CN112132820A - 基于YOLOv2算法接触网定位管斜拉线故障检测方法 - Google Patents

基于YOLOv2算法接触网定位管斜拉线故障检测方法 Download PDF

Info

Publication number
CN112132820A
CN112132820A CN202011051072.0A CN202011051072A CN112132820A CN 112132820 A CN112132820 A CN 112132820A CN 202011051072 A CN202011051072 A CN 202011051072A CN 112132820 A CN112132820 A CN 112132820A
Authority
CN
China
Prior art keywords
algorithm
positioning
diagonal
yolov2
positioning pipe
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.)
Withdrawn
Application number
CN202011051072.0A
Other languages
English (en)
Inventor
曾晓红
李奇
康强
齐世强
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.)
Jiangsu Xinlyuneng Science & Technology Co ltd
Original Assignee
Jiangsu Xinlyuneng Science & Technology 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 Jiangsu Xinlyuneng Science & Technology Co ltd filed Critical Jiangsu Xinlyuneng Science & Technology Co ltd
Priority to CN202011051072.0A priority Critical patent/CN112132820A/zh
Publication of CN112132820A publication Critical patent/CN112132820A/zh
Withdrawn legal-status Critical Current

Links

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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于YOLOv2算法的接触网定位管斜拉线故障检测方法。该方法可以利用深度学习YOLOv2算法模型对成像的图片进行处理，定位斜拉线的两端端点，并确定斜拉线潜在区域；通过Canny算法提取边缘，确定轮廓和主体，在主体中使用霍夫变换的检测方法，确定理想定位管斜拉线的参数，并与实际斜拉线参数的符合度进行计算，能够精确、快速地诊断定位管斜拉线是否处于故障状态。

Description

基于YOLOv2算法接触网定位管斜拉线故障检测方法
技术领域
本发明涉及接触网领域，特别涉及接触网定位管斜拉线故障检测方法。
背景技术
中国的铁路电气化已经逐渐成为时代趋势，随着时代发展的洪流，电气化铁路的建设和运用也日益普及。接触网一直以来都是电气化铁路建设领域的核心之一，对于接触网的安全运行、可靠应用也是业内重点讨论和研究的热点。定位管斜拉线是接触网稳定运行的重要架构之一，是接触网的支撑定位装置的组成部件。定位管能够让接触线的导高和拉出值保持在一定的范围内，进而能够确保车辆的安全运行。
定位管的压接管、定位管的吊线以及心形环是定位管斜拉线的基本组成部件。在脱落时或者未受力状态下，会引起定位管头部的降低，导致接触网几何参数发生突变，引起车辆的不正常运行甚至会引起中断运行。因此对接触网定位管斜拉线的故障识别与检测显得尤为重要。
传统的接触网检测方法以接触网的几何参数、弓网关系和接触网状态为重点，对导高、拉出值等参数能够进行精确的检测和诊断，但是无法检测发现接触网定位管斜拉线脱落和未受力的问题。
发明内容
本发明提供了一种基于YOLOv2算法的接触网定位管斜拉线故障检测方法，能够精确、快速地诊断定位管斜拉线是否处于故障状态。
为解决上述技术问题，本发明采用的一种技术方案是：
本发明提供了一种基于YOLOv2算法的接触网定位管斜拉线故障检测方法。该方法可以利用深度学习YOLOv2算法模型对成像的图片进行处理，定位斜拉线的两端端点，并确定斜拉线潜在区域；通过Canny算法提取边缘，确定轮廓和主体，在主体中使用霍夫变换的检测方法，确定理想定位管斜拉线的参数，并与实际斜拉线参数的符合度进行计算，能够精确、快速地诊断定位管斜拉线是否处于故障状态。
为达到上述目的，本发明采用的技术方案是：一种基于YOLOv2算法的接触网定位管斜拉线故障检测方法，包括步骤：
步骤(1)：使用基于深度学习YOLOv2的算法模型，以Darknet-19的架构模式为基础，利用迭代回归理论，对接触网定位管斜拉线成像图片进行处理，通过计算机的GTX1080Ti显示卡进行迭代，能够在不同背景下准确定位斜拉线的两端端点。
步骤(2)：根据不同的斜拉线数量，实现不同背景下的斜拉线区域定位。
步骤(3)：采用Canny算法，对边缘进行检测，能够在接触网定位管斜拉线成像图片中提取潜在区域的边缘及轮廓。
步骤(4)：采用霍夫变换检测方法，以极坐标系的表现形式，把该区域内经过了所有的亮点的直线集的参数空间表示出来，并寻找理想斜拉线的极坐标参数。
步骤(5)：采用像素点检测算法，对斜拉线进行故障判定，检测斜拉线处于正常状态、轻微故障状态以及未受力状态。
进一步的是，所述步骤(1)中，使用Adam梯度算法对原算法的梯度算法进行改进，能够有效提升训练速度、收敛速度以及结果的精度。由于成像的零部件与环境的差别明显，具有较大的区分度，导致在分类简便的情况下，难以实现定位，因此也调整算法类别与损失函数的权重比例，从1:1改为1:2，能够进一步提升精确度。
进一步的是，所述步骤(2)中，基于YOLOv2算法模型的端点定位结果，对不同斜拉线数量的区域进行定位。包括：单斜拉线区域定位和多斜拉线区域定位。以斜拉线端点的坐标位置，单斜拉线能够直接确定斜拉线的潜在区域内四个顶点的坐标位置，多斜拉线则需要预先对YOLOv2算法模型的端点集合进行交互式配对处理，再确定潜在区域的顶点坐标。
进一步的是，所述步骤(4)中，利用Canny算法得到的边缘建立极坐标系，使用霍夫变换的检测方法，先在图像中随机使用两点i、j可以确定唯一的直线，并映射至二维空间，建立关系式：ρ0＝xcosθ0+ysinθ0，并列出所有经过这两点的直线的极坐标表达式ρ＝xicosθ+yisinθ和ρ＝xjcosθ+yjsinθ，经过两点的曲线的交点作为直线的参数，以经过两点做出的曲线数量做多的交点为理想斜拉线的极坐标参数(ρkmax，θkmax)。
进一步的是，所述步骤(5)中，斜拉线像素点检测算法通过确定像素的灰度值大小的归一化数值di，计算理想斜拉线与实际的符合程度p，并将斜拉线划分未正常状态、轻微故障状态以及未受力状态三种状态，通过多次实验，观察出三种状态下的p值分布情况，最后选则0.8作为阈值，只有超过0.8时斜拉线状态可视为正常。
与现有技术相比，本发明具有以下优点：
1.本发明通过改进YOLOv2算法模型，使用改进的梯度方法，能够以更快、更精确的方式进行收敛，提升了训练速度。相比及去学习算法，效率也显著提升了。
2.使用基于Canny算法的边缘检测方法，不需要进行人工筛选，智能且方便，能够快速、精确、简便地提取接触网定位管斜拉线成像图片的边缘及轮廓。
3.采用基于霍夫变换的检测方法，对具有二值的图像进行直线检测拥有快速、准确的效果，并且更不容易受到噪声的干扰，不会在有其他遮挡物的情况下检测不准确，具有较好的鲁棒性。
4.使用像素点检测算法，通过实际斜拉线和理想斜拉线的符合程度判断是否故障，该方法具有较好的准确性，并对微小的形变也具有良好的敏感度。
附图说明
图1a、图1b所示为根据本发明的实施例的故障状态和正常状态的斜拉线示意图，白色虚线处为斜拉线在一定驰度下的平直度不足引起的故障。
图2a、图2b所示为根据本发明的实施例的基于改进YOLOv2算法模型的不同背景下的端点定位结果。
图3a、图3b所示为根据本发明的实施例的不同背景下的单斜拉线潜在区域定位结果。白色虚线内为得到的单斜拉线潜在区域。
图4所示为根据本发明的实施例的基于霍夫变换检测方法的图像坐标系。
图5a、图5b、图5c所示为根据本发明的实施例的正常、轻微故障以及未受力三种状态下的斜拉线图像。图中白色实线为实际斜拉线，白色虚线为理想状态下的斜拉线。
具体实施方式
以下将对本发明的实施例给出详细的说明。尽管本发明将结合一些具体实施方式进行阐述和说明，但需要注意的是本发明并不仅仅只局限于这些实施方式。相反，对本发明进行的修改或者等同替换，均应涵盖在本发明的权利要求范围当中。
在实施例中，如图1a、图1b所示，为一种基于YOLOv2算法的接触网定位管斜拉线故障检测方法的斜拉线状态示意图。图1a为故障状态，图1b为正常状态，图中白色虚线处为斜拉线在一定驰度下的平直度不足引起的故障。图中，对比正常状态，故障状态下的斜拉线已经处于非平直状态，并不处于两端端点所连接的直线上。该方法结合了动态拍摄技术以及深度学习图像处理技术，通过计算机的GTX1080Ti显示卡进行处理，能够清晰反映正常状态下和故障状态的斜拉线。通过本实施例的实际情况与计算情况进行对比，验证该方法的准确性。
在实施例中，提供了一种基于改进YOLOv2算法的接触网定位管斜拉线故障检测方法包括步骤：
步骤(1)：使用基于深度学习YOLOv2的算法模型，以Darknet-19的架构模式为基础，利用迭代回归理论，对接触网定位管斜拉线成像图片进行处理，通过计算机的GTX1080Ti显示卡进行迭代，能够在不同背景下准确定位斜拉线的两端端点。
计算机的GTX 1080Ti显示卡对数据和算法进行迭代训练，迭代次数为100，能够对接触网的定位管斜拉线端点进行定位，并与实际情况进行对比，其准确率达99.5％，并且漏检率为0％。
在不同背景下的斜拉线端点定位结果如图2a、2b所示，图2a为简单背景下的定位结果，图2b为复杂背景下的定位结果。
实验中选用高速铁路上的两千组接触网支柱图片作为实验对象。
步骤(2)：根据不同的斜拉线数量，实现不同背景下的斜拉线区域定位。
确定斜拉线的端点后，通过两端端点，建立直角坐标系，并通过公式计算斜拉线潜在区域的四个顶点坐标：
Figure BDA0002709573060000061
上式中，(xt,yt)为斜拉线上边缘的中心坐标，(xb,yb)为斜拉线下边缘的中心坐标。
不同背景下的单斜拉线潜在区域定位结果如图3a、图3b所示，图3a为简单背景下的定位结果，图3b为复杂背景下的定位结果。图中白色虚线内为得到的单斜拉线潜在区域，四角为该区域的端点坐标。通过比较可以发现，该方法不论在简单背景下还是复杂背景下都能够准确定位单斜拉线潜在区域，该区域呈矩形表示。
步骤(3)：采用Canny算法，对边缘进行检测，能够在接触网定位管斜拉线成像图片中提取潜在区域的边缘及轮廓。
步骤(4)：采用霍夫变换检测方法，以极坐标系的表现形式，把该区域内经过了所有的亮点的直线集的参数空间表示出来，并寻找理想斜拉线的极坐标参数。
先在图像中随机使用两点i、j可以确定唯一的直线，并映射至二维空间，建立关系式：ρ0＝xcosθ0+ysinθ0，并列出所有经过这两点的直线的极坐标表达式ρ＝xicosθ+yisinθ和ρ＝xjcosθ+yjsinθ，经过两点的曲线的交点(ρ0，θ0)作为直线的参数，以此形成直线集，以图4的图像坐标系表示，以经过两点做出的曲线数量做多的交点kmax为理想斜拉线的极坐标参数(ρkmax，θkmax)。
步骤(5)：采用像素点检测算法，对斜拉线进行故障判定，检测斜拉线处于正常状态、轻微故障状态以及未受力状态。
若理想斜拉线的成像图片中一共可以找到N个像素点，取第si(0≤i≤N)作为其中第i个像素点的灰度值，斜拉线像素点检测算法通过确定像素的的归一化数值di：
Figure BDA0002709573060000071
其中，灰度值si大于20时，代表的是斜拉线零部件的位置，灰度值小于10时一般是周围环境的背景。灰度值归一化为di，当其值为1时表示成像图片的像素点在斜拉线上，为0时则为无效像素点。
通过归一化的像素灰度值，计算理想斜拉线与实际的符合程度p，计算式如下：
Figure BDA0002709573060000081
将斜拉线划分未正常状态、轻微故障状态以及未受力状态三种状态，通过实际该三种状态下的斜拉线进行p值得计算，结果如下表所示：
Figure BDA0002709573060000082
由表中可以看出，斜拉线在有故障时，p值都低于0.8，正常状态下则都高于0.8，因此将0.8作为阈值用于判断斜拉线是否故障，其计算方法为：
Figure BDA0002709573060000083
在r为0时表示斜拉线处于故障状态，为0时为正常状态。
在实例中，图5a、图5b、图5c为在三种状态下使用该方法计算的图像，图5a为正常状态，图5b为轻微故障状态，图5c为未受力状态，图中白色实线为实际斜拉线，白色虚线为理想状态下的斜拉线，通过比较实线和虚线的符合程度，并进行计算，能够得到p值得大小。其中正常状态下的p值为0.97、0.99和1.00，轻微故障状态下计算的值为0.65、0.70、0.76，未受力状态下为0.26、0.45、0.56。
与现有技术相比，本发明具有以下优点：
1.本发明通过改进YOLOv2算法模型，使用改进的梯度方法，能够以更快、更精确的方式进行收敛，提升了训练速度。相比及去学习算法，效率也显著提升了。
2.使用基于Canny算法的边缘检测方法，不需要进行人工筛选，智能且方便，能够快速、精确、简便地提取接触网定位管斜拉线成像图片的边缘及轮廓。
3.采用基于霍夫变换的检测方法，对具有二值的图像进行直线检测拥有快速、准确的效果，并且更不容易受到噪声的干扰，不会在有其他遮挡物的情况下检测不准确，具有较好的鲁棒性。
4.使用像素点检测算法，通过实际斜拉线和理想斜拉线的符合程度判断是否故障，该方法具有较好的准确性，并对微小的形变也具有良好的敏感度。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本实发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.基于YOLOv2算法接触网定位管斜拉线故障检测方法，其特征在于，包括步骤：
步骤(1)：使用基于深度学习YOLOv2的算法模型，以Darknet-19的架构模式为基础，利用迭代回归理论，对接触网定位管斜拉线成像图片进行处理，通过计算机的GTX 1080Ti显示卡进行迭代，在不同背景下准确定位斜拉线的两端端点；
步骤(2)：根据不同的斜拉线数量，实现不同背景下的斜拉线区域定位；
步骤(3)：采用Canny算法，对边缘进行检测，在接触网定位管斜拉线成像图片中提取潜在区域的边缘及轮廓；
步骤(4)：采用霍夫变换检测方法，以极坐标系的表现形式，把该区域内经过了所有的亮点的直线集的参数空间表示出来，并寻找理想斜拉线的极坐标参数；
步骤(5)：采用像素点检测算法，对斜拉线进行故障判定，检测斜拉线处于正常状态、轻微故障状态以及未受力状态。
2.根据权利要求1所述的一种基于YOLOv2算法接触网定位管斜拉线故障检测方法，其特征在于，所述步骤(1)中，使用基于深度学习YOLOv2的算法模型所处理的接触网斜拉线图片，选择使用Adam梯度算法，即结合YOLOv2算法模型中的Rmsprop梯度算法，能够有效改善收敛的精度和速度，也能够大幅度提升训练速度；调整算法中类别和定位损失函数的权重比，将原本的1:1改为1:2，能够提升定位精度。
3.根据权利要求1所述的一种基于YOLOv2算法接触网定位管斜拉线故障检测方法，其特征在于，所述步骤(2)中，基于YOLOv2算法模型的端点定位结果，对不同斜拉线数量的区域进行定位，包括：单斜拉线区域定位和多斜拉线区域定位。
4.根据权利要求1所述的一种基于YOLOv2算法接触网定位管斜拉线故障检测方法，其特征在于，所述步骤(4)中，采用的霍夫变换检测方法，利用Canny算法得到的边缘建立极坐标系，在图像中随机使用两点确定唯一的直线，并映射至二维空间建立关系式，并列出所有经过这两点的直线的极坐标表达式，经过两点的曲线的交点作为直线的参数，以此得到理想斜拉线的极坐标参数。
5.根据权利要求1所述的一种基于YOLOv2算法接触网定位管斜拉线故障检测方法，其特征在于，所述步骤(5)中，斜拉线像素点检测算法通过确定像素的灰度值大小的归一化数值di，计算理想斜拉线与实际的符合程度p，并将斜拉线划分未正常状态、轻微故障状态以及未受力状态三种状态，观察出三种状态下的p值分布情况，选择0.8作为阈值，只有超过0.8时斜拉线状态视为正常。
CN202011051072.0A 2020-09-29 2020-09-29 基于YOLOv2算法接触网定位管斜拉线故障检测方法 Withdrawn CN112132820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011051072.0A CN112132820A (zh) 2020-09-29 2020-09-29 基于YOLOv2算法接触网定位管斜拉线故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011051072.0A CN112132820A (zh) 2020-09-29 2020-09-29 基于YOLOv2算法接触网定位管斜拉线故障检测方法

Publications (1)

Publication Number Publication Date
CN112132820A true CN112132820A (zh) 2020-12-25

Family

ID=73844640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011051072.0A Withdrawn CN112132820A (zh) 2020-09-29 2020-09-29 基于YOLOv2算法接触网定位管斜拉线故障检测方法

Country Status (1)

Country Link
CN (1) CN112132820A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801989A (zh) * 2021-02-02 2021-05-14 西南交通大学 一种基于图像增强处理的接触网斜拉线故障自动检测方法
CN115272287A (zh) * 2022-08-19 2022-11-01 哈尔滨市科佳通用机电股份有限公司 一种铁路货车缓冲器及从板故障检测方法、介质及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101677875B1 (ko) * 2016-04-12 2016-11-18 숭실대학교산학협력단 선분 인식 방법 및 장치
CN106340019A (zh) * 2016-08-31 2017-01-18 西南交通大学 一种高铁接触网斜拉线固定钩不良状态检测方法
CN111462045A (zh) * 2020-03-06 2020-07-28 西南交通大学 一种悬链支撑组件缺陷的检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101677875B1 (ko) * 2016-04-12 2016-11-18 숭실대학교산학협력단 선분 인식 방법 및 장치
CN106340019A (zh) * 2016-08-31 2017-01-18 西南交通大学 一种高铁接触网斜拉线固定钩不良状态检测方法
CN111462045A (zh) * 2020-03-06 2020-07-28 西南交通大学 一种悬链支撑组件缺陷的检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
游诚曦: "基于接触网成像技术的定位管斜拉线故障检测方法", 《中国铁路》, pages 93 - 98 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801989A (zh) * 2021-02-02 2021-05-14 西南交通大学 一种基于图像增强处理的接触网斜拉线故障自动检测方法
CN115272287A (zh) * 2022-08-19 2022-11-01 哈尔滨市科佳通用机电股份有限公司 一种铁路货车缓冲器及从板故障检测方法、介质及系统

Similar Documents

Publication Publication Date Title
CN112233133B (zh) 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法
CN108805863B (zh) 深度卷积神经网络结合形态学检测图像变化的方法
CN112132820A (zh) 基于YOLOv2算法接触网定位管斜拉线故障检测方法
CN109242858B (zh) 基于自适应模板匹配的织物印花循环图案基元分割方法
CN103279765A (zh) 基于图像匹配的钢丝绳表面损伤检测方法
CN114627080B (zh) 基于计算机视觉的车辆冲压配件缺陷检测方法
CN111126253A (zh) 基于图像识别的刀闸状态检测方法
CN107862713B (zh) 针对轮询会场的摄像机偏转实时检测预警方法及模块
CN114863492B (zh) 一种低质量指纹图像的修复方法及修复装置
CN116188468B (zh) 一种hdmi线缆传输分拣智能控制系统
CN111257329A (zh) 一种智能手机摄像头缺陷检测方法以及检测系统
CN107909085A (zh) 一种基于Harris算子的图像特征角点提取方法
CN110866915A (zh) 基于度量学习的圆形砚台质量检测方法
CN109255792B (zh) 一种视频图像的分割方法、装置、终端设备及存储介质
CN115239661A (zh) 基于图像处理的机械零件毛刺检测方法及系统
CN115018846A (zh) 基于ai智能相机的多目标裂纹缺陷检测方法和装置
KR20230009641A (ko) 구조물의 균열 탐지 방법
CN111524139B (zh) 一种基于双边滤波器的角点检测方法和检测系统
CN110348307B (zh) 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统
CN114092478A (zh) 一种异常检测方法
CN117058404A (zh) 一种基于三维点云的多类型焊接坡口特征提取方法
KR100194583B1 (ko) 얼굴 구성요소 추출시스템 및 그 추출방법
CN111429411B (zh) 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法
CN111784634B (zh) 一种基于Harris-CPDA的角点检测方法
CN113947563A (zh) 一种基于深度学习的电缆工艺质量动态缺陷检测方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201225