CN108357517A - 动车组列车运行故障信息检测方法和系统 - Google Patents
动车组列车运行故障信息检测方法和系统 Download PDFInfo
- Publication number
- CN108357517A CN108357517A CN201810490131.0A CN201810490131A CN108357517A CN 108357517 A CN108357517 A CN 108357517A CN 201810490131 A CN201810490131 A CN 201810490131A CN 108357517 A CN108357517 A CN 108357517A
- Authority
- CN
- China
- Prior art keywords
- image
- fault message
- images
- train unit
- motor train
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013135 deep learning Methods 0.000 claims abstract description 25
- 238000009877 rendering Methods 0.000 claims description 27
- 239000000284 extract Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000007257 malfunction Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 14
- 238000007689 inspection Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
- B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
- B61L27/57—Trackside diagnosis or maintenance, e.g. software upgrades for vehicles or trains, e.g. trackside supervision of train conditions
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明实施例公开了一种动车组列车运行故障信息检测方法和系统，所述方法包括：将预设数量的同类且确定存在故障信息的动车组列车图像输入到深度学习框架内，对所述图像进行训练，得到故障识别模型；采集动车组列车的身份信息和图像；根据所述动车组列车的身份信息和图像，按照同车同位置的规则对所述图像进行分类；将所述图像输入到与所述图像同类的故障识别模型中，判断所述图像是否包含故障信息。本发明有效提高了对故障信息图像的识别能力，降低误报率，提高准确率，看图作业人员还可以摆脱对大量图像数据进行人工检测的命运，降低工作强度，避免出现漏检的情况，保障动车组列车的运行安全。
Description
技术领域
本发明涉及列车故障信息检测技术领域，尤其涉及一种动车组列车运行故障信息检测方法和系统。
背景技术
随着中国高速铁路的发展，动车组列车也越来越多，动车组列车运行故障信息的检测是保障动车组列车运行安全的重要手段。动车组列车运行故障信息的检测不能依靠人工上线检测，只能运用高科技的检测设备对列车进行检测。
传统的动车组列车运行故障信息检测技术方案主要是利用轨边设备采集运行中动车组列车的车体图像，将图像数据传输到轨边探测站的数据服务装置，在识别服务装置上利用图像对比的算法对采集的图像数据进行故障信息识别及定位，在图像上进行标注并将检测结果写入数据库，检车看图作业人员通过终端看图平台进行检车作业，根据预警信息对可能的故障信息进行再次确认，以达到检车的目的。
但是，目前的检测系统存在故障信息误报率高，准确率低的问题，看图作业人员还是无法摆脱对大量图像数据进行人工检测的命运，工作时间长，图像数量大，工作强度高，难免出现漏检的情况，难以保障动车组列车的运行安全。
发明内容
本发明目的是提供一种动车组列车运行故障信息检测方法和系统，以解决上述问题。
本发明解决技术问题采用如下技术方案：
一种动车组列车运行故障信息检测方法，包括：
将预设数量的同类且确定存在故障信息的动车组列车图像输入到深度学习框架内，对所述图像进行训练，得到故障识别模型；采集动车组列车的身份信息和图像；根据所述动车组列车的身份信息和图像，按照同车同位置的规则对所述图像进行分类；将所述图像输入到与所述图像同类的故障识别模型中，判断所述图像是否包含故障信息。
可选的，所述确定存在故障信息的动车组列车图像的获取方法，包括：
采集动车组列车的身份信息和图像；根据所述动车组列车的身份信息和图像，按照同车同位置的规则对所述图像进行分类；在相同类别下，通过图像识别算法对所述图像和所述动车组列车标定的故障信息样本进行对比识别,筛选出疑似存在故障信息的图像；对所述疑似存在故障信息的图像进行人工再确认，提取出确定存在故障信息的图像。
可选的，所述动车组列车运行故障信息检测方法，还包括：
随机选择所述故障识别模型输出的存在故障信息的图像，并进行人工再确认，将所述故障识别模型判定存在故障信息但人工判定不存在故障信息的图像输入到所述深度学习框架内，对所述故障识别模型进行调整。
可选的，所述动车组列车运行故障信息检测方法，还包括：
提取更多的同类且确定存在故障信息的图像输入到深度学习框架内，对所述故障识别模型进行调整。
可选的，所述动车组列车运行故障信息检测方法，所述图像包括2D图像和3D图像。
可选的，所述对所述疑似存在故障信息的图像进行人工再确认，提取出确定存在故障信息的图像的方法，包括：
对所述疑似存在故障信息的2D图像进行人工再确认，若所述2D图像仍存在疑似故障信息，则根据所述2D图像确定与所述2D图像显示位置相同的3D图像，对所述疑似故障信息进行再次确认。
可选的，所述3D图像的获取方法，包括：
采集动车组列车2D图像和3D深度信息；对所述2D图像和3D深度信息进行匹配，提取显示同一动车组列车中相同位置的2D图像和3D深度信息；根据所述2D图像和3D深度信息构建3D图像。
一种动车组列车运行故障信息检测系统，包括：
轨边数据采集装置，所述轨边数据采集装置用于采集动车组列车的身份信息和图像；图像分类装置，所述图像分类装置与所述轨边数据采集装置相连，用于根据所述动车组列车的身份信息和图像，按照同车同位置的规则对所述图像进行分类；数据库，所述数据库与所述图像分类装置相连，用于存储经过分类的图像；深度学习引擎，所述深度学习引擎与所述数据库相连，用于对输入的预设数量的同类确定存在故障信息的图像进行训练，得到故障识别模型，其中，所述故障识别模型用于接收所述图像，并判断所述图像是否包含故障信息。
可选的，所述动车组列车运行故障信息检测系统，还包括：
图像识别装置，所述图像识别装置与所述数据库相连，用于提取分类后的图像，并根据所述图像所属类别，在相同类别下通过图像识别算法对所述图像和所述动车组列车标定的故障信息样本进行对比识别,筛选出疑似存在故障信息的图像；看图作业平台终端，所述看图作业平台终端与所述图像识别装置相连，用于接收所述疑似存在故障信息的图像，并对所述疑似存在故障信息的图像进行人工再确认，提取出确定存在故障信息的图像。
可选的，所述动车组列车运行故障信息检测系统，还包括：
3D图像构建装置，所述3D图像构建装置分别与所述轨边数据采集装置和看图作业平台终端相连，用于对轨边数据采集装置采集到的2D图像和3D深度信息进行匹配，提取显示同一动车组列车中相同位置的2D图像和3D深度信息，并根据所述2D图像和3D深度信息构建3D图像，并将所述3D图像发送到看图作业平台终端以供对所述疑似故障信息进行再次确认。
本发明具有如下有益效果：
本发明实施例所公开的动车组列车运行故障信息检测方法和系统，前期利用深度学习算法对所述预设数量的同类且确定存在故障信息的动车组列车图像进行训练，得到故障识别模型，以所述故障识别模型为基础对动车组列车的图像进行故障时别，有效提高了对故障信息图像的识别能力，降低误报率，提高准确率，看图作业人员还可以摆脱对大量图像数据进行人工检测的命运，降低工作强度，避免出现漏检的情况，保障动车组列车的运行安全。
另外，本发明实施例中所述动车组列车运行故障信息检测方法，还包括：随机选择所述故障识别模型输出的存在故障信息的图像，并进行人工再确认，将所述故障识别模型判定存在故障信息但人工判定不存在故障信息的图像输入到所述深度学习框架内，对所述故障识别模型进行调整。通过人工对所述故障识别模型进行调整，更进一步的提高了所述故障识别模型的准确度，进而提高了对故障信息图像的识别能力。
进一步的，本发明所述动车组列车运行故障信息检测方法，还包括：提取更多的同类且确定存在故障信息的图像输入到深度学习框架内，对所述故障识别模型进行调整。即本发明实施例所利用的深度学习算法所训练的图像不仅包括所述预设数量的同类且确定存在故障信息的动车组列车图像，还包括更多的同类且确定存在故障信息的图像，所述故障识别模型的准确度不断提高，则对故障信息图像的识别能力也在不断提高。
更进一步的，所述对所述疑似存在故障信息的图像进行人工再确认，提取出确定存在故障信息的图像的方法，包括：对所述疑似存在故障信息的2D图像进行人工再确认，若所述2D图像仍存在疑似故障信息，则根据所述2D图像确定与所述2D图像显示位置相同的3D图像，对所述疑似故障信息进行再次确认。利用3D图像对由2D图像确定的故障信息图像进行再次确认，提高对故障信息图像的识别能力。
附图说明
图1为本发明实施例提供的一种动车组列车运行故障信息检测方法流程图；
图2为本发明实施例提供的一种动车组列车运行故障信息检测系统示意图；
图3为本发明实施例提供的另一种动车组列车运行故障信息检测系统示意图；
图4为本发明实施例提供的又一种动车组列车运行故障信息检测系统示意图。
具体实施方式
下面结合实施例及附图对本发明的技术方案作进一步阐述。
本发明实施例提供了一种动车组列车运行故障信息检测方法，如图1所示，所述方法包括：
步骤S1，将预设数量的同类且确定存在故障信息的动车组列车图像输入到深度学习框架内，对所述图像进行训练，得到故障识别模型；
步骤S2，采集动车组列车的身份信息和图像；
步骤S3，根据所述动车组列车的身份信息和图像，按照同车同位置的规则对所述图像进行分类；
步骤S4，将所述图像输入到与所述图像同类的故障识别模型中，判断所述图像是否包含故障信息。
传统的动车组列车运行故障信息检测方法运用单纯的识别技术对图像进行处理，处理能力完全依靠算法的能力，历史的处理结果对当前的图像处理没有提升作用，而是直接对当前图像进行识别，得出识别的故障信息结果，准确性相对较低，误报率相对较高。
本发明实施例利用最新的深度学习算法有效提高了对故障信息图像的识别能力，在终端故障信息预警页面提示检车工作人员对可能故障信息进行处理，一是减少了故障信息预警数据量，提高了预警的准确率；二是提高了计算机图像识别的稳定性，提高了识别结果的可靠性，减轻了工作人员看图像的数量，有效提高了检车的速度；本专利利用了人工智能检测技术，有效减轻了检车工作人员的劳动强度，同时还提高了故障信息处理的准确率，有效保障了动车的运行安全。
所述深度算法通过利用标定的历史数据进行训练，即已经发生并经过人工确认的故障信息数据，将此数据输入深度学习框架中进行处理，算法通过对历史数据的学习，可以“记忆”发生的故障信息情况，这种“记忆”是通过权重参数保存的，当某个故障信息再次发生的时候，不需要对原图像进行识别，而是通过一堆权重参数确定，这种方式的优点就是准确。当训练的数据量足够大的时候，权重参数也会更多，当算法在处理新的图像数据时，也可以通过参数去预测是否发生故障信息，故障信息发生以概率的方式来表达，当达到某个百分比值时即可确定为故障信息。在实际的运用过程中，通过监督学习的方式先确定部分参数，然后深度学习算法可以通过无监督的学习方式进行自我完善，逐步提升识别的能力。
在本发明实施例中，预设数量的同类且确定存在故障信息的动车组列车图像是指，一定数量的、显示同辆动车组列车的、同一位置的确定存在故障信息的的图像。只有同辆动车组列车的、同一位置的图像才能通过深度学习方法进行训练，得到能够进行故障识别的故障识别模型。在步骤S1中，所述确定存在故障信息的动车组列车图像的获取方法，包括：
步骤S11，采集动车组列车的身份信息和图像；
步骤S12，根据所述动车组列车的身份信息和图像，按照同车同位置的规则对所述图像进行分类；
步骤S13，在相同类别下，通过图像识别算法对所述图像和所述动车组列车标定的故障信息样本进行对比识别,筛选出疑似存在故障信息的图像；
步骤S14，对所述疑似存在故障信息的图像进行人工再确认，提取出确定存在故障信息的图像。
所述步骤S2和步骤S11中，所述采集动车组列车的身份信息包括：
采集动车组列车的图像信息；根据所述图像信息与预设的动车组列车车号图像获得所述动车组列车的车号，获得动车组列车的身份信息。其中，根据所述图像信息与预设的动车组列车车号图像获得所述动车组列车的车号的过程，主要是将所述图像信息与预设的动车组列车车号图像进行对比识别，若所述图像信息能够与A号动车组列车的车号图像相符，则可判定所述动车组列车车号为A。
或者，通过AEI车号主机直接采集动车组列车的电子信息，获得动车组列车的身份信息。
在本实施例中，所述图像包括2D图像和3D图像。在步骤S14中，对所述疑似存在故障信息的图像进行人工再确认，提取出确定存在故障信息的图像的方法，包括：
对所述疑似存在故障信息的2D图像进行人工再确认，若所述2D图像仍存在疑似故障信息，则根据所述2D图像确定与所述2D图像显示位置相同的3D图像，对所述疑似故障信息进行再次确认。利用3D图像对由2D图像确定的故障信息图像进行再次确认，提高对故障信息图像的识别能力。
其中，所述3D图像的获取方法，包括：
采集动车组列车2D图像和3D深度信息；
对所述2D图像和3D深度信息进行匹配，提取显示同一动车组列车中相同位置的2D图像和3D深度信息；
根据所述2D图像和3D深度信息构建3D图像。
现有的动车组列车运行故障图像检测系统故障识别的准确率低，误报率高，要么是找不出故障，要么是找了很多的故障，需要从众多的预报故障里通过人工再次确认，以找到真正的故障。如果准确率低则起不到自动检测的效果，误报率高则会增加看图作业人员的劳动量。本发明实施例通过3D图像能够区别裂纹与划痕，有效判断螺栓松动等故障，并且能够多角度的对部件进行查看，近一步确认故障信息。降低误报率，提高准确率，看图作业人员还可以摆脱对大量图像数据进行人工检测的命运，降低工作强度，避免出现漏检的情况，保障动车组列车的运行安全。
本发明实施例所公开的动车组列车运行故障信息检测方法，前期利用深度学习算法对所述预设数量的同类且确定存在故障信息的动车组列车图像进行训练，得到故障识别模型，以所述故障识别模型为基础对动车组列车的图像进行故障时别，有效提高了对故障信息图像的识别能力。降低误报率，提高准确率，看图作业人员还可以摆脱对大量图像数据进行人工检测的命运，降低工作强度，避免出现漏检的情况，保障动车组列车的运行安全。
在本发明另一实施例中，所述动车组列车运行故障信息检测方法，还包括：
随机选择所述故障识别模型输出的存在故障信息的图像，并进行人工再确认，将所述故障识别模型判定存在故障信息但人工判定不存在故障信息的图像输入到所述深度学习框架内，对所述故障识别模型进行调整。
本实施例中，通过人工对所述故障识别模型进行调整，更进一步的提高了所述故障识别模型的准确度，进而提高了对故障信息图像的识别能力。
在本发明又一实施例中，所述动车组列车运行故障信息检测方法，还包括：
提取更多的同类且确定存在故障信息的图像输入到深度学习框架内，对所述故障识别模型进行调整。
本发明实施例所利用的深度学习算法所训练的图像不仅包括所述预设数量的同类且确定存在故障信息的动车组列车图像，还包括更多的同类且确定存在故障信息的图像，所述故障识别模型的准确度不断提高，则对故障信息图像的识别能力也在不断提高。
本发明还公开了一种动车组列车运行故障信息检测系统，如图2所示，所述动车组列车运行故障信息检测系统，包括：
轨边数据采集装置1，所述轨边数据采集装置1用于采集动车组列车的身份信息和图像；
图像分类装置2，所述图像分类装置2与所述轨边数据采集装置1相连，用于根据所述动车组列车的身份信息和图像，按照同车同位置的规则对所述图像进行分类；
数据库3，所述数据库3与所述图像分类装置2相连，用于存储经过分类的图像；
深度学习引擎4，所述深度学习引擎4与所述数据库3相连，用于对输入的预设数量的同类确定存在故障信息的图像进行训练，得到故障识别模型，其中，所述故障识别模型用于接收所述图像，并判断所述图像是否包含故障信息。在深度学习引擎4中有深度学习框架，以实现对输入的预设数量的同类确定存在故障信息的图像进行训练。
轨边数据采集装置1包括机械设备、车轮传感器、线阵相机、3D成像模块、车号相机、激光光源、AEI标签采集模块等。通过采集动车组列车的车轮信号，以实现对过车速度、轴距、时间、轴数、车辆数等信息的采集。通过接收车轮传感器的信号判断是否过车，在判断来车后轨边数据采集装置1中的线阵相机、3D成像模块、车号相机、激光光源、AEI标签采集模块等模块开启，进入工作模式，以采集动车组列车的身份信息和图像。轨边数据采集装置1将采集到的动车组列车的身份信息和图像发送给图像分类装置2，所述图像分类装置2根据所述动车组列车的身份信息和图像，按照同车同位置的规则对所述图像进行分类。
本发明实施例所公开的动车组列车运行故障信息检测系统，前期利用深度学习算法对所述预设数量的同类且确定存在故障信息的动车组列车图像进行训练，得到故障识别模型，以所述故障识别模型为基础对动车组列车的图像进行故障时别，有效提高了对故障信息图像的识别能力。降低误报率，提高准确率，看图作业人员还可以摆脱对大量图像数据进行人工检测的命运，降低工作强度，避免出现漏检的情况，保障动车组列车的运行安全。
如图3所示，所述动车组列车运行故障信息检测系统，还包括：
图像识别装置5，所述图像识别装置5与所述数据库3相连，用于提取分类后的图像，并根据所述图像所属类别，在相同类别下通过图像识别算法对所述图像和所述动车组列车标定的故障信息样本进行对比识别,筛选出疑似存在故障信息的图像；
看图作业平台终端6，所述看图作业平台终端6与所述图像识别装置5相连，用于接收所述疑似存在故障信息的图像，并对所述疑似存在故障信息的图像进行人工再确认，提取出确定存在故障信息的图像。
如图4所示，所述动车组列车运行故障信息检测系统，还包括：
3D图像构建装置7，所述3D图像构建装置7分别与所述轨边数据采集装置1和看图作业平台终端6相连，用于对轨边数据采集装置1采集到的2D图像和3D深度信息进行匹配，提取显示同一动车组列车中相同位置的2D图像和3D深度信息，并根据所述2D图像和3D深度信息构建3D图像，并将所述3D图像发送到看图作业平台终端6以供对所述疑似故障信息进行再次确认。
本实施例所公开的动车组列车运行故障信息检测系统利用3D图像对由2D图像确定的故障信息图像进行再次确认，提高对故障信息图像的识别能力。
以上实施例的先后顺序仅为便于描述，不代表实施例的优劣。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种动车组列车运行故障信息检测方法，其特征在于，包括：
将预设数量的同类且确定存在故障信息的动车组列车图像输入到深度学习框架内，对所述图像进行训练，得到故障识别模型；
采集动车组列车的身份信息和图像；
根据所述动车组列车的身份信息和图像，按照同车同位置的规则对所述图像进行分类；
将所述图像输入到与所述图像同类的故障识别模型中，判断所述图像是否包含故障信息。
2.根据权利要求1所述动车组列车运行故障信息检测方法，其特征在于，所述确定存在故障信息的动车组列车图像的获取方法，包括：
采集动车组列车的身份信息和图像；
根据所述动车组列车的身份信息和图像，按照同车同位置的规则对所述图像进行分类；
在相同类别下，通过图像识别算法对所述图像和所述动车组列车标定的故障信息样本进行对比识别,筛选出疑似存在故障信息的图像；
对所述疑似存在故障信息的图像进行人工再确认，提取出确定存在故障信息的图像。
3.据权利要求1所述动车组列车运行故障信息检测方法，其特征在于，还包括：
随机选择所述故障识别模型输出的存在故障信息的图像，并进行人工再确认，将所述故障识别模型判定存在故障信息但人工判定不存在故障信息的图像输入到所述深度学习框架内，对所述故障识别模型进行调整。
4.据权利要求1所述动车组列车运行故障信息检测方法，其特征在于，还包括：
提取更多的同类且确定存在故障信息的图像输入到深度学习框架内，对所述故障识别模型进行调整。
5.据权利要求1所述动车组列车运行故障信息检测方法，其特征在于，所述图像包括2D图像和3D图像。
6.据权利要求2或5所述动车组列车运行故障信息检测方法，其特征在于，所述对所述疑似存在故障信息的图像进行人工再确认，提取出确定存在故障信息的图像的方法，包括：
对所述疑似存在故障信息的2D图像进行人工再确认，若所述2D图像仍存在疑似故障信息，则根据所述2D图像确定与所述2D图像显示位置相同的3D图像，对所述疑似故障信息进行再次确认。
7.据权利要求5所述动车组列车运行故障信息检测方法，其特征在于，所述3D图像的获取方法，包括：
采集动车组列车2D图像和3D深度信息；
对所述2D图像和3D深度信息进行匹配，提取显示同一动车组列车中相同位置的2D图像和3D深度信息；
根据所述2D图像和3D深度信息构建3D图像。
8.一种动车组列车运行故障信息检测系统，其特征在于，包括：
轨边数据采集装置，所述轨边数据采集装置用于采集动车组列车的身份信息和图像；
图像分类装置，所述图像分类装置与所述轨边数据采集装置相连，用于根据所述动车组列车的身份信息和图像，按照同车同位置的规则对所述图像进行分类；
数据库，所述数据库与所述图像分类装置相连，用于存储经过分类的图像；
深度学习引擎，所述深度学习引擎与所述数据库相连，用于对输入的预设数量的同类确定存在故障信息的图像进行训练，得到故障识别模型，其中，所述故障识别模型用于接收所述图像，并判断所述图像是否包含故障信息。
9.根据权利要求8所述动车组列车运行故障信息检测系统，其特征在于，还包括：
图像识别装置，所述图像识别装置与所述数据库相连，用于提取分类后的图像，并根据所述图像所属类别，在相同类别下通过图像识别算法对所述图像和所述动车组列车标定的故障信息样本进行对比识别,筛选出疑似存在故障信息的图像；
看图作业平台终端，所述看图作业平台终端与所述图像识别装置相连，用于接收所述疑似存在故障信息的图像，并对所述疑似存在故障信息的图像进行人工再确认，提取出确定存在故障信息的图像。
10.根据权利要求9所述动车组列车运行故障信息检测系统，其特征在于，还包括：
3D图像构建装置，所述3D图像构建装置分别与所述轨边数据采集装置和看图作业平台终端相连，用于对轨边数据采集装置采集到的2D图像和3D深度信息进行匹配，提取显示同一动车组列车中相同位置的2D图像和3D深度信息，并根据所述2D图像和3D深度信息构建3D图像，并将所述3D图像发送到看图作业平台终端以供对所述疑似故障信息进行再次确认。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810490131.0A CN108357517A (zh) | 2018-05-21 | 2018-05-21 | 动车组列车运行故障信息检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810490131.0A CN108357517A (zh) | 2018-05-21 | 2018-05-21 | 动车组列车运行故障信息检测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108357517A true CN108357517A (zh) | 2018-08-03 |
Family
ID=63012179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810490131.0A Pending CN108357517A (zh) | 2018-05-21 | 2018-05-21 | 动车组列车运行故障信息检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108357517A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109727428A (zh) * | 2019-01-10 | 2019-05-07 | 成都国铁电气设备有限公司 | 基于深度学习的重复报警抑制方法 |
| CN110095061A (zh) * | 2019-03-31 | 2019-08-06 | 唐山百川智能机器股份有限公司 | 基于轮廓扫描的车辆形位检测系统及方法 |
| CN110889357A (zh) * | 2019-11-19 | 2020-03-17 | 湖南国奥电力设备有限公司 | 基于标注区域的地下电缆故障检测方法和装置 |
| CN111197977A (zh) * | 2019-12-31 | 2020-05-26 | 北京京天威科技发展有限公司 | 一种基于轨腰塞钉图像识别的扼流变压器箱盒图像实时筛选方法 |
| CN112722007A (zh) * | 2021-01-04 | 2021-04-30 | 中国铁道科学研究院集团有限公司 | 一种基于深度学习的列车运行综合预警方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202947884U (zh) * | 2012-12-20 | 2013-05-22 | 北京康拓红外技术股份有限公司 | 一种动车组运行故障动态图像检测系统 |
| CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 |
| CN107133612A (zh) * | 2017-06-06 | 2017-09-05 | 河海大学常州校区 | 基于图像处理与语音识别技术的智能病房及其运行方法 |
| CN107392197A (zh) * | 2017-07-27 | 2017-11-24 | 武汉汉云亚信科技有限公司 | 一种机车车号识别及机车部件故障检测方法及系统 |
| CN107798277A (zh) * | 2016-09-05 | 2018-03-13 | 合肥美的智能科技有限公司 | 食材识别系统和方法、食材模型训练方法、冰箱和服务器 |
| CN108009591A (zh) * | 2017-12-14 | 2018-05-08 | 西南交通大学 | 一种基于深度学习的接触网关键部件识别方法 |
-
2018
- 2018-05-21 CN CN201810490131.0A patent/CN108357517A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202947884U (zh) * | 2012-12-20 | 2013-05-22 | 北京康拓红外技术股份有限公司 | 一种动车组运行故障动态图像检测系统 |
| CN107798277A (zh) * | 2016-09-05 | 2018-03-13 | 合肥美的智能科技有限公司 | 食材识别系统和方法、食材模型训练方法、冰箱和服务器 |
| CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测系统及方法 |
| CN107133612A (zh) * | 2017-06-06 | 2017-09-05 | 河海大学常州校区 | 基于图像处理与语音识别技术的智能病房及其运行方法 |
| CN107392197A (zh) * | 2017-07-27 | 2017-11-24 | 武汉汉云亚信科技有限公司 | 一种机车车号识别及机车部件故障检测方法及系统 |
| CN108009591A (zh) * | 2017-12-14 | 2018-05-08 | 西南交通大学 | 一种基于深度学习的接触网关键部件识别方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109727428A (zh) * | 2019-01-10 | 2019-05-07 | 成都国铁电气设备有限公司 | 基于深度学习的重复报警抑制方法 |
| CN109727428B (zh) * | 2019-01-10 | 2021-06-08 | 成都国铁电气设备有限公司 | 基于深度学习的重复报警抑制方法 |
| CN110095061A (zh) * | 2019-03-31 | 2019-08-06 | 唐山百川智能机器股份有限公司 | 基于轮廓扫描的车辆形位检测系统及方法 |
| CN110889357A (zh) * | 2019-11-19 | 2020-03-17 | 湖南国奥电力设备有限公司 | 基于标注区域的地下电缆故障检测方法和装置 |
| CN110889357B (zh) * | 2019-11-19 | 2023-10-27 | 湖南国奥电力设备有限公司 | 基于标注区域的地下电缆故障检测方法和装置 |
| CN111197977A (zh) * | 2019-12-31 | 2020-05-26 | 北京京天威科技发展有限公司 | 一种基于轨腰塞钉图像识别的扼流变压器箱盒图像实时筛选方法 |
| CN111197977B (zh) * | 2019-12-31 | 2021-11-26 | 北京京天威科技发展有限公司 | 一种基于轨腰塞钉图像识别的扼流变压器箱盒图像实时筛选方法 |
| CN112722007A (zh) * | 2021-01-04 | 2021-04-30 | 中国铁道科学研究院集团有限公司 | 一种基于深度学习的列车运行综合预警方法 |
| CN112722007B (zh) * | 2021-01-04 | 2022-10-25 | 中国铁道科学研究院集团有限公司 | 一种基于深度学习的列车运行综合预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108357517A (zh) | 动车组列车运行故障信息检测方法和系统 | |
| CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
| CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
| Rizvi et al. | Crack detection in railway track using image processing | |
| CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
| CN111680613B (zh) | 一种实时检测手扶电梯乘客摔倒行为的方法 | |
| CN103745224A (zh) | 基于图像的铁路接触网鸟窝异常情况检测方法 | |
| CN109299723A (zh) | 一种铁路货车运行监测系统 | |
| CN109785615A (zh) | 一种用于公安检查站的预警分流子系统 | |
| CN109919066B (zh) | 一种检测轨道交通车厢内乘客密度异常的方法和装置 | |
| CN110263623B (zh) | 列车攀爬监测方法、装置、终端及存储介质 | |
| CN105608903A (zh) | 交通违章检测的方法及系统 | |
| CN106331605A (zh) | 一种基于视频的水灾检测装置及方法 | |
| CN113850562A (zh) | 一种智能旁站监理方法及系统 | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
| CN110942221A (zh) | 一种基于物联网的变电站故障快速修复方法 | |
| CN111767913A (zh) | 一种基于深度学习的动车组车辆故障动态图像检测方法 | |
| Song et al. | Modeling and optimization of semantic segmentation for track bed foreign object based on attention mechanism | |
| CN106355187A (zh) | 视觉信息在电力设备监测中的应用 | |
| CN205157057U (zh) | 轨道列车红外检测系统 | |
| CN111780809A (zh) | 轨道车辆零部件温度和振动监测预警方法及其系统 | |
| CN103076641A (zh) | 一种安全检测系统及检测方法 | |
| CN114882452B (zh) | 轨道线路安全监测方法、列车运行控制方法及控制系统 | |
| CN213424011U (zh) | 一种用于旅检通道客行识别的监控系统 | |
| CN115393346A (zh) | 一种用于钢轨轨道表面探伤的探测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180803 |
|
| RJ01 | Rejection of invention patent application after publication |