CN111080611A - 一种铁路货车摇枕弹簧折断故障图像识别方法 - Google Patents
一种铁路货车摇枕弹簧折断故障图像识别方法 Download PDFInfo
- Publication number
- CN111080611A CN111080611A CN201911272572.4A CN201911272572A CN111080611A CN 111080611 A CN111080611 A CN 111080611A CN 201911272572 A CN201911272572 A CN 201911272572A CN 111080611 A CN111080611 A CN 111080611A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- fault
- spring
- data set
- 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
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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
一种铁路货车摇枕弹簧折断故障图像识别方法,涉及一种故障识别方法,属于铁路货车故障识别领域。针对现有采用人工观察图像的方式进行货车摇枕弹簧折断故障检测易造成漏检,且工作人员工作量大的问题,本发明采集铁路货车两侧的图像,构建样本数据集采用Faster R‑CNN网络对样本数据集进行训练,获取目标检测的权重系数;实时采集铁路货车摇枕弹簧图像,对所采集的铁路货车摇枕弹簧图像粗定位并进行预处理,结合训练好的Faster R‑CNN网络,获取摇枕弹簧图像的目标检测结果;所述目标检测结果包括目标类别与目标置信度;采用逻辑判断的方式,利用摇枕弹簧图像的目标检测结果,判断弹簧是否存在折断故障。
Description
技术领域
本发明涉及一种故障识别方法,属于铁路货车故障识别领域。
背景技术
摇枕弹簧折断故障会造成车体倾斜,是一种危及行车安全的故障,在摇枕弹簧故障检测中,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
针对现有采用人工观察图像的方式进行货车摇枕弹簧折断故障检测易造成漏检,且工作人员工作量大的问题,本发明提供了一种铁路货车摇枕弹簧折断故障图像识别方法。
本发明所述一种铁路货车摇枕弹簧折断故障图像识别方法,该方法具体包括:
S1、采集铁路货车两侧的图像,构建样本数据集;
所述样本数据集包括粗定位部件灰度图像数据集和部件折断标记数据集;
S2、采用Faster R-CNN网络对样本数据集进行训练,获取目标检测的权重系数;
S3、实时采集铁路货车摇枕弹簧图像,对所采集的铁路货车摇枕弹簧图像粗定位并进行预处理,结合S2中训练好的Faster R-CNN网络,获取摇枕弹簧图像的目标检测结果;所述目标检测结果包括目标类别与目标置信度;
目标检测类别包括正常弹簧、弹簧干扰和弹簧折断目标;
S4、采用逻辑判断的方式,利用摇枕弹簧图像的目标检测结果,判断弹簧是否存在折断故障;若存在故障,进行报警,完成铁路货车摇枕弹簧折断故障图像识别。
进一步地,步骤S1中的粗定位部件灰度图像数据集和部件折断标记数据集的获取方法为:
所述粗定位灰度图像集中的图像是从铁路货车图像中截取获得;
利用可扩展标记语言对粗定位部件灰度图像数据集中所有图像进行标记,获得包括摇枕弹簧折断或折断干扰目标信息的部件折断标记数据集;
所述部件折断标记数据集中的图像为从粗定位灰度图像集的图像中截取获得,部件折断标记数据集中的图像与粗定位部件灰度图像集中的图像一一对应。
进一步地,S2中采用Faster R-CNN网络对样本数据集进行训练,获取目标检测的权重系数具体为:
Faster R-CNN网络包括基于VGG16的卷积提取特征层、RPN(区域候选网络)层、Pooling(池化)层和Classifier(分类)层;
基于VGG16的卷积提取特征层,通过卷积,提取到样本数据集中每个摇枕弹簧图像的特征;
RPN层,利用提取特征层获得的特征生成多个候选区域,利用损失函数1对所述候选区域进行过滤,并采用softmax函数对所述候选区域进行分类,包括前景区域和目标区域,同时采用损失函数2对目标区域进行回归修正,形成目标候选框;
Pooling层,利用RPN层生成的候选框和摇枕弹簧图像的特征,获得固定尺寸的目标特征候选框;每个图片中包括多个目标特征候选框,所述目标特征候选框的类别包括正常的弹簧、折断弹簧、折断干扰目标;
Classifier层,用于将pooling层形成的目标特征候选框进行全连接操作,利用损失函数3对目标特征候选框进行具体故障类别的分类,包括摇枕弹簧折断故障和折断干扰故障,同时,利用损失函数4实现对固定尺寸的候选框特征进行回归操作;实现对摇枕弹簧故障位置的目标检测;
将损失函数1、损失函数2、损失函数3和损失函数4以加权和的形式组成总体目标函数,采用SGD算法对总体损失函数进行训练,直至总体损失函数的变化量均小于M,完成对损失函数的训练,获得目标检测最优权重系数。
本实施方式所述Faster R-CNN网络对样本数据集进行训练的过程即为对多个损失函数的训练过程,将损失函数训练完成,实现对Faster R-CNN网络进行训练。
进一步地,S4中判断弹簧是否存在折断故障的过程为:
当弹簧折断目标置信度大于T1时,则弹簧存在故障;
当弹簧折断置信度小于T1大于T2时,判断折断目标位置是否有重叠的目标;如果无重叠目标,则存在故障;若有重叠,则根据重叠的候选框的目标类别,判断是否存在故障,当所述重叠的候选框的类别相同,则存在故障;否则不存在故障,其中,T1>T2>0。
进一步地,S3所述的对采集的铁路货车摇枕弹簧图像进行预处理包括对图像的亮度进行调节变换和缩放到统一的尺寸。
本发明利用图像自动识别的方式代替人工检测,能够自动识别车辆故障并报警,作业标准统一,不再受检车员经验、理解及认知程度不同的影响,提高检测效率与准确率。将深度学习算法应用到摇枕弹簧折断故障自动识别中,提高整体算法的稳定性及精度。本发明通过对深度学习预测结果逻辑判定确定是否有折断故障可减少误报,提升故障检测准确率。
附图说明
图1是本发明所述铁路货车摇枕弹簧折断故障图像识别方法的流程图。
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。
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述一种铁路货车摇枕弹簧折断故障图像识别方法,该方法具体包括:
S1、采集铁路货车两侧的图像,构建样本数据集;
所述样本数据集包括粗定位部件灰度图像数据集和部件折断标记数据集;
S2、采用Faster R-CNN网络对样本数据集进行训练,获取目标检测的权重系数;
S3、实时采集铁路货车摇枕弹簧图像,对所采集的铁路货车摇枕弹簧图像粗定位并进行预处理,结合S2中训练好的Faster R-CNN网络,获取摇枕弹簧图像的目标检测结果;所述目标检测结果包括目标类别与目标置信度;
目标检测类别包括正常弹簧、弹簧干扰和弹簧折断目标;
S4、采用逻辑判断的方式,利用摇枕弹簧图像的目标检测结果,判断弹簧是否存在折断故障;若存在故障,进行报警,完成铁路货车摇枕弹簧折断故障图像识别。
对本实施方式中,建立样本数据集的过程进行说明:首先分别在货车轨道周围搭建高清设备,货车通过设备后,获取货车两侧、底部、上部全方位的高清图像。图像为清晰的灰度图像。由于货车部件可能受到货物轻重、雨水、泥渍、油渍、白漆、黑漆、异物、冰雪、粉笔字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,摇枕弹簧图像之间差别会很大。所以,在收集摇枕弹簧图像数据的过程中,要保证多样性,尽量将各种条件下的摇枕弹簧图像全部收集。
在不同车型的货车转向架中,摇枕弹簧部件的形态会不同。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摇枕弹簧部件收集较为困难。因此,将全部类型的摇枕弹簧部件统称为一类,全部按照一类来建立样本数据集。
样本数据集包括:粗定位部件灰度图像集、部件折断标记集。粗定位部件灰度图像集通过依据先验知识截取设备拍摄的高清灰度图像。部件折断标记图像集是对粗定位部件灰度图像集中的摇枕弹簧折断或折断干扰目标进行标记后的xml,通过人工标记的方式获取。部件灰度图像集与部件折断标记集的xml之间是一一对应的,即每个灰度图像对应一个目标标记xml;所述xml为可扩展标记语言。
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亮度增强、裁剪、饱和度移调整、旋转、平、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。
为避免车速、相机角度偏差、货物轻重等,对数据集中的样本统一缩放大小到N*N,并进行统一图像预处理,可提高系统的鲁棒性。
本实施方式中,采用图像自动识别的方式可提高检测效率和稳定性。由于深度学习与人工智能不断发展,在技术上不断成熟。因而,采用深度学习进行摇枕弹簧折故障识别,可以有效提高检测准确率。同时小目标识别检测在深度学习领域识别的准确率一直不高。因此在摇枕弹簧折断故障检测的过程中使用Faster-RCNN网络框架进行识别,可以有效提高小目标识别的准确率,避免漏报及误报。
进一步地,步骤S1中的粗定位部件灰度图像数据集和部件折断标记数据集的获取方法为:
所述粗定位灰度图像集中的图像是从铁路货车图像中截取货车摇枕弹簧部图像获得;
利用可扩展标记语言对粗定位部件灰度图像数据集中所有图像进行标记,获得包括摇枕弹簧折断或折断干扰目标信息的部件折断标记数据集;
所述部件折断标记数据集中的图像为从粗定位灰度图像集的图像中截取获得,部件折断标记数据集中的图像与粗定位部件灰度图像集中的图像一一对应。
进一步地,S2中采用Faster R-CNN网络对样本数据集进行训练,获取目标检测的权重系数具体为:
Faster R-CNN网络包括基于VGG16的卷积提取特征层、RPN层、Pooling(池化)层和Classifier(分类)层;
基于VGG16的卷积提取特征层,通过卷积,提取到样本数据集中每个摇枕弹簧图像的特征;
RPN层,利用提取特征层获得的特征生成多个候选区域,利用损失函数1对所述候选区域进行过滤,并采用softmax对所述候选区域进行分类,包括前景区域和目标区域,同时采用损失函数2对目标区域进行回归修正,形成目标候选框;
Pooling层,利用RPN层生成的候选框和摇枕弹簧图像的特征,获得固定尺寸的目标特征候选框;每个图片中包括多个目标特征候选框,所述目标特征候选框的类别包括正常的弹簧、折断弹簧、折断干扰目标;
Classifier层,用于将pooling层形成的目标特征候选框进行全连接操作,利用损失函数3对目标特征候选框进行具体故障类别的分类,包括摇枕弹簧折断故障和折断干扰故障,同时,利用损失函数4实现对固定尺寸的候选框特征进行回归操作;实现对摇枕弹簧故障位置的目标检测;
将损失函数1、损失函数2、损失函数3和损失函数4以加权和的形式组成总体目标函数,采用SGD算法对总体损失函数进行训练,直至总体损失函数的变化量均小于M,完成对损失函数的训练,获得目标检测最优权重系数,其中,0<M<0.01。
本实施方式所述的目标函数的训练过程为迭代过程,在目标函数训练过程中,目标损失函数和SGD随机梯度下降法优化后,每一次迭代获得一个函数值,当函数值变化时,把权重系数带入函数表达式里能得到函数值,当函数值变化时,对权重系数进行更新,完成一次训练迭代,程序将重复这个过程,直至损失函数的函数值变化量趋近于0时,停止进行迭代,获得最优的权重系数。
进一步地,S4中判断弹簧是否存在折断故障的过程为:
当弹簧折断目标置信度大于T1时,则弹簧存在故障;
当弹簧折断置信度小于T1大于T2时,判断折断目标位置是否有重叠的目标;如果无重叠目标,则存在故障;若有重叠,则根据重叠的候选框的目标类别,判断是否存在故障,当所述重叠的候选框的类别相同,则存在故障;否则不存在故障,其中,T1>T2>0。
进一步地,S3所述的对采集的铁路货车摇枕弹簧图像进行预处理包括对图像的亮度进行调节变换和缩放到统一的尺寸。
本实施方式中,对采集的铁路货车摇枕弹簧图像进行预处理的过程为:对真实过车图像进行亮度变换、缩放到统一尺寸等预处理后,使用已训练好的Faster-RCNN深度学习网络获得的权重系数,预测出摇枕弹簧折断目标或类似折断目标的类别与置信度,所述置信度就是图像中的某个位置是某目标的可能性有多大。得出的预测目标类别与分数值,经过逻辑判断,若判定存在折断,则对此摇枕弹簧折断部分进行坐标转换并报警。若判定不存在折断,则处理下一张摇枕弹簧图像。
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 (5)
1.一种铁路货车摇枕弹簧折断故障图像识别方法,其特征在于,该方法具体包括:
S1、采集铁路货车两侧的图像,构建样本数据集;
所述样本数据集包括粗定位部件灰度图像数据集和部件折断标记数据集;
S2、采用Faster R-CNN网络对样本数据集进行训练,获取目标检测的权重系数;
S3、实时采集铁路货车摇枕弹簧图像,对所采集的铁路货车摇枕弹簧图像粗定位并进行预处理,结合S2中训练好的Faster R-CNN网络,获取摇枕弹簧图像的目标检测结果;所述目标检测结果包括目标类别与目标置信度;
目标检测类别包括正常弹簧、弹簧干扰和弹簧折断目标;
S4、采用逻辑判断的方式,利用摇枕弹簧图像的目标检测结果,判断弹簧是否存在折断故障;若存在故障,进行报警,完成铁路货车摇枕弹簧折断故障图像识别。
2.根据权利要求1所述一种铁路货车摇枕弹簧折断故障图像识别方法,其特征在于,步骤S1中的粗定位部件灰度图像数据集和部件折断标记数据集的获取方法为:
所述粗定位灰度图像集中的图像从铁路货车图像中截取获得;
利用可扩展标记语言对粗定位部件灰度图像数据集中所有图像进行标记,获得包括摇枕弹簧折断或折断干扰目标信息的部件折断标记数据集;
所述部件折断标记数据集中的图像为从粗定位灰度图像集的图像中截取获得,部件折断标记数据集中的图像与粗定位部件灰度图像集中的图像一一对应。
3.根据权利要求1或2所述一种铁路货车摇枕弹簧折断故障图像识别方法,其特征在于,S2中采用Faster R-CNN网络对样本数据集进行训练,获取目标检测的权重系数具体为:
Faster R-CNN网络包括基于VGG16的卷积提取特征层、RPN层、Pooling层和Classifier层;
基于VGG16的卷积提取特征层,通过卷积,提取到样本数据集中每个摇枕弹簧图像的特征;
RPN层,利用提取特征层获得的特征生成多个候选区域,利用损失函数1对所述候选区域进行过滤,并采用softmax对所述候选区域进行分类,包括前景区域和目标区域,同时采用损失函数2对目标区域进行回归修正,形成目标候选框;
Pooling层,利用RPN层生成的候选框和摇枕弹簧图像的特征,获得固定尺寸的目标特征候选框;每个图片中包括多个目标特征候选框,所述目标特征候选框的类别包括正常的弹簧、折断弹簧、折断干扰目标;
Classifier层,用于将pooling层形成的目标特征候选框进行全连接操作,利用损失函数3对目标特征候选框进行具体故障类别的分类,包括摇枕弹簧折断故障和折断干扰故障,同时,利用损失函数4实现对固定尺寸的候选框特征进行回归操作;实现对摇枕弹簧故障位置的目标检测;
将损失函数1、损失函数2、损失函数3和损失函数4以加权和的形式组成总体目标函数,采用SGD算法对总体损失函数进行训练,直至总体损失函数的变化量均小于M,完成对损失函数的训练,获得目标检测最优权重系数,其中,0<M<0.01。
4.根据权利要求1或2所述一种铁路货车摇枕弹簧折断故障图像识别方法,其特征在于,S4中判断弹簧是否存在折断故障的过程为:
当弹簧折断目标置信度大于T1时,则弹簧存在故障;
当弹簧折断置信度小于T1大于T2时,判断折断目标位置是否有重叠的目标;如果无重叠目标,则存在故障;若有重叠,则根据重叠的候选框的目标类别,判断是否存在故障,当所述重叠的候选框的类别相同,则存在故障;否则不存在故障,其中,T1>T2>0。
5.根据权利要求1或2所述一种铁路货车摇枕弹簧折断故障图像识别方法,其特征在于,S3所述的对采集的铁路货车摇枕弹簧图像进行预处理包括对图像的亮度进行调节变换和缩放到统一的尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911272572.4A CN111080611A (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车摇枕弹簧折断故障图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911272572.4A CN111080611A (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车摇枕弹簧折断故障图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111080611A true CN111080611A (zh) | 2020-04-28 |
Family
ID=70314107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911272572.4A Pending CN111080611A (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车摇枕弹簧折断故障图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080611A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767913A (zh) * | 2020-07-06 | 2020-10-13 | 中兴飞流信息科技有限公司 | 一种基于深度学习的动车组车辆故障动态图像检测方法 |
CN112150453A (zh) * | 2020-09-30 | 2020-12-29 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车摇枕弹簧折断故障自动检测方法 |
CN112329858A (zh) * | 2020-11-06 | 2021-02-05 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路动车防松铁丝折断故障图像识别方法 |
CN112907532A (zh) * | 2021-02-10 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于Faster RCNN改进的货车车门脱落检测方法 |
CN113743375A (zh) * | 2021-10-13 | 2021-12-03 | 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 |
CN115026839A (zh) * | 2022-07-29 | 2022-09-09 | 西南交通大学 | 一种轨道车辆转向架斜楔支撑机器人摇枕孔定位方法 |
CN115170882A (zh) * | 2022-07-19 | 2022-10-11 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车部件检测网络的优化方法及护栏折断故障识别方法 |
CN115346172A (zh) * | 2022-08-16 | 2022-11-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种钩提杆复位弹簧丢失和折断检测方法及系统 |
CN115439451A (zh) * | 2022-09-09 | 2022-12-06 | 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的去噪检测方法 |
CN115527018A (zh) * | 2022-10-25 | 2022-12-27 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车下锁销组成配件故障识别方法及装置 |
CN115937197A (zh) * | 2023-01-05 | 2023-04-07 | 哈尔滨市科佳通用机电股份有限公司 | 人力制动机拉杆链折断故障检测方法 |
CN116452858A (zh) * | 2023-03-24 | 2023-07-18 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车连接拉杆圆销折断故障识别方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105821538A (zh) * | 2016-04-20 | 2016-08-03 | 广州视源电子科技股份有限公司 | 细纱断裂的检测方法和系统 |
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 |
CN106778740A (zh) * | 2016-12-06 | 2017-05-31 | 北京航空航天大学 | 一种基于深度学习的tfds非故障图像检测方法 |
CN107554558A (zh) * | 2017-08-31 | 2018-01-09 | 哈尔滨威克科技有限公司 | 铁路车辆走行部安全检测预警装置 |
CN109241986A (zh) * | 2018-05-30 | 2019-01-18 | 北京飞鸿云际科技有限公司 | 用于轨道交通车辆零部件图像识别模型的样本制作方法 |
CN109767427A (zh) * | 2018-12-25 | 2019-05-17 | 北京交通大学 | 列车轨道扣件缺陷的检测方法 |
CN110254468A (zh) * | 2019-06-20 | 2019-09-20 | 吉林大学 | 一种轨道表面缺陷智能在线检测装置及检测方法 |
CN110441040A (zh) * | 2019-07-25 | 2019-11-12 | 深圳市阿尔艾富信息技术股份有限公司 | 一种轨道减震弹簧断簧检测装置 |
-
2019
- 2019-12-12 CN CN201911272572.4A patent/CN111080611A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105821538A (zh) * | 2016-04-20 | 2016-08-03 | 广州视源电子科技股份有限公司 | 细纱断裂的检测方法和系统 |
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 |
CN106778740A (zh) * | 2016-12-06 | 2017-05-31 | 北京航空航天大学 | 一种基于深度学习的tfds非故障图像检测方法 |
CN107554558A (zh) * | 2017-08-31 | 2018-01-09 | 哈尔滨威克科技有限公司 | 铁路车辆走行部安全检测预警装置 |
CN109241986A (zh) * | 2018-05-30 | 2019-01-18 | 北京飞鸿云际科技有限公司 | 用于轨道交通车辆零部件图像识别模型的样本制作方法 |
CN109767427A (zh) * | 2018-12-25 | 2019-05-17 | 北京交通大学 | 列车轨道扣件缺陷的检测方法 |
CN110254468A (zh) * | 2019-06-20 | 2019-09-20 | 吉林大学 | 一种轨道表面缺陷智能在线检测装置及检测方法 |
CN110441040A (zh) * | 2019-07-25 | 2019-11-12 | 深圳市阿尔艾富信息技术股份有限公司 | 一种轨道减震弹簧断簧检测装置 |
Non-Patent Citations (1)
Title |
---|
张晓林: "货车走行部弹簧缺损图像检测技术研究", 《中国优秀硕士学位论文全文数据库·信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767913A (zh) * | 2020-07-06 | 2020-10-13 | 中兴飞流信息科技有限公司 | 一种基于深度学习的动车组车辆故障动态图像检测方法 |
CN112150453A (zh) * | 2020-09-30 | 2020-12-29 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车摇枕弹簧折断故障自动检测方法 |
CN112150453B (zh) * | 2020-09-30 | 2021-05-07 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车摇枕弹簧折断故障自动检测方法 |
CN112329858A (zh) * | 2020-11-06 | 2021-02-05 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路动车防松铁丝折断故障图像识别方法 |
CN112907532A (zh) * | 2021-02-10 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于Faster RCNN改进的货车车门脱落检测方法 |
CN112907532B (zh) * | 2021-02-10 | 2022-03-08 | 哈尔滨市科佳通用机电股份有限公司 | 基于Faster RCNN改进的货车车门脱落检测方法 |
CN113743375A (zh) * | 2021-10-13 | 2021-12-03 | 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 |
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 |
CN115170882A (zh) * | 2022-07-19 | 2022-10-11 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车部件检测网络的优化方法及护栏折断故障识别方法 |
CN115026839A (zh) * | 2022-07-29 | 2022-09-09 | 西南交通大学 | 一种轨道车辆转向架斜楔支撑机器人摇枕孔定位方法 |
CN115026839B (zh) * | 2022-07-29 | 2024-04-26 | 西南交通大学 | 一种轨道车辆转向架斜楔支撑机器人摇枕孔定位方法 |
CN115346172A (zh) * | 2022-08-16 | 2022-11-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种钩提杆复位弹簧丢失和折断检测方法及系统 |
CN115439451A (zh) * | 2022-09-09 | 2022-12-06 | 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的去噪检测方法 |
CN115527018A (zh) * | 2022-10-25 | 2022-12-27 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车下锁销组成配件故障识别方法及装置 |
CN115937197A (zh) * | 2023-01-05 | 2023-04-07 | 哈尔滨市科佳通用机电股份有限公司 | 人力制动机拉杆链折断故障检测方法 |
CN115937197B (zh) * | 2023-01-05 | 2023-09-08 | 哈尔滨市科佳通用机电股份有限公司 | 人力制动机拉杆链折断故障检测方法 |
CN116452858A (zh) * | 2023-03-24 | 2023-07-18 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车连接拉杆圆销折断故障识别方法及系统 |
CN116452858B (zh) * | 2023-03-24 | 2023-12-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车连接拉杆圆销折断故障识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080611A (zh) | 一种铁路货车摇枕弹簧折断故障图像识别方法 | |
CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
CN111091558B (zh) | 一种铁路货车摇枕弹簧窜出故障图像识别方法 | |
CN111079746B (zh) | 铁路货车轴箱弹簧故障图像识别方法 | |
CN110254468B (zh) | 一种轨道表面缺陷智能在线检测装置及检测方法 | |
CN112434695B (zh) | 一种基于深度学习的上拉杆故障检测方法 | |
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 | |
CN111080617B (zh) | 一种铁路货车制动梁支柱圆销丢失故障识别方法 | |
CN111091544B (zh) | 铁路货车转向架侧面一体架构断裂故障检测方法 | |
CN111079817B (zh) | 一种铁路货车横跨梁故障图像识别方法 | |
CN111091547B (zh) | 铁路货车制动梁支柱折断故障图像识别方法 | |
CN111080598A (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN111080600A (zh) | 一种铁路货车弹簧托板上开口销的故障识别方法 | |
CN111080601A (zh) | 铁路货车脱轨制动装置拉环磨轴故障图像识别方法 | |
CN110991447B (zh) | 基于深度学习的列车车号精确定位与识别方法 | |
CN111080607B (zh) | 一种基于图像识别的滚动轴承甩油故障检测方法 | |
CN113516629A (zh) | Tfds通过作业智能检测系统 | |
CN111652295A (zh) | 一种铁路货车钩尾销托梁脱落故障识别方法 | |
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 | |
CN111091551A (zh) | 一种铁路货车制动梁支柱开口销丢失故障检测方法 | |
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 | |
CN114841920A (zh) | 基于图像处理的火焰识别方法、装置及电子设备 | |
CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及系统 | |
CN112329858B (zh) | 一种铁路动车防松铁丝折断故障图像识别方法 | |
CN107247967A (zh) | 一种基于r‑cnn的车窗年检标检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |