CN111091546B - 铁路货车钩尾框折断故障识别方法 - Google Patents

铁路货车钩尾框折断故障识别方法 Download PDF

Info

Publication number
CN111091546B
CN111091546B CN201911272520.7A CN201911272520A CN111091546B CN 111091546 B CN111091546 B CN 111091546B CN 201911272520 A CN201911272520 A CN 201911272520A CN 111091546 B CN111091546 B CN 111091546B
Authority
CN
China
Prior art keywords
layer
fault
coupler yoke
data set
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.)
Active
Application number
CN201911272520.7A
Other languages
English (en)
Other versions
CN111091546A (zh
Inventor
汤岩
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 CN201911272520.7A priority Critical patent/CN111091546B/zh
Publication of CN111091546A publication Critical patent/CN111091546A/zh
Application granted granted Critical
Publication of CN111091546B publication Critical patent/CN111091546B/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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

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

Abstract

铁路货车钩尾框折断故障识别方法，本发明涉及铁路货车故障识别方法。本发明的目的是为了解决现有铁路货车钩尾框折断故障识别准确率低的问题。过程为：一、采集铁路货车钩尾框正常图像与故障图像，作为铁路货车钩尾框图像数据集；二、对铁路货车钩尾框图像数据集进行扩增；三、对铁路货车钩尾框图像数据集样本进行标记；四、得到训练好的HyperNet模型；五、对训练好的模型加入报警报文生成算法，算法完成后，生成故障识别模块，将故障识别模块安装在基站，当有货车通过基站的时候，相机采集图像，调用故障识别模块对钩尾框折断故障进行判别。本发明用于故障识别领域。

Description

铁路货车钩尾框折断故障识别方法
技术领域
本发明涉及铁路货车故障识别方法。
背景技术
钩尾框属于货车的车钩部分，起到连接两节货车的作用，由于货车载重量大对钩尾框损耗较重，容易使钩尾框发生折断故障。当发生折断故障而没有及时发现则会危及行车安全，造成严重后果。在传统的钩尾框折断故障检测中，采用人工观察图像的方式进行故障检测，作业量大，不断地重复作业，对于肉眼检测很容易造成视觉疲劳，影响工作人员的视力，并造成漏检的出现，影响行车安全。
传统的图像处理方法，对这种室外条件干扰多、图像灰度变化大、目标形态多变的故障很难有效的识别。
发明内容
本发明的目的是为了解决现有铁路货车钩尾框折断故障识别准确率低的问题，而提出铁路货车钩尾框折断故障识别方法。
铁路货车钩尾框折断故障识别方法具体过程为：
步骤一、采集铁路货车钩尾框正常图像与故障图像，作为铁路货车钩尾框图像数据集；
步骤二、对铁路货车钩尾框图像数据集进行扩增；
步骤三、对铁路货车钩尾框图像数据集样本进行标记；
步骤四、基于步骤三得到的标记后的铁路货车钩尾框图像数据集样本训练HyperNet模型，得到训练好的HyperNet模型；
步骤五、对训练好的HyperNet模型加入报警报文生成算法，算法完成后，生成故障识别模块，将故障识别模块安装在基站，当有货车通过基站的时候，相机采集图像，调用故障识别模块对钩尾框折断故障进行判别；
若识别为钩尾框折断故障，则输出故障信息至平台，供人工确认及处理；
若识别无钩尾框折断故障，则无需报警，继续等待下一趟货车的到来。
本发明的有益效果为：
本发明将深度学习应用到货车钩尾框折断故障，将大量减少人工工作量，加快识别速度，人工只需对自动识别报警进行确认。
在固定的探测站点搭建高速成像系统，当货车通过站点，硬件获得信号，图像采集设备工作，获取完整的货车底部图像。通过硬件以及先验知识，钩尾框在车底部图像中间部位，在原始图像中截取包含钩尾框的较小区域。使用该区域图像训练深度学习检测模型，将训练好的模型上传到线上站点。
当线上有货车经过时，使用该训练好的模型对图像进行识别，判断钩尾框部位是否发生折断。对发生钩尾框折断故障的位置上传报警，工作人员根据识别结果进行相应的处理，保证货车安全运行。
本发明将深度学习应用到故障检测，代替传统人眼识别故障，作业更加高效，并节省成本。
对于钩尾框折断故障，使用传统图像处理方法，难度高、效果差，而使用深度学习算法进行故障识别，可以有效地解决外界干扰、图像灰度差距以及目标形态多变的问题，可以更快捷高效的完成研发，并减轻后续维护工作，提高铁路货车钩尾框折断故障识别准确率。
实际故障图像样本较少，使用photoshop来进行故障图像大量模拟，训练模型使模型有更高的检测精度。
本发明针对钩尾框折断产生裂纹的故障，使用HyperNet进行识别，小目标效果更好，加速以后满足精度与速度的要求。
附图说明
图1为Hyper特征提取网络模型图，Conv3为卷积核为3的卷基层，Maxpool为池化操作，Deconv为反卷积，Featuremaps为最终获取的特征图；
图2a为原始网络流程图，Ferturemap为输入特征图，RPN为生成候选框网络；
图2b为加速示意图，Conv3*3*4为卷积核，ROIPooling为固定输出大小的池化；
图3为整体实现流程图；
图4为铁路货车钩尾框图。
具体实施方式
具体实施方式一：本实施方式铁路货车钩尾框折断故障识别方法具体过程为：
步骤一、采集铁路货车钩尾框正常图像与故障图像，作为铁路货车钩尾框图像数据集；
采集不同站点线上过车图像，收集正常图像与故障图像，原始图像数据集越大越好，其中图像会有各种灰度，各种污渍等。深度学习需要大量的数据集来获得好的模型。
步骤二、对铁路货车钩尾框图像数据集进行扩增；
步骤三、对铁路货车钩尾框图像数据集样本进行标记；
步骤四、基于步骤三得到的标记后的铁路货车钩尾框图像数据集样本训练HyperNet模型，得到训练好的HyperNet模型；
步骤五、对训练好的HyperNet模型加入报警报文生成算法，算法完成后，生成故障识别模块，将故障识别模块安装在基站，当有货车通过基站的时候，相机采集图像，故障识别模块对钩尾框折断故障进行判别；
若识别为钩尾框折断故障，则输出故障信息至平台，供人工确认及处理；
若识别无钩尾框折断故障，则无需报警，继续等待下一趟货车的到来。整体实现流程图如图3所示。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤二中对铁路货车钩尾框图像数据集进行扩增；过程为：
根据车体结构先验知识，截取钩尾框托板所在子图；
由于真实故障有限，所以要对子图中钩尾框托板故障图像样本进行增强来增加样本；过程为：
根据实际的钩尾框托板故障形态，使用Photoshop模拟新的故障，改变原始故障的大小、位置、形态、灰度等，得到扩增后的钩尾框托板故障图像；模拟的故障数量越多对后续未见过的故障识别效果越好。
然后对所有铁路货车钩尾框图像进行整体扩增，过程为：
对Photoshop好的钩尾框托板故障图像以及步骤一得到的铁路货车钩尾框图像数据集进行翻转、偏移等操作增加数据集。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤三中对铁路货车钩尾框图像数据集样本进行标记；
使用标签对样本进行标记，最初标记两类，一类为折断故障，另一类为钩尾框所在区域；
由于车速或者车型的影响，截取子图会有偏差，所以再次定位钩尾框可以去除外部的部分误报警。
后续测试发现有其他干扰误报警，根据误报警原因分类，标注为其他的种类。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤四中基于步骤三得到的标记后的铁路货车钩尾框图像数据集样本训练HyperNet模型，得到训练好的HyperNet模型；具体过程为：
因为折断故障大小不确定，且大的折断故障通常由小的折断故障引发的，所以即使发现小故障是很有必要的，即模型要对小目标检测效果好。本发明使用HyperNet模型来进行故障检测，其增强了小目标的特征，对于本故障识别效果较好；
HyperNet模型结构包括：
特征获取网络模型、生成候选框网络RPN层、固定输出大小的池化ROIPooling层及输出；
将标记后的铁路货车钩尾框图像数据集样本输入到HyperNet模型进行训练，若达到训练精度，得到训练好的HyperNet模型；若未达到训练精度，继续将标记后的铁路货车钩尾框图像数据集样本输入到HyperNet模型进行训练，直至达到训练精度，得到训练好的HyperNet模型；
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述特征获取网络模型具体为：
选取VGG16作为基层网络进行特征图的获取，包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、池化层、反卷积层；
第一卷积层conv1包含两个卷积核为3*3的卷积层，后接池化层；
第二卷积层conv2包含两个卷积核为3*3的卷积层，后接池化层；
第三卷积层conv3包含三个卷积核为3*3的卷积层，后接池化层；
第四卷积层conv4包含三个卷积核为3*3的卷积层，后接池化层；
第五卷积层conv5包含三个卷积核为3*3的卷积层，后接反卷积层；
第一卷基层经池化层传输到第二卷积层经池化层传输到第三卷积层经池化层传输到第四卷积层经池化层传输到第五卷积层经反卷积层；
第一卷基层经池化层、第三卷积层不变、第五卷积层经反卷积层、这样他们变成相同大小直接连接起来就是一个新的特征图；
将conv1、conv3、conv5三层卷积层，跳层连接在一起，形成一个Featuremaps，如图1所示。将conv1池化到conv3层相同大小，将conv5层上采样至conv3层相同大小，使用跳层连接方式，得到高低层混合特征，选取1、3、5的组合方式能得到最少参数量的最优特征图，最后通过LRN(局部归一化)进行标准化，即得到Hyper特征图，如果不做标准化，特征图将会互相影响，影响识别效果。因为特征图包含更底层信息，所以对小目标检测效果更好。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述生成候选框网络RPN层具体为：
输入为Hyper特征图，经过3*3*4的卷积核后再接一个固定输出大小的池化ROIPooling层将输入Hyper特征图统一成13*13的大小，这样可以减少候选框的个数，将此特征图输入到RPN中；
首先根据设置的比例与尺度，获得全部候选框；
将候选框与步骤三标记得到的目标框GT计算重叠比例IOU(候选框与真值框交集除以候选框与真值框并集)，将其中超过图像边界的候选框筛除，选取IOU大于0.7的为正样本即为目标，与每一个GT的IOU最大的也为正样本，IOU小于0.3的为负样本即为背景，IOU在0.3-0.7之间的筛除；
在正样本中选取128个候选框，负样本中选取128个候选框进行RPN层训练，其中正样本参与分类与目标框回归，负样本只参与分类不计算目标框；最后生成一系列的候选框。
在获得更强壮的特征图的时候，虽然特征图具有更好的特征，但是也加大了计算量，降低了速度。在获取的特征图后接一个3*3*4的卷积，大大减少参数量加快模型速度，并在此后加一个ROIPooling层，使得特征图大小固定为13*13减少了特征图的大小，也是减少了候选框的个数，固定了大小后续可以直接做全连接层，进一步加速网络。如图2a、2b所示。
此模型检测的70％时间主要在RPG模块，提前进行3*3*4卷积，来降低维数126->4，再进行ROIPooling，同时滑动窗分类器更加简单Conv-FC变为FC，可以提升40％的速度。如图2a所示，图像为原始网络流程，如图2b所示为加速方法。
此模型速度与精度都满足上线的要求。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述固定输出大小的池化ROIPooling层及输出具体为：
将得到的候选框中的特征图后接一个固定输出大小的池化ROIPooling层，将候选框中的特征图统一到相同大小(一共做了两次，第一次是为了提速，将整个特征图变小，后面是根据候选框，在原始的特征图上截取子图后接一个roipooling，将子图变相同大小)，传输给全连接层，最后全连接层将候选框区分成不同的目标，并得到更加精准的位置。
其它步骤及参数与具体实施方式一至六之一相同。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (4)

1.铁路货车钩尾框折断故障识别方法，其特征在于：所述方法具体过程为：
步骤一、采集铁路货车钩尾框正常图像与故障图像，作为铁路货车钩尾框图像数据集；
步骤二、对铁路货车钩尾框图像数据集进行扩增；
步骤三、对铁路货车钩尾框图像数据集样本进行标记；
步骤四、基于步骤三得到的标记后的铁路货车钩尾框图像数据集样本训练HyperNet模型，得到训练好的HyperNet模型；
HyperNet模型结构包括：
特征获取网络模型、生成候选框网络RPN层、固定输出大小的池化ROIPooling层及输出；
所述特征获取网络模型具体为：
选取VGG16作为基层网络进行特征图的获取，包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、池化层、反卷积层；
第一卷积层conv1包含两个卷积核为3*3的卷积层，后接池化层；
第二卷积层conv2包含两个卷积核为3*3的卷积层，后接池化层；
第三卷积层conv3包含三个卷积核为3*3的卷积层，后接池化层；
第四卷积层conv4包含三个卷积核为3*3的卷积层，后接池化层；
第五卷积层conv5包含三个卷积核为3*3的卷积层，后接反卷积层；
将conv1、conv3、conv5三层卷积层，跳层连接在一起，形成一个Feature maps，最后通过LRN进行标准化，即得到Hyper特征图；
所述LRN为局部归一化，Feature maps为输入特征图；
所述生成候选框网络RPN层具体为：
输入为Hyper特征图，经过3*3*4的卷积核后再接一个固定输出大小的池化ROIPooling层将输入Hyper特征图统一成13*13的大小，将此特征图输入到RPN中；
首先根据设置的比例与尺度，获得全部候选框；
将候选框与步骤三标记得到的目标框GT计算重叠比例IOU，将其中超过图像边界的候选框筛除，选取IOU大于0.7的为正样本即为目标，与每一个GT的IOU最大的也为正样本，IOU小于0.3的为负样本即为背景，IOU在0.3-0.7之间的筛除；
在正样本中选取128个候选框，负样本中选取128个候选框进行RPN层训练，其中正样本参与分类与目标框回归，负样本只参与分类不计算目标框；最后生成一系列的候选框；
所述固定输出大小的池化ROIPooling层及输出具体为：
将得到的候选框中的特征图后接一个固定输出大小的池化ROIPooling层，将候选框中的特征图统一到相同大小，传输给全连接层，最后全连接层将候选框区分成不同的目标；
步骤五、对训练好的HyperNet模型加入报警报文生成算法，算法完成后，生成故障识别模块，将故障识别模块安装在基站，当有货车通过基站的时候，相机采集图像，调用故障识别模块对钩尾框折断故障进行判别；
若识别为钩尾框折断故障，则输出故障信息至平台，供人工确认及处理；
若识别无钩尾框折断故障，则无需报警，继续等待下一趟货车的到来。
2.根据权利要求1所述铁路货车钩尾框折断故障识别方法，其特征在于：所述步骤二中对铁路货车钩尾框图像数据集进行扩增；过程为：
根据车体结构先验知识，截取钩尾框托板所在子图；
对子图中钩尾框托板故障图像样本进行增强来增加样本；过程为：
根据钩尾框托板故障形态，使用Photoshop改变原始故障的大小、位置、形态、灰度，得到扩增后的钩尾框托板故障图像；
然后对所有铁路货车钩尾框图像进行整体扩增，过程为：
对Photoshop好的钩尾框托板故障图像以及步骤一得到的铁路货车钩尾框图像数据集进行翻转、偏移操作增加数据集。
3.根据权利要求1或2所述铁路货车钩尾框折断故障识别方法，其特征在于：所述步骤三中对铁路货车钩尾框图像数据集样本进行标记；
使用标签对样本进行标记，最初标记两类，一类为折断故障，另一类为钩尾框所在区域。
4.根据权利要求3所述铁路货车钩尾框折断故障识别方法，其特征在于：所述步骤四中基于步骤三得到的标记后的铁路货车钩尾框图像数据集样本训练HyperNet模型，得到训练好的HyperNet模型；具体过程为：
将标记后的铁路货车钩尾框图像数据集样本输入到HyperNet模型进行训练，若达到训练精度，得到训练好的HyperNet模型；若未达到训练精度，继续将标记后的铁路货车钩尾框图像数据集样本输入到HyperNet模型进行训练，直至达到训练精度，得到训练好的HyperNet模型。
CN201911272520.7A 2019-12-12 2019-12-12 铁路货车钩尾框折断故障识别方法 Active CN111091546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911272520.7A CN111091546B (zh) 2019-12-12 2019-12-12 铁路货车钩尾框折断故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911272520.7A CN111091546B (zh) 2019-12-12 2019-12-12 铁路货车钩尾框折断故障识别方法

Publications (2)

Publication Number Publication Date
CN111091546A CN111091546A (zh) 2020-05-01
CN111091546B true CN111091546B (zh) 2020-10-30

Family

ID=70394892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911272520.7A Active CN111091546B (zh) 2019-12-12 2019-12-12 铁路货车钩尾框折断故障识别方法

Country Status (1)

Country Link
CN (1) CN111091546B (zh)

Families Citing this family (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
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
CN112232215B (zh) * 2020-10-16 2021-04-06 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检测方法
CN112329783B (zh) * 2020-11-06 2021-08-06 哈尔滨市科佳通用机电股份有限公司 基于图像处理的钩尾框折断识别方法
CN112347952B (zh) * 2020-11-11 2021-05-11 哈尔滨市科佳通用机电股份有限公司 铁路货车钩尾框托板脱落识别方法
CN112488039B (zh) * 2020-12-15 2021-08-06 哈尔滨市科佳通用机电股份有限公司 基于机器学习的铁路货车钩尾框托板脱落故障检测方法
WO2022222519A1 (zh) * 2021-04-20 2022-10-27 华为云计算技术有限公司 故障图像生成方法与装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107220609A (zh) * 2017-05-22 2017-09-29 哈尔滨市科佳通用机电股份有限公司 一种动车故障自动检测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8977057B1 (en) * 2012-05-02 2015-03-10 Google Inc. Detection of diacritics in OCR systems with assignment to the correct text line
CN108376268A (zh) * 2018-05-21 2018-08-07 北京京天威科技发展有限公司 地铁电动客车列检车底、车侧故障检测系统和方法
CN110246128A (zh) * 2019-06-17 2019-09-17 苏州浪潮智能科技有限公司 一种基于深度学习的工业故障检测方法以及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107220609A (zh) * 2017-05-22 2017-09-29 哈尔滨市科佳通用机电股份有限公司 一种动车故障自动检测方法

Also Published As

Publication number Publication date
CN111091546A (zh) 2020-05-01

Similar Documents

Publication Publication Date Title
CN111091546B (zh) 铁路货车钩尾框折断故障识别方法
CN111080622B (zh) 神经网络训练方法、工件表面缺陷分类与检测方法及装置
CN111650204A (zh) 基于级联目标检测的输电线路金具缺陷检测方法及系统
CN111797890A (zh) 一种用于检测输电线路设备缺陷的方法及系统
CN111091545B (zh) 铁路货车滚动轴承轴端螺栓丢失故障的检测方法
CN112330631B (zh) 一种铁路货车制动梁支柱拉铆销套环丢失故障检测方法
CN112906534A (zh) 一种基于改进后Faster R-CNN网络的锁扣丢失故障检测方法
CN113971660B (zh) 桥梁健康诊断的计算机视觉方法和智能摄像系统
CN111080600A (zh) 一种铁路货车弹簧托板上开口销的故障识别方法
US20220076404A1 (en) Defect management apparatus, method and non-transitory computer readable medium
CN110186375A (zh) 智能化高铁白车身焊接装配特征检测装置及检测方法
CN113516629A (zh) Tfds通过作业智能检测系统
CN113788051A (zh) 列车在站运行状态监测分析系统
CN113111875A (zh) 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法
CN116129135A (zh) 基于小目标视觉识别和虚拟实体映射的塔吊安全预警方法
CN113706496B (zh) 一种基于深度学习模型的飞行器结构裂纹检测方法
CN109102486B (zh) 基于机器学习的表面缺陷检测方法及装置
CN112329858A (zh) 一种铁路动车防松铁丝折断故障图像识别方法
CN117392043A (zh) 一种基于深度学习的钢板表面缺陷视频检测方法及系统
CN115082850A (zh) 基于计算机视觉的模板支架安全风险识别方法
CN113642382A (zh) 一种基于多标签目标检测的重车识别方法
CN115439691B (zh) Tvds故障自动识别系统
CN116091870B (zh) 从板座破损故障识别检测网络训练及检测方法、系统及介质
CN112364925B (zh) 一种基于深度学习的滚动轴承甩油故障识别方法
CN117095316B (zh) 路面巡检方法、装置、设备及可读存储介质

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