CN111080598A - 一种钩尾销安全吊的螺栓、螺母缺失检测方法 - Google Patents

一种钩尾销安全吊的螺栓、螺母缺失检测方法 Download PDF

Info

Publication number
CN111080598A
CN111080598A CN201911272228.5A CN201911272228A CN111080598A CN 111080598 A CN111080598 A CN 111080598A CN 201911272228 A CN201911272228 A CN 201911272228A CN 111080598 A CN111080598 A CN 111080598A
Authority
CN
China
Prior art keywords
bolt
nut
coupler yoke
missing
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.)
Granted
Application number
CN201911272228.5A
Other languages
English (en)
Other versions
CN111080598B (zh
Inventor
孙晶
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 CN201911272228.5A priority Critical patent/CN111080598B/zh
Publication of CN111080598A publication Critical patent/CN111080598A/zh
Application granted granted Critical
Publication of CN111080598B publication Critical patent/CN111080598B/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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

一种钩尾销安全吊的螺栓、螺母缺失检测方法,解决了现有纯人工观测图像的方式对货运列车的钩尾销、安全吊、螺栓、螺母缺失的故障检查存在高成本、低效率的问题，属于货运列车故障检测领域。本发明包括：使用SSD神经网络对全车图像中钩尾销安全吊的螺栓、螺母进行粗定位，获取子图；对子图中钩尾销安全吊螺栓和螺母位置进行标注，构建训练集；采用MS‑RCNN神经网络拟合训练集，得到训练权重参数，将训练权重参数加载到MS‑RCNN神经网络和SSD神经网络中，构建推测模型；将待测货运列车的全车图像输入至推测模型中，对货运列车钩尾销安全吊的螺栓、螺母是否缺失进行检测，若螺栓和螺母缺失的置信度分数高于设定阈值，则进行报警。

Description

一种钩尾销安全吊的螺栓、螺母缺失检测方法
技术领域
本发明涉及一种钩尾销安全吊的螺栓、螺母缺失检测方法，属于货运列车故障检测领域。
背景技术
钩尾销、安全吊、螺栓、螺母是否缺失也是货车全车故障检查的重要内容，长期以来，各车辆段一直采取纯人工观测图像的方式对货运列车的钩尾销、安全吊、螺栓、螺母缺失的故障检查，此方法存在高成本、低效率等问题。除此之外，对于图像观测人员，其工作枯燥，容易懈怠，有效工作时间有限，易发生效率低下、遗漏部件、误报故障等情况。因此，货车自动化故障检测具有重要意义。
发明内容
针对现有纯人工观测图像的方式对货运列车的钩尾销、安全吊、螺栓、螺母缺失的故障检查存在高成本、低效率的问题，本发明提供一种钩尾销安全吊的螺栓、螺母缺失检测方法。
本发明的一种钩尾销安全吊的螺栓、螺母缺失检测方法，所述方法包括：
S1、获取高速运动货运列车的上部、底部以及两侧的全车图像；
S2、使用SSD神经网络(Single Shot MultiBox Detector，使用单个深层神经网络检测图像中对象的方法)对全车图像中钩尾销安全吊的螺栓、螺母进行粗定位，获取子图；
S3、对子图中钩尾销安全吊螺栓和螺母位置进行标注，构建训练集；
S4、采用MS-RCNN神经网络(Mask Scoring Region Convolutional NeuralNetworks，蒙版得分区域卷积神经网络)拟合训练集，得到训练权重参数，将训练权重参数加载到MS-RCNN神经网络和SSD神经网络中，构建推测模型；
所述推测模型包括SSD模型和MS-RCNN模型；
SSD模型用于提取待测货运列车的全车图像的子图；
MS-RCNN模型用于对货运列车钩尾销安全吊的螺栓、螺母是否缺失进行检测，MS-RCNN模型中的批尺寸Batch Size大于1；
S5、将待测货运列车的全车图像输入至推测模型中，对货运列车钩尾销安全吊的螺栓、螺母是否缺失进行检测，若螺栓和螺母缺失的置信度分数高于设定阈值，则进行报警。
作为优选，所述MS-RCNN神经网络包括骨干网络、RPN网络和前端网络；
骨干网络的输入为训练集中已标注的全车图像或待测货运列车的全车图像，依次经过卷积层、池化层和激励层，产生特征图；
特征图输入至RPN网络，输出感兴趣区域ROI(region of interest)集合；
感兴趣区域ROI集合输入至前端网络中，前端网络对感兴趣区域ROI集合进行分类、检测和分割，输出为最终故障区域的类别、检测和分割结果。
作为优选，所述S4还包括测试集，所述测试集采用S1至S3进行构建，将所述测试集数据输入至推测模型中，对货运列车钩尾销安全吊的螺栓、螺母是否缺失进行检测，获得检测结果，根据测试集数据的先验信息，按故障识别的位置对置信度分数进行提权或降权处理，并过滤掉置信度分数小于设定阈值的故障。
作为优选，所述S3中，根据螺栓与螺母的先验形态对子图中钩尾销安全吊螺栓和螺母位置进行多分类标注。
作为优选，所述S3中，所述训练集中还包括负样本数据，所述负样本用于抗噪音干扰。
作为优选，所述S3中，还包括对所述训练集中的数据进行图像增强。本发明的有益效果，本发明通过对行驶中的货车进行拍摄，获取全车图像，利用训练的推测模型检测钩尾销安全吊的螺栓、螺母是否缺失，本发明使用图像自动识别的方式代替人工检测，系统能够自动识别车辆故障并报警，作业标准统一，不再受人员素质和责任心影响，有效提高作业质量。本发明基于深度学习的故障检测方法比传统的手工标准特征提取的机器视觉检测方法具有高的灵活性、准确性和鲁棒性。且无需人工逐张浏览图片，人工只需对报警图片进行故障确认即可完成检车作业，可节省大量的动态检车人员，提高作业效率。同时，本发明的推测模型在现有MS-RCNN神经网络的基础上，使其推测阶段支持批尺寸Batch Size>1，有效的提高的模型的推测速度。
附图说明
图1为本发明具体实施方式的流程示意图；
图2为本发明具体实施方式的检测结果。
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。
本实施方式的一种钩尾销安全吊的螺栓、螺母缺失检测方法，如图1所示，包括：
S1、获取高速运动货运列车的上部、底部以及两侧的全车图像；
本实施方式S1采用固定设备搭载的拍摄部件对高速运动的货车进行拍摄；
S2、使用SSD神经网络对全车图像中钩尾销安全吊的螺栓、螺母进行粗定位，获取子图；
S3、对子图中钩尾销安全吊螺栓和螺母位置进行标注，构建训练集；
本实施方式的S3是对拍摄大图中目标所在区域进行标注，S2是采用SSD检测网络进行训练，以此获取目标区域子图，有效的提高了后续故障检测的精度和速度。
S4、采用MS-RCNN神经网络(Mask Scoring Region Convolutional NeuralNetworks，蒙版得分区域卷积神经网络)拟合训练集，得到训练权重参数，将训练权重参数加载到MS-RCNN神经网络和SSD神经网络中，构建推测模型；
推测模型包括SSD模型和MS-RCNN模型；
SSD模型用于提取待测货运列车的全车图像的子图；
MS-RCNN模型用于对货运列车钩尾销安全吊的螺栓、螺母是否缺失进行检测，MS-RCNN模型中的批尺寸Batch Size大于1；
S5、将待测货运列车的全车图像输入至推测模型中，对货运列车钩尾销安全吊的螺栓、螺母是否缺失进行检测，若螺栓和螺母缺失的置信度分数高于设定阈值，则进行报警。
对于样本集，划分为训练集和测试集；采用MS-RCNN神经网络拟合训练集，得到训练权重参数，并在测试集上进行验证模型精度；本实施方式的样本集构建方法为：
1)获取原始数据集
将SSD检测网络输出的子图作为原始未标注数据集，通过人工标注的方式，分别标注钩尾销安全吊螺栓和螺母位置，并划分训练集和测试集。
2)多分类标注
螺栓与螺母的先验形态不同，采用多分类标注的方式，构造数据集。
3)负样本采样
为提高模型最终的检测精度，按一定比例加入负样本数据，此方法能够有效的起到抗噪音干扰，还原样本真实分布的作用。
4)图像增强
采取图像增强方法，包括平移、旋转、高斯噪音、缩放等手段处理数据，以此提高模型精度，和抗噪音干扰能力。
本实施方式采用MS-RCNN模型作为故障目标分割网络，本实施方式在现有MS-RCNN的代码基础上，使其推测阶段支持Batch Size>1，有效的提高的模型的推测速度。本实施方式的MS-RCNN神经网络包括骨干网络、RPN网络和前端网络；
骨干网络的输入为训练集中已标注的全车图像或待测货运列车的全车图像，依次经过卷积层、池化层和激励层，产生特征图；如果是训练阶段，还会将标注信息一同输入网络，作为监督对象。
特征图输入至RPN网络(Region Proposal Network，区域生成网络)，输出感兴趣区域ROI(region of interest)集合；RPN网络是对传统的Selective Search方法的有效改进，利用一组anchor在特征图中提取ROI，使整个模型真正做到端到端训练，并极大的提高了模型的速度。
感兴趣区域ROI集合输入至前端网络中，前端网络对感兴趣区域ROI集合进行分类、检测和分割，输出为最终故障区域的类别、检测和分割结果，如图2所示，故障区域的类别包括螺栓和螺母，检测结果包括螺栓丢失和螺母丢失和正常，分割结果如1中螺栓丢失和螺母丢失中的圆圈圈出来的部分。
本实施方式中，本实施方式将测试集数据输入至推测模型中，对货运列车钩尾销安全吊的螺栓、螺母是否缺失进行检测，获得检测结果，根据测试集数据的先验信息，按故障识别的位置对置信度分数进行提权或降权处理，并过滤掉置信度分数小于设定阈值的故障，将处理结果生成故障码，并上传至报警平台，交予工作人员二次审核。
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)

1.一种钩尾销安全吊的螺栓、螺母缺失检测方法，其特征在于，所述方法包括：
S1、获取高速运动货运列车的上部、底部以及两侧的全车图像；
S2、使用SSD神经网络对全车图像中钩尾销安全吊的螺栓、螺母进行粗定位，获取子图；
S3、对子图中钩尾销安全吊螺栓和螺母位置进行标注，构建训练集；
S4、采用MS-RCNN神经网络拟合训练集，得到训练权重参数，将训练权重参数加载到MS-RCNN神经网络和SSD神经网络中，构建推测模型；
所述推测模型包括SSD模型和MS-RCNN模型；
SSD模型用于提取待测货运列车的全车图像的子图；
MS-RCNN模型用于对货运列车钩尾销安全吊的螺栓、螺母是否缺失进行检测，MS-RCNN模型中的批尺寸大于1；
S5、将待测货运列车的全车图像输入至推测模型中，对货运列车钩尾销安全吊的螺栓、螺母是否缺失进行检测，若螺栓和螺母缺失的置信度分数高于设定阈值，则进行报警。
2.根据权利要求1所述的钩尾销安全吊的螺栓、螺母缺失检测方法，其特征在于，所述MS-RCNN神经网络包括骨干网络、RPN网络和前端网络；
骨干网络的输入为训练集中已标注的全车图像或待测货运列车的全车图像，依次经过卷积层、池化层和激励层，产生特征图；
特征图输入至RPN网络，输出感兴趣区域ROI集合；
感兴趣区域ROI集合输入至前端网络中，前端网络对感兴趣区域ROI集合进行分类、检测和分割，输出为最终故障区域的类别、检测和分割结果。
3.根据权利要求2所述的钩尾销安全吊的螺栓、螺母缺失检测方法，其特征在于，
所述S4还包括测试集，所述测试集采用S1至S3进行构建，将所述测试集数据输入至推测模型中，对货运列车钩尾销安全吊的螺栓、螺母是否缺失进行检测，获得检测结果，根据测试集数据的先验信息，按故障识别的位置对置信度分数进行提权或降权处理，并过滤掉置信度分数小于设定阈值的故障。
4.根据权利要求3所述的钩尾销安全吊的螺栓、螺母缺失检测方法，其特征在于，所述S3中，根据螺栓与螺母的先验形态对子图中钩尾销安全吊螺栓和螺母位置进行多分类标注。
5.根据权利要求4所述的钩尾销安全吊的螺栓、螺母缺失检测方法，其特征在于，所述S3中，所述训练集中还包括负样本数据，所述负样本用于抗噪音干扰。
6.根据权利要求5所述的钩尾销安全吊的螺栓、螺母缺失检测方法，其特征在于，所述S3中，还包括对所述训练集中的数据进行图像增强。
CN201911272228.5A 2019-12-12 2019-12-12 一种钩尾销安全吊的螺栓、螺母缺失检测方法 Active CN111080598B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911272228.5A CN111080598B (zh) 2019-12-12 2019-12-12 一种钩尾销安全吊的螺栓、螺母缺失检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911272228.5A CN111080598B (zh) 2019-12-12 2019-12-12 一种钩尾销安全吊的螺栓、螺母缺失检测方法

Publications (2)

Publication Number Publication Date
CN111080598A true CN111080598A (zh) 2020-04-28
CN111080598B CN111080598B (zh) 2020-08-28

Family

ID=70314094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911272228.5A Active CN111080598B (zh) 2019-12-12 2019-12-12 一种钩尾销安全吊的螺栓、螺母缺失检测方法

Country Status (1)

Country Link
CN (1) CN111080598B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652295A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 一种铁路货车钩尾销托梁脱落故障识别方法
CN111898575A (zh) * 2020-08-06 2020-11-06 华北电力大学（保定） 一种基于Faster R-CNN检测器的栓母对自动组合方法
CN112070715A (zh) * 2020-07-30 2020-12-11 许继集团有限公司 一种基于改进ssd模型的输电线路小尺寸金具缺陷检测方法
CN112258483A (zh) * 2020-10-23 2021-01-22 哈尔滨市科佳通用机电股份有限公司 一种钩尾销插托错位和螺母丢失故障检测方法
CN112348789A (zh) * 2020-11-03 2021-02-09 哈尔滨市科佳通用机电股份有限公司 一种列车锁扣丢失故障检测方法、系统及装置
CN112418323A (zh) * 2020-11-24 2021-02-26 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
CN112967252A (zh) * 2021-03-05 2021-06-15 哈尔滨市科佳通用机电股份有限公司 一种轨道车辆机感吊架组装螺栓丢失检测方法
CN112986146A (zh) * 2021-05-06 2021-06-18 上海建工集团股份有限公司 一种基于图像识别的导轨架螺栓连接可靠性检测装置
CN113781407A (zh) * 2021-08-24 2021-12-10 五邑大学 螺钉检测方法、装置和计算机可读存储介质
CN113902680A (zh) * 2021-09-14 2022-01-07 西安建筑科技大学 引入注意力机制的多尺度特征融合ssd的螺栓松动检测方法
CN114241476A (zh) * 2021-12-20 2022-03-25 山东矩阵软件工程股份有限公司 一种列车车况检查方法、系统及相关装置
CN115995062A (zh) * 2023-03-22 2023-04-21 成都唐源电气股份有限公司 一种接触网电联接线线夹螺母异常识别方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN110135503A (zh) * 2019-05-19 2019-08-16 重庆理工大学 一种装配机器人零件深度学习识别方法
CN110348357A (zh) * 2019-07-03 2019-10-18 昆明理工大学 一种基于深度卷积神经网络的快速目标检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN110135503A (zh) * 2019-05-19 2019-08-16 重庆理工大学 一种装配机器人零件深度学习识别方法
CN110348357A (zh) * 2019-07-03 2019-10-18 昆明理工大学 一种基于深度卷积神经网络的快速目标检测方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652295A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 一种铁路货车钩尾销托梁脱落故障识别方法
CN112070715A (zh) * 2020-07-30 2020-12-11 许继集团有限公司 一种基于改进ssd模型的输电线路小尺寸金具缺陷检测方法
CN111898575A (zh) * 2020-08-06 2020-11-06 华北电力大学（保定） 一种基于Faster R-CNN检测器的栓母对自动组合方法
CN111898575B (zh) * 2020-08-06 2022-09-02 华北电力大学（保定） 一种基于Faster R-CNN检测器的栓母对自动组合方法
CN112258483B (zh) * 2020-10-23 2021-07-06 哈尔滨市科佳通用机电股份有限公司 一种钩尾销插托错位和螺母丢失故障检测方法
CN112258483A (zh) * 2020-10-23 2021-01-22 哈尔滨市科佳通用机电股份有限公司 一种钩尾销插托错位和螺母丢失故障检测方法
CN112348789A (zh) * 2020-11-03 2021-02-09 哈尔滨市科佳通用机电股份有限公司 一种列车锁扣丢失故障检测方法、系统及装置
CN112418323A (zh) * 2020-11-24 2021-02-26 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
CN112967252A (zh) * 2021-03-05 2021-06-15 哈尔滨市科佳通用机电股份有限公司 一种轨道车辆机感吊架组装螺栓丢失检测方法
CN112967252B (zh) * 2021-03-05 2021-10-22 哈尔滨市科佳通用机电股份有限公司 一种轨道车辆机感吊架组装螺栓丢失检测方法
CN112986146A (zh) * 2021-05-06 2021-06-18 上海建工集团股份有限公司 一种基于图像识别的导轨架螺栓连接可靠性检测装置
CN113781407A (zh) * 2021-08-24 2021-12-10 五邑大学 螺钉检测方法、装置和计算机可读存储介质
CN113902680A (zh) * 2021-09-14 2022-01-07 西安建筑科技大学 引入注意力机制的多尺度特征融合ssd的螺栓松动检测方法
CN114241476A (zh) * 2021-12-20 2022-03-25 山东矩阵软件工程股份有限公司 一种列车车况检查方法、系统及相关装置
CN115995062A (zh) * 2023-03-22 2023-04-21 成都唐源电气股份有限公司 一种接触网电联接线线夹螺母异常识别方法及系统
CN115995062B (zh) * 2023-03-22 2023-08-04 西南交通大学 一种接触网电联接线线夹螺母异常识别方法及系统

Also Published As

Publication number Publication date
CN111080598B (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
CN111080598B (zh) 一种钩尾销安全吊的螺栓、螺母缺失检测方法
CN105260744B (zh) 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统
CN109840523B (zh) 一种基于图像处理的城轨列车车号识别方法
CN111091544B (zh) 铁路货车转向架侧面一体架构断裂故障检测方法
CN103745224A (zh) 基于图像的铁路接触网鸟窝异常情况检测方法
CN111080612B (zh) 一种货车轴承破损检测方法
CN111127448B (zh) 一种基于孤立森林检测空气弹簧故障的方法
CN111862029A (zh) 一种铁路动车组垂向减震器螺栓部件故障检测方法
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
CN113139572B (zh) 一种基于图像的列车空气弹簧的故障检测方法
CN113516629A (zh) Tfds通过作业智能检测系统
CN111080601A (zh) 铁路货车脱轨制动装置拉环磨轴故障图像识别方法
CN111080607B (zh) 一种基于图像识别的滚动轴承甩油故障检测方法
CN104657706A (zh) 基于图像的高铁线路线杆断裂与联接结构体异常检测方法
CN111091543A (zh) 铁路货车摇枕弹簧丢失故障目标检测方法
CN111079629A (zh) 铁路货车心盘脱出故障图像识别方法
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
CN115965915A (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
CN115995056A (zh) 一种基于深度学习的桥梁病害自动识别方法
CN110618129A (zh) 一种电网线夹自动检测与缺陷识别方法及装置
CN114549414A (zh) 一种针对轨道数据的异常变化检测方法及系统
CN111597939B (zh) 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN112329858A (zh) 一种铁路动车防松铁丝折断故障图像识别方法
CN115424128A (zh) 一种货车转向架下拉杆故障图像检测方法及系统

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