警率,展现了很高很可靠的诊断结果。一般来说,视觉诊断系统的在85%到95%之间。本发明的系统完全能够满足实际运行的需求,且已经在中国的很多火车站点得到使用。
5.总结
本发明提出的基于视觉的方法及系统来为货运列车提供故障诊断。为了识别出钩尾扁销中丢失的螺栓,本发明提出了一种实时准确的故障诊断方法。提出的诊断方法主要由两部分组成,钩尾扁销定位部分和螺栓故障识别部分。为了有效定位钩尾扁销,本发明提出了一种新型特征被称为复合维度特征,并设计了一种快速计算多尺度图像特征的方法。故障识别过程基于对钩尾扁销的进一步分析。本发明提出了一种快速决策树训练方法,能很快训练得到一个Adaboost决策树分类器以从正常的螺栓图像中识别出螺栓丢失的图像。从大量样本的测试结果来看,这种方法能在虚警率很小的情况小保持一个较高的诊断率。
目前,在铁路运输领域,很多故障诊断系统实际上是半自动的,在一定程度上需要人工操作。但本发明提出的系统是一个完全自动的故障诊断系统,并且在中国的很多火车站已经得到安装,如武汉,桂林,成都,北京以及很多其它地方。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (5)
1.一种货运列车钩尾扁销部位故障的自动在线诊断方法,其特征在于:实现步骤如下:
(1)铁轨边的多台高速相机实时采集列车车身各部位的图像,并将采集到的图像实时传输到图像中转站;
(2)图像中转站获取到高速相机传输的图像后,将图像传输到负责自动诊断的服务器中;
(3)负责诊断的服务器中安装有两个模块,定位模块和识别模块,图像中转站传入的图像首先进入定位模块,定位模块是从众多的车身图像中选择包含钩尾扁销部位的图像,从而确定钩尾扁销的位置,所述确定钩尾扁销的位置的方法是通过将归一化的梯度幅值特征和6个方向的梯度直方图特征相结合形成复合维度特征MDF,然后使用线性支持向量机SVM得到钩尾扁销的位置,再通过SVM分类器确定钩尾扁销的精确位置;
(4)在自动诊断服务器中,定位模块在确定钩尾扁销的精确位置后传入识别模块,识别模块通过Haar特征来表示故障图像与正常图像间的不同,完成钩尾扁销部位故障的判断,并使用Adaboost决策树分类器最终判断钩尾扁销部位是否存在故障;
所述步骤(3)中,定位模块时,为了处理图像中钩尾扁销的尺度变化,采用一种快速多尺度特征金字塔算法计算钩尾扁销的多尺度特征,具体过程如下:
I来表示图像,并使用Is=R(I,s)来表示I在尺度s的重采样,使用M=C(I)来表示图像I上计算的MDF特征,则在尺度s下的Is对应的MDF特征:
采用Ms=R(M,s)·s-λ (5)
来计算得到,
尺度为在对数空间中均匀采样,由s=1开始,每一级包含4个尺度,所谓一级,指的是一个尺度与半于或倍于其尺度间的间隔;
开始每一级只使用Ms=C(R(I,s))计算一个尺度而对于每个中间尺度,特征Ms由Ms=R(Ms′,s/s′)(s/s′)-λ计算得到,其中为经Ms′=C(Is′)计算的得到的最近的尺度。
2.根据权利要求1所述的货运列车钩尾扁销部位故障的自动在线诊断方法,其特征在于:所述步骤(3)中的复合维度特征MDF中的梯度幅值特征GM由下式计算:
其中,I表示图像,为线性卷积算子,hx为应用于水平(x)方向的高斯偏微分滤波器,hy为应用于竖直(y)方向的高斯偏微分滤波器,hx和hy由下式计算:
其中,为等向的尺度参数为σ的高斯函数。
3.根据权利要求1所述的货运列车钩尾扁销部位故障的自动在线诊断方法,其特征在于:所述步骤(3)中复合维度特征MDF中的6个方向的梯度直方图特征表示为:
首先,要从图像I的像素中计算梯度方向θ:
其中,Δy=I(x,y+1)-I(x,y-1),Δx=I(x+1,y)-I(x-1,y);再利用计算出的θ,每个像素的梯度方向被离散到6个方向中,且使用从1到6的不同数字将θ编码为θ*:
最后,这些离散的梯度方向被聚合在一个稠密间隔的不重叠的方形图像区域中,每个区域包含4×4个像素,每个区域可以由一个6单元的梯度方向的直方图表示,且直方图的每个单元都代表一个方向,使用{o1,o2,...,o6}来分别表示直方图的6个单元,得到表示6个方向梯度特征的6个向量。
4.根据权利要求1所述的货运列车钩尾扁销部位故障的自动在线诊断方法,其特征在于:所述步骤(4)中为了克服Adaboost决策树训练过程相对缓慢的缺点,采用一种通过预先删减无效特征的快速决策树训练方法,即利用每一个决策树节点的误差率上界来在训练的早期阶段删减掉无效的特征,这种方法能在完全保持性能的前提下在分类器训练阶段取得显著的加速效果。
5.一种如权利要求1所述的货运列车钩尾扁销部位故障的自动在线诊断方法进行在线诊断系统,其特征在于:包括图像采集模块,图像中转模块和自动诊断模块三大部分;
图像采集模块负责在列车经过时采集列车车体的实时在线图像,此模块由多台高速相机来在线采集货运列车的不同部位的图像,其中两台被安装在铁轨旁来获取货运列车的侧面图像,其他的高速相机被安装在铁轨中心来获取列车底部图像;
图像中转模块负责将多台高速相机采集的图像进行整理并传入后续的自动诊断模块,该模块包括一台数据传输服务器,此服务器同时接受多台相机传入的图像,并将这些图像根据部位的不同进行分类,并进行有序的排列,而后图像中转模块将整理好的图像传入自动诊断模块;
自动诊断模块包含两个部分,定位模块和识别模块;定位模块完成钩尾扁销部位的定位提取;定位模块是从众多的车身图像中选择包含钩尾扁销部位的图像,从而确定钩尾扁销的位置,所述确定钩尾扁销的位置的方法是通过将归一化的梯度幅值特征和6个方向的梯度直方图特征相结合形成复合维度特征MDF,然后使用线性支持向量机SVM得到钩尾扁销的位置,再通过SVM分类器确定钩尾扁销的精确位置;识别模块通过Haar特征来表示故障图像与正常图像间的不同,完成钩尾扁销部位故障的判断,并使用Adaboost决策树分类器最终判断钩尾扁销部位是否存在故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510644310.1A CN105260744B (zh) | 2015-10-08 | 2015-10-08 | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510644310.1A CN105260744B (zh) | 2015-10-08 | 2015-10-08 | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105260744A CN105260744A (zh) | 2016-01-20 |
CN105260744B true CN105260744B (zh) | 2018-08-14 |
Family
ID=55100425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510644310.1A Expired - Fee Related CN105260744B (zh) | 2015-10-08 | 2015-10-08 | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105260744B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106404441B (zh) * | 2016-09-22 | 2018-11-06 | 宁波大学 | 一种基于非线性相似度指标的故障分类诊断方法 |
CN106778833A (zh) * | 2016-11-28 | 2017-05-31 | 北京航天控制仪器研究所 | 一种复杂背景下小目标丢失故障的自动识别方法 |
CN108960320B (zh) * | 2018-06-26 | 2021-04-27 | 湖北工业大学 | 列车折角塞门故障图像实时检测方法 |
CN108985351B (zh) * | 2018-06-27 | 2021-11-26 | 北京中安未来科技有限公司 | 一种基于梯度方向稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 |
CN109376605B (zh) * | 2018-09-26 | 2022-03-25 | 福州大学 | 一种电力巡检图像防鸟刺故障检测方法 |
CN109902739A (zh) * | 2019-02-27 | 2019-06-18 | 厦门理工学院 | 一种机械设备故障程度识别方法、终端设备及存储介质 |
CN111060315A (zh) * | 2019-11-28 | 2020-04-24 | 南京航空航天大学 | 一种基于视觉的机械故障诊断方法 |
CN111079819B (zh) * | 2019-12-12 | 2021-03-23 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像识别与深度学习的铁路货车钩舌销的状态判断方法 |
CN111860501B (zh) * | 2020-07-14 | 2021-02-05 | 哈尔滨市科佳通用机电股份有限公司 | 基于形状匹配的高铁高度调整杆脱出故障图像识别方法 |
CN112132821B (zh) * | 2020-09-30 | 2021-05-11 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的开口销丢失检测方法 |
CN112232216A (zh) * | 2020-10-16 | 2021-01-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车制动梁支柱圆销丢失故障识别方法 |
CN112258483B (zh) * | 2020-10-23 | 2021-07-06 | 哈尔滨市科佳通用机电股份有限公司 | 一种钩尾销插托错位和螺母丢失故障检测方法 |
CN112364925B (zh) * | 2020-11-16 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于深度学习的滚动轴承甩油故障识别方法 |
CN112508908B (zh) * | 2020-12-02 | 2021-07-16 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理动车组撒砂管接头断开故障检测方法 |
CN114399472A (zh) * | 2021-12-28 | 2022-04-26 | 国能铁路装备有限责任公司 | 承载鞍故障检测方法、装置、计算机设备和存储介质 |
CN116580245B (zh) * | 2023-05-29 | 2023-12-26 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车承载鞍错位故障识别方法 |
CN117173385B (zh) * | 2023-10-24 | 2024-01-26 | 四川思极科技有限公司 | 一种变电站的检测方法、装置、介质及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000193707A (ja) * | 1998-12-28 | 2000-07-14 | Nippon Kouatsu Electric Co | 故障点標定システム |
WO2006057475A1 (en) * | 2004-11-23 | 2006-06-01 | Kicheon Hong | Face detection and authentication apparatus and method |
CN101635834A (zh) * | 2008-07-21 | 2010-01-27 | 侯荣琴 | 类神经控制自动追踪识别系统 |
CN101699470A (zh) * | 2009-10-30 | 2010-04-28 | 华南理工大学 | 一种对人脸图片进行笑脸识别的提取方法 |
CN201484439U (zh) * | 2009-06-02 | 2010-05-26 | 唐德尧 | 一种轨道交通车辆走行部及钢轨故障车载在线监测诊断系统 |
CN201594044U (zh) * | 2009-11-27 | 2010-09-29 | 北京京天威科技发展有限公司 | 制动缸鞲鞴状态自动检测系统 |
CN101887524A (zh) * | 2010-07-06 | 2010-11-17 | 湖南创合制造有限公司 | 基于视频监控的行人检测方法 |
KR20110019969A (ko) * | 2009-08-21 | 2011-03-02 | 삼성테크윈 주식회사 | 얼굴 검출 장치 |
CN202947884U (zh) * | 2012-12-20 | 2013-05-22 | 北京康拓红外技术股份有限公司 | 一种动车组运行故障动态图像检测系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101061510B (zh) * | 2004-11-19 | 2010-09-08 | 皇家飞利浦电子股份有限公司 | 检测和识别医学图像数据内所关心部位和/或体积的方法和系统 |
-
2015
- 2015-10-08 CN CN201510644310.1A patent/CN105260744B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000193707A (ja) * | 1998-12-28 | 2000-07-14 | Nippon Kouatsu Electric Co | 故障点標定システム |
WO2006057475A1 (en) * | 2004-11-23 | 2006-06-01 | Kicheon Hong | Face detection and authentication apparatus and method |
CN101635834A (zh) * | 2008-07-21 | 2010-01-27 | 侯荣琴 | 类神经控制自动追踪识别系统 |
CN201484439U (zh) * | 2009-06-02 | 2010-05-26 | 唐德尧 | 一种轨道交通车辆走行部及钢轨故障车载在线监测诊断系统 |
KR20110019969A (ko) * | 2009-08-21 | 2011-03-02 | 삼성테크윈 주식회사 | 얼굴 검출 장치 |
CN101699470A (zh) * | 2009-10-30 | 2010-04-28 | 华南理工大学 | 一种对人脸图片进行笑脸识别的提取方法 |
CN201594044U (zh) * | 2009-11-27 | 2010-09-29 | 北京京天威科技发展有限公司 | 制动缸鞲鞴状态自动检测系统 |
CN101887524A (zh) * | 2010-07-06 | 2010-11-17 | 湖南创合制造有限公司 | 基于视频监控的行人检测方法 |
CN202947884U (zh) * | 2012-12-20 | 2013-05-22 | 北京康拓红外技术股份有限公司 | 一种动车组运行故障动态图像检测系统 |
Non-Patent Citations (2)
Title |
---|
决策树分类器的实现及在遥感影像分类中的应用;张晓贺;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140215(第 02 期);I138-451 * |
货车典型故障图像识别算法研究;戴鹏;《中国博士学位论文全文数据库》;20110515(第 05 期);I138-33 * |
Also Published As
Publication number | Publication date |
---|---|
CN105260744A (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105260744B (zh) | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 | |
CN106600581B (zh) | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 | |
CN105424330B (zh) | 一种货车轴端螺栓故障检测方法及装置 | |
Liu et al. | Learning visual similarity for inspecting defective railway fasteners | |
CN104166841B (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN109767427A (zh) | 列车轨道扣件缺陷的检测方法 | |
CN110378869A (zh) | 一种样本自动标注的钢轨扣件异常检测方法 | |
CN107730905A (zh) | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 | |
CN110378236A (zh) | 基于深度学习的车辆身份识别模型构建、识别方法和系统 | |
CN109190475B (zh) | 一种人脸识别网络与行人再识别网络协同训练方法 | |
CN109299723A (zh) | 一种铁路货车运行监测系统 | |
CN102306290A (zh) | 一种基于视频的人脸跟踪识别技术 | |
CN109977897A (zh) | 一种基于深度学习的船舶特征重识别方法、应用方法及系统 | |
CN108846331B (zh) | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 | |
CN106778833A (zh) | 一种复杂背景下小目标丢失故障的自动识别方法 | |
CN103745224A (zh) | 基于图像的铁路接触网鸟窝异常情况检测方法 | |
CN103295027A (zh) | 一种基于支持向量机的铁路货车挡键丢失故障识别方法 | |
CN109801265A (zh) | 一种基于卷积神经网络的实时输电设备异物检测系统 | |
CN107273852A (zh) | 基于机器视觉的手扶电梯楼层板物件及乘客行为检测算法 | |
CN113516629A (zh) | Tfds通过作业智能检测系统 | |
CN105809219B (zh) | 一种隧道预制管片生产线的预制管片质量检测统计系统和方法 | |
Zhou et al. | Automated visual inspection of target parts for train safety based on deep learning | |
Wu et al. | Automatic railroad track components inspection using hybrid deep learning framework |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180814 Termination date: 20201008 |