CN109949269A - 一种铁路列车防尘帽破损故障的检测方法及装置 - Google Patents
一种铁路列车防尘帽破损故障的检测方法及装置 Download PDFInfo
- Publication number
- CN109949269A CN109949269A CN201910066967.2A CN201910066967A CN109949269A CN 109949269 A CN109949269 A CN 109949269A CN 201910066967 A CN201910066967 A CN 201910066967A CN 109949269 A CN109949269 A CN 109949269A
- Authority
- CN
- China
- Prior art keywords
- dust cap
- image block
- cap
- dust
- brake lining
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 308
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 76
- 238000012706 support-vector machine Methods 0.000 claims abstract description 55
- 238000003745 diagnosis Methods 0.000 claims abstract description 46
- 230000007797 corrosion Effects 0.000 claims description 19
- 238000005260 corrosion Methods 0.000 claims description 19
- 238000013480 data collection Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种铁路列车防尘帽破损故障的检测方法及装置,所述方法包括:获得防尘帽的图像块;根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;获得破损预定阈值;判断所述投影曲线最小值是否大于所述破损预定阈值;如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。实现了智能化检测防尘帽破损故障,提高了列检效率和准确率,降低列车运行成本的技术效果。
Description
技术领域
本申请涉及计算机视觉和图像识别技术领域,尤其涉及一种铁路列车防尘帽破损故障的检测方法及装置。
背景技术
为了保证铁路列车的安全性,通常需要对铁路列车进行故障检测,防尘帽是列车基础制动缸装置中的部件,防尘帽的故障将会影响列车的制动缸的寿命,进而影响到列车的安全运行。
但本申请发明人在实现本申请实施例中技术方案的过程中,发现上述现有技术至少存在如下技术问题:
现有技术中通常由经验丰富的列检人员来检测防尘帽是否存在丢失、破损、有覆盖物等故障,因而存在人工列检效率较低,增加列车的运行成本,智能化程度低的技术问题。
申请内容
本申请实施例通过提供一种铁路列车防尘帽破损故障的检测方法及装置,用以解决通常由经验丰富的列检人员来检测防尘帽是否存在丢失、破损、有覆盖物等故障,因而存在人工列检效率较低,增加列车的运行成本,智能化程度低的技术问题。实现了智能化检测防尘帽破损故障,提高了列检效率和准确率,降低列车运行成本的技术效果。
为了解决上述问题,第一方面,本申请实施例提供了一种铁路列车防尘帽破损故障的检测方法,所述方法包括:根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;获得破损预定阈值;判断所述投影曲线最小值是否大于所述破损预定阈值;如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。
优选的,所述根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块之前,包括:获取车轮区域图像块;对所述车轮区域图像块进行分类,获得车轮区域数据集;当所述车轮区域数据集达到所述第一预设值时,利用支持向量机获取所述车轮区域数据集的分类特征;分别根据所述分类特征,获得车轮类型识别模型;根据所述车轮类型识别模型,获得铁路列车的车轮类型;根据所述铁路列车的车轮类型,判断所述铁路列车车型是否包含防尘帽。
优选的,所述根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块,包括:根据铁路列车的车轮的先验信息,获得第一定位车轮区域图像;根据粗定位车轮区域与闸片装置位置区域的先验关系,获得第一定位闸片装置区域图像块;对所述第一定位闸片装置区域图像块进行样本采集,截取所述第一定位闸片装置目标前景,获得闸片装置目标图像正样本集;截取闸片装置目标背景,获得闸片装置目标图像负样本集;根据所述支持向量机方法,分别获得所述闸片装置目标图像正样本集和所述闸片装置目标图像负样本集的分类特征;分别根据所述分类特征,获得闸片定位与识别模型;根据所述闸片定位与识别模型,对所述第一定位闸片装置区域图像进行定位与识别,获得第二定位闸片装置区域图像;根据第二定位闸片装置区域与防尘帽区域的相关位置先验信息,获取所述防尘帽的图像块。
优选的,所述根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型,包括:对所述防尘帽的图像块进行分类,获得所述防尘帽的图像块的目标类型;获得防尘帽存在区域数据集和防尘帽丢失数据集;分别提取所述防尘帽存在区域数据集和所述防尘帽丢失数据集的HOG特征;将所述防尘帽存在区域数据集和所述防尘帽丢失数据集的HOG特征作为输入数据;利用支持向量机方法获得所述防尘帽丢失故障诊断模型。
优选的,所述根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障,包括:根据所述防尘帽丢失故障诊断模型判断所述防尘帽的图像块的目标类型是否为1:如果所述目标类型为1,确定所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;如果所述目标类型不为1,确定所述防尘帽出现丢失故障。
优选的,所述对如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块之前,包括:
对所述防尘帽的图像块进行预处理,其中,所述预处理的公式为:
其中,Imax、Imin为预先计算的上下边界值。
优选的,所述对如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块之前,还包括:
对所述防尘帽的图像块进行数学形态学腐蚀处理,其中,所述数学形态学腐蚀处理的公式为:
g(x,y)=erode[f(x,y),B]=min{f(x+x',y+y')-B(x',y')|(x',y')∈Db}
其中,g(x,y)为腐蚀后的灰度图像;
f(x,y)为原灰度图像;
B为结构元素;
对所述数学形态学腐蚀处理后的防尘帽的图像块进行自适应阈值二值化处理;
获得第一位置图像块。
第二方面,本申请实施例还提供了一种铁路列车防尘帽破损故障的检测装置,所述装置包括:
第一获得单元,所述第一获得单元用于根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;
第一构建单元,所述第一构建单元用于根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;
第一判断单元,所述第一判断单元用于根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;
第二获得单元,所述第二获得单元用于如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;
第三获得单元,所述第三获得单元用于对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;
第四获得单元,所述第四获得单元用于获得破损预定阈值;
第二判断单元,所述第二判断单元用于判断所述投影曲线最小值是否大于所述破损预定阈值;
第一确定单元,所述第一确定单元用于如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。
优选的,所述装置还包括:
第五获得单元,所述第五获得单元用于获取车轮区域图像块;
第六获得单元,所述第六获得单元用于对所述车轮区域图像块进行分类,获得车轮区域数据集;
第七获得单元,所述第七获得单元用于当所述车轮区域数据集达到所述第一预设值时,利用支持向量机获取所述车轮区域数据集的分类特征;
第八获得单元,所述第八获得单元用于分别根据所述分类特征,获得车轮类型识别模型;
第九获得单元,所述第九获得单元用于根据所述车轮类型识别模型,获得铁路列车的车轮类型;
第三判断单元,所述第三判断单元用于根据所述铁路列车的车轮类型,判断所述铁路列车车型是否包含防尘帽。
优选的,所述第一获得单元包括:
第九获得单元,所述第九获得单元用于根据铁路列车的车轮的先验信息,获得第一定位车轮区域图像;
第十获得单元,所述第十获得单元用于根据粗定位车轮区域与闸片装置位置区域的先验关系,获得第一定位闸片装置区域图像块;
第十一获得单元,所述第十一获得单元用于对所述第一定位闸片装置区域图像块进行样本采集,截取所述第一定位闸片装置目标前景,获得闸片装置目标图像正样本集;
第十二获得单元,所述第十二获得单元用于截取闸片装置目标背景,获得闸片装置目标图像负样本集;
第十三获得单元,所述第十三获得单元用于根据所述支持向量机方法,分别获得所述闸片装置目标图像正样本集和所述闸片装置目标图像负样本集的分类特征;
第十四获得单元,所述第十四获得单元用于分别根据所述分类特征,获得闸片定位与识别模型;
第十五获得单元,所述第十五获得单元用于根据所述闸片定位与识别模型,对所述第一定位闸片装置区域图像进行定位与识别,获得第二定位闸片装置区域图像;
第十六获得单元,所述第十六获得单元用于根据第二定位闸片装置区域与防尘帽区域的相关位置先验信息,获取所述防尘帽的图像块。
优选的,所述第一构建单元包括:
第十七获得单元,所述第十七获得单元用于对所述防尘帽的图像块进行分类,获得所述防尘帽的图像块的目标类型;
第十八获得单元,所述第十八获得单元用于获得防尘帽存在区域数据集和防尘帽丢失数据集;
第一提取单元,所述第一提取单元用于分别提取所述防尘帽存在区域数据集和所述防尘帽丢失数据集的HOG特征;
第一输入单元,所述第一输入单元用于将所述防尘帽存在区域数据集和所述防尘帽丢失数据集的HOG特征作为输入数据;
第十九获得单元,所述第十九获得单元用于利用支持向量机方法获得所述防尘帽丢失故障诊断模型。
优选的,所述第一判断单元包括:
第四判断单元,所述第四判断单元用于根据所述防尘帽丢失故障诊断模型判断所述防尘帽的图像块的目标类型是否为1:
第二确定单元,所述第二确定单元用于如果所述目标类型为1,确定所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;
第三确定单元,所述第三确定单元用于如果所述目标类型不为1,确定所述防尘帽出现丢失故障。
优选的,所述装置包括:
第一预处理单元,所述第一预处理单元用于对所述防尘帽的图像块进行预处理,其中,所述预处理的公式为:
其中,Imax、Imin为预先计算的上下边界值。
优选的,所述装置还包括:
第一处理单元,所述第一处理单元用于对所述防尘帽的图像块进行数学形态学腐蚀处理,其中,所述数学形态学腐蚀处理的公式为:
g(x,y)=erode[f(x,y),B]=min{f(x+x',y+y')-B(x',y')|(x',y')∈Db}
其中,g(x,y)为腐蚀后的灰度图像;
f(x,y)为原灰度图像;
B为结构元素;
第二处理单元,所述第二处理单元用于对所述数学形态学腐蚀处理后的防尘帽的图像块进行自适应阈值二值化处理;
第二十获得单元,所述第二十获得单元用于获得第一位置图像块。
第三方面,本申请实施例还提供了一种铁路列车防尘帽破损故障的检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;获得破损预定阈值;判断所述投影曲线最小值是否大于所述破损预定阈值;如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;获得破损预定阈值;判断所述投影曲线最小值是否大于所述破损预定阈值;如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本申请实施例通过提供一种铁路列车防尘帽破损故障的检测方法及装置,所述方法包括:根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;获得破损预定阈值;判断所述投影曲线最小值是否大于所述破损预定阈值;如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。用以解决通常由经验丰富的列检人员来检测防尘帽是否存在丢失、破损、有覆盖物等故障,因而存在人工列检效率较低,增加列车的运行成本,智能化程度低的技术问题。实现了智能化检测防尘帽破损故障,提高了列检效率和准确率,降低列车运行成本的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本发明实施例中一种铁路列车防尘帽破损故障的检测的方法的流程示意图;
图2为本发明实施例中一种铁路列车防尘帽破损故障的检测的装置的结构示意图;
图3为本发明实施例中另一种铁路列车防尘帽破损故障的检测的装置的结构示意图。
附图标记说明:第一获得单元11,第一构建单元12,第一判断单元 13,第二获得单元14,第三获得单元15,第四获得单元16,第二判断单元17,第一确定单元18,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本申请实施例提供了一种铁路列车防尘帽破损故障的检测方法及装置,用以解决通常由经验丰富的列检人员来检测防尘帽是否存在丢失、破损、有覆盖物等故障,因而存在人工列检效率较低,增加列车的运行成本,智能化程度低的技术问题。
为了解决上述技术问题,本申请提供的技术方案总体思路如下:通过根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;获得破损预定阈值;判断所述投影曲线最小值是否大于所述破损预定阈值;如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。实现了智能化检测防尘帽破损故障,提高了列检效率和准确率,降低列车运行成本的技术效果。
下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
实施例一
图1为本发明实施例中一种铁路列车防尘帽破损故障的检测方法的流程示意图,如图1所示,所述方法包括:
步骤110:根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;
步骤120:根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;
步骤130:根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;
步骤140:如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;
步骤150:对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;
步骤160:获得破损预定阈值;
步骤170:判断所述投影曲线最小值是否大于所述破损预定阈值;
步骤180:如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。
具体而言,首先根据支持向量机方法对铁路列车的防尘帽位置进行精确定位,从而可以准确地获取防尘帽的图像块,然后针对已定位的所述防尘帽的图像块,采用所述支持向量机方法来构建防尘帽丢失故障诊断模型,可以准确地判断所述防尘帽是否出现丢失故障,如果所述防尘帽没有出现丢失故障,就对所述防尘帽的图像块进行处理,获得第一位置图像块,其中,所述第一位置图像块为所述防尘帽上可能产生破损位置的图像块,然后对所述第一位置图像块进行垂直方向上的投影,从而获得投影曲线最小值,在获得破损预定阈值之后,判断所述投影曲线最小值是否大于所述破损预定阈值,如果所述投影曲线最小值大于所述破损预定阈值,则确定所述防尘帽正常;如果所述投影曲线最小值不大于所述破损预定阈值,则确定所述防尘帽存在破损故障。进一步实现了智能化检测防尘帽破损故障,提高了列检效率和准确率,降低列车运行成本的技术效果。
在步骤110中,所述支持向量机方法,也称为SVM,是Support Vector Machine的英文缩写字母。所述支持向量机方法是Corinna Cortes和Vapnik 等于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中,以求获得最好的推广能力。由于部分铁路列车的车型组成并不包含防尘帽部件,因此,本发明实施例提供的所述铁路列车防尘帽破损故障的检测方法,在根据所述支持向量机方法定位防尘帽位置,获得防尘帽的图像块之前,还需要判断待检测铁路列车车型是否包含所述防尘帽,具体的操作步骤为:首先获取铁路列车的车轮区域图像块;然后对所述车轮区域图像块进行分类,获得车轮区域数据集;当所述车轮区域数据集达到所述第一预设值时,利用所述支持向量机方法获取所述车轮区域数据集的分类特征;然后分别根据所述分类特征,获得车轮类型识别模型,从而获得铁路列车的车轮类型,通过所述铁路列车的车轮类型,进一步判断出所述铁路列车车型是否包含防尘帽。
在步骤110中,由于铁路列车的闸片部件较为稳定,检测效率高,且闸片与防尘帽具有非常稳定的结构关系,因此在本发明实施例中,通过采用所述支持向量机方法对铁路列车的闸片位置进行精确定位,在根据闸片与防尘帽的结构关系,进而达到精确定位防尘帽位置的目的,具体步骤包括:首先根据铁路列车的车轮的先验信息,获得第一定位车轮区域图像;根据所述第一定位车轮区域与闸片装置位置区域的先验关系,获得第一定位闸片装置区域图像块;然后对所述第一定位闸片装置区域图像块进行样本采集,截取所述第一定位闸片装置目标前景,获得闸片装置目标前景数据集,即闸片装置目标图像正样本集;再截取闸片装置目标背景,获得闸片装置目标背景数据集,即闸片装置目标图像负样本集;再根据所述支持向量机方法,分别获得所述闸片装置目标图像正样本集和所述闸片装置目标图像负样本集的分类特征,进而获得闸片定位与识别模型;根据所述闸片定位与识别模型,对所述第一定位闸片装置区域图像块进行定位与识别,获得第二定位闸片装置区域图像;再根据第二定位闸片装置区域与防尘帽区域的相关位置先验信息,进一步获取所述防尘帽的图像块。
在步骤120中,所述根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型,具体包括:首先对已获得的所述防尘帽的图像块进行分类,获得所述防尘帽的图像块的目标类型,从而获得防尘帽存在区域数据集和防尘帽丢失数据集,然后分别提取所述防尘帽存在区域数据集和所述防尘帽丢失数据集的HOG特征,其中,所述HOG特征是图像特征提取三大法宝之一,也称为方向梯度直方图(Histogram of Oriented Gradient)特征,是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子,HOG 特征是通过计算和统计图像局部区域的梯度方向直方图来构成特征;然后将所述防尘帽存在区域数据集和所述防尘帽丢失数据集的HOG特征作为输入数据,利用所述支持向量机方法,进一步达到了获取所述防尘帽丢失故障诊断模型的技术效果。
在步骤130中,根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障的具体方法为:首先根据所述防尘帽丢失故障诊断模型判断所述防尘帽的图像块的目标类型是否为1:如果所述目标类型为1,确定所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;如果所述目标类型不为1,确定所述防尘帽出现丢失故障。
在步骤140中,由于采集条件的不同,所述防尘帽的图像块的图像质量参差不齐,因此在从所述防尘帽的图像块中获得第一位置图像块之前,需要对所述防尘帽的图像块进行预处理,即采用线性变换的方法对所述防尘帽的图像块的图像亮度进行调整,增加图像饱和度,其中,所述预处理的公式为:
其中,Imax、Imin为预先计算的上下边界值。
然后对所述防尘帽的图像块进行数学形态学腐蚀处理,腐蚀运算是由结构元素确定的邻域块中选取图像值与结构元素值的差的最小值,所述方法所用的结构元为21*21的矩形结构元,其中,所述数学形态学腐蚀处理的公式为:
g(x,y)=erode[f(x,y),B]=min{f(x+x',y+y')-B(x',y')|(x',y')∈Db}
其中,g(x,y)为腐蚀后的灰度图像;
f(x,y)为原灰度图像;
B为结构元素;
在对所述防尘帽的图像块进行数学形态学腐蚀处理后,与未破损的防尘帽图像相比较,存在破损的防尘帽图像就会在破损区域出现较大的空洞;对所述数学形态学腐蚀处理后的防尘帽的图像块进行自适应阈值二值化处理,即就是对所述存在破损的防尘帽图像破损区域的空洞进行分割,分割出所述防尘帽图像块由于破损而产生的空洞,切取可能产生破损位置的图块,即所述第一位置图像块。其中,所述自适应阈值二值化处理方法采用最大类间方差法计算阈值,其中,最大类间方差法采用聚类的思想,把图像的灰度值按灰度级分成2个类别,使得两个类别像素之间的灰度值差异最大,每个类别像素灰度值之间的差异最小,通过方差的计算来寻找一个合适的灰度阈值来划分。
在步骤150中,对所述第一位置图像块进行垂直方向的投影,获得投影曲线,然后对所述投影曲线进行中值滤波、平滑处理,并计算得到所述投影曲线最小值。根据防尘帽破损数据集与防尘帽未破损数据集,计算所述投影曲线最小值的破损预定阈值thresh,其中,所述破损预定阈值使得所述防尘帽破损数据集与所述防尘帽未破损数据集的判定误差最小,因此,以所述破损预定阈值作为判断所述防尘帽存在破损故障的判定规则,具体如下:
其中Pmin为所述投影曲线最小值;
DustcapType为所述防尘帽破损故障的判定结果;
如果DustcapType为1,则说明所述投影曲线最小值大于所述破损预定阈值,进而确定所述防尘帽不存在破损故障;如果DustcapType为0,则说明所述投影曲线最小值不大于所述破损预定阈值,进而确定出所述防尘帽存在破损故障。
实施例二
基于与前述实施例中一种铁路列车防尘帽破损故障的检测方法同样的发明构思,本发明还提供一种铁路列车防尘帽破损故障的检测装置,如图2所示,所述装置包括:
第一获得单元11,所述第一获得单元11用于根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;
第一构建单元12,所述第一构建单元12用于根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;
第一判断单元13,所述第一判断单元13用于根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;
第二获得单元14,所述第二获得单元14用于如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;
第三获得单元15,所述第三获得单元15用于对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;
第四获得单元16,所述第四获得单元16用于获得破损预定阈值;
第二判断单元17,所述第二判断单元17用于判断所述投影曲线最小值是否大于所述破损预定阈值;
第一确定单元18,所述第一确定单元18用于如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。
优选的,所述装置还包括:
第五获得单元,所述第五获得单元用于获取车轮区域图像块;
第六获得单元,所述第六获得单元用于对所述车轮区域图像块进行分类,获得车轮区域数据集;
第七获得单元,所述第七获得单元用于当所述车轮区域数据集达到所述第一预设值时,利用支持向量机获取所述车轮区域数据集的分类特征;
第八获得单元,所述第八获得单元用于分别根据所述分类特征,获得车轮类型识别模型;
第九获得单元,所述第九获得单元用于根据所述车轮类型识别模型,获得铁路列车的车轮类型;
第三判断单元,所述第三判断单元用于根据所述铁路列车的车轮类型,判断所述铁路列车车型是否包含防尘帽。
优选的,所述第一获得单元11包括:
第九获得单元,所述第九获得单元用于根据铁路列车的车轮的先验信息,获得第一定位车轮区域图像;
第十获得单元,所述第十获得单元用于根据粗定位车轮区域与闸片装置位置区域的先验关系,获得第一定位闸片装置区域图像块;
第十一获得单元,所述第十一获得单元用于对所述第一定位闸片装置区域图像块进行样本采集,截取所述第一定位闸片装置目标前景,获得闸片装置目标图像正样本集;
第十二获得单元,所述第十二获得单元用于截取闸片装置目标背景,获得闸片装置目标图像负样本集;
第十三获得单元,所述第十三获得单元用于根据所述支持向量机方法,分别获得所述闸片装置目标图像正样本集和所述闸片装置目标图像负样本集的分类特征;
第十四获得单元,所述第十四获得单元用于分别根据所述分类特征,获得闸片定位与识别模型;
第十五获得单元,所述第十五获得单元用于根据所述闸片定位与识别模型,对所述第一定位闸片装置区域图像进行定位与识别,获得第二定位闸片装置区域图像;
第十六获得单元,所述第十六获得单元用于根据第二定位闸片装置区域与防尘帽区域的相关位置先验信息,获取所述防尘帽的图像块。
优选的,所述第一构建单元12包括:
第十七获得单元,所述第十七获得单元用于对所述防尘帽的图像块进行分类,获得所述防尘帽的图像块的目标类型;
第十八获得单元,所述第十八获得单元用于获得防尘帽存在区域数据集和防尘帽丢失数据集;
第一提取单元,所述第一提取单元用于分别提取所述防尘帽存在区域数据集和所述防尘帽丢失数据集的HOG特征;
第一输入单元,所述第一输入单元用于将所述防尘帽存在区域数据集和所述防尘帽丢失数据集的HOG特征作为输入数据;
第十九获得单元,所述第十九获得单元用于利用支持向量机方法获得所述防尘帽丢失故障诊断模型。
优选的,所述第一判断单元13包括:
第四判断单元,所述第四判断单元用于根据所述防尘帽丢失故障诊断模型判断所述防尘帽的图像块的目标类型是否为1:
第二确定单元,所述第二确定单元用于如果所述目标类型为1,确定所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;
第三确定单元,所述第三确定单元用于如果所述目标类型不为1,确定所述防尘帽出现丢失故障。
优选的,所述装置包括:
第一预处理单元,所述第一预处理单元用于对所述防尘帽的图像块进行预处理,其中,所述预处理的公式为:
其中,Imax、Imin为预先计算的上下边界值。
优选的,所述装置还包括:
第一处理单元,所述第一处理单元用于对所述防尘帽的图像块进行数学形态学腐蚀处理,其中,所述数学形态学腐蚀处理的公式为:
g(x,y)=erode[f(x,y),B]=min{f(x+x',y+y')-B(x',y')|(x',y')∈Db}
其中,g(x,y)为腐蚀后的灰度图像;
f(x,y)为原灰度图像;
B为结构元素;
第二处理单元,所述第二处理单元用于对所述数学形态学腐蚀处理后的防尘帽的图像块进行自适应阈值二值化处理;
第二十获得单元,所述第二十获得单元用于获得第一位置图像块。
前述图1实施例一中的一种铁路列车防尘帽破损故障的检测方法的各种变化方式和具体实例同样适用于本实施例的一种铁路列车防尘帽破损故障的检测装置,通过前述对一种铁路列车防尘帽破损故障的检测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种铁路列车防尘帽破损故障的检测装置的实施方法,所以为了说明书的简洁,在此不再详述。
实施例三
基于与前述实施例中一种铁路列车防尘帽破损故障的检测方法同样的发明构思,本发明还提供一种铁路列车防尘帽破损故障的检测装置,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种铁路列车防尘帽破损故障的检测方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口 306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
实施例四
基于与前述实施例中一种铁路列车防尘帽破损故障的检测方法同样的发明构思,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;获得破损预定阈值;判断所述投影曲线最小值是否大于所述破损预定阈值;如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。
在具体实施过程中,该程序被处理器执行时,还可以实现实施例一中的任一方法步骤。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本申请实施例通过提供本申请实施例通过提供一种铁路列车防尘帽破损故障的检测方法及装置,所述方法包括:根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;获得破损预定阈值;判断所述投影曲线最小值是否大于所述破损预定阈值;如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。用以解决通常由经验丰富的列检人员来检测防尘帽是否存在丢失、破损、有覆盖物等故障,因而存在人工列检效率较低,增加列车的运行成本,智能化程度低的技术问题。实现了智能化检测防尘帽破损故障,提高了列检效率和准确率,降低列车运行成本的技术效果。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种铁路列车防尘帽破损故障的检测方法,其特征在于,所述方法包括:
根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;
根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;
根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;
如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;
对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;
获得破损预定阈值;
判断所述投影曲线最小值是否大于所述破损预定阈值;
如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。
2.如权利要求1所述的方法,其特征在于,所述根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块之前,包括:
获取车轮区域图像块;
对所述车轮区域图像块进行分类,获得车轮区域数据集;
当所述车轮区域数据集达到所述第一预设值时,利用支持向量机获取所述车轮区域数据集的分类特征;
分别根据所述分类特征,获得车轮类型识别模型;
根据所述车轮类型识别模型,获得铁路列车的车轮类型;
根据所述铁路列车的车轮类型,判断所述铁路列车车型是否包含防尘帽。
3.如权利要求1所述的方法,其特征在于,所述根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块,包括:
根据铁路列车的车轮的先验信息,获得第一定位车轮区域图像;
根据粗定位车轮区域与闸片装置位置区域的先验关系,获得第一定位闸片装置区域图像块;
对所述第一定位闸片装置区域图像块进行样本采集,截取所述第一定位闸片装置目标前景,获得闸片装置目标图像正样本集;
截取闸片装置目标背景,获得闸片装置目标图像负样本集;
根据所述支持向量机方法,分别获得所述闸片装置目标图像正样本集和所述闸片装置目标图像负样本集的分类特征;
分别根据所述分类特征,获得闸片定位与识别模型;
根据所述闸片定位与识别模型,对所述第一定位闸片装置区域图像进行定位与识别,获得第二定位闸片装置区域图像;
根据第二定位闸片装置区域与防尘帽区域的相关位置先验信息,获取所述防尘帽的图像块。
4.如权利要求1所述的方法,其特征在于,所述根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型,包括:
对所述防尘帽的图像块进行分类,获得所述防尘帽的图像块的目标类型;
获得防尘帽存在区域数据集和防尘帽丢失数据集;
分别提取所述防尘帽存在区域数据集和所述防尘帽丢失数据集的HOG特征;
将所述防尘帽存在区域数据集和所述防尘帽丢失数据集的HOG特征作为输入数据;
利用支持向量机方法获得所述防尘帽丢失故障诊断模型。
5.如权利要求4所述的方法,其特征在于,所述根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障,包括:
根据所述防尘帽丢失故障诊断模型判断所述防尘帽的图像块的目标类型是否为1:
如果所述目标类型为1,确定所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;
如果所述目标类型不为1,确定所述防尘帽出现丢失故障。
6.如权利要求1所述的方法,其特征在于,所述对如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块之前,包括:
对所述防尘帽的图像块进行预处理,其中,所述预处理的公式为:
其中,Imax、Imin为预先计算的上下边界值。
7.如权利要求1所述的方法,其特征在于,所述对如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块之前,还包括:
对所述防尘帽的图像块进行数学形态学腐蚀处理,其中,所述数学形态学腐蚀处理的公式为:
g(x,y)=erode[f(x,y),B]=min{f(x+x',y+y')-B(x',y')|(x',y')∈Db}
其中,g(x,y)为腐蚀后的灰度图像;
f(x,y)为原灰度图像;
B为结构元素;
对所述数学形态学腐蚀处理后的防尘帽的图像块进行自适应阈值二值化处理;
获得第一位置图像块。
8.一种铁路列车防尘帽破损故障的检测装置,其特征在于,所述装置包括:
第一获得单元,所述第一获得单元用于根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;
第一构建单元,所述第一构建单元用于根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;
第一判断单元,所述第一判断单元用于根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;
第二获得单元,所述第二获得单元用于如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;
第三获得单元,所述第三获得单元用于对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;
第四获得单元,所述第四获得单元用于获得破损预定阈值;
第二判断单元,所述第二判断单元用于判断所述投影曲线最小值是否大于所述破损预定阈值;
第一确定单元,所述第一确定单元用于如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。
9.一种铁路列车防尘帽破损故障的检测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;
根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;
根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;
如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;
对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;
获得破损预定阈值;
判断所述投影曲线最小值是否大于所述破损预定阈值;
如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现以下步骤:
根据支持向量机方法定位防尘帽位置,获得防尘帽的图像块;
根据所述防尘帽的图像块和支持向量机方法,构建防尘帽丢失故障诊断模型;
根据所述防尘帽丢失故障诊断模型,判断所述防尘帽是否出现丢失故障;
如果所述防尘帽没有出现丢失故障,从所述防尘帽的图像块中获得第一位置图像块;
对所述第一位置图像块进行垂直方向投影,获得投影曲线最小值;
获得破损预定阈值;
判断所述投影曲线最小值是否大于所述破损预定阈值;
如果所述投影曲线最小值不大于所述破损预定阈值,确定所述防尘帽存在破损故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910066967.2A CN109949269A (zh) | 2019-01-24 | 2019-01-24 | 一种铁路列车防尘帽破损故障的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910066967.2A CN109949269A (zh) | 2019-01-24 | 2019-01-24 | 一种铁路列车防尘帽破损故障的检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109949269A true CN109949269A (zh) | 2019-06-28 |
Family
ID=67007372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910066967.2A Pending CN109949269A (zh) | 2019-01-24 | 2019-01-24 | 一种铁路列车防尘帽破损故障的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949269A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080668A (zh) * | 2019-12-13 | 2020-04-28 | 武汉华目信息技术有限责任公司 | 一种闸片磨损故障检测的方法及系统 |
CN112330636A (zh) * | 2020-11-06 | 2021-02-05 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的铁路货车车轮破损检测方法 |
CN112393617A (zh) * | 2020-03-26 | 2021-02-23 | 中冶长天国际工程有限责任公司 | 一种环冷机台车车轮检测方法、装置、设备及介质 |
CN112907524A (zh) * | 2021-02-04 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的铁路货车防火板故障检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332089A (zh) * | 2011-06-23 | 2012-01-25 | 北京康拓红外技术股份有限公司 | 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 |
CN103512762A (zh) * | 2012-06-29 | 2014-01-15 | 北京华兴致远科技发展有限公司 | 图像处理方法、装置及列车故障检测系统 |
CN104268595A (zh) * | 2014-09-24 | 2015-01-07 | 深圳市华尊科技有限公司 | 通用物件检测方法及系统 |
CN104281838A (zh) * | 2014-09-23 | 2015-01-14 | 西南交通大学 | 基于HOG特征与二维Gabor小波变换的高铁接触网支撑装置耳片断裂检测方法 |
CN105424330A (zh) * | 2014-08-29 | 2016-03-23 | 北京航空航天大学 | 一种货车轴端螺栓故障检测方法及装置 |
CN106021771A (zh) * | 2016-05-30 | 2016-10-12 | 天河国云(北京)科技有限公司 | 一种故障诊断方法及装置 |
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 |
CN107273802A (zh) * | 2017-05-16 | 2017-10-20 | 武汉华目信息技术有限责任公司 | 一种铁路列车闸瓦钎环故障的检测方法及装置 |
JP2018185256A (ja) * | 2017-04-27 | 2018-11-22 | 公益財団法人鉄道総合技術研究所 | 鉄道車両機器診断装置および鉄道車両機器診断方法 |
CN108921172A (zh) * | 2018-05-31 | 2018-11-30 | 清华大学 | 基于支持向量机的图像处理装置及方法 |
-
2019
- 2019-01-24 CN CN201910066967.2A patent/CN109949269A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332089A (zh) * | 2011-06-23 | 2012-01-25 | 北京康拓红外技术股份有限公司 | 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 |
CN103512762A (zh) * | 2012-06-29 | 2014-01-15 | 北京华兴致远科技发展有限公司 | 图像处理方法、装置及列车故障检测系统 |
CN105424330A (zh) * | 2014-08-29 | 2016-03-23 | 北京航空航天大学 | 一种货车轴端螺栓故障检测方法及装置 |
CN104281838A (zh) * | 2014-09-23 | 2015-01-14 | 西南交通大学 | 基于HOG特征与二维Gabor小波变换的高铁接触网支撑装置耳片断裂检测方法 |
CN104268595A (zh) * | 2014-09-24 | 2015-01-07 | 深圳市华尊科技有限公司 | 通用物件检测方法及系统 |
CN106021771A (zh) * | 2016-05-30 | 2016-10-12 | 天河国云(北京)科技有限公司 | 一种故障诊断方法及装置 |
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 |
JP2018185256A (ja) * | 2017-04-27 | 2018-11-22 | 公益財団法人鉄道総合技術研究所 | 鉄道車両機器診断装置および鉄道車両機器診断方法 |
CN107273802A (zh) * | 2017-05-16 | 2017-10-20 | 武汉华目信息技术有限责任公司 | 一种铁路列车闸瓦钎环故障的检测方法及装置 |
CN108921172A (zh) * | 2018-05-31 | 2018-11-30 | 清华大学 | 基于支持向量机的图像处理装置及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080668A (zh) * | 2019-12-13 | 2020-04-28 | 武汉华目信息技术有限责任公司 | 一种闸片磨损故障检测的方法及系统 |
CN112393617A (zh) * | 2020-03-26 | 2021-02-23 | 中冶长天国际工程有限责任公司 | 一种环冷机台车车轮检测方法、装置、设备及介质 |
CN112393617B (zh) * | 2020-03-26 | 2022-06-03 | 中冶长天国际工程有限责任公司 | 一种环冷机台车车轮检测方法、装置、设备及介质 |
CN112330636A (zh) * | 2020-11-06 | 2021-02-05 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的铁路货车车轮破损检测方法 |
CN112330636B (zh) * | 2020-11-06 | 2021-07-06 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的铁路货车车轮破损检测方法 |
CN112907524A (zh) * | 2021-02-04 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的铁路货车防火板故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949269A (zh) | 一种铁路列车防尘帽破损故障的检测方法及装置 | |
CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
CN109325538B (zh) | 目标检测方法、装置和计算机可读存储介质 | |
CN110544211B (zh) | 一种镜头付着物的检测方法、系统、终端和存储介质 | |
Shan | Vehicle License Plate Recognition Based on Text-line Construction and Multilevel RBF Neural Network. | |
CN111080600A (zh) | 一种铁路货车弹簧托板上开口销的故障识别方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN103839085A (zh) | 一种列车车厢异常人群密度的检测方法 | |
CN107273802A (zh) | 一种铁路列车闸瓦钎环故障的检测方法及装置 | |
CN104866865B (zh) | 一种基于dhog和离散余弦变换的接触网平衡线故障检测方法 | |
CN110458093B (zh) | 一种基于驾驶员监控系统的安全带检测方法以及相应的设备 | |
CN109657664A (zh) | 一种车牌类型的识别方法、装置及电子设备 | |
CN115439474A (zh) | 一种电力设备故障快速定位方法 | |
CN114387591A (zh) | 车牌识别方法、系统、设备及存储介质 | |
CN101251896A (zh) | 一种基于多分类器的物体检测系统及方法 | |
CN104715614B (zh) | 一种嫌疑套牌车捕获方法 | |
CN112184774A (zh) | 一种高空抛物危害程度的确定方法及装置 | |
CN110163109A (zh) | 一种车道线标注方法及装置 | |
CN112417955A (zh) | 巡检视频流处理方法及装置 | |
CN107369162A (zh) | 一种绝缘子候选目标区域的生成方法及系统 | |
CN109635679B (zh) | 一种实时的靶纸定位及环线识别方法 | |
CN113065454B (zh) | 一种高空抛物目标识别比较的方法及装置 | |
CN112329858B (zh) | 一种铁路动车防松铁丝折断故障图像识别方法 | |
CN110390224A (zh) | 一种交通指示牌的识别方法及装置 | |
CN112801963B (zh) | 一种视频图像遮挡检测方法及系统 |
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: 20190628 |
|
RJ01 | Rejection of invention patent application after publication |