CN111091551A - 一种铁路货车制动梁支柱开口销丢失故障检测方法 - Google Patents
一种铁路货车制动梁支柱开口销丢失故障检测方法 Download PDFInfo
- Publication number
- CN111091551A CN111091551A CN201911277888.2A CN201911277888A CN111091551A CN 111091551 A CN111091551 A CN 111091551A CN 201911277888 A CN201911277888 A CN 201911277888A CN 111091551 A CN111091551 A CN 111091551A
- Authority
- CN
- China
- Prior art keywords
- channel
- prediction
- brake beam
- image
- convolutional layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 239000000428 dust Substances 0.000 claims description 3
- 239000003973 paint Substances 0.000 claims description 3
- 238000010422 painting Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000003416 augmentation Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
一种铁路货车制动梁支柱开口销丢失故障检测方法,属于货运列车检测技术领域。为了解决现有的制动梁支柱开口销丢失故障检测方法存在效率低、准确率低的问题。本发明采集包括路货车制动梁支柱开口销在内的灰度图像,并提取ROI区域;利用训练好的SSD神经网络模型获取图片预测框,对于每个预测框,根据类别置信度确定其类别与置信度值,对预测框进行过滤;对于留下的预测框进行解码,根据先验框得到其真实的位置参数;根据置信度进行降序排列,保留top‑k个预测框;根据NMS算法,对重叠的预测框进行过滤;剩余的预测框为检测结果;对预测得到的结果图像进行灰度特征分布分析,并进行故障图片判定。主要用于货车制动梁支柱开口销丢失故障检测。
Description
技术领域
本发明涉及一种制动梁支柱开口销丢失故障检测方法。属于货运列车检测技术领域。
背景技术
为了保证铁路货运列车的安全行驶,铁路货运部门需要经常对铁路货车的各个部件进行检查和维修。货车制动梁支柱开口销丢失故障是一种危及行车安全的故障,现在使用的检测方法是,组织班组人员针对检车平台上显示的轨边高清线阵成像设备采集到图片进行人工的检查,根据先验知识进行人工判断制动梁支柱开口销丢失故障。这种方法不仅效率低、漏检率高,而且给检车人员造成了极大的工作负担,以及造成了验证的人员浪费。
由于制动梁支柱开口销故障出现的位置较为隐蔽、部件面积相对于整车较小、故障形态较多且故障特征不明显,所以采用现有的图像处理方法进行检测存在错误报警过多,识别的准确率较差的现状。
发明内容
本发明是为了解决现有的制动梁支柱开口销丢失故障检测方法存在效率低、准确率低的问题。
一种铁路货车制动梁支柱开口销丢失故障检测方法,包括以下步骤:
采集包括路货车制动梁支柱开口销在内的灰度图像;对采集到的制动梁工位的图片进行粗定位,提取ROI区域,作为待检测图片;
将待检测图片输入训练好的SSD神经网络模型获取图片预测框,对于每个预测框,根据类别置信度确定其类别与置信度值,对预测框进行过滤;对于留下的预测框进行解码,根据先验框得到其真实的位置参数;
根据置信度进行降序排列,保留top-k个预测框;
根据NMS算法,对重叠的预测框进行过滤;剩余的预测框为检测结果;
对预测得到的结果图像进行灰度特征分布分析,如果符合故障图像的灰度特征分布规律,则判定为故障图片,如不符合则处理下一张待处理图像,直至判断完所有待处理图像。
进一步地,所述对于留下的预测框进行解码,之后需要进行clip操作;然后再根据置信度进行降序排列,保留top-k个预测框。
进一步地,所述将待检测图片输入训练好的SSD神经网络模型获取图片预测框的过程中IOU为0.4至0.35。
进一步地,所述的SSD神经网络模型如下:
输入层;
64通道conv2卷积层1、64通道conv2卷积层2、pool_1池化层,
128通道conv3卷积层1、128通道conv3卷积层2、pool_2池化层,
256通道conv4卷积层1、256通道conv4卷积层2、256通道conv4卷积层3、256通道conv4卷积层4、pool_3池化层,
512通道conv5卷积层1、512通道conv5卷积层2、512通道conv5卷积层3、512通道conv5卷积层4、pool_4池化层,512通道conv5卷积层5、512通道conv5卷积层6、512通道conv5卷积层7、512通道conv5卷积层8、pool_5池化层;
全连接层fc6、全连接层fc7、全连接层fc8;
输出层,用softmax激活后输出;
其中,全连接层fc7、全连接层fc8用的1*1的卷积核,其余的是3*3的卷积核;
进一步地,SSD神经网络模型的训练过程如下:
s1、采集包括路货车制动梁支柱开口销在内的灰度图像;
s2、针对采集到的图片进行样本扩增;
s3、对采集到的制动梁工位的图片进行粗定位,提取ROI区域;
s4、对ROI区域图像进行标注,并构建训练集;
s5、将训练集输入至VGG网络进行训练,获取初始权重,将该初始权重加载至SSD网络中构建网络模型;然后进行训练,直到达到预定的迭代次数后结束训练从而得到预训练好的VGG模型及权重;
SSD的先验框与ground truth的匹配原则如下:
第一个原则:对于图片中每个背景框,找到与其IOU最大的先验框,该先验框与ground truth匹配;与ground truth匹配的先验框为正样本,反之,若一个先验框没有与任何ground truth进行匹配,那么该先验框只能与背景匹配,就是负样本;
第二个原则:对于剩余的未匹配先验框,若某个ground truth的大于匹配阈值,该先验框也与这个ground truth进行匹配;如果多个ground truth与某个先验框大于匹配阈值,那么先验框只与IOU最大的ground truth进行匹配;
所述ground truth为真实目标。
进一步地,所述正负样本数量比为1:3。
进一步地,所述匹配阈值为0.5。
进一步地,采集包括路货车制动梁支柱开口销在内的灰度图像的过程中,包括以下的情况对应的灰度图像:
(1)雨水、冰雪、粉笔涂写、装载物泄露、泥渍、油渍、黑漆、灰尘对应情况下的灰度图像;
(2)不同站点、不同设备、不同时间对应情况下的灰度图像。
进一步地,所述样本扩增包括图像平移、图像旋转、图像镜像、图像亮度变化、裁剪、缩放、图像模糊、将单通道图像变化为多通道图像的方式。
有益效果:
1、相比人工进行检测的方式,本发明所述的滚轴承甩油故障检测方法能够实现自动检测,不仅可以极大地提高效率,而且能够极大地提高检测准确率。
2、本发明考虑了不同类型的转向机的影响,同时采用神经网络进行处理,不仅具有非常高的准确率,而且具有极高的灵活性和稳定鲁棒性。
3、针对部件面积相对于整车较小、故障形态较多且故障特征不明显的缺陷,本发明的检测方法能够实现铁路货车制动梁支柱开口销丢失故障的准确检测,漏检率和误报率几乎为0。
附图说明
图1为图像的标注示意图;
图2为现有的SSD结构示意图;
图3为开口销丢失故障检测示意图。
具体实施方式
具体实施方式一:
本实施方式所述的一种铁路货车制动梁支柱开口销丢失故障检测方法,包括以下步骤:
一、训练:
1、收集样本:
利用高分辨率线阵相机采集清晰的灰度图像。收集图像的原则如下:
(1)收集雨水、冰雪、粉笔涂写、装载物泄露、泥渍、油渍、黑漆、灰尘等多种情况下的货车制动梁工位图像。
(2)对不同站点、不同设备、不同时间(阳光干扰程度不同)收集货车制动梁工位图像。
2、样本扩增:
由于实际采集到的样本数据有限,为了可以最大程度的保证样本的多样性和适用性以及提高算法的稳定性,针对采集到的图片进行图像平移、图像旋转、图像镜像、图像亮度变化、裁剪、缩放、图像模糊、将单通道图像变化为多通道图像等方式的样本扩增。
3、图像预处理:
由于制动梁支柱开口销相对于整个制动梁工位较小,整体制动梁工位作为样本进行训练产生的误差较大,识别效果较差。经研究发现支柱开口销存在一个稳定的特征是:相对于整个制动梁工位,部件所在的范围是确定的;所以在进行检测故障之前,需要对采集到的制动梁工位的图片进行粗定位,提取ROI区域。
4、对ROI区域图像进行标注,并构建训练集。图像的标注包括有故障区域和无故障区域,如图1所示。
5、训练神经网络模型:
本发明采用SSD网络作为预测网络,本发明所述的SSD网络是在现有的SSD网络上进行的改进。现有的SSD网络结构如图2所示,SSD中使用到了conv4_3,conv_6,conv8_2,conv7,conv9_2,conv10_2这些大小不同的特征提取图,其目的是为了能够准确的检测到不同尺度的物体,因为在低层的特征提取图,感受野比较小,高层的感受野比较大,在不同的特征提取图进行卷积,可以达到多尺度的目的。
(一)本发明的SSD网络如下:
输入层;
64通道conv2卷积层1、64通道conv2卷积层2、pool_1池化层,
128通道conv3卷积层1、128通道conv3卷积层2、pool_2池化层,
256通道conv4卷积层1、256通道conv4卷积层2、256通道conv4卷积层3、256通道conv4卷积层4、pool_3池化层,
512通道conv5卷积层1、512通道conv5卷积层2、512通道conv5卷积层3、512通道conv5卷积层4、pool_4池化层,512通道conv5卷积层5、512通道conv5卷积层6、512通道conv5卷积层7、512通道conv5卷积层8、pool_5池化层;
全连接层fc6、全连接层fc7、全连接层fc8;
输出层,用softmax激活后输出;
其中,全连接层fc7、全连接层fc8用的1*1的卷积核,其余的是3*3的卷积核;
本发明VGG网络结构特点如下:
所有的kernel(卷积核)都是用小的receptive field(感受野),除了个别的kernel大小为1×1,都是3×3,代替了之前普遍使用的较大的卷积核;
convolution(卷积)中的stride(步长)设置为1,并且做了padding,从而保持了分辨率,也就是feature map的尺寸;
用了1×1的卷积核,相当于对通道之间做了一个线性变换,然后再通过非线性激活函数;
max pooling的方法做的池化,并且用2×2的区域,stride=2;
本发明SSD网络中,进行若干卷积后一次池化,再卷积和池化重复,最后接了三个FC层,大小为4096,用softmax激活后输出。
本发明中用3*3的卷积核代替原有SSD网络中7*7和11*11的原因:
(a)能够极大地减少参数,从而减少计算量和计算开销,提高效率;
例如,用3个3*3的卷积替换一个7*7能够减少参数:对于C个通道的卷积核,7x7含有参数(7x7xCxC)=49C2,3个3x3的参数个数为3x(3x3xCxC)=27C2,参数能够大大减少。
(b)减少误报;由于本发明的开口销非常小,较小的卷积和能够减少误报率。本发明中全连接层fc7、全连接层fc8用的1*1的卷积核的原因:
在不影响感受野的情况下,增加模型的非线性性,1x1卷机相当于线性变换,然后非线性激活函数起到非线性作用,能够减少参数个数和计算量。
(二)损失函数为位置误差与置信度误差的加权和:
其中,c代表置信度(一般是0.5),l是预测框,g是ground truth(真实目标),conf代表置信损失,loc代表定位损失,α表示两者的权重,N表示匹配到预测框的数量。
(三)将训练集输入至VGG网络进行训练,获取初始权重,将该初始权重加载至SSD网络中构建网络模型;然后进行训练,直到达到预定的迭代次数后结束训练从而得到预训练好的VGG模型及权重;
SSD的先验框与ground truth(真实目标)的匹配原则主要有两点:第一个原则:对于图片中每个背景框,找到与其IOU最大的先验框,该先验框与ground truth匹配,这样可以保证每个ground truth一定与某个先验框匹配。通常称与ground truth匹配的先验框为正样本(其实应该是先验框对应的预测box,不过由于是一一对应的就这样称呼了),反之,若一个先验框没有与任何ground truth进行匹配,那么该先验框只能与背景匹配,就是负样本。一个图片中ground truth是非常少的,而先验框却很多,如果仅按第一个原则匹配,很多先验框会是负样本,正负样本极其不平衡,所以需要第二个原则。第二个原则是:对于剩余的未匹配先验框,若某个ground truth的大于某个阈值(一般是0.5),那么该先验框也与这个ground truth进行匹配。这意味着某个ground truth可能与多个先验框匹配,这是可以的。但是反过来却不可以,因为一个先验框只能匹配一个ground truth,如果多个ground truth与某个先验框大于阈值,那么先验框只与IOU最大的那个ground truth进行匹配。
正负样本的数量配置变化,当正负样本为1:1的时候,会出现loss不稳定的情况;在训练的过程中挑选评分较高的预测框,将该预测框所属的图片重新加入样本库中,使正负样本达到1:3时效果最好。
二、铁路货车制动梁支柱开口销丢失故障检测,如图3所示,包括以下步骤:
1、进行预测:
预测过程比较简单,将待检测图片输入训练好的SSD神经网络模型获取图片预测框,对于每个预测框,首先根据类别置信度确定其类别(置信度最大者)与置信度值,并过滤掉属于背景的预测框;然后根据置信度阈值(如0.5)过滤掉阈值较低的预测框;对于留下的预测框进行解码,根据先验框得到其真实的位置参数(解码后一般还需要做clip,防止预测框位置超出图片)。解码之后,一般需要根据置信度进行降序排列,然后仅保留top-k(如300)个预测框。最后就是进行NMS算法,过滤掉那些重叠度较大的预测框。最后剩余的预测框就是检测结果了。
在SSD算法中,NMS至关重要,因为多个尺度的特征图通过网络后会产生大量的预测框,然而在这些预测框中存在着大量的错误的、重叠的、不准确的预测框,这不仅造成了巨大的计算量,如果处理不好会影响算法的性能。仅仅依赖于IOU(即预测框和背景之间的重合率)是不现实的,IOU值设置的太大,可能就会丢失一部分检测的目标,即会出现大量的漏检情况;IOU值设置的太小,则会出现大量的重叠检测,会大大影响检测器的性能,因此IOU在传统的SSD网络中常用的是0.65,但是经过试验发现利用本发明的网络结构进行铁路货车制动梁支柱开口销丢失故障检测时,IOU为0.4至0.35之间效果较好。
三、判断是否符合故障特征上传报警:
对预测得到的结果图像进行灰度特征分布分析,如果符合故障图像的灰度特征分布规律(根据先验知识进行的阈值设置),则判定为故障图片,如不符合则处理下一张待处理图像,直至判断完所有待处理图像。
Claims (9)
1.一种铁路货车制动梁支柱开口销丢失故障检测方法,其特征在于,包括以下步骤:
采集包括路货车制动梁支柱开口销在内的灰度图像;对采集到的制动梁工位的图片进行粗定位,提取ROI区域,作为待检测图片;
将待检测图片输入训练好的SSD神经网络模型获取图片预测框,对于每个预测框,根据类别置信度确定其类别与置信度值,对预测框进行过滤;对于留下的预测框进行解码,根据先验框得到其真实的位置参数;
根据置信度进行降序排列,保留top-k个预测框;
根据NMS算法,对重叠的预测框进行过滤;剩余的预测框为检测结果;
对预测得到的结果图像进行灰度特征分布分析,如果符合故障图像的灰度特征分布规律,则判定为故障图片,如不符合则处理下一张待处理图像,直至判断完所有待处理图像。
2.根据权利要求1所述的一种铁路货车制动梁支柱开口销丢失故障检测方法,其特征在于,所述对于留下的预测框进行解码,之后需要进行clip操作;然后再根据置信度进行降序排列,保留top-k个预测框。
3.根据权利要求1所述的一种铁路货车制动梁支柱开口销丢失故障检测方法,其特征在于,所述将待检测图片输入训练好的SSD神经网络模型获取图片预测框的过程中IOU为0.4至0.35。
4.根据权利要求1、2或3所述的一种铁路货车制动梁支柱开口销丢失故障检测方法,其特征在于,所述的SSD神经网络模型如下:
输入层;
64通道conv2卷积层1、64通道conv2卷积层2、pool_1池化层,
128通道conv3卷积层1、128通道conv3卷积层2、pool_2池化层,
256通道conv4卷积层1、256通道conv4卷积层2、256通道conv4卷积层3、256通道conv4卷积层4、pool_3池化层,
512通道conv5卷积层1、512通道conv5卷积层2、512通道conv5卷积层3、512通道conv5卷积层4、pool_4池化层,512通道conv5卷积层5、512通道conv5卷积层6、512通道conv5卷积层7、512通道conv5卷积层8、pool_5池化层;
全连接层fc6、全连接层fc7、全连接层fc8;
输出层,用softmax激活后输出;
其中,全连接层fc7、全连接层fc8用的1*1的卷积核,其余的是3*3的卷积核。
5.根据权利要求4所述的一种铁路货车制动梁支柱开口销丢失故障检测方法,其特征在于,SSD神经网络模型的训练过程如下:
s1、采集包括路货车制动梁支柱开口销在内的灰度图像;
s2、针对采集到的图片进行样本扩增;
s3、对采集到的制动梁工位的图片进行粗定位,提取ROI区域;
s4、对ROI区域图像进行标注,并构建训练集;
s5、将训练集输入至VGG网络进行训练,获取初始权重,将该初始权重加载至SSD网络中构建网络模型;然后进行训练,直到达到预定的迭代次数后结束训练从而得到预训练好的VGG模型及权重;
SSD的先验框与ground truth的匹配原则如下:
第一个原则:对于图片中每个背景框,找到与其IOU最大的先验框,该先验框与groundtruth匹配;与ground truth匹配的先验框为正样本,反之,若一个先验框没有与任何ground truth进行匹配,那么该先验框只能与背景匹配,就是负样本;
第二个原则:对于剩余的未匹配先验框,若某个ground truth的大于匹配阈值,该先验框也与这个ground truth进行匹配;如果多个ground truth与某个先验框大于匹配阈值,那么先验框只与IOU最大的ground truth进行匹配;
所述ground truth为真实目标。
6.根据权利要求5所述的一种铁路货车制动梁支柱开口销丢失故障检测方法,其特征在于,所述正负样本数量比为1:3。
7.根据权利要求5所述的一种铁路货车制动梁支柱开口销丢失故障检测方法,其特征在于,所述匹配阈值为0.5。
8.根据权利要求5所述的一种铁路货车制动梁支柱开口销丢失故障检测方法,其特征在于,采集包括路货车制动梁支柱开口销在内的灰度图像的过程中,包括以下的情况对应的灰度图像:
(1)雨水、冰雪、粉笔涂写、装载物泄露、泥渍、油渍、黑漆、灰尘对应情况下的灰度图像;
(2)不同站点、不同设备、不同时间对应情况下的灰度图像。
9.根据权利要求5所述的一种铁路货车制动梁支柱开口销丢失故障检测方法,其特征在于,所述样本扩增包括图像平移、图像旋转、图像镜像、图像亮度变化、裁剪、缩放、图像模糊、将单通道图像变化为多通道图像的方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911277888.2A CN111091551A (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车制动梁支柱开口销丢失故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911277888.2A CN111091551A (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车制动梁支柱开口销丢失故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111091551A true CN111091551A (zh) | 2020-05-01 |
Family
ID=70396294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911277888.2A Pending CN111091551A (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车制动梁支柱开口销丢失故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091551A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112215163A (zh) * | 2020-10-13 | 2021-01-12 | 北京中电兴发科技有限公司 | 一种应用于人脸检测预测框的加权后处理方法 |
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 |
CN112766260A (zh) * | 2021-01-15 | 2021-05-07 | 哈尔滨市科佳通用机电股份有限公司 | 铁路列车加速缓解风缸定位的图像识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034850A (zh) * | 2012-12-21 | 2013-04-10 | 湖北工业大学 | 一种tfds挡键丢失故障自动识别方法 |
CN103499584A (zh) * | 2013-10-16 | 2014-01-08 | 北京航空航天大学 | 铁路货车手制动机链条丢失故障的自动检测方法 |
CN106778833A (zh) * | 2016-11-28 | 2017-05-31 | 北京航天控制仪器研究所 | 一种复杂背景下小目标丢失故障的自动识别方法 |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和系统 |
CN107766809A (zh) * | 2017-10-09 | 2018-03-06 | 平安科技(深圳)有限公司 | 电子装置、票据信息识别方法和计算机可读存储介质 |
CN109165575A (zh) * | 2018-08-06 | 2019-01-08 | 天津艾思科尔科技有限公司 | 一种基于ssd框架的烟火识别算法 |
CN109544522A (zh) * | 2018-11-12 | 2019-03-29 | 北京科技大学 | 一种钢板表面缺陷检测方法及系统 |
-
2019
- 2019-12-12 CN CN201911277888.2A patent/CN111091551A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034850A (zh) * | 2012-12-21 | 2013-04-10 | 湖北工业大学 | 一种tfds挡键丢失故障自动识别方法 |
CN103499584A (zh) * | 2013-10-16 | 2014-01-08 | 北京航空航天大学 | 铁路货车手制动机链条丢失故障的自动检测方法 |
CN106778833A (zh) * | 2016-11-28 | 2017-05-31 | 北京航天控制仪器研究所 | 一种复杂背景下小目标丢失故障的自动识别方法 |
CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和系统 |
CN107766809A (zh) * | 2017-10-09 | 2018-03-06 | 平安科技(深圳)有限公司 | 电子装置、票据信息识别方法和计算机可读存储介质 |
CN109165575A (zh) * | 2018-08-06 | 2019-01-08 | 天津艾思科尔科技有限公司 | 一种基于ssd框架的烟火识别算法 |
CN109544522A (zh) * | 2018-11-12 | 2019-03-29 | 北京科技大学 | 一种钢板表面缺陷检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
LIU W 等: ""SSD: Single shot multibox detector"", 《EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
YTUSDC: "SSD算法详解", 《HTTPS://BLOG.CSDN.NET/YTUSDC/ARTICLE/DETAILS/86577939》 * |
周安众,罗可: "一种多尺度卷积神经网络的人脸检测模型", 《计算机工程与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112215163A (zh) * | 2020-10-13 | 2021-01-12 | 北京中电兴发科技有限公司 | 一种应用于人脸检测预测框的加权后处理方法 |
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 |
CN112766260A (zh) * | 2021-01-15 | 2021-05-07 | 哈尔滨市科佳通用机电股份有限公司 | 铁路列车加速缓解风缸定位的图像识别方法及系统 |
CN112766260B (zh) * | 2021-01-15 | 2021-09-14 | 哈尔滨市科佳通用机电股份有限公司 | 铁路列车加速缓解风缸定位的图像识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816024B (zh) | 一种基于多尺度特征融合与dcnn的实时车标检测方法 | |
CN111091551A (zh) | 一种铁路货车制动梁支柱开口销丢失故障检测方法 | |
CN110261436B (zh) | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 | |
CN113033604B (zh) | 一种基于SF-YOLOv4网络模型的车辆检测方法、系统及存储介质 | |
CN104599249A (zh) | 缆索承重桥梁桥面车辆载荷分布实时检测方法 | |
CN113436157B (zh) | 一种用于受电弓故障的车载图像识别方法 | |
CN111652295B (zh) | 一种铁路货车钩尾销托梁脱落故障识别方法 | |
CN111080621B (zh) | 一种铁路货车地板破损故障图像识别方法 | |
CN111080614A (zh) | 铁路货车轮轮辋及踏面的破损识别方法 | |
CN111080612B (zh) | 一种货车轴承破损检测方法 | |
CN113221839B (zh) | 一种货车图像自动识别方法及识别系统 | |
CN111080607B (zh) | 一种基于图像识别的滚动轴承甩油故障检测方法 | |
CN110991447B (zh) | 基于深度学习的列车车号精确定位与识别方法 | |
CN111738114B (zh) | 基于无锚点精确采样遥感图像车辆目标检测方法 | |
CN111626170A (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
CN108648210B (zh) | 一种静态复杂场景下快速多目标检测方法及装置 | |
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 | |
CN111666848B (zh) | 运输车辆到站检测方法、装置、设备及存储介质 | |
CN111881984A (zh) | 一种基于深度学习的目标检测方法和装置 | |
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 | |
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 | |
CN109325911B (zh) | 一种基于注意力增强机制的空基铁轨检测方法 | |
CN108932471B (zh) | 一种车辆检测方法 | |
CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及系统 | |
CN116206222A (zh) | 基于轻量化目标检测模型的输电线路故障检测方法及系统 |
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 |
Application publication date: 20200501 |
|
RJ01 | Rejection of invention patent application after publication |