CN108846331B - 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 - Google Patents
一种动车组底盘螺丝紧固件是否脱落的视频识别方法 Download PDFInfo
- Publication number
- CN108846331B CN108846331B CN201810537572.1A CN201810537572A CN108846331B CN 108846331 B CN108846331 B CN 108846331B CN 201810537572 A CN201810537572 A CN 201810537572A CN 108846331 B CN108846331 B CN 108846331B
- Authority
- CN
- China
- Prior art keywords
- screw
- train unit
- chassis
- motor train
- screw fastener
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012423 maintenance Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 17
- 241000271559 Dromaiidae Species 0.000 description 5
- 238000007689 inspection Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002354 daily effect 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
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004922 lacquer Substances 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/446—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering using Haar-like filters, e.g. using integral image techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种动车组底盘螺丝紧固件是否脱落的视频识别方法：1)利用视频的方式来采集动车组底盘的图像数据；2)从图像数据中通过一种螺丝识别技术查找螺丝紧固件；3)通过变形图像几何校正方法处理后得到校正的图像；4)通过对经过校正后的图像进行分割，提取敏感特征点，并与标准图库中标准图像进行匹配，分析螺丝紧固件的形貌并判断当前螺丝是否脱落。本发明是针对动车这种大型公共交通工具的一种检测方法，具有高性能、低成本、安全可靠、性能稳定等优点，能代替检修工人实现自动化检修，能有效降低人工漏检和误检，提高了检修工作的自动化程度和效率，对于保障动车安全行驶、保护人身和财产的安全以及国家稳定性有着重大意义。
Description
技术领域
本发明属于轨道交通装备维修领域，具体涉及一种动车组底盘螺丝紧固件是否脱落的视频识别方法。
背景技术
随着中国科技水平的进步，高铁动车组的快速建设和运营里程高速增长，轨道交通装备维修成本正急剧增加，国内建立了数量庞大的动车组维修车间，标准检修车间内部约有4个足球场大，标配4条检修轨道供8组列车同时检修，在每条轨道旁都有车顶、车厢、车底三层平台，方便作业人员上下行动。动车组列车每天都得检修，白天运行，检修只能在夜间进行。列车一般是晚上7时以后陆续进库检修，次日凌晨4时30分开始陆续出库运行。当前动车组检修主要仍然依靠人工进行，检修工人夜间通过手电照明，挨个检查各个部位的状态，在一列长约203米的动车组列车上，动车组列车一次最基本的日常一级检修，作业人员就要检查3万多颗螺丝，人工判断是否有螺丝螺母松动和脱落，核对每颗螺丝上的漆标线，庞大的动车组数量，巨大的动车组检修量，再加上检修沟的高度一般都低于人体高度，导致检修工人都要弯腰工作，高强的工作强度和不适的工作姿态，因此整个检修工序中螺丝螺母的检测最为繁琐，耗时最长，误检核漏检概率高，维修岗位人员流动性也很大。
动车运行涉及大规模人流运输，其安全检查是重中之重，一旦出现问题，将会成为社会安全、经济发展、甚至国家稳定的重大隐患。而目前对于上述螺丝紧固件的检查仍没有任何自动化检测方法，全靠人力进行。众所周知，人工劳动力会受到精力、体力的限制，并且其效率远不如自动化检测方法。因此，急需设计开发出一种高效的自动化检测方法用于解决上述问题。
目前视频识别方法被应用于众多领域，例如现有技术公开了一种基于新Haar-like特征的Adaboost人脸检测方法【1】、基于智能视频识别的体育场馆人群监控方法及系统【2】，包括人脸识别系统在内，现有其他视频识别技术可能识别更为灵敏，校正更为精确。
但现有技术中并不存在针对动车组底盘螺丝紧固件的识别技术，动车作为一种公共交通工具，涉及到公共安全问题，动车组列车一旦发现螺丝紧固件的丢失或需要更换，都是一件复杂的流程，每一颗螺丝都有其唯一的身份，不能错用，不能混装。现实的要求和人工检测的各种弊端凸显，动车组检修急需一种高效，准确的自动化检测手段。
本发明提供一种动车组底盘螺丝紧固件是否脱落的视频识别方法，通过在动车组检修槽内铺设轨道，安装RGV小车，并在RGV小车上架设六轴机械臂，机械臂末端安装一台摄像机和光源，通过程序控制RGV小车机械臂的配合移动，将摄像机送到各个需要检测的螺丝紧固件的位置，通过视频分析方式检测螺丝紧固件是否有松动和脱落，如果发现脱落，及时将结果反馈到监控中心。本发明提供的动车组底盘螺丝紧固件的识别技术是一种动态的检测技术，可以从不同角度检测底盘螺丝紧固件信息的真实性稳定，能准确识别出螺丝，且识别速度快，相比传统人工检测方式，本发明具有高性能低成本，效率高，安全可靠，性能稳定及容易推广的优点，能代替检修工人实现自动化检修，能有效降低人工漏检和误检，提高了检修工作的自动化程度和效率。
1、专利申请号：201310056584.X
2、专利申请号：201410709640X
发明内容
本发明所要解决的技术问题是提供一种能够准确、高效、稳定的识别动车组底盘螺丝紧固件是否脱落的技术。
为了达到上述目的，本发明的技术方案如下：
一种动车组底盘螺丝紧固件是否脱落的视频识别方法，包括以下步骤：
步骤1)利用视频的方式来采集动车组底盘的图像数据；
步骤2)从图像数据中通过一种螺丝识别技术查找螺丝紧固件，其具体方法为：
A.建立大量的动车组底盘螺丝和其他部位的正、负样本，并给每一个样本设置初始权重，构建弱分类器；
B.若样本被正确分类，则降低权重，否则加重其权重，由此得到一组样本更新后的权值和最优的弱分类器；
C.将样本和更新后的权值继续进行分类，重复步骤B；
D.将步骤C迭代多次，得到多个训练好的弱分类器，将多个弱分类器组成一个强分类器；
E.利用强分类器实现在整幅图像中快速查找螺丝；
步骤3)通过变形图像几何校正方法处理后得到校正的图像；
步骤4)分析螺丝紧固件的形貌并判断当前螺丝是否脱落。
作为优选的方案，所述“步骤1)利用视频的方式来采集动车组底盘的图像数据”的具体方法为：在动车组检修槽内铺设滑轨(1)，安装RGV小车(2)，并在RGV小车(2)上架设六轴机械臂(3)，六轴机械臂(3)末端安装一台摄像机和光源(4)，通过程序控制RGV小车(2)和六轴机械臂(3)的配合移动，将摄像机和光源(4)送到各个需要检测的螺丝紧固件的位置采集动车组底盘的图像数据。
作为优选的方案，所述步骤2)中的弱分类器是可以利用HOG特征，LBP特征，Haar特征对正、负样本进行图像特征提取；进一步优选地，步骤2)中的弱分类器是利用Haar特征对正、负样本进行表征特征向量形成的。
作为优选的方案，所述步骤2)中建立大量的动车组底盘螺丝和其他部位的正、负样本的具体方法如下：在各个时间段和不同天气条件下拍摄动车组底盘的大量视频，截取视频中底盘螺丝的正方形图片作为正样本，其中螺丝中心位于图片正中心；截取视频中不是螺丝的底盘其他部分的正方形图片作为负样本。
作为优选的方案，所述正负样本的图片统一规格化到24×24像素。
作为优选的方案，在所述摄像机镜头上安装网格。
作为优选的方案，所述的Haar特征是采用积分图计算方法得到的。
技术措施：
1.螺丝识别技术：
检测前会先分析要检测的动车组的型号参数，每节车厢的长度，得到每一个待检测的螺丝紧固件的相对位置。在动车检修槽里铺设轨道架设RGV小车，由于检修工作必须在夜间进行，在RGV小车上安装六轴机械臂，并将摄像机和光源架设在机械臂的末端位置，且在该摄像机的镜头上安装网格。在光源照射条件下，通过RGV小车和机械臂的配合，将摄像机送到每一个待检测的螺丝的位置，通过提取特征点的方式来动态修正摄像机的位置，并解算出空间位置信息，动态调整机械臂的姿态，保证相机移动到指定的位置，确保采集到标准位置的图像。
在各个时间段和不同天气条件下拍摄动车组底盘的大量视频，截取视频中底盘螺丝的正方形图片作为正样本，其中螺丝中心位于图片正中心；截取视频中不是螺丝的底盘其他部分的正方形图片作为负样本。建立大量的动车组底盘螺丝和其他部位的正、负样本，并给每一个样本设置初始权重，利用积分图计算每个样本的Haar特征，构建弱分类器；若样本被正确分类，则降低权重，否则加重其权重，由此得到一组样本更新后的权值和最优的弱分类器，然后由样本和更新后的权值继续进行分类，直到迭代n次，得到n个训练好的弱分类器，将n个弱分类器以一定权重组成一个强分类器。利用强分类器实现在整幅图像中快速查找螺丝。这是一种自适应增强算法，理论上错误率能够达到无限低。
本发明在摄像机拍摄到的车底底盘图像中进行螺丝紧固件的检测主要利用的是螺丝紧固件的形态，以及螺丝在图像中出现的位置固定性特点和灰度分布不一样这三种特性。
2.变形图像几何校正
RGV小车及机械臂配合使用时，难免会出现拍摄位置与预定的路径存在偏差，导致相机所处角度出现偏差，摄像头像差会引起采集到的图像的几何变形，需要对采集到的图像进行几何校正后再做处理。通过对经过校正后的图像进行分割，提取敏感特征点，并与标准图库中标准图像进行匹配后，就能确定待检测面的螺丝紧固件的位置，后续只需要分析指定位置的螺丝紧固件的形态特征即可。
技术效果：
本发明提供一种动车组底盘螺丝紧固件是否脱落的视频识别方法，其技术效果主要体现在以下两个方面：
1、通过视频分析的方式代替传统人工检测方式
本发明通过在检修槽中铺设轨道架设RGV小车，并在小车上安装六轴机械臂和光源，将摄像机架设在机械臂末端位置，通过预先设定好的程序让小车和机械手配合动作，将相机依次送到待检测位置，整个过程均为自动化过程，能代替检修工人实现自动化检修，提高了检修工作的自动化程度和效率。
2、通过高效的视频检测方式快速识别动车组底盘上的螺丝紧固件，判断指定位置的螺丝是否有脱落，并拍摄图片回传到监控中心，能有效降低人工漏检和误检的比率。
3、通过变形图像的几何校正算法，消除RGV小车和机械臂的定位误差，确保每次都具有高识别率。不同型号的动车组检修时，无法保证每次的定位精度都达到预定要求，需要通过变形图像的几何校正，对校正后的图像进行识别。
附图说明：
图1为本发明所用到的拍摄系统主视图；
图2为本发明所用到的拍摄系统俯视图；
图3为本发明所用到的拍摄系统侧视图；
图4为摄像头采集的数据图；
图5为经处理后的数据图。
图中，1、滑轨；2、RGV小车；3、六轴机械臂；4、摄像机和光源；
11、12、13分别为摄像头直接采集到的实际中的螺丝紧固件；
22、22、23分别为经过识别技术识别后提取到的螺丝紧固件的轮廓骨架。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图对本发明实施例中的技术方案做进一步详述。
步骤1)在动车组检修槽内铺设滑轨，安装RGV小车，并在RGV小车上架设六轴机械臂，六轴机械臂末端安装一台摄像机和光源，通过程序控制RGV小车和六轴机械臂的配合移动，将摄像机和光源送到各个需要检测的螺丝紧固件的位置。在阴天、雨天、晴天、雾天、下雪天等不同天气条件下，一天24小时内，每隔半小时拍摄动车组底盘的480组视频，截取视频中不同位置处的底盘螺丝的正方形图片4800张，作为正样本，且螺丝中心位于图片正中心；截取视频中不同位置处不是螺丝的底盘其他部分的正方形图片9600张，作为负样本。正负样本的图像尺寸为24×24像素。
步骤2)建立由14400张正、负样本组成的样本库，并给每一个样本设置初始权重，利用积分图计算每个样本的Haar特征，构建弱分类器；若样本被正确分类，则降低权重，否则加重其权重，由此得到一组样本更新后的权值和最优的弱分类器，然后由样本和更新后的权值继续进行分类，直到迭代10次，得到10个训练好的弱分类器，将10个弱分类器以一定权重组成一个强分类器。利用强分类器实现在整幅图像中快速查找螺丝。
步骤3)通过变形图像几何校正方法处理后得到校正的图像，且经过测试发现，经过本方法进行校正后，误差低于0.1个像素，能够高效的校正图像的综合畸变。
步骤4)通过对经过校正后的图像进行分割，提取敏感特征点，并与标准图库中标准图像进行匹配，这种处理后，待检测面的螺丝紧固件的位置就被确定下来了，如果发现螺丝紧固件，则先提取到螺丝紧固件的轮廓骨架，用红色标注，并保存此张图片，在图片上输出螺丝的数量，并将结果与数据库中该位置的实际螺丝数量作对比，一旦发现数量不一致，立即将结果写入到待保存的图片上，并将掉落螺丝数量和具体位置结果通过网络送到维修监控中心。
实际操作：
图4为本发明中的摄像头采集的普通状态下的螺丝图像，通过本申请中的螺丝识别技术查找螺丝紧固件；然后经变形图像几何校正方法处理后得到校正的图像，对校正后的图像进行分割，提取敏感特征点，并与标准图库中标准图像进行匹配，将提取到的螺丝紧固件的轮廓骨架用圆圈标注(如图5中的图标21、22、23)，分析螺丝紧固件的形貌并判断当前螺丝是否脱落，并保存此张图片(图5)，将结果与数据库中该位置的实际螺丝数量作对比，一旦发现数量不一致，立即将结果写入到待保存的图片上，并将掉落螺丝数量和具体位置结果通过网络送到维修监控中心。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (5)
1.一种动车组底盘螺丝紧固件是否脱落的视频识别方法，其特征在于，包括以下步骤：
步骤1)利用视频的方式来采集动车组底盘的图像数据；
步骤2)从图像数据中通过一种螺丝识别技术查找螺丝紧固件，其具体方法为：
A.建立大量的动车组底盘螺丝和其他部位的正、负样本，并给每一个样本设置初始权重，构建弱分类器；
B.若样本被正确分类，则降低权重，否则加重其权重，由此得到一组样本更新后的权值和最优的弱分类器；
C.将样本和更新后的权值继续进行分类，重复步骤B；
D.将步骤C迭代n次，得到n个训练好的弱分类器，将n个弱分类器组成一个强分类器；
E.利用强分类器实现在整幅图像中快速查找螺丝；
步骤3)通过变形图像几何校正方法处理后得到校正的图像；
步骤4)分析螺丝紧固件的形貌并判断当前螺丝是否脱落，具体方法为：通过对经过校正后的图像进行分割，提取敏感特征点，并与标准图库中标准图像进行匹配，这种处理后，待检测面的螺丝紧固件的位置就被确定下来了，如果发现螺丝紧固件，则先提取到螺丝紧固件的轮廓骨架，用红色标注，并保存此张图片，在图片上输出螺丝的数量，并将结果与数据库中该位置的实际螺丝数量作对比，一旦发现数量不一致，立即将结果写入到待保存的图片上，并将掉落螺丝数量和具体位置结果通过网络送到维修监控中心；
所述步骤1)的具体方法如下：在动车组检修槽内铺设滑轨(1)，安装RGV小车(2)，并在RGV小车(2)上架设六轴机械臂(3)，六轴机械臂(3)末端安装一台摄像机和光源(4)，通过程序控制RGV小车(2)和六轴机械臂(3)的配合移动，将摄像机和光源(4)送到各个需要检测的螺丝紧固件的位置采集动车组底盘的图像数据；
所述步骤1)中，通过提取特征点的方式修正摄像机的位置，并解算出空间位置信息，动态调整机械臂的姿态，确保采集到标准图像；
所述步骤2)中的弱分类器是利用Haar特征对正、负样本进行表征特征向量形成的。
2.根据权利要求1所述的视频识别方法，其特征在于，所述步骤2)中建立大量的动车组底盘螺丝和其他部位的正、负样本的具体方法如下：在各个时间段和不同天气条件下拍摄动车组底盘的大量视频，截取视频中底盘螺丝的正方形图片作为正样本，其中螺丝中心位于图片正中心；截取视频中不是螺丝的底盘其他部分的正方形图片作为负样本。
3.根据权利要求2所述的视频识别方法，其特征在于，所述正、负样本的图片统一规格化到24×24像素。
4.根据权利要求1所述的视频识别方法，其特征在于，所述摄像机的镜头上安装网格。
5.根据权利要求1所述的视频识别方法，其特征在于，所述的Haar特征是采用积分图计算方法得到的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810537572.1A CN108846331B (zh) | 2018-05-30 | 2018-05-30 | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810537572.1A CN108846331B (zh) | 2018-05-30 | 2018-05-30 | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108846331A CN108846331A (zh) | 2018-11-20 |
| CN108846331B true CN108846331B (zh) | 2022-07-19 |
Family
ID=64209972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810537572.1A Active CN108846331B (zh) | 2018-05-30 | 2018-05-30 | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108846331B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110049085B (zh) * | 2018-12-13 | 2022-05-03 | 蔚来(安徽)控股有限公司 | 紧固件监控方法、云端、计算机可读存储介质和设备 |
| CN111127442B (zh) * | 2019-12-26 | 2023-05-02 | 内蒙古科技大学 | 台车轮轴缺陷检测方法和装置 |
| CN112051072B (zh) * | 2020-08-25 | 2022-09-06 | 中国第一汽车股份有限公司 | 一种悬架及制动系统底盘紧固件松动整车试验方法 |
| CN112102280B (zh) * | 2020-09-11 | 2021-03-23 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车小部件承挡键螺母松动和丢失故障检测方法 |
| CN112419297B (zh) * | 2020-12-04 | 2024-06-04 | 中冶建筑研究总院（深圳）有限公司 | 一种螺栓松动检测方法、装置、设备及存储介质 |
| CN112985515B (zh) * | 2021-04-27 | 2021-08-24 | 佛山隆深机器人有限公司 | 一种产品紧固件装配合格性检测方法、系统及存储介质 |
| CN113808086A (zh) * | 2021-09-02 | 2021-12-17 | 上汽通用五菱汽车股份有限公司 | 缸体的轴瓦检测方法、轴瓦检测系统和可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105424711A (zh) * | 2015-12-04 | 2016-03-23 | 清华大学苏州汽车研究院（吴江） | 一种机车螺丝松动自动检测设备及方法 |
| CN206029901U (zh) * | 2015-08-21 | 2017-03-22 | 苏州华兴致远电子科技有限公司 | 列车检修机器人 |
| CN106570857A (zh) * | 2016-09-11 | 2017-04-19 | 西南交通大学 | 一种基于hog特征的高铁接触网斜拉线固定钩螺帽脱落不良状态的检测方法 |
| CN106971193A (zh) * | 2016-11-23 | 2017-07-21 | 南京理工大学 | 基于结构型Haar和Adaboost的目标检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100185638A1 (en) * | 2009-01-15 | 2010-07-22 | Honeywell International Inc. | Image Search Enhanced Vehicle Telemaintenance |
-
2018
- 2018-05-30 CN CN201810537572.1A patent/CN108846331B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206029901U (zh) * | 2015-08-21 | 2017-03-22 | 苏州华兴致远电子科技有限公司 | 列车检修机器人 |
| CN105424711A (zh) * | 2015-12-04 | 2016-03-23 | 清华大学苏州汽车研究院（吴江） | 一种机车螺丝松动自动检测设备及方法 |
| CN106570857A (zh) * | 2016-09-11 | 2017-04-19 | 西南交通大学 | 一种基于hog特征的高铁接触网斜拉线固定钩螺帽脱落不良状态的检测方法 |
| CN106971193A (zh) * | 2016-11-23 | 2017-07-21 | 南京理工大学 | 基于结构型Haar和Adaboost的目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 模板匹配算法在动车零部件故障检测系统中的应用;张瑞娟等;《计算机系统应用》;20110815(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108846331A (zh) | 2018-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846331B (zh) | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 | |
| Chen et al. | Automatic defect detection of fasteners on the catenary support device using deep convolutional neural network | |
| Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
| US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
| CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
| CN111489339B (zh) | 高速铁路定位器螺栓备母缺陷的检测方法 | |
| CN105260744B (zh) | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 | |
| Wang et al. | High-voltage power transmission tower detection based on faster R-CNN and YOLO-V3 | |
| 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 | |
| CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
| CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
| CN105787466B (zh) | 一种车辆类型的精细识别方法及系统 | |
| CN103761531A (zh) | 基于形状轮廓特征的稀疏编码车牌字符识别方法 | |
| CN111949809A (zh) | 一种输电线路红外巡检数据智能处理方法 | |
| CN113592822A (zh) | 一种电力巡检图像的绝缘子缺陷定位方法 | |
| Bremer et al. | Eigenvalue and graph-based object extraction from mobile laser scanning point clouds | |
| CN111768417B (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
| CN110728252A (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
| Wu et al. | UAV imagery based potential safety hazard evaluation for high-speed railroad using Real-time instance segmentation | |
| CN116468392A (zh) | 一种电网工程项目进度监控方法、装置、设备及存储介质 | |
| CN112860952A (zh) | 巡检机器人定位检修部件的方法及系统 | |
| US11908120B2 (en) | Fault detection method and system for tunnel dome lights based on improved localization loss function | |
| Wu et al. | Automatic railroad track components inspection using hybrid deep learning framework | |
| CN105809219B (zh) | 一种隧道预制管片生产线的预制管片质量检测统计系统和方法 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 |
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 |