CN109978879B - 基于铁路货车装载视频监视的箱角入槽状态检测方法 - Google Patents
基于铁路货车装载视频监视的箱角入槽状态检测方法 Download PDFInfo
- Publication number
- CN109978879B CN109978879B CN201910272498.XA CN201910272498A CN109978879B CN 109978879 B CN109978879 B CN 109978879B CN 201910272498 A CN201910272498 A CN 201910272498A CN 109978879 B CN109978879 B CN 109978879B
- Authority
- CN
- China
- Prior art keywords
- box
- image
- box body
- corner
- edge line
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 240000001899 Murraya exotica Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于铁路货车装载视频监视的箱角入槽状态检测方法,包括以下步骤:S1:获得彩色的货车侧向箱体图像;S2:提取图像的边缘区域和背景区域获得箱体侧向分割图像:S3:截取侧向箱体图像的部分区域确定箱体的左右边缘线和下边缘线;S4:采用Hough变换检测箱角定位图像中的直线,根据该直线的倾斜角度;S5:建立凸型固定装置样本库;S6:建立箱角卡槽的样本库,S7:根据S5和S6的检测结果进行箱角入槽状态判定,该方法直接利用图像处理技术实现铁路货车箱角入槽状态的检测,可以给出客观、准确的检测分析结果,避免了传统人工检测方法的缺陷。
Description
技术领域
本发明涉及铁路货车装载状态监视领域,尤其涉及基于铁路货车装载视频监视的箱角入槽状态检测方法。
背景技术
目前在铁路货车装载状态的日常检测中,箱角入槽状态是需要重点监测的关键环节。铁路货车在完成集装箱货物装载后,应将集装箱箱体准确无误地置于板车指定位置。现有的铁路货车箱体在两侧箱角位置处设置了箱角卡槽,在长方形板车四个直角的指定位置安装了凸型固定装置。当箱角卡槽与凸型固定装置准确相接,即可使箱体固定于指定位置。这种防松脱装置能够确保铁路货车不会受长期运行所带来震动的影响,避免造成箱体位移、倾斜甚至脱落等危险情况的出现,大大降低事故发生的可能性。因此,检测凸型固定装置是否准确落入箱角卡槽就成为了保证运输安全的重中之重。
目前对于铁路货车箱角入槽状态的检测仍以人工检测为主。工作人员通常需要近距离观察才可判断箱角入槽状态,但待检的货车箱体数量多,相邻箱角的间隔距离远,工作量大,完成箱角入槽状态的检测需要大量人力,效率十分低下。基于数字图像处理技术的箱角入槽状态检测方法在非接触的情况下完成在线实时检测,具有较强优势。但是,箱角卡槽与凸型固定装置相对于整车零部件来说的尺寸极小,在形成的集装箱侧向图像所占像素数量也很少,且一旦入槽状态异常,未进入卡槽的凸型固定装置出现的位置也难以确定,且凸型固定装置的表面易出现锈蚀、磨损,使基于图像处理技术的入槽状态检测存在难度。
发明内容
根据现有技术存在的问题,本发明公开了一种基于铁路货车装载视频监视的箱角入槽状态检测方法,具体包括以下步骤:
包括以下步骤:
S1:采集铁路货车装载状态下的图像信息、获得彩色的货车侧向箱体图像;
S2:采用Sobel边缘检测方法和二值化处理方法提取图像的边缘区域和背景区域获得箱体侧向分割图像;
S3:截取侧向箱体图像的部分区域确定箱体的左右边缘线和下边缘线;根据箱体的左右边缘线和下边缘线确定箱角位置,以左右边缘线与下边缘线的两个相交点为中心点、选取一定区域生成箱角定位图像;
S4:采用Hough变换检测箱角定位图像中的直线,根据该直线的倾斜角度判断箱体是否处于水平状态:如果未处于水平状态则判定凸起装置未完全进入箱角卡槽,发出报警提示检测结束,如果判断箱体处于水平状态,则采用如下方式判断凸起装置是否进入箱角卡槽内;
S5:建立凸型固定装置样本库,其中正样本为凸起固定装置的图像,负样本为不包含凸起固定装置的图像,采用正负样本训练SVM分类器从而对凸型固定装置进行检测;
S6:建立箱角卡槽的样本库,其中正样本为箱角卡槽的侧向图像,负样本为其余部件的图像,采用正负样本训练SVM分类器、从而对箱角卡槽进行检测;
S7:根据S5和S6的检测结果进行箱角入槽状态判定:若检测到凸型固定装置,则判断凸起装置未入槽;若未检测到凸型固定装置,继续检测箱角卡槽是否存在,如果检测到箱角卡槽,则判定入槽状态正常,如果未检测到箱角卡槽,判定为入槽状态异常。
所述箱体的左右边缘线采用如下方式获取:
截取侧向箱体图像的起始点坐标为(0,0),宽度与原始图像一致、高度为原始图像的三分之一,累加截取图像同一横坐标像素点的像素值得到统计曲线,计算曲线中每一个累加像素值所对应的横坐标点在左右各N个像素范围内处于非孤立状态的点,将该点确定为边界候选点;第一个非零累加像素值所在的点对应箱体左边缘线,最后一个非零累加像素值所在的点对应箱体右边缘线,根据这两点的横坐标确定箱体的左右边缘线。
所述箱体的下边缘线采用如下方式获取:
累加箱体侧向分割图像同一纵坐标像素点的像素值得到统计曲线,在统计曲线纵坐标大于分割图像高度二分之一的坐标范围内,取累加像素值最大的点对应箱体的下边缘,根据该点的纵坐标确定箱体的下边缘线。
根据该直线的倾斜角度判断图像中的凸起装置是否进入箱角卡槽内以及箱体是否处于水平状态采用如下方式:
提取Hough矩阵中前P个灰度峰值点,取角度小于K的峰值点的平均值作为箱体倾角,根据凸起装置尺寸与箱体尺寸的比例设定倾角阈值为M,如果箱体倾角大于M则判定凸起装置未完全进入箱角卡槽内造成箱体倾斜,如果箱体倾角大于小于等于M初步判断箱体处于水平状态,其中P、K和M根据实际情况设定。
由于采用了上述技术方案,本发明提供的一种基于铁路货车装载视频监视的箱角入槽状态检测方法,该方法直接利用图像处理技术实现铁路货车箱角入槽状态的检测,可以给出客观、准确的检测分析结果,避免了传统人工检测方法的缺陷;本发明根据铁路货车箱体图像的边界特征,有效提取箱体边界,克服了异物干扰和边缘模糊的影响,实现了箱体与箱角的准确定位;本发明根据箱体倾角大小、凸型固定装置与箱角卡槽的存在与否来判定箱角入槽状态是否处于异常,与判定箱体位移的算法相比,准确性更加可靠,异常状态的判定更加灵敏;本文涉及的铁路货车箱角入槽状态的检测,相关研究鲜有报道。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法的的流程图。
图2为本发明现场采集图像中的货车侧向箱体的高清彩色图像。
图3为本发明对侧向箱体预处理后的结果示意图。
图4为本发明图像分割后的结果示意图。
图5为本发明同一横坐标点累加像素值的统计曲线。
图6为本发明同一纵坐标点累加像素值的统计曲线。
图7为本发明箱角定位结果。
图8为本发明凸型固定装置的正样本库。
图9为本发明箱角卡槽的正样本库。
具体实施方式
为使本发明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进行清楚完整的描述:
如图1所示的一种铁路货车装载视频监视系统的箱角入槽状态检测方法,具体包括以下步骤:
A、使用高清彩色线阵相机采集铁路货车装载状态信息,结合货车运行速度生成货车侧向箱体的高清彩色图像,如图2。
B、箱体与箱角定位
a、对集装箱侧向箱体图像进行预处理,使用直方图均衡化消除不同时段所造成的光照差异的影响;选用3×3大小的滤波窗口进行中值滤波,去除干扰噪点,使箱体与背景的区域相对平滑,便于提取箱体,预处理结果如图3;
b、图像灰度化,采用Sobel算子检测边缘部分,提取图像边缘位置点在灰度图像中的灰度值,计算所有边缘位置处像素点的灰度均值和所有非边缘位置点的灰度均值,将上述两个灰度均值的平均数设定为二值化阈值,将图像中的边缘区域和背景区域分割,分割结果如图4所示;
c、为避免图像下方的板车对定位结果造成影响,截取箱体侧向分割图像的部分区域确定箱体的左右分割直线。截取的图像起始点坐标为(0,0),宽度与原图一致,高度为原图的1/3。累加截取图像同一横坐标像素点的像素值,得到统计曲线,如图5。计算曲线中每一个累加像素值所对应的横坐标点在左右各50个像素范围内处于非孤立状态的点确定为边界候选点,第一个非零累加像素值所在的点对应箱体左侧边缘,最后一个非零累加像素值所在的点对应箱体右侧边缘,根据这两点的横坐标确定箱体的左右分割直线;
d、累加箱体侧向分割图像同一纵坐标像素点的像素值,得到统计曲线,如图6。在统计曲线纵坐标大于分割图像高度1/2的坐标范围内,取累加像素值最大的点对应箱体的下边缘,根据该点的纵坐标确定箱体的下边缘分割直线;
e、根据箱体左、右、下边缘的分割直线可以确定左右箱角位置,考虑到入槽状态异常时,凸型固定装置仅可能出现在箱角附近,或遮挡凹型卡槽表面,或未完全进入箱角卡槽,故生成的箱角图像应包含周边区域。故以上述三条分割直线的两交点为中心生成箱角定位图像,宽度设为原图宽度的9%、高度为原图高度的15%,箱角定位结果如图7。
C、箱角入槽状态检测
a、采用Hough变换检测箱角图像中的直线,提取Hough矩阵中前5个灰度峰值点,取角度小于10的峰值点的平均值作为箱体倾角。根据凸起装置尺寸与箱体尺寸的比例设定倾角阈值为0.4°,若该倾角大于0.4°,则判定凸起装置未完全进入箱角卡槽,造成箱体倾斜;若倾角小于等于0.4°,可初步判断箱体处于水平状态;
b、建立凸型固定装置样本库,其中正样本为凸起固定装置的图像,数量为150,负样本为不包含凸起固定装置的图像,数量为200,如图8所示;使用正负样本训练SVM分类器,实现凸型固定装置的检测;
c、建立箱角卡槽的样本库,其中正样本为箱角卡槽的侧向图像,数量为150,负样本为其余部件的图像,数量为200,如图9所示;使用正负样本训练SVM分类器,实现箱角卡槽的检测;
d、根据b、c的检测结果进行箱角入槽状态判定:若检测到凸型固定装置,则判定为未入槽;若未检测到凸型固定装置,继续检测箱角卡槽是否存在,如果检测到箱角卡槽,则判定入槽状态正常,如果未检测到箱角卡槽,判定为入槽状态异常。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于铁路货车装载视频监视的箱角入槽状态检测方法,其特征在于包括以下步骤:
S1:采集铁路货车装载状态下的图像信息、获得彩色的货车侧向箱体图像;
S2:采用Sobel边缘检测方法和二值化处理方法提取图像的边缘区域和背景区域获得箱体侧向分割图像,具体过程为:
图像灰度化,采用Sobel算子检测边缘部分,提取图像边缘位置点在灰度图像中的灰度值,计算所有边缘位置处像素点的灰度均值和所有非边缘位置点的灰度均值,将上述两个灰度均值的平均数设定为二值化阈值,将图像中的边缘区域和背景区域分割;
S3:截取侧向箱体图像的部分区域确定箱体的左右边缘线和下边缘线;根据箱体的左右边缘线和下边缘线确定箱角位置,以左右边缘线与下边缘线的两个相交点为中心点、选取一定区域生成箱角定位图像;
S4:采用Hough变换检测箱角定位图像中的直线,根据该直线的倾斜角度判断箱体是否处于水平状态:如果未处于水平状态则判定凸起装置未完全进入箱角卡槽,发出报警提示检测结束,如果判断箱体处于水平状态,则采用如下方式判断凸起装置是否进入箱角卡槽内;
S5:建立凸型固定装置样本库,其中正样本为凸起固定装置的图像,负样本为不包含凸起固定装置的图像,采用正负样本训练SVM分类器从而对凸型固定装置进行检测;
S6:建立箱角卡槽的样本库,其中正样本为箱角卡槽的侧向图像,负样本为其余部件的图像,采用正负样本训练SVM分类器、从而对箱角卡槽进行检测;
S7:根据S5和S6的检测结果进行箱角入槽状态判定:若检测到凸型固定装置,则判断凸起装置未入槽;若未检测到凸型固定装置,继续检测箱角卡槽是否存在,如果检测到箱角卡槽,则判定入槽状态正常,如果未检测到箱角卡槽,判定为入槽状态异常;
根据该直线的倾斜角度判断图像中的凸起装置是否进入箱角卡槽内以及箱体是否处于水平状态采用如下方式:提取Hough矩阵中前P个灰度峰值点,取角度小于K的峰值点的平均值作为箱体倾角,根据凸起装置尺寸与箱体尺寸的比例设定倾角阈值为M,如果箱体倾角大于M则判定凸起装置未完全进入箱角卡槽内造成箱体倾斜,如果箱体倾角大于小于等于M初步判断箱体处于水平状态,其中P、K和M根据实际情况设定。
2.根据权利要求1所述的基于铁路货车装载视频监视的箱角入槽状态检测方法,其特征还在于:所述箱体的左右边缘线采用如下方式获取:
截取侧向箱体图像的起始点坐标为(0,0),宽度与原始图像一致、高度为原始图像的三分之一,累加截取图像同一横坐标像素点的像素值得到统计曲线,计算曲线中每一个累加像素值所对应的横坐标点在左右各N个像素范围内处于非孤立状态的点,将该点确定为边界候选点;第一个非零累加像素值所在的点对应箱体左边缘线,最后一个非零累加像素值所在的点对应箱体右边缘线,根据这两点的横坐标确定箱体的左右边缘线。
3.根据权利要求1所述的基于铁路货车装载视频监视的箱角入槽状态检测方法,其特征还在于:所述箱体的下边缘线采用如下方式获取:
累加箱体侧向分割图像同一纵坐标像素点的像素值得到统计曲线,在统计曲线纵坐标大于分割图像高度二分之一的坐标范围内,取累加像素值最大的点对应箱体的下边缘,根据该点的纵坐标确定箱体的下边缘线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272498.XA CN109978879B (zh) | 2019-04-04 | 2019-04-04 | 基于铁路货车装载视频监视的箱角入槽状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910272498.XA CN109978879B (zh) | 2019-04-04 | 2019-04-04 | 基于铁路货车装载视频监视的箱角入槽状态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978879A CN109978879A (zh) | 2019-07-05 |
CN109978879B true CN109978879B (zh) | 2023-04-14 |
Family
ID=67083133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910272498.XA Active CN109978879B (zh) | 2019-04-04 | 2019-04-04 | 基于铁路货车装载视频监视的箱角入槽状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978879B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112102293B (zh) * | 2020-09-16 | 2021-03-02 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车三角孔异物快速检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112141A (zh) * | 2014-06-29 | 2014-10-22 | 中南大学 | 一种基于公路监控设备的货车安全带系挂状态的检测方法 |
CN105719241A (zh) * | 2016-01-27 | 2016-06-29 | 浙江工业大学 | 一种基于视觉扫描的船槽定位方法 |
JP2016157258A (ja) * | 2015-02-24 | 2016-09-01 | Kddi株式会社 | 人物領域検出装置、方法およびプログラム |
CN109389566A (zh) * | 2018-10-19 | 2019-02-26 | 辽宁奇辉电子系统工程有限公司 | 基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法 |
-
2019
- 2019-04-04 CN CN201910272498.XA patent/CN109978879B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112141A (zh) * | 2014-06-29 | 2014-10-22 | 中南大学 | 一种基于公路监控设备的货车安全带系挂状态的检测方法 |
JP2016157258A (ja) * | 2015-02-24 | 2016-09-01 | Kddi株式会社 | 人物領域検出装置、方法およびプログラム |
CN105719241A (zh) * | 2016-01-27 | 2016-06-29 | 浙江工业大学 | 一种基于视觉扫描的船槽定位方法 |
CN109389566A (zh) * | 2018-10-19 | 2019-02-26 | 辽宁奇辉电子系统工程有限公司 | 基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法 |
Non-Patent Citations (1)
Title |
---|
港口集装箱号图像倾斜校正识别仿真;田原嫄 等;《计算机仿真》;20170930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109978879A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348451B (zh) | 铁路集装箱装卸过程中的箱号自动采集及识别方法 | |
CN109489724B (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
CN109389566B (zh) | 基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法 | |
CN111489337B (zh) | 一种自动光学检测伪缺陷去除方法及系统 | |
CN111382704A (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
CN111080650B (zh) | 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN114022537B (zh) | 一种用于动态称重区域车辆装载率和偏载率分析方法 | |
CN113184707A (zh) | 一种基于激光视觉融合和深度学习的集卡防吊起方法、系统 | |
KR102242996B1 (ko) | 자동차 사출제품의 비정형 불량 검출 방법 | |
CN110674812A (zh) | 一种面向复杂背景的民用车牌定位与字符分割方法 | |
Kim et al. | License plate detection and recognition algorithm for vehicle black box | |
CN109978879B (zh) | 基于铁路货车装载视频监视的箱角入槽状态检测方法 | |
CN110415221B (zh) | 一种基于图像特征点匹配的集装箱卡车防吊起自动检测方法 | |
CN112001908B (zh) | 铁路货车枕梁孔搭载异物检测方法 | |
CN111832562B (zh) | 基于图像处理的弹簧托板故障识别方法 | |
CN112085723B (zh) | 一种货车摇枕弹簧窜出故障自动检测方法 | |
CN111242051A (zh) | 一种车辆识别优化方法、装置及存储介质 | |
CN115880481A (zh) | 一种基于边缘轮廓的曲线定位算法及系统 | |
CN112330647A (zh) | 一种动车车底异常检测方法 | |
Yang et al. | Research of computer vision fault recognition algorithm of center plate bolts of train | |
CN112365481B (zh) | 基于图像处理的横跨梁组装螺栓丢失检测方法 | |
CN115713758B (zh) | 一种车厢识别方法、系统、装置及存储介质 | |
CN112508906B (zh) | 铁路货车漏水孔异物快速检测方法、系统及装置 |
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 |