CN110264440B - 基于深度学习的大规模列车移位故障检测方法及系统 - Google Patents
基于深度学习的大规模列车移位故障检测方法及系统 Download PDFInfo
- Publication number
- CN110264440B CN110264440B CN201910390219.XA CN201910390219A CN110264440B CN 110264440 B CN110264440 B CN 110264440B CN 201910390219 A CN201910390219 A CN 201910390219A CN 110264440 B CN110264440 B CN 110264440B
- Authority
- CN
- China
- Prior art keywords
- train
- component
- image
- deep learning
- model
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的大规模列车移位故障检测方法和系统。所述检测方法包括:采集列车部件移位图像并传入深度学习框架中训练出列车部件分类模型并获得部件剪切图;将剪切图进行标注并传入深度学习框架中训练出部件轮廓分割模型;采集待检测图像传入所述列车部件分类模型中进行预测,根据分类及定位自动检测部件并剪切;将所述剪切图传入部件轮廓分割模型中分割出部件的内外轮廓,并获得相对位置信息;设定相对位置信息的阈值并根据内外轮廓相对位置信息进行逻辑判断,判断列车部件是否发生移位故障。与现有技术相比,本发明有效解决对海量列车部件数据的自动检测,提高检测效率和准确度,降低人力物力成本。
Description
【技术领域】
本发明涉及故障自动检测领域,尤其涉及大规模列车移位故障检测领域。
【背景技术】
高速列车安全高效的运行一直以来都是一个重大问题。列车长期持续行驶上千公里,列车磨耗加快,震动加剧,性能参数快速蜕变等,这些因素严重威胁列车安全运行,降低了列车安全系数,引发列车运营期间的安全事故。由于这些因素不可避免,所以只有及时对列车关键部位进行检修,发现故障,才能确保列车安全运行,保障乘客安全。
列车关键部位故障主要包括移位,丢失,腐蚀,变形,破损等,移位故障作为主要列车故障之一直接影响到列车运行安全性。当前主要通过技术人员获取图片进行侦察与分析来判断部件移位故障,这个侦察与分析的过程十分复杂,而且非常耗费人力。由于我国列车数量众多,因此需要大量工作人员全天24小时检查数以百万计的图片,但即使这样,大量发生部件移位故障的列车也会被遗漏,而各种恶劣天气,更是加重了工作人员检查故障的难度。
目前一些研究人员也提出了某些技术手段,基于信号处理及简单的图像处理方法对列车部件移位故障进行自动侦察与诊断。但是这些传统的信号处理方法和图像处理的方法在处理的数据量及精准性上有着很大的局限性。
随着深度学习的发展,能够使观测值,例如一幅图像,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,例如,人脸识别或面部表情识别。深度学习还能够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。此时深度学习开始进入列车移位故障检测人员的视野。在数据量日益增长的大数据环境下,迫切需要寻求一种自动检测大规模列车部件移位故障的方法,因此一种基于深度学习的大规模列车移位故障检测方法应运而生。
【发明内容】
目前现有技术的信号处理方法和图像处理的方法在处理列车部件故障的数据量及精准性上有着很大的局限性,针对大数据场景下模型训练和故障检测对海量数据训练及检测效率低、可容性差的问题,本发明提供了一种自动检测大规模列车部件移位故障的方法和系统。
一种基于深度学习的大规模列车移位故障检测方法,所述检测方法包括以下步骤:
步骤S1,采集列车部件图像:收集海量列车部件图像作为图像集;
步骤S2,提供深度学习目标检测模型和深度学习语义分割模型;
步骤S3,通过训练获得列车部件分类模型:将所述图像集中的列车部件图像输入到所述深度学习目标检测模型中,训练出可以对列车部件进行精准识别的列车部件分类模型;
步骤S4,通过训练获得部件轮廓分割模型:利用所述列车部件分类模型对所述训练图像集进行分类和定位,根据定位的结果自动获取所述训练图像集中各个部件的剪切图,对剪切图进行标注并输入到所述深度学习语义分割模型中,训练出可以分割列车部件得到列车部件的内部轮廓和外部轮廓的部件轮廓分割模型;
步骤S5,故障检测:将待检测图像输入到所述列车部件分类模型中,通过所述列车部件分类模型对所述待检测图像中各部件进行分类和定位,根据定位结果构建包含各部件图像的部件池,然后将所述部件池输入到所述部件轮廓分割模型中,分割各部件的内部轮廓和外部轮廓,并得到两者的相对位置信息;
步骤S6,逻辑判断:设定相对位置信息的阈值,根据阈值判断列车部件是否发生移位故障。
优选的,所述列车部件图像存入分布式文件系统HDFS中。
优选的,所述列车部件分类模型的训练和所述部件轮廓分割模型的训练是通过Spark和深度学习框架TensorFlow结合,利用集群多GPU/CPU并行地训练。
优选的,在步骤S6中,若相对位置信息大于设定的阈值,则判断所述列车部件发生移位故障,反之则认定为所述列车部件正常。
一种基于深度学习的大规模列车移位故障检测系统,其特征在于,所述检测系统包括:
图像采集模块,用于采集所述列车部件图像;
分布式数据存储模块,其与所述图像采集模块连接,所述分布式数据存储模块用于存储所述列车部件图像及检测后故障信息;
深度学习模型训练模块,其与所述分布式数据存储模块连接,所述深度学习模型训练模块用于训练出列车部件分类模型和部件轮廓分割模型;
列车移位故障并行检测模块,其分别与所述分布式数据存储模块和所述深度学习模型训练模块连接,其利用训练出的列车部件分类模型和部件轮廓分割模型进行列车移位故障检测,并将检测出来的移位故障信息保存在所述分布式数据存储模块中。
优选的,所述深度学习模型训练模块读取所述存储模块中标记好的列车故障数据集,并利用Spark与深度学习框架TensorFlow结合的方法,利用集群多GPU/CPU并行地训练列车部件移位故障检测模型。
优选的,所述列车移位故障并行检测模块利用训练出来的并行的所述列车部件分类模型和所述部件轮廓分割模型,对数据存储模块内的海量待测列车部件图像使用Spark与TensorFlow结合的方法并行检测,检测列车部件是否发生移位故障,将检测出来的移位故障信息保存在所述分布式数据存储模块中。
本发明通过创新网络神经算法,利用模型融合提高列车移位故障检测的精确度,通过逻辑判断与深度学习相结合,最终达到移位故障自动检测的效果。与现有技术相比,本发明提供的基于深度学习的大规模列车移位故障检测方法及系统提高了训练模型对海量列车部件图像检测的效率和准确度,大大降低了人工检测的人力物力成本,确保列车在发生部件移位故障后能够及时得到检测反馈,从而保障乘客与列车工作人员的安全。
【附图说明】
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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它的附图,其中:
图1为本发明提供的检测方法的流程图;
图2为本发明提供的检测方法的实施例图;
图3为本发明提供的模型并行训练及预测框架图;
图4为本发明提供的检测系统示意图。
【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,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明提供的检测方法的流程图,包括以下步骤:
步骤S1,采集列车部件图像:采集海量列车部件图像作为图像集.
特别的,所述训练图像集存入分布式文件系统HDFS中。
步骤S2,提供深度学习目标检测模型和深度学习语义分割模型。
步骤S3,通过训练获得列车部件分类模型:将所述训练图像集输入到所述深度学习目标检测模型中,训练出可以对列车部件进行精准识别的列车部件分类模型。所述列车部件分类模型可以对列车部件进行分类和定位,根据分类和定位的结果自动获取图像中各个部件的剪切图。
步骤S4,通过训练获得部件轮廓分割模型:利用得到的列车部件分类模型对所述训练图像集进行分类和定位,根据定位的结果自动获取所述训练图像集中各个部件的剪切图,对剪切图进行标注并输入到所述深度学习语义分割模型,训练出部件轮廓分割模型。所述部件轮廓分割模型可以分割列车部件得到列车部件的内部轮廓和外部轮廓。
特别的,所述列车部件分类模型对所述部件图像进行识别和分类,从而获得所述部件池。所述部件池包含每一个列车部件特征,并且每一部件特征不会被其他部件特征噪声信息所干扰。
特别的,所述列车部件分类模型和所述部件轮廓分割模型的训练以及故障检测运用并行的方法,实现对庞大数据量的检测。通过结合Spark与深度学习框架TensorFlow,在每个Spark集群节点上运行TensorFlow进程,列车部件图像并行传入集群进入TensorFlow计算图中,训练并行化的模型,并通过多节点GPU/CPU并行检测列车故障。
步骤S5,进行检测:将所述检测图像集输入到所述列车部件分类模型中,通过所述列车部件分类模型对所述检测图像集中各部件进行分类和定位,根据定位结果构建包含各部件图像的部件池。将输出的部件池输入到所述部件轮廓分割模型,分割各部件的内部轮廓和外部轮廓,并得到两者的相对位置信息。
步骤S6,进行逻辑判断:设定相对位置信息的阈值,结合所述外部轮廓和所述内部轮廓的相对位置信息进行分析并进行逻辑判断。当相对信息大于所述阈值,则判断所述列车部件发生移位故障,反之则认为所述列车部件正常。
特别的,所述逻辑判断通过对所述部件的内部轮廓和外部轮廓的长度及角度等相对信息进行分析,以及通过与所述阈值的对比分析,自动检测列车部件是否发生移位故障。
请参阅图2,图2为本发明提供的检测方法的实施例。
首先进行列车部件图像采集得到待检测图像11,将所述待检测图像传入所述列车部件分类模型12,所述列车部件分类模型对所述待检测图像的进行分类与定位13,根据定位与分类结果构成包各部件图像的部件池14,再将输出的所述部件池输入所述部件轮廓分割模型15,利用所述部件轮廓分割模型的部件外部轮廓识别模型和内部识别模型识别并分割部件的内外轮廓16,得到部件内部轮廓161和部件外部轮廓162,并自动获取所述部件的剪切图17,设定相对位置信息的阈值,对所述部件内部轮廓161和部件外部轮廓162的相对位置进行分析,进行逻辑判断18,当所述内部轮廓161与所述外部轮廓162的相对位置信息大于所述阈值,则判断部件发生移位故障,反之则判断部件正常。
请参阅图3,图3为本发明提供的模型并行训练及检测框架图。
首先,将所述列车部件训练图像存入分布式文件系统HDFS中。
其次,构建Spark集群,通过调控多个Spark Executor节点,在每个所述SparkExecutor节点上运行TensorFlow核心进程,所述各个TensorFlow进程之间通过gRPC等远程过程调用协议实现所述各个TensorFlow进程间通信。
然后,所述各个Spark Executor从所述HDFS上读取大规模列车部件图像数据集,并转化为Spark基本的数据抽象即弹性分布式数据集RDD,将所述RDD传入每个节点的TensorFlow计算图中。并行的TensorFlow计算图对列车部件图像数据集抽象后的RDD进行计算和逻辑判断,实现大规模列车部件数据集的训练及预测。
特别的,所述RDD具备数据流模型的容错特征,并且允许开发人员在大型集群上执行基于内存的计算。RDD提供了一种高度受限的共享内存,RDD通过以只读的形式,并且只能通过其他RDD上的批量操作来创建有效地实现容错。
传统的利用深度学习训练故障检测模型及故障检测方法利用单节点的GPU/CPU,在大数据环境下,故障检测模型训练及预测效率低下,无法保证故障检测的时效性。本发明提出在大规模列车部件移位故障检测的情况下,通过并行的方法改进故障检测模型训练及故障预测,利用Spark集群整合深度学习框架TensorFlow,利用多节点,多GPU/CPU,并行的对海量列车部件移位故障图进行并行的模型训练及预测,极大程度上提高了移位故障检测的时效性及对海量图像的高可容性,并且利用分布式文件系统,保证了大规模列车部件图像存储的可靠性。
请参阅图4,图4为本发明提供的大规模列车部件移位故障检测系统200示意图。所述大规模列车部件移位故障检测系统200包括图像采集模块21、分布式数据存储模块23、深度学习模型训练模块25和列车移位故障并行检测模块27。
所述图像采集模块21用于采集列车部件图像,所述列车部件图像包括训练图像和待检测图像。
所述分布式数据存储模块23与所述图像采集模块21相连用于存储列车部件图像及检测后故障信息。所述分布式数据存储模块23包括所述分布式文件系统HDFS。
所述深度学习模型训练模块25与所述分布式数据存储模块23相连,读取存储模块中标记好的列车故障数据集,利用Spark和深度学习框架TensorFlow结合的方法,通过集群多GPU/CPU并行的训练得到所述列车部件分类模型和所述部件轮廓分割模型。
所述列车移位部件故障部件检测模块27与所述数据存储模块23、所述深度学习并行训练模块25相连,利用训练出来的并行的模型,对所述数据存储模块内的海量待测列车部件图像使用Spark和TensorFlow结合的方法并行检测,检测列车部件是否发生移位故障,将检测出发的移位故障信息保存在所述分布式数据存储模块23中。
本发明提供的大规模列车部件移位故障检测系统,将系统中每个模块并行在多个GPU或者CPU上,多个节点并行检测,有效应对大数据大数据场景下待检测人列车故障图像海量图像的情况,提高列车移位故障识别的实时性。同时在检测模块中采用神经网络模型融合的方式,结合逻辑判断,对现有的列车部件故障检测技术做出了改进,提高列车故障检测的准确性。通过创新网络神经算法,利用模型融合提高列车移位故障检测的精确度,通过逻辑判断与深度学习相结合,最终达到移位故障自动检测的效果。本发明提供的基于深度学习的大规模列车移位故障检测方法及系统提高了训练模型对海量列车部件图像检测的效率和准确度,大大降低了人工检测的人力物力成本,确保列车在发生部件移位故障后能够及时得到检测反馈,从而保障乘客与列车工作人员的安全。
以上所述的仅是本发明的实施方式,在此应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出改进,但这些均属于本发明的保护范围。
Claims (7)
1.一种基于深度学习的大规模列车移位故障检测方法,其特征在于,所述检测方法包括以下步骤:
步骤S1,采集列车部件图像:收集海量列车部件图像作为图像集;
步骤S2,提供深度学习目标检测模型和深度学习语义分割模型;
步骤S3,通过训练获得列车部件分类模型:将所述图像集中的列车部件图像输入到所述深度学习目标检测模型中,训练出可以对列车部件进行精准识别的列车部件分类模型;
步骤S4,通过训练获得部件轮廓分割模型:利用所述列车部件分类模型对所述训练图像集进行分类和定位,根据定位的结果自动获取所述训练图像集中各个部件的剪切图,对剪切图进行标注并输入到所述深度学习语义分割模型中,训练出可以分割列车部件得到列车部件的内部轮廓和外部轮廓的部件轮廓分割模型;
步骤S5,故障检测:将待检测图像输入到所述列车部件分类模型中,通过所述列车部件分类模型对所述待检测图像中各部件进行分类和定位,根据定位结果构建包含各部件图像的部件池,然后将所述部件池输入到所述部件轮廓分割模型中,分割各部件的内部轮廓和外部轮廓,并得到两者的相对位置信息;
步骤S6,逻辑判断:设定相对位置信息的阈值,根据阈值判断列车部件是否发生移位故障。
2.根据权利要求1所述的检测方法,其特征在于,所述列车部件图像存入分布式文件系统HDFS中。
3.根据权利要求1所述的检测方法,其特征在于,所述列车部件分类模型的训练和所述部件轮廓分割模型的训练是通过Spark和深度学习框架TensorFlow结合,利用集群多GPU/CPU并行地训练。
4.根据权利要求1所述的检测方法,其特征在于,在步骤S6中,若相对位置信息大于设定的阈值,则判断所述列车部件发生移位故障,反之则认定为所述列车部件正常。
5.一种基于深度学习的大规模列车移位故障检测系统,其特征在于,所述检测系统包括:
图像采集模块,用于采集所述列车部件图像;
分布式数据存储模块,其与所述图像采集模块连接,所述分布式数据存储模块用于存储所述列车部件图像及检测后故障信息;
深度学习模型训练模块,其与所述分布式数据存储模块连接,所述深度学习模型训练模块用于训练出列车部件分类模型和部件轮廓分割模型;
列车移位故障并行检测模块,其分别与所述分布式数据存储模块和所述深度学习模型训练模块连接,其利用训练出的列车部件分类模型和部件轮廓分割模型进行列车移位故障检测,并将检测出来的移位故障信息保存在所述分布式数据存储模块中。
6.根据权利要求5所述的检测系统,其特征在于,所述深度学习模型训练模块读取所述存储模块中标记好的列车故障数据集,并利用Spark与深度学习框架TensorFlow结合的方法,利用集群多GPU/CPU并行地训练列车部件移位故障检测模型。
7.根据权利要求5所述的大规模列车移位故障系统,其特征在于,所述列车移位故障并行检测模块利用训练出来的并行的所述列车部件分类模型和所述部件轮廓分割模型,对数据存储模块内的海量待测列车部件图像使用Spark与TensorFlow结合的方法并行检测,检测列车部件是否发生移位故障,将检测出来的移位故障信息保存在所述分布式数据存储模块中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910390219.XA CN110264440B (zh) | 2019-05-10 | 2019-05-10 | 基于深度学习的大规模列车移位故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910390219.XA CN110264440B (zh) | 2019-05-10 | 2019-05-10 | 基于深度学习的大规模列车移位故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110264440A CN110264440A (zh) | 2019-09-20 |
CN110264440B true CN110264440B (zh) | 2023-01-17 |
Family
ID=67913018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910390219.XA Active CN110264440B (zh) | 2019-05-10 | 2019-05-10 | 基于深度学习的大规模列车移位故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110264440B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634190A (zh) * | 2019-09-24 | 2021-04-09 | 上海汽车集团股份有限公司 | 一种涂胶检测方法及装置 |
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 |
CN111080603B (zh) * | 2019-12-12 | 2020-08-21 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车轴端螺栓折断故障检测方法 |
CN111080609B (zh) * | 2019-12-12 | 2020-12-15 | 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闸瓦插销丢失检测方法 |
CN111767913A (zh) * | 2020-07-06 | 2020-10-13 | 中兴飞流信息科技有限公司 | 一种基于深度学习的动车组车辆故障动态图像检测方法 |
CN112035261A (zh) * | 2020-09-11 | 2020-12-04 | 杭州海康威视数字技术股份有限公司 | 数据处理方法及系统 |
CN112418323B (zh) * | 2020-11-24 | 2021-07-16 | 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钩舌销故障检测方法 |
CN112508030A (zh) * | 2020-12-18 | 2021-03-16 | 山西省信息产业技术研究院有限公司 | 一种基于双深度学习模型的隧道裂缝检测及测量方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107505334A (zh) * | 2017-10-13 | 2017-12-22 | 成都精工华耀机械制造有限公司 | 一种基于点光源阵列线阵成像的铁轨扣件异常检测系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11645835B2 (en) * | 2017-08-30 | 2023-05-09 | Board Of Regents, The University Of Texas System | Hypercomplex deep learning methods, architectures, and apparatus for multimodal small, medium, and large-scale data representation, analysis, and applications |
-
2019
- 2019-05-10 CN CN201910390219.XA patent/CN110264440B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107505334A (zh) * | 2017-10-13 | 2017-12-22 | 成都精工华耀机械制造有限公司 | 一种基于点光源阵列线阵成像的铁轨扣件异常检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110264440A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264440B (zh) | 基于深度学习的大规模列车移位故障检测方法及系统 | |
CN110674861B (zh) | 一种输变电巡检图像智能分析方法及装置 | |
Zhang et al. | SOD‐YOLO: a small target defect detection algorithm for wind turbine blades based on improved YOLOv5 | |
CN109639739A (zh) | 一种基于自动编码器网络的异常流量检测方法 | |
CN111199257A (zh) | 高铁行车设备故障诊断方法及装置 | |
CN115147383A (zh) | 一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法 | |
CN111862065A (zh) | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 | |
CN114708518A (zh) | 基于半监督学习与先验知识嵌入策略的螺栓缺陷检测方法 | |
CN115830407A (zh) | 一种基于yolov4目标检测模型的电缆管线故障判别算法 | |
CN116486240A (zh) | 图像识别算法在输电线路无人机智能巡检方法上的应用 | |
Lee et al. | Deploying an Artificial Intelligence-based defect finder for manufacturing quality management | |
CN117676099B (zh) | 基于物联网的安全预警方法及系统 | |
CN114139781A (zh) | 一种电力系统的运行趋势预测方法及系统 | |
CN114067268A (zh) | 一种电力作业现场安全帽检测及身份识别方法及装置 | |
CN111639609A (zh) | 基于机器视觉与深度学习的金属断口类型智能识别系统 | |
CN116030050A (zh) | 基于无人机与深度学习的风机表面缺陷在线检测分割方法 | |
CN116032790A (zh) | 调度自动化系统海量数据流异常辨识、诊断和预测方法、装置和系统 | |
CN113420646B (zh) | 一种基于深度学习的锁站连接锁检测系统及方法 | |
CN115147777A (zh) | 船员违规行为识别方法 | |
CN114039279A (zh) | 轨道交通站内的控制柜监控方法及系统 | |
CN112115876A (zh) | 一种基于3d卷积神经网络的水溶法实验过程识别方法 | |
CN109584235A (zh) | 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质 | |
CN112329863B (zh) | 一种牵引变电所内隔离开关状态识别方法 | |
Benbarrad et al. | On the Performance of Deep Learning in the Full Edge and the Full Cloud Architectures | |
Zhao et al. | Image data analytics to support engineers’ decision-making |
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 |