CN110992345A - 一种轨道磨损检测方法及装置 - Google Patents

一种轨道磨损检测方法及装置 Download PDF

Info

Publication number
CN110992345A
CN110992345A CN201911240792.9A CN201911240792A CN110992345A CN 110992345 A CN110992345 A CN 110992345A CN 201911240792 A CN201911240792 A CN 201911240792A CN 110992345 A CN110992345 A CN 110992345A
Authority
CN
China
Prior art keywords
pixel point
target pixel
image
track
determining
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.)
Granted
Application number
CN201911240792.9A
Other languages
English (en)
Other versions
CN110992345B (zh
Inventor
黄永祯
童仁玲
姜晓旭
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.)
Watrix Technology Beijing Co ltd
Original Assignee
Zhongke Xuzhou Artificial Intelligence Research Institute Co Ltd
Watrix Technology Beijing 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 Zhongke Xuzhou Artificial Intelligence Research Institute Co Ltd, Watrix Technology Beijing Co Ltd filed Critical Zhongke Xuzhou Artificial Intelligence Research Institute Co Ltd
Priority to CN201911240792.9A priority Critical patent/CN110992345B/zh
Publication of CN110992345A publication Critical patent/CN110992345A/zh
Application granted granted Critical
Publication of CN110992345B publication Critical patent/CN110992345B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)
  • Machines For Laying And Maintaining Railways (AREA)

Abstract

本申请提供了一种轨道磨损检测方法及装置，包括：获取带有激光照射的轨道图像；将轨道图像输入至预先训练好的轨道识别模型中，确定轨道图像的第一目标像素点的特征向量，其中，第一目标像素点为有激光照射的轨面区域的像素点；基于第一目标像素点的特征向量，确定第一目标像素点中第二目标像素点，第二目标像素点构成轨道图像的水平轨面区域；基于第二目标像素点在轨道图像中的坐标，确定轨道磨损系数，轨道磨损系数用于表示轨道磨损程度。通过这种方法，可以提高轨道磨损检测的效率和精度。

Description

一种轨道磨损检测方法及装置
技术领域
本申请涉及轨道交通技术领域，尤其是涉及一种轨道磨损检测方法及装置。
背景技术
第三轨又称供电轨，是指安装在城市轨道(地铁、轻轨等)线路旁边的，单独的用来供电的一条轨道，电力机车在行驶过程中通过外伸集电头与第三轨接触从而获取电能。第三轨在与集电头长期摩擦中会产生一定的磨损，当磨损程度超过一定范围时就会出现供电不足，甚至断电的严重后果，可能会造成巨大的损失。
因此，为了杜绝这种安全隐患，需要对第三轨的磨损程度进行定期检测，以便及时维护或更换无法正常供电的第三轨，确保电力机车的安全运行。现有技术中，在对第三轨的磨损进行检测时，需要借助于人力巡检的方式，检测效率和准确率都比较低。
发明内容
有鉴于此，本申请的目的在于提供轨道磨损检测方法及装置，以提高轨道磨损检测的效率和准确率。
第一方面，本申请实施例提供了一种轨道磨损检测方法，包括：
获取带有激光照射的轨道图像；
将所述轨道图像输入至预先训练好的轨道识别模型中，确定所述轨道图像的第一目标像素点的特征向量，其中，所述第一目标像素点为有激光照射的轨面区域的像素点；
基于所述第一目标像素点的特征向量，确定所述第一目标像素点中第二目标像素点，所述第二目标像素点构成所述轨道图像的水平轨面区域；
基于所述第二目标像素点在所述轨道图像中的坐标，确定轨道磨损系数，所述轨道磨损系数用于表示轨道磨损程度。
一种可能的实施方式中，所述轨道识别模型包括特征提取模型；
所述将所述轨道图像输入至预先训练好的轨道识别模型中，确定所述轨道图像的第一目标像素点的特征向量，包括：
将所述轨道图像输入至所述特征提取模型中，得到所述轨道图像对应的特征图像；
将所述特征图像进行二值化处理，并确定所述二值化处理后的所述特征图像中各个像素点的标签，所述标签包括轨面和非轨面；
将所述标签为轨面的像素点确定为所述第一目标像素点，并提取所述第一目标像素点的特征向量。
一种可能的实施方式中，所述基于所述第一目标像素点的特征向量，确定所述第一目标像素点中第二目标像素点，包括：
计算相邻两个第一目标像素点的特征向量之间的特征相似度；
将所述特征相似度满足预设相似度阈值条件的两个第一目标像素点划分为同一像素点集合；
基于每个像素点集合中所包含的像素点的个数和/或每个像素点集合中所包含的像素点在所述轨道图像中的坐标，确定目标像素点集合；
将所述目标像素点集合中的第一目标像素点确定为所述第二目标像素点。
一种可能的实施方式中，所述基于所述第二目标像素点在所述轨道图像中的坐标，确定轨道磨损系数，包括：
确定除所述目标像素点集合外每个其他像素点集合中，与所述目标像素点集合中的像素点构成的区域距离最近的像素点为选定像素点；
基于每个其他像素点集合中所述选定像素点的坐标，确定旋转角度，并按照所述旋转角度调整所述第二目标像素点构成的区域；
重新确定调整后的区域中的第二目标像素点的坐标；
基于所述调整后的区域中的第二目标像素点的坐标，确定轨道磨损系数。
一种可能的实施方式中，所述基于所述调整后的区域中的第二目标像素点的坐标，确定轨道磨损系数，包括：
确定所述调整后的区域中纵坐标最大的第二目标像素点与纵坐标最小的第二目标像素点之间的差值，并将所述差值确定为所述轨道磨损系数。
一种可能的实施方式中，按照以下方法训练得到所述轨道识别模型：
获取带有标注的样本轨道图像，所述样本轨道图像为有激光照射的轨道图像，所述标注用于表示所述样本轨道图像中有激光照射的像素点是否为水平轨面；
将所述样本轨道图像输入至待训练的轨道识别模型中，执行以下操作，直至得到表示激光照射的轨面区域的第一样本像素点在特征图像中的特征向量：
基于待训练的特征提取模型，得到所述样本轨道图像对应的特征图像；
将所述特征图像进行二值化处理，并确定所述二值化处理后的所述特征图像中各个像素点的标签，所述标签包括轨面和非轨面；
将标签为轨面的像素点确定为第一样本像素点，并确定所述第一样本像素点在所述特征图像中的特征向量；
基于所述第一样本像素点的特征向量之间的相似度，将所述第一样本像素点划分为不同的集合，每一个集合构成一个像素区域；
基于每个像素区域的像素点，确定所述特征图像对应的预测水平轨面区域、以及预测非水平轨面区域；
基于所述预测水平轨面区域、所述预测非水平轨面区域、以及所述样本轨道图像的标签，训练所述待训练的轨道识别模型。
第二方面，本申请实施例还提供一种轨道磨损检测装置，包括：
获取模块，用于获取带有激光照射的轨道图像；
第一确定模块，用于将所述轨道图像输入至预先训练好的轨道识别模型中，确定所述轨道图像的第一目标像素点的特征向量，其中，所述第一目标像素点为有激光照射的轨面区域的像素点；
第二确定模块，用于基于所述第一目标像素点的特征向量，确定所述第一目标像素点中第二目标像素点，所述第二目标像素点构成所述轨道图像的水平轨面区域；
磨损检测模块，用于基于所述第二目标像素点在所述轨道图像中的坐标，确定轨道磨损系数，所述轨道磨损系数用于表示轨道磨损程度。
一种可能的实施方式中，所述轨道识别模型包括特征提取模型；
所述第一确定模块，在将所述轨道图像输入至预先训练好的轨道识别模型中，确定所述轨道图像的第一目标像素点的特征向量时，用于：
将所述轨道图像输入至所述特征提取模型中，得到所述轨道图像对应的特征图像；
将所述特征图像进行二值化处理，并确定所述二值化处理后的所述特征图像中各个像素点的标签，所述标签包括轨面和非轨面；
将所述标签为轨面的像素点确定为所述第一目标像素点，并提取所述第一目标像素点的特征向量。
一种可能的实施方式中，所述第二确定模块，在基于所述第一目标像素点的特征向量，确定所述第一目标像素点中第二目标像素点时，具体用于：
计算相邻两个第一目标像素点的特征向量之间的特征相似度；
将所述特征相似度满足预设相似度阈值条件的两个第一目标像素点划分为同一像素点集合；
基于每个像素点集合中所包含的像素点的个数和/或每个像素点集合中所包含的像素点在所述轨道图像中的坐标，确定目标像素点集合；
将所述目标像素点集合中的第一目标像素点确定为所述第二目标像素点。
一种可能的实施方式中，所述磨损检测模块，在基于所述第二目标像素点在所述轨道图像中的坐标，确定轨道磨损系数时，具体用于：
确定除所述目标像素点集合外每个其他像素点集合中，与所述目标像素点集合中的像素点构成的区域距离最近的像素点为选定像素点；
基于每个其他像素点集合中所述选定像素点的坐标，确定旋转角度，并按照所述旋转角度调整所述第二目标像素点构成的区域；
重新确定调整后的区域中的第二目标像素点的坐标；
基于所述调整后的区域中的第二目标像素点的坐标，确定轨道磨损系数。
一种可能的实施方式中，所述磨损检测模块，在基于所述调整后的区域中的第二目标像素点的坐标，确定轨道磨损系数时，具体用于：
确定所述调整后的区域中纵坐标最大的第二目标像素点与纵坐标最小的第二目标像素点之间的差值，并将所述差值确定为所述轨道磨损系数。
一种可能的实施方式中，所述装置还包括：训练模块，所述训练模块用于按照以下方法训练得到所述轨道识别模型：
获取带有标注的样本轨道图像，所述样本轨道图像为有激光照射的轨道图像，所述标注用于表示所述样本轨道图像中有激光照射的像素点是否为水平轨面；
将所述样本轨道图像输入至待训练的轨道识别模型中，执行以下操作，直至得到表示激光照射的轨面区域的第一样本像素点在特征图像中的特征向量：
基于待训练的特征提取模型，得到所述样本轨道图像对应的特征图像；
将所述特征图像进行二值化处理，并确定所述二值化处理后的所述特征图像中各个像素点的标签，所述标签包括轨面和非轨面；
将标签为轨面的像素点确定为第一样本像素点，并确定所述第一样本像素点在所述特征图像中的特征向量；
基于所述第一样本像素点的特征向量之间的相似度，将所述第一样本像素点划分为不同的集合，每一个集合构成一个像素区域；
基于每个像素区域的像素点，确定所述特征图像对应的预测水平轨面区域、以及预测非水平轨面区域；
基于所述预测水平轨面区域、所述预测非水平轨面区域、以及所述样本轨道图像的标签，训练所述待训练的轨道识别模型。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式中的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式中的步骤。
本申请实施例提供的轨道磨损检测方法及装置，可以基于预先训练好的轨道识别模型，识别获取的带有激光照射的轨道图像中有激光照射的轨面区域的像素点的特征向量，并基于有激光照射的轨面区域的像素点的特征向量，检测出轨道的水平轨面区域，并基于水平轨面区域在轨道图像中的坐标，确定轨道磨损系数。通过这种方法，可以提高轨道磨损检测的效率和精度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例所提供的一种轨道磨损检测方法的流程示意图；
图2示出了本申请实施例所提供的一种有激光照射的轨道图像的示意图；
图3示出了本申请实施例所提供的一种轨道磨损系数确定方法的流程示意图；
图4示出了本申请实施例所提供的一种轨道识别模型训练方法的流程示意图；
图5示出了本公开实施例所提供的一种轨道磨损检测装置的架构示意图；
图6示出了本公开实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
实际应用中，第三轨一般设置在室外，采用人工巡检的方式除了效率和准确率比较低之外，还可能会出现触电等事故的发生，因此，本申请所提供的方案还可以降低事故发生概率。
本申请中所采用到的轨道照片，为通过专业相机拍摄得到，相机的摆放位置与轨道垂直，在相机沿着轨道方向的一侧，有一激光器以一定角度发射激光，激光横向照射在轨道平面上。
为便于对本实施例进行理解，首先对本申请实施例所公开的一种轨道磨损检测方法进行详细介绍。
实施例一
参见图1所示，为本公开实施例所提供的一种轨道磨损检测方法的流程示意图，包括以下几个步骤：
步骤101、获取带有激光照射的轨道图像。
其中，轨道图像中，激光的照射方向与轨道的方向垂直，激光横向照射在轨道上，示例性的有激光照射的轨道图像可以如图2所示。
步骤102、将轨道图像输入至预先训练好的轨道识别模型中，确定轨道图像的第一目标像素点的特征向量。
其中，第一目标像素点为有激光照射的轨面区域的像素点。
在一种可能的实施方式中，轨道识别模型包括特征提取模型，在将轨道图像输入预先训练好的轨道识别模型中时，可以是先将轨道图像输入轨道识别模型所包含的特征提取模型中，进行特征提取，从而得到轨道图像对应的特征图像，然后基于特征图像确定第一目标像素点的特征向量。
具体的，可以再将特征图像输入至卷积神经网络中，得到深度特征图像，然后根据第一目标像素点的位置坐标，确定深度特征图像的对应位置上的像素点的特征向量，并将确定的特征向量作为该第一目标像素点的特征向量。
实际应用中，可以将带有标签的特征图像作为掩码，覆盖到特征图像对应的深度特征图像中，然后确定特征图像中标签为轨面的像素点在深度特征图像中对应的点的特征向量。
其中，特征提取模型可以为卷积神经网络模型，特征提取模型包括加密网络模型和解密网络模型，其中，加密网络模型可以是VGG16,RESNET等经典网络模型，解密网络模型可以是全卷积神经网络FCN。
在将轨道图像输入特征提取模型中，得到特征图像之后，可以再将特征图像进行二值化处理，并确定二值化处理后的特征图像中每个像素点的标签，标签包括轨面和非轨面。然后将标签为轨面的像素点确定为第一目标像素点，并确定第一目标像素点在特征图像中的特征向量。实际应用中，在进行二值化处理后，像素值为255的像素点的标签为轨面，像素值为0的像素点的标签为非轨面。
在对图像进行二值化处理时，需要将像素值大于阈值的像素点的像素值调整为255，将像素值小于阈值的像素点的像素值调整为0。若直接将有激光照射的轨道图像进行二值化处理，因为无法准确确定需要调整阈值，就会导致确定的有激光照射的轨面区域精度较低，且其精度可能会受到噪声影响。在提取轨道图像的特征之后，对特征图像进行二值化处理，可以提高确定的有激光照射的轨面区域的精度。
步骤103、基于第一目标像素点的特征向量，确定第一目标像素点中第二目标像素点。
其中，第二目标像素点构成轨道图像的水平轨面区域。
具体实施中，在基于第一目标像素点的特征向量，确定第一目标像素点中的第二目标像素点时，可以先计算每相邻两个第一目标像素点的特征向量之间的特征相似度，例如可以计算两个特征向量之间的欧氏距离，然后将相似度满足预设相似度阈值条件的两个第一目标像素点划分为同一像素点集合中，再基于每个像素点集合中所包含的像素点的个数和/或每个像素点集合中所包含的像素点在轨道图像中的坐标，确定目标像素点集合，将目标像素点集合中的第一目标像素点确定为第二目标像素点。
在将第一目标像素点划分至不同像素点集合时，可以是当两个第一目标像素点之间的欧式距离大于预设值时，则将这两个第一目标像素点划分至同一像素点集合中。
实际应用中，在将第一目标像素点划分之后，可以划分为至少三个像素点集合，其中，有三个像素点集合构成的区域是相邻的。
在确定目标像素点集合时，可以将包含的像素点的个数最多的确定为目标像素点集合，和/或基于每个像素点集合中所包含的像素点在轨道图像中的坐标，确定目标像素点集合，例如可以将构成的区域在中间位置的像素点的像素点集合确定为目标像素点集合。
步骤104、基于第二目标像素点在轨道图像中的坐标，确定轨道磨损系数。
其中，轨道磨损系数用于表示轨道磨损程度。
具体实施中，在基于第二目标像素点在轨道图像中的坐标，确定轨道磨损系数时，可以按照图3所示的方法，包括以下几个步骤：
步骤301、确定除目标像素点集合外每个其他像素点集合中，与目标像素点集合中的像素点构成的区域距离最近的像素点为选定像素点。
示例性的若目标像素点集合的像素点构成中间区域，两个其他像素点集合中的像素点分别构成中间区域的左边的区域和中间区域右边的区域，则在确定选定像素点时，是分别确定左边的区域中距离中间区域最近的像素点，以及右边的区域中距离中间区域最近的像素点为选定像素点。
实际应用中，选定像素点即为目标像素点集合所构成的区域与其他像素点集合所构成的区域之间的交点。
在一种可能的实施方式中，除目标像素点集合外可能还包括多个其他像素点集合，在这种情况下，可以在于目标像素点构成的区域有交点的像素点集合中选择选定像素点。
步骤302、基于每个其他像素点集合中选定像素点的坐标，确定旋转角度，并按照旋转角度调整第二目标像素点构成的区域。
在一种可能的实施方式中，在确定旋转角度时，可以先确定选定像素点的横纵坐标之差，然后基于横纵坐标之差确定旋转角度。
具体的，可以参照如下公式进行计算：
Figure BDA0002306161980000121
其中，θ表示旋转角度，x1表示第一个选定像素点的横坐标，y1表示第一个选定像素点的纵坐标，x2表示第二个选定像素点的横坐标，y2表示第二个选定像素点的纵坐标。第一个选定像素点和第二个选定像素点分别是从与目标像素点集合构成的区域有交点的像素点集合中确定的。
步骤303、重新确定调整后的区域中的第二目标像素点的坐标。
步骤304、基于调整后的区域中的第二目标像素点的坐标，确定轨道磨损系数。
在一种可能的实施方式中，在基于调整后的区域中的第二目标像素点的坐标，确定轨道磨损系数时，可以确定调整后的区域中纵坐标最大的第二目标像素点和纵坐标最小的第二目标像素点之间的差值，然后将其差值确定为轨道磨损系数。
本申请还提供了一种轨道识别模型训练方法，参见图4所示，为本申请所提供的一种轨道识别模型训练方法的流程示意图，包括以下步骤：
步骤401、获取带有标注的样本轨道图像。
样本轨道图像为有激光照射的轨道图像，标注用于表示样本轨道图像中有激光照射的像素点是否为水平轨面。
步骤402、将样本轨道图像输入至待训练的轨道识别模型中，确定第一样本像素点在特征图像中的特征向量。
其中在将样本轨道图像输入至待训练的轨道识别模型中之后，执行如下操作：
步骤4021、基于待训练的特征提取模型，得到样本轨道图像对应的特征图像。
步骤4022、将特征图像进行二值化处理，并确定二值化处理后的特征图像中各个像素点的标签，标签包括轨面和非轨面。
步骤4023、将标签为轨面的像素点确定为第一样本像素点，并确定第一样本像素点在特征图像中的特征向量。
步骤403、基于第一样本像素点的特征向量之间的相似度，将第一样本像素点划分为不同的集合，每一个集合构成一个像素区域。
步骤404、基于每个像素区域的像素点，确定特征图像对应的预测水平轨面区域、以及预测非水平轨面区域。
步骤405、基于预测水平轨面区域、预测非水平轨面区域、以及样本轨道图像的标签，训练待训练的轨道识别模型。
本申请实施例提供的轨道磨损检测方法及装置，可以基于预先训练好的轨道识别模型，识别获取的带有激光照射的轨道图像中有激光照射的轨面区域的像素点的特征向量，并基于有激光照射的轨面区域的像素点的特征向量，检测出轨道的水平轨面区域，并基于水平轨面区域在轨道图像中的坐标，确定轨道磨损系数。通过这种方法，可以提高轨道磨损检测的效率和精度。
基于相同的构思，本申请还提供了一种轨道磨损检测装置，参见图5所示，为本申请所提供的一种轨道磨损检测装置的架构示意图，包括获取模块501、第一确定模块502、第二确定模块503、磨损检测模块504、以及训练模块505，具体的：
获取模块501，用于获取带有激光照射的轨道图像；
第一确定模块502，用于将所述轨道图像输入至预先训练好的轨道识别模型中，确定所述轨道图像的第一目标像素点的特征向量，其中，所述第一目标像素点为有激光照射的轨面区域的像素点；
第二确定模块503，用于基于所述第一目标像素点的特征向量，确定所述第一目标像素点中第二目标像素点，所述第二目标像素点构成所述轨道图像的水平轨面区域；
磨损检测模块504，用于基于所述第二目标像素点在所述轨道图像中的坐标，确定轨道磨损系数，所述轨道磨损系数用于表示轨道磨损程度。
一种可能的实施方式中，所述轨道识别模型包括特征提取模型；
所述第一确定模块502，在将所述轨道图像输入至预先训练好的轨道识别模型中，确定所述轨道图像的第一目标像素点的特征向量时，用于：
将所述轨道图像输入至所述特征提取模型中，得到所述轨道图像对应的特征图像；
将所述特征图像进行二值化处理，并确定所述二值化处理后的所述特征图像中各个像素点的标签，所述标签包括轨面和非轨面；
将所述标签为轨面的像素点确定为所述第一目标像素点，并提取所述第一目标像素点的特征向量。
一种可能的实施方式中，所述第二确定模块503，在基于所述第一目标像素点的特征向量，确定所述第一目标像素点中第二目标像素点时，具体用于：
计算相邻两个第一目标像素点的特征向量之间的特征相似度；
将所述特征相似度满足预设相似度阈值条件的两个第一目标像素点划分为同一像素点集合；
基于每个像素点集合中所包含的像素点的个数和/或每个像素点集合中所包含的像素点在所述轨道图像中的坐标，确定目标像素点集合；
将所述目标像素点集合中的第一目标像素点确定为所述第二目标像素点。
一种可能的实施方式中，所述磨损检测模块504，在基于所述第二目标像素点在所述轨道图像中的坐标，确定轨道磨损系数时，具体用于：
确定除所述目标像素点集合外每个其他像素点集合中，与所述目标像素点集合中的像素点构成的区域距离最近的像素点为选定像素点；
基于每个其他像素点集合中所述选定像素点的坐标，确定旋转角度，并按照所述旋转角度调整所述第二目标像素点构成的区域；
重新确定调整后的区域中的第二目标像素点的坐标；
基于所述调整后的区域中的第二目标像素点的坐标，确定轨道磨损系数。
一种可能的实施方式中，所述磨损检测模块504，在基于所述调整后的区域中的第二目标像素点的坐标，确定轨道磨损系数时，具体用于：
确定所述调整后的区域中纵坐标最大的第二目标像素点与纵坐标最小的第二目标像素点之间的差值，并将所述差值确定为所述轨道磨损系数。
一种可能的实施方式中，所述装置还包括：训练模块505，所述训练模块505用于按照以下方法训练得到所述轨道识别模型：
获取带有标注的样本轨道图像，所述样本轨道图像为有激光照射的轨道图像，所述标注用于表示所述样本轨道图像中有激光照射的像素点是否为水平轨面；
将所述样本轨道图像输入至待训练的轨道识别模型中，执行以下操作，直至得到表示激光照射的轨面区域的第一样本像素点在特征图像中的特征向量：
基于待训练的特征提取模型，得到所述样本轨道图像对应的特征图像；
将所述特征图像进行二值化处理，并确定所述二值化处理后的所述特征图像中各个像素点的标签，所述标签包括轨面和非轨面；
将标签为轨面的像素点确定为第一样本像素点，并确定所述第一样本像素点在所述特征图像中的特征向量；
基于所述第一样本像素点的特征向量之间的相似度，将所述第一样本像素点划分为不同的集合，每一个集合构成一个像素区域；
基于每个像素区域的像素点，确定所述特征图像对应的预测水平轨面区域、以及预测非水平轨面区域；
基于所述预测水平轨面区域、所述预测非水平轨面区域、以及所述样本轨道图像的标签，训练所述待训练的轨道识别模型。
基于同一技术构思，本申请实施例还提供了一种电子设备。参照图6所示，为本申请实施例提供的电子设备的结构示意图，包括处理器601、存储器602、和总线603。其中，存储器602用于存储执行指令，包括内存6021和外部存储器6022；这里的内存6021也称内存储器，用于暂时存放处理器601中的运算数据，以及与硬盘等外部存储器6022交换的数据，处理器601通过内存6021与外部存储器6022进行数据交换，当电子设备600运行时，处理器601与存储器602之间通过总线603通信，使得处理器601在执行以下指令：
获取带有激光照射的轨道图像；
将所述轨道图像输入至预先训练好的轨道识别模型中，确定所述轨道图像的第一目标像素点的特征向量，其中，所述第一目标像素点为有激光照射的轨面区域的像素点；
基于所述第一目标像素点的特征向量，确定所述第一目标像素点中第二目标像素点，所述第二目标像素点构成所述轨道图像的水平轨面区域；
基于所述第二目标像素点在所述轨道图像中的坐标，确定轨道磨损系数，所述轨道磨损系数用于表示轨道磨损程度。
一种可选的实施方式中，处理器601执行的指令中，所述轨道识别模型包括特征提取模型；
所述将所述轨道图像输入至预先训练好的轨道识别模型中，确定所述轨道图像的第一目标像素点的特征向量，包括：
将所述轨道图像输入至所述特征提取模型中，得到所述轨道图像对应的特征图像；
将所述特征图像进行二值化处理，并确定所述二值化处理后的所述特征图像中各个像素点的标签，所述标签包括轨面和非轨面；
将所述标签为轨面的像素点确定为所述第一目标像素点，并提取所述第一目标像素点的特征向量。
一种可选的实施方式中，处理器601执行的指令中，所述基于所述第一目标像素点的特征向量，确定所述第一目标像素点中第二目标像素点，包括：
计算相邻两个第一目标像素点的特征向量之间的特征相似度；
将所述特征相似度满足预设相似度阈值条件的两个第一目标像素点划分为同一像素点集合；
基于每个像素点集合中所包含的像素点的个数和/或每个像素点集合中所包含的像素点在所述轨道图像中的坐标，确定目标像素点集合；
将所述目标像素点集合中的第一目标像素点确定为所述第二目标像素点。
一种可选的实施方式中，处理器601执行的指令中，所述基于所述第二目标像素点在所述轨道图像中的坐标，确定轨道磨损系数，包括：
确定除所述目标像素点集合外每个其他像素点集合中，与所述目标像素点集合中的像素点构成的区域距离最近的像素点为选定像素点；
基于每个其他像素点集合中所述选定像素点的坐标，确定旋转角度，并按照所述旋转角度调整所述第二目标像素点构成的区域；
重新确定调整后的区域中的第二目标像素点的坐标；
基于所述调整后的区域中的第二目标像素点的坐标，确定轨道磨损系数。
一种可选的实施方式中，处理器601执行的指令中，所述基于所述调整后的区域中的第二目标像素点的坐标，确定轨道磨损系数，包括：
确定所述调整后的区域中纵坐标最大的第二目标像素点与纵坐标最小的第二目标像素点之间的差值，并将所述差值确定为所述轨道磨损系数。
一种可选的实施方式中，处理器601执行的指令中，按照以下方法训练得到所述轨道识别模型：
获取带有标注的样本轨道图像，所述样本轨道图像为有激光照射的轨道图像，所述标注用于表示所述样本轨道图像中有激光照射的像素点是否为水平轨面；
将所述样本轨道图像输入至待训练的轨道识别模型中，执行以下操作，直至得到表示激光照射的轨面区域的第一样本像素点在特征图像中的特征向量：
基于待训练的特征提取模型，得到所述样本轨道图像对应的特征图像；
将所述特征图像进行二值化处理，并确定所述二值化处理后的所述特征图像中各个像素点的标签，所述标签包括轨面和非轨面；
将标签为轨面的像素点确定为第一样本像素点，并确定所述第一样本像素点在所述特征图像中的特征向量；
基于所述第一样本像素点的特征向量之间的相似度，将所述第一样本像素点划分为不同的集合，每一个集合构成一个像素区域；
基于每个像素区域的像素点，确定所述特征图像对应的预测水平轨面区域、以及预测非水平轨面区域；
基于所述预测水平轨面区域、所述预测非水平轨面区域、以及所述样本轨道图像的标签，训练所述待训练的轨道识别模型。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述任一实施例中所述的轨道磨损检测方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述轨道磨损检测方法的步骤。
本申请实施例所提供的进行轨道磨损检测方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种轨道磨损检测方法，其特征在于，包括：
获取带有激光照射的轨道图像；
将所述轨道图像输入至预先训练好的轨道识别模型中，确定所述轨道图像的第一目标像素点的特征向量，其中，所述第一目标像素点为有激光照射的轨面区域的像素点；
基于所述第一目标像素点的特征向量，确定所述第一目标像素点中第二目标像素点，所述第二目标像素点构成所述轨道图像的水平轨面区域；
基于所述第二目标像素点在所述轨道图像中的坐标，确定轨道磨损系数，所述轨道磨损系数用于表示轨道磨损程度。
2.根据权利要求1所述的方法，其特征在于，所述轨道识别模型包括特征提取模型；
所述将所述轨道图像输入至预先训练好的轨道识别模型中，确定所述轨道图像的第一目标像素点的特征向量，包括：
将所述轨道图像输入至所述特征提取模型中，得到所述轨道图像对应的特征图像；
将所述特征图像进行二值化处理，并确定所述二值化处理后的所述特征图像中各个像素点的标签，所述标签包括轨面和非轨面；
将所述标签为轨面的像素点确定为所述第一目标像素点，并提取所述第一目标像素点的特征向量。
3.根据权利要求1所述的方法，其特征在于，所述基于所述第一目标像素点的特征向量，确定所述第一目标像素点中第二目标像素点，包括：
计算相邻两个第一目标像素点的特征向量之间的特征相似度；
将所述特征相似度满足预设相似度阈值条件的两个第一目标像素点划分为同一像素点集合；
基于每个像素点集合中所包含的像素点的个数和/或每个像素点集合中所包含的像素点在所述轨道图像中的坐标，确定目标像素点集合；
将所述目标像素点集合中的第一目标像素点确定为所述第二目标像素点。
4.根据权利要求3所述的方法，其特征在于，所述基于所述第二目标像素点在所述轨道图像中的坐标，确定轨道磨损系数，包括：
确定除所述目标像素点集合外每个其他像素点集合中，与所述目标像素点集合中的像素点构成的区域距离最近的像素点为选定像素点；
基于每个其他像素点集合中所述选定像素点的坐标，确定旋转角度，并按照所述旋转角度调整所述第二目标像素点构成的区域；
重新确定调整后的区域中的第二目标像素点的坐标；
基于所述调整后的区域中的第二目标像素点的坐标，确定轨道磨损系数。
5.根据权利要求4所述的方法，其特征在于，所述基于所述调整后的区域中的第二目标像素点的坐标，确定轨道磨损系数，包括：
确定所述调整后的区域中纵坐标最大的第二目标像素点与纵坐标最小的第二目标像素点之间的差值，并将所述差值确定为所述轨道磨损系数。
6.根据权利要求1所述的方法，其特征在于，按照以下方法训练得到所述轨道识别模型：
获取带有标注的样本轨道图像，所述样本轨道图像为有激光照射的轨道图像，所述标注用于表示所述样本轨道图像中有激光照射的像素点是否为水平轨面；
将所述样本轨道图像输入至待训练的轨道识别模型中，执行以下操作，直至得到表示激光照射的轨面区域的第一样本像素点在特征图像中的特征向量：
基于待训练的特征提取模型，得到所述样本轨道图像对应的特征图像；
将所述特征图像进行二值化处理，并确定所述二值化处理后的所述特征图像中各个像素点的标签，所述标签包括轨面和非轨面；
将标签为轨面的像素点确定为第一样本像素点，并确定所述第一样本像素点在所述特征图像中的特征向量；
基于所述第一样本像素点的特征向量之间的相似度，将所述第一样本像素点划分为不同的集合，每一个集合构成一个像素区域；
基于每个像素区域的像素点，确定所述特征图像对应的预测水平轨面区域、以及预测非水平轨面区域；
基于所述预测水平轨面区域、所述预测非水平轨面区域、以及所述样本轨道图像的标签，训练所述待训练的轨道识别模型。
7.一种轨道磨损检测装置，其特征在于，包括：
获取模块，用于获取带有激光照射的轨道图像；
第一确定模块，用于将所述轨道图像输入至预先训练好的轨道识别模型中，确定所述轨道图像的第一目标像素点的特征向量，其中，所述第一目标像素点为有激光照射的轨面区域的像素点；
第二确定模块，用于基于所述第一目标像素点的特征向量，确定所述第一目标像素点中第二目标像素点，所述第二目标像素点构成所述轨道图像的水平轨面区域；
磨损检测模块，用于基于所述第二目标像素点在所述轨道图像中的坐标，确定轨道磨损系数，所述轨道磨损系数用于表示轨道磨损程度。
8.根据权利要求7所述的装置，其特征在于，所述轨道识别模型包括特征提取模型；
所述第一确定模块，在将所述轨道图像输入至预先训练好的轨道识别模型中，确定所述轨道图像的第一目标像素点的特征向量时，用于：
将所述轨道图像输入至所述特征提取模型中，得到所述轨道图像对应的特征图像；
将所述特征图像进行二值化处理，并确定所述二值化处理后的所述特征图像中各个像素点的标签，所述标签包括轨面和非轨面；
将所述标签为轨面的像素点确定为所述第一目标像素点，并提取所述第一目标像素点的特征向量。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至6任一所述的轨道磨损检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至6任一所述的轨道磨损检测方法的步骤。
CN201911240792.9A 2019-12-06 2019-12-06 一种轨道磨损检测方法及装置 Active CN110992345B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911240792.9A CN110992345B (zh) 2019-12-06 2019-12-06 一种轨道磨损检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911240792.9A CN110992345B (zh) 2019-12-06 2019-12-06 一种轨道磨损检测方法及装置

Publications (2)

Publication Number Publication Date
CN110992345A true CN110992345A (zh) 2020-04-10
CN110992345B CN110992345B (zh) 2023-05-30

Family

ID=70090651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911240792.9A Active CN110992345B (zh) 2019-12-06 2019-12-06 一种轨道磨损检测方法及装置

Country Status (1)

Country Link
CN (1) CN110992345B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215263A (zh) * 2020-09-23 2021-01-12 西南交通大学 基于深度卷积神经网络的钢轨波磨检测方法
CN114972117A (zh) * 2022-06-30 2022-08-30 成都理工大学 一种轨道表面磨损识别分类方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040122569A1 (en) * 1999-06-15 2004-06-24 Andian Technologies Ltd. Geometric track and track/vehicle analyzers and methods for controlling railroad systems
CN106403828A (zh) * 2016-08-30 2017-02-15 成都唐源电气股份有限公司 一种基于棋盘格标定的单轨接触线残高测量方法及系统
CN107588733A (zh) * 2017-08-21 2018-01-16 南京理工大学 一种基于图像的受电弓滑板磨耗在线检测装置与方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040122569A1 (en) * 1999-06-15 2004-06-24 Andian Technologies Ltd. Geometric track and track/vehicle analyzers and methods for controlling railroad systems
CN106403828A (zh) * 2016-08-30 2017-02-15 成都唐源电气股份有限公司 一种基于棋盘格标定的单轨接触线残高测量方法及系统
CN107588733A (zh) * 2017-08-21 2018-01-16 南京理工大学 一种基于图像的受电弓滑板磨耗在线检测装置与方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215263A (zh) * 2020-09-23 2021-01-12 西南交通大学 基于深度卷积神经网络的钢轨波磨检测方法
CN112215263B (zh) * 2020-09-23 2022-08-02 西南交通大学 基于深度卷积神经网络的钢轨波磨检测方法
CN114972117A (zh) * 2022-06-30 2022-08-30 成都理工大学 一种轨道表面磨损识别分类方法及系统

Also Published As

Publication number Publication date
CN110992345B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
Dhiman et al. Pothole detection using computer vision and learning
CN109740469B (zh) 车道线检测方法、装置、计算机设备和存储介质
CN109740609B (zh) 一种轨距检测方法及装置
CN112950532B (zh) 一种列车受电弓状态检测方法
CN110992345B (zh) 一种轨道磨损检测方法及装置
CN104217203A (zh) 复杂背景卡面信息识别方法及系统
CN106874901B (zh) 一种行驶证识别方法及装置
CN112070754A (zh) 一种隧道管片漏水检测方法、装置、电子设备及介质
CN109710705A (zh) 地图兴趣点处理方法和装置
CN110660072B (zh) 一种直线边缘的识别方法、装置、存储介质及电子设备
TW201433774A (zh) 車輛規格測量處理裝置、車輛規格測量方法及記錄媒體
CN111369801B (zh) 车辆识别方法、装置、设备和存储介质
CN112284256A (zh) 一种工件平面磨损的测量方法和系统
CN110909713A (zh) 点云数据的轨道提取方法、系统及介质
CN116386019A (zh) 一种基于深度学习的指针式仪表识别及读数方法
CN110751040A (zh) 一种三维物体的检测方法和装置、电子设备、存储介质
Yao et al. Image based obstacle detection for automatic train supervision
CN114067296A (zh) 钢轨表面缺陷识别方法及装置
CN106548499B (zh) 一种编码图案的生成、识别方法及装置
CN110779450B (zh) 一种供电三轨的磨损检测方法及装置
CN113989765A (zh) 一种轨道障碍物的检测方法、检测装置及可读存储介质
CN114463430B (zh) 一种基于图像处理的海洋搜救系统和方法
CN116091481A (zh) 一种小穗计数方法、装置、设备和存储介质
CN113639685B (zh) 位移检测方法、装置、设备和存储介质
CN112348112B (zh) 图像识别模型的训练方法、训练装置及终端设备

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
TA01 Transfer of patent application right

Effective date of registration: 20200422

Address after: 221000 building C6, Guishan Minbo Cultural Park, No. 39, Pingshan North Road, Gulou District, Xuzhou City, Jiangsu Province

Applicant after: Zhongke (Xuzhou) Artificial Intelligence Research Institute Co.,Ltd.

Address before: 221000 building C6, Guishan Minbo Cultural Park, No. 39, Pingshan North Road, Gulou District, Xuzhou City, Jiangsu Province

Applicant before: Zhongke (Xuzhou) Artificial Intelligence Research Institute Co.,Ltd.

Applicant before: Watrix Technology (Beijing) Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211215

Address after: 100191 0711, 7th floor, Shouxiang science and technology building, 51 Xueyuan Road, Haidian District, Beijing

Applicant after: Watrix Technology (Beijing) Co.,Ltd.

Address before: Building C6, Guishan Minbo Cultural Park, 39 Pingshan North Road, Gulou District, Xuzhou City, Jiangsu Province, 221000

Applicant before: Zhongke (Xuzhou) Artificial Intelligence Research Institute Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant