CN111091542A - 一种铁路货车转向架弹簧托板折断故障图像识别方法 - Google Patents

一种铁路货车转向架弹簧托板折断故障图像识别方法 Download PDF

Info

Publication number
CN111091542A
CN111091542A CN201911272273.0A CN201911272273A CN111091542A CN 111091542 A CN111091542 A CN 111091542A CN 201911272273 A CN201911272273 A CN 201911272273A CN 111091542 A CN111091542 A CN 111091542A
Authority
CN
China
Prior art keywords
image
convolution
layer
size
supporting plate
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
CN201911272273.0A
Other languages
English (en)
Other versions
CN111091542B (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 CN201911272273.0A priority Critical patent/CN111091542B/zh
Publication of CN111091542A publication Critical patent/CN111091542A/zh
Application granted granted Critical
Publication of CN111091542B publication Critical patent/CN111091542B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

一种铁路货车转向架弹簧托板折断故障图像识别方法，涉及货运列车检测技术领域，针对现有技术中采用的人工逐张看图的检车作业方式检查转向架弹簧托板是否折断时效率低的问题，包括步骤一：获取途径货车的线阵图像；步骤二：对转向架弹簧托板位置进行粗定位，并将其作为样本数据集；步骤三：对样本数据集进行数据扩增和标记，得到标记信息集，并结合原始图像，对图像分割神经网络模型和图像分类神经网络模型进行训练；步骤四：利用训练好的图像分割神经网络模型和图像分类神经网络模型进行故障识别。本发明根据项目内容，对使用的分割网络模型进行修改，在保证效果的前提下，提高了检测效率。

Description

一种铁路货车转向架弹簧托板折断故障图像识别方法
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转向架弹簧托板折断故障图像识别方法。
背景技术
转向架弹簧托板折断是弹簧托板的一种故障形态，弹簧托板把左右侧架连接在一起，提高了转向架的抗菱刚度。同时，左右侧架通过其顶部导框摇动座分别支撑在前后两承载鞍上，成为横向可同步摆动的吊杆。两侧架摆动时，摇枕横向移动，为限制摇枕过大的横向位移，防止摇枕窜出，在弹簧托板上设置了止挡板，通过止挡与摇枕下部三角挡的配合，限制摇枕的最大横向位移，起到安全挡的作用。当转向架弹簧托板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。
所以针对转向架弹簧托板折断故障的自动化检测具有重要意义。通过结合图像处理和深度学习技术，实现故障自动识别和报警，有效提高检车作业质量和效率。
发明内容
本发明的目的是：针对现有技术中采用的人工逐张看图的检车作业方式检查转向架弹簧托板是否折断时效率低的问题，提出一种铁路货车转向架弹簧托板折断故障图像识别方法。
本发明为了解决上述技术问题采取的技术方案是：一种铁路货车转向架弹簧托板折断故障图像识别方法,包括以下步骤：
步骤一：获取途径货车的线阵图像；
步骤二：对转向架弹簧托板位置进行粗定位，并将其作为样本数据集；
步骤三：对样本数据集进行数据扩增和标记，得到标记信息集，并结合原始图像，对图像分割神经网络模型和图像分类神经网络模型进行训练；
步骤四：利用训练好的图像分割神经网络模型和图像分类神经网络模型进行故障识别，所述故障识别的过程为：首先根据车型信息及部件所在区域的先验知识，提取出包含弹簧托板的子区域图像，然后加载对应转向架类型的图像分割网络和图像分类网络，之后利用图像分割网络对子区域图像中的弹簧托板部件进行提取，利用分类模型对像素提取后的弹簧托板图像进行故障判定。
进一步的，所述数据扩增包括旋转、平移、缩放和镜像。
进一步的，所述图像分割神经网络模型包括四个下采样层，四个上采样层和卷积层，
下采样层一：利用32通道的3×3大小的卷积核进行卷积，ReLU激活函数，进行池化，并与上采样层四融合；
下采样层二：利用64通道的3×3大小的卷积核进行卷积，ReLU激活函数，并进行池化并与上采样层三融合；
下采样层三：利用128通道的3×3大小的卷积核进行卷积，ReLU激活函数，并进行池化并与上采样层二融合；
下采样层四：利用256通道的3×3大小的卷积核进行卷积，ReLU激活函数，并进行池化并与上采样层一融合；
卷积层：利用512通道的3×3大小的卷积核进行卷积并利用ReLU激活函数；
上采样层一：利用256通道的3×3大小的卷积核进行反卷积，并利用ReLU激活函数；
上采样层二：利用128通道的3×3大小的卷积核进行反卷积，并利用ReLU激活函数；
上采样层三：利用64通道的3×3大小的卷积核进行反卷积，并利用ReLU激活函数；
上采样层四：利用32通道的3×3大小的卷积核进行反卷积，并利用ReLU激活函数；
输出层：利用二通道的1×1大小的卷积核进行卷积，并利用softmax激活函数，输出原图像每个像素点对应类别的概率值。
进一步的，所述图像分割神经网络模型的损失函数为
Figure BDA0002314523070000021
其中，y表示真实标记的分布，
Figure BDA0002314523070000052
则为预测分布。
进一步的，所述图像分类神经网络模型具体结构如下：
卷积模块1：使用两个64通道的3×3大小的卷积核进行卷积，并进行最大池化；
卷积模块2：使用两个128通道的3×3大小的卷积核进行卷积，并进行最大池化；
卷积模块3：使用三个256通道的3×3大小的卷积核进行卷积，并进行最大池化；
卷积模块4：使用三个512通道的3×3大小的卷积核进行卷积，并进行最大池化；
卷积模块5：使用三个512通道的3×3大小的卷积核进行卷积，并进行平均池化；
全连接层：一个256通道的全连接层；
Dropout层：一个Dropout层；
全连接层：一个256通道的全连接层。
进一步的，所述方法还包括：
步骤五：根据故障信息，将故障位置和故障类别生成报文，并上传至报警平台。
进一步的，所述标记信息集为转向架弹簧托板的掩码图像，所述掩码图像通过人工标记弹簧托板边缘的方式获取。
本发明的有益效果是：
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弹簧托板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、根据项目内容，对使用的分割网络模型进行修改，在保证效果的前提下，提高了检测效率。
4、利用分割网络提取属于弹簧托板的像素图像，在其基础上结合使用VGG-16分类网络对是否为折断故障进行判断。相较于直接利用图像处理或分类模型进行故障判断，先进行部件分割提取有利于部件的定位，有效地减少转向架其他部件、噪声对识别效果的影响，提升检测效果。
附图说明
图1为本发明模型训练流程图。
图2为本发明Unet网络结构图。
图3为本发明修改后的VGG-16模型结构图。
图4为本发明故障判定流程图。
具体实施方式
具体实施方式一：参照图具体说明本实施方式，本实施方式所述的一种铁路货车转向架弹簧托板折断故障图像识别方法，包括以下步骤：
步骤一：获取途径货车的线阵图像；
步骤二：对转向架弹簧托板位置进行粗定位，并将其作为样本数据集；
步骤三：对样本数据集进行数据扩增和标记，得到标记信息集，并结合原始图像，对图像分割神经网络模型和图像分类神经网络模型进行训练；
步骤四：利用训练好的图像分割神经网络模型和图像分类神经网络模型进行故障识别。
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，获取货车两侧的图像。采用线扫描，可实现图像无缝拼接，生成视野大、精度高的二维图像。
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，转向架弹簧托板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。
转向架弹簧托板折断故障的检测主要针对K4、K5型转向架。通过过车信息获得转向架类型，搜集K4、K5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弹簧托板的粗定位图像。标记信息集为转向架弹簧托板的掩码图像，通过人工标记弹簧托板边缘的方式获取。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。
5、模型训练
对样本数据集建立模型，并进行训练，如图1所示。
步骤一：部件像素提取的训练
本发明采用Unet分割网络，对图像中的转向架弹簧托板进行分割。该体系结构为先下采样，经过不同程度的卷积，学习了深层次的特征，在经过上采样回复为原图大小，上采样用反卷积实现。每个下采样层接受一个输入，应用两个3×3的卷积层，然后采用一个 2×2的最大池化。在每个下采样层之后，核或特征映射的数量会加倍，这样体系结构就可以有效地学习复杂的结构。
这种架构的核心在于上采样层部分。与下采样层类似，每层将输入传递到两个3×3卷积层，然后是2×2上采样层。此外，卷积层使用的每层特征图数量的一半，以保持对称性。每次输入也被相应的下采样层的特征图所附加。这将确保在下采样层学习到的特征将被用于重建图像。上采样层的数量与下采样层的数量相同。
本发明根据图像数据特点对Unet网络上做出修改：减少了第一层的卷积通道数，由原始的64通道降为32通道，减少了一层下采样，由原始的1024通道的卷积层改为512通道。修改的依据为识别子区域的图像尺寸小于原始模型中的输入尺寸，故通过减少下采样层和上采样层的数目，在保证分割效果的同时，简化了网络结构，提高运算效率，修改后的网络结构如下，见图2，
下采样层1：使用32通道的3×3大小的卷积核进行卷积，ReLU激活函数，并进行池化；
下采样层2：使用64通道的3×3大小的卷积核进行卷积，ReLU激活函数，并进行池化；
下采样层3：使用128通道的3×3大小的卷积核进行卷积，ReLU激活函数，并进行池化；
下采样层4：使用256通道的3×3大小的卷积核进行卷积，ReLU激活函数，并进行池化；
卷积层：使用512通道的3×3大小的卷积核进行卷积并使用ReLU激活函数；
上采样层1：使用256通道的3×3大小的卷积核进行反卷积，并使用ReLU激活函数；
上采样层2：使用128通道的3×3大小的卷积核进行反卷积，并使用ReLU激活函数；
上采样层3：使用64通道的3×3大小的卷积核进行反卷积，并使用ReLU激活函数；
上采样层4：使用32通道的3×3大小的卷积核进行反卷积，并使用ReLU激活函数；
输出层：使用2通道的1×1大小的卷积核进行卷积，并使用softmax激活函数，输出原图像每个像素点对应类别的概率值。
将通过网络得到的预测图像与真实标签图像进行对比，通过交叉熵损失函数计算损失值：
Figure BDA0002314523070000051
其中，y表示真实标记的分布，
Figure BDA0002314523070000052
则为预测分布。
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。
步骤二：故障判定的训练
在部件定位网络精度训练达到预期要求后，可利用其搜集大量的包含弹簧托板分割后的的子图，作为故障判定网络的训练集。为了充分利用弹簧托板的灰度特征，给分类网络提供更多的信息，本发明没有将弹簧托板掩码图作为分类网络的输入，而是采用了掩码图在原图中对应的原始图像作为输入图像。负样本集由加入之前搜集到的故障样本组成，并通过数据扩增、融合扩充等方法进行数据集扩增。
本发明采用Visual Geometry Group Network(VGG-16)算法，对图像中包含转向架弹簧托板进行故障判定，网络结构如图3所示，包括：
卷积模块1：使用两个64通道的3×3大小的卷积核进行卷积，并进行最大池化；
卷积模块2：使用两个128通道的3×3大小的卷积核进行卷积，并进行最大池化；
卷积模块3：使用三个256通道的3×3大小的卷积核进行卷积，并进行最大池化；
卷积模块4：使用三个512通道的3×3大小的卷积核进行卷积，并进行最大池化；
卷积模块5：使用三个512通道的3×3大小的卷积核进行卷积，并进行平均池化；
全连接层：一个256通道的全连接层；
Dropout层：一个Dropout层；
全连接层：一个256通道的全连接层。
本发明对于VGG-16没有直接泛化地使用其本身的模型参数，而是根据本识别任务的特点对其进行微调复用，舍弃其最后几层的全连接层，将其替换成符合本识别任务的输出层(图3)，主要有以下两点原因：
1)在VGG-16中所能识别的是1000类物体，然而我们只需对包含转向架弹簧托板进行识别，该部件并不在传统的VGG-16训练样本集中，故应对其进行重新训练使其更具有针对性。
2)本发明选择通过VGG-16来提取特征，而不使用其输出层，通过自定义输出层，将原来Softmax层的1000个输出节点改为2个(转向架弹簧故障和转向架弹簧未出现故障两类)，利用卷积神经网络提取出比较通用的特征的同时，明显地节省大量的训练时间，提高训练效率。
利用包含部件的子图集对修改后的VGG-16网络进行训练，直至交叉熵损失逐渐收敛。
6、故障识别
流程图见图4。
步骤一：部件粗定位
根据车型信息及部件所在区域的先验知识，取出包含弹簧托板的子区域图像。
步骤二：加载模型
根据过车信息，加载对应转向架类型的图像分割网络(Unet网络)和分类网络(VGG-16 网络)。
步骤三：定位部件
利用图像分割网络对子区域图像中的弹簧托板部件进行提取。
步骤四：故障判定
利用分类模型对像素提取后的弹簧托板图像进行故障判定。
步骤五：上传报警
根据故障信息，将故障位置和故障类别生成报文，并上传至报警平台。
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 (7)

1.一种铁路货车转向架弹簧托板折断故障图像识别方法,其特征在于包括以下步骤：
步骤一：获取途径货车的线阵图像；
步骤二：对转向架弹簧托板位置进行粗定位，并将其作为样本数据集；
步骤三：对样本数据集进行数据扩增和标记，得到标记信息集，并结合原始图像，对图像分割神经网络模型和图像分类神经网络模型进行训练；
步骤四：利用训练好的图像分割神经网络模型和图像分类神经网络模型进行故障识别，所述故障识别的过程为：首先根据车型信息及部件所在区域的先验知识，提取出包含弹簧托板的子区域图像，然后加载对应转向架类型的图像分割网络和图像分类网络，之后利用图像分割网络对子区域图像中的弹簧托板部件进行提取，利用分类模型对像素提取后的弹簧托板图像进行故障判定。
2.根据权利要求1所述的一种铁路货车转向架弹簧托板折断故障图像识别方法,其特征在于所述数据扩增包括旋转、平移、缩放和镜像。
3.根据权利要求1所述的一种铁路货车转向架弹簧托板折断故障图像识别方法,其特征在于所述图像分割神经网络模型包括四个下采样层，四个上采样层和卷积层，
下采样层一：利用32通道的3×3大小的卷积核进行卷积，ReLU激活函数，进行池化，并与上采样层四融合；
下采样层二：利用64通道的3×3大小的卷积核进行卷积，ReLU激活函数，并进行池化并与上采样层三融合；
下采样层三：利用128通道的3×3大小的卷积核进行卷积，ReLU激活函数，并进行池化并与上采样层二融合；
下采样层四：利用256通道的3×3大小的卷积核进行卷积，ReLU激活函数，并进行池化并与上采样层一融合；
卷积层：利用512通道的3×3大小的卷积核进行卷积并利用ReLU激活函数；
上采样层一：利用256通道的3×3大小的卷积核进行反卷积，并利用ReLU激活函数；
上采样层二：利用128通道的3×3大小的卷积核进行反卷积，并利用ReLU激活函数；
上采样层三：利用64通道的3×3大小的卷积核进行反卷积，并利用ReLU激活函数；
上采样层四：利用32通道的3×3大小的卷积核进行反卷积，并利用ReLU激活函数；
输出层：利用二通道的1×1大小的卷积核进行卷积，并利用softmax激活函数，输出原图像每个像素点对应类别的概率值。
4.根据权利要求3所述的一种铁路货车转向架弹簧托板折断故障图像识别方法,其特征在于所述图像分割神经网络模型的损失函数为
Figure FDA0002314523060000021
其中，y表示真实标记的分布，
Figure FDA0002314523060000022
则为预测分布。
5.根据权利要求3所述的一种铁路货车转向架弹簧托板折断故障图像识别方法,其特征在于所述图像分类神经网络模型具体结构如下：
卷积模块1：使用两个64通道的3×3大小的卷积核进行卷积，并进行最大池化；
卷积模块2：使用两个128通道的3×3大小的卷积核进行卷积，并进行最大池化；
卷积模块3：使用三个256通道的3×3大小的卷积核进行卷积，并进行最大池化；
卷积模块4：使用三个512通道的3×3大小的卷积核进行卷积，并进行最大池化；
卷积模块5：使用三个512通道的3×3大小的卷积核进行卷积，并进行平均池化；
全连接层：一个256通道的全连接层；
Dropout层：一个Dropout层；
全连接层：一个256通道的全连接层。
6.根据权利要求1所述的一种铁路货车转向架弹簧托板折断故障图像识别方法,其特征在于所述方法还包括：
步骤五：根据故障信息，将故障位置和故障类别生成报文，并上传至报警平台。
7.根据权利要求1所述的一种铁路货车转向架弹簧托板折断故障图像识别方法,其特征在于所述标记信息集为转向架弹簧托板的掩码图像，所述掩码图像通过人工标记弹簧托板边缘的方式获取。
CN201911272273.0A 2019-12-12 2019-12-12 一种铁路货车转向架弹簧托板折断故障图像识别方法 Active CN111091542B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911272273.0A CN111091542B (zh) 2019-12-12 2019-12-12 一种铁路货车转向架弹簧托板折断故障图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911272273.0A CN111091542B (zh) 2019-12-12 2019-12-12 一种铁路货车转向架弹簧托板折断故障图像识别方法

Publications (2)

Publication Number Publication Date
CN111091542A true CN111091542A (zh) 2020-05-01
CN111091542B CN111091542B (zh) 2020-11-27

Family

ID=70394932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911272273.0A Active CN111091542B (zh) 2019-12-12 2019-12-12 一种铁路货车转向架弹簧托板折断故障图像识别方法

Country Status (1)

Country Link
CN (1) CN111091542B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832562A (zh) * 2020-07-16 2020-10-27 哈尔滨市科佳通用机电股份有限公司 基于图像处理的弹簧托板故障识别方法
CN111859676A (zh) * 2020-07-23 2020-10-30 西南交通大学 一种针对浮置板轨道钢弹簧损伤的智能检测方法
CN112101182A (zh) * 2020-09-10 2020-12-18 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
CN112102297A (zh) * 2020-09-17 2020-12-18 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
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
CN112489040A (zh) * 2020-12-17 2021-03-12 哈尔滨市科佳通用机电股份有限公司 一种货车副风缸脱落故障识别方法
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
CN113791929A (zh) * 2021-11-17 2021-12-14 北京中科开迪软件有限公司 一种基于图像识别的光盘库故障自动恢复方法及系统
CN114005097A (zh) * 2020-07-28 2022-02-01 株洲中车时代电气股份有限公司 基于图像语义分割的列车运行环境实时检测方法及系统
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101452575A (zh) * 2008-12-12 2009-06-10 北京航空航天大学 一种基于神经网络的图像自适应增强方法
CN102332089A (zh) * 2011-06-23 2012-01-25 北京康拓红外技术股份有限公司 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法
CN105608475A (zh) * 2016-02-15 2016-05-25 西安科技大学 带式输送机关键部件红外监测预警系统
US20190228313A1 (en) * 2018-01-23 2019-07-25 Insurance Services Office, Inc. Computer Vision Systems and Methods for Unsupervised Representation Learning by Sorting Sequences

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101452575A (zh) * 2008-12-12 2009-06-10 北京航空航天大学 一种基于神经网络的图像自适应增强方法
CN102332089A (zh) * 2011-06-23 2012-01-25 北京康拓红外技术股份有限公司 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法
CN105608475A (zh) * 2016-02-15 2016-05-25 西安科技大学 带式输送机关键部件红外监测预警系统
US20190228313A1 (en) * 2018-01-23 2019-07-25 Insurance Services Office, Inc. Computer Vision Systems and Methods for Unsupervised Representation Learning by Sorting Sequences

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘浩: "基于特征压缩激活Unet网络的建筑物提取", 《地球信息科学》 *
张江勇: "基于深度学习的动车关键部位故障图像检测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832562A (zh) * 2020-07-16 2020-10-27 哈尔滨市科佳通用机电股份有限公司 基于图像处理的弹簧托板故障识别方法
CN111832562B (zh) * 2020-07-16 2021-03-16 哈尔滨市科佳通用机电股份有限公司 基于图像处理的弹簧托板故障识别方法
CN111859676A (zh) * 2020-07-23 2020-10-30 西南交通大学 一种针对浮置板轨道钢弹簧损伤的智能检测方法
CN111859676B (zh) * 2020-07-23 2022-11-22 西南交通大学 一种针对浮置板轨道钢弹簧损伤的智能检测方法
CN114005097A (zh) * 2020-07-28 2022-02-01 株洲中车时代电气股份有限公司 基于图像语义分割的列车运行环境实时检测方法及系统
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
CN112101182A (zh) * 2020-09-10 2020-12-18 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
CN112102297A (zh) * 2020-09-17 2020-12-18 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
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
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
CN112489040A (zh) * 2020-12-17 2021-03-12 哈尔滨市科佳通用机电股份有限公司 一种货车副风缸脱落故障识别方法
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
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
CN113791929A (zh) * 2021-11-17 2021-12-14 北京中科开迪软件有限公司 一种基于图像识别的光盘库故障自动恢复方法及系统
CN113791929B (zh) * 2021-11-17 2022-04-08 北京中科开迪软件有限公司 一种基于图像识别的光盘库故障自动恢复方法及系统
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

Also Published As

Publication number Publication date
CN111091542B (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN111091542B (zh) 一种铁路货车转向架弹簧托板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
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
CN112348770B (zh) 一种基于多分辨率卷积网络的桥梁裂缝检测方法
CN111079817B (zh) 一种铁路货车横跨梁故障图像识别方法
CN109886200B (zh) 一种基于生成式对抗网络的无人驾驶车道线检测方法
CN111815605B (zh) 基于分步深度学习的轨枕缺陷检测方法及存储介质
CN111079746B (zh) 铁路货车轴箱弹簧故障图像识别方法
CN111080600A (zh) 一种铁路货车弹簧托板上开口销的故障识别方法
CN111080611A (zh) 一种铁路货车摇枕弹簧折断故障图像识别方法
CN112037219A (zh) 一种基于两阶段卷积神经网络的金属表面缺陷检测方法
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
CN110599469A (zh) 一种动车组关键部位的缺陷检测方法、系统及电子设备
CN111598855B (zh) 一种基于深度学习和迁移学习的2c设备高铁接触网吊弦缺陷检测方法
CN111080621B (zh) 一种铁路货车地板破损故障图像识别方法
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
CN105931246A (zh) 一种基于小波变换和遗传算法的织物瑕疵检测方法
CN111091543A (zh) 铁路货车摇枕弹簧丢失故障目标检测方法
CN115661681B (zh) 一种基于深度学习的滑坡灾害自动识别方法及系统
CN113221839A (zh) 一种货车图像自动识别方法及识别系统
CN115272850A (zh) 一种铁路货车bab型闸调器拉杆头折断故障识别方法
CN117853778A (zh) 一种基于改进的htc铸件dr图像缺陷识别方法
CN111652228B (zh) 铁路货车枕梁孔异物检测方法
CN116188449B (zh) 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备
CN116486129A (zh) 基于深度学习的铁路货车盖板故障识别方法及装置

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
GR01 Patent grant
GR01 Patent grant