CN111080606A - 一种铁路货车下拉杆脱落故障图像识别方法 - Google Patents

一种铁路货车下拉杆脱落故障图像识别方法 Download PDF

Info

Publication number
CN111080606A
CN111080606A CN201911272312.7A CN201911272312A CN111080606A CN 111080606 A CN111080606 A CN 111080606A CN 201911272312 A CN201911272312 A CN 201911272312A CN 111080606 A CN111080606 A CN 111080606A
Authority
CN
China
Prior art keywords
pull rod
image
lower pull
convolution
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.)
Pending
Application number
CN201911272312.7A
Other languages
English (en)
Inventor
于洋
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 CN201911272312.7A priority Critical patent/CN111080606A/zh
Publication of CN111080606A publication Critical patent/CN111080606A/zh
Pending legal-status Critical Current

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
    • G06F18/24—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

一种铁路货车下拉杆脱落故障图像识别方法，涉及货运列车检测技术领域，针对现有技术中单纯以人工为主的检测方式，存在检测准确率低的问题，包括步骤一：获取待识别货车图像，构建样本数据集；步骤二：对样本数据进行数据扩增处理和对样本数据集进行标记；步骤三：根据步骤二中得到的数据构建训练数据集；步骤四：构建MultiResUNet模型，并利用该模型进行训练，获得训练好的深度学习模型；步骤五：将待识别图像输入训练好的深度学习模型中，获得下拉杆的分割图像；步骤六：利用下拉杆的分割图像，判断下拉杆是否处于脱落状态。本发明利用人工智能代替人工劳动，节省人力的同时，提高了检测结果的准确率和效率。

Description

一种铁路货车下拉杆脱落故障图像识别方法
技术领域
本发明涉及货运列车检测技术领域，具体为一种铁路货车下拉杆脱落故障图像识别方法。
背景技术
下拉杆位于铁路货车制动梁工位，属于基础制动系统，通过连接圆销与制动装置连接，可保障制动系统的可靠性，是保证货车安全稳定运行的重要部件，若下拉杆发生脱落故障，失去原有的保证货车安全的能力，则容易造成车辆脱轨和颠覆的重大事故。铁路作业中，若发现下拉杆发生脱落故障，需要直接将车辆拦停处理，可见下拉杆对货车安全运行的重要性。单纯以人工为主的检测方式容易造成漏检，检车作业质量和效率难以得到保证，增加了运行安全隐患。因此，研制一种故障自动检测方法成为必然的发展方向。
发明内容
本发明的目的是：针对现有技术中单纯以人工为主的检测方式，存在检测效率低的问题，提出一种铁路货车下拉杆脱落故障图像识别方法。
本发明为了解决上述技术问题采取的技术方案是：
一种铁路货车下拉杆脱落故障图像识别方法，包括以下步骤：
步骤一：获取待识别货车图像，构建样本数据集；
步骤二：对样本数据进行数据扩增处理和对样本数据集进行标记；
步骤三：根据步骤二中得到的数据构建训练数据集；
步骤四：构建MultiResUNet模型，并利用该模型进行训练，获得训练好的深度学习模型；
步骤五：将待识别图像输入训练好的深度学习模型中，获得下拉杆的分割图像；
步骤六：利用下拉杆的分割图像，判断下拉杆是否处于脱落状态，所述判断下拉杆是否处于脱落状态的具体步骤为：
首先利用模型训练后得到权重，把采集到的下拉杆脱落发生区域图像经过裁剪和灰度拉伸处理后，利用训练后得到的模型权重分割下拉杆所在区域，结合形态学操作处理，得到下拉杆轮廓，并判断下拉杆轮廓的旋转角度，当旋转角度超过设置的正常角度阈值时，认为下拉杆发生了脱落故障，将下拉杆的故障类型及坐标信息上传至TFDS检车平台，当旋转角度未超过设置的正常角度阈值时，则继续处理下一张图像。
进一步的，所述数据扩增包括图像旋转、随机裁剪、水平翻转、竖直翻转、拉伸和缩放。
进一步的，所述MultiResUNet模型执行如下步骤：
步骤一：MultiRes Block 1中包含两个连续的3×3的卷积，滤波器大小分别为8和17，后接ReLU激活函数，并进行2×2的最大池化操作；
步骤二：MultiRes Block 2中包含两个连续的3×3的卷积，滤波器大小分别为17和35，后接ReLU激活函数，并进行2×2的最大池化操作；
步骤三：MultiRes Block 3中包含两个连续的3×3的卷积，滤波器大小分别为35和71，后接ReLU激活函数，并进行2×2的最大池化操作；
步骤四：MultiRes Block 4中包含两个连续的3×3的卷积，滤波器大小分别为71和142，后接ReLU激活函数，并进行2×2的最大池化操作；
步骤五：MultiRes Block 5中包含三个连续的3×3的卷积，滤波器大小分别为142、284和427，一个1×1的卷积，滤波器大小为853，后接ReLU激活函数，并进行2×2的转置卷积操作；
步骤六：MultiRes Block 6中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为213和426，并结合Res Path 4的输出，后接ReLU激活函数，并进行2×2的转置卷积操作；
步骤七：MultiRes Block 7中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为106和212，，并结合Res Path3的输出，后接ReLU激活函数，并进行2×2的转置卷积操作；
步骤八：MultiRes Block 8中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为53和105，并结合Res Path 2的输出，后接ReLU激活函数，并进行2×2的转置卷积操作；
步骤九：MultiRes Block 9中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为26和51，并结合Res Path 1的输出，后接Sigmoid激活函数。
进一步的，所述使用Adam优化器训练模型，通过优化器进行权重优化，其公式为：
Figure BDA0002314519500000021
其中，W为权重，Wi为前一次得到的权重，η为学习率。
进一步的，所述步骤一获取待识别货车图像的具体过程为：首先在探测站布设图像采集设备，然后利用该图像采集设备采集通过货车可视部件的影响，并输出保存至指定位置。
本发明的有益效果是：
1、以卷积神经网络为基础，搭建深度学习模型，可自动识别下拉杆脱落故障，既可提高识别准确率，又提高了识别稳定性。
2、使用MultiResUNet模型可较快收敛，应用较少的训练样本获得较高的分割精度，并提高了边界像素的分割效果。
3、用人工智能代替人工劳动，节省人力的同时，提高了检测结果的准确率和效率。
附图说明
图1为Res Path结构图。
图2为MultiResUNet架构图。
具体实施方式
具体实施方式一：参照图1和图2具体说明本实施方式，本实施方式所述的一种铁路货车下拉杆脱落故障图像识别方法，包括以下步骤：
步骤一：获取待识别货车图像；
步骤二：通过裁剪的方式获取下拉杆粗定位子图；
步骤三：利用步骤二中得到的下拉杆粗定位子图像建立训练数据集；
步骤四：构建MultiResUNet模型，并利用该模型进行训练，获得训练好的深度学习模型；
步骤五：将待识别图像输入训练好的深度学习模型中，获得下拉杆的分割图像；
步骤六：利用下拉杆的分割图像，判断下拉杆是否处于脱落状态。
1、获取待识别货车图像
货车通过布有图像采集设备的探测站时，高清图像采集设备可采集货车可视部件的影像，并输出保存至指定位置，待后续程序读取。
2、对下拉杆进行粗定位
在整列货车图像上，根据特殊部件定位的方式，可通过裁剪方式获取下拉杆所在位置的子图，从而达到粗定位的目的。
3、训练数据集建立
利用上一步中得到的下拉杆粗定位子图像建立训练数据集。下拉杆的粗定位子图可能由于图像亮度及对比度等会随着采集设备的不同、车体新旧程度的差异、是否有油渍污染、是否有雨渍污染等因素的影响而不同，样本图像的不同也会直接影响模型识别结果，为保证样本数据集的完整性，要尽可能的收集各种情况下的图像。
样本图像收集过程中，不可能完全覆盖待识别故障的所有情况，为增强数据集的鲁棒性，要对样本数据进行扩增处理。数据扩增的方式有：图像旋转、随机裁剪、水平翻转、竖直翻转、拉伸、缩放等。
对数据集用标记工具进行标记，由于要检测下拉杆脱落的故障，所以只对下拉杆的外轮廓进行标记，而忽略下拉杆内部的结构特征，这样通过提取出的下拉杆轮廓就可判断出下拉杆是否发生了脱落故障。用标记工具对数据集进行标记后，建立分割数据集，每幅下拉杆子图像对应一幅转换后包含下拉杆轮廓的二值图像，两幅图像大小一致，每个像素点位置一一对应。这样每个标记图像中就包含了对应图像中下拉杆的类别标签及坐标位置信息。
4、深度学习模型训练和检测
初始化权重系数，采用随机方式进行初始化。
将样本数据做灰度归一化处理，将每幅图像的像素值从0～255的范围归一化到0～1的范围内，将归一化后的数据输入到MultiResUNet模型中，进行训练。
经典的U-Net使用卷积层组成的网络来执行语义分割的任务，网络架构是对称的，包括从图像中提取空间特征的编码器和从编码特征构造分割图的解码器。编码器遵循卷积网络的形式，包括两个3×3的卷积运算序列，后接步长为2的最大池化操作，该序列重复四次，并且在每次下采样后，卷积层中的滤波器数量加倍，最后两个3×3的卷积操作将编码器和解码器连接到一起。解码器首先使用2×2转置卷积运算对特征图进行上采样，将特征通道减半，然后再次执行3×3卷积运算的序列。与编码器类似，这一系列的上采样和卷积操作重复四次，每个阶段的滤波器数量减半。最后执行1×1卷积运算以生成最终分割图。除了最终的卷积层外，所有卷积层都是用ReLU(Rectified Linear Unit)激活函数，最终的卷积层使用Sigmoid激活函数。U-Net架构中最巧妙的方面是引入跳过连接，在所有四个级别中，在编码器的池化操作之前，卷积层的输出被转移到解码器。然后将这些特征映射到上采样操作的输出连接，并将连接的特征映射到连续的层。这些跳过连接允许网络检索通过合并操作丢失的空间信息。但是U-Net在图像分割领域还存在一些问题，比如图像边界的分割精度较低和需要大量的训练样本等。
为了解决这类问题，将Inception块的概念引进U-Net结构中，得到MultiResUNet模型。用类似Inception的块替换卷积层应该有助于U-Net架构在不同尺度上协调的从图像中学习特征。并且不是简单的将特征图从编码器连接到解码器级，而是首先将它们通过具有剩余连接的卷积层连接，然后与解码器特征连接。希望使用这些额外的非线性操作减少编码器和解码器特征之间的语义差距，利用剩余连接，使学习更加容易，并且在深度卷积网络中翡翠非常有用。我们称这种在卷积层中使用3×3的滤波器，并且伴随残余连接的1×1的滤波器的方式为“Res Path”，如图1所示。
MultiResUNet深度学习网络步骤如下：
第一步：MultiRes Block 1中包含两个连续的3×3的卷积，滤波器大小分别为8和17，后接ReLU激活函数，并进行2×2的最大池化操作；
第二步：MultiRes Block 2中包含两个连续的3×3的卷积，滤波器大小分别为17和35，后接ReLU激活函数，并进行2×2的最大池化操作；
第三步：MultiRes Block 3中包含两个连续的3×3的卷积，滤波器大小分别为35和71，后接ReLU激活函数，并进行2×2的最大池化操作；
第四步：MultiRes Block 4中包含两个连续的3×3的卷积，滤波器大小分别为71和142，后接ReLU激活函数，并进行2×2的最大池化操作；
第五步：MultiRes Block 5中包含三个连续的3×3的卷积，滤波器大小分别为142、284和427，一个1×1的卷积，滤波器大小为853，后接ReLU激活函数，并进行2×2的转置卷积操作；
第六步：MultiRes Block 6中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为213和426，并结合Res Path 4的输出，后接ReLU激活函数，并进行2×2的转置卷积操作；
第七步：MultiRes Block 7中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为106和212，，并结合Res Path3的输出，后接ReLU激活函数，并进行2×2的转置卷积操作；
第八步：MultiRes Block 8中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为53和105，并结合Res Path 2的输出，后接ReLU激活函数，并进行2×2的转置卷积操作；
第九步：MultiRes Block 9中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为26和51，并结合Res Path 1的输出，后接Sigmoid激活函数。
上述步骤中的网络结构如图2，每步中子结构组成表格如下：
Figure BDA0002314519500000061
采用二进制交叉熵函数作为网络的损失函数，假设对于图像X，分割掩模是Y，并且由模型预测的分割掩模是
Figure BDA0002314519500000062
对于像素Px，网络预测
Figure BDA0002314519500000063
而真实值为
Figure BDA0002314519500000064
该图像的二进制交叉熵为：
Figure BDA0002314519500000065
使用Adam优化器训练模型，通过优化器进行权重优化。公式如下：
Figure BDA0002314519500000066
W为权重，Wi为前一次得到的权重，η为学习率。利用损失函数和优化器，模型计算得到新的权重，并更新权重系数，结束本次迭代训练。程序将重复该过程若干次，将训练样本中的全部图像完成规定次数的迭代，当损失函数降低时，更新权重，直到最后得到权重系数的最优解。
5、下拉杆脱落故障识别
由上述的模型训练后得到权重，把采集到的下拉杆脱落发生区域图像经过裁剪和灰度拉伸等预处理后，用训练后得到的模型权重分割下拉杆所在区域，结合形态学操作处理，得到下拉杆轮廓，并判断下拉杆轮廓的旋转角度，当旋转角度超过设置的正常角度阈值时，认为下拉杆发生了脱落故障，将下拉杆的故障类型及坐标信息上传至TFDS检车平台。
需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。

Claims (5)

1.一种铁路货车下拉杆脱落故障图像识别方法，其特征在于包括以下步骤：
步骤一：获取待识别货车图像，构建样本数据集；
步骤二：对样本数据进行数据扩增处理和对样本数据集进行标记；
步骤三：根据步骤二中得到的数据构建训练数据集；
步骤四：构建MultiResUNet模型，并利用该模型进行训练，获得训练好的深度学习模型；
步骤五：将待识别图像输入训练好的深度学习模型中，获得下拉杆的分割图像；
步骤六：利用下拉杆的分割图像，判断下拉杆是否处于脱落状态，所述判断下拉杆是否处于脱落状态的具体步骤为：
首先利用模型训练后得到权重，把采集到的下拉杆脱落发生区域图像经过裁剪和灰度拉伸处理后，利用训练后得到的模型权重分割下拉杆所在区域，结合形态学操作处理，得到下拉杆轮廓，并判断下拉杆轮廓的旋转角度，当旋转角度超过设置的正常角度阈值时，认为下拉杆发生了脱落故障，将下拉杆的故障类型及坐标信息上传至TFDS检车平台，当旋转角度未超过设置的正常角度阈值时，则继续处理下一张图像。
2.根据权利要求1所述的一种铁路货车下拉杆脱落故障图像识别方法，其特征在于所述数据扩增包括图像旋转、随机裁剪、水平翻转、竖直翻转、拉伸和缩放。
3.根据权利要求1所述的一种铁路货车下拉杆脱落故障图像识别方法，其特征在于所述MultiResUNet模型执行如下步骤：
步骤一：MultiRes Block 1中包含两个连续的3×3的卷积，滤波器大小分别为8和17，后接ReLU激活函数，并进行2×2的最大池化操作；
步骤二：MultiRes Block 2中包含两个连续的3×3的卷积，滤波器大小分别为17和35，后接ReLU激活函数，并进行2×2的最大池化操作；
步骤三：MultiRes Block 3中包含两个连续的3×3的卷积，滤波器大小分别为35和71，后接ReLU激活函数，并进行2×2的最大池化操作；
步骤四：MultiRes Block 4中包含两个连续的3×3的卷积，滤波器大小分别为71和142，后接ReLU激活函数，并进行2×2的最大池化操作；
步骤五：MultiRes Block 5中包含三个连续的3×3的卷积，滤波器大小分别为142、284和427，一个1×1的卷积，滤波器大小为853，后接ReLU激活函数，并进行2×2的转置卷积操作；
步骤六：MultiRes Block 6中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为213和426，并结合Res Path 4的输出，后接ReLU激活函数，并进行2×2的转置卷积操作；
步骤七：MultiRes Block 7中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为106和212，，并结合Res Path3的输出，后接ReLU激活函数，并进行2×2的转置卷积操作；
步骤八：MultiRes Block 8中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为53和105，并结合Res Path 2的输出，后接ReLU激活函数，并进行2×2的转置卷积操作；
步骤九：MultiRes Block 9中包含一个3×3的卷积和一个1×1的卷积，滤波器大小分别为26和51，并结合Res Path 1的输出，后接Sigmoid激活函数。
4.根据权利要求3所述的一种铁路货车下拉杆脱落故障图像识别方法，其特征在于所述使用Adam优化器训练模型，通过优化器进行权重优化，其公式为：
Figure FDA0002314519490000021
其中，W为权重，Wi为前一次得到的权重，η为学习率。
5.根据权利要求1所述的一种铁路货车下拉杆脱落故障图像识别方法，其特征在于所述步骤一获取待识别货车图像的具体过程为：首先在探测站布设图像采集设备，然后利用该图像采集设备采集通过货车可视部件的影响，并输出保存至指定位置。
CN201911272312.7A 2019-12-12 2019-12-12 一种铁路货车下拉杆脱落故障图像识别方法 Pending CN111080606A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911272312.7A CN111080606A (zh) 2019-12-12 2019-12-12 一种铁路货车下拉杆脱落故障图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911272312.7A CN111080606A (zh) 2019-12-12 2019-12-12 一种铁路货车下拉杆脱落故障图像识别方法

Publications (1)

Publication Number Publication Date
CN111080606A true CN111080606A (zh) 2020-04-28

Family

ID=70314039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911272312.7A Pending CN111080606A (zh) 2019-12-12 2019-12-12 一种铁路货车下拉杆脱落故障图像识别方法

Country Status (1)

Country Link
CN (1) CN111080606A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652296A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的铁路货车下拉杆折断故障检测方法
CN111950490A (zh) * 2020-08-18 2020-11-17 东软睿驰汽车技术（沈阳）有限公司 停车杆的识别方法及其识别模型的训练方法、装置
CN112037207A (zh) * 2020-09-01 2020-12-04 哈尔滨市科佳通用机电股份有限公司 一种铁路货车脱轨自动制动阀塞门手把关闭故障检测方法
CN112434695A (zh) * 2020-11-20 2021-03-02 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上拉杆故障检测方法
CN112949644A (zh) * 2021-02-25 2021-06-11 哈尔滨市科佳通用机电股份有限公司 一种货车下拉杆故障图像识别方法
CN115579143A (zh) * 2022-11-01 2023-01-06 北京建筑大学 一种结合全卷积神经网络与ppg信号的低血压预测方法
CN118155028A (zh) * 2024-05-13 2024-06-07 中车工业研究院(青岛)有限公司 缓解阀拉杆脱落故障检测方法、装置、电子设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
CN108805222A (zh) * 2018-05-08 2018-11-13 南京邮电大学 一种基于arm平台的深度学习数字手写体识别方法
CN109657722A (zh) * 2018-12-20 2019-04-19 山东农业大学 基于深度学习算法的舌苔图像识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
CN108805222A (zh) * 2018-05-08 2018-11-13 南京邮电大学 一种基于arm平台的深度学习数字手写体识别方法
CN109657722A (zh) * 2018-12-20 2019-04-19 山东农业大学 基于深度学习算法的舌苔图像识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NABIL IBTEHAZ ET AL.: "MultiResUNet : Rethinking the U-Net Architecture for Multimodal Biomedical Image Segmentation", 《ARXIV》 *
卢婷: "基于几何与形状特征的列车故障图像匹配算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652296A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的铁路货车下拉杆折断故障检测方法
CN111950490A (zh) * 2020-08-18 2020-11-17 东软睿驰汽车技术（沈阳）有限公司 停车杆的识别方法及其识别模型的训练方法、装置
CN111950490B (zh) * 2020-08-18 2024-04-09 东软睿驰汽车技术（沈阳）有限公司 停车杆的识别方法及其识别模型的训练方法、装置
CN112037207A (zh) * 2020-09-01 2020-12-04 哈尔滨市科佳通用机电股份有限公司 一种铁路货车脱轨自动制动阀塞门手把关闭故障检测方法
CN112434695A (zh) * 2020-11-20 2021-03-02 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上拉杆故障检测方法
CN112949644A (zh) * 2021-02-25 2021-06-11 哈尔滨市科佳通用机电股份有限公司 一种货车下拉杆故障图像识别方法
CN112949644B (zh) * 2021-02-25 2022-03-08 哈尔滨市科佳通用机电股份有限公司 一种货车下拉杆故障图像识别方法
CN115579143A (zh) * 2022-11-01 2023-01-06 北京建筑大学 一种结合全卷积神经网络与ppg信号的低血压预测方法
CN115579143B (zh) * 2022-11-01 2023-04-18 北京建筑大学 一种结合全卷积神经网络与ppg信号的低血压预测方法
CN118155028A (zh) * 2024-05-13 2024-06-07 中车工业研究院(青岛)有限公司 缓解阀拉杆脱落故障检测方法、装置、电子设备及介质
CN118155028B (zh) * 2024-05-13 2024-07-23 中车工业研究院(青岛)有限公司 缓解阀拉杆脱落故障检测方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
CN111080606A (zh) 一种铁路货车下拉杆脱落故障图像识别方法
CN111652227B (zh) 铁路货车底部地板破损故障检测方法
CN111091555B (zh) 闸瓦折断目标检测方法
CN111815605B (zh) 基于分步深度学习的轨枕缺陷检测方法及存储介质
CN110378332A (zh) 一种集装箱码头箱号和车号识别方法及系统
CN111652296A (zh) 一种基于深度学习的铁路货车下拉杆折断故障检测方法
CN109948416A (zh) 一种基于深度学习的违法占用公交车道自动审核方法
CN104809443A (zh) 基于卷积神经网络的车牌检测方法及系统
CN111080598A (zh) 一种钩尾销安全吊的螺栓、螺母缺失检测方法
CN111079821A (zh) 一种脱轨自动制动拉环脱落故障图像识别方法
CN103324920A (zh) 基于车辆正面图像与模板匹配的车型自动识别方法
CN111079631A (zh) 一种铁路货车钩提杆脱落故障识别方法及系统
CN111080604B (zh) 一种铁路货车钩提杆折断故障图像识别方法
CN110210433B (zh) 一种基于深度学习的集装箱箱号检测与识别方法
CN111080602B (zh) 铁路货车漏水孔异物检测方法
CN111079734B (zh) 铁路货车三角孔异物检测方法
CN116503417B (zh) 一种超长焊缝与典型缺陷自动识别、定位及尺寸计算方法
CN113313031B (zh) 一种基于深度学习的车道线检测和车辆横向定位方法
CN111080605A (zh) 一种铁路货车人力制动机轴链脱落故障图像识别方法
CN111079629A (zh) 铁路货车心盘脱出故障图像识别方法
CN112766056A (zh) 一种基于深度神经网络的弱光环境车道线检测方法、装置
CN113743375A (zh) 铁路货车折角塞门手把不正位识别方法
CN115424128A (zh) 一种货车转向架下拉杆故障图像检测方法及系统
CN113033411A (zh) 基于分割与注意力机制的地面语义认知方法
CN112926354A (zh) 一种基于深度学习的车道线检测方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200428