CN109300114A - 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法 - Google Patents

高铁接触网支撑装置极小目标零部件顶紧缺失检测方法 Download PDF

Info

Publication number
CN109300114A
CN109300114A CN201811017113.7A CN201811017113A CN109300114A CN 109300114 A CN109300114 A CN 109300114A CN 201811017113 A CN201811017113 A CN 201811017113A CN 109300114 A CN109300114 A CN 109300114A
Authority
CN
China
Prior art keywords
detection
components
support device
anchor point
out against
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
Application number
CN201811017113.7A
Other languages
English (en)
Inventor
刘志刚
王立有
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201811017113.7A priority Critical patent/CN109300114A/zh
Publication of CN109300114A publication Critical patent/CN109300114A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高铁接触网支撑装置极小目标零部件顶紧缺失检测方法。包括以下步骤：通过接触网检测车的接触网悬挂状态检测检测装置4C连续采集大量现场图片；根据Pascal VOC2007数据集格式手工标注数据；训练引入动态锚点机制(dynamic anchor mechanism)的Faster R‑CNN模型并根据训练好的目标检测模型获得接触网支撑装置零部件间种类和位置；通过检测到的零部件之间的相对位置关系，给出极小零部件的缺失分析结果。本发明在不增加内存开销以及原始算法复杂度的同时有效地提升了小目标检测精度，较好解决了接触网多尺度目标检测对实时性和准确性的要求。

Description

高铁接触网支撑装置极小目标零部件顶紧缺失检测方法
技术领域
本发明涉及高铁接触网支持装置零部件识别检测领域，具体涉及到一种高铁接触网支撑装置极小目标零部件顶紧缺失检测方法。
背景技术
近年来，高速铁路在中国快速发展，截至2017年底，中国高铁运营里程占世界高铁运营总里程66.3％以上。与此同时，高速铁路也在逐步提速，已经成为最重要的交通手段，这对高速铁路的安全性能提出了更高的要求。接触网腕臂支撑装置作为高速铁路的架空接触网的主要设施，决定着接触网是否能够安全运行。而接触网是当前高速铁路的唯一供电网络，因此接触网腕臂支撑装置的零部件检测对高速铁路安全运行起到重要作用。
目前，接触网悬挂状态检测检测装置(4C)具有智能识别腕臂支撑装置零部件松脱、断裂的故障功能。但不同生产厂家识别质量好坏不一，而且需要人工识别干预和确认，智能程度还需要进一步提升。在某些地区，人工巡检的情况依然存在，耗时且效率低。提高识别腕臂支撑装置零部件故障的自动化程度值得进一步研究。
在接触网目标检测领域，需要检测销钉、顶紧、螺帽之类仅仅占全图约1.81×10-4的小物体，通用物件检测算法像Faster R-CNN、R-FCN、YOLO、SSD这一类算法并不能检测到这一类小目标。而接触网腕臂支撑装置迫切需要检测这类目标，因为腕臂支撑装置发生的故障大多为销钉、螺帽脱落之类的故障。这一类故障人眼判别也较吃力，需要将图放大才能判断。针对接触网小目标检测，一种级联神经网络的方法[Chen J,Liu Z,Wang H,etal.Automatic defect detection of fasteners on the catenary support deviceusing deep convolutional neural network[J].IEEE Transactions onInstrumentation and Measurement,2017]被提出，该方法首先用一个神经网络检测包含销钉的区域，将检测到的区域传入到另一个神经网络来定位销钉的位置，然而该方法比较冗余，没有利用共享卷积特征，经过改进，性能还可以得到极大提升。文献[钟俊平,刘志刚,张桂南,等.高铁接触网旋转双耳销钉状态检测方法研究[J].铁道学报,2017,(06):65-71]通过首先定位较大部件旋转双耳，然后再利用接触网领域知识进一步分割出销钉。上述两种方法都有着共同的问题：不能实现一步定位。在通用小目标物体检测方面，一种把低分辨率、高语义信息的高层特征和高分辨率、低语义信息的低层特征进行自上而下的侧边连接，使得所有尺度下的特征都有丰富的语义信息的方法，被称为feature pyramid networks(FPN)，FPN利用多尺度的特征图，然后固定每种特征图对应的anchor尺寸，从而实现了多尺度目标检测。DenseBox[Huang L,Yang Y,Deng Y,et al.Densebox:Unifying landmarklocalization with end to end object detection[J].arXiv preprint arXiv:1509.04874,2015]保留图像低层的特征，保持对小物体的召回率，同时在网络中融合不同层的特征，为了能更好地处理检测目标的尺度，该网络有多个分支，可以同时检测不同大小的物体。
发明内容
本发明的目的在于提供一种针对高铁接触网支撑装置不同尺度的零部件的定位方法，以接触网支撑装置零部件顶紧为实际案例。该方法的本质是基于Faster RCNN框架的基础上引入了动态锚点机制(dynamic anchor mechanism)，使得Faster RCNN生成区域候选框的中心更加接近真实物体的中心，从而提高检测率。该方法提高了小目标检测的精度的同时几乎不增加运行时的内存和显存。
本发明的目的是通过如下的手段实现的：
一种高铁接触网支撑装置极小目标零部件顶紧缺失检测方法，通过接触网检测车的4C装置连续采集大量现场图片；根据Pascal VOC2007数据格式手工标注数据；训练引入动态锚点机制的Faster R-CNN模型并根据训练好的目标检测模型获得接触网支撑装置零部件间种类和位置；根据检测到的零部件之间的相对位置关系，给出极小零部件的缺失分析结果。其具体工作包括：
A、通过接触网检测车的4C装置采集大量接触网支撑装置现场图片；
B、按照Pascal VOC2007数据格式标记现场采集来的图片，生成标签xml文件；在制作数据集时需标记顶紧、斜支撑套筒；
C、将图片和对应的标签xml文件送入具有动态锚点的Faster R-CNN框架中训练得到接触网零部件目标检测模型；
D、根据检测结果以及零部件之间的相对位置关系，对零部件缺失的状况给出分析结果。
实施过程中，具体包括如下过程:
1、通过接触网检测车的4C装置采集大量接触网支撑装置现场图片。接触网巡检车采集的原始图片为4400×6600，在实际使用为了减少内存和显存占用，可缩放为880×1320。
2、按照Pascal VOC2007数据格式标记现场采集来的图片，生成标签xml文件。在制作数据集时主要标记顶紧、斜支撑套筒、绝缘子等尺度差异较大零部件。选择清晰度高的图片进行标记，标记时要尽量包含零部件的外围同时又不要过度包含，标记后进行检查，不要出现误标记情况，标记图片总量约为5000张，并按照0.8:0.1:0.1生成训练集、验证集、测试集。
3、将图片和对应的标签文件送入具有动态锚点的Faster R-CNN框架中训练得到接触网零部件目标检测模型。为了实现动态锚点，引入1层卷积神经网络，连接在Faster R-CNN后面，卷积核大小为1×1，步长为1，输出通道数为1，这层卷积神经网络被叫做Delta-Anchor层，Delta-Anchor层的输出固定每个固定锚点的偏移量，其值位于0-1之间。动态锚点损失函数为：
其中anchorcenter为多尺度Anchor的锚点坐标中心的偏移量的估计值，即为Delta-Anchor层的输出；GTcenter为真实物体矩形框的坐标中心相对原始固定锚点的坐标中心的偏移量，n为固定锚点个数。
其余部分的网络同原始的Faster R-CNN网络结构。
4、根据检测结果以及零部件之间的相对位置关系，对零部件缺失的状况给出分析结果。根据以上的定位模型，可以得到出顶紧和斜支撑套筒的位置。根据顶紧的位置矩形框应该始终位于斜支撑套筒的预测矩形框内这一相对位置关系，可以判断出顶紧是缺失。如果检测出斜支撑套筒但是没有检测出顶顶紧，则顶紧缺失。
与现有技术相比，本发明的有益效果是：
1、本发明在基于Faster R-CNN引入Delta-Anchor层，在几乎不增加运行内存和显存的情况下可以生成更精确的区域候选框的中心，从而提高检测精度。
2、本发明的动态锚点机制的思想不但适用于Faster R-CNN框架，同样适用于其他基于锚点机制的目标检测框架，具有可迁移性。
3、本发明有效提高了接触网支撑装置图片中的极小目标的检测精度，提高了接触网零部件缺失故障检测的效率。
综上所述，本发明提高了小目标的物体检测的精度，可迁移性强，具有很好地应用前景。
附图说明
图1为固定锚点和anchor示意图。
图2为动态锚点示意图。
图3为具有动态锚点机制的Faster R-CNN的网络结构。
具体实施方式
下面结合附图对本发明的实施方式作进一步的详述，具体步骤如下：
A、通过接触网检测车的4C装置采集大量接触网支撑装置现场图片。
在接触网检测车拍摄的现场图片中，以红框和绿框分别标记斜支撑套筒和顶紧的位置，由实际情况可知顶级占据整张图片的比例是很小的。
B、按照Pascal VOC2007数据格式标记现场采集来的图片，生成标签xml文件。由于本发明着重检测顶紧是否缺失，由于顶级属于斜支撑套筒的一部分，因此必须同时标记顶紧与斜支撑套筒，这主要是考虑到缺失检测的时候可能图片本身就没有顶紧存在以至于会被误报。用方框来标记顶紧与斜支撑套筒。标记顶紧需仔细，刚刚框住顶级即可，不可以过大或者过小。Pascal VOC2007数据集生成标签xml文件主要记录图片的名称位置，图片内的类别以及坐标框的位置。
C、将图片和对应的标签xml文件送入具有动态锚点机制的Faster R-CNN框架中训练得到接触网零部件目标检测模型。包含以下步骤：
(1)锚点的图示如图1所示，在未引入动态锚点机制前，Faster R-CNN的锚点就是特征图的每个像素点的位置，即图1中的每个黑点。矩形框即为Anchor，特征图即为特征网络(见图3)的输出。动态锚点的含义即为锚点的位置不再固定，而是可以在一定位置内发生变化。如图2所示，圆点表示固定的锚点位置，在原始的Faster R-CNN版本中，只能以方框点的位置为中心生成区域候选框。引入动态锚点机制后，则可以以图2中方框点的位置为区域候选框的中心生成区域候选框。
(2)具有动态锚点的Faster R-CNN框架如图3所示，输入的图片首先经过特征提取网络，本发明选取VGG16网络，经过4次池化后输出的特征图的大小为38×57。在原始的Faster R-CNN的版本中，特征图每个像素点的位置即为锚点位置，特征图经过delta-anchor层输出每个锚点位置的偏移量，固定锚点加上每个锚点偏移量，即形成了新的区域候选框的中心，以此为中心生成的区域候选框进一步做后续微调处理，原理同原始的Faster R-CNN。在本发明中delta-anchor层仅仅用了1×1卷积核步长为1的卷积操作，实际应用中不需要按照这个方式处理，可以使用多个卷积层或者全连接层，但是需要保证前后网络的维度匹配。
D、根据检测结果以及零部件之间的相对位置关系，对零部件缺失的状况给出分析结果。
根据实际拍摄的图片可以知道，顶级是斜支撑套筒的一部分，因此在正常情况下，存在斜支撑套筒的情况下必然存在顶紧。以此做为顶紧是否缺失判据，如果检测到了斜支撑套筒，但是没有检测到顶紧，则认定此时顶紧缺失。

Claims (1)

1.高铁接触网支撑装置极小目标零部件顶紧缺失检测方法，通过使用深度学习技术对大量接触网支撑装置现场采集的图片进行学习，实现不同尺度大小的零部件有效分类与定位，进而对定位后的零部件实现其故障状态的检测与评估，其具体工作步骤包含：
A、通过接触网检测车的接触网悬挂状态检测检测装置4C采集大量接触网支撑装置现场图片；
B、按照Pascal VOC2007数据格式标记现场采集来的图片，生成标签xml文件；
C、将图片和对应的标签xml文件送入具有动态锚点机制的Faster R-CNN框架中训练得到接触网零部件目标检测模型；具有动态锚点机制的Faster RCNN在原有的Faster RCNN的RPN基础上引入了新的损失函数，该损失函数的目的在于估计固定锚点与真实物体边框之间坐标差距，进而可以生成更精确的区域候选框的中心，从而提高检测精度；为了实现动态锚点，引入1层卷积神经网络，连接在Faster R-CNN后面，卷积核大小为1×1，步长为1，输出通道数为1，这层卷积神经网络被叫做Delta-Anchor层，Delta-Anchor层的输出固定每个固定锚点的偏移量；动态锚点损失函数为：
其中，其中anchorcenter为多尺度Anchor的锚点坐标中心的偏移量的估计值，即为Delta-Anchor层的输出；GTcenter为真实物体矩形框的坐标中心相对原始固定锚点的坐标中心的偏移量，n为固定锚点个数；
D、运行检测模型得到检测结果，根据检测结果，通过接触网零件之间的相对位置关系对零部件缺失的状况给出分析结果；如果检测出斜支撑套筒但是没有检测出顶顶紧，则顶紧缺失。
CN201811017113.7A 2018-08-30 2018-08-30 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法 Pending CN109300114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811017113.7A CN109300114A (zh) 2018-08-30 2018-08-30 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811017113.7A CN109300114A (zh) 2018-08-30 2018-08-30 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法

Publications (1)

Publication Number Publication Date
CN109300114A true CN109300114A (zh) 2019-02-01

Family

ID=65165908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811017113.7A Pending CN109300114A (zh) 2018-08-30 2018-08-30 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法

Country Status (1)

Country Link
CN (1) CN109300114A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110246128A (zh) * 2019-06-17 2019-09-17 苏州浪潮智能科技有限公司 一种基于深度学习的工业故障检测方法以及设备
CN110363769A (zh) * 2019-06-19 2019-10-22 西南交通大学 一种高铁接触网支撑装置腕臂系统图像分割方法
CN110942455A (zh) * 2019-11-26 2020-03-31 南方电网数字电网研究院有限公司 输电线路开口销缺失检测方法、装置和计算机设备
CN111079627A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车制动梁梁体折断故障图像识别方法
CN111080600A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车弹簧托板上开口销的故障识别方法
CN111080599A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车钩提杆的故障识别方法
CN111080617A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车制动梁支柱圆销丢失故障识别方法
CN111091541A (zh) * 2019-12-12 2020-05-01 哈尔滨市科佳通用机电股份有限公司 一种铁路货车横跨梁组装螺母丢失故障识别方法
CN112014400A (zh) * 2020-07-28 2020-12-01 中国铁建电气化局集团第五工程有限公司 一种基于4c检测技术的高铁接触网防零部件脱落新技术
CN112668497A (zh) * 2020-12-30 2021-04-16 南京佑驾科技有限公司 一种车辆精准定位与识别方法及系统
CN112749741A (zh) * 2020-12-30 2021-05-04 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的手闸紧固故障识别方法
CN112766260A (zh) * 2021-01-15 2021-05-07 哈尔滨市科佳通用机电股份有限公司 铁路列车加速缓解风缸定位的图像识别方法及系统
CN114821478A (zh) * 2022-05-05 2022-07-29 北京容联易通信息技术有限公司 一种基于视频智能分析的工序流程检测方法及系统
CN116883763A (zh) * 2023-09-06 2023-10-13 宁德市天铭新能源汽车配件有限公司 一种基于深度学习的汽车零部件缺陷检测方法及系统
CN113744211B (zh) * 2021-08-19 2023-11-03 衢州光明电力投资集团有限公司赋腾科技分公司 一种图像中基于方位组合的目标部件缺失检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102307358A (zh) * 2011-09-27 2012-01-04 山东大学 基于信息度量的移动传感器网络主动定位方法
CN104735777A (zh) * 2013-12-20 2015-06-24 中国民用航空总局第二研究所 一种未知节点利用多跳锚点邻居对其自身进行定位的方法
CN106919978A (zh) * 2017-01-18 2017-07-04 西南交通大学 一种高铁接触网支撑装置零部件识别检测方法
CN106952250A (zh) * 2017-02-28 2017-07-14 北京科技大学 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置
CN107122705A (zh) * 2017-03-17 2017-09-01 中国科学院自动化研究所 基于三维人脸模型的人脸关键点检测方法
CN107515895A (zh) * 2017-07-14 2017-12-26 中国科学院计算技术研究所 一种基于目标检测的视觉目标检索方法与系统
CN107527029A (zh) * 2017-08-18 2017-12-29 卫晨 一种改进的Faster R‑CNN人脸检测方法
CN107633267A (zh) * 2017-09-22 2018-01-26 西南交通大学 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法
CN108009509A (zh) * 2017-12-12 2018-05-08 河南工业大学 车辆目标检测方法
CN108229530A (zh) * 2017-09-18 2018-06-29 深圳新誉德泰技术有限公司 一种腕臂故障分析方法及其分析装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102307358A (zh) * 2011-09-27 2012-01-04 山东大学 基于信息度量的移动传感器网络主动定位方法
CN104735777A (zh) * 2013-12-20 2015-06-24 中国民用航空总局第二研究所 一种未知节点利用多跳锚点邻居对其自身进行定位的方法
CN106919978A (zh) * 2017-01-18 2017-07-04 西南交通大学 一种高铁接触网支撑装置零部件识别检测方法
CN106952250A (zh) * 2017-02-28 2017-07-14 北京科技大学 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置
CN107122705A (zh) * 2017-03-17 2017-09-01 中国科学院自动化研究所 基于三维人脸模型的人脸关键点检测方法
CN107515895A (zh) * 2017-07-14 2017-12-26 中国科学院计算技术研究所 一种基于目标检测的视觉目标检索方法与系统
CN107527029A (zh) * 2017-08-18 2017-12-29 卫晨 一种改进的Faster R‑CNN人脸检测方法
CN108229530A (zh) * 2017-09-18 2018-06-29 深圳新誉德泰技术有限公司 一种腕臂故障分析方法及其分析装置
CN107633267A (zh) * 2017-09-22 2018-01-26 西南交通大学 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法
CN108009509A (zh) * 2017-12-12 2018-05-08 河南工业大学 车辆目标检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
EGGERT C等: ""A closer look：Small object detection in faster R-CNN"", <IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO> *
JIAWEI ZHANG等: ""Partial Network Alignment with Anchor Meta Path and Truncated Generic Stable Matching"", 《ARXIV》 *
YANG T等: ""MetaAnchor：Learning to Detect Objects with Customized Anchors"", 《ARXIV》 *
ZHIGANG LIU等: ""A High-Precision Loose Strands Diagnosis Approach for Isoelectric Line in High-Speed Raiway"", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 *
ZHUOYAO ZHONG等: ""An Anchor-Free Region Proposal Network for Faster R-CNN based Text Detection Approaches"", 《ARXIVE》 *
张桂南等: ""高速铁路接触网承力索座识别与辅助承力索缺失故障检测方法研究"", 《铁道学报》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110246128A (zh) * 2019-06-17 2019-09-17 苏州浪潮智能科技有限公司 一种基于深度学习的工业故障检测方法以及设备
CN110363769A (zh) * 2019-06-19 2019-10-22 西南交通大学 一种高铁接触网支撑装置腕臂系统图像分割方法
CN110363769B (zh) * 2019-06-19 2023-03-10 西南交通大学 一种高铁接触网支撑装置腕臂系统图像分割方法
CN110942455A (zh) * 2019-11-26 2020-03-31 南方电网数字电网研究院有限公司 输电线路开口销缺失检测方法、装置和计算机设备
CN111079627A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车制动梁梁体折断故障图像识别方法
CN111080600A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车弹簧托板上开口销的故障识别方法
CN111080599A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车钩提杆的故障识别方法
CN111080617A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车制动梁支柱圆销丢失故障识别方法
CN111091541A (zh) * 2019-12-12 2020-05-01 哈尔滨市科佳通用机电股份有限公司 一种铁路货车横跨梁组装螺母丢失故障识别方法
CN112014400A (zh) * 2020-07-28 2020-12-01 中国铁建电气化局集团第五工程有限公司 一种基于4c检测技术的高铁接触网防零部件脱落新技术
CN112749741A (zh) * 2020-12-30 2021-05-04 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的手闸紧固故障识别方法
CN112749741B (zh) * 2020-12-30 2021-10-01 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的手闸紧固故障识别方法
CN112668497A (zh) * 2020-12-30 2021-04-16 南京佑驾科技有限公司 一种车辆精准定位与识别方法及系统
CN112766260A (zh) * 2021-01-15 2021-05-07 哈尔滨市科佳通用机电股份有限公司 铁路列车加速缓解风缸定位的图像识别方法及系统
CN112766260B (zh) * 2021-01-15 2021-09-14 哈尔滨市科佳通用机电股份有限公司 铁路列车加速缓解风缸定位的图像识别方法及系统
CN113744211B (zh) * 2021-08-19 2023-11-03 衢州光明电力投资集团有限公司赋腾科技分公司 一种图像中基于方位组合的目标部件缺失检测方法
CN114821478A (zh) * 2022-05-05 2022-07-29 北京容联易通信息技术有限公司 一种基于视频智能分析的工序流程检测方法及系统
CN114821478B (zh) * 2022-05-05 2023-01-13 北京容联易通信息技术有限公司 一种基于视频智能分析的工序流程检测方法及系统
CN116883763A (zh) * 2023-09-06 2023-10-13 宁德市天铭新能源汽车配件有限公司 一种基于深度学习的汽车零部件缺陷检测方法及系统
CN116883763B (zh) * 2023-09-06 2023-12-12 宁德市天铭新能源汽车配件有限公司 一种基于深度学习的汽车零部件缺陷检测方法及系统

Similar Documents

Publication Publication Date Title
CN109300114A (zh) 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法
CN102854191B (zh) 高速铁轨表面缺陷的实时视觉检测与识别方法
CN105741291A (zh) 一种高速铁路接触网悬挂装置等电位线故障检测方法
CN107742130A (zh) 基于深度学习的高铁接触网支持装置紧固件故障诊断方法
WO2024027009A1 (zh) 一种变电站绝缘子的红外热成像缺陷检测方法及装置
CN111080614A (zh) 铁路货车轮轮辋及踏面的破损识别方法
CN111899216A (zh) 一种高铁接触网绝缘子紧固件的异常检测方法
Wu et al. Automatic railroad track components inspection using hybrid deep learning framework
Lianqiao et al. Recognition and application of infrared thermal image among power facilities based on yolo
CN114549414A (zh) 一种针对轨道数据的异常变化检测方法及系统
Wang et al. Insulator defects detection for aerial photography of the power grid using you only look once algorithm
Xuan et al. Intelligent identification method of insulator defects based on CenterMask
Ren et al. Defect detection using combined deep autoencoder and classifier for small sample size
Jiang et al. Defect detection of pantograph slider based on improved faster R-CNN
Zhang et al. An improved DCGAN for fabric defect detection
CN112132088A (zh) 一种巡检点位漏巡识别方法
Li et al. Pantograph slide plate abrasion detection based on deep learning network
CN110084852A (zh) 一种高铁接触网支撑装置套筒顶紧螺栓的精确定位方法
Shouguo et al. Automatic detection method for small size transmission lines defect based on improved YOLOv3
CN112529881B (zh) 一种电力控制柜线缆异常识别方法及装置
Wenqiang et al. An Automatic Fracture Defect Detection Approach for Current-carrying Rings of Catenary Droppers Using A Multi-task Neural Network
Zhou et al. Yolov5-based defect detection for wafer surface micropipe
Liu et al. End-to-end high-speed railway dropper breakage and slack monitoring based on computer vision
Shen et al. Defect Detection of Catenary Suspension Insulator Based on Image Processing and YOLOX
Fan et al. Application research of image recognition technology based on improved SVM in abnormal monitoring of rail fasteners

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: 20190201