CN111353515B - 一种基于多尺度分级的列车轮对踏面损伤分类识别方法 - Google Patents
一种基于多尺度分级的列车轮对踏面损伤分类识别方法 Download PDFInfo
- Publication number
- CN111353515B CN111353515B CN201811573532.9A CN201811573532A CN111353515B CN 111353515 B CN111353515 B CN 111353515B CN 201811573532 A CN201811573532 A CN 201811573532A CN 111353515 B CN111353515 B CN 111353515B
- Authority
- CN
- China
- Prior art keywords
- classification
- convolution
- train
- tread
- 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.)
- Active
Links
- 230000006378 damage Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 19
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 208000027418 Wounds and injury Diseases 0.000 claims description 6
- 208000014674 injury Diseases 0.000 claims description 6
- 230000009528 severe injury Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 208000037974 severe injury Diseases 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000002411 adverse Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Abstract
本发明提出了一种基于多尺度分级的列车轮对踏面损伤分类识别方法，利用SVM算法对列车踏面纵向振动数据进行粗分类，判定踏面是否发生损伤，若发生损伤则利用Tensorflow搭建改进的深度学习算法对轮对踏面图像进行特征提取，将提取的特征输入softmax分类器细分踏面损伤程度，为后续列车运行控制提供依据。本发明设计的方法有效的降低了列车运行时因踏面损伤造成的不良后果，所采用的的深度学习算法极大地减少了算法运算量，缩短识别时间，且分类识别效果更佳精准。
Description
技术领域
本发明涉及光学测量技术领域，更具体地，涉及一种基于多尺度分级的列车轮对踏面损伤分类识别方法。
背景技术
车轮与轨道接触的部位称之为踏面，承担了由列车自身重量和各项未知冲击带来的力，是列车运行的关键受力部位。随着列车长时间的运行，踏面必然因为金属疲劳、磨损、冲击等原因产生损伤，而已损伤的踏面是不容小觑的安全隐患，在不同程度上对列车的运行产生影响。严重的踏面损伤会导致轮轨接触关系的严重畸变，进而导致列车脱轨等重大交通安全事故。轻微的踏面损伤致使轮轨接触面不平整，由于高速列车速度超过300km/h，无形中放大了这种不平整产生的颠簸，摇摆现象，进而对列车运行舒适程度造成极大的影响。此外，已损伤的踏面，如果不加以控制，损伤会加速恶化进而威胁运行安全。现有文献中提及了踏面损伤级别的划分，却未有研究关注踏面损伤程度的在线分级，更未对不同程度的损伤“量体裁衣”，未能针对性的提出相应的控制策略。
发明内容
本发明要解决的技术问题是针对现有技术不足和缺陷，提供一种基于多尺度分级的列车轮对踏面损伤分类识别方法，。
为实现上述目的，本发明采用以下技术方案：
一种基于多尺度分级的列车轮对踏面损伤分类识别方法，其特征在于，包括以下步骤：
S1、采集当前列车纵向振动数据；
S2、根据SVM二分类方法处理列车纵向振动数据得到粗分类识别结果，如果粗识别结果为踏面无损伤列车，则列车正常运行。如果粗识别结果为踏面有损伤，采集轮对踏面图像数据并进入S3，所述SVM二分类方法将数据集即列车纵向振动数据通过硬间隔最大化，训练一个线性可分的支持向量机对轮对踏面进行粗分类得到粗分类识别结果；
S3、应用VGGNet作为特征提取网络，提取步骤S2中采集的轮对踏面图像特征；
S4、基于softmax分类器识别轮对踏面图像，获取细分类结果。
进一步地，步骤S2中SVM二分类方法的具体过程：
S21、将步骤S1采集的列车纵向振动数据进行标记；
S22、假设训练过程中超平面为：ωTx+b＝0，缩放ω和b得到ωscale和bscale；
S23、训练过程中添加约束条件为：s.t y(i)(ωTx(i)+b)≥1；
S24、最后通过训练得到一个线性可分的支持向量机。
进一步地，步骤S3中VGGNet网络的具体实现步骤如下：
d、获取若干张样本图像，每张样本图像为不同损伤程度的轮对踏面图像，对样本图像进行数据增强，例如翻转，旋转，裁剪等，得到训练图像集；
e、将训练图像集标注样本标签，标签分为严重损伤、一般损伤、较小损伤三类，将训练图像集尺度归一化；
f、采用tensorflow平台搭建VGGNet网络架构，在基础的VGGNet16网络的基础上增加两个卷积网，将不同层次的特征图进行融合提取特征，并将融合后的特征直接连接一个具有1x1卷积核的卷积层来替换全连接层替换。
更进一步地，步骤c具体实现步骤如下：
c1、底层采用VGGNet16的前10个卷积层及4个池化层，用conv1_1、conv1_2、conv2_1、conv2_2、conv3_1、conv3_2、conv3_3、conv4_1、conv4_2、conv4_3表示10个卷积层，用pool1、pool2、pool3表示3个池化层，其中构建的模型架构为：conv1_1、conv1_2、pool1、conv2_1、conv2_2、pool2、conv3_1、conv3_2、conv3_3、pool3、conv4_1、conv4_2、conv4_3顺序连接；
c2、pool3后所得到的特征图在输入到conv4_1的同时，添加一个卷积网，将得到的特征图输入到卷积网中进行处理；卷积网包含两个卷积层及一个池化层，其卷积层的卷积核为7x7的卷积核；同时在conv4_3后添加一个卷积网，该卷积网同样包含两个卷积层及一个池化层，卷积层的卷积核为5x5的卷积核；
c3、两个卷积网的输出并入一个拼接层，所述拼接层在连接一个卷积层，来代替原有网络的全连接层，卷积层采用1x1的卷积核；
c4、在卷积层之后采用平均池化层来代替传统的最大池化层。
进一步地，步骤S4具体为：通过特征融合后最终得到一个1X3维的向量，对向量中的元素进行求对数，然后在进行概率归一化，使得所有的概率和为1，输入待检测图片输出三类概率，最后根据概率的大小进行来判定图像的损失程度：严重损伤、一般损伤、较小损伤。
进一步地，在列车车体上设置加速度传感器用于采集步骤S1中所述的列车纵向振动数据，在列车车体上设置相机用于采集步骤S2中所述的轮对踏面图像。
本发明的有益效果：
本发明分类识别方法使用多尺度分级在线实时进行，首先利用SVM算法进行粗分类，判定踏面是否发生损伤，当判定结果为踏面未发生损伤则识别结束，只有判定为发生损伤再进行图像采集以及继续对踏面损伤程度作更精细的判定；其次对含有损伤的踏面利用深度学习算法进行细分类，经过优化后的VGGNet进行特征提取，其中1*1的卷积代替全连接可大幅降低参数，减少算法运算量，同时具备对图像强有力的高层次特征提取能力；最后采用soft max分类器对提取的高层次特征进行对踏面图像进行损伤程度的分类识别，最终得到精确细分的踏面损伤程度。
附图说明
图1为本发明一个系统示意图。
图2为本发明一个数据采集示意图。
图3为本发明一个基于多尺度分级的列车轮对踏面损伤分类识别方法框图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
本实施例提供一种基于多尺度分级的列车轮对踏面损伤分类识别方法，由图1所示，设置数据采集系统用于采集列车运行数据或者图像，并传输至多尺度分级系统进行分类识别，获取分类识别结果发送至后续的分级容错系统用于控制后续列车运行。由图2所示，列车车体上设置加速度传感器，用于实时采集列车纵向振动数据，设置相机具体可为红外相机，用于实时采集列车轮对踏面图像，同时还包括终端处理单元，该终端处理单元与加速度传感器、相机相连，获取它们传输的数据或者图像，并进行处理，得到最终的分类识别结果。具体步骤如下如图3所示：
S1、采集当前列车纵向振动数据。
S2、根据SVM二分类方法处理列车纵向振动数据得到粗识别结果，所述SVM二分类方法将数据集即列车纵向振动数据通过硬间隔最大化，训练一个线性可分的支持向量机对轮轨踏面进行粗分类，具体过程为：
S21、将步骤S1采集的列车纵向振动数据进行标记；
S22、假设训练过程中超平面为：ωTx+b＝0，缩放ω和b得到ωscale和bscale；
S23、训练过程中添加约束条件为：s.t y(i)(ωTx(i)+b)≥1；
S24、最后通过训练得到一个线性可分的支持向量机；
根据所得的支持向量机进行对步骤S1中的列车纵向振动数据进行粗分类，所得粗分类结果分为两类：踏面无损伤、踏面有损伤。当踏面无损伤，此次识别过程结束，列车正常运行；当踏面有损伤，则采集轮对踏面图像进入S3
S3、应用VGGNet作为特征提取网络，提取步骤S2中采集的轮对踏面图像特征；其中VGGNet网络的具体实现步骤如下：
1)获取3000张样本图像，每张样本图像为不同损伤程度的轮对踏面图像，对样本图像进行数据增强，例如翻转，旋转，裁剪等，得到含有30000张图片的训练图像集，划分为8:1:1，分别为训练集、验证集、测试集；
2)将训练图像集标注样本标签，标签分为严重损伤、一般损伤、较小损伤三类，将训练图像集尺度归一化，具体为将数据集中的输入图像的大小统一变为224x224尺寸；
3)采用tensorflow平台搭建VGGNet网络架构，在现有的VGGNet网络的基础上进行改进，即在基础的VGGNet16网络的基础上增加两个卷积网，将不同层次的特征图进行融合提取特征，并将融合后的特征直接连接一个具有1x1卷积核的卷积层来替换全连接层替换，具体为：a、底层采用VGGNet16的前10个卷积层及4个池化层，用conv1_1、conv1_2、conv2_1、conv2_2、conv3_1、conv3_2、conv3_3、conv4_1、conv4_2、conv4_3表示10个卷积层，用pool1、pool2、pool3表示3个池化层，本发明构建的模型架构为：conv1_1、conv1_2、pool1、conv2_1、conv2_2、pool2、conv3_1、conv3_2、conv3_3、pool3、conv4_1、conv4_2、conv4_3顺序连接；b、pool3后所得到的特征图在输入到conv4_1的同时，添加一个卷积网，将得到的特征图输入到卷积网中进行处理。卷积网包含两个卷积层及一个池化层，其卷积层的卷积核为7x7的卷积核。同时在conv4_3后添加一个卷积网，该卷积网同样包含两个卷积层及一个池化层，卷积层的卷积核为5x5的卷积核；c、两个卷积网的输出并入一个拼接层，所述拼接层在连接一个卷积层，来代替原有网络的全连接层，卷积层采用1x1的卷积核，其效果与全连接层相同，但是却能够降低网络的模型参数；d、在卷积层之后采用平均池化层来代替传统的最大池化层，采用平均池化层在最后的特征提取上能得到更好的提取效果。
S4、基于softmax分类器识别轮对踏面图像，获取细分类结果。具体为：通过特征融合后最终得到一个1X3维的向量，对向量中的元素进行求对数，然后进行概率归一化，使得所有的概率和为1，输入的待检测图像输出三个概率值，最后根据概率值的大小进行来判定图像的损失程度：严重损伤、一般损伤、较小损伤。
获取轮对踏面损伤情况，根据损伤情况将针对性地在后续列车运行过程中采取不同容错控制手段，有效地保证列车安全舒适运行。
例如针对严重损伤可造成高速列车脱轨等重大安全事故的问题，采用列车制动控制；针对一般损伤可导致轮对损伤程度进一步恶化的问题，采用基于总量一致性的牵引/制动力再分配控制策略；针对较小损伤可造成车体振动影响乘坐舒适性的问题，采用基于滑模变结构控制的列车半主动悬挂控制等等。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。
Claims (2)
1.一种基于多尺度分级的列车轮对踏面损伤分类识别方法，其特征在于，包括以下步骤：
S1、采集当前列车纵向振动数据；
S2、根据SVM二分类方法处理列车纵向振动数据得到粗分类结果，所述粗分类结果包括两种类型：无损伤、有损伤；当粗分类结果为无损伤则结束此次识别过程，列车正常运行，当粗分类结果为有损伤则采集轮对踏面图像并进入S3；所述SVM二分类方法将数据集即列车纵向振动数据通过硬间隔最大化，训练一个线性可分的支持向量机对轮对踏面进行粗分类得到粗分类识别结果；
S21、将步骤S1采集的列车纵向振动数据进行标记；
S22、假设训练过程中超平面为：ωTx+b＝0，
缩放ω和b得到ωscale和bscale；
S23、训练过程中添加约束条件为：
S24、最后通过训练得到一个线性可分的支持向量机
S3、应用VGGNet作为特征提取网络，提取步骤S2中采集的轮对踏面图像特征；
a、获取若干张样本图像，每张样本图像为不同损伤程度的轮对踏面图像，对样本图像进行数据增强，包括翻转，旋转，裁剪，得到训练图像集；
b、将训练图像集标注样本标签，标签分为严重损伤、一般损伤、较小损伤三类，将训练图像集尺度归一化；
c、采用tensorflow平台搭建VGGNet网络架构，在基础的VGGNet16网络的基础上增加两个卷积网，将不同层次的特征图进行融合提取特征，并将融合后的特征直接连接一个具有1x1卷积核的卷积层来替换全连接层；
c1、底层采用VGGNet16的前10个卷积层及4个池化层，用conv1_1、conv1_2、conv2_1、conv2_2、conv3_1、conv3_2、conv3_3、conv4_1、conv4_2、conv4_3表示10个卷积层，用pool1、pool2、pool3表示3个池化层，其中构建的模型架构为：conv1_1、conv1_2、pool1、conv2_1、conv2_2、pool2、conv3_1、conv3_2、conv3_3、pool3、conv4_1、conv4_2、conv4_3顺序连接；
c2、pool3后所得到的特征图在输入到conv4_1的同时，添加一个卷积网，将得到的特征图输入到卷积网中进行处理；卷积网包含两个卷积层及一个池化层，其卷积层的卷积核为7x7的卷积核；同时在conv4_3后添加一个卷积网，该卷积网同样包含两个卷积层及一个池化层，卷积层的卷积核为5x5的卷积核；
c3、两个卷积网的输出并入一个拼接层，所述拼接层在连接一个卷积层，来代替原有网络的全连接层，卷积层采用1x1的卷积核；
c4、在卷积层之后采用平均池化层来代替传统的最大池化层；
S4、基于softmax分类器识别轮对踏面图像获取细分类结果，所述细分类结果包括三种类型：严重损伤、一般损伤、较小损伤；
通过特征融合后最终得到一个1X3维的向量，对向量中的元素求对数，然后概率归一化，使得所有的概率和为1，最后输入待检测图像得到三个概率值，并根据概率值的大小进行来判定图像的细分类结果。
2.根据权利要求1所述的一种基于多尺度分级的列车轮对踏面损伤分类识别方法，其特征在于，在列车车体上设置加速度传感器用于采集步骤S1中所述的列车纵向振动数据，在列车车体上设置相机用于采集步骤S2中所述的轮对踏面图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811573532.9A CN111353515B (zh) | 2018-12-21 | 2018-12-21 | 一种基于多尺度分级的列车轮对踏面损伤分类识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811573532.9A CN111353515B (zh) | 2018-12-21 | 2018-12-21 | 一种基于多尺度分级的列车轮对踏面损伤分类识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111353515A CN111353515A (zh) | 2020-06-30 |
| CN111353515B true CN111353515B (zh) | 2024-01-26 |
Family
ID=71194667
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811573532.9A Active CN111353515B (zh) | 2018-12-21 | 2018-12-21 | 一种基于多尺度分级的列车轮对踏面损伤分类识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353515B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329596B (zh) * | 2020-11-02 | 2021-08-24 | 中国平安财产保险股份有限公司 | 目标物定损方法、装置、电子设备及计算机可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08305855A (ja) * | 1995-05-01 | 1996-11-22 | Nippon Telegr & Teleph Corp <Ntt> | 画像のパターン認識方法及び装置 |
| CN104608799A (zh) * | 2014-12-12 | 2015-05-13 | 郑州轻工业学院 | 基于信息融合技术列车轮对踏面损伤在线检测与识别方法 |
| CN106482967A (zh) * | 2016-10-09 | 2017-03-08 | 湖南工业大学 | 一种代价敏感支持向量机机车车轮检测系统及方法 |
| CN106599883A (zh) * | 2017-03-08 | 2017-04-26 | 王华锋 | 一种基于cnn的多层次图像语义的人脸识别方法 |
| CN106599848A (zh) * | 2016-12-16 | 2017-04-26 | 南京理工大学 | 基于深度视觉特征和支持向量机的地表纹理识别算法 |
| WO2017165801A1 (en) * | 2016-03-24 | 2017-09-28 | The Regents Of The University Of California | Deep-learning-based cancer classification using a hierarchical classification framework |
| EP3352112A1 (en) * | 2017-01-20 | 2018-07-25 | Nokia Technologies Oy | Architecture adapted for recognising a category of an element from at least one image of said element |
| CN108664924A (zh) * | 2018-05-10 | 2018-10-16 | 东南大学 | 一种基于卷积神经网络的多标签物体识别方法 |
| CN108872241A (zh) * | 2018-03-30 | 2018-11-23 | 南京航空航天大学 | 一种基于svm算法的机车轮对踏面损伤检测方法 |
| CN108921846A (zh) * | 2018-07-17 | 2018-11-30 | 北京航空航天大学 | 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3029606A3 (en) * | 2014-11-14 | 2016-09-14 | Thomson Licensing | Method and apparatus for image classification with joint feature adaptation and classifier learning |
| US20170124409A1 (en) * | 2015-11-04 | 2017-05-04 | Nec Laboratories America, Inc. | Cascaded neural network with scale dependent pooling for object detection |
| US20180260699A1 (en) * | 2017-03-13 | 2018-09-13 | Intel IP Corporation | Technologies for deep machine learning with convolutional neural networks and reduced set support vector machines |
-
2018
- 2018-12-21 CN CN201811573532.9A patent/CN111353515B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08305855A (ja) * | 1995-05-01 | 1996-11-22 | Nippon Telegr & Teleph Corp <Ntt> | 画像のパターン認識方法及び装置 |
| CN104608799A (zh) * | 2014-12-12 | 2015-05-13 | 郑州轻工业学院 | 基于信息融合技术列车轮对踏面损伤在线检测与识别方法 |
| WO2017165801A1 (en) * | 2016-03-24 | 2017-09-28 | The Regents Of The University Of California | Deep-learning-based cancer classification using a hierarchical classification framework |
| CN106482967A (zh) * | 2016-10-09 | 2017-03-08 | 湖南工业大学 | 一种代价敏感支持向量机机车车轮检测系统及方法 |
| CN106599848A (zh) * | 2016-12-16 | 2017-04-26 | 南京理工大学 | 基于深度视觉特征和支持向量机的地表纹理识别算法 |
| EP3352112A1 (en) * | 2017-01-20 | 2018-07-25 | Nokia Technologies Oy | Architecture adapted for recognising a category of an element from at least one image of said element |
| CN106599883A (zh) * | 2017-03-08 | 2017-04-26 | 王华锋 | 一种基于cnn的多层次图像语义的人脸识别方法 |
| CN108872241A (zh) * | 2018-03-30 | 2018-11-23 | 南京航空航天大学 | 一种基于svm算法的机车轮对踏面损伤检测方法 |
| CN108664924A (zh) * | 2018-05-10 | 2018-10-16 | 东南大学 | 一种基于卷积神经网络的多标签物体识别方法 |
| CN108921846A (zh) * | 2018-07-17 | 2018-11-30 | 北京航空航天大学 | 一种基于灰度图像和深度图像结合的钢轨踏面缺陷识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| 一种基于自适应形态提升小波的车轮踏面擦伤识别新方法;邓文豪;金炜东;;振动与冲击(21);全文 * |
| 基于SVM的车牌字符识别算法研究;刘永春;;四川理工学院学报(自然科学版)(04);全文 * |
| 许慧燕，王景芳，侯玉宝.基于SVM与遗传算法的非线性模式识别.《电脑开发与应用》.2009,13-15. * |
| 采用小波分析与支持向量机的车轮踏面擦伤识别方法;王雪, 付振波;中国机械工程(18);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111353515A (zh) | 2020-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Anand et al. | Crack-pot: Autonomous road crack and pothole detection | |
| CN111080611A (zh) | 一种铁路货车摇枕弹簧折断故障图像识别方法 | |
| CN111080601A (zh) | 铁路货车脱轨制动装置拉环磨轴故障图像识别方法 | |
| CN112116100B (zh) | 一种考虑驾驶员类型的博弈论决策方法 | |
| CN110135327B (zh) | 一种基于多区域特征学习模型的驾驶员行为识别方法 | |
| CN110223266A (zh) | 一种基于深度卷积神经网络的列车轮对踏面损伤故障诊断方法 | |
| CN111242015A (zh) | 一种基于运动轮廓语义图预测行车危险场景的方法 | |
| CN111080614A (zh) | 铁路货车轮轮辋及踏面的破损识别方法 | |
| CN111994129A (zh) | 一种轮轨列车防滑控制方法及系统 | |
| CN111353515B (zh) | 一种基于多尺度分级的列车轮对踏面损伤分类识别方法 | |
| CN110210339A (zh) | 一种用于ecas系统的多传感器融合识别路面颠簸的方法 | |
| CN114092922A (zh) | 一种基于特异性的驾驶员情绪识别及行为干预方法 | |
| Bojarczak et al. | UAVs in rail damage image diagnostics supported by deep-learning networks | |
| CN115526864A (zh) | 基于改进的特征金字塔网络和度量学习的钢轨表面缺陷检测方法 | |
| CN112129290A (zh) | 用于监测骑行设备的系统及方法 | |
| CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
| CN115279643A (zh) | 用于训练自动驾驶车辆的感知网络的车载主动学习方法和设备 | |
| Du et al. | Pavement friction evaluation based on vehicle dynamics and vision data using a multi-feature fusion network | |
| CN114882452B (zh) | 轨道线路安全监测方法、列车运行控制方法及控制系统 | |
| KR102423218B1 (ko) | 심층 신경망을 이용한 도로 노면 손상 및 장애물 동시 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체. | |
| CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及系统 | |
| CN111652294B (zh) | 铁路货车折叠式人力制动机轴脱落故障识别方法及系统 | |
| Singh et al. | Road pothole detection from smartphone sensor data using improved LSTM | |
| Shamila Ebenezer et al. | Identification of Civil Infrastructure Damage Using Ensemble Transfer Learning Model | |
| CN113658112B (zh) | 一种基于模板匹配与神经网络算法的弓网异常检测方法 |
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 |