CN109242835A - 基于人工智能的车底缺陷检测方法、装置、设备及系统 - Google Patents
基于人工智能的车底缺陷检测方法、装置、设备及系统 Download PDFInfo
- Publication number
- CN109242835A CN109242835A CN201810973612.7A CN201810973612A CN109242835A CN 109242835 A CN109242835 A CN 109242835A CN 201810973612 A CN201810973612 A CN 201810973612A CN 109242835 A CN109242835 A CN 109242835A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- component
- sample image
- vehicle
- 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
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于人工智能的车底故障检测方法、装置、设备及系统,方法包括:获取图像采集设备采集的车底图像;对所述车底图像进行预处理,并对预处理得到的车底图像进行分割定位,得到待检测部件图像;根据预先建立的深度神经网络模型对所述待检测部件图像进行故障识别,以计算所述待检测部件图像对应的车部件存在故障的概率;其中,所述深度神经网络模型通过对经过预处理后的带标签的样本图像集进行训练获得;所述样本图像集包括正样本图像以及负样本图像;当所述概率大于预设的阈值时,判断所述车部件可能存在故障,标记所述待检测部件图像。基于本发明,可实现自动化的车底故障检测,提高了检测效率以及检测精度。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于人工智能的车底缺陷检测方法、装置、设备及系统。
背景技术
目前针对列车(如地铁)车底底部的故障检测基本依赖于人工目测,需要工作人员进入高温环境的车底进行人工检测,造成工作人员的大量工作负担。而且依靠人工进行检测,不但需要对从业人员进行培训和需要时间来积累经验并且检测准确度受从业人员影响较多,如从业人员受恶劣环境和工作经验、工作精神状态等影响,使得检测结果无法满足需求。
发明内容
本发明实施例提出一种基于人工智能的车底缺陷检测方法、装置、设备及系统,该方法可实现自动化的车底故障检测,提高了效率并且不受人为因素影响,同时提高检测精度。
本发明公开了一种基于人工智能的车底缺陷检测方法,所述方法包括:
获取图像采集设备采集的车底图像;
对所述车底图像进行预处理,并对预处理得到的车底图像进行分割定位,得到待检测部件图像;
根据预先建立的深度神经网络模型对所述待检测部件图像进行故障识别,以计算所述待检测部件图像对应的车部件存在故障的概率;其中,所述深度神经网络模型通过对经过预处理后的带标签的样本图像集进行训练获得;所述样本图像集包括正样本图像以及负样本图像;
当所述概率大于预设的阈值时,判断所述车部件可能存在故障,标记所述待检测部件图像。
优选地,在获取图像采集设备采集的车底图像之前,还包括:获取样本图像,并将所述样本图像保存至样本图像集;其中,所述样本图像包括正样本图像以及负样本图像,且正样本图像和负样本图像标记有对应的标签;对采集的所述样本图像进行预处理,以凸显边缘信息;基于深度学习技术,采用深度神经网络对经过预处理后的样本图像进行初始化训练,得到深度神经网络模型。
优选地,所述对采集的样本图像进行预处理包括:对所述样本图像进行颜色空间变换;对颜色空间变换后的样本图像进行噪声去除以及校正;其中,通过滤波锐化对所述样本图像进行噪声去除以提升图像清晰度;校正的目的是使灰度较暗的样本图像的整体亮度提高;对所述样本图像进行图像增强;其中,利用一个mask,通过对样本图像和空间掩模做卷积操作,实现对样本图像的锐化;对图像增强后的样本图像进行形态学处理。
优选地,在当所述概率大于预设的阈值时,判断所述车部件可能存在故障,标记所述待检测部件图像之后,还包括:获取识别错误的待检测部件图像;将所述识别错误的待检测部件图像作为新的样本图像,并存储入增量学习样本库;利用所述增量学习样本库对所述深度神经网络模型进行训练并更新。
进一步地,本发明实施例还提供了一种基于人工智能的车底故障检测装置,包括:
图像获取单元,用于获取图像采集设备采集的车底图像;
图像处理单元,用于对所述车底图像进行预处理,并对预处理得到的车底图像进行分割定位,得到待检测部件图像;
故障识别单元,用于根据预先建立的深度神经网络模型对所述待检测部件图像进行故障识别,以计算所述待检测部件图像对应的车部件存在故障的概率;其中,所述深度神经网络模型通过对经过预处理后的带标签的样本图像集进行训练获得;所述样本图像集包括正样本图像以及负样本图像;
标记单元,用于当所述概率大于预设的阈值时,判断所述车部件可能存在故障,标记所述待检测部件图像。
优选地,还包括:
样本图像获取单元,用于通过所述图像采集设备获取样本图像,并将所述样本图像保存至样本图像集;其中,所述样本图像包括正样本图像以及负样本图像,且正样本图像和负样本图像标记有对应的标签;
预处理单元,用于对采集的样本图像进行预处理,以凸显边缘信息;模型训练单元,用于基于深度学习技术,采用深度神经网络对经过预处理后的样本图像进行初始化训练,得到深度神经网络模型。
优选地,还包括:
错误车底图像获取单元,用于获取识别错误的待检测部件图像;
增量单元,用于将所述识别错误的待检测部件图像作为新的样本图像,并存储入增量学习样本库;
模型更新单元,用于利用所述增量学习样本库对所述深度神经网络模型进行训练并更新。
本发明实施例还提供了一种基于人工智能的车底故障检测设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,处理器执行所述计算机程序时实现如上述的基于人工智能的车底故障检测方法。
本发明实施例还提供了一种基于人工智能的车底故障检测系统,包括至少两套图像采集设备以及如上述的基于人工智能的车底故障检测设备;其中,每套图像采集设备包括云台控制器,光源,工业相机和相机云台;所述工业相机以及所述光源固定于所述相机云台上,所述云台控制器与所述相机云台电气连接;所述基于人工智能的车底故障检测设备与所述云台控制器,光源,工业相机和相机云台均电气连接。
发明提供的基于人工智能的车底故障检测方法、装置、设备以及系统,通过图像获取以及处理技术,加上结合了深度学习技术的深度神经网络模型等,实现了地铁车底缺陷的自动化检测,提高检测效率和精度,减轻从业人员的大量体力劳动并避免了恶劣的工作环境。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,
图1是本发明提供的车底缺陷检测方法的第一实施例的流程示意图;
图2是图1的S10步骤之前包括的一个实施例的流程示意图;
图3是图2的S02步骤中包括的一个实施例的流程示意图;
图4是图1的S40步骤后包括的一个实施例的流程示意图;
图5是本发明提供的车底故障检测装置第二实施例的结构示意图;
具体实施方式
下面将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进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,本发明第一实施例提供了一种基于人工智能的车底故障检测方法,其可由基于人工智能的车底故障检测设备(以下简称车底故障检测设备)来执行,并至少包括如下步骤:
S10:获取图像采集设备采集的车底图像。
其中,在本实施例中,所述车底故障检测设备可以为上位机、服务器或者有数据出来能力的计算机设备;所述图像采集设备有两套,每套包括云台控制器、光源、高分辨率工业相机和相机云台,从而构成一个完整的多功能双目系统。
S20:对所述车底图像进行预处理,并对预处理得到的车底图像进行分割定位,得到待检测部件图像。
在本实施例中,对车底图像进行分割定位可以是根据预先准备的各个待检测部件的模板图与所述车底图像进行匹配,从而获取车底图像的待检测部件图像。
S30:根据预先建立的深度神经网络模型对所述待检测部件图像进行故障识别,以计算所述待检测部件图像对应的车部件存在故障的概率。
其中,所述深度神经网络模型通过对经过预处理后的带标签的样本图像集进行训练获得;所述样本图像集包括正样本图像以及负样本图像,且正样本图像和负样本图像标记有对应的标签;所述车底图像对应的车部件存在故障的概率为0~1之间的数字,一般概率越接近于0即为无故障,反之概率越大则存在故障的可能性大。
S40:当所述概率大于预设的阈值时,判断所述车部件可能存在故障,标记所述待检测部件图像。
参见图2,在步骤S10之前,还包括:
S01:获取样本图像,并将所述样本图像保存至样本图像集。
S02:对采集的所述样本图像进行预处理,以凸显边缘信息。
S03:基于深度学习技术,采用深度神经网络对经过预处理后的样本图像进行初始化训练,得到深度神经网络模型。
其中,S02所述样本图像进行预处理包括:颜色空间变换、噪声去除以及校正、图像增强、形态学处理;
S03所述深度学习技术是指通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示,它是机器学习中一种基于对数据进行表征学习的方法,其观测值可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等;而使用某些特定的表示方法更容易从实例中学习任务;实现了用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征,是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络。
所述初始化训练包括:将上述经过预处理后的带标签的样本图像集,利用包括系统初始化、激活函数和阈值选取等等选择,完成离线训练得到深度神经网络模型。
其中,所述系统初始化是系统首次使用时,根据实际情况进行参数设置,并录入基础档案与初始数据的过程,且系统初始化在系统初次运行时一次性完成,但部分设置可以在系统使用后进行修改,整个过程对系统的后续运行产生重要影响;所述激活函数就是在人工神经网络的神经元上运行的函数,负责将神经元的输入映射到输出端;
所述阈值选取是图像处理与分析的基础,针对几种常用的图像二值化自动选取阈值方法,可通过计算机仿真对实验结果进行了比较研究。
参见图3,步骤S02具体包括:
S021:对所述样本图像进行颜色空间变换。
S022:对颜色空间变换后的样本图像进行噪声去除以及校正。
S023:对所述样本图像进行图像增强。
S024:对图像增强后的样本图像进行形态学处理。
其中,S021所述颜色空间是指在预设标准下用通常可接受的方式对彩色加以说明,常用有RGB,CMY,HSV,HSI等;
S022所述噪声去除是通过滤波锐化实现,以提升图像清晰度,再通过图像校正使得灰度较暗的样本图像的整体亮度提高;
进一步地,所述滤波锐化即边缘增强,就是补偿图像的轮廓,增强图像的边缘及灰度跳变的部分,使图像变得清晰,分类为空域处理和频域处理两类,目的是为了突出图像上地物的边缘、轮廓,或某些线性目标要素的特征,提高地物边缘与周围像元之间的反差;
所述图像校正是指对失真图像进行的复原性处理,而引起图像失真的原因有:成象系统的象差、畸变、带宽有限等造成的图象失真,或是由于成象器件拍摄姿态和扫描非线性引起的图象几何失真,或是由于运动模糊、辐射失真、引入噪声等造成的图像失真;其基本思路是:根据图像失真原因,建立相应的数学模型,从被污染或畸变的图象信号中提取所需要的信息,沿着使图象失真的逆过程恢复图象本来面貌,其中实际的复原过程是设计一个滤波器,使其能从失真图象中计算得到真实图象的估值,使其根据预先规定的误差准则,最大程度地接近真实图象。
S023中,所述图像增强是利用一个mask,通过对样本图像和空间掩模做卷积操作,实现对样本图像的锐化;
其中,所述mask即图像掩膜,就是用选定的图像、图形或物体,对所处理的图像的全部或局部进行遮挡,从而控制图像处理的区域或处理过程,用于覆盖的特定图像或物体称为掩模或模板,如在数字图像处理中,掩模为二维矩阵数组,有时也用多值图像;图像掩模主要用于:提取感兴趣区,用预先制作的感兴趣区掩模与待处理图像相乘,得到感兴趣区图像,感兴趣区内图像值保持不变,而区外图像值都为0;屏蔽作用,用掩模对图像上某些区域作屏蔽,使其不参加处理或不参加处理参数的计算,或仅对屏蔽区作处理或统计;结构特征提取,用相似性变量或图像匹配方法检测和提取图像中与掩模相似的结构特征;特殊形状图像的制作。
S024中,所述形态学处理包括提取对于表达和描绘区域形状有用处的图像分量,比如边界、骨架以及凸壳;还包括用于预处理或后处理的形态学过滤、细化和修剪等;最终实现对图像的平滑处理,去除强烈的反射光、平衡图像暗处的细节。
参见图4,步骤S40之后具体包括:
S50:获取识别错误的待检测部件图像。
S60:将所述识别错误的待检测部件图像作为新的样本图像,并存储入增量学习样本库。
S70:利用所述增量学习样本库对所述深度神经网络模型进行训练并更新。
S60所述增量学习样本库的作用主要表现于两个方面:一方面由于其无需保存历史数据,减少了存储空间的占用;另一方面增量学习在当前的样本训练中充分利用了历史的训练结果,从而显著地减少了后续训练的时间。
其中,还包括运用增量学习算法,具体有以下特点:可以从新数据中学习新知识;以前已经处理过的数据不需要重复处理;每次只有一个训练观测样本被看到和学习;学习新知识的同时能保存以前学习到的大部分知识;—旦学习完成后训练观测样本被丢弃;学习系统没有关于整个训练样本的先验知识。
所述对深度神经网络模型进行训练就是用训练数据的输入经过网络计算出输出,再和训练样本计算出损失输出值,最后计算出梯度值来更新权重矩阵的过程。
综上,第一实施例产生的有益效果为:通过人工智能和机器视觉,采用深度学习,实现自动化的车底故障检测,同时与传统的人工检测相比,降低了工人的劳动强度,提高了效率并且不受人为因素影响,很大程度上提高了检测精度。
进一步地,请参阅图5,本发明第二实施例还提供了一种基于人工智能的车底故障检测装置,包括:
图像获取单元1,用于获取图像采集设备采集的车底图像;
图像处理单元2,用于对所述车底图像进行预处理,并对预处理得到的车底图像进行分割定位,得到待检测部件图像;
故障识别单元3,用于根据预先建立的深度神经网络模型对所述待检测部件图像进行故障识别,以计算所述待检测部件图像对应的车部件存在故障的概率;其中,所述深度神经网络模型通过对经过预处理后的带标签的样本图像集进行训练获得;所述样本图像集包括正样本图像以及负样本图像;
标记单元4,用于当所述概率大于预设的阈值时,判断所述车部件可能存在故障,标记所述待检测部件图像。
进一步地,本发明实施例还提供了一种基于人工智能的车底故障检测装置,还包括:
样本图像获取单元5,用于通过所述图像采集设备获取样本图像,并将所述样本图像保存至样本图像集;其中,所述样本图像包括正样本图像以及负样本图像,且正样本图像和负样本图像标记有对应的标签;
预处理单元6,用于对采集的样本图像进行预处理,以凸显边缘信息;
模型训练单元7,用于基于深度学习技术,采用深度神经网络对经过预处理后的样本图像进行初始化训练,得到深度神经网络模型。
更进一步地,本发明实施例还提供了一种基于人工智能的车底故障检测装置,还包括:
错误车底图像获取单元8,用于获取识别错误的待检测部件图像;
增量单元9,用于将所述识别错误的待检测部件图像作为新的样本图像,并存储入增量学习样本库;
模型更新单元10,用于利用所述增量学习样本库对所述深度神经网络模型进行训练并更新。
本发明第三实施例还提供了一种基于人工智能的车底故障检测设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述的基于人工智能的车底故障检测方法。
本发明第四实施例还提供了一种基于人工智能的车底故障检测系统,包括至少两套图像采集设备以及上述的基于人工智能的车底故障检测设备;其中,每套图像采集设备包括云台控制器,光源,工业相机和相机云台;所述工业相机以及所述光源固定于所述相机云台上,所述云台控制器与所述相机云台电气连接;所述基于人工智能的车底故障检测设备与所述云台控制器,光源,工业相机和相机云台均电气连接。
基于人工智能的车底故障检测设备可以为上位机。工业相机采集到的车底图像,通过以太网通讯图像信号传输到上位机中,然后上位机作为可以直接发出操控命令的计算机,在相应的设备屏幕上显示各种信号变化,以便后续进行处理。
可以为两套图像采集设备组成的双目系统。双目系统避免了在某些位置捕捉出现的图像时,产生的角度偏差过大,此时可由另一相机来替补进行图像捕捉,即同时对图像进行获取,所以应在安装过程中对芯片点焊位置进行准确定位。
综上所述,本发明实施例通过图像获取以及处理技术,加上结合了深度学习技术的深度神经网络模型等,实现了地铁车底缺陷的自动化检测,提高检测效率和检测精度,与传统的人工检测相比,减轻从业人员的大量体力劳动并避免了恶劣的工作环境。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (9)
1.一种基于人工智能的车底故障检测方法,其特征在于,包括:
获取图像采集设备采集的车底图像;
对所述车底图像进行预处理,并对预处理得到的车底图像进行分割定位,得到待检测部件图像;
根据预先建立的深度神经网络模型对所述待检测部件图像进行故障识别,以计算所述待检测部件图像对应的车部件存在故障的概率;其中,所述深度神经网络模型通过对经过预处理后的带标签的样本图像集进行训练获得;所述样本图像集包括正样本图像以及负样本图像;
当所述概率大于预设的阈值时,判断所述车部件可能存在故障,标记所述待检测部件图像。
2.根据权利要求1所述的基于人工智能的车底故障检测方法,其特征在于,在获取图像采集设备采集的车底图像之前,还包括:
获取样本图像,并将所述样本图像保存至样本图像集;其中,所述样本图像包括正样本图像以及负样本图像,且正样本图像和负样本图像标记有对应的标签;
对采集的所述样本图像进行预处理,以凸显边缘信息;
基于深度学习技术,采用深度神经网络对经过预处理后的样本图像进行初始化训练,得到深度神经网络模型。
3.根据权利要求2所述的基于人工智能的车底故障检测方法,其特征在于,所述对采集的样本图像进行预处理包括:
对所述样本图像进行颜色空间变换;
对颜色空间变换后的样本图像进行噪声去除以及校正;其中,通过滤波锐化对所述样本图像进行噪声去除以提升图像清晰度;通过使灰度较暗的样本图像的整体亮度提高来实现校正;
对所述样本图像进行图像增强;其中,利用一个mask,通过对样本图像和空间掩模做卷积操作,实现对样本图像的锐化;
对图像增强后的样本图像进行形态学处理。
4.根据权利要求1所述的基于人工智能的车底故障检测方法,其特征在于,在当所述概率大于预设的阈值时,判断所述车部件可能存在故障,标记所述待检测部件图像之后,还包括:
获取识别错误的待检测部件图像;
将所述识别错误的待检测部件图像作为新的样本图像,并存储入增量学习样本库;
利用所述增量学习样本库对所述深度神经网络模型进行训练并更新。
5.一种基于人工智能的车底故障检测装置,其特征在于,包括:
图像获取单元,用于获取图像采集设备采集的车底图像;
图像处理单元,用于对所述车底图像进行预处理,并对预处理得到的车底图像进行分割定位,得到待检测部件图像;
故障识别单元,用于根据预先建立的深度神经网络模型对所述待检测部件图像进行故障识别,以计算所述待检测部件图像对应的车部件存在故障的概率;其中,所述深度神经网络模型通过对经过预处理后的带标签的样本图像集进行训练获得;所述样本图像集包括正样本图像以及负样本图像;
标记单元,用于当所述概率大于预设的阈值时,判断所述车部件可能存在故障,标记所述待检测部件图像。
6.根据权利要求5所述的基于人工智能的车底故障检测装置,其特征在于,还包括:
样本图像获取单元,用于通过所述图像采集设备获取样本图像,并将所述样本图像保存至样本图像集;其中,所述样本图像包括正样本图像以及负样本图像,且正样本图像和负样本图像标记有对应的标签;
预处理单元,用于对采集的样本图像进行预处理,以凸显边缘信息;
模型训练单元,用于基于深度学习技术,采用深度神经网络对经过预处理后的样本图像进行初始化训练,得到深度神经网络模型。
7.根据权利要求5所述的基于人工智能的车底故障检测装置,其特征在于,还包括:
错误车底图像获取单元,用于获取识别错误的待检测部件图像;
增量单元,用于将所述识别错误的待检测部件图像作为新的样本图像,并存储入增量学习样本库;
模型更新单元,用于利用所述增量学习样本库对所述深度神经网络模型进行训练并更新。
8.一种基于人工智能的车底故障检测设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-4任意一项所述的基于人工智能的车底故障检测方法。
9.一种基于人工智能的车底故障检测系统,其特征在于,包括至少两套图像采集设备以及如权利要求8所述的基于人工智能的车底故障检测设备;其中,每套图像采集设备包括云台控制器,光源,工业相机和相机云台;所述工业相机以及所述光源固定于所述相机云台上,所述云台控制器与所述相机云台电气连接;所述基于人工智能的车底故障检测设备与所述云台控制器,光源,工业相机和相机云台均电气连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810973612.7A CN109242835A (zh) | 2018-08-24 | 2018-08-24 | 基于人工智能的车底缺陷检测方法、装置、设备及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810973612.7A CN109242835A (zh) | 2018-08-24 | 2018-08-24 | 基于人工智能的车底缺陷检测方法、装置、设备及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242835A true CN109242835A (zh) | 2019-01-18 |
Family
ID=65068965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810973612.7A Pending CN109242835A (zh) | 2018-08-24 | 2018-08-24 | 基于人工智能的车底缺陷检测方法、装置、设备及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242835A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008901A (zh) * | 2019-04-04 | 2019-07-12 | 天津工业大学 | 一种基于Mask R-CNN的绝缘子故障识别与定位方法 |
CN110763685A (zh) * | 2019-10-22 | 2020-02-07 | 陕西源杰半导体技术有限公司 | Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置 |
CN111077159A (zh) * | 2019-12-31 | 2020-04-28 | 北京京天威科技发展有限公司 | 轨道电路箱盒故障检测方法、系统、设备及可读介质 |
CN111091557A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车承载鞍挡边折断故障检测方法及系统 |
CN111639215A (zh) * | 2020-06-01 | 2020-09-08 | 南京索安电子有限公司 | 一种人工智能的图像学习识图的车底扫描系统和实现方法 |
CN111860593A (zh) * | 2020-06-15 | 2020-10-30 | 北京华电天仁电力控制技术有限公司 | 一种基于生成对抗网络的风机叶片故障检测方法 |
CN112330614A (zh) * | 2020-10-27 | 2021-02-05 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的底板螺栓丢失检测方法 |
CN113788051A (zh) * | 2021-10-26 | 2021-12-14 | 成都运达科技股份有限公司 | 列车在站运行状态监测分析系统 |
CN115035763A (zh) * | 2022-06-22 | 2022-09-09 | 深圳市沃特沃德信息有限公司 | 听写优化方法、装置、计算机设备和存储介质 |
CN116148069A (zh) * | 2023-04-20 | 2023-05-23 | 河北亿泰克轴承有限公司 | 一种轴承拉伸强度检测装置及检测方法 |
CN117557570A (zh) * | 2024-01-12 | 2024-02-13 | 中数智科(杭州)科技有限公司 | 一种轨道车辆异常检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN105631596A (zh) * | 2015-12-29 | 2016-06-01 | 山东鲁能软件技术有限公司 | 一种基于多维分段拟合的设备故障诊断方法 |
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 |
US20170169299A1 (en) * | 2015-12-15 | 2017-06-15 | National Chung Shan Institute Of Science And Technology | Vehicle detection method based on thermal imaging |
CN107665353A (zh) * | 2017-09-15 | 2018-02-06 | 平安科技(深圳)有限公司 | 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质 |
CN108376268A (zh) * | 2018-05-21 | 2018-08-07 | 北京京天威科技发展有限公司 | 地铁电动客车列检车底、车侧故障检测系统和方法 |
-
2018
- 2018-08-24 CN CN201810973612.7A patent/CN109242835A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
US20170169299A1 (en) * | 2015-12-15 | 2017-06-15 | National Chung Shan Institute Of Science And Technology | Vehicle detection method based on thermal imaging |
CN105631596A (zh) * | 2015-12-29 | 2016-06-01 | 山东鲁能软件技术有限公司 | 一种基于多维分段拟合的设备故障诊断方法 |
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 |
CN107665353A (zh) * | 2017-09-15 | 2018-02-06 | 平安科技(深圳)有限公司 | 基于卷积神经网络的车型识别方法、装置、设备及计算机可读存储介质 |
CN108376268A (zh) * | 2018-05-21 | 2018-08-07 | 北京京天威科技发展有限公司 | 地铁电动客车列检车底、车侧故障检测系统和方法 |
Non-Patent Citations (6)
Title |
---|
FAN J.等: "A Learning Based Approach for Vehicle Detection", 《TENCON 2006 - 2006 IEEE REGION 10 CONFERENCE》 * |
宋海强 等: "一种车底监控系统", 《汽车电器》 * |
徐春广 等: "《回转体的结构光测量原理》", 31 January 2017, 北京:国防工业出版社 * |
李兵 等: "《《机械故障信号的数学形态学分析与智能分类》》", 31 October 2011, 北京:国防工业出版社 * |
李静: "机车车底关键螺栓故障检测技术研究", 《中国优秀硕士学位论文全文数据库 工程科技辑II辑》 * |
蔡静颖 著: "《模糊聚类算法及应用》", 31 August 2015, 北京:冶金工业出版社 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008901A (zh) * | 2019-04-04 | 2019-07-12 | 天津工业大学 | 一种基于Mask R-CNN的绝缘子故障识别与定位方法 |
CN110763685A (zh) * | 2019-10-22 | 2020-02-07 | 陕西源杰半导体技术有限公司 | Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置 |
CN110763685B (zh) * | 2019-10-22 | 2020-12-08 | 陕西源杰半导体技术有限公司 | Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置 |
CN111091557A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车承载鞍挡边折断故障检测方法及系统 |
CN111091557B (zh) * | 2019-12-12 | 2020-07-31 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车承载鞍挡边折断故障检测方法及系统 |
CN111077159A (zh) * | 2019-12-31 | 2020-04-28 | 北京京天威科技发展有限公司 | 轨道电路箱盒故障检测方法、系统、设备及可读介质 |
CN111639215A (zh) * | 2020-06-01 | 2020-09-08 | 南京索安电子有限公司 | 一种人工智能的图像学习识图的车底扫描系统和实现方法 |
CN111860593B (zh) * | 2020-06-15 | 2023-08-18 | 国能信控互联技术有限公司 | 一种基于生成对抗网络的风机叶片故障检测方法 |
CN111860593A (zh) * | 2020-06-15 | 2020-10-30 | 北京华电天仁电力控制技术有限公司 | 一种基于生成对抗网络的风机叶片故障检测方法 |
CN112330614A (zh) * | 2020-10-27 | 2021-02-05 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的底板螺栓丢失检测方法 |
CN112330614B (zh) * | 2020-10-27 | 2021-06-18 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的底板螺栓丢失检测方法 |
CN113788051A (zh) * | 2021-10-26 | 2021-12-14 | 成都运达科技股份有限公司 | 列车在站运行状态监测分析系统 |
CN115035763A (zh) * | 2022-06-22 | 2022-09-09 | 深圳市沃特沃德信息有限公司 | 听写优化方法、装置、计算机设备和存储介质 |
CN116148069A (zh) * | 2023-04-20 | 2023-05-23 | 河北亿泰克轴承有限公司 | 一种轴承拉伸强度检测装置及检测方法 |
CN116148069B (zh) * | 2023-04-20 | 2023-06-27 | 河北亿泰克轴承有限公司 | 一种轴承拉伸强度检测装置及检测方法 |
CN117557570A (zh) * | 2024-01-12 | 2024-02-13 | 中数智科(杭州)科技有限公司 | 一种轨道车辆异常检测方法及系统 |
CN117557570B (zh) * | 2024-01-12 | 2024-05-24 | 中数智科(杭州)科技有限公司 | 一种轨道车辆异常检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242835A (zh) | 基于人工智能的车底缺陷检测方法、装置、设备及系统 | |
US11748976B2 (en) | Automated plant detection using image data | |
Dias et al. | Multispecies fruit flower detection using a refined semantic segmentation network | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN114092386A (zh) | 缺陷检测方法和设备 | |
Elfiky et al. | Automation of dormant pruning in specialty crop production: An adaptive framework for automatic reconstruction and modeling of apple trees | |
KR102053582B1 (ko) | 딥러닝 기반 영상패턴학습을 이용한 토지피복 분류 방법 | |
JP2023504624A (ja) | 作物の被害を特定するためのシステム及び方法 | |
Briechle et al. | Silvi-Net–A dual-CNN approach for combined classification of tree species and standing dead trees from remote sensing data | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN112801972A (zh) | 一种桥梁缺陷检测方法、设备、系统及存储介质 | |
CN110599507A (zh) | 一种番茄识别定位方法及系统 | |
Yang et al. | Research on insect identification based on pattern recognition technology | |
CN111105421A (zh) | 一种脑白质高信号分割方法、装置、设备及存储介质 | |
Jenifa et al. | Classification of cotton leaf disease using multi-support vector machine | |
CN116543386A (zh) | 一种基于卷积神经网络的农业病虫害图像识别方法 | |
Jin et al. | Detection method for table grape ears and stems based on a far-close-range combined vision system and hand-eye-coordinated picking test | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
CN110414551A (zh) | 一种基于rcnn网络对医疗器械进行自动分类的方法及系统 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
Khan et al. | Segmentation of single and overlapping leaves by extracting appropriate contours | |
Zamri et al. | Wood species recognition system based on improved basic grey level aura matrix as feature extractor | |
Adão et al. | Multi-purpose chestnut clusters detection using deep learning: A preliminary approach | |
Scholz et al. | Determination of detailed morphological features for phenotyping of sugar beet plants using 3D-stereoscopic data | |
Marcuzzo et al. | Automatic cell segmentation from confocal microscopy images of the Arabidopsis root |
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: 20190118 |
|
RJ01 | Rejection of invention patent application after publication |