CN106504238A - 基于图像处理和卷积神经网络的铁路接触网缺陷检测方法 - Google Patents

基于图像处理和卷积神经网络的铁路接触网缺陷检测方法 Download PDF

Info

Publication number
CN106504238A
CN106504238A CN201610929224.XA CN201610929224A CN106504238A CN 106504238 A CN106504238 A CN 106504238A CN 201610929224 A CN201610929224 A CN 201610929224A CN 106504238 A CN106504238 A CN 106504238A
Authority
CN
China
Prior art keywords
image
convolutional neural
neural networks
defect
contact line
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.)
Pending
Application number
CN201610929224.XA
Other languages
English (en)
Inventor
代超
潘雷雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHENGDU JIAODA GUANGMANG TECHNOLOGY Co Ltd
Original Assignee
CHENGDU JIAODA GUANGMANG TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CHENGDU JIAODA GUANGMANG TECHNOLOGY Co Ltd filed Critical CHENGDU JIAODA GUANGMANG TECHNOLOGY Co Ltd
Priority to CN201610929224.XA priority Critical patent/CN106504238A/zh
Publication of CN106504238A publication Critical patent/CN106504238A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Abstract

本发明公开了基于图像处理和卷积神经网络的铁路接触网缺陷检测方法，一：将样本图像增强处理；二：选取匹配特征；三：选择标准图像；四：对比匹配，得到变换系数；五：对匹配成功的图像进行处理，得到检测部件图像；六：对检测部件图像采用卷积神经网络进行训练，确定网络结构、模型参数和缺陷设定分数；七：拍摄实际图像，重复一、二、四和五，得到实际图像的待检测部件图像；八：利用六中的网络结构和模型参数，将七中的待检测部件图像带入，卷积神经网络向前运算，得到相应分数，根据分数值和限定分数值判断有无缺陷。该发明安全可靠，人力成本少，检测速度快，检测效率高，误报率低，漏报率低，运行成本低，不会出现夜间作业疲劳嗜睡现象。

Description

基于图像处理和卷积神经网络的铁路接触网缺陷检测方法
技术领域
本发明涉及铁路接触网检测领域，具体是指基于图像处理和卷积神经网络的铁路接触网缺陷检测方法。
背景技术
随着高速铁路运输技术的进一步发展及其广泛应用，高铁接触网作为向机车提供电能的重要设施，其是否处于安全工作状态也越来越受到关注。为了保证接触网处于良好工作状态，以利于电气化铁道的安全运营，需要尽快发现并处理接触网中出现的故障。实际中，高铁接触网故障主要由零部件的松、脱、缺、裂等造成。接触网各个器件对供电安全有至关重要的作用，其缺陷识别与故障排查就成为铁路运营重要一环。
目前，高铁接触网的检测主要靠人工夜间爬杆作业进行检查。这种方法不但对于作业人员有较高的要求，且不够安全可靠，检查速度慢，效率低。也有辅助设备在夜间进行图像自动拍摄，并采用人工对图像进行逐一分析，此种方法的问题在于，图像数据是海量数据，视场较宽，对每一器件逐一分析，耗时长，效率低。
发明内容
本发明提供了基于图像处理和卷积神经网络的铁路接触网缺陷检测方法，该方法安全可靠，人力成本少，检测速度快，检测效率高，误报率低，漏报率低，运行成本低，不会出现夜间作业疲劳嗜睡现象。
本发明通过下述技术方案实现：
基于图像处理和卷积神经网络的铁路接触网缺陷检测方法，所述方法步骤如下：
步骤一：输入多张有缺陷的样本图像和多张无缺陷的样本图像，并对样本图像对比度进行拉伸增强；
步骤二：选择样本图像中检测部件附近的大器件作为匹配特征；
步骤三：在无缺陷的样本图像中选择一张作为标准图像，标准图像的判断方法为：该图像的匹配特征和检测部件在该标准图像中清晰可见；
步骤四：将标准图像以外的样本图像的匹配特征与标准图像的匹配特征进行对比匹配，实现样本图像的粗定位，并得到相应的中心行列坐标、旋转角度、缩放系数和匹配分数；
步骤五：根据步骤四得到的数值，对匹配成功的样本图像，进行旋转缩放处理和归一化处理，处理完成后，裁剪得到检测部件的图像；
步骤六：对步骤五中得到的检测部件图像采用卷积神经网络进行分类训练，通过不断校正并保存网络结构和模型参数，最终构建好相应的网络结构和模型参数，并确定好相应的缺陷设定分数；
步骤七：拍摄实际图像，使用线性变换对实际图像对比度进行拉伸增强，将实际图像的匹配特征与标准图像的匹配特征进行对比匹配，实现实际图像的粗定位，并得到相应的中心行列坐标、旋转角度、缩放系数和匹配分数，根据该数值，对匹配成功的实际图像进行旋转缩放处理和归一化处理，处理完成后，裁剪得到实际图像的待检测部件图像；
步骤八：利用步骤六中构建的网络结构和模型参数，将步骤七中实际图像的待检测部件图像带入其中，对卷积神经网络进行向前运算，得到相应分数，如果该缺陷分数大于缺陷设定分数，则认为有缺陷，如果该缺陷小于或等于缺陷设定分数，则认为无缺陷。
该方法安全可靠，人力成本少，检测速度快，检测效率高，误报率低，漏报率低，运行成本低，不会出现夜间作业疲劳嗜睡现象。
进一步的，所述步骤四和步骤七中的匹配过程包括离线阶段和在线阶段，离线阶段使用canny滤波器处理标准图像匹配特征，并计算出区域内边缘点的方向向量；在线阶段使用金字塔分层搜索策略，首先在图像金字塔最顶层遍历搜索进行相似性度量匹配，设目标模板像素点为pi＝(ri,ci)T，相应的方向向量为di＝(ti,ui)T,i＝1,2,…,n，方向向量通过Canny滤波后计算得到，搜索图像也使用Canny滤波后计算出每个点(r,c)的方向向量er,c＝(vr,c,wr,c)T，将模板进行仿射变换，并将仿射变化的平移部分分离，变换后的模板点为p′i＝Api，相应的方向向量为d′i＝Adi，A为二阶标准旋转矩阵。在搜索图像某个特定点q＝(r,c)T处，模板与搜索图像进行匹配，计算变换后模板中所有点的归一化方向向量和搜索图像相应处的归一化方向向量的点积的总和，并以此作为匹配分值，即变换后的模板在q点的相似度量，相似度量的计算公式为：
并返回潜在匹配点中心行列坐标(ModelRow，ModelColumn)、匹配分值ModelScore、缩放系数ModelScale和旋转角度ModelAngle。
其中，匹配分数阈值ThresholdScore＝smin＝0.5。
根据模板图像采用变换矩阵的方式将所述支持定位装置图像进行空间域变换；变换矩阵HomMat2DGlobal为：
HomMat2DGlobal＝HomMat2DScale*HomMat2DRotat
其中，HomMat2DScale表示缩放变换矩阵，HomMat2DRotate表示旋转变换矩阵；
缩放变换矩阵HomMat2DScale为：
其中，ModelScale表示支持定位装置图像相对于模板图像的缩放系数；
旋转变换矩阵HomMat2DRotate为：
其中，phi表示待匹配图像归一化时，支持定位装置图像相对于模板图像的旋转角度，即phi＝ModelAngle。
进一步的，所述步骤五和步骤七中裁剪的具体方法为：以待检测部件中心为中心，左右各延伸多个像素，上下各延伸多个像素，得到待检测部件图像。该像素个数根据待检测部件的大小确定，待检测部件越大，相数个数越多。
进一步的，所述步骤一和步骤七中拉伸增强的方式为线性变换。具体实现为：
g’＝g×Mult+Add
Mult＝255/(GMax-GMin)
Add＝Mult×GMin
其中，g为增强处理前图像中像素点的灰度值，g′为增强处理后结果图像灰度值；Mult为线性变换系数，Add为线性变换增量，GMax和GMin分别表示增强处理前图像中的最大灰度值和最小灰度值。
进一步的，所述卷积神经网络采用Googlenet模型、Alexnet模型、VGGnet模型或lenet模型。以其能实现判断较准确为选择依据。
进一步的，所述步骤七中拍摄实际图像采用非接触相机成像。可以将相机装在用于检测的火车上进行拍摄，也可以采用其他方法进行拍摄，以成像清晰，拍摄速度快，节约成本为标准进行选择。
本发明与现有技术相比，具有的有益效果为：
(1)本发明安全可靠，人力成本少，检测速度快，检测效率高，误报率低，漏报率低，运行成本低，不会出现夜间作业疲劳嗜睡现象。
(2)本发明图像处理过程可使用计算机处理，智能化程度高。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例1：
基于图像处理和卷积神经网络的铁路接触网缺陷检测方法，所述方法步骤如下：
步骤一：输入多张有缺陷的样本图像和多张无缺陷的样本图像，并对样本图像对比度进行拉伸增强；
步骤二：选择样本图像中检测部件附近的大器件作为匹配特征；
步骤三：在无缺陷的样本图像中选择一张作为标准图像，标准图像的判断方法为：该图像的匹配特征和检测部件在该标准图像中清晰可见；
步骤四：将标准图像以外的样本图像的匹配特征与标准图像的匹配特征进行对比匹配，实现样本图像的粗定位，并得到相应的中心行列坐标、旋转角度、缩放系数和匹配分数；
步骤五：根据步骤四得到的数值，对匹配成功的样本图像，进行旋转缩放处理和归一化处理，处理完成后，裁剪得到检测部件的图像；
步骤六：对步骤五中得到的检测部件图像采用卷积神经网络进行分类训练，通过不断校正并保存网络结构和模型参数，最终构建好相应的网络结构和模型参数，并确定好相应的缺陷设定分数；
步骤七：拍摄实际图像，使用线性变换对实际图像对比度进行拉伸增强，将实际图像的匹配特征与标准图像的匹配特征进行对比匹配，实现实际图像的粗定位，并得到相应的中心行列坐标、旋转角度、缩放系数和匹配分数，根据该数值，对匹配成功的实际图像进行旋转缩放处理和归一化处理，处理完成后，裁剪得到实际图像的待检测部件图像；
步骤八：利用步骤六中构建的网络结构和模型参数，将步骤七中实际图像的待检测部件图像带入其中，对卷积神经网络进行向前运算，得到相应分数，如果该缺陷分数大于缺陷设定分数，则认为有缺陷，如果该缺陷小于或等于缺陷设定分数，则认为无缺陷。
该方法安全可靠，人力成本少，检测速度快，检测效率高，误报率低，漏报率低，运行成本低，不会出现夜间作业疲劳嗜睡现象。
实施例2：
本实施例在实施例1的基础上做进一步改进，所述步骤四和步骤七中的匹配过程包括离线阶段和在线阶段，离线阶段使用canny滤波器处理标准图像匹配特征，并计算出区域内边缘点的方向向量；在线阶段使用金字塔分层搜索策略，首先在图像金字塔最顶层遍历搜索进行相似性度量匹配，设目标模板像素点为pi＝(ri,ci)T，相应的方向向量为di＝(ti,ui)T,i＝1,2,…,n，方向向量通过Canny滤波后计算得到，搜索图像也使用Canny滤波后计算出每个点(r,c)的方向向量er,c＝(vr,c,wr,c)T，将模板进行仿射变换，并将仿射变化的平移部分分离，变换后的模板点为p′i＝Api，相应的方向向量为d′i＝Adi，A为二阶标准旋转矩阵。在搜索图像某个特定点q＝(r,c)T处，模板与搜索图像进行匹配，计算变换后模板中所有点的归一化方向向量和搜索图像相应处的归一化方向向量的点积的总和，并以此作为匹配分值，即变换后的模板在q点的相似度量，相似度量的计算公式为：
并返回潜在匹配点中心行列坐标(ModelRow，ModelColumn)、匹配分值ModelScore、缩放系数ModelScale和旋转角度ModelAngle。
其中，匹配分数阈值ThresholdScore＝smin＝0.5。
根据模板图像采用变换矩阵的方式将所述支持定位装置图像进行空间域变换；变换矩阵HomMat2DGlobal为：
HomMat2DGlobal＝HomMat2DScale*HomMat2DRotat
其中，HomMat2DScale表示缩放变换矩阵，HomMat2DRotate表示旋转变换矩阵；
缩放变换矩阵HomMat2DScale为：
其中，ModelScale表示支持定位装置图像相对于模板图像的缩放系数；
旋转变换矩阵HomMat2DRotate为：
其中，phi表示待匹配图像归一化时，支持定位装置图像相对于模板图像的旋转角度，即phi＝ModelAngle。
所述步骤五和步骤七中裁剪的具体方法为：以待检测部件中心为中心，左右各延伸多个像素，上下各延伸多个像素，得到待检测部件图像。该像素个数根据待检测部件的大小确定，待检测部件越大，相数个数越多。
所述步骤一和步骤七中拉伸增强的方式为线性变换。具体实现为：
g’＝g×Mult+Add
Mult＝255/(GMax-GMin)
Add＝Mult×GMin
其中，g为增强处理前图像中像素点的灰度值，g′为增强处理后结果图像灰度值；Mult为线性变换系数，Add为线性变换增量，GMax和GMin分别表示增强处理前图像中的最大灰度值和最小灰度值。
所述卷积神经网络采用Googlenet模型、Alexnet模型、VGGnet模型或lenet模型。以其能实现判断较准确为选择依据。
所述步骤七中拍摄实际图像采用非接触相机成像。可以将相机装在用于检测的火车上进行拍摄，也可以采用其他方法进行拍摄，以成像清晰，拍摄速度快，节约成本为标准进行选择。
本实施例的其他部分与实施例1相同，不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (6)

1.基于图像处理和卷积神经网络的铁路接触网缺陷检测方法，其特征在于：所述方法步骤如下：
步骤一：输入多张有缺陷的样本图像和多张无缺陷的样本图像，并对样本图像对比度进行拉伸增强；
步骤二：选择样本图像中检测部件附近的大器件作为匹配特征；
步骤三：在无缺陷的样本图像中选择一张作为标准图像，标准图像的判断方法为：该图像的匹配特征和检测部件在该标准图像中清晰可见；
步骤四：将标准图像以外的样本图像的匹配特征与标准图像的匹配特征进行对比匹配，实现样本图像的粗定位，并得到相应的中心行列坐标、旋转角度、缩放系数和匹配分数；
步骤五：根据步骤四得到的数值，对匹配成功的样本图像，进行旋转缩放处理和归一化处理，处理完成后，裁剪得到检测部件的图像；
步骤六：对步骤五中得到的检测部件图像采用卷积神经网络进行分类训练，通过不断校正并保存网络结构和模型参数，最终构建好相应的网络结构和模型参数，并确定好相应的缺陷设定分数；
步骤七：拍摄实际图像，使用线性变换对实际图像对比度进行拉伸增强，将实际图像的匹配特征与标准图像的匹配特征进行对比匹配，实现实际图像的粗定位，并得到相应的中心行列坐标、旋转角度、缩放系数和匹配分数，根据该数值，对匹配成功的实际图像进行旋转缩放处理和归一化处理，处理完成后，裁剪得到实际图像的待检测部件图像；
步骤八：利用步骤六中构建的网络结构和模型参数，将步骤七中实际图像的待检测部件图像带入其中，对卷积神经网络进行向前运算，得到相应分数，如果该缺陷分数大于缺陷设定分数，则认为有缺陷，如果该缺陷小于或等于缺陷设定分数，则认为无缺陷。
2.根据权利要求1所述的基于图像处理和卷积神经网络的铁路接触网缺陷检测方法，其特征在于：所述步骤四和步骤七中的匹配过程包括离线阶段和在线阶段，离线阶段使用canny滤波器处理标准图像匹配特征，并计算出区域内边缘点的方向向量；在线阶段使用金字塔分层搜索策略。
3.根据权利要求1或2所述的基于图像处理和卷积神经网络的铁路接触网缺陷检测方法，其特征在于：所述步骤五和步骤七中裁剪的具体方法为：以待检测部件中心为中心，左右各延伸多个像素，上下各延伸多个像素，得到待检测部件图像。
4.根据权利要求3所述的基于图像处理和卷积神经网络的铁路接触网缺陷检测方法，其特征在于：所述步骤一和步骤七中拉伸增强的方式为线性变换。
5.根据权利要求1所述的基于图像处理和卷积神经网络的铁路接触网缺陷检测方法，其特征在于：所述卷积神经网络采用Googlenet模型、Alexnet模型、VGGnet模型或lenet模型。
6.根据权利要求1所述的基于图像处理和卷积神经网络的铁路接触网缺陷检测方法，其特征在于：所述步骤七中拍摄实际图像采用非接触相机成像。
CN201610929224.XA 2016-10-31 2016-10-31 基于图像处理和卷积神经网络的铁路接触网缺陷检测方法 Pending CN106504238A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610929224.XA CN106504238A (zh) 2016-10-31 2016-10-31 基于图像处理和卷积神经网络的铁路接触网缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610929224.XA CN106504238A (zh) 2016-10-31 2016-10-31 基于图像处理和卷积神经网络的铁路接触网缺陷检测方法

Publications (1)

Publication Number Publication Date
CN106504238A true CN106504238A (zh) 2017-03-15

Family

ID=58318809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610929224.XA Pending CN106504238A (zh) 2016-10-31 2016-10-31 基于图像处理和卷积神经网络的铁路接触网缺陷检测方法

Country Status (1)

Country Link
CN (1) CN106504238A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016396A (zh) * 2017-04-11 2017-08-04 广州市华颉电子科技有限公司 一种装配连接件图像特征深度学习与识别方法
CN108564040A (zh) * 2018-04-17 2018-09-21 杭州景联文科技有限公司 一种基于深度卷积特征的指纹活性检测方法
CN108876761A (zh) * 2017-05-11 2018-11-23 欧姆龙株式会社 图像处理装置、电脑可读取记录媒体、图像处理系统
CN109472769A (zh) * 2018-09-26 2019-03-15 成都数之联科技有限公司 一种不良图像缺陷检测方法和系统
CN109767431A (zh) * 2018-12-29 2019-05-17 北京领邦智能装备股份公司 零件外观缺陷检测方法、装置、设备及可读存储介质
CN109858504A (zh) * 2017-11-30 2019-06-07 阿里巴巴集团控股有限公司 一种图像识别方法、装置、系统以及计算设备
CN109919907A (zh) * 2019-01-23 2019-06-21 华灿光电（浙江）有限公司 发光二极管外延片缺陷检测的方法和装置
CN109919908A (zh) * 2019-01-23 2019-06-21 华灿光电（浙江）有限公司 发光二极管芯片缺陷检测的方法和装置
CN110135273A (zh) * 2019-04-19 2019-08-16 中铁第一勘察设计院集团有限公司 接触网视频图像云端智能监测与故障识别方法
CN110428398A (zh) * 2019-07-04 2019-11-08 华中科技大学 一种基于深度学习的高铁接触网拉线缺陷检测方法
CN110717582A (zh) * 2018-09-27 2020-01-21 谷歌有限责任公司 使用鉴别器神经网络从生成器神经网络采样
CN111553500A (zh) * 2020-05-11 2020-08-18 北京航空航天大学 基于注意力机制全卷积网络的铁路交通接触网巡检方法
CN111563896A (zh) * 2020-07-20 2020-08-21 成都中轨轨道设备有限公司 一种用于接触网异常检测的图像处理方法
CN111915549A (zh) * 2019-05-09 2020-11-10 富泰华工业（深圳）有限公司 瑕疵检测方法、电子装置及计算机可读存储介质
CN111986174A (zh) * 2020-08-17 2020-11-24 深圳市商汤科技有限公司 缺陷检测方法、装置、电子设备及计算机存储介质
CN115965572A (zh) * 2022-04-29 2023-04-14 哈尔滨智兀科技有限公司 一种基于模板比对的三级管外观缺陷检测方法
CN117030724A (zh) * 2023-10-09 2023-11-10 诺比侃人工智能科技(成都)股份有限公司 一种基于深度学习的多模态工业缺陷分析方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103076338A (zh) * 2012-05-31 2013-05-01 西南交通大学 高铁接触网棒式绝缘子不良状态检测的快速模糊匹配方法
CN104657706A (zh) * 2015-01-27 2015-05-27 北京大学 基于图像的高铁线路线杆断裂与联接结构体异常检测方法
CN105719305A (zh) * 2016-01-25 2016-06-29 成都国铁电气设备有限公司 接触网中组件脱落缺陷识别方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103076338A (zh) * 2012-05-31 2013-05-01 西南交通大学 高铁接触网棒式绝缘子不良状态检测的快速模糊匹配方法
CN104657706A (zh) * 2015-01-27 2015-05-27 北京大学 基于图像的高铁线路线杆断裂与联接结构体异常检测方法
CN105719305A (zh) * 2016-01-25 2016-06-29 成都国铁电气设备有限公司 接触网中组件脱落缺陷识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ILHAN AYDIN 等: "A Robust Anomaly Detection in Pantograph-Catenary System Based on Mean-Shift Tracking and Foreground Detection", 《IEEE INTERNATIONAL CONFERENCE ON SYSTEMS》 *
刘志刚 等: "高速铁路接触网研究进展", 《西南交通大学学报》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016396A (zh) * 2017-04-11 2017-08-04 广州市华颉电子科技有限公司 一种装配连接件图像特征深度学习与识别方法
CN107016396B (zh) * 2017-04-11 2020-06-02 广州市华颉电子科技有限公司 一种装配连接件图像特征深度学习与识别方法
CN108876761A (zh) * 2017-05-11 2018-11-23 欧姆龙株式会社 图像处理装置、电脑可读取记录媒体、图像处理系统
CN108876761B (zh) * 2017-05-11 2022-05-27 欧姆龙株式会社 图像处理装置、电脑可读取记录媒体、图像处理系统
CN109858504A (zh) * 2017-11-30 2019-06-07 阿里巴巴集团控股有限公司 一种图像识别方法、装置、系统以及计算设备
CN108564040A (zh) * 2018-04-17 2018-09-21 杭州景联文科技有限公司 一种基于深度卷积特征的指纹活性检测方法
CN109472769A (zh) * 2018-09-26 2019-03-15 成都数之联科技有限公司 一种不良图像缺陷检测方法和系统
CN110717582A (zh) * 2018-09-27 2020-01-21 谷歌有限责任公司 使用鉴别器神经网络从生成器神经网络采样
CN110717582B (zh) * 2018-09-27 2024-01-12 谷歌有限责任公司 使用鉴别器神经网络从生成器神经网络采样
CN109767431A (zh) * 2018-12-29 2019-05-17 北京领邦智能装备股份公司 零件外观缺陷检测方法、装置、设备及可读存储介质
CN109919908A (zh) * 2019-01-23 2019-06-21 华灿光电（浙江）有限公司 发光二极管芯片缺陷检测的方法和装置
CN109919907A (zh) * 2019-01-23 2019-06-21 华灿光电（浙江）有限公司 发光二极管外延片缺陷检测的方法和装置
CN110135273A (zh) * 2019-04-19 2019-08-16 中铁第一勘察设计院集团有限公司 接触网视频图像云端智能监测与故障识别方法
CN111915549A (zh) * 2019-05-09 2020-11-10 富泰华工业（深圳）有限公司 瑕疵检测方法、电子装置及计算机可读存储介质
CN110428398A (zh) * 2019-07-04 2019-11-08 华中科技大学 一种基于深度学习的高铁接触网拉线缺陷检测方法
CN111553500A (zh) * 2020-05-11 2020-08-18 北京航空航天大学 基于注意力机制全卷积网络的铁路交通接触网巡检方法
CN111563896A (zh) * 2020-07-20 2020-08-21 成都中轨轨道设备有限公司 一种用于接触网异常检测的图像处理方法
CN111986174A (zh) * 2020-08-17 2020-11-24 深圳市商汤科技有限公司 缺陷检测方法、装置、电子设备及计算机存储介质
CN115965572A (zh) * 2022-04-29 2023-04-14 哈尔滨智兀科技有限公司 一种基于模板比对的三级管外观缺陷检测方法
CN115965572B (zh) * 2022-04-29 2023-07-21 哈尔滨智兀科技有限公司 一种基于模板比对的三级管外观缺陷检测方法
CN117030724A (zh) * 2023-10-09 2023-11-10 诺比侃人工智能科技(成都)股份有限公司 一种基于深度学习的多模态工业缺陷分析方法及系统
CN117030724B (zh) * 2023-10-09 2023-12-08 诺比侃人工智能科技(成都)股份有限公司 一种基于深度学习的多模态工业缺陷分析方法及系统

Similar Documents

Publication Publication Date Title
CN106504238A (zh) 基于图像处理和卷积神经网络的铁路接触网缺陷检测方法
Gao et al. A generative adversarial network based deep learning method for low-quality defect image reconstruction and recognition
Tao et al. Wire defect recognition of spring-wire socket using multitask convolutional neural networks
CN111784633B (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
Liu et al. A rail surface defect detection method based on pyramid feature and lightweight convolutional neural network
CN105913415A (zh) 一种具有广泛适应性的图像亚像素边缘提取方法
CN106289777A (zh) 一种基于几何度量的多工况滚动轴承性能评估方法
CN111079518B (zh) 一种基于执法办案区场景下的倒地异常行为识别方法
CN108537170A (zh) 一种电力设备固件无人机巡检销钉缺失检测方法
CN108275530A (zh) 一种基于机器学习的电梯安全预警方法
Wang et al. Collaborative learning attention network based on RGB image and depth image for surface defect inspection of no-service rail
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
Wu et al. An end-to-end learning method for industrial defect detection
CN113012098B (zh) 一种基于bp神经网络的铁塔角钢冲孔缺陷检测方法
CN114092478B (zh) 一种异常检测方法
Li et al. Weld image recognition algorithm based on deep learning
CN106485701B (zh) 基于图像的铁路接触网承力索座装反与否的检测方法
CN113516619B (zh) 一种基于图像处理技术的产品表面瑕疵识别方法
CN113947583A (zh) 基于深度学习二维时间序列图像的焊缝无损检测方法
Ghamisi et al. Anomaly detection in automated fibre placement: learning with data limitations
CN113705564A (zh) 一种指针式仪表识别读数方法
Yang et al. Cherry recognition based on color channel transform
Zhou et al. Wind Turbine Actual Defects Detection Based on Visible and Infrared Image Fusion
CN104361344B (zh) 一种基于区间图像的无缝线路钢轨缺陷识别方法
Wang et al. Research on appearance defect detection of power equipment based on improved faster-rcnn

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170315

RJ01 Rejection of invention patent application after publication