CN112116195B - 基于实例分割的铁路梁生产工序识别方法 - Google Patents
基于实例分割的铁路梁生产工序识别方法 Download PDFInfo
- Publication number
- CN112116195B CN112116195B CN202010702096.1A CN202010702096A CN112116195B CN 112116195 B CN112116195 B CN 112116195B CN 202010702096 A CN202010702096 A CN 202010702096A CN 112116195 B CN112116195 B CN 112116195B
- Authority
- CN
- China
- Prior art keywords
- railway beam
- production process
- segmentation
- instance
- beam production
- 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
- 238000000034 method Methods 0.000 title claims abstract description 129
- 230000011218 segmentation Effects 0.000 title claims abstract description 82
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 25
- 229910000831 Steel Inorganic materials 0.000 claims description 6
- 238000010924 continuous production Methods 0.000 claims description 6
- 239000010959 steel Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000005266 casting Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于实例分割的铁路梁生产工序识别方法，属于铁路梁生产工艺周期不同工序状态的图像识别领域。本发明包括如下步骤：建立实例分割模型与缓存器，并训练实例分割模型；采集铁路梁生产工序实时图像画面并进行视觉分析处理，同时加载实例分割模型进行推理，并得出分割结果；根据得出的分割结果，结合缓存器历史数据进行认证后，得到最终结果并更新当前最新生产工序状态。本发明能够对整个铁路梁制造周期进行全生命周期的监测，并能够对实时的工序状态进行记录；同时也能够避免工作人员操作失误导致的实时工序判断错误，进而能有效的提高铁路梁生产工序状态识别效率。
Description
技术领域
本发明属于铁路梁生产工艺周期不同工序状态的图像识别领域，尤其是涉及基于实例分割的铁路梁生产工序识别方法。
背景技术
铁路梁全称铁路混凝土简支梁，现有的铁路梁的生产工序十分复杂，包含的工序种类主要包括模板拼接、钢筋吊装、混凝土浇筑、拆内模、拆外模、张拉、压浆、移梁等八种，每道工序不但时间跨度长，而且还与下一道工序衔接紧密。
现有技术中，铁路梁厂实际生产采用的是时序性流水作业工艺，实际生产过程中工人需要每天定时对每道梁的状态进行跟踪记录，对每道梁建立全生产周期的工序状态档案。
但是，由于铁路梁制造周期受温度与湿度等因素影响，每道梁的生产周期很长，且不同生产工序之间的状态更新无法完成统一，工人每天只能在固定时间对铁路梁的工序状态进行记录，无法做到全生命周期的监测。另外，铁路梁生产工序之间的衔接与时序交替关系复杂，会存在因工作人员操作失误，而导致的实时工序判断错误的情况，降低了铁路梁工序识别的效率。
因此，设计一种能有效提高铁路梁生产工序状态识别效率的铁路梁生产工序识别方法就显得十分必要。
发明内容
本发明是为了克服现有技术中，现有的铁路梁生产工序识别存在识别效率低下，无法做到全生命周期的监测以及由于工序之间的衔接与时序交替关系复杂，容易导致工作人员操作失误，发生实时工序判断错误的问题，提供了一种能有效提高铁路梁生产工序状态识别效率的基于实例分割的铁路梁生产工序识别方法。
为实现上述目的，本发明采用以下技术方案：
基于实例分割的铁路梁生产工序识别方法，包括如下步骤：
步骤一，建立实例分割模型与缓存器，并训练实例分割模型；
步骤二，采集铁路梁生产工序实时图像画面并进行视觉分析处理，同时加载实例分割模型进行推理，并得出分割结果；
步骤三，根据得出的分割结果，结合缓存器历史数据进行认证后，得到最终结果并更新当前最新生产工序状态。
可选的，步骤一中所述建立实例分割模型，包括如下步骤：
分析铁路梁生产工序中各个连续工序状态特征，同时选取出各个连续工序中的典型特征，并对各个工序的典型特征数据样本进行分割标注；
使用分割标注后的工序典型特征数据样本，并基于Faster-RCNN目标检测建立的实例分割框架，建立铁路梁生产工序实例分割模型。
可选的，步骤一中所述训练实例分割模型，包括如下步骤：
结合深度学习框架PyTorch搭建基础训练与推理环境，并训练实例分割模型。
可选的，所述采集铁路梁生产工序实时视频画面并进行视觉分析处理，同时加载实例分割模型进行推理，并得出分割结果，包括如下步骤：
对图像采集设备所采集的视野画面进行预处理，通过霍夫直线检测检测出视野画面中水渠的位置,并绘制水渠分界线；
通过水渠分界线对图像采集设备视野中的铁路梁进行定位并建立ROI工作区域；
通过计算机视觉库opencv实时轮询采集每个图像采集设备的数据并定义时间戳后，送入建立好的实例分割模型进行结果推理；
通过实例分割模型推理结果，进行工序状态识别，同时结合ROI工作区域给每道铁路梁打上相应的工序状态标签。
可选的，所述铁路梁生产工序包括模板拼接、钢筋吊装、混凝土浇筑、拆内模、拆外模、张拉、压浆和移梁。
可选的，所述模板拼接工序与拆外模工序具有相同的典型特征。
可选的，步骤三还包括如下步骤：
当实时得出的分割结果，出现超前工序与滞后工序的情况时，则对比缓存器数据进行工艺识别纠错，再获得最终结果并更新当前最新生产工序状态。
可选的，步骤三还包括如下步骤：
在对于具有相同典型特征的模板拼接工序与拆外模工序进行识别时，根据缓存器内设定的逻辑进行判别。
可选的，所述缓存器，用于对铁路梁的全流程工序状态进行跟踪记录与纠错校验。
因此，本发明具有如下有益效果：(1)本发明能够对整个铁路梁制造周期进行全生命周期的监测，并能够对实时的工序状态进行记录；(2)避免了工作人员操作失误导致的实时工序判断错误，能有效的提高铁路梁生产工序状态识别效率。
附图说明
图1为本发明中的一种流程图；
图2为本发明中数据缓存器的一种结构示意图；
图3为本发明中实例分割模型的一种流程图；
图4为本发明中浇筑工序整体实例分割的一种结构示意图；
图5为本发明中水渠检测的一种效果图；
图6为本发明中ROI工作区域的一种架构图；
图7为本发明中拆内膜工序分割检测的一种效果图；
图8为本发明中正常工序下缓存器工作的一种流程图；
图9为本发明中滞后工序下缓存器工作的一种流程图；
图10为本发明中超前工序下缓存器工作的一种流程图；
图11为本发明中模板拼接与拆外模相同分割特征情况下缓存器工作的一种流程图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述：
实施例1：
如图1所示为本发明基于实例分割的铁路梁生产工序识别方法，包括如下步骤：
步骤一，建立实例分割模型与缓存器，并训练实例分割模型；
步骤二，采集铁路梁生产工序实时图像画面并进行视觉分析处理，同时加载实例分割模型进行推理，并得出分割结果；
步骤三，根据得出的分割结果，结合缓存器历史数据进行认证后，得到最终结果并更新当前最新生产工序状态。
其中，缓存器，用于对铁路梁的全流程工序状态进行跟踪记录与纠错校验。
步骤一中，建立实例分割模型与缓存器，包括：
分析铁路梁生产工序中各个连续工序状态特征，同时选取出各个连续工序中的典型特征，并对各个工序的典型特征数据样本进行分割标注；
使用分割标注后的工序典型特征数据样本，并基于Faster-RCNN目标检测建立的实例分割框架，建立铁路梁生产工序实例分割模型。
具体的，铁路梁生产工序包括模板拼接、钢筋吊装、混凝土浇筑、拆内模、拆外模、张拉、压浆和移梁。在实际操作过程中，各个工序对应的具体操作步骤如下：
对于模板拼接工序选取龙门吊的模板吊装支架作为分割目标；
对于钢筋吊装工序选取吊装架三角区域框作为分割目标；
对于混凝土浇筑工序选取混凝土浇筑通作为分割目标；
对于拆内模工序选取内模板箱体作为分割目标；
对于拆外模工序选取龙门吊的模板吊装支架作为分割目标；
对于张拉工序选取张拉机作为分割目标；
对于压浆工序选取压浆机作为分割目标；
对于移梁工序选取龙门吊移梁吊装支架作为分割目标。
其中，拆外模和模板拼接工序具有相同的分割特征。
另外，建立时序性工序状态缓存器，用于对铁路梁的全流程工序状态进行跟踪记录与纠错校验。
如图2所示，工序状态缓存器的主要作用是仿真生产一道铁路梁所需要经过的完整的八个工序以及未知状态，缓存器为环形工作状态。一道铁路梁在完成所有工序后，缓存器的数据自动清除为下一道铁路梁做准备。
缓存器中的工序是否启用状态用0和1代替，0代表此工序还没有启用，1代表当前工序正在进行。
可选的，所述使用分割标注后的工序典型特征数据样本，并基于Faster-RCNN目标检测建立的实例分割框架，建立铁路梁生产工序实例分割模型，包括：
新增一个mask分支网络，采用和Faster-RCNN相同的两个阶段，具有相同的第一层(即RPN)，第二阶段除了预测种类class和bbox回归，还对每个ROI预测了对应的二值掩码。由于增加了mask分支网络，每个ROI的多任务损失函数L＝Lcls+Lbox+Lmask，Lcls为分类误差，Lbox为检测误差，Lmask为分割误差。
同时选用ResNe101+FPN为特征提取网络，引入ResNet(深度残差网络)，能够有效的避免因为深度学习过程中因网络层数的增加而造成的梯度爆炸现象。
采用ROI Align代替ROI Pooling改进池化操作：
传通的ROI Pooling对小目标检测不利，引入ROI Align避免了对ROI边界的处理，采用双线性差值计算每个ROI bin中若干个采样点(相比于ROI Pooling，这里的采样点是浮点型)的特征值，浮点型的采样点像素值得计算通过与该点最近邻的四个整数点的像素值差值得到，距离越近的值贡献越高。
线性插值：已知数据(x0,y0)与(x1,y1)，要计算[x0,x1]区间内某一位置x在直线上的y值，计算公式(1)如下：
双线性插值：相继在x和y两个方向做线性差值，先在x方向上插值得到R1，R2，再由R1,R2在y方向上插值得到点P的结果，如果选择一个坐标系统使得f的四个已知点坐标分别为(0,0)、(0,1)、(1,0)和(1,1)，那么插值公式就可以化简为公式(2)：
f(x,y)≈f(0,0)(1-x)(1-y)+f(1,0)x(1-y)+f(0,1)(1-x)y+f(1,1)xy (2)
可选的，步骤一中，训练实例分割模型，包括：
结合深度学习框架PyTorch搭建基础训练与推理环境，并训练实例分割模型。具体的流程如图3所示：
ResNet101为基础的残差收敛网络。RPN为区域推荐的网络，用于帮助网络推荐感兴趣的区域。anchor generator通过feature maps的像素点产生一系列的锚框，用于标记处检测物体位置。Proposal Layer利用训练好的RPN网络来生成region proposal并提供给分割模型使用。build_classifier_graph输出分类后的物体类别与尺寸框，并输出最后的检测结果。DetectionTargetLayer输出结果并新增mask信息，得到最后的实例分割结果。
如图4所示为以浇筑工序为例，实例分割模型构建的整体架构图。
图中，Lcls为分类误差，Lbox为检测误差，Lmask为分割误差。如图5所示，输入数据为一张工序实时图像，将整张图片输入CNN，进行特征提取；用FPN生成建议窗口，每张图片生成N个建议窗口；把建议窗口映射到CNN的最后一层卷积feature map上；通过ROI Align层使每个ROI生成固定尺寸的feature map；最后利用全连接分类、边框以及mask进行回归，最后输出结果为工序特征的分割效果图。
可选的，步骤二中所述采集铁路梁生产工序实时视频画面并进行视觉分析处理，同时加载实例分割模型进行推理，并得出分割结果，包括：
对图像采集设备所采集的视野画面进行预处理，通过霍夫直线检测检测出视野画面中水渠的位置,并绘制水渠分界线；
通过水渠分界线对图像采集设备视野中的铁路梁进行定位并建立ROI工作区域；
通过计算机视觉库opencv实时轮询采集每个图像采集设备的数据并定义时间戳后，送入建立好的实例分割模型进行结果推理；
通过实例分割模型推理结果，进行工序状态识别，同时结合ROI工作区域给每道铁路梁打上相应的工序状态标签。
具体的，如图5所示的模板拼接工序为例，所述对图像采集设备所采集的视野画面进行预处理，通过霍夫直线检测检测出视野画面中水渠的位置,并绘制水渠分界线，包括：
将图像由原来的RGB色值图片转换为对应的灰度图；
对图像进行高斯滤波处理，消除图像中的噪声干扰；
通过限定图像中部为ROI，运用霍夫直线检测检测出图像画面中的水渠,绘制水渠分界线line0。
具体的，所述通过水渠分界线对图像采集设备视野中的铁路梁进行定位并建立ROI工作区域，包括：
通过水渠分界线line0，对每个摄像头视野图像中的铁路梁进行定位并建立ROI工作区域，每个摄像头视野图像中均分为左右两道铁路梁工作区域，两个工作区域独立运转，如图6所示。
可选的，通过实例分割模型推理结果，进行工序状态识别，设置阀值达到0.9及以上判定为识别准确的结果，同时结合ROI工作区域给每道铁路梁打上相应的工序状态标签。如图7所示为拆内模工序的分割与打标效果图。
步骤三中，在正常工况下，所述根据得出的分割结果，结合缓存器历史数据进行认证后，得到最终结果并更新当前最新生产工序状态的具体流程，如图8所示。缓存器的更新逻辑是下一道新工序出现后进行更新缓存。正常工况下的缓存器工作模式如下：
首先通过model detect模块得出当前图像模型检测的结果为[1],对应工序状态为模板拼接；
验证缓存器中模板拼接状态为0，且前一道工序状态为1；
检测结果符合更新缓存器规则，则更新缓存器模板拼接工序状态为1；
输出最终工序检测结果为[1]，即模板拼接工序。
可选的，当实时得出的分割结果，出现超前工序与滞后工序的情况时，则对比缓存器数据进行工艺识别纠错，再获得最终结果并更新当前最新生产工序状态。
如图9所示为分割模型出现滞后预测的情况：
当前图像模型检测的结果为[2],对应工序状态为钢筋吊装，对比缓存器结果，选取缓存器中最新的结果浇筑工序作为最终输出结果，避免由于模型检测问题造成的滞后工序预测现象。最终输出工序检测结果为[3]，即浇筑工序。
如图10所示为实例分割模型出现超前预测的情况：
当前图像模型检测的结果为[6]，对应工序状态为张拉，对比缓存器结果，选取缓存器中的最新结果浇筑工序为最终输出结果，避免由于模型检测结果造成的超前工序预测现象。最终输出工序检测结果为[3]，即浇筑工序。
可选的，在对于具有相同典型特征的模板拼接工序与拆外模工序进行识别时，根据缓存器内设定的逻辑进行判别。
如图11所示，具体判别逻辑过程如下：
当前模型检测结果为[1]，同时缓存器中模板拼接工序的下一道工序状态也处执行状态时，通过综合判断缓存器中的拆内膜(状态1)以及拆外摸工序(状态0)的情况下可以判定此时实际工序应为拆外摸工序。更新缓存器状态，输出最终结果拆外摸工序。
本发明基于实例分割模型和缓存器，能够对整个铁路梁制造过程进行全生命周期的监测，并能够对实时的工序状态进行记录，避免了工作人员操作失误导致的实时工序判断错误，能有效的提高铁路梁生产工序状态识别效率。
应理解，本实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (8)
1.基于实例分割的铁路梁生产工序识别方法，其特征在于，包括如下步骤：
步骤一，建立实例分割模型与缓存器，并训练实例分割模型；
步骤二，采集铁路梁生产工序实时图像画面并进行视觉分析处理，同时加载实例分割模型进行推理，并得出分割结果；
步骤三，根据得出的分割结果，结合缓存器历史数据进行认证后，得到最终结果并更新当前最新生产工序状态；
所述采集铁路梁生产工序实时图像画面并进行视觉分析处理，同时加载实例分割模型进行推理，并得出分割结果，包括如下步骤：
对图像采集设备所采集的视野画面进行预处理，通过霍夫直线检测检测出视野画面中水渠的位置,并绘制水渠分界线；
通过水渠分界线对图像采集设备视野中的铁路梁进行定位并建立ROI工作区域；
通过计算机视觉库opencv实时轮询采集每个图像采集设备的数据并定义时间戳后，送入建立好的实例分割模型进行结果推理；
通过实例分割模型推理结果，进行工序状态识别，同时结合ROI工作区域给每道铁路梁打上相应的工序状态标签。
2.根据权利要求1所述的基于实例分割的铁路梁生产工序识别方法，其特征在于，步骤一中所述建立实例分割模型，包括如下步骤：
分析铁路梁生产工序中各个连续工序状态特征，同时选取出各个连续工序中的典型特征，并对各个工序的典型特征数据样本进行分割标注；
使用分割标注后的工序典型特征数据样本，并基于Faster-RCNN目标检测建立的实例分割框架，建立铁路梁生产工序实例分割模型。
3.根据权利要求1所述的基于实例分割的铁路梁生产工序识别方法，其特征在于，步骤一中所述训练实例分割模型包括如下步骤：
结合深度学习框架PyTorch搭建基础训练与推理环境，并训练实例分割模型。
4.根据权利要求2所述的基于实例分割的铁路梁生产工序识别方法，其特征在于，所述铁路梁生产工序包括模板拼接、钢筋吊装、混凝土浇筑、拆内模、拆外模、张拉、压浆和移梁。
5.根据权利要求4所述的基于实例分割的铁路梁生产工序识别方法，其特征在于，所述模板拼接工序与拆外模工序具有相同的典型特征。
6.根据权利要求5所述的基于实例分割的铁路梁生产工序识别方法，其特征在于，步骤三还包括如下步骤：
当实时得出的分割结果，出现超前工序与滞后工序的情况时，则对比缓存器数据进行工艺识别纠错，再获得最终结果并更新当前最新生产工序状态。
7.根据权利要求4所述的基于实例分割的铁路梁生产工序识别方法，其特征在于，步骤三还包括如下步骤：
在对于具有相同典型特征的模板拼接工序与拆外模工序进行识别时，根据缓存器内设定的逻辑进行判别。
8.根据权利要求1至7任一项所述的基于实例分割的铁路梁生产工序识别方法，其特征在于，所述缓存器，用于对铁路梁的全流程工序状态进行跟踪记录与纠错校验。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010702096.1A CN112116195B (zh) | 2020-07-21 | 2020-07-21 | 基于实例分割的铁路梁生产工序识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010702096.1A CN112116195B (zh) | 2020-07-21 | 2020-07-21 | 基于实例分割的铁路梁生产工序识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112116195A CN112116195A (zh) | 2020-12-22 |
| CN112116195B true CN112116195B (zh) | 2024-04-16 |
Family
ID=73799103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010702096.1A Active CN112116195B (zh) | 2020-07-21 | 2020-07-21 | 基于实例分割的铁路梁生产工序识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116195B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116543163B (zh) * | 2023-05-15 | 2024-01-26 | 哈尔滨市科佳通用机电股份有限公司 | 一种制动连接管折断故障检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194559A (zh) * | 2017-05-12 | 2017-09-22 | 杭州电子科技大学 | 一种基于三维卷积神经网络的工作流识别方法 |
| CN109858367A (zh) * | 2018-12-29 | 2019-06-07 | 华中科技大学 | 工人通过支撑不安全行为的视觉自动化检测方法及系统 |
| CN110490415A (zh) * | 2019-07-15 | 2019-11-22 | 同济大学 | 一种多无人机视觉协同的建筑进度评估方法 |
| CN110751075A (zh) * | 2019-10-12 | 2020-02-04 | 海南长光卫星信息技术有限公司 | 一种基于实例分割的遥感影像养殖塘检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11055854B2 (en) * | 2018-08-23 | 2021-07-06 | Seoul National University R&Db Foundation | Method and system for real-time target tracking based on deep learning |
| CN109859158A (zh) * | 2018-11-27 | 2019-06-07 | 邦鼓思电子科技（上海）有限公司 | 一种基于视觉的工作区域边界的检测系统、方法及机器设备 |
-
2020
- 2020-07-21 CN CN202010702096.1A patent/CN112116195B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107194559A (zh) * | 2017-05-12 | 2017-09-22 | 杭州电子科技大学 | 一种基于三维卷积神经网络的工作流识别方法 |
| CN109858367A (zh) * | 2018-12-29 | 2019-06-07 | 华中科技大学 | 工人通过支撑不安全行为的视觉自动化检测方法及系统 |
| CN110490415A (zh) * | 2019-07-15 | 2019-11-22 | 同济大学 | 一种多无人机视觉协同的建筑进度评估方法 |
| CN110751075A (zh) * | 2019-10-12 | 2020-02-04 | 海南长光卫星信息技术有限公司 | 一种基于实例分割的遥感影像养殖塘检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112116195A (zh) | 2020-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3410102B1 (en) | Crack information detection device, crack information detection method, and crack information detection program | |
| CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统 | |
| CN111899288B (zh) | 基于红外和可见光图像融合的隧道渗漏水区域检测与识别方法 | |
| CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
| CN111861978A (zh) | 基于Faster R-CNN的桥梁裂缝实例分割方法 | |
| CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
| CN114994061A (zh) | 一种基于机器视觉的钢轨智能化检测方法及系统 | |
| CN113313166B (zh) | 基于特征一致性学习的船舶目标自动标注方法 | |
| CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
| CN112766110A (zh) | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 | |
| CN111681259A (zh) | 基于无Anchor机制检测网络的车辆跟踪模型建立方法 | |
| CN108460481A (zh) | 基于循环神经网络的无人机侦察目标演变规律预测方法 | |
| CN112116195B (zh) | 基于实例分割的铁路梁生产工序识别方法 | |
| CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
| CN115546223A (zh) | 一种列车车下设备紧固螺栓的缺失检测方法和系统 | |
| CN113962951B (zh) | 检测分割模型的训练方法及装置、目标检测方法及装置 | |
| KR20210122429A (ko) | 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템 | |
| CN115170971A (zh) | 面向施工安全的自监督单目深度估计迁移学习方法及系统 | |
| CN114331961A (zh) | 用于对象的缺陷检测的方法 | |
| CN115829983B (zh) | 一种基于知识蒸馏的高速工业场景视觉质量检测方法 | |
| CN111062968A (zh) | 一种基于边缘扫描与中线提取的机器人路径骨架提取方法 | |
| CN104751487A (zh) | 一种基于彩色rgb三平面色变帧差的运动目标检测方法 | |
| CN117677969A (zh) | 一种缺陷检测的方法和装置 | |
| CN111402185A (zh) | 一种图像检测方法及装置 | |
| CN111028245B (zh) | 一种多模态复合的高清高速视频背景建模方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 150 (1-1-180), Changpu Road, jishigang Town, Haishu District, Ningbo City, Zhejiang Province Applicant after: Lanzhuo Digital Technology Co.,Ltd. Address before: Room 150 (1-1-180), Changpu Road, jishigang Town, Haishu District, Ningbo City, Zhejiang Province Applicant before: ZHEJIANG LANZHUO INDUSTRIAL INTERNET INFORMATION TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |