CN111652294A - 铁路货车折叠式人力制动机轴脱落故障识别方法及系统 - Google Patents

铁路货车折叠式人力制动机轴脱落故障识别方法及系统 Download PDF

Info

Publication number
CN111652294A
CN111652294A CN202010437705.5A CN202010437705A CN111652294A CN 111652294 A CN111652294 A CN 111652294A CN 202010437705 A CN202010437705 A CN 202010437705A CN 111652294 A CN111652294 A CN 111652294A
Authority
CN
China
Prior art keywords
manual brake
shaft
folding
image
folding type
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
CN202010437705.5A
Other languages
English (en)
Other versions
CN111652294B (zh
Inventor
王斐
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 CN202010437705.5A priority Critical patent/CN111652294B/zh
Publication of CN111652294A publication Critical patent/CN111652294A/zh
Application granted granted Critical
Publication of CN111652294B publication Critical patent/CN111652294B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
    • B60T17/18—Safety devices; Monitoring
    • B60T17/22—Devices for monitoring or checking brake systems; Signal devices
    • B60T17/228—Devices for monitoring or checking brake systems; Signal devices for railway vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/08—Railway vehicles
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Valves And Accessory Devices For Braking Systems (AREA)
  • Braking Arrangements (AREA)

Abstract

铁路货车折叠式人力制动机轴脱落故障识别方法及系统，属于铁路货车检测技术领域。为了解决现有的人工检测工作效率低的问题和神经网络不能同时保证准确率、误报率及检测效率的问题。本发明所述的方法首先取货车折叠式人力制动机轴图像，然后将图像调整到统一大小后通过Faster RCNN进行预测；通过Faster RCNN网络进行预测的步骤为通过Faster RCNN网络预测折叠式人力制动机轴尾部的安装座、头部的人力制动把手、中断与车体相连托架的连接部分；在预测过程中将数据精度降低到FP16；然后根据预测结果进行折叠式人力制动机轴的脱落故障识别。主要用于折叠式人力制动机轴的脱落故障识别。

Description

铁路货车折叠式人力制动机轴脱落故障识别方法及系统
技术领域
本发明涉及一种铁路货车的人力制动机轴脱落故障识别方法及系统。属于铁路货车检测技术领域。
背景技术
目前货车故障检测，一般采用人工排查的方式进行故障检修。由检测作业受作业人员的业务素质、责任心、劳动强度等因素影响较大，容易发生漏检或简化作业等情况。人工检测工作效率低，一旦出现作业质量问题，不利于查找作业过程中产生问题的原因和问题发生的时间。
随着芯片硬件处理性能的巨大提升为深度网络的复杂计算提供了基础，同时深度学习技术也进一步发展，目前的深度学习已经广泛应用在图像处理领域，相对于传统方式深度学习将特征学习融入到了建立模型的过程中，能够有效提高故障检测的准确率和效率。但是由于图像相对比较暗，且对应部件图像形状也不规则，直接将现有的神经网络模型应用于铁路货车折叠式人力制动机轴脱落故障识别效果并不理想，如果要保证足够高的准确率，一般会导致误报率也比较高；如果控制误报率较低，也往往会导致准确率的下降。
发明内容
本发明是为了解决现有的人工检测工作效率低的问题和神经网络不能同时保证准确率、误报率及检测效率的问题。现提供一种铁路货车折叠式人力制动机轴脱落故障识别方法和一种铁路货车折叠式人力制动机轴脱落故障识别系统。
铁路货车折叠式人力制动机轴脱落故障识别方法，获取货车折叠式人力制动机轴图像，然后将图像调整到统一大小后通过Faster RCNN进行预测；
通过Faster RCNN网络进行预测的步骤为通过Faster RCNN网络预测折叠式人力制动机轴尾部的安装座、头部的人力制动把手、中断与车体相连托架的连接部分；在预测过程中将数据精度降低到FP16；
当图像的预测结果中包含尾部的安装座，不包含头部的人力制动把手或中断与车体相连托架的连接部分时候，判断折叠式人力制动机轴脱落；
当图像的预测结果中不包含尾部安装座和头部的人力制动把手，判断此车未安装折叠式人力制动机轴；
当图像的预测结果中包含尾部安装座和头部的人力制动把手，但检测到中断与车体相连托架脱离，判断折叠式人力制动机轴脱落；
当图像的预测结果中包含尾部安装座和头部的人力制动把手，根据检测到的尾部安装座位置和头部的人力制动把手位置关系进一步确定，如果头部的人力制动把手位置与理论安装位置存在位置偏差大于预设阈值，判断折叠式人力制动机轴脱落。
所述的Faster RCNN网络采用基于VGG16的Faster RCNN网络，基于VGG16的FasterRCNN网络的特征提取网络包含13个conv层+13个relu层+4个pooling层，且激活函数为Mish。
进一步地，所述的Faster RCNN网络在需要通过训练过程确定模型参数，将得到的训练好的Faster RCNN网络用于预测；在训练过程中用到的训练数据集的构建如下：
通过图像采集设备获取货车折叠式人力制动机轴的图像；获取的货车折叠式人力制动机轴图像包括不同地点、不同时间、不同车型及不同天气条件下拍摄的图像；且采集的图像包括真实故障图像和正常的折叠式人力制动机轴图像；
在货车折叠式人力制动机轴图像中分别标记尾部的安装座、头部的制动机把手和中部与托架的连接部，并生成相应的标签文件；
将人力制动机轴图像和对应的标签文件作为Faster RCNN目标检测网络的训练数据集。
进一步地，在训练数据集的构建过程中需要对采集的图像进行图像扩增操作，包括进行拉伸、旋转及镜像变换。
一种铁路货车折叠式人力制动机轴脱落故障识别系统，包括部件预测模块和故障识别模块；
所述的部件预测模块通过Faster RCNN网络预测折叠式人力制动机轴尾部的安装座、头部的人力制动把手、中断与车体相连托架的连接部分；在预测过程中的数据精度为FP16；
所述的故障识别模块用于故障的判别，判别过程如下：
当图像的预测结果中包含尾部的安装座，不包含头部的人力制动把手或中断与车体相连托架的连接部分时候，判断折叠式人力制动机轴脱落；
当图像的预测结果中不包含尾部安装座和头部的人力制动把手，判断此车未安装折叠式人力制动机轴；
当图像的预测结果中包含尾部安装座和头部的人力制动把手，但检测到中断与车体相连托架脱离，判断折叠式人力制动机轴脱落；
当图像的预测结果中包含尾部安装座和头部的人力制动把手，根据检测到的尾部安装座位置和头部的人力制动把手位置关系进一步确定，如果头部的人力制动把手位置与理论安装位置存在位置偏差大于预设阈值，判断折叠式人力制动机轴脱落。
进一步地，所述系统还包括图像采集模块，所述的图像采集模块用于获取货车折叠式人力制动机轴图像。所述的图像采集模块还用于将获取的货车折叠式人力制动机轴图像调整图像固定尺寸。
所述的部件预测模块中的Faster RCNN网络采用基于VGG16的Faster RCNN网络，基于VGG16的Faster RCNN网络的特征提取网络包含13个conv层+13个relu层+4个pooling层，且激活函数为Mish。
有益效果：
本发明基于人力制动机轴的特点，考虑折叠式人力制动机轴安装在货车车厢的车头或车尾，包括尾部的安装座、头部的人力制动把手、中段固定在与车体相连的托架上。所以本发明使用目标检测网络Faster RCNN检查定位折叠式人力制动机轴三个部分的状态及位置，从而在一定程度上兼顾检测的准确率和误报率。同时本发明在预测时降低数据精度将FP32降低到FP16，从而在兼顾检测的准确率和误报率的基础上，使得内存占用和延迟更低，模型体积更小，进一步提高网络的运行速度，提高检测的效率，保证实时性。
当采用基于VGG16的Faster RCNN网络时，将网络中的激活函数ReLU层替换为Mish，在一定程度上能够进一步提高检测的准确率和降低误报率。
附图说明
图1为货车折叠式人力制动机轴图像的标记示意图；
图2为具体实施方式一的流程示意图。
具体实施方式
具体实施方式一：参照图2具体说明本实施方式，
本实施方式为一种铁路货车折叠式人力制动机轴脱落故障识别方法，包括以下步骤：
1、建立样本数据集：
通过安装在轨道底部的高清图像采集设备获取货车折叠式人力制动机轴的大量图像。将不同地点、不同时间、不同车型及不同天气条件下拍摄的图像收集到样本数据集中。
收集的图像包括真实故障图像和正常的折叠式人力制动机轴图像。为了更加丰富样本种类和数量，将收集的图像进行拉伸、旋转及镜像等变换，扩增现有数据集合。收集不同条件下拍摄的车轮图像有利于丰富样本数据，增加训练结果的鲁棒性和适应性。
如图1所示，在货车折叠式人力制动机轴图像中分别标记尾部的安装座、头部的制动机把手和中部与托架的连接部，并生成相应的标签文件；将这些人力制动机轴图像和对应的标签文件作为Faster RCNN目标检测网络的训练数据集。
2、利用训练数据集进行训练，确定模型权重：
利用Faster RCNN特征提取网络对图像进行故障预测；Faster RCNN首先使用一组基础的conv+relu+pooling层提取图像中的feature map。
采用基于VGG16的Faster RCNN网络的过程，特征提取网络(VGG16网络)包含13个conv层+13个relu层+4个pooling层；原始网络激活函数为ReLU层，将网络中的激活函数ReLU层替换为Mish，由于本发明对应的人力制动机轴图像的特点(图像相对比较暗，且对应标签的图像形状也不规则)，经过研究和实验发现，Mish函数在最终准确度上相对ReLU有所提高。
Mish＝x*tanh(ln(1+e^x))
ReLU＝max(0,x)
现有技术中，ReLU作为激活函数广泛应用各种神经网络中。Mish正值可以达到任何高度，避免了由于封顶而导致的饱和。理论上对负值的允许更好的梯度流，而不是像ReLU中那样的取消负值使用零边界。平滑的激活函数允许更好的信息深入神经网络，从而得到更好的准确性和泛化。
为了提高模型在预测过程中的效率，使用基于VGG16的Faster RCNN网络的过程训练完成后预测过程中将建议窗口数量由300降低至100个。
训练完成后，对训练好的模型进行优化，提高网络的预测速度：深度学习在训练神经网络时网络中的张量都是FP32，一旦网络训练完成，在推理的过程中不需要反向传播，降低数据精度将FP32降低到FP16。更低的数据精度将会使得内存占用和延迟更低，模型体积更小。
3、故障预测：
获取货车折叠式人力制动机轴图像后，将图像调整到统一大小后进行预测；
通过Faster RCNN获取折叠式人力制动机轴尾部的安装座、头部的人力制动把手、中断与车体相连托架的连接部分；
当图像的预测结果中包含尾部的安装座，不包含头部的人力制动把手或中断与车体相连托架的连接部分时候，判断折叠式人力制动机轴脱落；
当图像的预测结果中不包含尾部安装座和头部的人力制动把手，判断此车未安装折叠式人力制动机轴；
当图像的预测结果中包含尾部安装座和头部的人力制动把手，但检测到中断与车体相连托架脱离，判断折叠式人力制动机轴脱落；
当图像的预测结果中包含尾部安装座和头部的人力制动把手，根据检测到的尾部安装座位置和头部的人力制动把手位置关系进一步确定，如果头部的人力制动把手位置与理论安装位置存在位置偏差大于预设阈值(较大偏差)，判断折叠式人力制动机轴脱落。
具体实施方式二：
本实施方式为一种铁路货车折叠式人力制动机轴脱落故障识别系统，包括图像采集模块、部件预测模块和故障识别模块；
所述的图像采集模块用于获取货车折叠式人力制动机轴图像，并调整图像大小；
所述的部件预测模块通过Faster RCNN网络预测折叠式人力制动机轴尾部的安装座、头部的人力制动把手、中断与车体相连托架的连接部分；在预测过程中的数据精度为FP16；
在一些实施例中，所述的部件预测模块中的Faster RCNN网络采用基于VGG16的Faster RCNN网络，基于VGG16的Faster RCNN网络的特征提取网络包含13个conv层+13个relu层+4个pooling层，且激活函数为Mish。
所述的故障识别模块用于故障的判别，判别过程如下：
当图像的预测结果中包含尾部的安装座，不包含头部的人力制动把手或中断与车体相连托架的连接部分时候，判断折叠式人力制动机轴脱落；
当图像的预测结果中不包含尾部安装座和头部的人力制动把手，判断此车未安装折叠式人力制动机轴；
当图像的预测结果中包含尾部安装座和头部的人力制动把手，但检测到中断与车体相连托架脱离，判断折叠式人力制动机轴脱落；
当图像的预测结果中包含尾部安装座和头部的人力制动把手，根据检测到的尾部安装座位置和头部的人力制动把手位置关系进一步确定，如果头部的人力制动把手位置与理论安装位置存在位置偏差大于预设阈值，判断折叠式人力制动机轴脱落。
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 (8)

1.铁路货车折叠式人力制动机轴脱落故障识别方法，获取货车折叠式人力制动机轴图像，然后将图像调整到统一大小后通过Faster RCNN进行预测；
其特征在于，通过Faster RCNN网络进行预测的步骤为通过Faster RCNN网络预测折叠式人力制动机轴尾部的安装座、头部的人力制动把手、中断与车体相连托架的连接部分；在预测过程中将数据精度降低到FP16；
当图像的预测结果中包含尾部的安装座，不包含头部的人力制动把手或中断与车体相连托架的连接部分时候，判断折叠式人力制动机轴脱落；
当图像的预测结果中不包含尾部安装座和头部的人力制动把手，判断此车未安装折叠式人力制动机轴；
当图像的预测结果中包含尾部安装座和头部的人力制动把手，但检测到中断与车体相连托架脱离，判断折叠式人力制动机轴脱落；
当图像的预测结果中包含尾部安装座和头部的人力制动把手，根据检测到的尾部安装座位置和头部的人力制动把手位置关系进一步确定，如果头部的人力制动把手位置与理论安装位置存在位置偏差大于预设阈值，判断折叠式人力制动机轴脱落。
2.根据权利要求1所述的铁路货车折叠式人力制动机轴脱落故障识别方法，其特征在于，所述的Faster RCNN网络采用基于VGG16的Faster RCNN网络，基于VGG16的Faster RCNN网络的特征提取网络包含13个conv层+13个relu层+4个pooling层，且激活函数为Mish。
3.根据权利要求1或2所述的铁路货车折叠式人力制动机轴脱落故障识别方法，其特征在于，所述的Faster RCNN网络在需要通过训练过程确定模型参数，将得到的训练好的Faster RCNN网络用于预测；在训练过程中用到的训练数据集的构建如下：
通过图像采集设备获取货车折叠式人力制动机轴的图像；获取的货车折叠式人力制动机轴图像包括不同地点、不同时间、不同车型及不同天气条件下拍摄的图像；且采集的图像包括真实故障图像和正常的折叠式人力制动机轴图像；
在货车折叠式人力制动机轴图像中分别标记尾部的安装座、头部的制动机把手和中部与托架的连接部，并生成相应的标签文件；
将人力制动机轴图像和对应的标签文件作为Faster RCNN目标检测网络的训练数据集。
4.根据权利要求3所述的铁路货车折叠式人力制动机轴脱落故障识别方法，其特征在于，在训练数据集的构建过程中需要对采集的图像进行图像扩增操作，包括进行拉伸、旋转及镜像变换。
5.一种铁路货车折叠式人力制动机轴脱落故障识别系统，其特征在于，包括部件预测模块和故障识别模块；
所述的部件预测模块通过Faster RCNN网络预测折叠式人力制动机轴尾部的安装座、头部的人力制动把手、中断与车体相连托架的连接部分；在预测过程中的数据精度为FP16；
所述的故障识别模块用于故障的判别，判别过程如下：
当图像的预测结果中包含尾部的安装座，不包含头部的人力制动把手或中断与车体相连托架的连接部分时候，判断折叠式人力制动机轴脱落；
当图像的预测结果中不包含尾部安装座和头部的人力制动把手，判断此车未安装折叠式人力制动机轴；
当图像的预测结果中包含尾部安装座和头部的人力制动把手，但检测到中断与车体相连托架脱离，判断折叠式人力制动机轴脱落；
当图像的预测结果中包含尾部安装座和头部的人力制动把手，根据检测到的尾部安装座位置和头部的人力制动把手位置关系进一步确定，如果头部的人力制动把手位置与理论安装位置存在位置偏差大于预设阈值，判断折叠式人力制动机轴脱落。
6.根据权利要求5所述的一种铁路货车折叠式人力制动机轴脱落故障识别系统，其特征在于，所述系统还包括图像采集模块，所述的图像采集模块用于获取货车折叠式人力制动机轴图像。
7.根据权利要求6所述的一种铁路货车折叠式人力制动机轴脱落故障识别系统，其特征在于，所述的图像采集模块还用于将获取的货车折叠式人力制动机轴图像调整图像固定尺寸。
8.根据权利要求6或7所述的一种铁路货车折叠式人力制动机轴脱落故障识别系统，其特征在于，所述的部件预测模块中的Faster RCNN网络采用基于VGG16的Faster RCNN网络，基于VGG16的Faster RCNN网络的特征提取网络包含13个conv层+13个relu层+4个pooling层，且激活函数为Mish。
CN202010437705.5A 2020-05-21 2020-05-21 铁路货车折叠式人力制动机轴脱落故障识别方法及系统 Active CN111652294B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010437705.5A CN111652294B (zh) 2020-05-21 2020-05-21 铁路货车折叠式人力制动机轴脱落故障识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010437705.5A CN111652294B (zh) 2020-05-21 2020-05-21 铁路货车折叠式人力制动机轴脱落故障识别方法及系统

Publications (2)

Publication Number Publication Date
CN111652294A true CN111652294A (zh) 2020-09-11
CN111652294B CN111652294B (zh) 2021-05-07

Family

ID=72342934

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010437705.5A Active CN111652294B (zh) 2020-05-21 2020-05-21 铁路货车折叠式人力制动机轴脱落故障识别方法及系统

Country Status (1)

Country Link
CN (1) CN111652294B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778740A (zh) * 2016-12-06 2017-05-31 北京航空航天大学 一种基于深度学习的tfds非故障图像检测方法
CN109633310A (zh) * 2018-12-14 2019-04-16 山东鲁能智能技术有限公司 面向电动汽车充电设施的互联互通检测云平台
WO2019141741A1 (en) * 2018-01-19 2019-07-25 Arcus Holding A/S License plate reader using optical character recognition on plural detected regions
CN110133501A (zh) * 2019-05-15 2019-08-16 湘潭大学 一种基于专家系统引导的电力机车写极永磁同步牵引系统
CN111080605A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车人力制动机轴链脱落故障图像识别方法
CN111080614A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车轮轮辋及踏面的破损识别方法
CN111080601A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车脱轨制动装置拉环磨轴故障图像识别方法
CN111079820A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种基于图像识别的铁路货车防火板故障识别方法
CN111079631A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车钩提杆脱落故障识别方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778740A (zh) * 2016-12-06 2017-05-31 北京航空航天大学 一种基于深度学习的tfds非故障图像检测方法
WO2019141741A1 (en) * 2018-01-19 2019-07-25 Arcus Holding A/S License plate reader using optical character recognition on plural detected regions
CN109633310A (zh) * 2018-12-14 2019-04-16 山东鲁能智能技术有限公司 面向电动汽车充电设施的互联互通检测云平台
CN110133501A (zh) * 2019-05-15 2019-08-16 湘潭大学 一种基于专家系统引导的电力机车写极永磁同步牵引系统
CN111080605A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车人力制动机轴链脱落故障图像识别方法
CN111080614A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车轮轮辋及踏面的破损识别方法
CN111080601A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车脱轨制动装置拉环磨轴故障图像识别方法
CN111079820A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种基于图像识别的铁路货车防火板故障识别方法
CN111079631A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车钩提杆脱落故障识别方法及系统

Also Published As

Publication number Publication date
CN111652294B (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN111815605B (zh) 基于分步深度学习的轨枕缺陷检测方法及存储介质
CN103034850B (zh) 一种tfds挡键丢失故障自动识别方法
CN111091543B (zh) 铁路货车摇枕弹簧丢失故障目标检测方法
WO2020134324A1 (zh) 一种基于图像处理的城轨列车车号识别算法
CN106919902B (zh) 一种基于cnn的车辆识别和轨迹追踪方法
CN111652296A (zh) 一种基于深度学习的铁路货车下拉杆折断故障检测方法
CN111862029A (zh) 一种铁路动车组垂向减震器螺栓部件故障检测方法
CN106778650A (zh) 基于多类型信息融合的场景自适应行人检测方法和系统
CN103985182A (zh) 一种公交客流自动计数方法及自动计数系统
CN111080614A (zh) 铁路货车轮轮辋及踏面的破损识别方法
CN111242015A (zh) 一种基于运动轮廓语义图预测行车危险场景的方法
CN107274668A (zh) 一种基于车辆检测的道路拥堵建模方法
CN111994129A (zh) 一种轮轨列车防滑控制方法及系统
CN109345512A (zh) 汽车图像的处理方法、装置及可读存储介质
CN111079675A (zh) 基于目标检测与目标跟踪的行驶行为分析方法
CN109002797A (zh) 车辆变道检测方法、装置、存储介质和计算机设备
CN108734303A (zh) 车辆驾驶数据预测方法、设备及计算机可读存储介质
CN112308855A (zh) 钢轨伤损识别模型生成装置、伤损检测装置及系统
CN111079629A (zh) 铁路货车心盘脱出故障图像识别方法
CN107705256B (zh) 一种基于接触网语义的前向车载视频图像增强方法
CN105891217A (zh) 基于智能小车的钢轨表面缺陷检测系统及方法
CN111091552A (zh) 铁路货车折角塞门把手关闭故障图像识别方法
CN116168356A (zh) 一种基于计算机视觉的车辆损伤判别方法
CN111738089A (zh) 一种地铁巡检agv故障检测方法
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

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