CN107392313B - 一种基于深度学习的钢轨识别方法 - Google Patents

一种基于深度学习的钢轨识别方法 Download PDF

Info

Publication number
CN107392313B
CN107392313B CN201710439914.1A CN201710439914A CN107392313B CN 107392313 B CN107392313 B CN 107392313B CN 201710439914 A CN201710439914 A CN 201710439914A CN 107392313 B CN107392313 B CN 107392313B
Authority
CN
China
Prior art keywords
neural network
network model
steel rail
stage
data set
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
Application number
CN201710439914.1A
Other languages
English (en)
Other versions
CN107392313A (zh
Inventor
黄尊地
李鹤喜
常宁
翟玉江
王前选
杨铁牛
何宇
郑声佳
李特特
梁乘玮
梁明辉
吴泽钦
何闯
傅志辉
吴志法
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.)
Beijing Nostit Information Technology Co ltd
Original Assignee
Wuyi University
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 Wuyi University filed Critical Wuyi University
Priority to CN201710439914.1A priority Critical patent/CN107392313B/zh
Publication of CN107392313A publication Critical patent/CN107392313A/zh
Application granted granted Critical
Publication of CN107392313B publication Critical patent/CN107392313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的钢轨识别方法，通过建立基于深度学习的神经网络模型，利用轨道的图像制作大量的训练数据集，接着利用训练数据集对神经网络模型进行大量的训练，使得神经网络模型能够准确输出处于钢轨上的目标点的坐标，从而能够建立用于表示钢轨的钢轨直线方程，从而能够准确识别钢轨，实时捕捉钢轨的轨迹，从而能够很好地把钢轨与异物区分开来，从而免去了乘务员攀爬在车厢上的危险行为。

Description

一种基于深度学习的钢轨识别方法
技术领域
本发明涉及列车调度推送作业领域，尤其是一种基于深度学习的钢轨识别方法。
背景技术
火车、高铁列车和动车等列车都是由一节节的车厢接驳而成的，因此在列车接驳时，需要进行调车推送作业。而当列车进行调车推送作业时，必须实时对钢轨进行识别，从而区分钢轨与处于钢轨上的异物，避免因为异物而导致进行调车推送作业的列车出现问题。传统的调车推送作业的进行，需要一名乘务员攀爬在列车的尾端，利用人眼观察的方式对钢轨进行识别，但是当观察较远距离的钢轨时，人眼容易出现误判，并且当较远距离的钢轨旁边存在钢条时，人眼并不能很好地识别出来。
发明内容
为解决上述问题，本发明的目的在于提供一种基于深度学习的钢轨识别方法，能够对钢轨上的任意目标点进行准确定位，从而能够准确识别钢轨，实时捕捉钢轨的轨迹，从而能够很好地把钢轨与异物区分开来，从而免去了乘务员攀爬在车厢上的危险行为。
本发明解决其问题所采用的技术方案是：
一种基于深度学习的钢轨识别方法，包括以下步骤：
A、建立基于深度学习的神经网络模型；
B、根据轨道的图像制作用于对神经网络模型进行训练的训练数据集；C、把训练数据集输入到神经网络模型中对神经网络模型进行训练，得到钢轨上任意目标点的坐标；
D、根据钢轨中两个以上的目标点的坐标，建立钢轨直线方程；
E、通过判断图像上的目标点的坐标是否满足钢轨直线方程，对钢轨进行识别。
进一步，步骤A中建立基于深度学习的神经网络模型，包括第一级神经网络模型、第二级神经网络模型和第三级神经网络模型，第一级神经网络模型、第二级神经网络模型和第三级神经网络模型均包括有两个以上的卷积层、最大值池化层和全连接层，卷积层和最大值池化层间隔设置，全连接层均设置于第一级神经网络模型、第二级神经网络模型和第三级神经网络模型的最后层次。
进一步，步骤B中根据轨道的图像制作用于对神经网络模型进行训练的训练数据集，包括制作用于训练第一级神经网络模型的第一级训练数据集、制作用于训练第二级神经网络模型的第二级训练数据集和制作用于训练第三级神经网络模型的第三级训练数据集。
进一步，制作用于训练第一级神经网络模型的第一级训练数据集，包括以下步骤：
B1、沿着图像中轨道的中心线分割图像；
B2、对经过分割处理后的图像进行灰度化处理；
B3、对经过灰度化处理的图像进行去干扰处理；
B4、标定两个目标点在图像中的坐标，经过去干扰处理的图像以及两个目标点在图像中的坐标，即为第一级训练数据集。
进一步，制作用于训练第二级神经网络模型的第二级训练数据集，包括以下步骤：
B5、以图像中钢轨上的目标点作为中心点，提取正方形小图片；
B6、对正方形小图片进行灰度化处理；
B7、对经过灰度化处理的正方形小图片进行去干扰处理；
B8、标定目标点在正方形小图片中的坐标，经过去干扰处理的正方形小图片以及目标点在正方形小图片中的坐标，即为第二级训练数据集。
进一步，制作用于训练第三级神经网络模型的第三级训练数据集的步骤与制作第二级训练数据集的步骤相一致。
进一步，步骤C中把训练数据集输入到神经网络模型中对神经网络模型进行训练，得到钢轨上任意目标点的坐标，包括以下步骤：
C1、对神经网络模型的权值进行初始化；
C2、神经网络模型利用训练数据集进行训练，并输出目标点的坐标；
C3、利用误差分析函数对由神经网络模型输出的目标点坐标进行判断，若误差值小于指定值，则停止训练，输出目标点的坐标；若误差值不小于指定值，则转到步骤C2。
进一步，步骤D中建立钢轨直线方程，其方程公式为：
y＝kx+b
其中，y为钢轨上的目标点的纵坐标数值，x为钢轨上的目标点的横坐标数值，k为图片中钢轨的斜率，b为图片中钢轨的截距。
本发明的有益效果是：一种基于深度学习的钢轨识别方法，通过建立基于深度学习的神经网络模型，利用轨道的图像制作大量的训练数据集，因此在利用训练数据集对神经网络模型进行大量的训练时，能够保证训练的准确性，从而能够准确输出处于钢轨上的目标点的坐标；由于能够精确找到钢轨上任意两个目标点的坐标，结合钢轨的直线特征，因此能够通过钢轨上任意两个目标点的坐标而精确获得钢轨在图像中所呈现的斜线的斜率和截距，从而能够获得表示钢轨的钢轨直线方程。因此，当图像中的目标点的坐标不能够满足钢轨直线方程时，说明该目标点并不在钢轨之上，即该目标点并不属于钢轨；当图像中的目标点的坐标能够满足钢轨直线方程时，说明该目标点处于钢轨之上，即该目标点属于钢轨上的点，从而能够准确对钢轨进行识别。因此，本发明的基于深度学习的钢轨识别方法，能够对钢轨上的任意目标点进行准确定位，从而能够准确识别钢轨，实时捕捉钢轨的轨迹，从而能够很好地把钢轨与异物区分开来，从而免去了乘务员攀爬在车厢上的危险行为。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明基于深度学习的钢轨识别方法的流程图。
具体实施方式
参照图1，本发明的一种基于深度学习的钢轨识别方法，包括以下步骤：
A、建立基于深度学习的神经网络模型；
B、根据轨道的图像制作用于对神经网络模型进行训练的训练数据集；
C、把训练数据集输入到神经网络模型中对神经网络模型进行训练，得到钢轨上任意目标点的坐标；
D、根据钢轨中两个以上的目标点的坐标，建立钢轨直线方程；
E、通过判断图像上的目标点的坐标是否满足钢轨直线方程，对钢轨进行识别。
具体地，通过建立基于深度学习的神经网络模型，利用轨道的图像制作大量的训练数据集，因此在利用训练数据集对神经网络模型进行大量的训练时，能够保证训练的准确性，从而能够准确输出处于钢轨上的目标点的坐标；由于能够精确找到钢轨上任意两个目标点的坐标，结合钢轨的直线特征，因此能够通过钢轨上任意两个目标点的坐标而精确获得钢轨在图像中所呈现的斜线的斜率和截距，从而能够获得表示钢轨的钢轨直线方程。因此，当图像中的目标点的坐标不能够满足钢轨直线方程时，说明该目标点并不在钢轨之上，即该目标点并不属于钢轨；当图像中的目标点的坐标能够满足钢轨直线方程时，说明该目标点处于钢轨之上，即该目标点属于钢轨上的点，从而能够准确对钢轨进行识别。因此，本发明的基于深度学习的钢轨识别方法，能够对钢轨上的任意目标点进行准确定位，从而能够准确识别钢轨，实时捕捉钢轨的轨迹，从而能够很好地把钢轨与异物区分开来，从而免去了乘务员攀爬在车厢上的危险行为。
其中，步骤A中建立基于深度学习的神经网络模型，包括第一级神经网络模型、第二级神经网络模型和第三级神经网络模型，第一级神经网络模型、第二级神经网络模型和第三级神经网络模型均包括有两个以上的卷积层、最大值池化层和全连接层，卷积层和最大值池化层间隔设置，全连接层均设置于第一级神经网络模型、第二级神经网络模型和第三级神经网络模型的最后层次。具体地，第一级神经网络模型中的卷积层和最大值池化层均有5个，全连接层有2个，并且卷积层和最大值池化层间隔设置。第二级神经网络模型中的卷积层有6个，最大值池化层有5个，全连接层有2个，并且卷积层和最大值池化层间隔设置。第三级神经网络模型中的卷积层有5个，最大值池化层有4个，全连接层有2个，并且卷积层和最大值池化层间隔设置。由于通过第一级神经网络模型获得的目标点的坐标是模糊的、粗略的，其误差大概为35个像素左右，因此第一级神经网络模型并不能获得精确的目标点的坐标，从而需要使用第二级神经网络模型；而通过第二级神经网络模型所获得的目标点的坐标，其误差仍然有3个像素，仍然不符合钢轨直线方程的要求，因此需要应用到第三级神经网络模型；而第三级神经网络模型能够进行进一步的精确搜索，并且其输出的误差为0.4个像素，符合钢轨直线方程的精度要求，因此，本发明的钢轨识别方法需要使用3个基于深度学习的神经网络模型。第一级神经网络模型、第二级神经网络模型和第三级神经网络模型的网络结构表分别如下所示：
(1)第一级神经网络模型的网络结构表
Figure BDA0001319670880000071
(2)第二级神经网络模型的网络结构表
Figure BDA0001319670880000072
Figure BDA0001319670880000081
(3)第三级神经网络模型的网络结构表
Figure BDA0001319670880000082
通过把训练数据集输入到上述的第一级神经网络模型、第二级神经网络模型和第三级神经网络模型之中，从而能够输出钢轨上任意目标点的坐标，从而能够得到用于准确识别钢轨的钢轨直线方程。
其中，步骤B中根据轨道的图像制作用于对神经网络模型进行训练的训练数据集，包括制作用于训练第一级神经网络模型的第一级训练数据集、制作用于训练第二级神经网络模型的第二级训练数据集和制作用于训练第三级神经网络模型的第三级训练数据集。具体地，第一级神经网络模型用于搜索半幅图像中的目标点，第二级神经网络模型用于搜索半幅图像中小范围内的目标点，第三级神经网络模型用于搜索半幅图像中更小范围内的目标点，由于第一级神经网络模型、第二级神经网络模型和第三级神经网络模型所使用的搜索范围都不相同，因此分别需要使用不同的训练数据集。
其中，制作用于训练第一级神经网络模型的第一级训练数据集，包括以下步骤：
B1、沿着图像中轨道的中心线分割图像；
B2、对经过分割处理后的图像进行灰度化处理；
B3、对经过灰度化处理的图像进行去干扰处理；
B4、标定两个目标点在图像中的坐标，经过去干扰处理的图像以及两个目标点在图像中的坐标，即为第一级训练数据集；
具体地，重复多次进行上述的步骤，得到大量的没有干扰的图像和坐标，把这些大量的没有干扰的图像和坐标输入到第一级神经网络模型之中，即可对第一级神经网络模型进行大量的训练，从而能够对钢轨进行识别。
其中，制作用于训练第二级神经网络模型的第二级训练数据集，包括以下步骤：
B5、以图像中钢轨上的目标点作为中心点，提取正方形小图片；
B6、对正方形小图片进行灰度化处理；
B7、对经过灰度化处理的正方形小图片进行去干扰处理；
B8、标定目标点在正方形小图片中的坐标，经过去干扰处理的正方形小图片以及目标点在正方形小图片中的坐标，即为第二级训练数据集；
具体地，制作用于训练第三级神经网络模型的第三级训练数据集的步骤与制作第二级训练数据集的步骤相一致，因此，重复多次进行上述的步骤，可以得到分别用于第二级神经网络模型和第三级神经网络模型的第二级训练数据集和第三级训练数据集，从而能够分别对第二级神经网络模型和第三级神经网络模型进行大量的训练，以便能够对钢轨进行精确的识别。
其中，步骤C中把训练数据集输入到神经网络模型中对神经网络模型进行训练，得到钢轨上任意目标点的坐标，包括以下步骤：
C1、对神经网络模型的权值进行初始化；
C2、神经网络模型利用训练数据集进行训练，并输出目标点的坐标；
C3、利用误差分析函数对由神经网络模型输出的目标点坐标进行判断，若误差值小于指定值，则停止训练，输出目标点的坐标；若误差值不小于指定值，则转到步骤C2；
具体地，使用神经网络模型进行计算，必须首先对神经网络模型中的每一个节点赋予初始化权值，本发明的钢轨识别方法中，用于神经网络模型的初始化权值为在-1到1之间的小数。完成初始化处理后，即可利用大量的训练数据集对神经网络模型进行训练，从而能够获得目标点的坐标值。误差分析函数的公式为：
Figure BDA0001319670880000111
其中w为权值，b为误差阈值。根据不同神经网络模型的不同权值，结合上述的误差分析函数，能够得出不同的误差阈值，因此，第一级神经网络模型、第二级神经网络模型和第三级神经网络模型分别具有不同的误差阈值，第一级神经网络模型的误差阈值为28，第二级神经网络模型的误差阈值为3，第三级神经网络模型的误差阈值为0.4。把经过转化处理的图像输入到第一级神经网络模型之中，第一级神经网络模型每进行一次训练都会输出一个坐标值，若该坐标值的误差值大于或等于28，第一级神经网络模型会继续进行训练，直到其所输出的坐标值的误差值小于28，同理，第二级神经网络模型输出的坐标值的误差值小于3，第三级神经网络模型输出的坐标值的误差值小于0.4，因此，依次经过第一级神经网络模型、第二级神经网络模型和第三级神经网络模型的处理，所得到的目标点具有十分好的精确度，从而能够准确代表钢轨所在的位置，进而能够建立钢轨直线方程，从而对钢轨进行精确的识别。
其中，步骤D中建立钢轨直线方程，其方程公式为：
y＝kx+b
其中，y为钢轨上的目标点的纵坐标数值，x为钢轨上的目标点的横坐标数值，k为图片中钢轨的斜率，b为图片中钢轨的截距。具体地，当获得精确的目标点的坐标时，即可根据精确的坐标建立钢轨直线方程。若图像中的目标点的坐标不能满足钢轨直线方程，则说明该目标点并不在钢轨所处的斜线之中，因此该目标点并不属于钢轨的一部分。若图像中的目标点的坐标能够满足钢轨直线方程，则说明该目标点处于钢轨所处的斜线之中，该目标点属于钢轨的一部分，从而能够精确地对钢轨进行识别，从而能够实时捕捉钢轨的轨迹，并且能很好地把钢轨与异物区分开来，免去了乘务员攀爬在车厢上的危险行为。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (4)

1.一种基于深度学习的钢轨识别方法，其特征在于：包括以下步骤：
A、建立基于深度学习的神经网络模型；
B、根据轨道的图像制作用于对神经网络模型进行训练的训练数据集；
C、把训练数据集输入到神经网络模型中对神经网络模型进行训练，得到钢轨上任意目标点的坐标；
D、根据钢轨中两个以上的目标点的坐标，建立钢轨直线方程；
E、通过判断图像上的目标点的坐标是否满足钢轨直线方程，对钢轨进行识别；
其中，所述步骤A中建立基于深度学习的神经网络模型，包括第一级神经网络模型、第二级神经网络模型和第三级神经网络模型；
所述步骤B中根据轨道的图像制作用于对神经网络模型进行训练的训练数据集，包括制作用于训练第一级神经网络模型的第一级训练数据集、制作用于训练第二级神经网络模型的第二级训练数据集和制作用于训练第三级神经网络模型的第三级训练数据集；
制作用于训练第一级神经网络模型的第一级训练数据集，包括以下步骤：
B1、沿着图像中轨道的中心线分割图像；
B2、对经过分割处理后的图像进行灰度化处理；
B3、对经过灰度化处理的图像进行去干扰处理；
B4、标定两个目标点在图像中的坐标，经过去干扰处理的图像以及两个目标点在图像中的坐标，即为第一级训练数据集；
制作用于训练第二级神经网络模型的第二级训练数据集，包括以下步骤：
B5、以图像中钢轨上的目标点作为中心点，提取正方形小图片；
B6、对正方形小图片进行灰度化处理；
B7、对经过灰度化处理的正方形小图片进行去干扰处理；
B8、标定目标点在正方形小图片中的坐标，经过去干扰处理的正方形小图片以及目标点在正方形小图片中的坐标，即为第二级训练数据集；
制作用于训练第三级神经网络模型的第三级训练数据集的步骤与制作第二级训练数据集的步骤相一致。
2.根据权利要求1所述的一种基于深度学习的钢轨识别方法，其特征在于：所述第一级神经网络模型包括两个以上的卷积层、两个以上的最大值池化层和两个以上的全连接层，所述第二级神经网络模型包括两个以上的卷积层、两个以上的最大值池化层和两个以上的全连接层，所述第三级神经网络模型包括两个以上的卷积层、两个以上的最大值池化层和两个以上的全连接层，所述卷积层和最大值池化层间隔设置，所述全连接层均设置于所述第一级神经网络模型、第二级神经网络模型和第三级神经网络模型的最后层次。
3.根据权利要求1所述的一种基于深度学习的钢轨识别方法，其特征在于：所述步骤C中把训练数据集输入到神经网络模型中对神经网络模型进行训练，得到钢轨上任意目标点的坐标，包括以下步骤：
C1、对神经网络模型的权值进行初始化；
C2、神经网络模型利用训练数据集进行训练，并输出目标点的坐标；
C3、利用误差分析函数对由神经网络模型输出的目标点坐标进行判断，若误差值小于指定值，则停止训练，输出目标点的坐标；若误差值不小于指定值，则转到步骤C2。
4.根据权利要求1所述的一种基于深度学习的钢轨识别方法，其特征在于：所述步骤D中建立钢轨直线方程，其方程公式为：
y＝kx+b
其中，y为钢轨上的目标点的纵坐标数值，x为钢轨上的目标点的横坐标数值，k为图像中钢轨的斜率，b为图像中钢轨的截距。
CN201710439914.1A 2017-06-12 2017-06-12 一种基于深度学习的钢轨识别方法 Active CN107392313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710439914.1A CN107392313B (zh) 2017-06-12 2017-06-12 一种基于深度学习的钢轨识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710439914.1A CN107392313B (zh) 2017-06-12 2017-06-12 一种基于深度学习的钢轨识别方法

Publications (2)

Publication Number Publication Date
CN107392313A CN107392313A (zh) 2017-11-24
CN107392313B true CN107392313B (zh) 2020-09-29

Family

ID=60331768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710439914.1A Active CN107392313B (zh) 2017-06-12 2017-06-12 一种基于深度学习的钢轨识别方法

Country Status (1)

Country Link
CN (1) CN107392313B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108010078B (zh) * 2017-11-29 2020-06-26 中国科学技术大学 一种基于三级卷积神经网络的物体抓取检测方法
CN109636812A (zh) * 2018-12-13 2019-04-16 银河水滴科技（北京）有限公司 一种钢轨表面与接触网表面图像分割方法及装置
CN109784202A (zh) * 2018-12-24 2019-05-21 珠海格力电器股份有限公司 待洗物品中遗留物件的识别方法、装置及洗衣机和计算机可读存储介质
CN112488056B (zh) * 2020-12-17 2024-08-23 上海媒智科技有限公司 一种基于计算机视觉的直线轨道异物入侵检测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105893A (zh) * 2006-07-14 2008-01-16 沈阳江龙软件开发科技有限公司 一种车辆视频识别测速方法
CN102735747A (zh) * 2012-04-10 2012-10-17 南京航空航天大学 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法
CN202783254U (zh) * 2012-06-01 2013-03-13 安徽理工大学 基于图像处理的矿用电机车行人监测方法及报警系统
CN105809679A (zh) * 2016-03-04 2016-07-27 李云栋 一种基于视觉分析的山区铁路边坡落石检测方法
CN106248801A (zh) * 2016-09-06 2016-12-21 哈尔滨工业大学 一种基于多声发射事件概率的钢轨裂纹检测方法
CN106355185A (zh) * 2016-08-30 2017-01-25 兰州交通大学 一种振动条件下快速提取钢轨表面区域的方法
CN106500594A (zh) * 2016-10-31 2017-03-15 武汉大学 融合反射强度和几何特征的铁路轨道半自动检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8932124B2 (en) * 2006-08-31 2015-01-13 Cfph, Llc Game of chance systems and methods
CN102490764B (zh) * 2011-12-13 2013-10-16 天津卓朗科技发展有限公司 铁轨道岔缺口自动检测方法
CN103034861B (zh) * 2012-12-14 2016-12-21 北京航空航天大学 一种货车闸瓦故障的识别方法及装置
CN103839268B (zh) * 2014-03-18 2017-02-15 北京交通大学 一种地铁隧道表面裂缝的检测方法
US10168785B2 (en) * 2015-03-03 2019-01-01 Nvidia Corporation Multi-sensor based user interface
CN105373779B (zh) * 2015-11-10 2018-09-28 北京数字智通科技有限公司 一种车辆安全带智能检测方法及智能检测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105893A (zh) * 2006-07-14 2008-01-16 沈阳江龙软件开发科技有限公司 一种车辆视频识别测速方法
CN102735747A (zh) * 2012-04-10 2012-10-17 南京航空航天大学 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法
CN202783254U (zh) * 2012-06-01 2013-03-13 安徽理工大学 基于图像处理的矿用电机车行人监测方法及报警系统
CN105809679A (zh) * 2016-03-04 2016-07-27 李云栋 一种基于视觉分析的山区铁路边坡落石检测方法
CN106355185A (zh) * 2016-08-30 2017-01-25 兰州交通大学 一种振动条件下快速提取钢轨表面区域的方法
CN106248801A (zh) * 2016-09-06 2016-12-21 哈尔滨工业大学 一种基于多声发射事件概率的钢轨裂纹检测方法
CN106500594A (zh) * 2016-10-31 2017-03-15 武汉大学 融合反射强度和几何特征的铁路轨道半自动检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
铁路钢轨视觉识别检测方法;王前选等;《中南大学学报(自然科学版)》;20140731;第45卷(第7期);第2496-2502页 *

Also Published As

Publication number Publication date
CN107392313A (zh) 2017-11-24

Similar Documents

Publication Publication Date Title
CN107392313B (zh) 一种基于深度学习的钢轨识别方法
CN107679491B (zh) 一种融合多模态数据的3d卷积神经网络手语识别方法
CN110572696B (zh) 一种变分自编码器与生成对抗网络结合的视频生成方法
CN110135459B (zh) 一种基于双三元组深度度量学习网络的零样本分类方法
CN109101938B (zh) 一种基于卷积神经网络的多标签年龄估计方法
CN110135282B (zh) 一种基于深度卷积神经网络模型的考生回头抄袭作弊检测方法
CN105787482A (zh) 一种基于深度卷积神经网络的特定目标轮廓图像分割方法
CN105095856A (zh) 基于掩膜的有遮挡人脸识别方法
CN113436169A (zh) 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统
CN107967695A (zh) 一种基于深度光流和形态学方法的运动目标检测方法
CN107633272B (zh) 一种基于小样本下压缩感知的dcnn纹理疵点识别方法
CN107680116A (zh) 一种监测视频图像中运动目标的方法
CN111079748A (zh) 铁路货车滚轴承甩油故障检测方法
CN110570443A (zh) 一种基于结构约束条件生成模型的图像线状目标提取方法
CN114092478B (zh) 一种异常检测方法
CN111401358A (zh) 一种基于神经网络的仪表表盘校正方法
CN111667425B (zh) 一种基于先验算法的人脸表情图像遮挡修复方法
CN107818563A (zh) 一种输电线路分裂导线间距空间测量与定位方法
CN111415339A (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN109685823B (zh) 一种基于深度森林的目标跟踪方法
CN111259844B (zh) 标准化考场考生实时监控方法
CN116563645A (zh) 联合迭代剪枝和知识蒸馏的面向目标检测的模型压缩方法
CN105893941A (zh) 一种基于区域图像的人脸表情识别方法
CN111951234B (zh) 模型检测方法
CN111598807B (zh) 一种基于区块链的汽车零部件检测数据共享系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230718

Address after: 100194 706B, Building 2, Yard 38, Linfeng Second Road, Greenland The Centrium, Sujiatuo Town, Haidian District, Beijing

Patentee after: Beijing nostit Information Technology Co.,Ltd.

Address before: 529000 No. 22 Dongcheng village, Guangdong City, Jiangmen Province

Patentee before: WUYI University

TR01 Transfer of patent right