CN111091541A - 一种铁路货车横跨梁组装螺母丢失故障识别方法 - Google Patents
一种铁路货车横跨梁组装螺母丢失故障识别方法 Download PDFInfo
- Publication number
- CN111091541A CN111091541A CN201911272264.1A CN201911272264A CN111091541A CN 111091541 A CN111091541 A CN 111091541A CN 201911272264 A CN201911272264 A CN 201911272264A CN 111091541 A CN111091541 A CN 111091541A
- Authority
- CN
- China
- Prior art keywords
- nut
- image
- learning network
- triangular hole
- cross beam
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
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)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种铁路货车横跨梁组装螺母丢失故障识别方法,解决了现有人工检查图像的方式对横跨梁组装螺母丢失故障检测造成漏检、错检的问题，属于铁路货车故障检测领域。本发明包括：构建出三角孔样本集和螺母样本集；两个样本集分别利用基于语义分割的U型深度学习网络进行训练，获得两个样本集对应的基于语义分割的U型深度学习网络最优权重；截取出待检测的横跨梁图像的三角孔及三角孔螺母部位，获取待测子图；将待测子图输入至U型深度学习网络中，获得三角孔二值图像；当三角孔处有螺钉托且螺母二值图像中无开口销，进一步判断螺母二值图像中是否存在螺母，若是，则进行横跨梁组装螺母丢失故障报警，若否，等待下一张待检测的横跨梁图像。
Description
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横跨梁组装螺母丢失故障识别方法，属于铁路货车故障检测领域。
背景技术
铁路货车横跨梁组装螺母丢失故障是一种危及行车安全的故障，在横跨梁组装螺母丢失故障检测中，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，易造成漏检、错检。
发明内容
针对现有采用人工检查图像的方式对横跨梁组装螺母丢失故障检测造成漏检、错检的问题，本发明提供一种铁路货车横跨梁组装螺母丢失故障识别方法。
本发明的一种铁路货车横跨梁组装螺母丢失故障识别方法，所述方法包括如下步骤：
S1、采集铁路货车的横跨梁图像，利用提取框将横跨梁图像中的三角孔和三角孔螺母部位截取出来，分别构建出三角孔样本集和螺母样本集；三角孔样本集包括截取的三角孔处有螺钉托和无螺钉托的样本；
S2、三角孔样本集利用基于语义分割的U型深度学习网络进行训练，获得三角孔样本集对应的基于语义分割的U型深度学习网络最优权重；
所述基于语义分割的U型深度学习网络为：在基于语义分割框架里，解码过程中的前两层使用编码过程中池化的索引进行上采样，解码过程中最后一层采用索引和U型深度学习网络的方法，跳跃连接，并在最后一层之后依次加一个1*1的卷积和一个1*1的卷积加柔性最大值的2通道输出，将图像进行二分类；
S3、螺母样本集利用U型深度学习网络进行训练，获得螺母样本集对应的U型深度学习网络最优权重；
S4、利用提取框截取出待检测的横跨梁图像的三角孔及三角孔螺母部位，获取待测子图；
S5、将待测子图输入至U型深度学习网络中，使用三角孔样本集对应的U型深度学习网络最优权重对待测子图进行分割，获得三角孔二值图像；
S6、根据三角孔二值图像判断三角孔处是否有螺钉托，若有，则使用螺母样本集对应的U型深度学习网络最优权重对待测子图进行分割，获得螺母二值图像，转入S7，若否，等待下一张待检测的横跨梁图像，转入S4；
S7、根据螺母二值图像判断是否存在开口销，若否，转入S8，若是，等待下一张待检测的横跨梁图像，转入S4；
S8、判断螺母二值图像中是否存在螺母，若否，则进行横跨梁组装螺母丢失故障报警，若是，等待下一张待检测的横跨梁图像，转入S4。
作为优选，所述S3中的U型深度学习网络共计14层，图像通道从32通道到512通道。
作为优选，S3进一步包括：
螺母样本在相应权重下输入至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，所述采集的横跨梁图像包括在雨水、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螺母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。
作为优选，所述S1还包括采用图像平移、缩放及亮度调整扩增三角孔样本集和螺母样本集。
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。本发明采用先分类再分割的流程，通过分类算法过滤没有螺钉托的图像，增加了故障识别的准确度。本发明选择基于语义分割的U型深度学习网络进行分类，相比vgg网络的分类，改进的用于分割的基于语义分割的U型深度学习网络络，更加注重图像的边缘信息，更加准确的对三角孔的角进行分类。
附图说明
图1为本发明具体实施方式的流程示意图；
图2为基于语音分割的U型深度学习网络的原理示意图；
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故障识别方法，分别在货车轨道周围搭建高清成像设备，货车通过设备后，获取高清图像。采用深度学习网络，对图像中的横跨梁组装螺母部件的轮廓进行精准分割。使用高级图像处理算法和模式识别方法对分割区域进行故障分析，判断其是否发生丢失。对发生丢失的横跨梁组装螺母部件进行上传报警，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。具体流程如图1所示，包括如下步骤：
S1、采集铁路货车的横跨梁图像，利用提取框将横跨梁图像中的三角孔和三角孔螺母部位截取出来，分别构建出三角孔样本集和螺母样本集；三角孔样本集包括截取的三角孔处有螺钉托和无螺钉托的样本；
本实施方式采集的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，横跨梁组装螺母图像之间千差万别。所以，在收集横跨梁组装螺母图像数据的过程中，要保证多样性，尽量将各种条件下的横跨梁组装螺母图像全部收集。
在不同类型的转向架中，横跨梁组装螺母部件的形态会不同。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横跨梁组装螺母收集较为困难。因此，将全部类型的横跨梁组装螺母部件统称为一类，全部按照一类来建立样本数据集。
样本集主要分类两部分，一是用来分类的三角孔部位，二是用来分割判别故障的三角孔螺母部位。三角孔用于分类的截图，均为灰度图，将灰度图分为有螺钉托和无螺钉托两个部分。三角孔螺母部位截图包括：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。标记图像集为横跨梁组装螺母部件的分割图像，此部分图像为灰度图像，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，仍需要对样本集进行数据扩增。扩增形式包括图像的平移、缩放、亮度调整等操作，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。
S2、三角孔样本集利用基于语义分割的U型深度学习网络进行训练，获得三角孔样本集对应的基于语义分割的U型深度学习网络最优权重；
如图2所示，基于语义分割的U型深度学习网络包括卷积(conv)、池化(MaxPooling)和激活函数(ReLU)，激活函数在卷积层和池化之间进行，图2中conv卷积计算的参数中包括激活函数ReLU，BN(Batch Normalization)表示批量归一化。基于语义分割的U型深度学习网络能更加巧妙的利用图像的边缘信息，本实施方式的基于语义分割的U型深度学习网络为：在基于语义分割框架里，解码过程中的前两层使用编码过程中池化的索引进行上采样(UpSampling)，解码过程中最后一层采用索引和U型深度学习网络的方法，跳跃连接，并在最后一层之后依次加一个1*1的卷积和一个1*1的卷积加柔性最大值的2通道输出，将图像进行二分类；本实施方式的跳跃连接是相对于U型网络标准对称的方式，最后一层会跳跃连接，图2中左边有11个步骤，右边只有8个。通过基于语义分割的U型深度学习网络分割网络，三角孔角位置的边缘信息能得到更好的利用，对有螺钉托和无螺钉托的分类能更加的精准。
S3、螺母样本集利用U型深度学习网络进行训练，获得螺母样本集对应的U型深度学习网络最优权重；
S4、利用提取框截取出待检测的横跨梁图像的三角孔及三角孔螺母部位，获取待测子图；
S5、将待测子图输入至U型深度学习网络中，使用三角孔样本集对应的U型深度学习网络最优权重对待测子图进行分割，获得三角孔二值图像；
S6、根据三角孔二值图像判断三角孔处是否有螺钉托，若有，则使用螺母样本集对应的U型深度学习网络最优权重对待测子图进行分割，获得螺母二值图像，转入S7，若否，等待下一张待检测的横跨梁图像，转入S4；
S7、根据螺母二值图像判断是否存在开口销，若否，转入S8，若是，等待下一张待检测的横跨梁图像，转入S4；
S8、判断螺母二值图像中是否存在螺母，若否，则进行横跨梁组装螺母丢失故障报警，若是，等待下一张待检测的横跨梁图像，转入S4。
本实施方式的S6至S8是横跨梁组装螺母丢失故障判别，具体为：从横跨梁图像中，按照经验截图比例，截取三角孔右(左)上角图像，使用基于语义分割的U型深度学习网络进行二分类，将图像分为有螺钉托和无螺钉托两类图像，对其中有螺钉托的图像位置，继续截取螺母区域图像，通过U型深度学习网络进行数据变换后，使用训练好的权重系数，预测出螺母区域，得到预测后的灰度图像，灰度图像中分3个区域，背景、螺母、开口销。正常开口销明显可见，螺母一定存在，开口销不明显可见时，进一步判断螺母的状态。利用明显可见的开口销的轮廓信息作为参照，在对螺母是否存在进行判断时，提高了故障识别的准确度。对截取出来的三角孔，采用图像处理的方式，对三角孔中的像素分布进行统计，根据[0,255]中间的像素值分布特征，选择自适应的阈值，对三角孔进行阈值分割，图像整体像素值低于某个阈值时，判断此三角孔为无横跨梁组装螺母，判断为故障。本实施方式对截取的三角孔图像进行累计像素值计算，通过阈值分割分方式，降低误报的发生。
本实施方式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。本发明采用先分类再分割的流程，通过分类算法过滤没有螺钉托的图像，增加了故障识别的准确度。
优选实施例中，本实施方式的S3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。
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 Rectified LinearUnit，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)：
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，U型深度学习网络步骤如下：
第1步：使用32通道的3×3大小的卷积核进行卷积，后接ReLU激活函数，并进行池化；
第2步：使用64通道的3×3大小的卷积核进行卷积，后接ReLU激活函数，并进行池化；
第3步：使用128通道的3×3大小的卷积核进行卷积，后接ReLU激活函数，并进行池化；
第4步：通过Dropout，防止过拟合；
第5步：上卷积，使用256通道的3×3大小的卷积核进行卷积，后接ReLU激活函数；
第6步：通过Dropout，防止过拟合；
第7步：上卷积，使用512通道的3×3大小的卷积核进行卷积，后接ReLU激活函数；
第8步：通过Dropout，防止过拟合；
第9步：上卷积，使用256通道的3×3大小的卷积核进行卷积，后接ReLU激活函数；
第10步：上卷积，使用128通道的3×3大小的卷积核进行卷积，后接ReLU激活函数；
第11步：通过Dropout，防止过拟合；
第12步：上卷积，使用64通道的3×3大小的卷积核进行卷积，后接ReLU激活函数；
第13步：上卷积，使用32通道的3×3大小的卷积核进行卷积，后接ReLU激活函数；
第14步：使用3通道的1×1大小的卷积核进行卷积，后接ReLU激活函数；
本实施方式选择的U型深度学习网络共计14层，图像通道从32通道到512通道，相比传统的unnet网络，减少了网络的层数，针对横跨梁组装螺母丢失故障的识别，保证了识别的准确度，同时提高了故障识别的时效性。
优选实施例中，本实施方式的S3包括：
螺母样本在初始权重下输入至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，交叉熵损失函数(categorical_crossentropy)，即公式(2)：
其中，L表示损失值，y表示真实标记的分布，
则为预测分布。
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。Adam优化器具有高效、占用内存小、适合大规模数据等优点。
如下公式(3)所示：
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。
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。
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)
1.一种铁路货车横跨梁组装螺母丢失故障识别方法，其特征在于，所述方法包括如下步骤：
S1、采集铁路货车的横跨梁图像，利用提取框将横跨梁图像中的三角孔和三角孔螺母部位截取出来，分别构建出三角孔样本集和螺母样本集；三角孔样本集包括截取的三角孔处有螺钉托和无螺钉托的样本；
S2、三角孔样本集利用基于语义分割的U型深度学习网络进行训练，获得三角孔样本集对应的基于语义分割的U型深度学习网络最优权重；
所述基于语义分割的U型深度学习网络为：在基于语义分割框架里，解码过程中的前两层使用编码过程中池化的索引进行上采样，解码过程中最后一层采用索引和U型深度学习网络的方法，跳跃连接，并在最后一层之后依次加一个1*1的卷积和一个1*1的卷积加柔性最大值的2通道输出，将图像进行二分类；
S3、螺母样本集利用U型深度学习网络进行训练，获得螺母样本集对应的U型深度学习网络最优权重；
S4、利用提取框截取出待检测的横跨梁图像的三角孔及三角孔螺母部位，获取待测子图；
S5、将待测子图输入至U型深度学习网络中，使用三角孔样本集对应的U型深度学习网络最优权重对待测子图进行分割，获得三角孔二值图像；
S6、根据三角孔二值图像判断三角孔处是否有螺钉托，若有，则使用螺母样本集对应的U型深度学习网络最优权重对待测子图进行分割，获得螺母二值图像，转入S7，若否，等待下一张待检测的横跨梁图像，转入S4；
S7、根据螺母二值图像判断是否存在开口销，若否，转入S8，若是，等待下一张待检测的横跨梁图像，转入S4；
S8、判断螺母二值图像中是否存在螺母，若否，则进行横跨梁组装螺母丢失故障报警，若是，等待下一张待检测的横跨梁图像，转入S4。
2.根据权利要求1所述的故障识别方法，其特征在于，所述S3中的U型深度学习网络共计14层，图像通道从32通道到512通道。
3.根据权利要求1所述的故障识别方法，其特征在于，S3进一步包括：
螺母样本在相应权重下输入至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，所述采集的横跨梁图像包括在雨水、泥渍、油渍、黑漆的条件下获得的图像。
5.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螺母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。
6.根据权利要求2所述的故障识别方法，其特征在于，所述S1还包括采用图像平移、缩放及亮度调整扩增三角孔样本集和螺母样本集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911272264.1A CN111091541B (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车横跨梁组装螺母丢失故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911272264.1A CN111091541B (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车横跨梁组装螺母丢失故障识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111091541A true CN111091541A (zh) | 2020-05-01 |
| CN111091541B CN111091541B (zh) | 2020-08-21 |
Family
ID=70394916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911272264.1A Active CN111091541B (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车横跨梁组装螺母丢失故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091541B (zh) |
Cited By (7)
| 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 |
| CN112102293A (zh) * | 2020-09-16 | 2020-12-18 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车三角孔异物快速检测方法 |
| CN112132821A (zh) * | 2020-09-30 | 2020-12-25 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的开口销丢失检测方法 |
| CN112365481A (zh) * | 2020-11-13 | 2021-02-12 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的横跨梁组装螺栓丢失检测方法 |
| CN112508013A (zh) * | 2020-12-02 | 2021-03-16 | 哈尔滨市科佳通用机电股份有限公司 | 一种锁扣丢失故障检测方法、系统及装置 |
| CN112733742A (zh) * | 2021-01-14 | 2021-04-30 | 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圆销故障检测方法 |
| 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 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295027A (zh) * | 2013-05-17 | 2013-09-11 | 北京康拓红外技术股份有限公司 | 一种基于支持向量机的铁路货车挡键丢失故障识别方法 |
| 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 |
| US20170132761A1 (en) * | 2015-11-06 | 2017-05-11 | Adobe Systems Incorporated | Dehazing photos and videos using visual artifact suppression |
| CN108827982A (zh) * | 2018-06-27 | 2018-11-16 | 重庆大学 | 基于深度学习的跨座式单轨轨道梁指型板缺陷检测方法及系统 |
| CN109166130A (zh) * | 2018-08-06 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种图像处理方法及图像处理装置 |
| CN109300114A (zh) * | 2018-08-30 | 2019-02-01 | 西南交通大学 | 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法 |
| CN109447979A (zh) * | 2018-11-09 | 2019-03-08 | 哈尔滨工业大学 | 基于深度学习和图像处理算法的目标检测方法 |
| CN109685807A (zh) * | 2018-11-16 | 2019-04-26 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于深度学习的下肢深静脉血栓自动分割方法及系统 |
| CN109977817A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 基于深度学习的动车组车底板螺栓故障检测方法 |
| CN110211137A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 基于残差网络和U-Net分割网络的卫星图像分割方法 |
-
2019
- 2019-12-12 CN CN201911272264.1A patent/CN111091541B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103295027A (zh) * | 2013-05-17 | 2013-09-11 | 北京康拓红外技术股份有限公司 | 一种基于支持向量机的铁路货车挡键丢失故障识别方法 |
| US20170132761A1 (en) * | 2015-11-06 | 2017-05-11 | Adobe Systems Incorporated | Dehazing photos and videos using visual artifact suppression |
| 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 |
| CN108827982A (zh) * | 2018-06-27 | 2018-11-16 | 重庆大学 | 基于深度学习的跨座式单轨轨道梁指型板缺陷检测方法及系统 |
| CN109166130A (zh) * | 2018-08-06 | 2019-01-08 | 北京市商汤科技开发有限公司 | 一种图像处理方法及图像处理装置 |
| CN109300114A (zh) * | 2018-08-30 | 2019-02-01 | 西南交通大学 | 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法 |
| CN109447979A (zh) * | 2018-11-09 | 2019-03-08 | 哈尔滨工业大学 | 基于深度学习和图像处理算法的目标检测方法 |
| CN109685807A (zh) * | 2018-11-16 | 2019-04-26 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于深度学习的下肢深静脉血栓自动分割方法及系统 |
| CN109977817A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 基于深度学习的动车组车底板螺栓故障检测方法 |
| CN110211137A (zh) * | 2019-06-08 | 2019-09-06 | 西安电子科技大学 | 基于残差网络和U-Net分割网络的卫星图像分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| JUNWEN CHEN ETC.: "Automatic defect detection of fasteners on the catenary support device using deep convolutional neural network", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
| 王子昊: "销钉缺陷检测器", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (11)
| 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 |
| CN112102293A (zh) * | 2020-09-16 | 2020-12-18 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车三角孔异物快速检测方法 |
| CN112132821A (zh) * | 2020-09-30 | 2020-12-25 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的开口销丢失检测方法 |
| CN112365481A (zh) * | 2020-11-13 | 2021-02-12 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的横跨梁组装螺栓丢失检测方法 |
| CN112365481B (zh) * | 2020-11-13 | 2021-06-18 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的横跨梁组装螺栓丢失检测方法 |
| CN112508013A (zh) * | 2020-12-02 | 2021-03-16 | 哈尔滨市科佳通用机电股份有限公司 | 一种锁扣丢失故障检测方法、系统及装置 |
| CN112508013B (zh) * | 2020-12-02 | 2021-07-16 | 哈尔滨市科佳通用机电股份有限公司 | 一种锁扣丢失故障检测方法、系统及装置 |
| CN112733742A (zh) * | 2021-01-14 | 2021-04-30 | 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圆销故障检测方法 |
| CN112733742B (zh) * | 2021-01-14 | 2022-02-01 | 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圆销故障检测方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111091541B (zh) | 2020-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091541B (zh) | 一种铁路货车横跨梁组装螺母丢失故障识别方法 | |
| CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
| CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
| CN111080620A (zh) | 一种基于深度学习的道路病害检测方法 | |
| 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 | |
| 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 | |
| CN111080600A (zh) | 一种铁路货车弹簧托板上开口销的故障识别方法 | |
| CN111652295B (zh) | 一种铁路货车钩尾销托梁脱落故障识别方法 | |
| Khalifa et al. | Malaysian Vehicle License Plate Recognition. | |
| CN111079821A (zh) | 一种脱轨自动制动拉环脱落故障图像识别方法 | |
| CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
| CN111080621B (zh) | 一种铁路货车地板破损故障图像识别方法 | |
| 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 | |
| KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
| CN111091551A (zh) | 一种铁路货车制动梁支柱开口销丢失故障检测方法 | |
| CN111080651B (zh) | 基于水流分割的石油钻井污染气体自动监测方法 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN111091554B (zh) | 铁路货车摇枕断裂故障图像识别方法 | |
| CN117670855A (zh) | 基于RoadU-Net的沥青路面病害智能识别及分类方法 | |
| CN112418334B (zh) | 一种铁路动车裙板格栅变形故障识别方法 | |
| CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
| CN111652228B (zh) | 铁路货车枕梁孔异物检测方法 | |
| CN113221991A (zh) | 一种利用深度学习重新标注数据集的方法 | |
| CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
| CN112613354A (zh) | 一种基于稀疏降噪自编码器的异质遥感图像变化检测方法 |
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 |