CN112184669A - 一种大坡度线路上的接触网悬挂装置故障检测方法 - Google Patents
一种大坡度线路上的接触网悬挂装置故障检测方法 Download PDFInfo
- Publication number
- CN112184669A CN112184669A CN202011048499.5A CN202011048499A CN112184669A CN 112184669 A CN112184669 A CN 112184669A CN 202011048499 A CN202011048499 A CN 202011048499A CN 112184669 A CN112184669 A CN 112184669A
- Authority
- CN
- China
- Prior art keywords
- image
- suspension device
- gray level
- images
- fault
- 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- Withdrawn
Links
- 239000000725 suspension Substances 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000000137 annealing Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003245 working effect 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- G06V10/443—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 by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种大坡度线路上的接触网悬挂装置故障检测方法。该方法使用高清摄像机拍摄线路沿线的悬挂装置图像，对图像进行灰度变换、图像增强等预处理。提取预处理后图像的特征，通过对特征量的一系列处理，将处理结果与样本图像进行对比，实现对悬挂装置的故障检测。与现有检测方法相比，本发明专利所提出的故障检测方法能够有效提升故障检测耗时和检测精度，具有一定的优越性，更符合当前对悬挂装置故障检测方法的要求。
Description
技术领域
本发明涉及接触网领域，特别涉及接触网悬挂装置故障检测方法。
背景技术
随着高速铁路运行速度的提高，为保证受电弓和受流系统的安全可靠,必须具备高质量的接触网系统，这就对接触网检测提出了更高的要求。接触网是由接触悬挂、支持装置、定位装置、支柱与基础几部分组成的铁路电气化工程的主构架，是沿铁路线上空架设的向电力机车供电的特殊形式的输电线路。接触网的悬挂装置主要是指包括接触线、吊弦、承力索以及连接零件在内的接触悬挂装置。接触网4C检测装置(接触网悬挂状态检测监测装置)是一种安装在接触网作业车或检测车辆上，可在一定运行速度下，对接触网悬挂系统的零部件实施高精度成像检测的设备。通过对检测数据的自动识别与分析，形成接触网的维修建议，对接触网故障隐患检测具有一定指导意义。
由于我国的地势地貌种类较多，在山地、丘陵等地形复杂处多采用坡度架设线路的方法。大坡度线路对电力要求较大，因此，接触网需要有较好的稳定工作性能。在大坡度线路上，由于线路接触网长期使用，一旦发生故障将导致该段线路列车不能运行，进而引发更为严重的后果。因此，对接触网悬挂装置故障进行及时检测，并找出故障原因，采用适当的维修措施是非常重要的。
传统的接触网悬挂装置故障检测采用以人工巡检为主的故障检测方法。这种接触式的故障检测方法检测效率低，并且对检修人员的经验素养要求极高，经济性较低。随着科技的发展，使用红外线动态故障检测法，实现对接触网悬挂装置的非接触检测，但是红外线动态故障检测法的检测精度较低，影响了线路的检修效率。
发明内容
本发明提供了一种大坡度线路上的接触网悬挂装置故障检测方法。使用高清摄像机拍摄线路沿线的悬挂装置图像，对图像进行灰度变换、图像增强等预处理。提取预处理后图像的特征，通过对特征量的一系列处理，将处理结果与样本图像进行对比，实现对悬挂装置的故障检测。
为了达到上述目的，本发明一种大坡度线路上的接触网悬挂装置故障检测方法，采用的技术方案包括步骤：
步骤(1)：在检测车的顶部设置LED射灯和高清摄像机，检测车沿线运行时，摄像机对线路接触网悬挂装置进行自动拍摄，以此采集分辨率为2448×2048的接触网悬挂装置图像；
步骤(2)：对采集的图像进行预处理，使得检测对象在所拍摄得图像中凸显出来。将所有拍摄采集的图像转为灰度，并对图像进行增强。根据灰度变换函数对原始图像进行灰度转换；
步骤(3)：根据分布函数和灰度级之间的关系，对拍摄采集的图像进行灰度级调整，直至得到均匀直方图。将检测目标与背景环境分离出来后，使用傅里叶变换改变图像频谱，实现图像增强；
步骤(4)：对增强后的图像进行滤波处理。将增强后的图像中的每一像素点的灰度与其周围的8个像素点的灰度求和，再除以9，作为过滤平滑后图像中对应点的灰度。配合高斯模板和低通滤波器，完成图像滤波；
步骤(5)：图像处理后，对图像边缘进行检测。使Prewitt算子样板依次与检测图像进行比较，得到与算子样板的最大相似值，以最大相似值为算子输出，完成图像的边缘检测；
步骤(6)：使用小波矩对预处理后的图像进行特征提取，实现对接触网悬挂装置的故障检测。构造图像小波矩，利用三次B样条函数作为母小波，完成在径向区域内的特征提取。通过对比样本库中的图像，选择类间距较大的几个特征量作为目标图像的代表特征量，完成对接触网悬挂装置图像的特征识别；
步骤(7)：对采集图像的局部特征进行识别后，计算特征量与样本库中样本图像局部特征的相似度，按照相似度的降次排序，选取前5份样本图像作为故障定位判断参考，进行故障定位。
进一步的是，所述步骤(2)中，灰度变换函数为g(x,y)＝T[f(x,y)]，其中，g(x,y)为灰度变换后的函数，T为灰度变换作用法则。若采集原始图像的每一灰度级的像素个数为nk，则每一灰度级的概率密度函数P(rk)＝nk/n，分布函数为
最后得到输出灰度级rk＝Int[(L-1)sk+0.5]。
进一步的是，所述步骤(3)中，设g(x,y)变换后的频域函数为G(x,y)，传递函数为H(u,v)，则可以按照q(u,v)＝H(u,v)*G(x,y)进行空间域变换。q(u,v)为空间变换处理后的的图像频谱，再对其进行逆变换到空间域，得到增强后的图像q(x,y)。
进一步的是，所述步骤(6)中，三次B样条函数如下所示：
其中，n＝3；a＝0.0542605；f0＝0.41976；
进一步的是，所述步骤(7)中，统计目标图像与5份样本图像的对比结果中，被标记点次数最多的局部特征量。提取该局部特征量，将其与常见故障知识库中的故障记录进行匹配。将样本图像和目标图像上的特征点，根据二值化原理进行转换。在矩阵行列数为定值时，通过变换将变量Z变换到[0，1]区间上的矩阵上。通过使用退火算法控制整个迭代过程，将目标凸化。经过一系列处理后，定位目标图像中的故障。
与现有技术相比，本发明专利具有以下优点：
1.本发明专利以接触网悬挂装置高清图像为研究对象，利用图像处理技术提取预处理后图像的特征，将特征量处理结果与样本图像进行对比，实现对悬挂装置的故障检测。该方法在对于背景复杂、大坡度线路铺设环境等的现场实际图像具有良好的适应性和较高的算法检测准确率。
2.通过与传统的红外线故障检测方法和激光故障检测方法做检测精度和时间的对比，证明这种线路接触网悬挂装置故障检测方法能够有效提升故障检测耗时和检测精度，具有一定的优越性，更符合当前对悬挂装置故障检测方法的要求。
3.通过对增强后的图像进行的滤波处理，能够提高图像细节的辨识度，降低环境影响。尽量避免由于接触网长期暴露于室外，拍摄采集的图像质量易受天气影响存在噪声甚至模糊不清的情况。
在特征提取过程中，采用三次B样条小波能够良好反映图像局部信息和高斯逼近性的性质，有效实现对采集的接触网选悬挂装置图像的局部特征描述。
附图说明
图1所示为根据本发明专利的实施例采用的流程图。
图2所示为根据本发明专利的实施例的图像处理过程图。
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1所示，为一种大坡度线路上的接触网悬挂装置故障检测方法流程图。该方法首先通过高清晰摄像机和在机车驾驶室里安装的高速摄像机对线路接触网悬挂装置进行拍摄，对图像进行灰度变换、图像增强等预处理。提取预处理后图像的特征，通过对特征量的一系列处理，将处理结果与样本图像进行对比，实现对悬挂装置的故障检测。
在实施例中，提供了一种大坡度线路上的接触网悬挂装置故障检测方法，包括步骤：
步骤(1)：在检测车的顶部设置LED射灯和高清摄像机，检测车沿线运行时，摄像机对线路接触网悬挂装置进行自动拍摄，以此采集分辨率为2448×2048的接触网悬挂装置图像。
步骤(2)：对采集的图像进行预处理，使得检测对象在所拍摄得图像中凸显出来。将所有拍摄采集的图像转为灰度，并对图像进行增强。根据灰度变换函数对原始图像f(x,y)进行灰度转换。
灰度变换函数如下所示：
g(x,y)＝T[f(x,y)]
其中，g(x,y)为灰度变换后的函数，T为灰度变换作用法则。若采集原始图像的每一灰度级的像素个数为nk，按照下列公式计算每一灰度级的概率密度函数P(rk)，并计算分布函数sk，最后得到输出灰度级rk。
步骤(3)：根据分布函数sk和灰度级rk之间的关系，对拍摄采集的图像进行灰度级调整，直至得到均匀直方图。将检测目标与背景环境分离出来后，使用傅里叶变换改变图像频谱，实现图像增强。
设g(x,y)变换后的频域函数为G(x,y)，传递函数为H(u,v)，则按照下面的公式进行空间域变换。
q(u,v)＝H(u,v)*G(x,y)
q(u,v)为空间变换处理后的的图像频谱，再对其进行逆变换到空间域，得到增强后的图像q(x,y)。
步骤(4)：对增强后的图像进行滤波处理。将增强后的图像中的每一像素点的灰度与其周围的8个像素点的灰度求和，再除以9，作为过滤平滑后图像中对应点的灰度。配合高斯模板和低通滤波器，完成图像滤波。
在实施例中，图2所示为根据本发明专利的实施例的图像处理过程图，包括灰度处理后增强的图像和滤波后的图像。
步骤(5)：图像处理后，对图像边缘进行检测。使Prewitt算子样板依次与检测图像进行比较，得到与算子样板的最大相似值，以最大相似值为算子输出，完成图像的边缘检测。
假设在图像位置(x,y)处点k(x,y)的Gx和Gy为：
Gx＝k(x+1,y-1)+k(x+1,y)+k(x+1,y+1)-k(x-1,y-1)-k(x-1,y)-k(x-1,y-1)
Gy＝k(x-1,y+1)+k(x,y+1)+k(x+1,y+1)-k(x-1,y-1)-k(x,y-1)-k(x+1,y-1)
采用模板表示上式，则为：
步骤(6)：使用小波矩对预处理后的图像进行特征提取，实现对接触网悬挂装置的故障检测。构造图像小波矩，利用三次B样条函数作为母小波ψ(r)，完成在径向区域内的特征提取。通过对比样本库中的图像，选择类间距较大的几个特征量作为目标图像的代表特征量，完成对接触网悬挂装置图像的特征识别。
三次B样条函数如下所示：
其中，n＝3；a＝0.0542605；f0＝0.41976；
步骤(7)：对采集图像的局部特征进行识别后，计算特征量与样本库中样本图像局部特征的相似度，按照相似度的降次排序，选取前5份样本图像作为故障定位判断参考，进行故障定位。
分别将目标图像与5份样本图像进行对比，统计对比结果中，被标记点次数最多的局部特征量。提取该局部特征量，将其与常见故障知识库中的故障记录进行匹配。将样本图像和目标图像上的特征点，根据二值化原理进行转换。在矩阵行列数为定值时，通过变换将变量Z变换到[0，1]区间上的矩阵上。通过使用退火算法控制整个迭代过程，将目标凸化。经过一系列处理后，定位目标图像中的故障。二值化对应矩阵如下表所示：
| Z<sub>ai</sub> | X<sub>1</sub> | X<sub>2</sub> | X<sub>3</sub> | X<sub>4</sub> | 离群值 |
| V<sub>1</sub> | 1 | 0 | 0 | 0 | 0 |
| V<sub>2</sub> | 0 | 1 | 0 | 0 | 0 |
| V<sub>3</sub> | 0 | 0 | 0 | 0 | 1 |
| 离群值 | 0 | 0 | 1 | 1 |
与现有技术相比，本发明专利提供的一种大坡度线路上的接触网悬挂装置故障检测方法具有以下有益效果：
1.本发明专利以接触网悬挂装置高清图像为研究对象，利用图像处理技术提取预处理后图像的特征，将特征量处理结果与样本图像进行对比，实现对悬挂装置的故障检测。该方法在对于背景复杂、大坡度线路铺设环境等的现场实际图像具有良好的适应性和较高的算法检测准确率。
2.通过与传统的红外线故障检测方法和激光故障检测方法做检测精度和时间的对比，证明这种线路接触网悬挂装置故障检测方法能够有效提升故障检测耗时和检测精度，具有一定的优越性，更符合当前对悬挂装置故障检测方法的要求。
3.通过对增强后的图像进行的滤波处理，能够提高图像细节的辨识度，降低环境影响。尽量避免由于接触网长期暴露于室外，拍摄采集的图像质量易受天气影响存在噪声甚至模糊不清的情况。
4.在特征提取过程中，采用三次B样条小波能够良好反映图像局部信息和高斯逼近性的性质，有效实现对采集的接触网选悬挂装置图像的局部特征描述。
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)
1.一种大坡度线路上的接触网悬挂装置故障检测方法，其特征在于，包括步骤：
步骤(1)：在检测车的顶部设置LED射灯和高清摄像机，检测车沿线运行时，摄像机对线路接触网悬挂装置进行自动拍摄，以此采集分辨率为2448×2048的接触网悬挂装置图像；
步骤(2)：对采集的图像进行预处理，使得检测对象在所拍摄得图像中凸显出来，将所有拍摄采集的图像转为灰度，并对图像进行增强，根据灰度变换函数对原始图像进行灰度转换；
步骤(3)：根据分布函数和灰度级之间的关系，对拍摄采集的图像进行灰度级调整，直至得到均匀直方图，将检测目标与背景环境分离出来后，使用傅里叶变换改变图像频谱，实现图像增强；
步骤(4)：对增强后的图像进行滤波处理，将增强后的图像中的每一像素点的灰度与其周围的8个像素点的灰度求和，再除以9，作为过滤平滑后图像中对应点的灰度，配合高斯模板和低通滤波器，完成图像滤波；
步骤(5)：图像处理后，对图像边缘进行检测，使Prewitt算子样板依次与检测图像进行比较，得到与算子样板的最大相似值，以最大相似值为算子输出，完成图像的边缘检测；
步骤(6)：使用小波矩对预处理后的图像进行特征提取，实现对接触网悬挂装置的故障检测，构造图像小波矩，利用三次B样条函数作为母小波，完成在径向区域内的特征提取，通过对比样本库中的图像，选择类间距较大的几个特征量作为目标图像的代表特征量，完成对接触网悬挂装置图像的特征识别；
步骤(7)：对采集图像的局部特征进行识别后，计算特征量与样本库中样本图像局部特征的相似度，按照相似度的降次排序，选取前5份样本图像作为故障定位判断参考，进行故障定位。
2.根据权利要求1所述的一种大坡度线路上的接触网悬挂装置故障检测方法，其特征在于，所述步骤(2)中，灰度变换函数为g(x,y)＝T[f(x,y)]，g(x,y)为灰度变换后的函数，T为灰度变换作用法则，若采集原始图像的每一灰度级的像素个数为nk，则每一灰度级的概率密度函数P(rk)＝nk/n，分布函数为
最后得到输出灰度级rk＝Int[(L-1)sk+0.5]。
3.根据权利要求1所述的一种大坡度线路上的接触网悬挂装置故障检测方法，其特征在于，所述步骤(3)中，设g(x,y)变换后的频域函数为G(x,y)，传递函数为H(u,v)，则按照q(u,v)＝H(u,v)*G(x,y)进行空间域变换，q(u,v)为空间变换处理后的的图像频谱，再对其进行逆变换到空间域，得到增强后的图像q(x,y)。
4.根据权利要求1所述的一种大坡度线路上的接触网悬挂装置故障检测方法，其特征在于，所述步骤(6)中，三次B样条函数如下所示：
其中，n＝3；a＝0.0542605；f0＝0.41976；
5.根据权利要求1所述的一种大坡度线路上的接触网悬挂装置故障检测方法，其特征在于，所述步骤(7)中，统计目标图像与5份样本图像的对比结果中，被标记点次数最多的局部特征量，提取该局部特征量，将其与常见故障知识库中的故障记录进行匹配，将样本图像和目标图像上的特征点，根据二值化原理进行转换，在矩阵行列数为定值时，通过变换将变量Z变换到[0，1]区间上的矩阵上，通过使用退火算法控制整个迭代过程，将目标凸化，经过一系列处理后，定位目标图像中的故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011048499.5A CN112184669A (zh) | 2020-09-29 | 2020-09-29 | 一种大坡度线路上的接触网悬挂装置故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011048499.5A CN112184669A (zh) | 2020-09-29 | 2020-09-29 | 一种大坡度线路上的接触网悬挂装置故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112184669A true CN112184669A (zh) | 2021-01-05 |
Family
ID=73945410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011048499.5A Withdrawn CN112184669A (zh) | 2020-09-29 | 2020-09-29 | 一种大坡度线路上的接触网悬挂装置故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112184669A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569681A (zh) * | 2021-07-19 | 2021-10-29 | 江苏新绿能科技有限公司 | 一种基于surf支持向量机分类器的接触网故障检测方法 |
| CN113643331A (zh) * | 2021-07-19 | 2021-11-12 | 江苏新绿能科技有限公司 | 一种目标接触网检测跟踪装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070263929A1 (en) * | 2004-10-12 | 2007-11-15 | Daisuke Kaji | Image Processing Apparatus, Image Processing Method and Image Processing Program |
| CN105741291A (zh) * | 2016-01-30 | 2016-07-06 | 西南交通大学 | 一种高速铁路接触网悬挂装置等电位线故障检测方法 |
-
2020
- 2020-09-29 CN CN202011048499.5A patent/CN112184669A/zh not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070263929A1 (en) * | 2004-10-12 | 2007-11-15 | Daisuke Kaji | Image Processing Apparatus, Image Processing Method and Image Processing Program |
| CN105741291A (zh) * | 2016-01-30 | 2016-07-06 | 西南交通大学 | 一种高速铁路接触网悬挂装置等电位线故障检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 鲍君怡: "自动化与仪器仪表", 大坡度线路接触网悬挂装置故障检测方法研究, no. 5, pages 33 - 36 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569681A (zh) * | 2021-07-19 | 2021-10-29 | 江苏新绿能科技有限公司 | 一种基于surf支持向量机分类器的接触网故障检测方法 |
| CN113643331A (zh) * | 2021-07-19 | 2021-11-12 | 江苏新绿能科技有限公司 | 一种目标接触网检测跟踪装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
| CN113379703B (zh) | 基于Yolo-v4网络结构光伏面板暗斑缺陷检测方法 | |
| CN111311567A (zh) | 对轨道线路图像进行扣件和钢轨病害识别的方法 | |
| CN104990925A (zh) | 一种基于梯度多阈值优化缺陷检测方法 | |
| CN109785301B (zh) | 一种基于图像处理的钢轨波磨周期评估方法 | |
| CN112184669A (zh) | 一种大坡度线路上的接触网悬挂装置故障检测方法 | |
| CN108694349B (zh) | 一种基于线阵相机的受电弓图像提取方法及装置 | |
| CN108205667A (zh) | 车道线检测方法及装置、车道线检测终端、存储介质 | |
| CN108921076B (zh) | 基于图像的道面裂缝病害自适应恒虚警检测方法 | |
| CN102346844B (zh) | 一种货车下心盘螺栓丢失故障识别装置及其识别方法 | |
| CN111091548B (zh) | 基于深度学习的铁路货车承载鞍错位故障图像识别方法及系统 | |
| CN110232682B (zh) | 一种基于图像的轨道异物探测方法 | |
| CN107727658A (zh) | 基于图像处理的受电弓裂纹在线检测装置及方法 | |
| CN111080621B (zh) | 一种铁路货车地板破损故障图像识别方法 | |
| CN109543613A (zh) | 基于tof成像的车辆行驶速度及车牌识别系统及方法 | |
| CN111079734A (zh) | 铁路货车三角孔异物检测方法 | |
| CN110717900A (zh) | 基于改进Canny边缘检测算法的受电弓磨耗检测方法 | |
| CN111768417A (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
| CN112288717A (zh) | 一种动车组列车侧部异物检测方法 | |
| CN110728269A (zh) | 一种高铁接触网支柱杆号牌识别方法 | |
| CN111260631B (zh) | 一种高效刚性接触线结构光光条提取方法 | |
| CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
| CN103065296B (zh) | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 | |
| CN116416589A (zh) | 一种基于铁轨数据与几何性质的轨道点云提取方法 | |
| CN112288674A (zh) | 车载式接触网部件缺陷在线识别方法 |
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 |
Application publication date: 20210105 |
|
| WW01 | Invention patent application withdrawn after publication |