CN111079630B - 一种铁路货车制动梁安装位置不正确的故障识别方法 - Google Patents

一种铁路货车制动梁安装位置不正确的故障识别方法 Download PDF

Info

Publication number
CN111079630B
CN111079630B CN201911272518.XA CN201911272518A CN111079630B CN 111079630 B CN111079630 B CN 111079630B CN 201911272518 A CN201911272518 A CN 201911272518A CN 111079630 B CN111079630 B CN 111079630B
Authority
CN
China
Prior art keywords
brake beam
axle
sample
images
image
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
CN201911272518.XA
Other languages
English (en)
Other versions
CN111079630A (zh
Inventor
邓艳
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.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical 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 Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN201911272518.XA priority Critical patent/CN111079630B/zh
Publication of CN111079630A publication Critical patent/CN111079630A/zh
Application granted granted Critical
Publication of CN111079630B publication Critical patent/CN111079630B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
    • G06V30/194—References adjustable by an adaptive method, e.g. learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种铁路货车制动梁安装位置不正确的故障识别方法,解决了采用人工检查图像的方式对制动梁安装位置进行故障检测造成漏检、错检的问题，属于铁路货车故障检测领域。本发明包括：采集铁路货车转向架图像，分别构建轮轴样本集和制动梁斜杆样本集；两个样本集各自利用U型深度学习网络进行训练，分别获得轮轴样本集和制动梁斜杆样本集对应的U型深度学习网络最优权重；获取拼接的轮轴待检测子图和制动梁斜杆子图，并分别输入至U型深度学习网络中，使用最优权重分别对轮轴待检测子图和制动梁斜杆子图进行分割，根据分割的图像确定车轮沿位置和制动梁斜杆位置，计算两个位置之间的距离和角度，根据该距离和角度确定制动梁安装位置是否正确。

Description

一种铁路货车制动梁安装位置不正确的故障识别方法
技术领域
本发明涉及一种故障识别方法，特别涉及一种铁路货车制动梁安装位置不正确的故障识别方法，属于铁路货车故障检测领域。
背景技术
制动梁安装位置不正确故障是一种危及行车安全的故障，在制动梁安装位置不正确故障检测中，现有采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗漏等情况，造成漏检、错检的出现，影响行车安全。
发明内容
针对现有采用人工检查图像的方式对制动梁安装位置进行故障检测造成漏检、错检的问题，本发明提供一种铁路货车制动梁安装位置不正确的故障识别方法。
本发明的一种铁路货车制动梁安装位置不正确的故障识别方法，所述方法包括如下步骤：
S1、采集铁路货车的转向架图像，利用提取框将转向架图像中的轮轴和制动梁斜杆截取出来，将每一张图像中截取的轮轴图像水平拼接到一张子图中，作为一个轮轴样本，将截取的制动梁斜杆图像按照在转向架的相对位置拼接到一张子图中，作为一个制动梁斜杆样本，分别构建出轮轴样本集和制动梁斜杆样本集；
S2、轮轴样本集和制动梁斜杆样本集各自利用U型深度学习网络进行训练，分别获得轮轴样本集和制动梁斜杆样本集对应的U型深度学习网络最优权重；
S3、利用提取框截取出待检测的转向架图像的轮轴和制动梁斜杆，获取拼接的轮轴待检测子图和制动梁斜杆子图；
S4、将轮轴待检测子图和制动梁斜杆子图分别输入至U型深度学习网络中，使用轮轴样本集对应的最优权重和制动梁斜杆样本集对应的最优权重分别对轮轴待检测子图和制动梁斜杆子图进行分割，获得轮轴二值图像和制动梁斜杆二值图像；
S5、根据轮轴二值图像确定车轮沿位置，根据制动梁斜杆二值图像确定制动梁斜杆位置，计算车轮沿位置与制动梁斜杆位置之间的距离和角度，当距离和角度均大于设定阈值时，确定铁路货车制动梁安装位置不正确，进行故障报警。
作为优选，所述S2进一步包括：
轮轴样本和制动梁斜杆样本在各自权重下输入至U型深度学习网络中进行数据变换，获得分割图像，该分割图像与输入的样本的标记图像进行对比后经过交叉熵损失函数获得损失值，若损失值没有在设定阈值内，在权重不改变的情况下，进行下一张样本的迭代，若损失值在设定阈值内，将该损失值输入优化器，优化器输出更新的权重，在更新的权重下进行下一张样本的迭代；直到找到最优的权重系数。
作为优选，所述S2还包括：当交叉熵损失函数获得损失值，若损失值达在设定阈值内，继续采用铰链损失函数进行训练，铰链损失函数为：
Figure BDA0002314581500000021
其中，L表示损失值，xi为第i张图像数据，yj表示第几类，在权重W下U型深度学习网络会有一个得分结果向量f(xi；W)，其中第j类将其计算为f(xi；W)j,j的取值为0,1，包括背景和斜杆目标，△相当于SVM中的分离道的宽度，N表示表示样本图像的总张数，λ表示正则化损失参数，k表示正则化计算中根据样本的图像数目设定的参数，其中
Figure BDA0002314581500000022
为正则化损失；
若铰链损失函数的损失值达没有在设定阈值内，在权重不改变的情况下，进行下一张样本的迭代，若损失值在设定阈值内，将该损失值输入优化器，优化器输出更新的权重，在更新的权重下进行下一张样本的迭代；直到找到最优的权重系数。
作为优选，所述S5中，根据轮轴二值图像中的轮廓信息，利用形态学操作去除一些空洞和噪声，进行直线拟合，确定轮轴轮轴位置，根据轮轴的位置确定车轮沿位置；根据制动梁斜杆二值图像中的轮廓信息，利用形态学操作去除一些空洞和噪声，进行直线拟合，确定制动梁斜杆位置。
作为优选，所述轮轴样本集和制动梁斜杆样本集均包括在雨水、泥渍、油渍、黑漆的条件下获得的图像。
作为优选，所述标记图像存储在标记图像集中，所述标记图像集中的标记图像与轮轴样本集和制动梁斜杆样本集中的样本图像一一对应，所述标记图像通过在对应的样本图像上进行特征标记获取的。
本发明的有益效果，本发明利用图像自动识别的方式代替人工检测，提高检测效率、准确率，降低人工成本。在判断制动梁安装位置不正确故障时，选择轮轴中心竖直线作为参考，当不同转向架类型，制动梁形态不同时，保证判断标准一致，让算法的泛化能力更强，同时增加参考线，提高了故障识别的准确度。本发明在建立样本数据集时，选择将左右两轮轴图像进行水平拼接，制动梁斜杆部分按照在转向架相对位置进行拼接，减少了深度学习网络的输入图像，提高了故障识别的效率。本发明在对斜杆通过U型深度学习网络进行训练到收敛后，继续采用损失函数进行收敛训练，进一步提高了模型的精度。本发明经过深度学习网络得到的二值分割图像，采用了形态学的膨胀腐蚀操作，结合故障的特点和图像的特征，删除较小的空洞、分割区域，抑制了图像中非目标噪声的干扰。本发明对去燥后的图像，进行了直线拟合等图像处理算法提取图像的特征，增加了故障识别的准确性。
附图说明
图1为本发明具体实施方式的流程示意图；
图2为本发明U型深度学习网络训练权重的原理示意图；
图3为U型深度学习网络的原理示意图。
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，所描述的实施例仅仅是本发明一部分实施例，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作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施方式的一种铁路货车制动梁安装位置不正确的故障识别方法，如图1所示包括如下步骤：
S1、本实施方式在货车轨道周围搭建高清广角成像设备，货车通过设备后，采集铁路货车的高清广角转向架图像；图像为清晰的灰度图像。由于货车部件可能受到雨水、泥渍、油渍、黑漆等自然条件或者人为条件的影响。并且，不同站点拍摄的图像可能存在差异。因此，制动梁安装位置部位的图像之间千差万别。所以，在收集制动梁图像数据的过程中，要保证多样性，尽量将各种条件下的制动梁图像全部收集。本实施方式利用提取框将转向架图像中的轮轴和制动梁斜杆截取出来，将每一张图像中截取的轮轴图像水平拼接到一张子图中，作为一个轮轴样本，将截取的制动梁斜杆图像按照在转向架的相对位置拼接到一张子图中，作为一个制动梁斜杆样本，分别进行数据扩增，构建出轮轴样本集和制动梁斜杆样本集；
在不同类型的转向架中，制动梁部件的形态会不同。但由于不同类型间出现的频率差别较大，某些较不常见转向架类型的制动梁图像收集较为困难。因此，本实施方式将全部类型的制动梁统称为一类，全部按照一类来建立样本数据集。在之后的图像处理判断中，选择轮轴竖线作为参考标准之一，这样当所有的转向架类型制作为一类样本进行深度学习，增加了样本的泛化能力和故障识别的准确性。
为了减少该故障识别模块的运行时间，在制作轮轴数据样本和制动梁斜杆样本的时候，对于轮轴部分，选择将两个轴的截图样本拼接在一张图像上，为一个样本；对于制动梁斜杆部分，将制动梁安装位置的四个角对应的制动梁斜杆截图拼接在一张图像上作为一个样本数据，为在之后的网络学习中，减少了图像的数目，提高了识别的效率。这个两个样本数据集包括：灰度图像集与标记图像集。灰度图像集为设备拍摄的高清灰度图像。标记图像集为轮轴部件或者制动梁斜杆的分割图像，此部分图像为二值图像，通过人工标记的方式获取。灰度图像数据集与标记图像数据集之间是一一对应的，即每个灰度图像对应一个标记图像。
样本数据集的建立虽然包括各种条件下的图像，但为提高算法的稳定性，仍需要对样本数据集进行数据扩增。在对制动梁安装位置不正确故障识别中，采用平移、缩放、亮度调整等操作在随机条件下进行对样本数据进行扩增，以最大程度的保证样本的多样性和适用性。
S2、轮轴样本集和制动梁斜杆样本集各自利用U型深度学习网络进行训练，分别获得轮轴样本集和制动梁斜杆样本集对应的U型深度学习网络最优权重；
S3、从底部图像制动梁工位，按照经验截图比例，粗定位制动梁的位置。利用提取框截取出待检测的转向架图像的轮轴和制动梁斜杆，获取拼接的轮轴待检测子图和制动梁斜杆子图；
S4、将轮轴待检测子图和制动梁斜杆子图分别输入至U型深度学习网络中，使用轮轴样本集对应的最优权重和制动梁斜杆样本集对应的最优权重分别对轮轴待检测子图和制动梁斜杆子图进行分割，获得轮轴二值图像和制动梁斜杆二值图像；
S5、根据轮轴二值图像确定车轮沿位置，根据制动梁斜杆二值图像确定制动梁斜杆位置，计算车轮沿位置与制动梁斜杆位置之间的距离和角度，当距离和角度均大于设定阈值时，确定铁路货车制动梁安装位置不正确，进行故障报警，工作人员根据识别结果进行相应的处理，保证列车安全运行。、
本实施方式针对不同转向架类型，制动梁在图像中呈现的形态不一样，为了确保制动梁安装位置不正确故障识别模块的实时性、普适性，在故障判别中选择制动梁位置附近的两个轮轴、以及制动梁三角形的两斜杆为故障判断的参考对象。分别使用改进的U型网络进行图像亮度变换、缩放等数据增强变换后，使用训练好的权重系数，对轮轴部位、制动梁三角形斜杆部位进行精确分割，保证判断标准一致，让算法的泛化能力更强，同时增加参考线，提高了故障识别的准确度。本实施方式在建立样本数据集时，选择将左右两轮轴图像进行水平拼接，制动梁斜杆部分按照在转向架相对位置进行拼接，减少了深度学习网络的输入图像，提高了故障识别的效率。
优选实施例中，本实施方式的S2，包括：
首先，初始化权重系数，采用随机方式进行初始化。
其次，将样本数据进行灰度归一化处理，即将其灰度值归一化至0到1的范围内。将归一化后的数据作为输入数据，输入到U型深度学习网络中，进行数据变换，获得分割图像。
将分割图像与输入的样本的标记图像进行对比后经过交叉熵损失函数获得损失值，若损失值达没有在设定阈值内，在权重不改变的情况下，进行下一张样本的迭代，若损失值在设定阈值内，将该损失值输入优化器Adam，优化器Adam输出更新的权重，在更新的权重下进行下一张样本的迭代；直到找到最优的权重系数。
本实施方式经过损失函数和优化器后，计算出新的权重系数，将权重系数进行更新，完成一次训练迭代。程序将重复这个过程，将全部图像完成固定次数的迭代，但是并不是每次迭代都要更新权重，只有损失函数更低的权重才会被更新，直到找到最优的权重系数。
本实施方式的U型深度学习网络主要包括卷积(convolution)、池化(Pooling)和激活函数(ReLU)作用等操作。卷积是一个二维的滤波器矩阵(卷积核)与一个待处理的二维图像进行逐个元素相乘再求和的操作。池化是将输入图像进行降维，减少像素信息，只保留重要信息。最大池化(max-pooling)保留了每块内的最大值。激活函数(The RectifiedLinear Unit，修正线性单元)是分段线性函数，所有的负值都是0，正直不变，这种操作被称为单侧抑。激活函数如公式(1)：
Figure BDA0002314581500000061
相比于其他激活函数，对于线性函数而言，ReLU的表达能力更强，尤其体现在深度网络中；而对于非线性函数而言，ReLU由于非负区间的梯度为常数，因此不存在梯度消失问题，使得模型的收敛速度维持在一个稳定状态。
如图3所示，在相应权重下，U型深度学习网络步骤如下：
第1步：将固定大小(*×*)的原始图像与通道数为64，大小为3×3卷积核，进行卷积计算，然后通过ReLU激活函数进行判断，最后进行池化操作；
第2步：上一步结果与通道数为128，大小为3×3卷积核，进行卷积计算，然后通过ReLU激活函数进行判断，最后进行池化操作；
第3步：上一步结果与通道数为256，大小为3×3卷积核，进行卷积计算，然后通过ReLU激活函数进行判断，最后进行池化操作；
第4步：上一步结果与通道数为512，大小为3×3卷积核，进行卷积计算，然后通过ReLU激活函数进行判断，最后进行池化操作；
第5步：Dropout，0.5的概率进行随机的删除网络中隐藏层的节点，防止过拟合现象的发生；
第6步：上一步结果与通道数为1024，大小为3×3卷积核，进行卷积计算，然后通过ReLU激活函数进行判断；
第7步：上卷积，与通道数为512，大小为3×3卷积核，进行卷积计算，然后通过ReLU激活函数进行判断；
第8步：上卷积，与通道数为256，大小为3×3卷积核，进行卷积计算，然后通过ReLU激活函数进行判断；
第9步：上卷积，与通道数为128，大小为3×3卷积核，进行卷积计算，然后通过ReLU激活函数进行判断；
第10步：上卷积，与通道数为64，大小为3×3卷积核，进行卷积计算，然后通过ReLU激活函数进行判断；
第11步：使用2通道的1×1大小的卷积核进行卷积，后接ReLU激活函数；
输出变换后的数据。
如图2所示，通过初始化权重与变换数据作用，得到分割图像，将分割图像与样本图像的标记像进行差分对比，并通过交叉熵损失函数(categorical_crossentropy)，即公式(2)：
Figure BDA0002314581500000071
其中，L表示损失值，y表示真实标记的分布，
Figure BDA0002314581500000072
则为预测分布。
如下公式(3)所示：
Figure BDA0002314581500000073
W为权重，Wi为上一次的权重或者初始权重，η为学习率。学习率设定为0.0001，高学习率意味着在权重更新中采取更大的步骤，因此模型可能花费较少的时间来收敛于最优权重集合。但是，如果学习率过高，可能导致跳跃过大，不够精确，无法达到最佳点。
优选实施例中，如图2所示，本实施方式的S2在U型深度学习网络进行训练到收敛后，继续采用铰链损失函数(hingeloss)进行收敛训练，进一步提高了模型的精度，当交叉熵损失函数获得损失值，若损失值达在设定阈值内，继续采用铰链损失函数进行训练，铰链损失函数为：
Figure BDA0002314581500000074
其中，L表示损失值，xi为第i张图像数据，yj表示第几类，在权重W下U型深度学习网络会有一个得分结果向量f(xi；W)，其中第j类将其计算为f(xi；W)j,j的取值为0,1，包括背景和斜杆目标的取值，△相当于SVM中的分离道的宽度，N表示样本图像的总张数，λ表示正则化损失参数，k表示正则化计算中根据样本的图像数目设定的参数，其中
Figure BDA0002314581500000075
为正则化损失；
若铰链损失函数的损失值达没有在设定阈值内，在权重不改变的情况下，进行下一张样本的迭代，若损失值在设定阈值内，将该损失值输入优化器Adam，优化器输出更新的权重，在更新的权重下进行下一张样本的迭代；直到找到最优的权重系数。优化器Adam具有高效、占用内存小、适合大规模数据等优点。
本实施方式的S5中，根据轮轴二值图像中的轮廓信息，利用形态学操作去除一些空洞和噪声，进行直线拟合，确定轮轴轮轴位置，根据轮轴的位置确定车轮沿位置；根据制动梁斜杆二值图像中的轮廓信息，利用形态学操作去除一些空洞和噪声，进行直线拟合，确定制动梁斜杆位置。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (6)

1.一种铁路货车制动梁安装位置不正确的故障识别方法，其特征在于，所述方法包括如下步骤：
S1、采集铁路货车的转向架图像，利用提取框将转向架图像中的轮轴和制动梁斜杆截取出来，将每一张图像中截取的两个轮轴图像水平拼接到一张子图中，作为一个轮轴样本，将截取的制动梁斜杆图像按照在转向架的相对位置拼接到一张子图中，作为一个制动梁斜杆样本，分别构建出轮轴样本集和制动梁斜杆样本集；
S2、轮轴样本集和制动梁斜杆样本集各自利用U型深度学习网络进行训练，分别获得轮轴样本集和制动梁斜杆样本集对应的U型深度学习网络最优权重；
S3、利用提取框截取出待检测的转向架图像的轮轴和制动梁斜杆，获取拼接的轮轴待检测子图和制动梁斜杆子图；
S4、将轮轴待检测子图和制动梁斜杆子图分别输入至U型深度学习网络中，使用轮轴样本集对应的最优权重和制动梁斜杆样本集对应的最优权重分别对轮轴待检测子图和制动梁斜杆子图进行分割，获得轮轴二值图像和制动梁斜杆二值图像；
S5、根据轮轴二值图像确定车轮沿位置，根据制动梁斜杆二值图像确定制动梁斜杆位置，计算车轮沿位置与制动梁斜杆位置之间的距离和角度，当距离和角度均大于设定阈值时，确定铁路货车制动梁安装位置不正确，进行故障报警。
2.根据权利要求1所述的故障识别方法，其特征在于，所述S2进一步包括：
轮轴样本和制动梁斜杆样本在各自权重下输入至U型深度学习网络中进行数据变换，获得分割图像，该分割图像与输入的样本的标记图像进行对比后经过交叉熵损失函数获得损失值，若损失值没有在设定阈值内，在权重不改变的情况下，进行下一张样本的迭代，若损失值在设定阈值内，将该损失值输入优化器，优化器输出更新的权重，在更新的权重下进行下一张样本的迭代；直到找到最优的权重系数。
3.根据权利要求2所述的故障识别方法，其特征在于，所述S2还包括：当交叉熵损失函数获得损失值，若损失值达在设定阈值内，继续采用铰链损失函数进行训练，铰链损失函数为：
Figure FDA0002628776550000011
其中，L表示损失值，xi为第i张图像数据，yj表示第几类，在权重W下U型深度学习网络会有一个得分结果向量f(xi；W)，其中第j类将其计算为f(xi；W)j,j的取值为0,1，包括背景和斜杆目标，△相当于SVM中的分离道的宽度，N表示表示样本图像的总张数，λ表示正则化损失参数，k表示正则化计算中根据样本的图像数目设定的参数，其中
Figure FDA0002628776550000021
为正则化损失；
若铰链损失函数的损失值达没有在设定阈值内，在权重不改变的情况下，进行下一张样本的迭代，若损失值在设定阈值内，将该损失值输入优化器，优化器输出更新的权重，在更新的权重下进行下一张样本的迭代；直到找到最优的权重系数。
4.根据权利要求2所述的故障识别方法，其特征在于，所述S5中，根据轮轴二值图像中的轮廓信息，利用形态学操作去除一些空洞和噪声，进行直线拟合，确定轮轴位置，根据轮轴的位置确定车轮沿位置；根据制动梁斜杆二值图像中的轮廓信息，利用形态学操作去除一些空洞和噪声，进行直线拟合，确定制动梁斜杆位置。
5.根据权利要求2所述的故障识别方法，其特征在于，所述轮轴样本集和制动梁斜杆样本集均包括在雨水、泥渍、油渍、黑漆的条件下获得的图像。
6.根据权利要求2所述的故障识别方法，其特征在于，所述标记图像存储在标记图像集中，所述标记图像集中的标记图像与轮轴样本集和制动梁斜杆样本集中的样本图像一一对应，所述标记图像通过在对应的样本图像上进行特征标记获取的。
CN201911272518.XA 2019-12-12 2019-12-12 一种铁路货车制动梁安装位置不正确的故障识别方法 Active CN111079630B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911272518.XA CN111079630B (zh) 2019-12-12 2019-12-12 一种铁路货车制动梁安装位置不正确的故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911272518.XA CN111079630B (zh) 2019-12-12 2019-12-12 一种铁路货车制动梁安装位置不正确的故障识别方法

Publications (2)

Publication Number Publication Date
CN111079630A CN111079630A (zh) 2020-04-28
CN111079630B true CN111079630B (zh) 2020-10-30

Family

ID=70314103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911272518.XA Active CN111079630B (zh) 2019-12-12 2019-12-12 一种铁路货车制动梁安装位置不正确的故障识别方法

Country Status (1)

Country Link
CN (1) CN111079630B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634242B (zh) * 2020-12-25 2021-08-24 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制动梁脱落检测方法
CN113743375B (zh) * 2021-10-13 2022-07-01 哈尔滨市科佳通用机电股份有限公司 铁路货车折角塞门手把不正位识别方法
CN114782778B (zh) * 2022-04-25 2023-01-06 广东工业大学 一种基于机器视觉技术的装配状态监控方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101654267B1 (ko) * 2016-02-18 2016-09-09 주식회사 아프로시스템즈 다종 cctv의 번호인식용 도로방범 클라우드 시스템
CN106226050A (zh) * 2016-07-15 2016-12-14 北京航空航天大学 一种tfds故障自动识别方法
CN109242029A (zh) * 2018-09-19 2019-01-18 广东省智能制造研究所 识别分类模型训练方法和系统
CN109711409A (zh) * 2018-11-15 2019-05-03 天津大学 一种结合U-net和ResNet的手写乐谱谱线删除方法
CN109800824A (zh) * 2019-02-25 2019-05-24 中国矿业大学(北京) 一种基于计算机视觉与机器学习的管道缺陷识别方法
CN110232419A (zh) * 2019-06-20 2019-09-13 东北大学 一种边坡岩石类别自动识别的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206255021U (zh) * 2016-11-21 2017-06-16 武汉利德测控技术有限公司 一种货车智能在线监测装置
CN109948169B (zh) * 2017-12-20 2021-05-18 中国中车股份有限公司 一种铁路货车故障预测与健康管理系统
CN110209147B (zh) * 2019-06-12 2021-11-23 中国神华能源股份有限公司 转向架故障位置识别方法及系统、映射关系建立方法装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101654267B1 (ko) * 2016-02-18 2016-09-09 주식회사 아프로시스템즈 다종 cctv의 번호인식용 도로방범 클라우드 시스템
CN106226050A (zh) * 2016-07-15 2016-12-14 北京航空航天大学 一种tfds故障自动识别方法
CN109242029A (zh) * 2018-09-19 2019-01-18 广东省智能制造研究所 识别分类模型训练方法和系统
CN109711409A (zh) * 2018-11-15 2019-05-03 天津大学 一种结合U-net和ResNet的手写乐谱谱线删除方法
CN109800824A (zh) * 2019-02-25 2019-05-24 中国矿业大学(北京) 一种基于计算机视觉与机器学习的管道缺陷识别方法
CN110232419A (zh) * 2019-06-20 2019-09-13 东北大学 一种边坡岩石类别自动识别的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于几何与形状特征的列车故障图像匹配算法研究;卢婷;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140915(第09期);第6、12-26页 *
基于深度学习的细胞核图像分割方法研究;李刚森;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115(第01期);第11-12、34-44页 *

Also Published As

Publication number Publication date
CN111079630A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN111079630B (zh) 一种铁路货车制动梁安装位置不正确的故障识别方法
CN111091558B (zh) 一种铁路货车摇枕弹簧窜出故障图像识别方法
CN111079747B (zh) 铁路货车转向架侧架断裂故障图像识别方法
CN107316064B (zh) 一种基于卷积神经网络的沥青路面裂缝分类识别方法
CN111091548B (zh) 基于深度学习的铁路货车承载鞍错位故障图像识别方法及系统
CN111091541B (zh) 一种铁路货车横跨梁组装螺母丢失故障识别方法
CN111274843B (zh) 基于监控视频的货车超载监测方法及系统
CN111079817B (zh) 一种铁路货车横跨梁故障图像识别方法
CN112419299B (zh) 一种螺栓缺失检测方法、装置、设备及存储介质
CN111080611A (zh) 一种铁路货车摇枕弹簧折断故障图像识别方法
CN112733742B (zh) 一种基于深度学习的铁路货车下拉杆圆销故障检测方法
CN111091543B (zh) 铁路货车摇枕弹簧丢失故障目标检测方法
CN111652295B (zh) 一种铁路货车钩尾销托梁脱落故障识别方法
CN111080600A (zh) 一种铁路货车弹簧托板上开口销的故障识别方法
CN110415260B (zh) 基于字典与bp神经网络的烟雾图像分割与识别方法
CN105701785A (zh) 基于天空区域划分加权tv透射率优化的图像雾霾去除方法
CN111079822A (zh) 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法
CN112419298A (zh) 一种螺栓节点板锈蚀检测方法、装置、设备及存储介质
CN111079628A (zh) 地板破损故障图像识别方法
CN113780110A (zh) 一种图像序列中弱小目标实时检测方法及设备
CN111091554B (zh) 铁路货车摇枕断裂故障图像识别方法
CN111652228B (zh) 铁路货车枕梁孔异物检测方法
CN110751623A (zh) 基于联合特征的缺陷检测方法、装置、设备及存储介质
CN113095164A (zh) 基于强化学习和标志点表征的车道线检测定位方法
CN104573692B (zh) 一种基于模糊退化模型的车牌二值化方法

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