CN108737288A - 一种轨道交通故障图像传输方法、装置和系统 - Google Patents
一种轨道交通故障图像传输方法、装置和系统 Download PDFInfo
- Publication number
- CN108737288A CN108737288A CN201810500705.8A CN201810500705A CN108737288A CN 108737288 A CN108737288 A CN 108737288A CN 201810500705 A CN201810500705 A CN 201810500705A CN 108737288 A CN108737288 A CN 108737288A
- Authority
- CN
- China
- Prior art keywords
- terminal device
- fault zone
- subregion
- zone image
- data packet
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 230000008030 elimination Effects 0.000 claims abstract description 22
- 238000003379 elimination reaction Methods 0.000 claims abstract description 22
- 230000007257 malfunction Effects 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 abstract description 4
- 238000005194 fractionation Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940069016 go-dry Drugs 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种轨道交通故障图像传输方法、装置和系统，其中所述方法包括：终端设备获取故障区域图像；终端设备通过AI识别技术对故障区域图像进行识别，获得故障区域图像中的不同可识别对象对应的子区域；终端设备基于每个子区域生成与其对应的子区域数据包；终端设备将每个子区域数据包传输至后台服务端，以便于后台服务端根据获取的每个子区域数据包进行故障排查，并将故障排查的数据结果返回至所述终端设备。本发明实现了故障区域图像的自动拆分整理和传输过程，提高了故障检修工作中的传输效率，加快了数据传输速度，缩短了检修时间，避免了数据包过大过多导致网络拥堵数据延迟的情况，在一定程度上保证了轨道交通车辆的安全运行。
Description
技术领域
本发明涉及轨道交通技术领域，更具体地说，涉及一种轨道交通故障图像传输方法、装置和系统。
背景技术
轨道交通是指运营车辆需要在特定轨道上行驶的一类交通工具或运输系统。最典型的轨道交通就是由传统火车和标准铁路所组成的铁路系统。随着火车和铁路技术的多元化发展，轨道交通呈现出越来越多的类型，不仅遍布于长距离的陆地运输，也广泛运用于中短距离的城市公共交通中。
常见的轨道交通故障包括车辆故障和轨道设施故障，在对于常见轨道交通故障进行检修时，均需要技术人员人工通过终端设备将所获取到的所有图片均直接传输到后台服务端，排查故障的图片在保证图像质量的前提下导致图片数量大、图片占用空间多、数据信息多，进而导致传输速度收到影响，造成网络拥堵，大大降低了图片回传的速度和效率，为轨道交通车辆的安全运行带来了巨大的安全隐患。
发明内容
有鉴于此，本发明提供一种轨道交通故障图像传输方法、装置和系统以解决现有技术的不足。
为解决上述问题，本发明提供一种轨道交通故障图像传输方法，应用于终端设备与后台服务端之间，包括：
所述终端设备获取故障区域图像；
所述终端设备通过AI识别技术对所述故障区域图像进行识别，获得所述故障区域图像中的不同可识别对象对应的子区域；
所述终端设备基于每个所述子区域生成与其对应的子区域数据包；
所述终端设备将每个所述子区域数据包传输至所述后台服务端，以便于所述后台服务端根据所获取的每个所述子区域数据包进行故障排查，并将故障排查的数据结果返回至所述终端设备。
优选地，所述“所述终端设备通过AI识别技术对所述故障区域图像进行识别，获得所述故障区域图像中的不同可识别对象对应的子区域”，包括：
所述终端设备通过AI识别技术对所述故障区域图像中的每个可识别对象进行定位，得到定位信息；
根据所述定位信息分类识别所述可识别对象，并获取与所述可识别对象对应的最小截图作为不同可识别对象对应的子区域。
优选地，所述“所述终端设备基于每个所述子区域生成与其对应的子区域数据包”之后，还包括：
所述终端设备向所述后台服务端请求对RSA公钥进行发放；其中，所述后台服务端根据请求生成RSA公钥和RSA私钥，并将所述RSA公钥向所述终端设备发送；
所述终端设备接收所述服务端下发的RSA公钥；
所述终端设备利用所述RSA公钥对所述子区域数据包进行加密，得到以所述RSA公钥加密的所述子区域数据包，以便于所述终端设备将所述RSA公钥加密的所述子区域数据包发送至所述后台服务端并解密。
优选地，“所述终端设备将每个所述子区域数据包传输至所述后台服务端”之后，还包括：
所述后台服务端接收所述RSA公钥加密的所述子区域数据包；
所述后台服务端利用RSA私钥对所述子区域数据包进行解密，得到所述子区域数据包中的所述故障区域图像中的不同可识别对象。
优选地，所述“所述终端设备获取故障区域图像”之后，还包括：
所述终端设备获取所述故障区域图像的景深信息；
根据所述景深信息，所述终端设备对所述故障区域图像进行优化调节。
优选地，所述“根据所述景深信息，所述终端设备对所述故障区域图像进行优化调节”包括：
基于所述景深信息，确定所述故障区域图像的每个像素点的景深数据；
根据所述景深数据将所述故障区域图像划分为不同的景深区；
计算所述景深区与其相邻的区域的景深数据的比值，
根据所述景深数据的比值计算所述故障区域图像中的每个像素点的降噪矩阵和锐化矩阵；
根据所述降噪矩阵和锐化矩阵对所述故障区域图像进行降噪和锐化处理。
此外，为解决上述问题，本发明还提供一种轨道交通故障传输装置，包括：获取模块、识别模块、生成模块和传输模块；
所述获取模块，用于终端设备获取故障区域图像；
所述识别模块，用于所述终端设备通过AI识别技术对所述故障区域图像进行识别，获得所述故障区域图像中的不同可识别对象对应的子区域；
所述生成模块，用于所述终端设备基于每个所述子区域生成与其对应的子区域数据包；
所述传输模块，用于所述终端设备将每个所述子区域数据包传输至后台服务端，以便于所述后台服务端根据所获取的每个所述子区域数据包进行故障排查，并将故障排查的数据结果返回至所述终端设备。
所述获取模块，用于终端设备获取故障区域图像；
所述识别模块，用于所述终端设备通过AI识别技术对所述故障区域图像进行识别，获得所述故障区域图像中的不同可识别对象对应的子区域；
所述生成模块，用于所述终端设备基于每个所述子区域生成与其对应的子区域数据包；
所述传输模块，用于所述终端设备将每个所述子区域数据包传输至后台服务端，以便于所述后台服务端根据所获取的每个所述子区域数据包进行故障排查，并将故障排查的数据结果返回至所述终端设备。
此外，为解决上述问题，本发明还提供一种轨道交通故障传输系统，包括终端设备和后台服务端，其中所述终端设备包括第一存储器以及第一处理器，所述后台服务端包括第二存储器以及第二处理器；所述第一存储器和所述第二存储器均用于存储轨道交通故障传输分析程序，所述第一处理器和所述第二处理器均运行所述轨道交通故障传输分析程序以使所述终端设备和所述后台服务端执行如上述所述轨道交通故障传输方法。
此外，为解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有轨道交通故障传输分析程序，所述轨道交通故障传输分析程序被处理器执行时实现如上述所述轨道交通故障传输方法。
本发明提供一种轨道交通故障图像传输方法、装置和系统。其中，本发明所提供的方法包括：所述终端设备获取故障区域图像；所述终端设备通过AI识别技术对所述故障区域图像进行识别，获得所述故障区域图像中的不同可识别对象对应的子区域；所述终端设备基于每个所述子区域生成与其对应的子区域数据包；所述终端设备将每个所述子区域数据包传输至所述后台服务端，以便于所述后台服务端根据所获取的每个所述子区域数据包进行故障排查，并将故障排查的数据结果返回至所述终端设备。通过进行AI识别，将故障区域图像分成多个不同的可识别对象对应的子区域，进而再将所述子区域生成的子区域数据包传输至后台服务端，以便于后台服务端根据每一个子区域数据包中的子区域进行故障排查，实现了故障区域图像的自动拆分整理和传输过程，大大提高了故障检修工作中的传输效率，加快了数据传输速度，缩短了检修时间，避免了数据包过大过多导致网络拥堵数据延迟的情况，在一定程度上保证了轨道交通车辆的安全运行。
附图说明
图1为本发明轨道交通故障传输方法实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明轨道交通故障传输方法第一实施例的流程示意图；
图3为本发明轨道交通故障传输方法第二实施例的流程示意图；
图4为本发明轨道交通故障传输方法第三实施例的流程示意图；
图5为本发明轨道交通故障传输方法第四实施例的流程示意图；
图6为本发明轨道交通故障传输方法第四实施例中步骤S110细化的流程示意图；
图7为本发明轨道交通故障传输装置的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面详细描述本发明的实施例，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的终端设备和后台服务端的硬件运行环境的结构示意图。
本发明实施例终端设备或后台服务端均可以是PC，也可以是智能手机、平板电脑、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该终端设备和后台服务端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏、输入单元比如键盘、遥控器，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端设备和后台服务端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。此外，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端设备或后台服务端并不构成对终端设备或后台服务端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、数据接口控制程序、网络连接程序以及轨道交通故障传输程序。
本发明提供的一种轨道交通故障图像传输方法、装置和系统。其中，所述方法通过对获取的环境图像进行AI图像识别从而判断故障区域提高了故障检修的工作效率，缩短了检修时间，避免了人工检修的漏检或排查不出的情况，在一定程度上保证了轨道交通车辆的安全运行。
实施例1：
参照图2，本发明第一实施例提供一种轨道交通故障传输方法，包括：
步骤S10，所述终端设备获取故障区域图像；
上述，故障区域图像可以为轨道交通的待检测的区域或部分的图像，可以为设备摆放区域的图像，也可以为轨道交通设备的内部设置、零配件安装连接等的图像，例如，进站口区域安全设施摆放情况的图像，货运车头操作台的控制区域操作图像，列车视频通信视频线路连接图像等等。
上述，所述终端设备可以为手持的移动终端设备，也可以为可携带的便携笔记本电脑，在本实施例中，为手持移动终端。
上述，获取故障区域图像，可以通过终端设备的拍摄装置进行获取，例如，通过手持终端的摄像头获取所述故障区域图像。
步骤S20，所述终端设备通过AI识别技术对所述故障区域图像进行识别，获得所述故障区域图像中的不同可识别对象对应的子区域；
上述，终端设备对故障区域图像进行识别后，对所述故障区域图像进行拆分和筛选，对其中的可识别对象进行识别，从而获取其中的每一个可识别对象对应的子区域。子区域可以为在故障区域图像中所包含的多个不规则形状的图片，即为，一个故障区域图像，通过拆分为多个可识别对象对应的不规则形状的图片。例如，一张轨道交通的故障区域图像照片，通过进行识别，拆分为列车的图像截图、轨道的图象截图、信号灯的图象截图和站台安全设施的图象截图，其他区域的图像则丢弃不要，只保留上述图像截图。
步骤S30，所述终端设备基于每个所述子区域生成与其对应的子区域数据包；
步骤S40，所述终端设备将每个所述子区域数据包传输至所述后台服务端，以便于所述后台服务端根据所获取的每个所述子区域数据包进行故障排查，并将故障排查的数据结果返回至所述终端设备。
上述，终端设备将子区域进行生成子区域数据包，其中，可根据识别结果建立与每个子区域对应的标签，例如列车的图像截图中可建立列车标签，存入子区域数据包中，再将该故障区域图片中的每个子区域数据包传输至后台服务端，以便于后台服务端对每个子区域数据包进行识别和故障排查。
本实施例中提供一种轨道交通故障传输方法，通过进行AI识别，将故障区域图像分成多个不同的可识别对象对应的子区域，进而再将所述子区域生成的子区域数据包传输至后台服务端，以便于后台服务端根据每一个子区域数据包中的子区域进行故障排查，实现了故障区域图像的自动拆分整理和传输过程，大大提高了故障检修工作中的传输效率，加快了数据传输速度，缩短了检修时间，避免了数据包过大过多导致网络拥堵数据延迟的情况，在一定程度上保证了轨道交通车辆的安全运行。
实施例2：
参照图3，本发明第二实施例提供一种轨道交通故障传输方法，基于上述图2所示的第一实施例，所述步骤S20“所述终端设备通过AI识别技术对所述故障区域图像进行识别，获得所述故障区域图像中的不同可识别对象对应的子区域”，包括：
步骤S21，所述终端设备通过AI识别技术对所述故障区域图像中的每个可识别对象进行定位，得到定位信息；
上述，需要理解的是，人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
上述，可识别对象可以为预设的可识别区域的图像，通过终端设备所获取的故障区域图像的识别，进而将故障区域图像与可识别区域的图像进行匹配。其中，进行匹配时可以对多个不同的可识别区域进行识别，通过判断匹配的相似率，从而判断该故障区域图像中是否存在可识别区域，进而得到故障区域图像中的多个不同的可识别区域的定位信息。
步骤S22，根据所述定位信息分类识别所述可识别对象，并获取与所述可识别对象对应的最小截图作为不同可识别对象对应的子区域。
上述，在获得故障区域图像中的每个可识别对象的定位信息后，再通过图像识别技术进行识别每个可识别对象的区域，截取包含图像中可识别对象的最小截图，并将该最小截图作为可识别对象的子区域。其中，分类识别为与可识别区域对应的预设的分类信息，例如，分类的类别可以包括信号灯电路、车辆主动轮、车辆从动轮、车辆传动装置、控制台仪表盘等等。通过分类识别，从而得到不同的可识别对象的子区域，每一个子区域对应一个最小截图。
上述，分类识别可通过深度学习从而使终端设备可以实现将所获取的故障区域图像中的可识别区域与预设可识别区域的对比，从而对其中进行分类识别，实现对故障区域图像的分类拆分，从而保留可进行故障识别的图像，丢弃图像中的无用信息。
实施例3：
参照图4，本发明第三实施例提供一种轨道交通故障传输方法，基于上述图2所示的第一实施例，所述步骤S20“所述终端设备基于每个所述子区域生成与其对应的子区域数据包”之后，还包括：
步骤S50，所述终端设备向所述后台服务端请求对RSA公钥进行发放；其中，所述后台服务端根据请求生成RSA公钥和RSA私钥，并将所述RSA公钥向所述终端设备发送；
上述，在本实施例中，在正常工作中，大型轨道交通属于公共服务设施，故障排查和检修的图片属于内部数据，如果数据外泄的情况出现则会在公众范围造成一定的影响，所以为了提高数据交互的保密性，采用不对称加密算法对终端设备和后台服务端之间的传输的数据进行加密。
上述，需要理解的是，不对称加密算法使用两把完全不同但又是完全匹配的一对钥匙—公钥和私钥。在使用不对称加密算法加密文件时，只有使用匹配的一对公钥和私钥，才能完成对明文的加密和解密过程。加密明文时采用公钥加密，解密密文时使用私钥才能完成，而且发信方(加密者)知道收信方的公钥，只有收信方(解密者)才是唯一知道自己私钥的人。
不对称加密算法的基本原理是，如果发信方想发送只有收信方才能解读的加密信息，发信方必须首先知道收信方的公钥，然后利用收信方的公钥来加密原文；收信方收到加密密文后，使用自己的私钥才能解密密文。显然，采用不对称加密算法，收发信双方在通信之前，收信方必须将自己早已随机生成的公钥送给发信方，而自己保留私钥。由于不对称算法拥有两个密钥，因而特别适用于分布式系统中的数据加密。广泛应用的不对称加密算法有RSA算法和美国国家标准局提出的DSA。在本实施例中所采用的加密算法为RSA算法。
上述，RSA算法是一种非对称密码算法，所谓非对称，就是指该算法需要一对密钥，使用其中一个加密，则需要用另一个才能解密。
步骤S60，所述终端设备接收所述服务端下发的RSA公钥；
步骤S70，所述终端设备利用所述RSA公钥对所述子区域数据包进行加密，得到以所述RSA公钥加密的所述子区域数据包，以便于所述终端设备将所述RSA公钥加密的所述子区域数据包发送至所述后台服务端并解密。
所述步骤S40“所述终端设备将每个所述子区域数据包传输至所述后台服务端”之后，还包括：
步骤S80，所述后台服务端接收所述RSA公钥加密的所述子区域数据包；
步骤S90，所述后台服务端利用RSA私钥对所述子区域数据包进行解密，得到所述子区域数据包中的所述故障区域图像中的不同可识别对象。
实施例4：
参照图5和图6，本发明第四实施例提供一种轨道交通故障传输方法，基于上述图2所示的第一实施例，所述步骤S10“所述终端设备获取故障区域图像”之后，还包括：
步骤S100，所述终端设备获取所述故障区域图像的景深信息；
上述，需要理解的是，景深(DOF)，是指在摄影机镜头或其他成像器前沿能够取得清晰图像的成像所测定的被摄物体前后距离范围。而光圈、镜头、及拍摄物的距离是影响景深的重要因素。在聚焦完成后，焦点前后的范围内所呈现的清晰图像，这一前一后的距离范围，便叫做景深。在镜头前方(调焦点的前、后)有一段一定长度的空间，当被摄物体位于这段空间内时，其在底片上的成像恰位于焦点前后这两个弥散圆之间。被摄体所在的这段空间的长度，就叫景深。换言之，在这段空间内的被摄体，其呈现在底片面的影象模糊度，都在容许弥散圆的限定范围内，这段空间的长度就是景深。
上述，在获取到所述故障区域图像后，进而对所述故障区域图像的景深的数据进行获取，从而得到景深信息。
步骤S110，根据所述景深信息，所述终端设备对所述故障区域图像进行优化调节。
上述，根据该图像的景深信息，对故障区域图像进行进一步的优化调节。
故障区域图像通过终端设备获取时，由于存在室内、室外、光线明暗、灯光、大型障碍物遮挡、人群流动、物体运动等不同的因素的影响，导致可能存在获取图像清晰度低或光线不好导致识别失败的问题，所以需要对于所获取到的故障区域图像进行进一步的优化，通过每一个故障区域图像的景深信息进行对于图像的优化，从而提高进一步的分类识别的准确率。
所述步骤S110“根据所述景深信息，所述终端设备对所述故障区域图像进行优化调节”包括：
步骤S111，基于所述景深信息，确定所述故障区域图像的每个像素点的景深数据；
步骤S112，根据所述景深数据将所述故障区域图像划分为不同的景深区；
步骤S113，计算所述景深区与其相邻的区域的景深数据的比值；
步骤S114，根据所述景深数据的比值计算所述故障区域图像中的每个像素点的降噪矩阵和锐化矩阵；
步骤S115，根据所述降噪矩阵和锐化矩阵对所述故障区域图像进行降噪和锐化处理。
上述，根据景深信息确定所述故障区域图像中的各个像素点所对应的景深数据，根据各个像素点对应的景深值将所述故障区域图像划分为不同的景深区；其中，目标区域中的每个像素点的景深值数据的差值要小于阈值。进而，根据景深数据对应的不同景深区与其相邻的区域的比值，从而计算出不同区域之间的(目标区域与相邻区域)景深比值，再根据该比值计算待优化图像内各个像素点的去燥矩阵和锐化矩阵，根据各个像素点去燥矩阵和锐化矩阵对图像内的每个像素点进行降噪和锐化处理，从而实现对于通过终端设备所获取的故障区域图像的优化过程。
此外，本发明还提供一种轨道交通故障传输装置，包括：获取模块10、识别模块20、生成模块30和传输模块40；
所述获取模块10，用于终端设备获取故障区域图像；
所述识别模块20，用于所述终端设备通过AI识别技术对所述故障区域图像进行识别，获得所述故障区域图像中的不同可识别对象对应的子区域；
所述生成模块30，用于所述终端设备基于每个所述子区域生成与其对应的子区域数据包；
所述传输模块40，用于所述终端设备将每个所述子区域数据包传输至后台服务端，以便于所述后台服务端根据所获取的每个所述子区域数据包进行故障排查，并将故障排查的数据结果返回至所述终端设备。
所述获取模块，用于终端设备获取故障区域图像；
所述识别模块，用于所述终端设备通过AI识别技术对所述故障区域图像进行识别，获得所述故障区域图像中的不同可识别对象对应的子区域；
所述生成模块，用于所述终端设备基于每个所述子区域生成与其对应的子区域数据包；
所述传输模块，用于所述终端设备将每个所述子区域数据包传输至后台服务端，以便于所述后台服务端根据所获取的每个所述子区域数据包进行故障排查，并将故障排查的数据结果返回至所述终端设备。
此外，本发明还提供一种轨道交通故障传输系统，包括终端设备和后台服务端，其中所述终端设备包括第一存储器以及第一处理器，所述后台服务端包括第二存储器以及第二处理器；所述第一存储器和所述第二存储器均用于存储轨道交通故障传输分析程序，所述第一处理器和所述第二处理器均运行所述轨道交通故障传输分析程序以使所述终端设备和所述后台服务端执行如上述所述轨道交通故障传输方法。
此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有轨道交通故障传输分析程序，所述轨道交通故障传输分析程序被处理器执行时实现如上述所述轨道交通故障传输方法。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种轨道交通故障图像传输方法，应用于终端设备与后台服务端之间，其特征在于，包括：
所述终端设备获取故障区域图像；
所述终端设备通过AI识别技术对所述故障区域图像进行识别，获得所述故障区域图像中的不同可识别对象对应的子区域；
所述终端设备基于每个所述子区域生成与其对应的子区域数据包；
所述终端设备将每个所述子区域数据包传输至所述后台服务端，以便于所述后台服务端根据所获取的每个所述子区域数据包进行故障排查，并将故障排查的数据结果返回至所述终端设备。
2.如权利要求1所述轨道交通故障传输方法，其特征在于，所述“所述终端设备通过AI识别技术对所述故障区域图像进行识别，获得所述故障区域图像中的不同可识别对象对应的子区域”，包括：
所述终端设备通过AI识别技术对所述故障区域图像中的每个可识别对象进行定位，得到定位信息；
根据所述定位信息分类识别所述可识别对象，并获取与所述可识别对象对应的最小截图作为不同可识别对象对应的子区域。
3.如权利要求1所述轨道交通故障传输方法，其特征在于，所述“所述终端设备基于每个所述子区域生成与其对应的子区域数据包”之后，还包括：
所述终端设备向所述后台服务端请求对RSA公钥进行发放；其中，所述后台服务端根据请求生成RSA公钥和RSA私钥，并将所述RSA公钥向所述终端设备发送；
所述终端设备接收所述服务端下发的RSA公钥；
所述终端设备利用所述RSA公钥对所述子区域数据包进行加密，得到以所述RSA公钥加密的所述子区域数据包，以便于所述终端设备将所述RSA公钥加密的所述子区域数据包发送至所述后台服务端并解密。
4.如权利要求3所述轨道交通故障传输方法，其特征在于，“所述终端设备将每个所述子区域数据包传输至所述后台服务端”之后，还包括：
所述后台服务端接收所述RSA公钥加密的所述子区域数据包；
所述后台服务端利用RSA私钥对所述子区域数据包进行解密，得到所述子区域数据包中的所述故障区域图像中的不同可识别对象。
5.如权利要求1所述轨道交通故障传输方法，其特征在于，所述“所述终端设备获取故障区域图像”之后，还包括：
所述终端设备获取所述故障区域图像的景深信息；
根据所述景深信息，所述终端设备对所述故障区域图像进行优化调节。
6.如权利要求5所述轨道交通故障传输方法，其特征在于，所述“根据所述景深信息，所述终端设备对所述故障区域图像进行优化调节”包括：
基于所述景深信息，确定所述故障区域图像的每个像素点的景深数据；
根据所述景深数据将所述故障区域图像划分为不同的景深区；
计算所述景深区与其相邻的区域的景深数据的比值，
根据所述景深数据的比值计算所述故障区域图像中的每个像素点的降噪矩阵和锐化矩阵；
根据所述降噪矩阵和锐化矩阵对所述故障区域图像进行降噪和锐化处理。
7.一种轨道交通故障传输装置，其特征在于，包括：获取模块、识别模块、生成模块和传输模块；
所述获取模块，用于终端设备获取故障区域图像；
所述识别模块，用于所述终端设备通过AI识别技术对所述故障区域图像进行识别，获得所述故障区域图像中的不同可识别对象对应的子区域；
所述生成模块，用于所述终端设备基于每个所述子区域生成与其对应的子区域数据包；
所述传输模块，用于所述终端设备将每个所述子区域数据包传输至后台服务端，以便于所述后台服务端根据所获取的每个所述子区域数据包进行故障排查，并将故障排查的数据结果返回至所述终端设备。
8.一种轨道交通故障传输系统，其特征在于，包括终端设备和后台服务端，其中所述终端设备包括第一存储器以及第一处理器，所述后台服务端包括第二存储器以及第二处理器；所述第一存储器和所述第二存储器均用于存储轨道交通故障传输分析程序，所述第一处理器和所述第二处理器均运行所述轨道交通故障传输分析程序以使所述终端设备和所述后台服务端执行如权利要求1-6中任一项所述轨道交通故障传输方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有轨道交通故障传输分析程序，所述轨道交通故障传输分析程序被处理器执行时实现如权利要求1-6中任一项所述轨道交通故障传输方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810500705.8A CN108737288A (zh) | 2018-05-23 | 2018-05-23 | 一种轨道交通故障图像传输方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810500705.8A CN108737288A (zh) | 2018-05-23 | 2018-05-23 | 一种轨道交通故障图像传输方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108737288A true CN108737288A (zh) | 2018-11-02 |
Family
ID=63935241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810500705.8A Pending CN108737288A (zh) | 2018-05-23 | 2018-05-23 | 一种轨道交通故障图像传输方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108737288A (zh) |
Cited By (2)
| 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 |
| CN110045934A (zh) * | 2019-05-23 | 2019-07-23 | 宜春宜联科技有限公司 | 打印机故障处理方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104021497A (zh) * | 2014-05-09 | 2014-09-03 | 南车青岛四方机车车辆股份有限公司 | 基于移动终端的列车故障检修作业终端系统 |
| CN105551108A (zh) * | 2016-02-16 | 2016-05-04 | 株洲时代电子技术有限公司 | 一种铁路线路巡检方法 |
| CN106294489A (zh) * | 2015-06-08 | 2017-01-04 | 北京三星通信技术研究有限公司 | 内容推荐方法、装置及系统 |
| US20170195727A1 (en) * | 2014-09-24 | 2017-07-06 | Huawei Technologies Co., Ltd. | Image Presentation Method, Terminal Device, and Server |
| 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 |
-
2018
- 2018-05-23 CN CN201810500705.8A patent/CN108737288A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104021497A (zh) * | 2014-05-09 | 2014-09-03 | 南车青岛四方机车车辆股份有限公司 | 基于移动终端的列车故障检修作业终端系统 |
| US20170195727A1 (en) * | 2014-09-24 | 2017-07-06 | Huawei Technologies Co., Ltd. | Image Presentation Method, Terminal Device, and Server |
| CN106294489A (zh) * | 2015-06-08 | 2017-01-04 | 北京三星通信技术研究有限公司 | 内容推荐方法、装置及系统 |
| CN105551108A (zh) * | 2016-02-16 | 2016-05-04 | 株洲时代电子技术有限公司 | 一种铁路线路巡检方法 |
| 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 |
Cited By (4)
| 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 |
| CN110045934A (zh) * | 2019-05-23 | 2019-07-23 | 宜春宜联科技有限公司 | 打印机故障处理方法及装置 |
| CN110045934B (zh) * | 2019-05-23 | 2022-06-21 | 宜春宜联科技有限公司 | 打印机故障处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kamel et al. | Simulation framework for misbehavior detection in vehicular networks | |
| Lidkea et al. | Convolutional neural network framework for encrypted image classification in cloud-based ITS | |
| CN107612698A (zh) | 一种商用密码检测方法、装置与系统 | |
| US10078139B2 (en) | Device and method for tracking compliance information of a rider | |
| CN106301793B (zh) | 一种plc认证和安全通信的方法 | |
| Trullols-Cruces et al. | Worm epidemics in vehicular networks | |
| CN108737288A (zh) | 一种轨道交通故障图像传输方法、装置和系统 | |
| CN109150542A (zh) | 硬件签章方法、硬件签章验证方法、签章系统和存储介质 | |
| CN113961960A (zh) | 数据隐私系统 | |
| CN104679788A (zh) | 一种图片处理方法、装置及终端设备 | |
| Althati et al. | Scalable Machine Learning Solutions for Heterogeneous Data in Distributed Data Platform | |
| US9432344B2 (en) | Secure storage and sharing of user objects | |
| Beyer et al. | Pattern-of-life modeling in smart homes | |
| CN111583068A (zh) | 结合区块链的施工区域人员停留时间热度统计方法 | |
| Georgescu et al. | The importance of internet of things security for smart cities | |
| CN106911789B (zh) | 一种基于用户协同环境的数据传输方法，传输系统及装置 | |
| CN114827200B (zh) | 智能汽车基础地图数据安全保护组件 | |
| CN116471103A (zh) | 基于边界网络的内外网数据安全交换方法、装置及设备 | |
| CN114257396A (zh) | 基于地理空间位置的蓝牙广播加密方法、装置及介质 | |
| Sobana et al. | Securing future autonomous applications using cyber-physical systems and the Internet of Things | |
| Ksentini et al. | How much can Fog Computing enhance performances of heterogeneous delay-sensitive services in Smart Cities? | |
| CN113360542A (zh) | 大气颗粒物的来源分析方法和相关设备 | |
| CN112926490A (zh) | 指静脉图像识别方法、装置、计算设备和介质 | |
| CN114337984A (zh) | 一种数据处理方法、装置及设备 | |
| KR20210017672A (ko) | 센서 데이터 위변조 방지 장치, 보안성 시각화 장치 및 이를 포함하는 보안 시스템 |
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: 20181102 |