CN110310261B - 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 - Google Patents

一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 Download PDF

Info

Publication number
CN110310261B
CN110310261B CN201910531072.1A CN201910531072A CN110310261B CN 110310261 B CN110310261 B CN 110310261B CN 201910531072 A CN201910531072 A CN 201910531072A CN 110310261 B CN110310261 B CN 110310261B
Authority
CN
China
Prior art keywords
dropper
training
neural network
defect detection
catenary
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
Application number
CN201910531072.1A
Other languages
English (en)
Other versions
CN110310261A (zh
Inventor
陈召阳
申博
何秋奇
徐伟高
程传斌
刘大庆
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.)
Henan Splendor Science and Technology Co Ltd
Original Assignee
Henan Splendor Science and Technology Co Ltd
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 Henan Splendor Science and Technology Co Ltd filed Critical Henan Splendor Science and Technology Co Ltd
Priority to CN201910531072.1A priority Critical patent/CN110310261B/zh
Publication of CN110310261A publication Critical patent/CN110310261A/zh
Application granted granted Critical
Publication of CN110310261B publication Critical patent/CN110310261B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法，属于接触网故障检测技术领域。本发明通过构建基于两层卷积神经网络的接触网吊弦缺陷检测模型，来提取接触网吊弦的图像特征并对吊弦的缺陷进行分类，利用卷积算法的优势，不受图像中吊弦几何形状、遮挡等客观情况的干扰，相比传统的利用人工看图的检测方式，鲁棒性与效率更高；同时，本发明基于吊弦的特征，利用聚类算法来设定初始的anchor，提高了图像检测的效率与准确度；另外本发明在检测缺陷时，为每一层模型的输出设定了相应的阈值，提高了最终吊弦缺陷检测的准确性。

Description

一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法
技术领域
本发明涉及一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法，属于接触网故障检测技术领域。
背景技术
吊弦是接触网系统重要的组成部分，接触网的状态关乎高速铁路的安全运行，需要定期对接触网系统巡检维护，因此排查故障和缺陷已经成为铁路安全运行中一项必不可少的工作流程。目前铁路相关部门对吊弦的巡检状态大多采用巡检车夜间拍照采集图像，离线人工确认缺陷或者采用简单图像分析的方式完成，在面对海量的吊弦图像数据，这种缺陷确认的方式效率低、误检漏检率高，且确认周期长。
因此，目前亟需一种高效、准确的接触网吊弦缺陷检测方法。
发明内容
本发明的目的是提供一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法，以解决目前接触网吊弦缺陷检测效率低、容易漏检的问题。
本发明为解决上述技术问题而提供一种接触网吊弦缺陷检测模型训练方法，包括以下步骤：
1)建立用于训练在图像中定位接触网吊弦区域位置的卷积神经网络模型的第一训练样本集；
2)采用聚类算法产生第一训练样本集的目标边界框，生成针对第一训练样本集的初始anchor的值；
3)将所述第一训练样本集和初始anchor的值输入搭建好的YOLO-v3卷积神经网络模型中进行迭代训练，迭代训练完毕后得到用于在图像中定位接触网吊弦区域位置的YOLO-v3卷积神经网络模型；
4)建立用于训练检测接触网吊弦缺陷类型的缺陷分类卷积神经网络模型的第二训练样本集；
5)将第二训练样本集和初始设定参数输入搭建好的缺陷分类卷积神经网络模型中进行迭代训练，迭代训练完毕后得到用于在图像中检测接触网吊弦缺陷类型的缺陷分类卷积神经网络模型。
本方案通过构建基于两层卷积神经网络的接触网吊弦缺陷检测模型，来提取接触网吊弦的图像特征并对吊弦的缺陷进行分类，利用卷积算法的优势，不受图像中吊弦几何形状、遮挡等客观情况的干扰，相比传统的利用人工看图的检测方式，鲁棒性与效率更高；同时，本方案基于吊弦的特征，利用聚类算法来设定初始的anchor，提高了图像检测的效率与准确度。
进一步地，整理现有的接触网吊弦图像，采用图像标注工具标注出接触网吊弦的组成部件，再通过数据增广的方式进行数据扩充，建立第一训练样本集；
该接触网吊弦的组成部件包括吊弦拉线、承力索线夹和接触线线夹。
本方案提供了一种较优的第一训练样本集的构建方案。
进一步地，YOLO-v3卷积神经网络模型的训练过程包括以下步骤：
i)提取不同分辨率尺度下的图像特征；
ii)将输入包含识别目标的样本分为S1xS2块，其中S1为分割的行数，S2为分割的列数，设定每个块预测的C个类别和B个目标框的坐标及其置信度；
iii)对YOLO-v3卷积神经网络模型进行迭代训练，迭代公式为：
Figure BDA0002099769280000031
其中，cx、cy是网络的坐标偏移量，ρw、ρh是设定的Anchor边长，(tx,ty,tw,th,to)是该次迭代输入的目标框的坐标及其置信度，(bx,by,bw,bh)是该次迭代后的目标框坐标，Ρr(obj)是目标概率，IOU(b,obj)是预测框与真实框的重合程度；
iv)当YOLO-v3卷积神经网络模型的损失函数满足设定目标时，训练完成。
本方案提供了一种较优的YOLO-v3卷积神经网络模型的迭代训练方案。
进一步地，整理训练好的YOLO-v3卷积神经网络模型的定位结果，采用图像标注工具标注出其中接触网吊弦的缺陷类型，再通过数据增广的方式进行数据扩充，建立第二训练样本集。
本方案提供了一种较优的第二训练样本集的构建方案。
进一步地，接触网吊弦的缺陷类型包括吊弦拉线不受力、吊弦拉线有异物、吊弦拉线绞拧、承力索线夹防脱销缺失、鸡心环位置偏移、止动垫片缺失和/或回流环断股散股。
本方案给出了具体的吊弦缺陷分类。
进一步地，步骤2)生成的初始anchor的值分别为(13.81，19.67)，(17.63，38.46)，(31.79，31.00)，(35.12，54.40)，(70.23，45.22)，(102.22，57.21)，(66.83，90.60)，(34.05，191.25)和(109.10，123.81)。
每个anchor值分别代表一类目标的像素长宽值，这些初始anchor值是为了获取检测目标的先验尺寸，训练过程中参考该框的尺寸优化计算参数，同时不同的初始值代表不同类别的目标，如吊弦拉线对应的尺寸较大、宽高比较小，而承力索线夹和接触线线夹的尺寸小、宽高比大，最终经过大量的调试工作，得到最优的这9组数值，能够极大提高模型最后的识别精度。
本方案根据吊弦的特征，经过大量测试实验，给出了一组最优的初始anchor的值，利用该组初始anchor的值，能够提高模型训练效率以及吊弦最终的定位准确度。
本发明还提供了一种接触网吊弦缺陷检测方法，包括以下步骤：
(1)采集接触网吊弦图像；
(2)使用上述任一训练完成的YOLO-v3卷积神经网络模型定位出图像中的接触网吊弦区域；
(3)当该接触网吊弦在图像中的位置置信度阈值超过第一设定阈值时，使用上述任一训练完成的缺陷分类卷积神经网络模型在该定位出的图像中的接触网吊弦区域中检测接触网吊弦的缺陷类型；
(4)当该检测出的接触网吊弦的缺陷类型的置信度阈值超过第二设定阈值时，输出该接触网吊弦的检测结果。
本方案使用训练好的两层卷积神经网络模型，实现对图像中吊弦的定位与缺陷分类，利用卷积算法的优势，不受图像中吊弦几何形状、遮挡等客观情况的干扰，相比传统的利用人工看图的检测方式，更加鲁棒与高效；同时，本方案还为每一层模型的输出设定了相应的阈值，以提高最终吊弦缺陷检测的准确性。
进一步地，所述第一设定阈值为0.7。
本方案通过深入研究吊弦在图像中的特征，经过大量实验后，得到了该最优的第一设定阈值，以提高图像中吊弦位置定位的准确性。
进一步地，所述第二设定阈值为0.8。
本方案通过深入研究吊弦在图像中的特征，经过大量实验后，得到了该最优的第二设定阈值，以提高图像中吊弦缺陷检测的准确性。
附图说明
图1是本发明一种接触网吊弦缺陷检测模型训练方法实施例中YOLO-v3卷积神经网络模型的训练流程图；
图2是本发明一种接触网吊弦缺陷检测模型训练方法实施例中缺陷分类卷积神经网络模型的训练流程图；
图3是本发明一种接触网吊弦缺陷检测方法实施例的流程图。
具体实施方式
接触网吊弦缺陷检测模型训练方法实施例
如图1、图2所示为本实施例中YOLO-v3卷积神经网络模型和缺陷分类卷积神经网络模型的训练流程图，具体步骤如下所示。
步骤1：整理以往设备巡检列车采集回的接触网吊弦图像，根据接触网吊弦的主要部件，准备相应的样本构建样本集，通过数据增广的方式扩展样本多样性，并标定样本。
其中，通过数据增广的方式扩展样本量，使样本集中每类样本量不少于40000张；采用图像标注工具labelImg进行标注吊弦拉线、承力索线夹及接触线线夹。
步骤2：确定目标检测的卷积神经网络结构及初始训练参数，用STEP1整理的样本集充分训练网络，为了保证检测模型的训练精度，需要根据吊弦独有的特征，计算初始anchor的值，对训练样本的目标边界框采用K-Means聚类算法产生，得到的9个anchor如下：(13.81，19.67)，(17.63，38.46)，(31.79，31.00)，(35.12，54.40)，(70.23，45.22)，(102.22，57.21)，(66.83，90.60)，(34.05，191.25)和(109.10，123.81)。
每个anchor值分别代表一类目标的像素长宽值，这些初始anchor值是为了获取检测目标的先验尺寸，训练过程中参考该框的尺寸优化计算参数，同时不同的初始值代表不同类别的目标，如吊弦拉线对应的尺寸较大、宽高比较小，而承力索线夹和接触线线夹的尺寸小、宽高比大，最终经过大量的调试工作，得到最优的这9组数值，能够极大提高模型最后的识别精度。
步骤3：选择用基于Darknet框架的YOLO-v3网络结构设计目标检测网络，将准备好的训练样本和网络结构参数充分训练，YOLO-v3是一个包含106层网络计算层的结构，其中前面75层的Darknet-53(包含有52个卷积层)作为基础特征提取模块，后面包含3个检测模块，分别对分辨率为52*52、26*26以及13*13三种不同尺度的特征进行检测。Darknet-53是一个分类性能优异的网络，证明其在提取图像基础特征的能力很突出。该结构有5个包含残差(Residual)的降采样模块，将图像输入分辨率尺寸从416*416降到208*208、104*104、52*52、26*26、13*13五种尺寸，从而充分提取各尺度下的图像特征。该网络作为预训练网络，不需要额外的训练网络间传导参数，直接将提取的特征作为初始化参数提供到后面的三个检测模块。检测模块分别整合原始的52*52(像素分辨率)及上采样26*26(像素分辨率)到52*52(像素分辨率)、原始的26*26(像素分辨率)及上采样13*13(像素分辨率)到26*26(像素分辨率)、原始的13*13(像素分辨率)三种特征进行预测输出。
目标检测网络具体实现方式：将输入的包含识别目标的样本分为S*S块；每个块预测C个类别和B个目标框的坐标及其置信度，即网络的输出为S*S*[B*(4+1)+C]的张量，其中目标框的坐标及其置信度表示为(tx,ty,tw,th,confidence)，网络对坐标的预测方法如下：
Figure BDA0002099769280000071
其中，cx、cy是网络的坐标偏移量，δ()sigmoid函数，用于是归一化预测值，ρw、ρh是设定的Anchor边长，(tx,ty,tw,th,to)是该次迭代输入的目标框的坐标及其置信度，其中，tx和ty是该目标框左上角像素点的坐标值，tw和th是该目标框的长宽值，t0是该目标框的置信度，(bx,by,bw,bh)是该次迭代后的目标框坐标，其中，bx和by是该次迭代后的目标框左上角像素点的坐标值，bw和bh是该次迭代后的目标框的长宽值，Ρr(obj)是目标概率，如果是目标的话该参数为1，否则为0，IOU(b,obj)是预测框与真实框的重合程度。
该目标检测网络的损失函数由三个量表征：目标框坐标误差、置信度误差、目标分类误差，当YOLO-v3卷积神经网络模型在迭代训练中的损失函数达到设定要求时，即判定训练完成。
为了保证检测模型的训练精度，还可以将图像输入到模型的尺寸由416*416提高到608*608。
步骤4：根据训练好的YOLO-v3卷积神经网络模型的识别结果，以及挑选以往的接触网吊弦缺陷图像，根据接触网吊弦部件的缺陷种类，准备相应包含缺陷的样本构建样本集，并标定样本；整理缺陷检测卷积神经网络模型的结果部件样本集，并通过数据增广的方式扩展样本量，使每类数量不少于5000张，采用图像标注工具labelImg进行标注吊弦拉线不受力、吊弦拉线有异物、吊弦拉线绞拧、承力索线夹防脱销缺失、鸡心环位置偏移、止动垫片缺失、回流环断股散股等七种缺陷，结合其正常状态，一共将吊弦的当前状态分为十四种状态。
步骤5：设计缺陷检测卷积神经网络模型结构及初始训练参数，用整理的样本集充分训练网络，根据训练结果调整参数，直到满足训练要求。
具体地，缺陷检测卷积神经网络模型的结构包括：一个输入层、五个卷积层、三个池化层、两个全连接层、一个输出层，具体为：
输入层：256*256的彩色图片；
卷积层：卷积核参数分别为11*11*48(代表48个11*11分辨率的卷积核，下同)、5*5*128、3*3*192、3*3*192、3*3*128；
池化层：三个池化层都是2*2的最大值池化，分别跟在第一、二、五个卷积层后面；
全连接层：两个全连接层的神经元个数为1024；
输出层：输出到softmax的个数为14，对应十四种缺陷分类结果。
接触网吊弦缺陷检测方法实施例
如图3所示为本实施例的流程图，具体包括以下步骤。
步骤1：拍摄实际的接触网吊弦图片传入训练好的两层卷积神经网络进行目标检测；
步骤2：使用训练完成的YOLO-v3卷积神经网络模型定位出图像中的接触网吊弦区域；
步骤3：当该接触网吊弦在图像中的结果置信度阈值超过0.7(第一设定阈值)时，使用训练完成的缺陷分类卷积神经网络模型在该定位出的图像中的接触网吊弦区域中检测接触网吊弦的缺陷类型；
步骤4：当该检测出的接触网吊弦的缺陷类型的置信度阈值超过0.8(第二设定阈值)时，输出该接触网吊弦的检测结果。
步骤5：汇总整理输出结果后，反馈给维护人员。
上述第一设定阈值和第二设定阈值是根据10000张测试样本的测试结果，统计检测类别与对应的置信度后，才得到的最优参数。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。

Claims (9)

1.一种接触网吊弦缺陷检测模型训练方法，其特征在于，包括以下步骤：
1)建立用于训练在图像中定位接触网吊弦区域位置的卷积神经网络模型的第一训练样本集；
2)采用聚类算法产生第一训练样本集的目标边界框，生成针对第一训练样本集的初始anchor的值；
3)将所述第一训练样本集和初始anchor的值输入搭建好的YOLO-v3卷积神经网络模型中进行迭代训练，迭代训练完毕后得到用于在图像中定位接触网吊弦区域位置的YOLO-v3卷积神经网络模型；
4)建立用于训练检测接触网吊弦缺陷类型的缺陷分类卷积神经网络模型的第二训练样本集；
5)将第二训练样本集和初始设定参数输入搭建好的缺陷分类卷积神经网络模型中进行迭代训练，迭代训练完毕后得到用于在图像中检测接触网吊弦缺陷类型的缺陷分类卷积神经网络模型。
2.根据权利要求1所述的接触网吊弦缺陷检测模型训练方法，其特征在于，整理现有的接触网吊弦图像，采用图像标注工具标注出接触网吊弦的组成部件，再通过数据增广的方式进行数据扩充，建立第一训练样本集；
该接触网吊弦的组成部件包括吊弦拉线、承力索线夹和接触线线夹。
3.根据权利要求2所述的接触网吊弦缺陷检测模型训练方法，其特征在于，YOLO-v3卷积神经网络模型的训练过程包括以下步骤：
i)提取不同分辨率尺度下的图像特征；
ii)将输入包含识别目标的样本分为S1xS2块，其中S1为分割的行数，S2为分割的列数，设定每个块预测的C个类别和B个目标框的坐标及其置信度；
iii)对YOLO-v3卷积神经网络模型进行迭代训练，迭代公式为：
Figure FDA0002099769270000021
其中，cx、cy是网络的坐标偏移量，ρw、ρh是设定的Anchor边长，(tx,ty,tw,th,to)是该次迭代输入的目标框的坐标及其置信度，(bx,by,bw,bh)是该次迭代后的目标框坐标，Ρr(obj)是目标概率，IOU(b,obj)是预测框与真实框的重合程度；
iv)当YOLO-v3卷积神经网络模型的损失函数满足设定目标时，训练完成。
4.根据权利要求3所述的接触网吊弦缺陷检测模型训练方法，其特征在于，整理训练好的YOLO-v3卷积神经网络模型的定位结果，采用图像标注工具标注出其中接触网吊弦的缺陷类型，再通过数据增广的方式进行数据扩充，建立第二训练样本集。
5.根据权利要求4所述的接触网吊弦缺陷检测模型训练方法，其特征在于，接触网吊弦的缺陷类型包括吊弦拉线不受力、吊弦拉线有异物、吊弦拉线绞拧、承力索线夹防脱销缺失、鸡心环位置偏移、止动垫片缺失和/或回流环断股散股。
6.根据权利要求1所述的接触网吊弦缺陷检测模型训练方法，其特征在于，步骤2)生成的初始anchor的值分别为(13.81，19.67)，(17.63，38.46)，(31.79，31.00)，(35.12，54.40)，(70.23，45.22)，(102.22，57.21)，(66.83，90.60)，(34.05，191.25)和(109.10，123.81)。
7.一种接触网吊弦缺陷检测方法，其特征在于，包括以下步骤：
(1)采集接触网吊弦图像；
(2)使用如权利要求1-6任一所述的接触网吊弦缺陷检测模型训练方法中的训练完成的YOLO-v3卷积神经网络模型定位出图像中的接触网吊弦区域；
(3)当YOLO-v3卷积神经网络模型输出的结果置信度阈值超过第一设定阈值时，使用如权利要求1-6任一所述的接触网吊弦缺陷检测模型训练方法中的训练完成的缺陷分类卷积神经网络模型在该定位出的图像中的接触网吊弦区域中检测接触网吊弦的缺陷类型；
(4)当缺陷分类卷积神经网络模型输出的结果置信度阈值超过第二设定阈值时，输出该接触网吊弦的检测结果。
8.根据权利要求7所述的接触网吊弦缺陷检测方法，其特征在于，所述第一设定阈值为0.7。
9.根据权利要求7所述的接触网吊弦缺陷检测方法，其特征在于，所述第二设定阈值为0.8。
CN201910531072.1A 2019-06-19 2019-06-19 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 Active CN110310261B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910531072.1A CN110310261B (zh) 2019-06-19 2019-06-19 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910531072.1A CN110310261B (zh) 2019-06-19 2019-06-19 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法

Publications (2)

Publication Number Publication Date
CN110310261A CN110310261A (zh) 2019-10-08
CN110310261B true CN110310261B (zh) 2022-12-06

Family

ID=68076777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910531072.1A Active CN110310261B (zh) 2019-06-19 2019-06-19 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110310261B (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826476A (zh) * 2019-11-02 2020-02-21 国网浙江省电力有限公司杭州供电公司 识别目标物体的图像检测方法、装置、电子设备和存储介质
CN110992307A (zh) * 2019-11-04 2020-04-10 华北电力大学（保定） 基于yolo的绝缘子定位识别方法及装置
CN111091545B (zh) * 2019-12-12 2021-01-22 哈尔滨市科佳通用机电股份有限公司 铁路货车滚动轴承轴端螺栓丢失故障的检测方法
CN111259746A (zh) * 2020-01-09 2020-06-09 浙江新再灵科技股份有限公司 一种直梯内宠物牵绳检测方法及系统
CN111353413B (zh) * 2020-02-25 2022-04-15 武汉大学 一种输电设备低漏报率缺陷识别方法
CN113310450B (zh) * 2020-03-12 2022-11-25 广东中科如铁技术有限公司 一种基于点云训练模型的接触网吊弦检测的方法
CN111489339B (zh) * 2020-04-08 2024-06-21 北京交通大学 高速铁路定位器螺栓备母缺陷的检测方法
CN111582332B (zh) * 2020-04-23 2022-05-24 浙江大学 一种高速铁路接触网吊弦部件的图片识别方法
CN111523607B (zh) * 2020-04-29 2023-07-21 成都国铁电气设备有限公司 一种接触网吊弦异常检测方法与系统
CN111598855B (zh) * 2020-05-07 2023-04-18 西安电子科技大学 一种基于深度学习和迁移学习的2c设备高铁接触网吊弦缺陷检测方法
CN111721324B (zh) * 2020-05-15 2021-12-07 中铁第一勘察设计院集团有限公司 一种基于加速度信号的接触网吊弦断裂检测方法
CN112200762A (zh) * 2020-07-02 2021-01-08 西南科技大学 二极管玻壳缺陷检测方法
CN111899227A (zh) * 2020-07-06 2020-11-06 北京交通大学 基于无人机作业的铁路扣件缺陷自动采集辨识方法
CN112016675B (zh) * 2020-08-13 2023-12-19 北京首钢自动化信息技术有限公司 用于钢板表面缺陷检测的cnn模型训练方法和装置
CN112102298A (zh) * 2020-09-17 2020-12-18 深圳市商汤科技有限公司 图像识别方法及装置、电子设备和存储介质
CN112102302B (zh) * 2020-09-18 2022-04-22 深圳市商汤科技有限公司 图像识别方法及装置、电子设备和存储介质
CN112363178B (zh) * 2020-11-02 2024-03-01 广东中科如铁技术有限公司 一种接触网隧道吊柱的动态测量方法
CN112669302B (zh) * 2020-12-30 2023-07-28 北京市商汤科技开发有限公司 吊弦缺陷检测方法、装置、电子设备及存储介质
CN112926562A (zh) * 2021-02-02 2021-06-08 广东嘉铭智能科技有限公司 一种基于卷积神经网络的工件圆柱面外观缺陷检测方法
CN113450381B (zh) * 2021-06-16 2022-10-18 上海深至信息科技有限公司 一种图像分割模型的准确度评价系统及方法
CN114266770B (zh) * 2022-03-02 2022-05-17 中铁电气化局集团有限公司 通过神经网络学习方法检测高铁接触网吊弦缺陷的方法
CN114743119B (zh) * 2022-04-28 2024-04-09 石家庄铁道大学 基于无人机的高铁接触网吊弦螺母缺陷检测方法
CN115359307B (zh) * 2022-10-24 2023-01-03 成都诺比侃科技有限公司 一种基于大数据的接触网验损缺陷数据管理方法及系统
CN115496750B (zh) * 2022-11-14 2023-04-18 诺比侃人工智能科技(成都)股份有限公司 一种基于神经网络的接触网缺陷验损方法及系统
CN117576635B (zh) * 2024-01-17 2024-03-29 中国石油集团川庆钻探工程有限公司 一种视频识别中线状目标张紧状态的判定方法
CN118135334B (zh) * 2024-04-30 2024-07-23 华东交通大学 一种接触网吊弦缺陷识别方法及系统
CN118212243B (zh) * 2024-05-22 2024-07-23 诺比侃人工智能科技(成都)股份有限公司 通过深度学习方法对高铁接触网吊弦缺陷分级检测的方法
CN118470017B (zh) * 2024-07-11 2024-09-10 成都中轨轨道设备有限公司 一种基于拍摄跟踪的接触线磨损检测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530284A (zh) * 2016-10-21 2017-03-22 广州视源电子科技股份有限公司 基于图像识别的焊点类型检测和装置
CN108345911B (zh) * 2018-04-16 2021-06-29 东北大学 基于卷积神经网络多级特征的钢板表面缺陷检测方法

Also Published As

Publication number Publication date
CN110310261A (zh) 2019-10-08

Similar Documents

Publication Publication Date Title
CN110310261B (zh) 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法
CN110598736B (zh) 一种电力设备红外图像故障定位、识别与预测方法
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN108711148B (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN111881730A (zh) 一种火电厂现场安全帽佩戴检测方法
CN108257114A (zh) 一种基于深度学习的输电设备缺陷自动识别方法
CN113324864B (zh) 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法
CN112183313A (zh) 一种基于SlowFast的电力作业现场动作识别方法
CN115995056A (zh) 一种基于深度学习的桥梁病害自动识别方法
CN113449650A (zh) 一种车道线检测系统及方法
CN116665011A (zh) 一种基于机器视觉的煤矿带式输送机煤流异物识别方法
CN115965915B (zh) 基于深度学习的铁路货车连接拉杆折断故障识别方法及识别系统
CN113706496B (zh) 一种基于深度学习模型的飞行器结构裂纹检测方法
CN116309407A (zh) 一种铁路接触网螺栓异常状态的检测方法
CN114037684B (zh) 一种基于yolov5和注意力机制模型的疵点检测方法
CN114663393A (zh) 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法
CN114387261A (zh) 一种适用于铁路钢桥螺栓病害的自动检测方法
CN112183640B (zh) 一种基于不规则物体的检测和分类方法
CN117876329A (zh) 一种基于雷达、视频和数据分析的道路病害实时检测方法
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN112084941A (zh) 一种基于遥感图像的目标检测与识别方法
CN117078591A (zh) 道路缺陷实时检测方法、系统、设备及存储介质
CN115311611A (zh) 一种用于装配式建筑预制构件生产的钢筋计数方法
CN112488049B (zh) 一种动车组牵引电机及轴间夹挂异物的故障识别方法
CN114863211A (zh) 一种基于深度学习的磁瓦缺陷检测及分割方法

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