CN111079817B - 一种铁路货车横跨梁故障图像识别方法 - Google Patents

一种铁路货车横跨梁故障图像识别方法 Download PDF

Info

Publication number
CN111079817B
CN111079817B CN201911272236.XA CN201911272236A CN111079817B CN 111079817 B CN111079817 B CN 111079817B CN 201911272236 A CN201911272236 A CN 201911272236A CN 111079817 B CN111079817 B CN 111079817B
Authority
CN
China
Prior art keywords
cross beam
image
bogie
fault
judging
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
CN201911272236.XA
Other languages
English (en)
Other versions
CN111079817A (zh
Inventor
马元通
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 CN201911272236.XA priority Critical patent/CN111079817B/zh
Publication of CN111079817A publication Critical patent/CN111079817A/zh
Application granted granted Critical
Publication of CN111079817B publication Critical patent/CN111079817B/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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

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)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

一种铁路货车横跨梁故障图像识别方法，属于铁路领域，本发明为解决现有货车横跨梁故障检测存在错漏检、效率低下的问题。本发明方法包括以下步骤：步骤一、采集转向架横跨梁图像；步骤二、采用Mask RCNN分割网络模型对转向架横跨梁图像进行语义分割，获取横跨梁掩码图像，步骤三、判断横跨梁掩码图像中横跨梁偏离竖直方向的角度，若在0～5度之间，判定横跨梁无脱落故障，执行步骤四；若大于5度，则判定横跨梁存在脱落故障，上传报警；步骤四、在横跨梁掩码图像中提取出只包含横跨梁的子图，利用边缘检测算法判断子图上是否存在裂痕，若存在裂痕，判定横跨梁存在折断故障，上传报警；若不存在裂痕，则判定该转向架横跨梁无故障。

Description

一种铁路货车横跨梁故障图像识别方法
技术领域
本发明属于铁路领域，涉及利用深度学习及图像处理判断故障技术。
背景技术
转向架横跨梁是用来和传感阀接触用来感知货物重量的，这样就可以达到无极空重车调整的目的，转向架横跨梁脱落和折断是横跨梁的两种常见故障形态。当横跨梁脱落或折断时将影响其功用，给货车行车安全带来隐患。当前采用的人工逐张看图的检车作业方式，存在受人员素质、责任心影响，错漏检问题时有发生，作业质量难以保证，以及人工成本巨大、效率低下等问题。
发明内容
本发明目的是为了解决现有货车横跨梁故障检测存在错漏检、效率低下的问题，提供了一种铁路货车横跨梁故障图像识别方法。
本发明所述一种铁路货车横跨梁故障图像识别方法，该方法包括以下步骤：
步骤一、采集转向架横跨梁图像；
步骤二、采用Mask RCNN(Mask Region Convolutional Neural Networks，掩码区域卷积神经网络)分割网络模型对转向架横跨梁图像进行语义分割，获取横跨梁掩码图像，所述横跨梁掩码图像中包含横跨梁和制动梁两个物体；
步骤三、判断横跨梁掩码图像中横跨梁偏离竖直方向的角度，若在0～5度之间，判定横跨梁无脱落故障，执行步骤四；若大于5度，则判定横跨梁存在脱落故障，上传报警；
步骤四、在横跨梁掩码图像中提取出只包含横跨梁的子图，利用边缘检测算法判断子图上是否存在裂痕，若存在裂痕，判定横跨梁存在折断故障，上传报警；若不存在裂痕，则判定该转向架横跨梁无故障。
优选地，步骤一中采集转向架横跨梁图像的过程为：
步骤一一、采集货车底部线阵图像；
步骤一二、根据货车轴距信息、转向架类型对目标位置进行粗定位，从步骤一一获取的货车底部线阵图像中截取包括目标在内的局部区域图像作为待检测的转向架横跨梁图像。
优选地，步骤二中的Mask RCNN分割网络模型的构建过程包括：
步骤二一、建立训练集：
步骤1、采集货车底部线阵图像；
步骤2、根据货车轴距信息、转向架类型对目标位置进行粗定位，从步骤1获取的货车底部线阵图像中截取包括目标在内的局部区域图像作为样本图像；
步骤3、按照步骤1、2收集不同转向架类型在各种条件、不同站点的大量样本图像；
步骤4、对步骤3收集到的样本图像进行数据扩增；
步骤5、对数据扩增后的所有图像进行标注，标注类型包括：制动梁和横跨梁两类；
步骤6、标记后图像数据转换为数据集作为训练集。
步骤二二、将训练集的数据输入Mask RCNN分割网络模型中进行训练：
步骤a、利用卷积神经网络CNN(Convolutional Neural Networks)层对样本图像提取区域特征；
步骤b、利用区域建议网络RPN(Region Proposal Network)层生成候选区域：训练样本时判断每个锚点属于前景还是背景；
步骤c、感兴趣区域对齐ROIAlign(region of interest)层采用双线性插值算法从候选区域中提取特征图；
步骤d、对特征图进行支持向量机SVM(Support Vector Machine)分类，分别对背景、横跨梁、制动梁单独训练分类，对每一类进行非极大值抑制，剔除重叠建议框，保留高分值建议框；
步骤e、每次分类完成均采用边框回归进行微调，微调后的建议框作为候选框；
步骤f、采用完全卷积网络的语义分割FCN(Fully Convolutional Networks forSemantic Segmentation，完全卷积网络的语义分割)对候选框进行语义分割，并利用损失函数进行迭代收敛，再通过优化器Adam进行优化输出最终Mask RCNN分割网络模型权重系数。
优选地，步骤3中所述转向架类型包括K2型、K4型、K5型、K6型、Z8B型和Z8AB型。
优选地，步骤3中收集不同转向架类型在各种条件下的样本图像指受到雨水、泥渍、油渍和黑漆自然条件或者人为条件的影响的样本图像。
优选地，步骤4中对样本图像进行数据扩增方法包括在随机条件下对图像进行旋转、平移、缩放和镜像操作。
优选地，步骤b利用区域建议网络RPN层生成候选区域的过程为将所有锚点的前景、背景区分开，区分规则为：
规则一、对图像中每个标定的真值候选区域，选取其重叠比率最大的锚点anchor记为前景样本；
规则二、对剩余的锚点anchor，如果其于与某个标定重叠比率大于0.7，记为前景样本；如果与任意一个标定的重叠比率都小于0.3，记为背景样本。
本发明的有益效果：
1、将自动识别技术引入货车故障检测，实现故障自动识别及报警，人工只需对报警结果进行确认，有效节约人力成本，提高作业质量和作业效率。
2、将深度学习算法应用到转向架横跨梁脱落和折断故障自动识别中，相较传统的机器视觉检测方法具有更高的准确性、稳定性。
3、利用深度学习分割模型解决了横跨梁由于位置不确定、存在遮挡而难以识别的问题。
附图说明
图1是本发明所述一种铁路货车横跨梁故障图像识别方法的流程图；
图2是构建Mask RCNN分割网络模型流程图；
图3是Mask RCNN分割网络模型结构图；
图4是裂痕故障检测样图；
图5是脱落故障检测样图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
具体实施方式一、下面结合图1至图5说明本实施方式，所述铁路货车横跨梁故障图像识别方法包括以下步骤：
步骤一、采集转向架横跨梁图像；
具体包括以下内容：
1、线阵图像获取
分别在货车轨道周围搭建高清设备，对高速通过的货车进行拍摄，获取货车底部的图像。采用广角线阵相机，可生成视野大、精度高的底部线阵图像。
2、部件粗定位
根据货车轴距信息、转向架信息对部件位置进行粗定位，从侧部大图中截取包含部件的局部区域图像，可有效减少故障识别所需时间、提升识别准确率。
3、建立原始样本数据集
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，转向架横跨梁图像之间存在一定差异。所以，在训练图像数据集的搜集的过程中，要保证多样性，尽量搜集其在各种条件、不同站点的图像。
转向架横跨梁脱落和折断故障的检测主要针对K2、K4、K5、K6、Z8B、Z8AB型转向架。通过过车信息获得转向架类型，搜集K2、K4、K5、K6、Z8B、Z8AB型转向架图作为样本图像数据集。
样本图像数据集包括：原图像集与标记信息集。原图像集为设备拍摄的包含转向架横跨梁的粗定位图像。标记信息集为转向架横跨梁的掩码图像，通过人工标记横跨梁边缘的方式获取。由于横跨梁与制动梁距离近且存在遮挡，为了取得更好的分割效果，将制动梁也标记成一类。原图像集与标记信息数据集之间是一一对应的，即每个图像对应一个标记数据。
4、数据集扩增
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。扩增形式包括图像的旋转、平移、缩放、镜像等操作，每种操作都是在随机条件下进行的，这样可以最大程度的保证样本的多样性和适用性。
步骤二、采用Mask RCNN分割网络模型对转向架横跨梁图像进行语义分割，获取横跨梁掩码图像，所述横跨梁掩码图像中包含横跨梁和制动梁两个物体；
具体包括以下内容：
采用Mask RCNN分割网络，对图像中的转向架横跨梁进行分割。该网络结构如图2所示，主要由以下几部分组成：
1)CNN提取区域特征：
利用CNN作为特征提取器，提取候选区域的一些基础特征，后接两个全连接层，并对其训练，学习针对横跨梁部件的个性特征。
2)RPN网络生成候选区域：
RPN网络采用CNN卷积神经网络产生候选区域。在训练样本时：
a)对图像中每个标定的真值候选区域，选取于其重叠比率最大的anchor记为前景样本；
b)对a)剩余的anchor，如果其于与某个标定重叠比率大于0.7，记为前景样本；
如果与任意一个标定的重叠比率都小于0.3，记为背景样本。
3)ROIAlign层(region of interest Align，感兴趣区域对齐层)：
从RPN网络确定的候选框的大小各不相同，通过ROIAlign层从候选区域中提取较小的特征图(7x 7)，提高了检测的精度，同时也有利于实例分割。其中，相较于ROIPooling的量化处理算法，ROIAlign采用双线性插值算法处理浮点数，减少了量化误差。
4)SVM分类：
由于SVM时二分类器，需要为将要标记的三个类别：背景、横跨梁、制动梁分别训练单独的CVM。对每一类进行非极大值抑制，剔除重叠建议框，得到该类中得分最高的一些建议框。
5)边框回归：
每次分类完成后，都要对边界框进行微调。
6)语义分割：
对于每一个候选框，使用FCN进行语义分割。
将通过网络得到的预测图像与真实标签图像进行对比，计算损失值：
L＝Lcls+Lbox+Lmask
其中，Lcls为每个候选框的所属类别的损失值，Lbox为每个候选框的矩形框坐标值的损失值，Lmask为各类掩码的损失值，通过对每个像素应用sigmoid，然后取候选框中所有像素的交叉熵的平均值得到。
并通过优化器Adam进行优化权重，Adam优化器具有高效、占用内存小、适合大规模数据等优点。
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。
步骤三、判断横跨梁掩码图像中横跨梁偏离竖直方向的角度，若在0～5度之间，判定横跨梁无脱落故障，执行步骤四；若大于5度，则判定横跨梁存在脱落故障，上传报警；
步骤四、在横跨梁掩码图像中提取出只包含横跨梁的子图，利用边缘检测算法判断子图上是否存在裂痕，若存在裂痕，判定横跨梁存在折断故障，上传报警；若不存在裂痕，则判定该转向架横跨梁无故障。
利用定位网络对图像中的横跨梁进行分割，得到横跨梁的掩码图像。正常情况下，横跨梁应位于制动梁一侧，且处于竖直状态，当出现按脱落故障时，横跨梁于竖直方向的夹角较大。由此可判定为脱落故障。当未出现横跨梁脱落故障时，提取出包含横跨梁的子图，利用边缘检测算法对裂痕进行检测，当检测出裂痕时，判定为折断故障。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (7)

1.一种铁路货车横跨梁故障图像识别方法，其特征在于，该方法包括以下步骤：
步骤一、采集转向架横跨梁图像；
步骤二、采用Mask RCNN分割网络模型对转向架横跨梁图像进行语义分割，获取横跨梁掩码图像，所述横跨梁掩码图像中包含横跨梁和制动梁两个物体；
Mask RCNN分割网络模型中对图像的标注类型包括制动梁和横跨梁两类，并分别对背景、横跨梁和制动梁单独训练分类；
步骤三、判断横跨梁掩码图像中横跨梁偏离竖直方向的角度，若在0~5度之间，判定横跨梁无脱落故障，执行步骤四；若大于5度，则判定横跨梁存在脱落故障，上传报警；
步骤四、在横跨梁掩码图像中提取出只包含横跨梁的子图，利用边缘检测算法判断子图上是否存在裂痕，若存在裂痕，判定横跨梁存在折断故障，上传报警；若不存在裂痕，则判定该转向架横跨梁无故障。
2.根据权利要求1所述一种铁路货车横跨梁故障图像识别方法，其特征在于，步骤一中采集转向架横跨梁图像的过程为：
步骤一一、采集货车底部线阵图像；
步骤一二、根据货车轴距信息、转向架类型对目标位置进行粗定位，从步骤一一获取的货车底部线阵图像中截取包括目标在内的局部区域图像作为待检测的转向架横跨梁图像。
3. 根据权利要求1所述一种铁路货车横跨梁故障图像识别方法，其特征在于，步骤二中的Mask RCNN分割网络模型的构建过程包括：
步骤二一、建立训练集：
步骤1、采集货车底部线阵图像；
步骤2、根据货车轴距信息、转向架类型对目标位置进行粗定位，从步骤1获取的货车底部线阵图像中截取包括目标在内的局部区域图像作为样本图像；
步骤3、按照步骤1、2收集不同转向架类型在各种条件、不同站点的大量样本图像；
步骤4、对步骤3收集到的样本图像进行数据扩增；
步骤5、对数据扩增后的所有图像进行标注，标注类型包括：制动梁和横跨梁两类；
步骤6、标记后图像数据转换为数据集作为训练集；
步骤二二、将训练集的数据输入Mask RCNN分割网络模型中进行训练：
步骤a、利用卷积神经网络CNN层对样本图像提取区域特征；
步骤b、利用区域建议网络RPN层生成候选区域：训练样本时判断每个锚点属于前景还是背景；
步骤c、感兴趣区域对齐ROIAlign层采用双线性插值算法从候选区域中提取特征图；
步骤d、对特征图进行支持向量机SVM分类，分别对背景、横跨梁、制动梁单独训练分类，对每一类进行非极大值抑制，剔除重建议框，保留高分值建议框；
步骤e、每次分类完成均采用边框回归进行微调，微调后的建议框作为候选框；
步骤f、采用完全卷积网络的语义分割FCN对候选框进行语义分割，并利用损失函数进行迭代收敛，再通过优化器Adam进行优化输出最终Mask RCNN分割网络模型权重系数。
4.根据权利要求3所述一种铁路货车横跨梁故障图像识别方法，其特征在于，步骤3中所述转向架类型包括K2型、K4型、K5型、K6型、Z8B型和Z8AB型。
5.根据权利要求3所述一种铁路货车横跨梁故障图像识别方法，其特征在于，步骤3中收集不同转向架类型在各种条件下的样本图像指受到雨水、泥渍、油渍和黑漆自然条件或者人为条件的影响的样本图像。
6.根据权利要求3所述一种铁路货车横跨梁故障图像识别方法，其特征在于，步骤4中对样本图像进行数据扩增方法包括在随机条件下对图像进行旋转、平移、缩放和镜像操作。
7.根据权利要求3所述一种铁路货车横跨梁故障图像识别方法，其特征在于，步骤b利用区域建议网络RPN层生成候选区域的过程为将所有锚点的前景、背景区分开，区分规则为：
规则一、对图像中每个标定的真值候选区域，选取其重叠比率最大的锚点anchor记为前景样本；
规则二、对剩余的锚点anchor，如果其于与某个标定重叠比率大于0.7，记为前景样本；如果与任意一个标定的重叠比率都小于0.3，记为背景样本。
CN201911272236.XA 2019-12-12 2019-12-12 一种铁路货车横跨梁故障图像识别方法 Active CN111079817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911272236.XA CN111079817B (zh) 2019-12-12 2019-12-12 一种铁路货车横跨梁故障图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911272236.XA CN111079817B (zh) 2019-12-12 2019-12-12 一种铁路货车横跨梁故障图像识别方法

Publications (2)

Publication Number Publication Date
CN111079817A CN111079817A (zh) 2020-04-28
CN111079817B true CN111079817B (zh) 2020-11-27

Family

ID=70314096

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911272236.XA Active CN111079817B (zh) 2019-12-12 2019-12-12 一种铁路货车横跨梁故障图像识别方法

Country Status (1)

Country Link
CN (1) CN111079817B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783783B (zh) * 2020-06-18 2021-06-04 哈尔滨市科佳通用机电股份有限公司 一种用于图像分割的标注系统及标注方法
CN112101182B (zh) * 2020-09-10 2021-05-07 哈尔滨市科佳通用机电股份有限公司 一种基于改进slic方法的铁路货车地板破损故障识别方法
CN112102281B (zh) * 2020-09-11 2021-07-06 哈尔滨市科佳通用机电股份有限公司 基于改进Faster Rcnn的货车制动缸故障检测方法
CN112102297B (zh) * 2020-09-17 2021-04-20 哈尔滨市科佳通用机电股份有限公司 一种铁路货车转向架弹簧托板折断故障识别方法
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
CN112966603B (zh) * 2021-03-05 2022-03-08 哈尔滨市科佳通用机电股份有限公司 一种铁路货车渡板脱落的故障识别方法
CN113221839B (zh) * 2021-06-02 2022-02-01 哈尔滨市科佳通用机电股份有限公司 一种货车图像自动识别方法及识别系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898610A (zh) * 2018-07-20 2018-11-27 电子科技大学 一种基于mask-RCNN的物体轮廓提取方法
CN109117822A (zh) * 2018-08-31 2019-01-01 贵州大学 一种基于深度学习的零件实例分割识别方法
CN109712118A (zh) * 2018-12-11 2019-05-03 武汉三江中电科技有限责任公司 一种基于Mask RCNN的变电站隔离开关检测识别方法
CN109816669A (zh) * 2019-01-30 2019-05-28 云南电网有限责任公司电力科学研究院 一种识别电力设备缺陷的改进Mask R-CNN图像实例分割方法
CN109885718A (zh) * 2019-02-28 2019-06-14 江南大学 一种基于深度车贴检测的嫌疑车辆检索方法
CN109903283A (zh) * 2019-03-04 2019-06-18 江苏维普光电科技有限公司 一种基于图像法向量的掩模图形边缘缺陷检测方法
CN110310262A (zh) * 2019-06-19 2019-10-08 上海理工大学 一种用于检测轮胎缺陷的方法、装置及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6823389B2 (ja) * 2016-07-04 2021-02-03 東日本旅客鉄道株式会社 軌きょう支持構造
CN109165541B (zh) * 2018-05-30 2023-05-02 北京飞鸿云际科技有限公司 用于智能识别轨道交通车辆图像中车辆零部件的编码方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898610A (zh) * 2018-07-20 2018-11-27 电子科技大学 一种基于mask-RCNN的物体轮廓提取方法
CN109117822A (zh) * 2018-08-31 2019-01-01 贵州大学 一种基于深度学习的零件实例分割识别方法
CN109712118A (zh) * 2018-12-11 2019-05-03 武汉三江中电科技有限责任公司 一种基于Mask RCNN的变电站隔离开关检测识别方法
CN109816669A (zh) * 2019-01-30 2019-05-28 云南电网有限责任公司电力科学研究院 一种识别电力设备缺陷的改进Mask R-CNN图像实例分割方法
CN109885718A (zh) * 2019-02-28 2019-06-14 江南大学 一种基于深度车贴检测的嫌疑车辆检索方法
CN109903283A (zh) * 2019-03-04 2019-06-18 江苏维普光电科技有限公司 一种基于图像法向量的掩模图形边缘缺陷检测方法
CN110310262A (zh) * 2019-06-19 2019-10-08 上海理工大学 一种用于检测轮胎缺陷的方法、装置及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Mask R-CNN;He K，Gkioxari G，Dollar P，et al;《IEEE Transactions on Pattern Analysis & Machine Intelligence》;20171031;全文 *
Selective search for object recognition;UIJLINGS J Ｒ，SANDE K E，GEVEＲS T，et al;《International Journal of Computer Vision》;20130930;全文 *
TFDS典型故障的图形特征及检查重点;杨建强;《河南铁道》;20111001(第5期);全文 *
基于卷积神经网络的葡萄叶片检测;刘阗宇等;《西北大学学报( 自然科学版)》;20170831;第47卷(第8期);第506页第1段，第508页第2段 *
铁路货车故障图像自动识别的研究;覃华兵;《企业科技与发展》;20190910;第100页第1段-第101页第7段 *

Also Published As

Publication number Publication date
CN111079817A (zh) 2020-04-28

Similar Documents

Publication Publication Date Title
CN111079817B (zh) 一种铁路货车横跨梁故障图像识别方法
CN111079747B (zh) 铁路货车转向架侧架断裂故障图像识别方法
CN111079746B (zh) 铁路货车轴箱弹簧故障图像识别方法
CN111080611A (zh) 一种铁路货车摇枕弹簧折断故障图像识别方法
CN111091558B (zh) 一种铁路货车摇枕弹簧窜出故障图像识别方法
CN111080617B (zh) 一种铁路货车制动梁支柱圆销丢失故障识别方法
CN111080608A (zh) 铁路货车脱轨自动制动阀塞门手把关闭故障图像识别方法
CN113111703B (zh) 基于多种卷积神经网络融合的机场道面病害异物检测方法
CN112434695A (zh) 一种基于深度学习的上拉杆故障检测方法
CN111080621B (zh) 一种铁路货车地板破损故障图像识别方法
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
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN111079734B (zh) 铁路货车三角孔异物检测方法
CN111080600A (zh) 一种铁路货车弹簧托板上开口销的故障识别方法
CN110991447B (zh) 基于深度学习的列车车号精确定位与识别方法
CN114723709A (zh) 隧道病害检测方法、装置和电子设备
CN111046950A (zh) 一种图像处理方法、装置、存储介质和电子装置
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
CN115527170A (zh) 货车脱轨自动制动装置塞门手把关闭故障识别方法及系统
CN116758425A (zh) 一种大基地光伏电站自动验收方法和装置
CN112712552A (zh) 一种车辆踏面擦伤的故障检测方法
CN112329858B (zh) 一种铁路动车防松铁丝折断故障图像识别方法
CN111652228B (zh) 铁路货车枕梁孔异物检测方法
CN116958837A (zh) 基于无人机的市政设施故障检测系统
CN113947567B (zh) 基于多任务学习的缺陷检测方法

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