CN107505334A - 一种基于点光源阵列线阵成像的铁轨扣件异常检测系统 - Google Patents
一种基于点光源阵列线阵成像的铁轨扣件异常检测系统 Download PDFInfo
- Publication number
- CN107505334A CN107505334A CN201710949493.7A CN201710949493A CN107505334A CN 107505334 A CN107505334 A CN 107505334A CN 201710949493 A CN201710949493 A CN 201710949493A CN 107505334 A CN107505334 A CN 107505334A
- Authority
- CN
- China
- Prior art keywords
- array
- fastener
- pointolite
- image
- video camera
- 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
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000005856 abnormality Effects 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000003287 optical effect Effects 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000001914 filtration Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 241001669679 Eleotris Species 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/08—Measuring installations for surveying permanent way
Abstract
本发明公开一种基于点光源阵列线阵成像的铁轨扣件异常检测系统，由点光源阵列、线阵摄像机、车轮编码器、RFID探测器和工控机组成，其中，点光源阵列投射一字形圆形光斑到扣件上，对扣件形状高度信息进行调制，线阵摄像机成像区域穿过一字形圆形光斑投射区域，通过扫描获取扣件表面形状调制光条图像，再通过深度学习分类方法用于扣件弹条缺失、弹条松动、垫片缺失等异常检测。本发明检测系统成本低、可用于高速行驶状态下扣件异常检测、并且有效检测不同类型扣件的多种异常。
Description
技术领域
本发明涉及一种铁轨扣件异常检测设备，具体指一种基于点光源阵列线阵成像的铁轨扣件异常检测系统。
背景技术
扣件是连接钢轨和轨枕使之形成轨排的部件，在保证轨道稳定性、可靠性方面起着重要作用。在铁路基础设施检测上，我国长期以人工和静态检测为主，养护费用高，强度高，安全性差，近年我国高速铁路迅猛发展，对铁路检测的自动化、实时性提出了更高的要求。国内外已有的扣件检测技术为：基于线阵激光的连续扫描装置，如德国Sick公司；基于面阵图像传感器的计算机视觉检测装置，如美国ENSCO公司的VIS系统、德国AtlasElectronic公司开发的光电式轨道检测系统以及北京福斯达公司高速车载式轨道图像识别系统等。但两者的缺点在于检测速度较低，通用性不高，有时需要过多人工干预，而且不能在扣件丢失之前自动判断扣件是否产生异常并进行预警。
经检索，专利2011100073637.X、201410667430.9分别介绍了一种基于结构光的扣件缺失检测装置：利用多条线结构光照射扣件区域、采用面阵摄像机成像，对线结构光图像进行处理。这类方法的缺点是：1)采用面阵摄像机对扣件区域进行拍摄时，为保证铁轨扣件在面阵摄像机拍摄图像中不遗漏，摄像机成像频率应该是列车行驶过程中扣件出现频率的2～4倍，当列车高速行驶时，比如速度为300km/h时，以扣件间距为0.5m为例，扣件出现频率为166Hz，则摄像机成像帧率为332～664fps，这给成像系统图像传输、存储、处理构成极大挑战，并且高速成像设备价格昂贵；2)因面阵摄像机存在透射变形，为保证拍摄扣件具有相同的图像尺寸，需要精准的成像触发系统，以保证拍摄图像位于扣件的正上方，这在列车高速行驶时，难以实现；3)所提出的图像处理算法，仅对W型弹条(图1(a))扣件有效，对其他类型扣件无效，比如：对于DZⅢ型扣件(图1(b))，两项专利的算法，都不能处理DZⅢ型扣件的缺失(图2(a))、半松动(图2(b))和垫片遗失(图2(c))问题，因此专利2011100073637.X、201410667430.9的图像处理算法，不具有普适性。
发明内容
为了解决现有扣件松动检测系统所存在的上述问题，本发明提供一种基于点光源阵列线阵成像的铁轨扣件异常检测系统。
本发明的目的可以通过以下技术方案来实现：一种基于点光源阵列线阵成像的铁轨扣件异常检测系统，其特征在于：由点光源阵列、线阵摄像机、车轮编码器、RFID探测器和工控机组成；所述点光源阵列和线阵摄像机均置于列车底部；所述点光源阵列位于扣件正上方，点光源阵列可产生n个相同投射方向、光轴平行且共面的圆形光束，n个圆形光束呈一字形排列且n个圆形光束构成的平面与铁轨垂直，n的取值范围为1～100，n个圆形光束投射到扣件区域产生n个光斑，光斑直径为d毫米，d的取值范围为0.1～5；所述线阵摄像机位于扣件正上方，线阵摄像机成像切片与点光源阵列投射的一字形光斑平面共面，以线阵摄像机成像区域穿过点光源照射区域，线阵摄像机光轴与点光源阵列投射方向成30～65度夹角；所述车轮编码器固定于一侧车轮转轴上，与线阵摄像机和工控机连接，车轮编码器在列车运行时，对车轮转动角度编码用于列车行驶里程计数，并产生脉冲触发信号控制线阵摄像机对扣件区域扫描成像；所述RFID探测器固定于车体下方，与工控机连接，通过探测铁轨上的RFID标签，用于里程计数和里程修正；所述工控机位于车厢内，同时与线阵摄像机、车轮编码器、RFID探测器连接，用于里程计数、里程修正，采集、存储和处理线阵摄像机图像，并且采用深度学习分类方法用于铁轨扣件异常检测。
所述点光源阵列投射光斑到扣件，可对扣件不同位置处的高度信息进行调制，线阵摄像机成像区域穿过点光源照射区域，在线阵摄像机成像区域内、不同高度的扣件部段在线阵成像中位置不同，以此实现采用线阵摄像获取扣件形状信息。
优选地，在点光源阵列的每一个圆形光束前放置一个圆柱镜，圆柱镜的轴线与光轴垂直，将圆形光束调制为椭圆形光条；使n个圆形光束前圆柱镜的轴线共线、且与铁轨垂直，以产生n条长轴平行的椭圆形光条，增大点光源阵列在扣件上照射宽度，椭圆形光条在扣件基座处的长度为5～10毫米。
优选地，点光源阵列采用波长范围为800～1000纳米的窄带近红外光源，并且在线阵摄像机前端设置与点光源阵列相同波长的窄带滤光片。
所述基于深度学习分类的方法检测扣件是否异常的具体流程是：
步骤1.1：图像预处理，根据记录的列车里程信息，从线阵图像中分割出扣件区域，并采用阈值T对图像进行二值化，将扣件区域灰度图像转化成二值图像，T的取值范围为：1～255；
步骤1.2：根据扣件类型，选择与该扣件类型对应的已经训练完成的深度学习分类模型，输入步骤1.1中的预处理图像，根据分类模型结果判断扣件是否出现异常，以及具体异常类型。
所述训练深度学习分类模型的具体流程是：
步骤1.2.1：采集图像，针对一种具体类型扣件，拍摄大量该扣件处于正常以及不同异常情况下的图像，每种情况下的图像数量N取值范围为5000～10000；
步骤1.2.2：图像预处理，根据记录的列车里程信息，从采集的线阵图像中分割出扣件区域，并采用阈值T对图像进行二值化，将扣件区域灰度图像转化成二值图像，T的取值范围为：1～255；
步骤1.2.3：构造数据集，对不同异常情况的扣件二值图像进行标记；
步骤1.2.4：构造深度卷积神经网络CNN分类模型，CNN分类模型包括七层，分别为输入层、卷积层、子采样层、卷积层、子采样层、全连接层和输出层，输入层是步骤1.2.3所构造的数据集，输出层是不同异常情况对应的概率值；
步骤1.2.5：训练模型，利用步骤1.2.3中的数据集对深度卷积神经网络CNN分类模型进行训练，一旦训练完成，CNN分类模型可用于后续该种类型扣件异常情况的快速判断。
本发明有益效果：与现有技术相比，特别是与专利2011100073637.X、201410667430.9相比，本发明优点是：1)用点光源阵列代替专利2011100073637.X、201410667430.9中的多线结构光，简化光源系统，点光源能量集中，可采用低功率激光器，降低发热量，提高设备可靠性；2)采用线阵摄像机代替专利2011100073637.X、201410667430.9中的面阵摄像机，线阵摄像机成像分辨率高、数据量小，而且通过点光源和线阵摄像机成像区域跟随列车的运动，对扣件区域的形状进行调制成像，可实现与专利2011100073637.X、201410667430.9等同的成像效果；并且，当列车行驶速度为：300Km/h时，以1毫米1个像素进行成像，线阵成像行频为：83KHz，现有线阵摄像机行频一般在150KHz以内、成像分辨率可达1K～2K，相同性能的面阵摄像机成像分辨率为100万～400万像素，帧率为300～700fps，价格远高于线阵摄像机；因此，与专利2011100073637.X、201410667430.9相比，本发明成本更低，并且图像数据量小，数据传输、存储和处理量小、要求低；3)专利2011100073637.X、201410667430.9采用面阵摄像机成像，面阵摄像机存在两个方向上的透射变形，当摄像机和扣件位置未对齐时，拍摄扣件存在着图像尺寸差异，不利于后期数据处理和分析，本发明采用车轮编码器驱动线阵摄像机沿列车运行方向对扣件区域进行扫描成像，所拍摄对象具有相同尺寸，有利于后期图像数据处理与分析；4)本发明使用基于深度学习的扣件异常检测方法，可提升扣件异常识别的鲁邦性，相比专利2011100073637.X、Z.201410667430.9中提出的图像处理算法只适用于W型扣件不同，本发明处理算法可用于多种不同类型的扣件的异常检测，具有普适性，更具推广价值。
附图说明
图1是扣件示意图；
其中，(a)是W型弹条扣件，(b)是DZⅢ型扣件；
图2是DZⅢ型扣件缺陷示意图；
其中，(a)是弹条缺失、(b)是弹条半脱落、(c)是垫片脱落；
图3是本发明实施例1检测系统组成示意图；
图4是本发明点光源阵列照明及线阵摄像机成像示意图；
图5是本发明点光源阵列高度调制成像示意图；
图6是本发明检测系统拍摄DZⅢ型扣件样本效果图；
其中，(a)是正常扣件，(b)扣件弹条缺失，(c)是扣件垫片缺失；
图7是本发明实施例3点光源阵列示意图；
图8是本发明实施例4检测系统组成示意图；
图中，1为点光源阵列，2为线阵摄像机，3为车轮编码器，4为RFID探测器，5为工控机，6为扣件，7为铁轨，8为车厢，9为点光源阵列投射光斑，10为线阵摄像机成像区域，11为实施例3点光源阵列投射的椭圆形光斑。
具体实施方式
下面结合附图和具体实施对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1：
如图3所示，一种基于点光源阵列线阵成像的铁轨扣件异常检测系统，由4个点光源阵列(1)、4台线阵摄像机(2)、2个车轮编码器(3-1、3-2)、1个RFID探测器(4)和1台工控机(5)组成。
其中，4个点光源阵列(1-1、1-2、1-3、1-4)分别位于4个扣件(6-1、6-2、6-3、6-4)区域正上方，点光源阵列中圆形光束数量为10，10个圆形光束等间距布置成一字形，向扣件区域投射一字形光斑阵列，一字形光斑平面与铁轨垂直，圆形光束在扣件基座处投射光斑的直径为5mm，4台线阵摄像机(2-1、2-2、2-3、2-4)分别位于4个扣件(6-1、6-2、6-3、6-4)的斜上方，线阵摄像机光轴与点光源阵列的投射方向成夹角a，a＝45度，线阵摄像机的成像切片与点光源阵列一字形光斑平面重叠，线阵摄像机分辨率为2048像素，行频为110KHz，接口为CameraLink；2个车轮编码器(3-1、3-2)分别固定在左右两侧车轮转轴上，对两侧车轮转动角度编码并产生脉冲触发信号，脉冲产生间距为1毫米，即列车行驶1毫米产生一个脉冲信号；左侧车轮编码器(3-1)与左侧两台线阵摄像机(2-1、2-2)连接，左侧2台线阵摄像机(2-1、2-2)根据车轮编码器(3-1)产生的脉冲信号进行扫描成像；右侧车轮编码器(3-2)与右侧两台线阵摄像机(2-3、2-4)连接，右侧2台线阵摄像机(2-3、2-4)根据右侧车轮编码器(3-2)产生的脉冲信号进行扫描成像；工控机(5)位于车厢(8)内；左右两侧车轮编码器(3-1、3-2)同时与工控机(5)连接，工控机(5)接受两侧车轮编码器的角度信息，进行左右两侧里程计数；RFID探测器位于车体底部，用于探测铁道上的RFID标签，用于列车行驶里程计数和校准；工控机与4台线阵摄像机连接，对线阵摄像机拍摄图像进行存储和处理，采用基于深度学习分类方法检测扣件是否异常。
如图4所示，线阵摄像机的成像区域(10)穿过由光斑(9)构成的一字形光斑阵列，在线阵摄像机(2)成像区域(10)内、不同高度的扣件(6)部段在线阵成像中位置不同，以此对扣件(6)形状调制成像。如图5所示，点光源阵列投射的光斑在不同高度情况下，在线阵摄像机成像面X处所成像不重叠，在图5中，A和B是同一光束投射光斑在不同高度时的位置，A’和B’是位置A和B处光斑在线阵摄像机中所成的像，O是成像焦点。因此，通过线阵成像扫描，即可对扣件不同高度进行进行调制成像。图6给出了本发明装置拍摄扣件样本图像，其中图6(a)是DZⅢ型扣件正常样本图像，图6(b)是DZⅢ型扣件弹条缺失样本图像，图6(c)是DZⅢ型扣件垫片缺失样本图像，从这些图像可以看出，不同扣件形状表现出的点光源阵列线阵扫描线条形状是不同的，这些线条形状可用于扣件异常检测。
基于深度学习分类的方法检测扣件是否异常的具体流程是：
步骤1.1：图像预处理，根据记录的列车里程信息，从采集的线阵图像中分割出扣件区域，并采用阈值T对图像进行二值化，将扣件区域灰度图像转化成二值图像，T的取值为150；
步骤1.2：根据扣件类型，选择与该扣件类型对应的已经训练完成的深度学习分类模型，输入步骤1.1中的预处理图像，根据分类模型结果判断扣件是否出现异常，以及具体异常类型。
训练深度学习分类模型的具体流程是：
步骤1.2.1：采集图像，针对一种具体类型扣件，拍摄大量该扣件处于正常以及不同异常情况下的图像，每种情况下的图像数量N取值为10000；
步骤1.2.2：图像预处理，根据记录的列车里程信息，从采集的线阵图像中分割出扣件区域，并采用阈值T对图像进行二值化，将扣件区域灰度图像转化成二值图像，T的取值为150；
步骤1.2.3：构造数据集，对不同异常情况的扣件二值图像进行标记；
步骤1.2.4：构造深度卷积神经网络CNN分类模型，CNN分类模型包括七层，分别为输入层、卷积层、子采样层、卷积层、子采样层、全连接层和输出层，输入层是步骤1.2.3所构造的数据集，输出层是不同异常情况对应的概率值；
步骤1.2.5：训练模型，利用步骤1.2.3中的数据集对深度卷积神经网络CNN分类模型进行训练，一旦训练完成，CNN分类模型可用于后续该种类型扣件异常情况的快速判断。
常见的扣件包括W型弹条扣件和DZ型扣件，以DZ型扣件为例，常见3种异常情况为：弹条缺失、垫片缺失、弹条松动等。
训练深度学习卷积神经网络CNN分类模型用于判断DZ型扣件的异常情况，采集DZ型扣件正常情况以及3种异常情况下的图像各5000张，利用步骤1.2.2进行预处理，将四种状态下的图像分别标记为1、2、3、4，得到CNN分类模型的数据集，并利用该数据集对CNN分类模型进行训练。
训练完成后，对于新拍摄的Z型扣件图片，可快速通过该模型检测扣件异常情况。
实施例2：
与实施例1不同之处在于，点光源阵列1采用10个850纳米波长窄带激光器按一字形排列构成点光源阵列，并在线阵摄像机前端安置850纳米窄带滤光片，为消除环境光干扰。
实施例3：
与实施例2不同之处在于，为增加点光源阵列照射区域宽度，在点光源阵列投射的圆形光束前端设置圆柱镜，如图7所示，将圆形光束调制为椭圆形光斑(11)，椭圆形光斑在扣件基座处的长轴为20mm、短轴为1mm。
实施例4：
与实施例3不同之处在于，如图8所示，将铁轨两侧的点光源阵列的照射范围合并，采用一个可同时照射铁轨两侧扣件区域的点光源阵列(1-5、1-6)，用于铁轨两侧扣件区域形状调制照明。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应该被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (5)
1.一种基于点光源阵列线阵成像的铁轨扣件异常检测系统，其特征在于：由点光源阵列、线阵摄像机、车轮编码器、RFID探测器和工控机组成；所述点光源阵列和线阵摄像机均置于列车底部；所述点光源阵列位于扣件正上方，点光源阵列可产生n个相同投射方向、光轴平行且共面的圆形光束，n个圆形光束呈一字形排列且n个圆形光束构成的平面与铁轨垂直，n的取值范围为1～100，n个圆形光束投射到扣件区域产生n个光斑，光斑直径为d毫米，d的取值范围为0.1～5；所述线阵摄像机位于扣件正上方，线阵摄像机成像切片与点光源阵列投射的一字形光斑平面共面，线阵摄像机光轴与点光源阵列投射方向成30～65度夹角；所述车轮编码器固定于一侧车轮转轴上，与线阵摄像机和工控机连接，车轮编码器在列车运行时，对车轮转动角度编码用于列车行驶里程计数，并产生脉冲触发信号控制线阵摄像机对扣件区域扫描成像；所述RFID探测器固定于车体下方，与工控机连接，通过探测铁轨上的RFID标签，用于里程计数和里程修正；所述工控机位于车厢内，同时与线阵摄像机、车轮编码器、RFID探测器连接，用于里程计数、里程修正，采集、存储和处理线阵摄像机图像，并且采用深度学习分类方法用于铁轨扣件异常检测。
2.根据权利要求1所述的基于点光源阵列线阵成像的铁轨扣件异常检测系统，其特征在于：在点光源阵列的每一个圆形光束前放置一个圆柱镜，圆柱镜的轴线与圆形光束的光轴垂直，将圆形光束调制为椭圆形光条；使n个圆形光束前圆柱镜的轴线共线、且与铁轨垂直，以产生n条长轴平行的椭圆形光条，增大点光源阵列在扣件上照射宽度，椭圆形光条在扣件基座处的长度为5～10毫米。
3.根据权利要求1和2所述的基于点光源阵列线阵成像的铁轨扣件异常检测系统，其特征在于：点光源阵列采用波长范围为800～1000纳米的窄带近红外光源，并且在线阵摄像机前端设置与点光源阵列相同波长的窄带滤光片，以滤除环境光。
4.根据权利要求1所述的基于点光源阵列线阵成像的铁轨扣件异常检测系统，其特征在于：所述基于深度学习分类的扣件异常检测流程是：
步骤1.1：图像预处理，根据记录的列车里程信息，从线阵图像中分割出扣件区域，并采用阈值T对图像进行二值化，将扣件区域灰度图像转化成二值图像，T的取值范围为：1～255；
步骤1.2：根据扣件类型，选择与该扣件类型对应的已经训练完成的深度学习分类模型，输入步骤1.1中的预处理图像，根据分类模型结果判断扣件是否出现异常，以及具体异常类型。
5.根据权利要求4所述的基于点光源阵列线阵成像的铁轨扣件异常检测系统，其特征在于：所述训练深度学习分类模型的具体流程是：
步骤1.2.1：采集图像，针对一种具体类型扣件，拍摄大量该扣件处于正常以及不同异常情况下的图像，每种情况下的图像数量N取值范围为5000～10000；
步骤1.2.2：图像预处理，根据记录的列车里程信息，从采集的线阵图像中分割出扣件区域，并采用阈值T对图像进行二值化，将扣件区域灰度图像转化成二值图像，T的取值范围为：1～255；
步骤1.2.3：构造数据集，对不同异常情况的扣件二值图像进行标记；
步骤1.2.4：构造深度卷积神经网络CNN分类模型，CNN分类模型包括七层，分别为输入层、卷积层、子采样层、卷积层、子采样层、全连接层和输出层，输入层是步骤1.2.3所构造的数据集，输出层是不同异常情况对应的概率值；
步骤1.2.5：训练模型，利用步骤1.2.3中的数据集对深度卷积神经网络CNN分类模型进行训练，一旦训练完成，CNN分类模型可用于后续该种类型扣件异常情况的快速判断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710949493.7A CN107505334A (zh) | 2017-10-13 | 2017-10-13 | 一种基于点光源阵列线阵成像的铁轨扣件异常检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710949493.7A CN107505334A (zh) | 2017-10-13 | 2017-10-13 | 一种基于点光源阵列线阵成像的铁轨扣件异常检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107505334A true CN107505334A (zh) | 2017-12-22 |
Family
ID=60700735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710949493.7A Pending CN107505334A (zh) | 2017-10-13 | 2017-10-13 | 一种基于点光源阵列线阵成像的铁轨扣件异常检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107505334A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108058721A (zh) * | 2018-01-26 | 2018-05-22 | 北京市劳动保护科学研究所 | 一种钢轨扣件松脱状态检测方法和系统 |
| CN108537262A (zh) * | 2018-03-29 | 2018-09-14 | 北京航空航天大学 | 一种基于多层神经网络的铁轨扣件异常检测方法 |
| CN108596968A (zh) * | 2018-04-02 | 2018-09-28 | 成都精工华耀科技有限公司 | 一种基于轨道3d深度图像的轨枕计数方法 |
| CN108648171A (zh) * | 2018-04-02 | 2018-10-12 | 成都精工华耀科技有限公司 | 一种采用线阵图像二值化区域投影的轨枕定位及计数方法 |
| CN108827982A (zh) * | 2018-06-27 | 2018-11-16 | 重庆大学 | 基于深度学习的跨座式单轨轨道梁指型板缺陷检测方法及系统 |
| CN108846824A (zh) * | 2018-04-02 | 2018-11-20 | 成都精工华耀科技有限公司 | 一种基于梯度投影的线阵扫描图像轨枕定位及计数方法 |
| CN109142382A (zh) * | 2018-10-12 | 2019-01-04 | 成都精工华耀科技有限公司 | 一种轨道可视化巡检二维与三维融合成像系统 |
| CN109187560A (zh) * | 2018-10-12 | 2019-01-11 | 成都精工华耀科技有限公司 | 一种低功耗轨道二维与三维融合成像系统 |
| CN109283186A (zh) * | 2018-10-12 | 2019-01-29 | 成都精工华耀科技有限公司 | 一种轨道可视化巡检双光谱二维与三维融合成像系统 |
| CN109521030A (zh) * | 2018-10-12 | 2019-03-26 | 成都精工华耀科技有限公司 | 一种轨道可视化巡检rgbd成像系统 |
| CN109636789A (zh) * | 2018-12-13 | 2019-04-16 | 银河水滴科技（北京）有限公司 | 基于图像分割的轨道扣件的零件缺失检测方法及装置 |
| CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
| CN110264440A (zh) * | 2019-05-10 | 2019-09-20 | 湖南大学 | 基于深度学习的大规模列车移位故障检测方法及系统 |
| CN110567397A (zh) * | 2018-06-05 | 2019-12-13 | 成都精工华耀科技有限公司 | 一种扣件弹舌离缝检测方法 |
| CN110954758A (zh) * | 2018-09-26 | 2020-04-03 | 珠海格力电器股份有限公司 | 电器的故障确定方法及装置 |
| CN111815605A (zh) * | 2020-07-09 | 2020-10-23 | 成都协创信和科技有限公司 | 基于分步深度学习的轨枕缺陷检测方法及存储介质 |
| CN115593462A (zh) * | 2022-10-17 | 2023-01-13 | 哈尔滨市科佳通用机电股份有限公司（Cn） | 一种地铁轨道几何形位参数动态检测系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102221553A (zh) * | 2011-03-25 | 2011-10-19 | 上海交通大学 | 基于结构光的铁路扣件高速探测系统与方法 |
| CN102607428A (zh) * | 2012-03-30 | 2012-07-25 | 中国科学院长春光学精密机械与物理研究所 | 基于微光学阵列元件的二维位移测量装置 |
| CN203344964U (zh) * | 2013-06-29 | 2013-12-18 | 苏州华兴致远电子科技有限公司 | 列车底部图像采集设备及列车底部零部件异常检测系统 |
| CN104359921A (zh) * | 2014-11-20 | 2015-02-18 | 中南大学 | 一种基于结构光的扣件缺失检测方法及其装置 |
| CN105699381A (zh) * | 2016-03-28 | 2016-06-22 | 成都唐源电气有限责任公司 | 一种基于机器视觉的铁轨扣件检测装置 |
| CN207946369U (zh) * | 2017-10-13 | 2018-10-09 | 成都精工华耀科技有限公司 | 一种基于点光源阵列线阵成像的铁轨扣件异常检测装置 |
-
2017
- 2017-10-13 CN CN201710949493.7A patent/CN107505334A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102221553A (zh) * | 2011-03-25 | 2011-10-19 | 上海交通大学 | 基于结构光的铁路扣件高速探测系统与方法 |
| CN102607428A (zh) * | 2012-03-30 | 2012-07-25 | 中国科学院长春光学精密机械与物理研究所 | 基于微光学阵列元件的二维位移测量装置 |
| CN203344964U (zh) * | 2013-06-29 | 2013-12-18 | 苏州华兴致远电子科技有限公司 | 列车底部图像采集设备及列车底部零部件异常检测系统 |
| CN104359921A (zh) * | 2014-11-20 | 2015-02-18 | 中南大学 | 一种基于结构光的扣件缺失检测方法及其装置 |
| CN105699381A (zh) * | 2016-03-28 | 2016-06-22 | 成都唐源电气有限责任公司 | 一种基于机器视觉的铁轨扣件检测装置 |
| CN207946369U (zh) * | 2017-10-13 | 2018-10-09 | 成都精工华耀科技有限公司 | 一种基于点光源阵列线阵成像的铁轨扣件异常检测装置 |
Non-Patent Citations (1)
| Title |
|---|
| 赵鑫欣: "基于基于卷积神经网络的铁轨扣件异常状态检测研究", 《基于基于卷积神经网络的铁轨扣件异常状态检测研究》 * |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108058721B (zh) * | 2018-01-26 | 2019-07-23 | 北京市劳动保护科学研究所 | 一种钢轨扣件松脱状态检测方法和系统 |
| CN108058721A (zh) * | 2018-01-26 | 2018-05-22 | 北京市劳动保护科学研究所 | 一种钢轨扣件松脱状态检测方法和系统 |
| CN108537262A (zh) * | 2018-03-29 | 2018-09-14 | 北京航空航天大学 | 一种基于多层神经网络的铁轨扣件异常检测方法 |
| CN108596968A (zh) * | 2018-04-02 | 2018-09-28 | 成都精工华耀科技有限公司 | 一种基于轨道3d深度图像的轨枕计数方法 |
| CN108648171A (zh) * | 2018-04-02 | 2018-10-12 | 成都精工华耀科技有限公司 | 一种采用线阵图像二值化区域投影的轨枕定位及计数方法 |
| CN108846824A (zh) * | 2018-04-02 | 2018-11-20 | 成都精工华耀科技有限公司 | 一种基于梯度投影的线阵扫描图像轨枕定位及计数方法 |
| CN108846824B (zh) * | 2018-04-02 | 2022-05-17 | 成都精工华耀科技有限公司 | 一种基于梯度投影的线阵扫描图像轨枕定位及计数方法 |
| CN108596968B (zh) * | 2018-04-02 | 2022-04-19 | 成都精工华耀科技有限公司 | 一种基于轨道3d深度图像的轨枕计数方法 |
| CN110567397A (zh) * | 2018-06-05 | 2019-12-13 | 成都精工华耀科技有限公司 | 一种扣件弹舌离缝检测方法 |
| CN108827982A (zh) * | 2018-06-27 | 2018-11-16 | 重庆大学 | 基于深度学习的跨座式单轨轨道梁指型板缺陷检测方法及系统 |
| CN108827982B (zh) * | 2018-06-27 | 2020-12-25 | 重庆大学 | 基于深度学习的跨座式单轨轨道梁指型板缺陷检测方法及系统 |
| CN110954758A (zh) * | 2018-09-26 | 2020-04-03 | 珠海格力电器股份有限公司 | 电器的故障确定方法及装置 |
| CN109521030A (zh) * | 2018-10-12 | 2019-03-26 | 成都精工华耀科技有限公司 | 一种轨道可视化巡检rgbd成像系统 |
| CN109283186A (zh) * | 2018-10-12 | 2019-01-29 | 成都精工华耀科技有限公司 | 一种轨道可视化巡检双光谱二维与三维融合成像系统 |
| CN109187560A (zh) * | 2018-10-12 | 2019-01-11 | 成都精工华耀科技有限公司 | 一种低功耗轨道二维与三维融合成像系统 |
| CN109142382A (zh) * | 2018-10-12 | 2019-01-04 | 成都精工华耀科技有限公司 | 一种轨道可视化巡检二维与三维融合成像系统 |
| CN109636789A (zh) * | 2018-12-13 | 2019-04-16 | 银河水滴科技（北京）有限公司 | 基于图像分割的轨道扣件的零件缺失检测方法及装置 |
| CN110264440A (zh) * | 2019-05-10 | 2019-09-20 | 湖南大学 | 基于深度学习的大规模列车移位故障检测方法及系统 |
| CN110264440B (zh) * | 2019-05-10 | 2023-01-17 | 湖南大学 | 基于深度学习的大规模列车移位故障检测方法及系统 |
| CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
| CN111815605A (zh) * | 2020-07-09 | 2020-10-23 | 成都协创信和科技有限公司 | 基于分步深度学习的轨枕缺陷检测方法及存储介质 |
| CN111815605B (zh) * | 2020-07-09 | 2021-08-17 | 成都运达科技股份有限公司 | 基于分步深度学习的轨枕缺陷检测方法及存储介质 |
| CN115593462A (zh) * | 2022-10-17 | 2023-01-13 | 哈尔滨市科佳通用机电股份有限公司（Cn） | 一种地铁轨道几何形位参数动态检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107505334A (zh) | 一种基于点光源阵列线阵成像的铁轨扣件异常检测系统 | |
| CN207946369U (zh) | 一种基于点光源阵列线阵成像的铁轨扣件异常检测装置 | |
| Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
| CN103714363B (zh) | 一种机动车尾气烟度视频识别系统 | |
| CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测系统 | |
| CN104809437B (zh) | 一种基于实时视频的车辆检测与跟踪方法 | |
| CN101666716B (zh) | 铁路机车车辆运行姿态测量方法 | |
| CN102842034B (zh) | 一种激光扫描与自动识别雕刻字符的装置及识别方法 | |
| CN109242035B (zh) | 车底故障检测装置及方法 | |
| CN103832433A (zh) | 车道偏离及前车防碰撞报警系统及其实现方法 | |
| DE2018882A1 (de) | Etikettenleser mit Einrichtungen zum Erkennen, Erfassen und Lesen von nicht lesegerecht ausgerichteten Etiketten | |
| CN107895482A (zh) | 基于毫米波雷达与激光雷达的交通情况调查装置及方法 | |
| CN208476818U (zh) | 轨道交通机车车辆的污染度检测系统及洗车系统 | |
| CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
| CN109871752A (zh) | 一种基于监控视频检测车流提取车道线的方法 | |
| CN108827982B (zh) | 基于深度学习的跨座式单轨轨道梁指型板缺陷检测方法及系统 | |
| CN113788051A (zh) | 列车在站运行状态监测分析系统 | |
| CN111723706A (zh) | 基于树莓派的厢式货车厢门开度监控装置及系统 | |
| CN112969025A (zh) | 图像采集方法、装置、处理模块、系统及存储介质 | |
| CN112466121A (zh) | 一种基于视频的测速方法 | |
| CN117409039A (zh) | 一种基于虚拟点跟踪网络的轮轨相对位移计算方法 | |
| CN107621229A (zh) | 基于面阵黑白相机的实时铁路轨道宽度测量系统及方法 | |
| CN112735164A (zh) | 测试数据构建方法及测试方法 | |
| CN112066882A (zh) | 接触网的检测装置、系统及方法 | |
| CN114743166A (zh) | 一种铁路货车的制动机检测方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 610021 Longquanyi Jingkai District, Chengdu City, Sichuan Province, 309 Dingfeng Power Port, 12 buildings, 7 units 501 Applicant after: CHENGDU JINGGONG HUAYAO TECHNOLOGY Co.,Ltd. Address before: 610021 Longquanyi Jingkai District, Chengdu City, Sichuan Province, 309 Dingfeng Power Port, 12 buildings, 7 units 501 Applicant before: CHENGDU JINGGONG HUAYAO MACHINERY MANUFACTURING CO.,LTD. |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171222 |