CN107766886A - 高速铁路钢轨扣件弹条疲劳断口自动识别方法 - Google Patents
高速铁路钢轨扣件弹条疲劳断口自动识别方法 Download PDFInfo
- Publication number
- CN107766886A CN107766886A CN201710986557.0A CN201710986557A CN107766886A CN 107766886 A CN107766886 A CN 107766886A CN 201710986557 A CN201710986557 A CN 201710986557A CN 107766886 A CN107766886 A CN 107766886A
- Authority
- CN
- China
- Prior art keywords
- image
- rail fastening
- fastening spring
- speed railway
- fatigue fracture
- 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
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
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01B—PERMANENT WAY; PERMANENT-WAY TOOLS; MACHINES FOR MAKING RAILWAYS OF ALL KINDS
- E01B35/00—Applications of measuring apparatus or devices for track-building purposes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高速铁路钢轨扣件弹条疲劳断口自动识别方法,包括以下步骤:获取高速铁路钢轨扣件弹条图像,并对钢轨扣件弹条图像进行预处理;对钢轨扣件弹条图像进行易断区域定位;利用SVM分类识别器对易断区域图像进行扣件弹条疲劳断口自动识别。本发明用于快速准确的高速铁路钢轨扣件疲劳断口自动识别处理,解决了人工检测带来的人力物力的浪费,并且在很大程度上保证了检测的效率。
Description
技术领域
本发明涉及高速铁路钢轨扣件设备的健康状况检测方法,具体地指一 种用于检测高速铁路钢轨扣件弹条疲劳断口的自动识别方法。
背景技术
高速铁路具有运行速度高、运输能力大、安全性能好、舒适度高、环 境污染小等一系列的优势,在我国交通运输中发挥着巨大的作用,缩短了 城市之间的时间距离,极大地方便了人们的出行,节省旅行时间。预计到 2015年底,中国累计开通运营的高速铁路里程将达到21183公里,居世界 各国之首。安全运营是高铁成功的前提,扣件弹条是与高速列车直接相互 作用的重要设施,扣件弹条疲劳断口、失效严重影响高速列车安全运营。
目前,高速铁路规模越来越大,对高铁运营安全要求极高。近年来, 随着高速铁路的不断运营,扣件弹条出现疲劳断口甚至失效的情况陆续出 现,严重威胁着行车安全。而我国大部分高速铁路轨道扣件弹条巡检方法 都只针对弹条断裂或破损严重情况,缺乏快速检测扣件弹条疲劳断口(裂 缝)的有效方法,对弹条表面裂缝的实时检测能有效防止潜在危险的发生, 因此急需具有快速、准确的扣件弹条疲劳断口快速分析与检测方法,提高扣件弹条健康状况检测的精度和效率。
发明内容
本发明就是针对现有技术的不足,提供一种快速准确的高速铁路钢轨 扣件弹条疲劳断口自动识别方法。
为了实现上述目的,本发明所设计的一种高速铁路钢轨扣件弹条疲劳 断口自动识别方法,其特征在于:包括以下步骤,
S1获取高速铁路钢轨扣件弹条图像,并对钢轨扣件弹条图像进行预处 理;
S2对钢轨扣件弹条图像进行易断区域定位;
S3对易断区域图像进行扣件弹条疲劳断口自动识别。
进一步地,钢轨扣件弹条图像的预处理具体过程如下:
S1-1输入待识别钢轨扣件弹条图像;
S1-2对钢轨扣件弹条图像去噪:对输入钢轨扣件弹条图像采取3×3 模板的中值滤波;
S1-3对中值滤波后的图像灰度化;
S1-4图像增强:采用Gamma校正图像增强方法对图像进行对比度拉 伸。
更进一步地,步骤s2中首先利用霍夫圆检测定位圆型螺母,再由圆型 螺母定位易断区域。
再进一步地,步骤s3的具体过程如下:
S3-1对易断区域图像进行图像分割、干扰剔除、裂缝连接,以得到仅 包含弹条裂缝的二值化图像;
S3-2对易断区域图形进行特征提取,提供SVM分类识别器,对特征提 取后的图像进行裂缝提取。
再进一步地,所述步骤s3-1的具体过程如下:
S3-11对易断区域图像采取相位一致性算法进行分割;
S3-12对分割后的图像进行非极大值抑制,并进行二值化分割;
S3-13对二值化分割后的图像进行长宽比等限制条件的干扰剔除;
S3-14利用改进的适用于连接垂直线性结构的区域生长方法对因图像 分割失误而造成断裂的裂缝进行连接;
S3-15再次利用长宽比等限制条件进行最后一次剔除干扰。
再进一步地,设I是二值化分割后图像,h与w是每个连通区域的高度 与宽度,Area是连通区域中像素点个数,C1,C2是每个连通区域的质心,m,n 表示连通区域的左上角坐标,则步骤s3-13的干扰剔除包括:
(1)用于滤除横向边缘;
(2)用于滤除扣件弹条 的边界;
(3){Area<5}∩{C1>200}∪{C1<30}∪{C2>70}∪{C2<20},用于滤除 分布在图像四周边界处的噪声;
(4){E.Area=Area}∩{Area<5},用于滤除由二值化分割来的小噪声。
再进一步地,所述步骤S3-14的具体过程如下:
(1)通过遍历每个点的八个邻域来查找图像中的所有端点,端点数为 num;
(2)计算每个端点的梯度幅值和方向
(3)计算每个端点8个邻域点的梯度幅值Tmag(i,k),i={1,2,...,8}和方向 Talpha(i,k),i={1,2,...,8},并计算邻域点的梯度幅值与方向的方差;
(4)计算每个端点的8个邻域点的隶属度,由M(x)表示隶属度,定义如 下:
Mmag(i,k)=exp(-mag(k)·(Tmag(i,k)-amag(k))2),
Malpha(i,k)=exp(-alpha(k)·(Talpha(i,k)-aalpha(k))2),
M(i,k)=0.4Mmag(i,k)+0.6Malpha(i,k),
其中mag(k)是某一点的邻域点梯度幅值方差,alpha(k)是该点的邻域点梯度 方向方差;
(5)根据隶属程度来扩展边缘,即具有最大隶属度的点将被扩展,但是 扩展遵循不向水平扩展的法则。
再进一步地,所述步骤S3-15的具体过程如下:
(1)Area<3,用于剔除小噪声;
(2)用于剔除裂缝周围的横向噪声;
(3){C1>200}∪{C1<20}∪{C2<15}∪{C2>65},用于剔除图像边界处的噪 声,以保证提取的特征矩阵是稀疏的。
再进一步地,所述步骤S3-2的具体过程如下:
S3-21将步骤s3-1处理得到的图像进行垂直投影,再将左右两边的易断 裂区域图像合并得到一个行向量,作为特征向量;
S3-22利用分类识别器对待识别弹条图像进行裂缝提取。
再进一步地,所述SVM分类识别器的制作过程如下:
分别选取两个一定数量的样本图像集作为训练集和测试集,两个图像 集中都包括有裂缝图像和无裂缝图像,提取训练集中所有图像的特征矩阵 输入SVM分类器进行训练,得到分类识别器。
本发明的优点在于:
能够准确检测出输入弹条图像是否存在裂缝,将高速铁路潜在危险降 到最低,弥补了现阶段国内对于弹条疲劳断口检测的空白。高速铁路钢轨 扣件弹条疲劳断口自动识别方法克服了人工检测带来的人力物力浪费,并 且显著提高了检测效率。
附图说明
图1为本发明高速铁路钢轨扣件弹条疲劳断口自动识别方法的流程框 图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体 实施例对本发明作进一步的详细描述。
将本发明用于弹条裂缝识别,其具体步骤如下:
S1:图像预处理过程:
S1-1:输入待识别图像。其中待识别图像是由自动控制工业相机拍照, 实时获取得到的真实图像,如图1。
S1-2:图像去噪:对输入图像采取3×3模板的中值滤波,保留裂缝细 节的同时去除图像中的散点噪声。
S1-3:图像灰度化:相机采集的图像是24位真彩图,需要转化为灰度 图以进行后续处理。
S1-4:图像增强:采用Gamma校正图像增强方法对图像进行对比度拉 伸,以提高后续圆检测的准确率。
S2:易断裂区域定位过程:
S2-1:定位圆型螺母:由于扣件弹条上的圆型螺母具有很强的形状特征 并且圆具有很好的旋转不变性,更重要的是通过对图像集的观察,发现圆 型螺母与易产生断裂区域的位置相对不变,因此首先采用霍夫圆检测定位 扣件弹条上的圆型螺母,为保证检测效果,在霍夫圆检测前先进行canny 检测,再对二值化图像进行霍夫圆检测。
S2-2:根据弹条上圆型螺母与易发生断裂区域的位置不变性提取裂缝区 域。
S3:图像分割及后处理过程:
S3-1:图像分割:对易断裂区域图像采取相位一致性算法分割;
S3-2:图像后处理:先对分割后的图像进行非极大值抑制,先取初始阈 值对图像进行分割,根据SVM分类器的实验结果确定最佳阈值,再次利用 最佳阈值对图像进行二值化分割,分割后进行第一次长宽比等限制条件的 干扰剔除步骤,设I是二值化分割后图像,h与w是每个连通区域的高度与 宽度,Area是连通区域中像素点个数,C1,C2是每个连通区域的质心,m,n表 示连通区域的左上角坐标,限制条件如下:
(1)用于滤除横向边缘;
(2)用于滤除扣件弹条 的边界;
(3){Area<5}∩{C1>200}∪{C1<30}∪{C2>70}∪{C2<20},用于滤除 分布在图像四周边界处的噪声;
(4){E.Area=Area}∩{Area<5},用于滤除由二值化分割来的小噪声。
再利用改进的适用于连接垂直线性结构的区域生长方法对因图像分割 失误而造成断裂的裂缝进行连接,方法如下:
(1)通过遍历每个点的八个邻域来查找图像中的所有端点,端点数为 num;
(2)计算每个端点的梯度幅值.和方向
(3)计算每个端点8个邻域点的梯度幅值Tmag(i,k),i={1,2,...,8}和方向 Talpha(i,k),i={1,2,...,8},并计算邻域点的梯度幅值与方向的方差;
(4)计算每个端点的8个邻域点的隶属度,由M(x)表示隶属度,定义如 下:
Mmag(i,k)=exp(-mag(k)·(Tmag(i,k)-amag(k))2),
Malpha(i,k)=exp(-alpha(k)·(Talpha(i,k)-aalpha(k))2),
M(i,k)=0.4Mmag(i,k)+0.6Malpha(i,k),
其中mag(k)是某一点的邻域点梯度幅值方差,alpha(k)是该点的邻域点梯度 方向方差;
(5)根据隶属程度来扩展边缘,即具有最大隶属度的点将被扩展,但是 扩展遵循不向水平扩展的法则。
再次利用长宽比等限制条件进行最后一次剔除干扰过程:
(1)Area<3,用于剔除小噪声;
(2)用于剔除裂缝周围的横向噪声;
(3){C1>200}∪{C1<20}∪{C2<15}∪{C2>65},用于剔除图像边界处的噪 声,以保证提取的特征矩阵是稀疏的。
S4:特征提取与SVM分类模块:
S4-1:特征提取过程:基于对图像集的观察得到裂缝有垂直的特征,因此 对上述图像处理过程后得到的左右二值化图像分别进行垂直投影,将左图 像和右图像的垂直投影行向量连接得到合并的投影行向量,以此合并后的 投影行向量作为特征向量。
S4-2:SVM分类过程:分别选取了两个750张样本图像集作为训练集和 测试集,两个图像集中都包括385张有裂缝图像和365张无裂缝图像,提 取训练集中所有图像的特征矩阵输入SVM分类器进行训练,得到分类识别 模型,该模型可用于快速判断待识别弹条图像是否含有裂缝。
本发明能够准确检测出输入弹条图像是否存在裂缝,将高速铁路潜在 危险降到最低,弥补了现阶段国内对于弹条疲劳断口检测的空白。高速铁 路钢轨扣件弹条疲劳断口自动识别方法克服了人工检测带来的人力物力浪 费,并且显著提高了检测效率。
Claims (10)
1.一种高速铁路钢轨扣件弹条疲劳断口自动识别方法,其特征在于:包括以下步骤,
S1获取高速铁路钢轨扣件弹条图像,并对钢轨扣件弹条图像进行预处理;
S2对钢轨扣件弹条图像进行易断区域定位;
S3对易断区域图像进行扣件弹条疲劳断口自动识别。
2.根据权利要求1所述的高速铁路钢轨扣件弹条疲劳断口自动识别方法,其特征在于:钢轨扣件弹条图像的预处理具体过程如下:
S1-1输入待识别钢轨扣件弹条图像;
S1-2对钢轨扣件弹条图像去噪:对输入钢轨扣件弹条图像采取3×3模板的中值滤波;
S1-3对中值滤波后的图像灰度化;
S1-4图像增强:采用Gamma校正图像增强方法对图像进行对比度拉伸。
3.根据权利要求2所述的高速铁路钢轨扣件弹条疲劳断口自动识别方法,其特征在于:步骤s2中首先利用霍夫圆检测定位圆型螺母,再由圆型螺母定位易断区域。
4.根据权利要求3所述的高速铁路钢轨扣件弹条疲劳断口自动识别方法,其特征在于:步骤s3的具体过程如下:
S3-1对易断区域图像进行图像分割、干扰剔除、裂缝连接,以得到仅包含弹条裂缝的二值化图像;
S3-2对易断区域图形进行特征提取,提供SVM分类识别器,对特征提取后的图像进行裂缝提取。
5.根据权利要求4所述的高速铁路钢轨扣件弹条疲劳断口自动识别方法,其特征在于:所述步骤s3-1的具体过程如下:
S3-11对易断区域图像采取相位一致性算法进行分割;
S3-12对分割后的图像进行非极大值抑制,并进行二值化分割;
S3-13对二值化分割后的图像进行长宽比等限制条件的干扰剔除;
S3-14利用改进的适用于连接垂直线性结构的区域生长方法对因图像分割失误而造成断裂的裂缝进行连接;
S3-15再次利用长宽比等限制条件进行最后一次剔除干扰。
6.根据权利要求5所述的高速铁路钢轨扣件弹条疲劳断口自动识别方法,其特征在于:设I是二值化分割后图像,h与w是每个连通区域的高度与宽度,Area是连通区域中像素点个数,C1,C2是每个连通区域的质心,m,n表示连通区域的左上角坐标,则步骤s3-13的干扰剔除包括:
(1)用于滤除横向边缘;
(2)用于滤除扣件弹条的边界;
(3){Area<5}∩{C1>200}∪{C1<30}∪{C2>70}∪{C2<20},用于滤除分布在图像四周边界处的噪声;
(4){E.Area=Area}∩{Area<5},用于滤除由二值化分割来的小噪声。
7.根据权利要求6所述的高速铁路钢轨扣件弹条疲劳断口自动识别方法,其特征在于:所述步骤S3-14的具体过程如下:
(1)通过遍历每个点的八个邻域来查找图像中的所有端点,端点数为num;
(2)计算每个端点的梯度幅值和方向
(3)计算每个端点8个邻域点的梯度幅值Tmag(i,k),i={1,2,...,8}和方向Talpha(i,k),i={1,2,...,8},并计算邻域点的梯度幅值与方向的方差;
(4)计算每个端点的8个邻域点的隶属度,由M(x)表示隶属度,定义如下:
Mmag(i,k)=exp(-mag(k)·(Tmag(i,k)-amag(k))2),
Malpha(i,k)=exp(-alpha(k)·(Talpha(i,k)-aalpha(k))2),
M(i,k)=0.4Mmag(i,k)+0.6Malpha(i,k),
其中mag(k)是某一点的邻域点梯度幅值方差,alpha(k)是该点的邻域点梯度方向方差;
(5)根据隶属程度来扩展边缘,即具有最大隶属度的点将被扩展,但是扩展遵循不向水平扩展的法则。
8.根据权利要求7所述的高速铁路钢轨扣件弹条疲劳断口自动识别方法,其特征在于:所述步骤S3-15的具体过程如下:
(1)Area<3,用于剔除小噪声;
(2)用于剔除裂缝周围的横向噪声;
(3){C1>200}∪{C1<20}∪{C2<15}∪{C2>65},用于剔除图像边界处的噪声,以保证提取的特征矩阵是稀疏的。
9.根据权利要求8所述的高速铁路钢轨扣件弹条疲劳断口自动识别方法,其特征在于:所述步骤S3-2的具体过程如下:
S3-21将步骤s3-1处理得到的图像进行垂直投影,再将左右两边的易断裂区域图像合并得到一个行向量,作为特征向量;
S3-22利用分类识别器对待识别弹条图像进行裂缝提取。
10.根据权利要求9所述的高速铁路钢轨扣件弹条疲劳断口自动识别方法,其特征在于:所述SVM分类识别器的制作过程如下:
分别选取两个一定数量的样本图像集作为训练集和测试集,两个图像集中都包括有裂缝图像和无裂缝图像,提取训练集中所有图像的特征矩阵输入SVM分类器进行训练,得到分类识别器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710986557.0A CN107766886A (zh) | 2017-10-20 | 2017-10-20 | 高速铁路钢轨扣件弹条疲劳断口自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710986557.0A CN107766886A (zh) | 2017-10-20 | 2017-10-20 | 高速铁路钢轨扣件弹条疲劳断口自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107766886A true CN107766886A (zh) | 2018-03-06 |
Family
ID=61269047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710986557.0A Pending CN107766886A (zh) | 2017-10-20 | 2017-10-20 | 高速铁路钢轨扣件弹条疲劳断口自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107766886A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573213A (zh) * | 2018-03-12 | 2018-09-25 | 北京交通大学 | 一种轨道扣件缺损状态自动检测系统及方法 |
CN108797241A (zh) * | 2018-06-05 | 2018-11-13 | 成都精工华耀科技有限公司 | 一种基于高度比对的轨道扣件螺帽松动检测方法 |
CN109785301A (zh) * | 2018-12-27 | 2019-05-21 | 北京交通大学 | 一种基于图像处理的钢轨波磨自动识别方法与评估方法 |
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 |
CN115841493A (zh) * | 2023-02-27 | 2023-03-24 | 曲阜市虹飞电缆有限公司 | 一种基于图像处理的电缆检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1563891A (zh) * | 2004-04-20 | 2005-01-12 | 长安大学 | 一种识别路面裂缝的系统和方法 |
CN101915764A (zh) * | 2010-08-10 | 2010-12-15 | 武汉武大卓越科技有限责任公司 | 基于动态规划的路面裂缝检测方法 |
CN102608122A (zh) * | 2012-02-27 | 2012-07-25 | 四川西南交大铁路发展有限公司 | 一种高速铁轨光电检测图像的处理方法 |
CN206057201U (zh) * | 2016-08-15 | 2017-03-29 | 刘勇 | 一种基于视觉传感的轨道扣件弹条裂缝检测装置 |
-
2017
- 2017-10-20 CN CN201710986557.0A patent/CN107766886A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1563891A (zh) * | 2004-04-20 | 2005-01-12 | 长安大学 | 一种识别路面裂缝的系统和方法 |
CN101915764A (zh) * | 2010-08-10 | 2010-12-15 | 武汉武大卓越科技有限责任公司 | 基于动态规划的路面裂缝检测方法 |
CN102608122A (zh) * | 2012-02-27 | 2012-07-25 | 四川西南交大铁路发展有限公司 | 一种高速铁轨光电检测图像的处理方法 |
CN206057201U (zh) * | 2016-08-15 | 2017-03-29 | 刘勇 | 一种基于视觉传感的轨道扣件弹条裂缝检测装置 |
Non-Patent Citations (1)
Title |
---|
赵鑫欣: "基于卷积神经网络的铁轨扣件异常状态检测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108573213A (zh) * | 2018-03-12 | 2018-09-25 | 北京交通大学 | 一种轨道扣件缺损状态自动检测系统及方法 |
CN108573213B (zh) * | 2018-03-12 | 2021-11-02 | 北京交通大学 | 一种轨道扣件缺损状态自动检测系统及方法 |
CN108797241A (zh) * | 2018-06-05 | 2018-11-13 | 成都精工华耀科技有限公司 | 一种基于高度比对的轨道扣件螺帽松动检测方法 |
CN109785301A (zh) * | 2018-12-27 | 2019-05-21 | 北京交通大学 | 一种基于图像处理的钢轨波磨自动识别方法与评估方法 |
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 |
CN115841493A (zh) * | 2023-02-27 | 2023-03-24 | 曲阜市虹飞电缆有限公司 | 一种基于图像处理的电缆检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766886A (zh) | 高速铁路钢轨扣件弹条疲劳断口自动识别方法 | |
CN103745224B (zh) | 基于图像的铁路接触网鸟窝异常情况检测方法 | |
CN104951784B (zh) | 一种车辆无牌及车牌遮挡实时检测方法 | |
CN105095856B (zh) | 基于掩模的有遮挡人脸识别方法 | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN102842045B (zh) | 一种基于组合特征的行人检测方法 | |
CN110378179B (zh) | 基于红外热成像的地铁逃票行为检测方法及系统 | |
CN102902974B (zh) | 一种基于图像的铁路接触网杆柱标识信息的识别方法 | |
CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
CN108280855A (zh) | 一种基于Fast R-CNN的绝缘子故障检测方法 | |
CN107066933A (zh) | 一种道路标牌识别方法及系统 | |
CN107067002A (zh) | 一种动态视频中道路车牌识别方法 | |
CN105404857A (zh) | 一种基于红外的夜间智能车前方行人检测方法 | |
CN108090429A (zh) | 一种分级前脸卡口车型识别方法 | |
CN104281838B (zh) | 基于hog特征的高铁接触网支撑装置耳片断裂故障检测方法 | |
CN107292870A (zh) | 基于图像对齐与检测网络模型的轨道塞钉故障检测方法与系统 | |
CN103903018A (zh) | 一种复杂场景中对车牌进行定位的方法和系统 | |
CN104700088B (zh) | 一种基于单目视觉移动拍摄下的手势轨迹识别方法 | |
CN105741291A (zh) | 一种高速铁路接触网悬挂装置等电位线故障检测方法 | |
CN107145884A (zh) | 煤矸石近红外图像识别技术 | |
CN111626169B (zh) | 一种基于图像的铁路危险落石尺寸判断方法 | |
CN108764251A (zh) | 一种工件表面裂缝检测方法及系统 | |
CN107463939A (zh) | 一种图像关键直线检测方法 | |
CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 | |
CN105654140B (zh) | 面向复杂工业环境的铁路油罐车车号定位与识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |