CN111767913A - 一种基于深度学习的动车组车辆故障动态图像检测方法 - Google Patents
一种基于深度学习的动车组车辆故障动态图像检测方法 Download PDFInfo
- Publication number
- CN111767913A CN111767913A CN202010633539.6A CN202010633539A CN111767913A CN 111767913 A CN111767913 A CN 111767913A CN 202010633539 A CN202010633539 A CN 202010633539A CN 111767913 A CN111767913 A CN 111767913A
- Authority
- CN
- China
- Prior art keywords
- fault
- module
- deep learning
- motor train
- train unit
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 89
- 238000013135 deep learning Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于深度学习的动车组车辆故障动态图像检测方法，先通过深度学习目标检测算法直接对动车组车体故障进行初步检测，然后配合车体在正常状态和故障状态下的逻辑判断对动车组车辆故障动态图像进行综合分析，最终根据分析结果判断车体是否发生故障并作出预警，本发明涉及交通车辆检修技术领域。该基于深度学习的动车组车辆故障动态图像检测方法，通过利用深度学习目标检测算法对车体异常进行检测并配合车体正常状态和故障状态下的逻辑判断综合分析动车组车辆故障动态图像，最终得到故障判定结果，具有速度快、准确度高、稳定性高的优势，同时提高了动车所作业质量和作业效率，加强了动车检修中发现隐性故障的能力。
Description
技术领域
本发明涉及交通车辆检修技术领域，具体为一种基于深度学习的动车组车辆故障动态图像检测方法。
背景技术
随着我国铁路进入跨越式发展新时期，高速动车组飞奔在中国广袤大地上，在高速运行的状态下，任何细小、细微的故障都有可能引发重大事故，传统的以人为主的检查作业方式容易造成漏检，检车作业质量和效率难以得到保障，增加了发生动车组运行安全隐患的概率，因此提高动车组在长交路及高速运行中部件状态的检测和异常预警的能力，提高动车组检修质量和效率，加强动车组检修作业质量的监控至关重要，目前动车组检查作业面临三大困难：
第一，动车组新型运行模式导致检测能力不足，动车组折返运行时缺少对车体部件状态的检测手段，对故障产生初期的预警能力和隐蔽故障的发现能力不足；
第二，动车组高度复杂凸显了检测能力的不足，动车组部件结构复杂度高，检修范围大，细小部件数量多，检测量大，动车出库保障压力大；
第三，异地检修作业质量监控难，对于长交路的动车组经常需要在异地检修，这就要求配属运用所对于部件信息需要及时掌握和记录，这就涉及到不同铁路局不同运用所之间的众多人员，间接加大了对检修作业质量的监控难度。
与本发明最相似的实现方案为专利“CN201410843157.0”-《一种动车组运行状态图像监控故障自动识别方法》，该发明提供了一种动车组运行状态图像监控故障自动识别方法，将当前动车组运行故障图像检测系统TEDS设备近期采集的该动车组历史监控图像作为时间历史图、同一线路上该动车组最近经过的其它TEDS设备采集的监控图像作为空间历史图、当前TEDS设备采集的该动车组监控图像作为当前图，将时间历史图、空间历史图分别与当前图进行图像配准，获取时间历史配准图及空间历史配准图，将时间历史配准图进行加权平均作为历史标准图，将空间历史配准图进行加权计算作为故障权重矩阵，将当前图与历史标准图进行变化检测获取特征差异矩阵，利用特征差异矩阵与故障权重矩阵计算得到故障标记矩阵，具有能够有效提高动车组运行故障自动识别率、降低误判率的优点。
目前动车组车辆故障动态图像检测系统主要是利用轨边安装的高速面阵相机和高速线阵相机，采集动车组车体底部、车体两侧等可视部位图像，采用自动识别技术识别车体故障，实现故障的分级报警，同时图像通过网络实时传输至室内监测终端，由人工对异常报警进行确认和故障提交，但是现有的技术存在以下问题：第一，自动识别技术分为图像配准和图像特征分析比对两个阶段，图像配准需要借助车体历史图像作为参考，因此需要建立相应车体的数据库，前期工作量巨大；第二，图像特征分析比对利用先验的相似性度量对图像的特征进行比较，即可得出图像变化区域及变化程度，对车体的亮度、角度、距离等较为敏感，容易产生误报；第三，人工对异常报警确认需要大量的人力，工作量极大，而且对人的专业素质和注意力要求极高，容易产生漏报。
针对以上问题，本发明利用深度学习目标检测算法对车体异常进行检测并配合车体正常状态和故障状态下的逻辑判断综合分析动车组车辆故障动态图像，最终得到故障判定结果，本发明有以下几个优点：第一，速度快，计算机对车体异常检测的处理速度远远超过人工；第二，准确度高，利用深度学习目标检测算法对车体异常检测的准确率明显优于传统的以图像配准和图像特征分析比对为基础的自动识别技术，不易产生误报；第三，稳定性好，计算机技术克服了人工确认车体异常过程中因为缺乏专业素质，注意力不集中等个人原因造成漏报的弊端；第四，提高了动车所作业质量和作业效率，加强动车检修运用中隐性故障的发现能力，并且提高了故障基础信息的收集、分析和管理功能。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于深度学习的动车组车辆故障动态图像检测方法，相对于传统的以人为主的检查作业方式或者基于图像配准和图像特征分析比对的自动识别技术，利用深度学习技术对动车组车辆故障动态图像进行检测一方面可以提高检测的速度、准确度、稳定性；另一方面可以提高动车所作业质量和作业效率，提高动车检修中发现隐性故障的能力；同时进一步提高故障基础信息的收集、分析和管理功能。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习的动车组车辆故障动态图像检测方法，先通过深度学习目标检测算法直接对动车组车体故障进行初步检测，然后配合车体在正常状态和故障状态下的逻辑判断对动车组车辆故障动态图像进行综合分析，最终根据分析结果判断车体是否发生故障并作出预警。
基于深度学习的动车组车辆故障动态图像检测方法具体包括以下步骤：
S1、获取动车组车辆故障动态图像；
S2、通过深度学习检测算法直接检测动车组车辆故障动态图像，获得车体可能存在故障的区域；
S3、判断动车组车辆故障动态图像中车体可能存在故障的区域是否满足正常状态下的车体逻辑；
S4、判断动车组车辆故障动态图像中车体可能存在故障的区域是否满足故障状态下的车体逻辑；
S5、综合分析步骤S2至S4的结果，判定车体是否存在故障。
优选的，其具体的实现模块如下所述：
模块201：利用深度学习目标检测算法检测动车组车辆故障动态图像，得到车体部件的局部图像；
模块202：接受模块201的检测结果，并判断检测到的部件中是否存在故障区域，如果判断为是，则将判断结果传入模块203，否则结束；
模块203：接受模块202的判断结果，并判断该故障区域是否满足正常状态下的车体逻辑，如果判断为否，则将判断结果传入模块204，否则结束；
模块204：接受模块203的判断结果，并判断该故障区域是否满足故障状态下的车体逻辑，如果判断为是，则将判断结果传入模块205，否则结束；
模块205：接受模块204的判断结果，综合分析后，最终给出故障的判定结果。
本发明还公开了一种基于深度学习的动车组车辆故障动态图像检测方法的检测系统，包括图像采集模块、深度学习检测模块、逻辑判断模块和结果输出模块。
优选的，所述图像采集模块用于从动车组车辆故障动态图像检测系统中获取车体图像。
优选的，所述深度学习检测模块将图像采集模块输出的车体图像输入到深度学习检测模块中，且深度学习检测模块主要是利用目前深度学习中较为先进的目标检测算法，检测出该车体图像中可能存在的故障区域。
优选的，所述深度学习检测模块目标检测算法为Yolo算法或Centernet算法中的一种。
优选的，所述逻辑判断模块用于将深度学习检测模块中输出的检测结果先从正常状态下车体应该满足的逻辑的角度作出判断，再从故障状态下车体的逻辑的角度作出判断。
优选的，所述结果输出模块用于将深度学习检测模块和逻辑判断模块的判断结果进行综合分析，最终得到车体是否存在故障的判定。
(三)有益效果
本发明提供了一种基于深度学习的动车组车辆故障动态图像检测方法。与现有技术相比具备以下有益效果：
(1)、该基于深度学习的动车组车辆故障动态图像检测方法，通过利用深度学习目标检测算法对车体异常进行检测并配合车体正常状态和故障状态下的逻辑判断综合分析动车组车辆故障动态图像，最终得到故障判定结果，具有速度快、准确度高、稳定性高的优势，同时提高了动车所作业质量和作业效率，加强了动车检修中发现隐性故障的能力，提高了故障基础信息的收集、分析和管理功能，计算机对车体异常检测的处理速度远远超过人工。
(2)、该基于深度学习的动车组车辆故障动态图像检测方法，准确度高，利用深度学习目标检测算法对车体异常检测的准确率明显优于传统的以图像配准和图像特征分析比对为基础的自动识别技术，不易产生误报。
(3)、该基于深度学习的动车组车辆故障动态图像检测方法，稳定性好，计算机技术克服了人工确认车体异常过程中因为缺乏专业素质，注意力不集中等个人原因造成漏报的弊端。
(4)、该基于深度学习的动车组车辆故障动态图像检测方法，提高了动车所作业质量和作业效率，加强动车检修运用中隐性故障的发现能力，并且提高了故障基础信息的收集、分析和管理功能。
附图说明
图1为本发明实施例提供的系统框图；
图2为本发明实施例提供的动车组车辆故障动态图像检测方法流程图。
图中，101图像采集模块、102深度学习检测模块、103逻辑判断模块、104结果输出模块。
具体实施方式
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，所描述的实施例仅仅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。
请参阅图1-2，本发明实施例提供一种技术方案：一种基于深度学习的动车组车辆故障动态图像检测方法，先通过深度学习目标检测算法直接对动车组车体故障进行初步检测，然后配合车体在正常状态和故障状态下的逻辑判断对动车组车辆故障动态图像进行综合分析，最终根据分析结果判断车体是否发生故障并作出预警。
基于深度学习的动车组车辆故障动态图像检测方法具体包括以下步骤：
S1、获取动车组车辆故障动态图像；
S2、通过深度学习检测算法直接检测动车组车辆故障动态图像，获得车体可能存在故障的区域；
S3、判断动车组车辆故障动态图像中车体可能存在故障的区域是否满足正常状态下的车体逻辑；
S4、判断动车组车辆故障动态图像中车体可能存在故障的区域是否满足故障状态下的车体逻辑；
S5、综合分析步骤S2至S4的结果，判定车体是否存在故障。
如图2所示是动车组车辆故障动态图像检测方法流程图，具体的实现模块如下：
模块201：利用深度学习目标检测算法检测动车组车辆故障动态图像，得到车体部件的局部图像；
模块202：接受模块201的检测结果，并判断检测到的部件中是否存在故障区域，如果判断为是，则将判断结果传入模块203，否则结束；
模块203：接受模块202的判断结果，并判断该故障区域是否满足正常状态下的车体逻辑，如果判断为否，则将判断结果传入模块204，否则结束；
模块204：接受模块203的判断结果，并判断该故障区域是否满足故障状态下的车体逻辑，如果判断为是，则将判断结果传入模块205，否则结束；
模块205：接受模块204的判断结果，综合分析后，最终给出故障的判定结果。
本发明还公开了一种基于深度学习的动车组车辆故障动态图像检测方法的检测系统，包括图像采集模块101、深度学习检测模块102、逻辑判断模块103和结果输出模块104。
本发明中，图像采集模块101用于从动车组车辆故障动态图像检测系统中获取车体图像。
本发明中，深度学习检测模块102将图像采集模块101输出的车体图像输入到深度学习检测模块中，且深度学习检测模块102主要是利用目前深度学习中较为先进的目标检测算法，检测出该车体图像中可能存在的故障区域，深度学习检测模块102目标检测算法为Yolo算法或Centernet算法中的一种。
本发明中，逻辑判断模块103用于将深度学习检测模块102中输出的检测结果先从正常状态下车体应该满足的逻辑的角度作出判断，再从故障状态下车体的逻辑的角度作出判断。
本发明中，结果输出模块104用于将深度学习检测模块102和逻辑判断模块103的判断结果进行综合分析，最终得到车体是否存在故障的判定。
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于深度学习的动车组车辆故障动态图像检测方法，其特征在于：先通过深度学习目标检测算法直接对动车组车体故障进行初步检测，然后配合车体在正常状态和故障状态下的逻辑判断对动车组车辆故障动态图像进行综合分析，最终根据分析结果判断车体是否发生故障并作出预警；
基于深度学习的动车组车辆故障动态图像检测方法具体包括以下步骤：
S1、获取动车组车辆故障动态图像；
S2、通过深度学习检测算法直接检测动车组车辆故障动态图像，获得车体可能存在故障的区域；
S3、判断动车组车辆故障动态图像中车体可能存在故障的区域是否满足正常状态下的车体逻辑；
S4、判断动车组车辆故障动态图像中车体可能存在故障的区域是否满足故障状态下的车体逻辑；
S5、综合分析步骤S2至S4的结果，判定车体是否存在故障。
2.根据权利要求1所述的一种基于深度学习的动车组车辆故障动态图像检测方法，其特征在于：具体的实现模块如下所述：
模块201：利用深度学习目标检测算法检测动车组车辆故障动态图像，得到车体部件的局部图像；
模块202：接受模块201的检测结果，并判断检测到的部件中是否存在故障区域，如果判断为是，则将判断结果传入模块203，否则结束；
模块203：接受模块202的判断结果，并判断该故障区域是否满足正常状态下的车体逻辑，如果判断为否，则将判断结果传入模块204，否则结束；
模块204：接受模块203的判断结果，并判断该故障区域是否满足故障状态下的车体逻辑，如果判断为是，则将判断结果传入模块205，否则结束；
模块205：接受模块204的判断结果，综合分析后，最终给出故障的判定结果。
3.一种如权利要求1或2所述基于深度学习的动车组车辆故障动态图像检测方法的检测系统，其特征在于：包括图像采集模块(101)、深度学习检测模块(102)、逻辑判断模块(103)和结果输出模块(104)。
4.根据权利要求3所述的一种基于深度学习的动车组车辆故障动态图像检测方法的检测系统，其特征在于：所述图像采集模块(101)用于从动车组车辆故障动态图像检测系统中获取车体图像。
5.根据权利要求3所述的一种基于深度学习的动车组车辆故障动态图像检测方法的检测系统，其特征在于：所述深度学习检测模块(102)将图像采集模块(101)输出的车体图像输入到深度学习检测模块中，且深度学习检测模块(102)主要是利用目前深度学习中较为先进的目标检测算法，检测出该车体图像中可能存在的故障区域。
6.根据权利要求5所述的一种基于深度学习的动车组车辆故障动态图像检测方法的检测系统，其特征在于：所述深度学习检测模块(102)目标检测算法为Yolo算法或Centernet算法中的一种。
7.根据权利要求3所述的一种基于深度学习的动车组车辆故障动态图像检测方法的检测系统，其特征在于：所述逻辑判断模块(103)用于将深度学习检测模块(102)中输出的检测结果先从正常状态下车体应该满足的逻辑的角度作出判断，再从故障状态下车体的逻辑的角度作出判断。
8.根据权利要求3所述的一种基于深度学习的动车组车辆故障动态图像检测方法的检测系统，其特征在于：所述结果输出模块(104)用于将深度学习检测模块(102)和逻辑判断模块(103)的判断结果进行综合分析，最终得到车体是否存在故障的判定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010633539.6A CN111767913A (zh) | 2020-07-06 | 2020-07-06 | 一种基于深度学习的动车组车辆故障动态图像检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010633539.6A CN111767913A (zh) | 2020-07-06 | 2020-07-06 | 一种基于深度学习的动车组车辆故障动态图像检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111767913A true CN111767913A (zh) | 2020-10-13 |
Family
ID=72723678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010633539.6A Pending CN111767913A (zh) | 2020-07-06 | 2020-07-06 | 一种基于深度学习的动车组车辆故障动态图像检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767913A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465793A (zh) * | 2020-12-04 | 2021-03-09 | 郑州捷安高科股份有限公司 | 列车故障检测方法、装置、设备及存储介质 |
| CN113806218A (zh) * | 2021-08-18 | 2021-12-17 | 西安航空制动科技有限公司 | 一种故障综合逻辑判断优化方法 |
| CN117893195A (zh) * | 2024-01-10 | 2024-04-16 | 广州市启宏普浩企业管理服务有限公司 | 一种车辆故障排查和维修方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
| CN109977817A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 基于深度学习的动车组车底板螺栓故障检测方法 |
| CN110264440A (zh) * | 2019-05-10 | 2019-09-20 | 湖南大学 | 基于深度学习的大规模列车移位故障检测方法及系统 |
| CN110321933A (zh) * | 2019-06-11 | 2019-10-11 | 武汉闻道复兴智能科技有限责任公司 | 一种基于深度学习的故障识别方法和装置 |
| CN111079819A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像识别与深度学习的铁路货车钩舌销的状态判断方法 |
| CN111080611A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车摇枕弹簧折断故障图像识别方法 |
-
2020
- 2020-07-06 CN CN202010633539.6A patent/CN111767913A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
| CN109977817A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 基于深度学习的动车组车底板螺栓故障检测方法 |
| CN110264440A (zh) * | 2019-05-10 | 2019-09-20 | 湖南大学 | 基于深度学习的大规模列车移位故障检测方法及系统 |
| CN110321933A (zh) * | 2019-06-11 | 2019-10-11 | 武汉闻道复兴智能科技有限责任公司 | 一种基于深度学习的故障识别方法和装置 |
| CN111079819A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像识别与深度学习的铁路货车钩舌销的状态判断方法 |
| CN111080611A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车摇枕弹簧折断故障图像识别方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465793A (zh) * | 2020-12-04 | 2021-03-09 | 郑州捷安高科股份有限公司 | 列车故障检测方法、装置、设备及存储介质 |
| CN113806218A (zh) * | 2021-08-18 | 2021-12-17 | 西安航空制动科技有限公司 | 一种故障综合逻辑判断优化方法 |
| CN117893195A (zh) * | 2024-01-10 | 2024-04-16 | 广州市启宏普浩企业管理服务有限公司 | 一种车辆故障排查和维修方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111767913A (zh) | 一种基于深度学习的动车组车辆故障动态图像检测方法 | |
| CN105416097B (zh) | 基于激光雷达的接触网检测检修车及方法 | |
| CN111024728B (zh) | 一种基于计算机视觉与超声波探伤的铁路检测方法和系统 | |
| CN111896625A (zh) | 钢轨伤损实时监测方法及其监测系统 | |
| CN111260822B (zh) | 一种基于大数据的轨道交通车辆健康状态分析方法及终端 | |
| CN105115605A (zh) | 轨道列车红外检测系统及检测方法 | |
| CN107895482A (zh) | 基于毫米波雷达与激光雷达的交通情况调查装置及方法 | |
| CN110509951A (zh) | 一种轨道故障检测系统及方法 | |
| 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 | |
| CN111007365A (zh) | 一种基于神经网络的超声波局部放电识别方法及系统 | |
| CN113536440B (zh) | 一种基于bim运维管理系统的数据处理方法 | |
| CN104077568A (zh) | 一种高精度的驾驶员行为识别与监控方法及系统 | |
| CN113988326A (zh) | 一种地铁设备维修优化方法及系统 | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
| CN116147632B (zh) | 新增电力设备动态巡检路径规划方法及其系统 | |
| CN205157546U (zh) | 一种带有质量等级评价功能的空气质量检测设备 | |
| CN115439643A (zh) | 一种基于单目测量的道路病害尺寸分析与管理方法 | |
| CN113267601B (zh) | 一种基于机器视觉和数据分析的工业生产环境远程实时监测云平台 | |
| CN117723739B (zh) | 一种低碳润滑油的质量分析方法及系统 | |
| CN112446320B (zh) | 一种模糊识别逻辑门多重互补局放判别装置及方法 | |
| CN117686021A (zh) | 一种基于数据分析的智能化管道线缆管控系统 | |
| CN113032907A (zh) | 基于波形相关关系的晃车病害数据偏差纠正方法及系统 | |
| CN105282497A (zh) | 铁路接送列车安全辅助系统及使用方法 | |
| CN205157057U (zh) | 轨道列车红外检测系统 | |
| CN116738319A (zh) | 高速公路车辆爆胎预警装置及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201013 |
|
| RJ01 | Rejection of invention patent application after publication |