CN108009574A - 一种轨道扣件检测方法 - Google Patents
一种轨道扣件检测方法 Download PDFInfo
- Publication number
- CN108009574A CN108009574A CN201711201091.5A CN201711201091A CN108009574A CN 108009574 A CN108009574 A CN 108009574A CN 201711201091 A CN201711201091 A CN 201711201091A CN 108009574 A CN108009574 A CN 108009574A
- Authority
- CN
- China
- Prior art keywords
- fastener
- checked
- spring
- nut
- model
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 3
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 3
- 239000000523 sample Substances 0.000 abstract description 20
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000009434 installation Methods 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000007689 inspection Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 241000405217 Viola <butterfly> Species 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Sorting Of Articles (AREA)
Abstract
本发明公开了一种轨道扣件检测方法,主要解决现有技术中存在的现有扣件检测方法都需要提取扣件的大致区域再进行状态识别,其次均只能识别扣件是否脱落,不能识别出扣件松脱具体程度,需要安装部署传感器节点,工程量大、不经济同时难以维护的问题。该本发明运用Haar‑like+AdaBoost算法对样本素材进行训练得到分类器模型,再结合检测算法—“尺度因子检测法”进行检测得出对扣件状态更为准确的状态检测。通过上述方案,本发明达到了准确快速精准的检测扣件状态的目的,具有很高的实用价值和推广价值。
Description
技术领域
本发明涉及扣件检测领域,具体地说,是涉及一种轨道扣件检测方法。
背景技术
地铁是城市的重要交通工具,具有高效、准时、环保等特点;能够安全运行关系重大。地铁扣件状态的检测尤为重要,它是轨道结构弹性的主要提供者,保持轨距并为钢轨提供扣压力确保钢轨不发生纵向和轴向偏移。传统的检测方式是采用人工巡检,由经验丰富的巡检员用肉眼判断扣件状态,该方法简单、效率低、成本高、漏检率高、安全隐患大,且不能判断扣件的松脱程度。近年来,随着计算机技术及图像处理技术的飞速发展,基于计算机视觉的扣件状态自动检测系统已成为国内外研究的重点,该系统具有非接触、速度快、精度高、适应能力强等优点。目前计算机视觉的扣件检测有PCA特征+SVM支持向量机、小波分析+BP神经网络等识别方法,但它们都需要提取扣件的大致区域再进行状态识别,其次均只能识别扣件是否脱落,不能识别出扣件松脱具体程度。除视觉之外还有利用振动能量谱进行扣件状态识别的,但它需要在扣件之间安装部署传感器节点,工程量大、不经济同时难以维护。
发明内容
本发明的目的在于提供一种轨道扣件检测方法,以解决现有扣件检测方法都需要提取扣件的大致区域再进行状态识别,其次均只能识别扣件是否脱落,不能识别出扣件松脱具体程度,需要安装部署传感器节点,工程量大、不经济同时难以维护的问题。
为了解决上述问题,本发明提供如下技术方案:
一种轨道扣件检测方法包括如下步骤:
训练分类器模型:采集多个扣件状态素材训练得到七个分类器模型,其分别为:
模型1:cascade1用于检测整个扣件;
模型2:cascade2用于从扣件中检测出弹条正常;
模型3:cascade3用于从扣件中检测弹条脱落;
模型4:cascade4用于从扣件中检测弹条松动;
模型5:cascade5用于从扣件中检测出螺母正常;
模型6:cascade6用于从扣件中检测出螺母松动;
模型7:cascade7用于从扣件中检测出螺母脱落;
通过分类器模型检测扣件状态
(1)输入待检图,待检图进入分类器后分别进入cascade1至cascade7;
(2)步骤(1)中进入cascade1的待检图按设定的尺度因子S1缩放后进入HaarObjectDetect进行检测处理;
(3)步骤(1)中进入cascade2至cascade7的待检图扣件,按设定的尺度因子Sj后进入HaarObjectDetect进行检测处理;j取值为2,3,4,5,6,7;
(4)经过步骤(2)和步骤(3)的HaarObjectDetect检测其中待检图中是否有目标,是,则执行步骤(5)否,则,执行步骤(6);
(5)检测是否是一个目标,是,则进入cascade1至cascade7对应得出待检图中扣件的状态,否,则对待检图进行进一步精确处理后重复步骤(4)和步骤(5);
(6)对待检图进行缩放处理后重复步骤(4)和步骤(5)。
具体地,一种轨道扣件检测方法,其特征在于,步骤(5)中进一步精确处理的具体过程为:去掉待检图中面积过大或过小的目标后检测待检图中是否只有一个目标,是,则进入cascade1至cascade7对应得出待检图中扣件的状态,否,则执行步骤步骤(6)。
具体地,步骤(5)中进入cascade1,cascade3,cascade6,cascade7对应得出待检图中扣件的状态的具体过程为:
待检图进入cascade1以其为标准,然后分别进入cascade3,cascade6,cascade7对比做出判断,通过cascade3对比判断弹条是否脱落,通过cascade6对比判断螺母是否松动,通过cascade7对比判断螺母是否脱落。
具体地,步骤(5)中进入cascade2,cascade4,cascade5对应得出待检图中扣件的状态的具体过程为:结合cascade2和cascade5;螺母正常时,弹条和螺母之间的距离小于设定的阈值D,则弹条正常,否,则弹条不正常;结合cascade4和cascade5;螺母正常时,弹条和螺母之间的距离是否大于设定的阈值D,是,则弹条松动,否,则弹条正常。
具体地,步骤(6)中对待检图进行缩放处理的具体过程为:
(61)加入尺度系数k对步骤(4)或步骤(5)中的待检图进行缩放,则,待检图总共缩放比例为Si=Sj*k;i的取值为1,2,3,4,5,6,7;
(62)判断步骤(61)中的Si是否在设定的阈值th1和th2之间,是,则待检图进入HaarObjectDetect重复步骤(4)和步骤(5);否,则待检图中没有目标。
具体地,训练分类器模型是通过Haar-like+AdaBoost算法对素材进行训练得到的,其具体过程为:
(S1)初始化权值,用垂直的的直线作为分类器;根据分类的正确率,得到一个新的样本分布D2,一个子分类器h1;
(S2)根据新的权值,用垂直的的直线作为分类器;根据分类的正确率,得到一个新的样本分布D3,一个子分类器h2;
(S3)根据新的权值,用水平的的直线作为分类器;根据分类的正确率,得到一个新的样本分布D4,一个子分类器h3;
(S4)把步骤(S1)至步骤(S3)的所有子分类器线性组合起来,则为分类器模型;
(S5)重复步骤(S1)至步骤(S4)至训练得到七个分类器模型。
与现有技术相比,本发明具有以下有益效果:
(1)与人工巡检相比,本技术方案省时、高效;与现有计算机视觉检测方案相比,本发明检测效果更佳,功能更加完善;不仅能检测弹条是否脱落,还能精确计算出弹条松动程度,另外还能检测螺母脱落、松动情况。
(2)与现有振动能谱分析方案相比,部署更加简单、经济,功能更加完善;本发明能极大改善目前地铁扣件检测状况,为地铁的安全行驶提供重要的保障。
(3)本发明运用Haar-like+AdaBoost算法对样本素材进行训练得到分类器模型,再结合检测算法—“尺度因子检测法”进行检测得出对扣件状态更为准确的状态检测;不需要安装传感器节点,便于维护,成本低。
附图说明
图1为本发明的检测流程图。
图2为漏检情况一。
图3为漏检情况二。
图4为未改进算法和本发明算法的检测对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
如图1所示,本发明运用Haar-like+AdaBoost算法对样本素材进行训练得到分类器模型,再结合检测算法—“尺度因子检测法”进行检测得出对扣件状态更为准确的状态检测;其具体过程如下:
一种轨道扣件检测方法包括如下步骤:
训练分类器模型:采集多个扣件状态素材训练得到七个分类器模型,其分别为:
模型1:cascade1用于检测整个扣件;检测整个扣件是为了区分图中无扣件的情况;同时定位出整个扣件再分别识别弹条和螺母状态,能有效提高识别率;
模型2:cascade2用于从扣件中检测出弹条正常;
模型3:cascade3用于从扣件中检测弹条脱落;
模型4:cascade4用于从扣件中检测弹条松动;
模型5:cascade5用于从扣件中检测出螺母正常;
模型6:cascade6用于从扣件中检测出螺母松动;
模型7:cascade7用于从扣件中检测出螺母脱落;
通过分类器模型检测扣件状态
(1)输入待检图,待检图进入分类器后分别进入cascade1至cascade7;
(2)步骤(1)中进入cascade1的待检图按设定的尺度因子S1缩放后进入HaarObjectDetect进行检测处理;
(3)步骤(1)中进入cascade2至cascade7的待检图扣件,按设定的尺度因子Sj后进入HaarObjectDetect进行检测处理;j取值为2,3,4,5,6,7;
(4)经过步骤(2)和步骤(3)的HaarObjectDetect检测其中待检图中是否有目标,是,则执行步骤(5)否,则,执行步骤(6);
(5)检测是否是一个目标,是,则进入cascade1至cascade7对应得出待检图中扣件的状态,否,则对待检图进行进一步精确处理后重复步骤(4)和步骤(5);
(7)对待检图进行缩放处理后重复步骤(4)和步骤(5)。
作为本发明较佳的实施例中,一种轨道扣件检测方法,其特征在于,步骤(5)中进一步精确处理的具体过程为:去掉待检图中面积过大或过小的目标后检测待检图中是否只有一个目标,是,则进入cascade1至cascade7对应得出待检图中扣件的状态,否,则执行步骤步骤(6)。
作为本发明较佳的实施例中,步骤(5)中进入cascade1,cascade3,cascade6,cascade7对应得出待检图中扣件的状态的具体过程为:
待检图进入cascade1以其为标准,然后分别进入cascade3,cascade6,cascade7对比做出判断,通过cascade3对比判断弹条是否脱落,通过cascade6对比判断螺母是否松动,通过cascade7对比判断螺母是否脱落。
作为本发明较佳的实施例中,步骤(5)中进入cascade2,cascade4,cascade5对应得出待检图中扣件的状态的具体过程为:结合cascade2和cascade5;螺母正常时,弹条和螺母之间的距离小于设定的阈值D,则弹条正常,否,则弹条不正常;结合cascade4和cascade5;螺母正常时,弹条和螺母之间的距离是否大于设定的阈值D,是,则弹条松动,否,则弹条正常。
作为本发明较佳的实施例中,步骤(6)中对待检图进行缩放处理的具体过程为:
(61)加入尺度系数k对步骤(4)或步骤(5)中的待检图进行缩放,则,待检图总共缩放比例为Si=Sj*k;i的取值为1,2,3,4,5,6,7;
(62)判断步骤(61)中的Si是否在设定的阈值th1和th2之间,是,则待检图进入HaarObjectDetect重复步骤(4)和步骤(5);否,则待检图中没有目标。
作为本发明较佳的实施例中,训练分类器模型是通过Haar-like+AdaBoost算法对素材进行训练得到的,其具体过程为:
(S1)初始化权值,用垂直的的直线作为分类器;根据分类的正确率,得到一个新的样本分布D2,一个子分类器h1;
(S2)根据新的权值,用垂直的的直线作为分类器;根据分类的正确率,得到一个新的样本分布D3,一个子分类器h2;
(S3)根据新的权值,用水平的的直线作为分类器;根据分类的正确率,得到一个新的样本分布D4,一个子分类器h3;
(S4)把步骤(S1)至步骤(S3)的所有子分类器线性组合起来,则为分类器模型;
(S5)重复步骤(S1)至步骤(S4)至训练得到七个分类器模型。
Haar-like特征最早是由Papageorgiou等应用于人脸表示,Viola和Jones在此基础上,使用3种类型4种形式的特征;Haar特征分为三类:边缘特征、线性特征、中心特征和对角线特征,组合成特征模板;特征模板内有白色和黑色两种矩形,并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和;Haar特征值反映了图像的灰度变化情况,且只对一些简单的图形结构,如边缘、线段较敏感,所以只能描述特定走向(水平、垂直、对角)的结构;AdaBoost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器,即弱分类器,然后把这些弱分类器集合起来,构造一个更强的最终分类器。算法本身是改变数据分布实现的,它根据每次训练集之中的每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改权值的新数据送给下层分类器进行训练,然后将每次训练得到的分类器融合起来,作为最后的决策分类器。
实验中选择的训练集正样本1000张,图片像素24*24;负样本由正样本周围抠图所得,共5000张,像素大小:width≥24,height≤24;由于训练样本有限,而且不可能穷尽所有负样本,所以始终存在着误检,图2和图3展示了检测过程中出现的误检情况;同时由于检测中存在着漏检的情况,所以为了尽可能提高检测率降低误检率本发明在OpencvHaarObjectDetect检测基础上对算法进行了改进,提出“尺度因子的检测算法。
由于相机拍摄角度、焦距、图像大小、相机距扣件距离固定,我们可以根据图像距离判定弹条是否正常、松动;又由于整个扣件的实际尺寸可测得,所以螺母与弹条的真实距离可计算得到,进而我们得到弹条的偏移距离;故可通过计算出螺母与弹条图像距离进而识别弹条是否正常,以及松动程度。
实验时的训练样本较少(正样本2000,负样本6000),这会对检测率有一定影响,本发明具体实施将采用更大的训练样本进行训练。
本发明采用了机器学习的训练模型,目前随着深度学习模型的日益成熟,硬件性能逐渐增加;本发明方案也可采用深度学习进行扣件检测模型的训练,以提高检测识别率。
本发明可通过七个分类器模型直接进行检测,直接检测时,待检图进入cascade1以其为标准,然后分别进入cascade3,cascade6,cascade7对比做出判断,通过cascade3对比判断弹条是否脱落,通过cascade6对比判断螺母是否松动,通过cascade7对比判断螺母是否脱落;结合cascade2和cascade5;螺母正常时,弹条和螺母之间的距离小于设定的阈值D,则弹条正常,否,则弹条不正常;结合cascade4和cascade5;螺母正常时,弹条和螺母之间的距离是否大于设定的阈值D,是,则弹条松动,否,则弹条正常。
上述检测会存在漏检的情况;本发明将七个分类器模型直接检测法与尺度因子检测法结合,避免了漏检的情况,使扣件状态的检测更加准确,快速;尺度因子检测法为本发明中七个分类器模型直接检测法外的尺度因子的加入和缩放图片等组成。
如图4所示,本发明的检测算法的准确率远高于未改进算法(现有检测方法)。
按照上述实施例,便可很好地实现本发明。值得说明的是,基于上述结构设计的前提下,为解决同样的技术问题,即使在本发明上做出的一些无实质性的改动或润色,所采用的技术方案的实质仍然与本发明一样,故其也应当在本发明的保护范围内。
Claims (6)
1.一种轨道扣件检测方法,其特征在于,包括如下步骤:
训练分类器模型:采集多个扣件状态素材训练得到七个分类器模型,其分别为:
模型1:cascade1用于检测整个扣件;
模型2:cascade2用于从扣件中检测出弹条正常;
模型3:cascade3用于从扣件中检测弹条脱落;
模型4:cascade4用于从扣件中检测弹条松动;
模型5:cascade5用于从扣件中检测出螺母正常;
模型6:cascade6用于从扣件中检测出螺母松动;
模型7:cascade7用于从扣件中检测出螺母脱落;
通过分类器模型检测扣件状态
(1)输入待检图,待检图进入分类器后分别进入cascade1至cascade7;
(2)步骤(1)中进入cascade1的待检图按设定的尺度因子S1缩放后进入HaarObjectDetect进行检测处理;
(3)步骤(1)中进入cascade2至cascade7的待检图扣件,按设定的尺度因子Sj后进入HaarObjectDetect进行检测处理;j取值为2,3,4,5,6,7;
(4)经过步骤(2)和步骤(3)的HaarObjectDetect检测其中待检图中是否有目标,是,则执行步骤(5)否,则,执行步骤(6);
(5)检测是否是一个目标,是,则进入cascade1至cascade7对应得出待检图中扣件的状态,否,则对待检图进行进一步精确处理后重复步骤(4)和步骤(5);
(6)对待检图进行缩放处理后重复步骤(4)和步骤(5)。
2.根据权利要求1所述的一种轨道扣件检测方法,其特征在于,步骤(5)中进一步精确处理的具体过程为:去掉待检图中面积过大或过小的目标后检测待检图中是否只有一个目标,是,则进入cascade1至cascade7对应得出待检图中扣件的状态,否,则执行步骤步骤(6)。
3.根据权利要求1或2所述的一种轨道扣件检测方法,其特征在于,步骤(5)中进入cascade1,cascade3,cascade6,cascade7对应得出待检图中扣件的状态的具体过程为:
待检图进入cascade1以其为标准,然后分别进入cascade3,cascade6,cascade7对比做出判断,通过cascade3对比判断弹条是否脱落,通过cascade6对比判断螺母是否松动,通过cascade7对比判断螺母是否脱落。
4.根据权利要求3所述的一种轨道扣件检测方法,其特征在于,步骤(5)中进入cascade2,cascade4,cascade5对应得出待检图中扣件的状态的具体过程为:结合cascade2和cascade5;螺母正常时,弹条和螺母之间的距离小于设定的阈值D,则弹条正常,否,则弹条不正常;结合cascade4和cascade5;螺母正常时,弹条和螺母之间的距离是否大于设定的阈值D,是,则弹条松动,否,则弹条正常。
5.根据权利要求4所述的一种轨道扣件检测方法,其特征在于,步骤(6)中对待检图进行缩放处理的具体过程为:
(61)加入尺度系数k对步骤(4)或步骤(5)中的待检图进行缩放,则,待检图总共缩放比例为Si=Sj*k;i的取值为1,2,3,4,5,6,7;
(62)判断步骤(61)中的Si是否在设定的阈值th1和th2之间,是,则待检图进入HaarObjectDetect重复步骤(4)和步骤(5);否,则待检图中没有目标。
6.根据权利要求5所述的一种轨道扣件检测方法,其特征在于,训练分类器模型是通过Haar-like+AdaBoost算法对素材进行训练得到的,其具体过程为:
(S1)初始化权值,用垂直的的直线作为分类器;根据分类的正确率,得到一个新的样本分布D2,一个子分类器h1;
(S2)根据新的权值,用垂直的的直线作为分类器;根据分类的正确率,得到一个新的样本分布D3,一个子分类器h2;
(S3)根据新的权值,用水平的的直线作为分类器;根据分类的正确率,得到一个新的样本分布D4,一个子分类器h3;
(S4)把步骤(S1)至步骤(S3)的所有子分类器线性组合起来,则为分类器模型;
(S5)重复步骤(S1)至步骤(S4)至训练得到七个分类器模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711201091.5A CN108009574B (zh) | 2017-11-27 | 2017-11-27 | 一种轨道扣件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711201091.5A CN108009574B (zh) | 2017-11-27 | 2017-11-27 | 一种轨道扣件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108009574A true CN108009574A (zh) | 2018-05-08 |
CN108009574B CN108009574B (zh) | 2022-04-29 |
Family
ID=62053932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711201091.5A Active CN108009574B (zh) | 2017-11-27 | 2017-11-27 | 一种轨道扣件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009574B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109389566A (zh) * | 2018-10-19 | 2019-02-26 | 辽宁奇辉电子系统工程有限公司 | 基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法 |
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 |
CN111080650A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法 |
CN112419289A (zh) * | 2020-11-30 | 2021-02-26 | 西南交通大学 | 一种城市地铁轨道扣件缺陷智能检测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706274A (zh) * | 2009-12-02 | 2010-05-12 | 中国计量学院 | 钢轨扣件系统螺母缺失自动检测装置 |
CN102063109A (zh) * | 2010-11-29 | 2011-05-18 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置及其方法 |
US20120075597A1 (en) * | 2010-09-29 | 2012-03-29 | Sanyo Technology Center (Shenzhen) Co., Ltd. | Projector |
CN103745238A (zh) * | 2013-11-15 | 2014-04-23 | 中国科学院遥感与数字地球研究所 | 基于AdaBoost和主动形状模型的受电弓识别方法 |
CN104021394A (zh) * | 2014-06-05 | 2014-09-03 | 华北电力大学(保定) | 基于Adaboost算法的绝缘子图像识别方法 |
CN105678755A (zh) * | 2015-12-31 | 2016-06-15 | 青岛歌尔声学科技有限公司 | 一种基于Adaboost算法的产品状态检测方法和系统 |
CN106324083A (zh) * | 2016-07-28 | 2017-01-11 | 董超超 | 一种能够对自身完好性进行检测的钢轨轨道 |
CN106372667A (zh) * | 2016-08-31 | 2017-02-01 | 西南交通大学 | 一种高铁接触网斜撑套筒部件螺钉不良状态检测方法 |
CN106446926A (zh) * | 2016-07-12 | 2017-02-22 | 重庆大学 | 一种基于视频分析的变电站工人安全帽佩戴检测方法 |
CN106462549A (zh) * | 2014-04-09 | 2017-02-22 | 尹度普有限公司 | 使用从显微变化中进行的机器学习来鉴定实体对象 |
CN106530299A (zh) * | 2016-11-29 | 2017-03-22 | 戢平 | 基于计算机图像与视觉识别的轨道扣件的检测方法 |
CN107316036A (zh) * | 2017-06-09 | 2017-11-03 | 广州大学 | 一种基于级联分类器的害虫识别方法 |
CN107343382A (zh) * | 2014-09-02 | 2017-11-10 | Mbl有限公司 | 在具有电子微操纵库的仪器化环境中执行特定领域应用的机器人操纵方法和系统 |
-
2017
- 2017-11-27 CN CN201711201091.5A patent/CN108009574B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706274A (zh) * | 2009-12-02 | 2010-05-12 | 中国计量学院 | 钢轨扣件系统螺母缺失自动检测装置 |
US20120075597A1 (en) * | 2010-09-29 | 2012-03-29 | Sanyo Technology Center (Shenzhen) Co., Ltd. | Projector |
CN102063109A (zh) * | 2010-11-29 | 2011-05-18 | 株洲南车时代电气股份有限公司 | 一种基于神经网络的地铁列车故障诊断装置及其方法 |
CN103745238A (zh) * | 2013-11-15 | 2014-04-23 | 中国科学院遥感与数字地球研究所 | 基于AdaBoost和主动形状模型的受电弓识别方法 |
CN106462549A (zh) * | 2014-04-09 | 2017-02-22 | 尹度普有限公司 | 使用从显微变化中进行的机器学习来鉴定实体对象 |
CN104021394A (zh) * | 2014-06-05 | 2014-09-03 | 华北电力大学(保定) | 基于Adaboost算法的绝缘子图像识别方法 |
CN107343382A (zh) * | 2014-09-02 | 2017-11-10 | Mbl有限公司 | 在具有电子微操纵库的仪器化环境中执行特定领域应用的机器人操纵方法和系统 |
CN105678755A (zh) * | 2015-12-31 | 2016-06-15 | 青岛歌尔声学科技有限公司 | 一种基于Adaboost算法的产品状态检测方法和系统 |
CN106446926A (zh) * | 2016-07-12 | 2017-02-22 | 重庆大学 | 一种基于视频分析的变电站工人安全帽佩戴检测方法 |
CN106324083A (zh) * | 2016-07-28 | 2017-01-11 | 董超超 | 一种能够对自身完好性进行检测的钢轨轨道 |
CN106372667A (zh) * | 2016-08-31 | 2017-02-01 | 西南交通大学 | 一种高铁接触网斜撑套筒部件螺钉不良状态检测方法 |
CN106530299A (zh) * | 2016-11-29 | 2017-03-22 | 戢平 | 基于计算机图像与视觉识别的轨道扣件的检测方法 |
CN107316036A (zh) * | 2017-06-09 | 2017-11-03 | 广州大学 | 一种基于级联分类器的害虫识别方法 |
Non-Patent Citations (1)
Title |
---|
张新峰等: "有砟轨道扣件缺失识别算法的研究", 《计算机工程与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN109389566A (zh) * | 2018-10-19 | 2019-02-26 | 辽宁奇辉电子系统工程有限公司 | 基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法 |
CN109389566B (zh) * | 2018-10-19 | 2022-01-11 | 辽宁奇辉电子系统工程有限公司 | 基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法 |
CN111080650A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法 |
CN112419289A (zh) * | 2020-11-30 | 2021-02-26 | 西南交通大学 | 一种城市地铁轨道扣件缺陷智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108009574B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670441B (zh) | 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质 | |
CN108009574A (zh) | 一种轨道扣件检测方法 | |
CN101350063B (zh) | 人脸特征点定位方法及装置 | |
EP2434431A1 (en) | Method and device for classifying image | |
CN105095829A (zh) | 一种人脸识别方法及系统 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN105404857A (zh) | 一种基于红外的夜间智能车前方行人检测方法 | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN102663413A (zh) | 一种面向多姿态和跨年龄的人脸图像认证方法 | |
CN104424632B (zh) | 一种视频对比度异常检测方法及装置 | |
CN103413119A (zh) | 基于人脸稀疏描述子的单样本人脸识别方法 | |
CN109506628A (zh) | 一种基于深度学习的卡车环境下目标物测距方法 | |
CN110458093B (zh) | 一种基于驾驶员监控系统的安全带检测方法以及相应的设备 | |
CN106709518A (zh) | 基于Android平台的盲道识别系统 | |
CN107977639A (zh) | 一种人脸清晰度判断方法 | |
CN109460704A (zh) | 一种基于深度学习的疲劳检测方法、系统和计算机设备 | |
CN105426894B (zh) | 铁道塞钉图像检测方法及装置 | |
CN101196995B (zh) | 图像中最大人脸的检测装置及方法 | |
CN106940791B (zh) | 一种基于低维方向梯度直方图的行人检测方法 | |
CN112381870B (zh) | 一种基于双目视觉的船舶识别与航速测量系统及方法 | |
CN106548131A (zh) | 一种基于行人检测的施工人员安全帽实时检测方法 | |
CN102332094A (zh) | 半监督在线学习人脸检测方法 | |
CN103699876B (zh) | 一种基于线阵ccd图像识别车号的方法及装置 | |
CN104424633B (zh) | 一种视频对比度异常检测方法及装置 | |
CN106650735A (zh) | 一种led字符自动定位识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |