CN111415326A - 一种用于铁路接触网螺栓异常状态的检测方法及系统 - Google Patents
一种用于铁路接触网螺栓异常状态的检测方法及系统 Download PDFInfo
- Publication number
- CN111415326A CN111415326A CN202010099770.1A CN202010099770A CN111415326A CN 111415326 A CN111415326 A CN 111415326A CN 202010099770 A CN202010099770 A CN 202010099770A CN 111415326 A CN111415326 A CN 111415326A
- Authority
- CN
- China
- Prior art keywords
- bolt
- image
- railway contact
- abnormal state
- abnormal
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 66
- 238000013507 mapping Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种用于铁路接触网螺栓异常状态的检测方法及系统。该方法包括：获取待检测铁路接触网螺栓图像；基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。本发明实施例基于非监督学习的算法，解决现有检测算法泛化性差、异常类别定义困难、对于未见过的异常样本准确性大幅降低的问题，且非监督学习算法不需要对异常种类进行详细的定义，大幅降低数据标注量，并降低检测人员工作强度。
Description
技术领域
本发明涉及铁路检测技术领域，尤其涉及一种用于铁路接触网螺栓异常状态的检测方法及系统。
背景技术
在日常铁路接触网维护中，存在大量铁路接触网图像异常检测任务，其中由于螺栓为典型小尺寸部件，数量及型号众多，出现状态异常概率较高而实际可采集到的异常样本相对较少，使得螺栓状态异常检测任务难度最高。高铁为典型的复杂系统，螺栓由于其功能特点，广泛应用于铁路接触网设备中，其异常状态的检测对维护高铁正常运行意义重大。目前接触网螺栓状态异常检测任务主要依赖专业人员进行图像筛查，人工分析方法检测效率低、检测持续性差、判断充满主观性等缺点严重影响了螺栓异常状态分析任务，亟需研发自动检测算法辅助人工进行螺栓异常状态识别。
目前铁路图像异常检测方法主要基于监督型学习方法，主要思路为基于深度学习方法训练神经网络实现螺栓状态的二分类或多分类。该类方法取得一定进展，但需要定义螺栓异常类别并需进行大量标注工作。
而基于监督学习的方法存在以下缺陷：
1、基于监督型方法的螺栓异常状态检测，需要对数据进行准确且细分的类别标注，在现实场景中难以确定全部异常类别；
2、当数据在各类别中比例差异较大时，会造成数据差异性问题；
3、基于深度学习的目标检测、分类方法进行图像检测，适用于异常类别间差异明显的情形，当差异较小时会导致部分差异类别检测效果不佳的问题；
4.基于监督学习的异常检测方法需要进行大量标注工作，迁移到新任务时会造成大量人力物力成本。
发明内容
本发明实施例提供一种用于铁路接触网螺栓异常状态的检测方法及系统，用以解决现有技术中采用监督学习的算法进行螺栓异常检测需要依赖大量的标注类别样本，当异常差异较小时容易导致检测效果不佳的问题。
第一方面，本发明实施例提供一种用于铁路接触网螺栓异常状态的检测方法，包括：
获取待检测铁路接触网螺栓图像；
基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。
优选地，所述图像生成模型，通过以下步骤获得：
获取生成器和判别器；
所述生成器用于从随机噪声中提取生成图像，所述判别器用于判断所述生成图像与原始图像的误差；
对所述生成器和所述判别器进行迭代优化，完成正常图像样本从隐空间到图像空间的训练学习；
训练完成后将所述生成器和所述判别器设置预设固定参数，得到所述图像生成模型。
优选地，所述生成器为自动编码器的解码器结构，所述判别器为所述自动编码器的整体。
优选地，所述多重空间映射模型，通过以下步骤获得：
获取第一编码器、第二编码器和所述生成器；
输入所述正常图像样本，通过所述第一编码器完成由所述图像空间到所述隐空间的映射；
通过所述生成器完成所述隐空间到生成图像空间的映射；
通过所述第二编码器完成所述生成图像空到再编码隐空间的映射，得到所述多重空间映射模型；
优选地，所述第一编码器和所述第二编码器包括相同结构的卷积编码器。
优选地，所述多重空间映射模型包括整体损失函数，所述整体损失函数包括图像误差、向量误差、判别器特征误差和语义感知误差。
优选地，所述基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果，具体包括：
输入所述待检测铁路接触网螺栓图像；
通过所述图像生成模型和所述多重空间映射模型，得到所述待检测铁路接触网螺栓图像对应的异常分数；
所述异常分数大于正常图像样本对应的正常阈值，得到所述铁路接触网螺栓异常状态检测结果。
第二方面，本发明实施例提供一种用于接触网铁路螺栓异常状态的检测系统，包括：
获取模块，用于获取待检测铁路接触网螺栓图像；
检测模块，用于基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。
第三方面，本发明实施例提供一种电子设备，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述用于铁路接触网螺栓异常状态的检测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述用于铁路接触网螺栓异常状态的检测方法的步骤。
本发明实施例提供的用于铁路螺栓异常状态的检测方法及系统，通过基于非监督学习的算法，解决现有检测算法泛化性差、异常类别定义困难、对于未见过的异常样本准确性大幅降低的问题，且非监督学习算法不需要对异常种类进行详细的定义，大幅降低数据标注量，并降低检测人员工作强度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种用于铁路接触网螺栓异常状态的检测方法流程图；
图2为本发明实施例提供的异常监测模型训练流程图；
图3为本发明实施例提供的一种用于铁路接触网螺栓异常状态的检测系统结构图；
图4为本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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做出创造性劳动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。
针对高铁接触网图像螺栓异常状态检测任务，为了解决直接运用监督型学习方法需要大量数据标注且难以解决实际应用中异常种类多样的难题，本发明实施例提出满足实际异常检测工作准确度的螺栓状态异常自动检测算法，大幅降低一线工作人员强度。
图1为本发明实施例提供的一种用于铁路接触网螺栓异常状态的检测方法流程图，如图1所示，包括：
S1，获取待检测铁路接触网螺栓图像；
S2，基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。
具体地，在获取待检测的铁路螺栓图像后，该异常检测算法包含三个部分：1)图像生成模型(generative adversarial network,简称GAN)训练，2)多重空间映射模型(multi-mapping model，简称MM model)训练及3)异常图像检测分析三个阶段。其中，基于正常图像样本进行GAN的训练，使其能够学习正常图像样本分布以及从隐空间向量到图像空间图像的映射关系，实现对正常图像样本的高清图像生成。MM model学习正常图像在图像空间及隐空间的多次映射关系，通过约束映射过程中在图像空间、隐空间及编码器语义特征空间上的差异性，构建一个仅适用于正常图像样本特点的图像重建模型。检测阶段，输入异常图像进行推理时，经过多个空间映射后其异常得分将远大于正常样本，该得分可作为判别异常图像的标准。
本发明实施例通过基于非监督学习的算法，解决现有检测算法泛化性差、异常类别定义困难、对于未见过的异常样本准确性大幅降低的问题，且非监督学习算法不需要对异常种类进行详细的定义，大幅降低数据标注量，并降低检测人员工作强度。
基于上述实施例，所述图像生成模型，通过以下步骤获得：
获取生成器和判别器；
所述生成器用于从随机噪声中提取生成图像，所述判别器用于判断所述生成图像与原始图像的误差；
对所述生成器和所述判别器进行迭代优化，完成正常图像样本从隐空间到图像空间的训练学习；
训练完成后将所述生成器和所述判别器设置预设固定参数，得到所述图像生成模型。
其中，所述生成器为自动编码器的解码器结构，所述判别器为所述自动编码器的整体。
具体地，GAN理论的发展为异常检测(anomaly detection)任务的研究提供新的研究方向，GAN首次作为一种非监督(unsupervised)图像生成方法被提出，其模型由生成器(generator,G)与判别器(discriminator,D)组成，生成器用于从随机噪声z生成图像，判别器用于判断生成器生成图像是否足够真实，GAN模型的训练即为对生成器与判别器进行迭代协调训练的博弈过程。
在第一阶段的图像生成模型中，GAN的训练实现了从隐空间Z到图像空间X的映射。GAN生成器(generator,G)与判别器(discriminator,D)组成。其G为自动编码器的解码器结构，D为自动编码器的整体结构。训练过程中，G约束生成图像与原始图像的像素级差异，D约束生成图像与原始图像的误差分布，随着G与D的迭代优化，最终完成对正常样本由隐空间Z到图像空间X的学习。训练完成后，G与D固定参数，用于后续图像生成与特征提取。GAN的训练用于学习正常样本从Z到X的映射过程，得到训练好的G与D模型，如图2(a)所示。
基于上述任一实施例，所述多重空间映射模型，通过以下步骤获得：
获取第一编码器、第二编码器和所述生成器；
输入所述正常图像样本，通过所述第一编码器完成由所述图像空间到所述隐空间的映射；
通过所述生成器完成所述隐空间到生成图像空间的映射；
通过所述第二编码器完成所述生成图像空到再编码隐空间的映射，得到所述多重空间映射模型；
其中，所述第一编码器和所述第二编码器包括相同结构的卷积编码器。
其中，所述多重空间映射模型包括整体损失函数，所述整体损失函数包括图像误差、向量误差、判别器特征误差和语义感知误差。
具体地，MM model基于正常样本训练两个独立的编码器(encoder,E)，即第一编码器和第二编码器，实现正常样本从X到Z的反向映射过程,使得该模型能够学习正常样本在多个空间的分布变换。由于正常样本与异常样本的差异，MM model固定参数后，输入异常样本时，其异常分数相比正常样本明显较大，以此作为区分正常样本与异常样本的标志。MMmodel采用编码器-生成器-编码器(encoder-generator-encoder，E1-G-E2)结构。其中，E1及E2为结构相同的卷积编码器(convolutional encoder)结构，G为上部分训练完成后固定参数的GAN生成器,D为上部分训练完成后固定参数的BEGAN判别器。整个模型流程为正常样本图像x经过E1实现由X到Z的映射，后生成器G实现由Z到生成图像空间X'的映射，最后经编码器E2实现由X'到再编码隐空间(re-encoding latent space)Z'的映射。本发明实施例结合四种误差构建约束模型训练的整体损失函数，此处，四种误差分别为图像误差、向量误差、判别器特征误差和语义感知误差，以约束映射过程造成的差异，多重空间映射模型结构如图2(b)所示。
本发明实施例通过综合衡量图像在图像空间、隐空间、特征空间的差异，定义涵盖图像误差、向量误差、判别器特征误差、语义感知误差的综合误差函数评价模型学习过程，具备更综合的学习能力。
基于上述任一实施例，所述基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果，具体包括：
输入所述待检测铁路接触网螺栓图像；
通过所述图像生成模型和所述多重空间映射模型，得到所述待检测铁路接触网螺栓图像对应的异常分数；
所述异常分数大于正常图像样本对应的正常阈值，得到所述铁路接触网螺栓异常状态检测结果。
具体地，在检测阶段，输入异常图像进行推理时，经过多个空间映射后其异常得分将远大于正常样本，该得分可作为判别异常图像的标准，最后将该异常图像作为铁路螺栓异常状态检测结果，完成检测。
图3为本发明实施例提供的一种用于接触网铁路螺栓异常状态的检测系统结构图，如图3所示，包括：获取模块31和检测模块32；其中：
获取模块31用于获取待检测铁路接触网螺栓图像；检测模块32用于基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。
本发明实施例提供的系统用于执行上述对应的方法，其具体的实施方式与方法的实施方式一致，涉及的算法流程与对应的方法算法流程相同，此处不再赘述。
本发明实施例通过基于非监督学习的算法，解决现有检测算法泛化性差、异常类别定义困难、对于未见过的异常样本准确性大幅降低的问题，且非监督学习算法不需要对异常种类进行详细的定义，大幅降低数据标注量，并降低检测人员工作强度。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行如下方法：获取待检测铁路接触网螺栓图像；基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取待检测铁路接触网螺栓图像；基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常图像检测分析，得到铁路螺栓异常状态检测结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用于铁路接触网螺栓异常状态的检测方法，其特征在于，包括：
获取待检测铁路接触网螺栓图像；
基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。
2.根据权利要求1所述的用于铁路接触网螺栓异常状态的检测方法，其特征在于，所述图像生成模型，通过以下步骤获得：
获取生成器和判别器；
所述生成器用于从随机噪声中提取生成图像，所述判别器用于判断所述生成图像与原始图像的误差；
对所述生成器和所述判别器进行迭代优化，完成正常图像样本从隐空间到图像空间的训练学习；
训练完成后将所述生成器和所述判别器设置预设固定参数，得到所述图像生成模型。
3.根据权利要求或2所述的用于铁路接触网螺栓异常状态的检测方法，其特征在于，所述生成器为自动编码器的解码器结构，所述判别器为所述自动编码器的整体。
4.根据权利要求3所述的用于铁路接触网螺栓异常状态的检测方法，其特征在于，所述多重空间映射模型，通过以下步骤获得：
获取第一编码器、第二编码器和所述生成器；
输入所述正常图像样本，通过所述第一编码器完成由所述图像空间到所述隐空间的映射；
通过所述生成器完成所述隐空间到生成图像空间的映射；
通过所述第二编码器完成所述生成图像空到再编码隐空间的映射，得到所述多重空间映射模型。
5.根据权利要求4所述的用于铁路接触网螺栓异常状态的检测方法，其特征在于，所述第一编码器和所述第二编码器包括相同结构的卷积编码器。
6.根据权利要求4或5所述的用于铁路接触网螺栓异常状态的检测方法，其特征在于，所述多重空间映射模型包括整体损失函数，所述整体损失函数包括图像误差、向量误差、判别器特征误差和语义感知误差。
7.根据权利要求1所述的用于铁路接触网螺栓异常状态的检测方法，其特征在于，所述基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果，具体包括：
输入所述待检测铁路接触网螺栓图像；
通过所述图像生成模型和所述多重空间映射模型，得到所述待检测铁路接触网螺栓图像对应的异常分数；
所述异常分数大于正常图像样本对应的正常阈值，得到所述铁路接触网螺栓异常状态检测结果。
8.一种用于铁路接触网螺栓异常状态的检测系统，其特征在于，包括：
获取模块，用于获取待检测铁路接触网螺栓图像；
检测模块，用于基于训练后的图像生成模型和多重空间映射模型，对所述待检测铁路接触网螺栓图像进行异常检测分析，得到铁路接触网螺栓异常状态检测结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述用于铁路接触网螺栓异常状态的检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述用于铁路接触网螺栓异常状态的检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010099770.1A CN111415326A (zh) | 2020-02-18 | 2020-02-18 | 一种用于铁路接触网螺栓异常状态的检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010099770.1A CN111415326A (zh) | 2020-02-18 | 2020-02-18 | 一种用于铁路接触网螺栓异常状态的检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111415326A true CN111415326A (zh) | 2020-07-14 |
Family
ID=71494096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010099770.1A Pending CN111415326A (zh) | 2020-02-18 | 2020-02-18 | 一种用于铁路接触网螺栓异常状态的检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111415326A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330615A (zh) * | 2020-10-27 | 2021-02-05 | 华能新能源股份有限公司河北分公司 | 一种转动部件高强度螺栓状态监测方法及系统 |
| CN113012113A (zh) * | 2021-03-01 | 2021-06-22 | 和远智能科技股份有限公司 | 一种高铁接触网供电设备螺栓松动自动检测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563431A (zh) * | 2017-08-28 | 2018-01-09 | 西南交通大学 | 一种结合cnn迁移学习和svdd的图像异常检测方法 |
| CN107742130A (zh) * | 2017-10-25 | 2018-02-27 | 西南交通大学 | 基于深度学习的高铁接触网支持装置紧固件故障诊断方法 |
| US20190130279A1 (en) * | 2017-10-27 | 2019-05-02 | Robert Bosch Gmbh | Method for detecting an anomalous image among a first dataset of images using an adversarial autoencoder |
| US10346969B1 (en) * | 2018-01-02 | 2019-07-09 | Amazon Technologies, Inc. | Detecting surface flaws using computer vision |
| CN110490166A (zh) * | 2019-08-26 | 2019-11-22 | 石家庄铁道大学 | 基于深度学习技术的高铁接触网管帽自动检测方法 |
| CN110555474A (zh) * | 2019-08-28 | 2019-12-10 | 上海电力大学 | 一种基于半监督学习的光伏面板故障检测方法 |
| US20190384964A1 (en) * | 2017-02-20 | 2019-12-19 | Omron Corporation | Shape estimating apparatus |
| CN110599469A (zh) * | 2019-08-30 | 2019-12-20 | 中国铁道科学研究院集团有限公司 | 一种动车组关键部位的缺陷检测方法、系统及电子设备 |
| CN110766011A (zh) * | 2019-12-26 | 2020-02-07 | 南京智莲森信息技术有限公司 | 一种基于深度多级优化的接触网螺母异常识别方法 |
-
2020
- 2020-02-18 CN CN202010099770.1A patent/CN111415326A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190384964A1 (en) * | 2017-02-20 | 2019-12-19 | Omron Corporation | Shape estimating apparatus |
| CN107563431A (zh) * | 2017-08-28 | 2018-01-09 | 西南交通大学 | 一种结合cnn迁移学习和svdd的图像异常检测方法 |
| CN107742130A (zh) * | 2017-10-25 | 2018-02-27 | 西南交通大学 | 基于深度学习的高铁接触网支持装置紧固件故障诊断方法 |
| US20190130279A1 (en) * | 2017-10-27 | 2019-05-02 | Robert Bosch Gmbh | Method for detecting an anomalous image among a first dataset of images using an adversarial autoencoder |
| US10346969B1 (en) * | 2018-01-02 | 2019-07-09 | Amazon Technologies, Inc. | Detecting surface flaws using computer vision |
| CN110490166A (zh) * | 2019-08-26 | 2019-11-22 | 石家庄铁道大学 | 基于深度学习技术的高铁接触网管帽自动检测方法 |
| CN110555474A (zh) * | 2019-08-28 | 2019-12-10 | 上海电力大学 | 一种基于半监督学习的光伏面板故障检测方法 |
| CN110599469A (zh) * | 2019-08-30 | 2019-12-20 | 中国铁道科学研究院集团有限公司 | 一种动车组关键部位的缺陷检测方法、系统及电子设备 |
| CN110766011A (zh) * | 2019-12-26 | 2020-02-07 | 南京智莲森信息技术有限公司 | 一种基于深度多级优化的接触网螺母异常识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| BERTHELOT D, SCHUMM T, METZ L.: "Began: Boundary equilibrium generative adversarial networks", 《ARXIV》 * |
| 李永基: "基于图像的轨道表面缺陷识别研究", 《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》 * |
| 赵冰等: "基于深度学习的铁路关键部件缺陷检测研究", 《铁道学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330615A (zh) * | 2020-10-27 | 2021-02-05 | 华能新能源股份有限公司河北分公司 | 一种转动部件高强度螺栓状态监测方法及系统 |
| CN112330615B (zh) * | 2020-10-27 | 2022-11-29 | 华能新能源股份有限公司河北分公司 | 一种转动部件高强度螺栓状态监测方法及系统 |
| CN113012113A (zh) * | 2021-03-01 | 2021-06-22 | 和远智能科技股份有限公司 | 一种高铁接触网供电设备螺栓松动自动检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7138753B2 (ja) | 画像欠陥検出方法、装置、電子機器、記憶媒体および製品 | |
| CN111353983B (zh) | 缺陷检测识别方法、装置、计算机可读介质及电子设备 | |
| CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
| CN110648305B (zh) | 工业图像检测方法、系统与计算机可读记录介质 | |
| CN110533086B (zh) | 图像数据半自动标注方法 | |
| CN109271374A (zh) | 一种基于机器学习的数据库健康度打分方法和打分系统 | |
| CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
| CN111415326A (zh) | 一种用于铁路接触网螺栓异常状态的检测方法及系统 | |
| CN111177135B (zh) | 一种基于界标的数据填补方法及装置 | |
| CN111862065A (zh) | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 | |
| CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
| CN116227586A (zh) | 基于深度残差收缩原型网络的元学习故障诊断方法及装置 | |
| CN114742122A (zh) | 设备故障诊断方法、装置、电子设备以及存储介质 | |
| CN113947597A (zh) | 一种基于屏蔽重建的工业缺陷检测方法、装置及介质 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN116630989A (zh) | 智能电表可视故障检测方法、系统、电子设备及存储介质 | |
| CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
| CN113447572B (zh) | 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质 | |
| CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
| CN110728310A (zh) | 一种基于超参数优化的目标检测模型融合方法及融合系统 | |
| CN117634006B (zh) | 基于bim技术的套管预埋工程管理系统及方法 | |
| CN111160454B (zh) | 一种速变信号检测方法和装置 | |
| CN117274903B (zh) | 基于智能ai芯片的电力巡检智能预警设备及其方法 | |
| CN117371553A (zh) | 智能运维系统的机器学习模型迭代方法及系统 | |
| CN117932421A (zh) | 地铁数据分类方法、装置及存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200714 |