CN112308847A - 一种轨检车巡检装置及其巡检方法 - Google Patents
一种轨检车巡检装置及其巡检方法 Download PDFInfo
- Publication number
- CN112308847A CN112308847A CN202011222561.8A CN202011222561A CN112308847A CN 112308847 A CN112308847 A CN 112308847A CN 202011222561 A CN202011222561 A CN 202011222561A CN 112308847 A CN112308847 A CN 112308847A
- Authority
- CN
- China
- Prior art keywords
- rail
- pixel point
- inspection
- image
- picture
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000036541 health Effects 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000007547 defect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 206010044565 Tremor Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/68—Control of cameras or camera modules for stable pick-up of the scene, e.g. compensating for camera body vibrations
- H04N23/681—Motion detection
- H04N23/6812—Motion detection based on additional sensors, e.g. acceleration sensors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种轨检车巡检装置及其巡检方法，包括设置于铁轨上的巡检车和安装于巡检车上的支撑杆；支撑杆上安装旋转电机，旋转电机的输出轴与陀螺仪连接，陀螺仪下部安装四轴电机，四轴电机输出轴与摄像头连接；铁轨上安装压电传感器；旋转电机、陀螺仪、四轴电机、摄像头和压电传感器与外部计算器连接。本发明对同一段铁路，采用两种方法连续判断铁轨的健康状况，以减少环境对像素强度梯度的影响，并提高像素检测的准确性。
Description
技术领域
本发明属于铁路检测的技术领域，具体涉及一种轨检车巡检装置及其巡检方法。
背景技术
随着经济的发展，社会的进步，人们的交通方式越来越方便，其中铁路交通交通是目前人们选择较多的出行方式。铁路的健康状况是铁路列车能否安全运行的重要指标，铁路的健康状况可以通过铁路巡检车检查出来，巡检车巡检的过程中，需要采集轨道的相关信息，比如铁轨是否具有裂缝等，这个时候需要对铁轨进行拍照核对，但是在检查拍照的过程中，避免不了会有很多以外颠簸等状况的出现，导致相机的摄像头对焦不准的问题出现。而摄像头对焦不准，对拍照影响非常大，严重影响后期对铁轨是否健康的判断。
发明内容
本发明的目的在于针对现有技术中的上述不足，提供一种轨检车巡检装置及其巡检方法，以解决在巡检拍照的过程中，会有很多以外颠簸等状况的出现，影响拍照结果，以及后续影响对铁轨是否健康的判断的问题。
为达到上述目的，本发明采取的技术方案是：
一种轨检车巡检装置及其巡检方法，其包括设置于铁轨上的巡检车和安装于巡检车上的支撑杆；支撑杆上安装旋转电机，旋转电机的输出轴与陀螺仪连接，陀螺仪下部安装四轴电机，四轴电机输出轴与摄像头连接；铁轨上安装压电传感器；旋转电机、陀螺仪、四轴电机、摄像头和压电传感器与外部计算器连接。
一种轨检车巡检方法，包括：
S1、实时接收摄像头和压电传感器采集的图片信息和压电信号；
S2、采用Laplacian变换进行图片的模糊检测，并设定方差阈值，若计算得到图片的方差小于方差阈值，则进入步骤S3；若图片的方差大于等于方差阈值，则进入步骤S4；
S3、控制旋转电机、陀螺仪、四轴电机作业，调整摄像头与铁轨之间的焦距，并将拍摄的铁轨照片上传至计算机，并进入步骤上S2；
S4、采用语义分割模型进行图片目标数据集标注；
S5、将分割后的模型进行灰度处理；
S6、采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标铁轨；若像素点灰度值小于阈值，则二值化结果为0，代表铁轨背景；
S7、采用CARRY算子对图像进行边缘检测，计算每个像素点当前的梯度强度；
S8、将像素点当前的梯度强度G测与正常铁轨对应像素点的梯度强度G常进行比较，若|G测-G常|的绝对值大于阈值，则判断像素点对应的铁轨存在缺陷，若|G测-G常|的绝对值小于等于阈值，则进入步骤S9；
S9、将同一段铁轨采集的压电信号转化为数字信号，并将所述数字信号的时域波形转化为频域的功率谱密度分布图，将所述功率谱密度分布图与正常铁轨的功率谱密度分布图进行比较，判断对应铁轨健康状况。
优选地，S2中采用Laplacian变换进行图片的模糊检测，包括：
采用Laplacian算子衡量图片的二阶导，用于边界检测，并采用图片的1个通道结合3x3的核进行卷积计算，计算输出图片的方差数值。
优选地，S4中采用语义分割模型的构建，包括：
S4.1、将目标数据集随机划分为训练样本集和测试样本集；
S4.2、采用训练样本集训练并构建语义分割模型，采用测试样本集测试模型精度。
优选地，S6中采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标铁轨；若像素点灰度值小于等于阈值，则二值化结果为0，代表铁轨背景，包括：
S6.1、设图像在像素点(x,y)处的灰度值为f(x,y)；
S6.2、计算图像中各像素点(x,y)的阈值w(x,y)：
W(x,y)＝0.5*(max f(x+m,y+n)+min f(x+m,y+n))
S6.3、若f(x,y)>w(x,y)，则二值化结果为1，代表字符区域的目标点；否则二值化结果为0，代表背景区域的目标点。
优选地，S7中采用CARRY算子对图像进行边缘检测，计算每个像素点当前的梯度强度，包括：
S7.1、采用高斯滤波器，平滑图像，滤除噪声；
S7.2、计算图像中每个像素点的梯度强度G：
其中，Gx和Gy分别为x和y方向的梯度值；
S7.3、x和y方向的Sobel算子Sx和Sy分别为：
S7.4、若图像中一个3x3的窗口为A，计算梯度的像素点为e，则结合Sobel算子进行卷积计算，得到像素点e在x和y方向的梯度值分别为：
其中，*为卷积符号，sum表示矩阵中所有元素相加求和，a、b、c、d、e、f、g、h、i为卷积矩阵内的参数。
本发明提供的轨检车巡检装置及其巡检方法，具有以下有益效果：
本发明根据采集的图像清晰度进行摄像头的调整，直至得到清晰的图像照片，以提高后期铁轨缺陷判断的准确度；同时，计算实时采集到的铁轨图像像素的梯度强度，根据采集得到的梯度强度与正常铁轨的梯度强度的差值判断铁轨的健康状况；随后，将剩余不能准确判断的铁轨部分，采用功率谱密度分布图进行该段铁轨的健康状况的判断。本发明对同一段铁路，采用两种方法连续判断铁轨的健康状况，以减少环境对像素强度梯度的影响，并提高像素检测的准确性。
附图说明
图1为轨检车巡检装置结构图。
其中，1、摄像头；2、四轴电机；3、陀螺仪；4、旋转电机；5、支撑杆；6、铁轨；7、巡检车。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
根据本申请的实施例一，参考图1，本方案的轨检车巡检装置，包括设置于铁轨6上的巡检车7和安装于巡检车7上的支撑杆5，支撑杆5用于支撑作用。
支撑杆5上安装旋转电机4，可根据实际铁轨6与支撑杆5之间的位置选择旋转电机4安装的位置。
旋转电机4的输出轴与陀螺仪3连接，陀螺仪3下部安装四轴电机2，四轴电机2输出轴与摄像头1连接，陀螺仪3用于防止、减少摄像头1的抖动。
四轴电机2用于实现摄像头1在竖直方向上的位置调整，旋转电机4用于调整摄像头1在水平方向位置的调整。
由此可知，在四轴电机2和旋转电机4的配合使用下，可实现摄像头1在三维面的位置调整，以确保拍摄照片的清晰度。
铁轨6上安装压电传感器；旋转电机4、陀螺仪3、四轴电机2、摄像头1和压电传感器与外部计算器连接。
外部计算机可接收传感器信号，也可控制旋转电机4、四轴电机2的作业，以实现对铁轨6的最佳拍摄效果。
本实施例的工作原理为：
调整支撑杆5位置，将摄像头1固定在大致位置不偏移，从而保证摄像头1在拍摄的铁轨6位置之内。
当主体位置固定后，控制四轴电机2作业，根据功能设定自动调整位置，让摄像头1可以上下左右调整其位置，保证摄像头1始终对准检测对象中心区域。
同时在四轴电机2的底座上面的防抖陀螺仪3，根据陀螺仪3反馈可以进行主动式防抖，减小颤抖，有利于将图片拍摄于正中心且不会抖动。
使用高精度的自动拍摄存储相机的摄像头1，使相机拍摄的视野变宽，更加有利于轨道相关信息的采集工作。
本发明装置能够保证其实时获取当前电机的位置进行闭环控制，配合该巡检装置的外部结构和内部核心控制器，完成相机位置的确定，使得相机位置更加精确，与传统的手动控制相比，其拍摄采集轨道信息的位置精度将大大提高。
根据本申请的实施例二，一种轨检车巡检方法，包括：
S1、实时接收摄像头1和压电传感器采集的图片信息和压电信号，即通过压电传感器实时采集当前铁轨6的压电信息，并将该压电信息传送至外部计算机；以及将摄像头1实时采集的图片或照片传送至外部计算机中。
S2、采用Laplacian变换进行图片的模糊检测，
Laplacian变换进行图片的模糊检测，采用Laplacian算子衡量图片的二阶导，用于边界检测，并采用图片的1个通道结合3x3的核进行卷积计算，计算输出图片的方差数值。
设定方差阈值，若计算得到图片的方差小于方差阈值，则进入步骤S3；若图片的方差大于等于方差阈值，则进入步骤S4。
S3、若若计算得到图片的方差小于方差阈值，外部计算机控制旋转电机4、陀螺仪3、四轴电机2作业，调整摄像头1与铁轨6之间的焦距，并将拍摄的铁轨6照片上传至计算机，并进入步骤上S2，直至清晰度满足要求，即图片的方差大于等于方差阈值。
S4、采用语义分割模型进行图片目标数据集标注，语义分割模型的构建包括：
S4.1、将目标数据集随机划分为训练样本集和测试样本集；
S4.2、采用训练样本集训练并构建语义分割模型，采用测试样本集测试模型精度。
将清晰度达到要求的图像输入语义分割模型中，进行图片目标数据集标注，标注对象包括铁轨6、石头、水坑和背景。
S5、将分割后的模型进行灰度处理；
S6、采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标铁轨6；若像素点灰度值小于阈值，则二值化结果为0，代表铁轨6背景，其具体包括：
S6.1、设图像在像素点(x,y)处的灰度值为f(x,y)；
S6.2、计算图像中各像素点(x,y)的阈值w(x,y)：
W(x,y)＝0.5*(max f(x+m,y+n)+min f(x+m,y+n))
S6.3、若f(x,y)>w(x,y)，则二值化结果为1，代表字符区域的目标点；否则二值化结果为0，代表背景区域的目标点。
本发明通过步骤S4的语义分割模型进行图片目标数据集标注，其标注对象为铁轨6、石头、水坑和背景，以减少后期二值化处理的数据，再通过步骤S6中的二值化处理，快速的计算得到目标点铁轨6。
相比于传统的直接进行二值化处理以得到目标点，本发明通过语义分割模型初步筛选得到目标数据集，在此基础上，再进行二值化处理，可极大的提高计算速率。
S7、采用CARRY算子对图像进行边缘检测，计算每个像素点当前的梯度强度，其具体包括：
S7.1、采用高斯滤波器，平滑图像，滤除噪声；
S7.2、计算图像中每个像素点的梯度强度G：
其中，Gx和Gy分别为x和y方向的梯度值；
S7.3、x和y方向的Sobel算子Sx和Sy分别为：
S7.4、若图像中一个3x3的窗口为A，计算梯度的像素点为e，则结合Sobel算子进行卷积计算，得到像素点e在x和y方向的梯度值分别为：
其中，*为卷积符号，sum表示矩阵中所有元素相加求和，a、b、c、d、e、f、g、h、i为卷积矩阵内的参数。
S8、将像素点当前的梯度强度G测与正常铁轨6对应像素点的梯度强度G常进行比较，若|G测-G常|的绝对值大于阈值，则可直接判断像素点对应的铁轨6存在缺陷。
若|G测-G常|的绝对值小于等于阈值，由于铁轨6环境的不确定因素较多，也可能为铁轨6的缺陷不明显，如裂缝较小，在图像中不能察觉，或者凹坑太小，不能以图像的形式表现。故为避免此隐患造成的误判，本发明进一步采取步骤S9进行判断。
S9、将同一段铁轨6采集的压电信号转化为数字信号，并将所述数字信号的时域波形转化为频域的功率谱密度分布图，将功率谱密度分布图与正常铁轨6的功率谱密度分布图进行比较，判断对应铁轨6健康状况。
当有巡检车7驶向并经过该段铁轨6时，会引起铁轨6的低频振动，该振动以信号波的形式被安装于轨底的压电传感器监测接收并将其传送至外部计算机中。
并将接收到的数字信号的时域波形转化为频域的功率谱密度分布图，将功率谱密度分布图与正常铁轨6的功率谱密度分布图进行比较，判断对应铁轨6健康状况。
即将检测到的铁轨6的功率谱密度分布与正常铁轨6的铁轨6的功率谱密度分布进行比较，若两者的差值大于预设值，则判断铁轨6发生裂缝或其它损伤；反之，则判断铁轨6没有裂缝或其它损伤发生。
如检测到的铁轨6的功率谱密度分布主要集中在70kHz，而在同一段铁轨6同一时间段(是指历史数据中相同季节、相同月份、大致相同的时间点)的铁轨6功率谱密度分布主要集中78kHz，两者之间的差值为8kHz，大于预设的差值2kHz，则判断该段铁轨6发生裂缝或其它损伤。
本发明根据采集的图像清晰度进行摄像头1的调整，直至得到清晰的图像照片，以提高后期铁轨6缺陷判断的准确度；同时，计算实时采集到的铁轨6图像像素的梯度强度，根据采集得到的梯度强度与正常铁轨6的梯度强度的差值判断铁轨6的健康状况；随后，将剩余不能准确判断的铁轨6部分，采用功率谱密度分布图进行该段铁轨6的健康状况的判断。本发明对同一段铁路，采用两种方法连续判断铁轨6的健康状况，以减少环境对像素强度梯度的影响，并提高像素检测的准确性。
虽然结合附图对发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。
Claims (6)
1.一种轨检车巡检装置，其特征在于：包括设置于铁轨上的巡检车和安装于巡检车上的支撑杆；所述支撑杆上安装旋转电机，旋转电机的输出轴与陀螺仪连接，陀螺仪下部安装四轴电机，四轴电机输出轴与摄像头连接；所述铁轨上安装压电传感器；所述旋转电机、陀螺仪、四轴电机、摄像头和压电传感器与外部计算器连接。
2.一种根据权利要求1所述的轨检车巡检装置的巡检方法，其特征在于，包括：
S1、实时接收摄像头和压电传感器采集的图片信息和压电信号；
S2、采用Laplacian变换进行图片的模糊检测，并设定方差阈值，若计算得到图片的方差小于方差阈值，则进入步骤S3；若图片的方差大于等于方差阈值，则进入步骤S4；
S3、控制旋转电机、陀螺仪、四轴电机作业，调整摄像头与铁轨之间的焦距，并将拍摄的铁轨照片上传至计算机，并进入步骤上S2；
S4、采用语义分割模型进行图片目标数据集标注；
S5、将分割后的模型进行灰度处理；
S6、采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标铁轨；若像素点灰度值小于阈值，则二值化结果为0，代表铁轨背景；
S7、采用CARRY算子对图像进行边缘检测，计算每个像素点当前的梯度强度；
S8、将像素点当前的梯度强度G测与正常铁轨对应像素点的梯度强度G常进行比较，若|G测-G常|的绝对值大于阈值，则判断像素点对应的铁轨存在缺陷，若|G测-G常|的绝对值小于等于阈值，则进入步骤S9；
S9、将同一段铁轨采集的压电信号转化为数字信号，并将所述数字信号的时域波形转化为频域的功率谱密度分布图，将所述功率谱密度分布图与正常铁轨的功率谱密度分布图进行比较，判断对应铁轨健康状况。
3.根据权利要求2所述的轨检车巡检方法，其特征在于，所述S2中采用Laplacian变换进行图片的模糊检测，包括：
采用Laplacian算子衡量图片的二阶导，用于边界检测，并采用图片的1个通道结合3x3的核进行卷积计算，计算输出图片的方差数值。
4.根据权利要求2所述的轨检车巡检方法，其特征在于，所述S4中采用语义分割模型的构建，包括：
S4.1、将目标数据集随机划分为训练样本集和测试样本集；
S4.2、采用训练样本集训练并构建语义分割模型，采用测试样本集测试模型精度。
5.根据权利要求2所述的轨检车巡检方法，其特征在于，所述S6中采用局部自适应二值化计算灰度图像中像素点的阈值，若灰度图像中像素点灰度值大于阈值，则二值化结果为1，代表目标铁轨；若像素点灰度值小于等于阈值，则二值化结果为0，代表铁轨背景，包括：
S6.1、设图像在像素点(x,y)处的灰度值为f(x,y)；
S6.2、计算图像中各像素点(x,y)的阈值w(x,y)：
W(x,y)＝0.5*(max f(x+m,y+n)+min f(x+m,y+n))
S6.3、若f(x,y)>w(x,y)，则二值化结果为1，代表字符区域的目标点；否则二值化结果为0，代表背景区域的目标点。
6.根据权利要求2所述的轨检车巡检方法，其特征在于，所述S7中采用CARRY算子对图像进行边缘检测，计算每个像素点当前的梯度强度，包括：
S7.1、采用高斯滤波器，平滑图像，滤除噪声；
S7.2、计算图像中每个像素点的梯度强度G：
其中，Gx和Gy分别为x和y方向的梯度值；
S7.3、x和y方向的Sobel算子Sx和Sy分别为：
S7.4、若图像中一个3x3的窗口为A，计算梯度的像素点为e，则结合Sobel算子进行卷积计算，得到像素点e在x和y方向的梯度值分别为：
其中，*为卷积符号，sum表示矩阵中所有元素相加求和，a、b、c、d、e、f、g、h、i为卷积矩阵内的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011222561.8A CN112308847A (zh) | 2020-11-05 | 2020-11-05 | 一种轨检车巡检装置及其巡检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011222561.8A CN112308847A (zh) | 2020-11-05 | 2020-11-05 | 一种轨检车巡检装置及其巡检方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112308847A true CN112308847A (zh) | 2021-02-02 |
Family
ID=74325068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011222561.8A Pending CN112308847A (zh) | 2020-11-05 | 2020-11-05 | 一种轨检车巡检装置及其巡检方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308847A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112896231A (zh) * | 2021-03-01 | 2021-06-04 | 宁夏大学 | 一种铁路轨道埋沙程度监测装置及方法 |
| CN113034599A (zh) * | 2021-04-21 | 2021-06-25 | 南京航空航天大学 | 一种航空发动机的孔探检测装置和方法 |
-
2020
- 2020-11-05 CN CN202011222561.8A patent/CN112308847A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112896231A (zh) * | 2021-03-01 | 2021-06-04 | 宁夏大学 | 一种铁路轨道埋沙程度监测装置及方法 |
| CN113034599A (zh) * | 2021-04-21 | 2021-06-25 | 南京航空航天大学 | 一种航空发动机的孔探检测装置和方法 |
| CN113034599B (zh) * | 2021-04-21 | 2024-04-12 | 南京航空航天大学 | 一种航空发动机的孔探检测装置和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112991347B (zh) | 一种基于三维的列车螺栓松动检测方法 | |
| CN102297660B (zh) | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 | |
| CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
| CN106226157B (zh) | 混凝土构件裂缝自动检测装置及方法 | |
| CN112308847A (zh) | 一种轨检车巡检装置及其巡检方法 | |
| CN104236498B (zh) | 一种道岔钢轨件端面尺寸的测量方法 | |
| CN105427324B (zh) | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 | |
| CN107064169A (zh) | 一种桥梁裂缝检测装置及检测方法 | |
| CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
| CN112801972A (zh) | 一种桥梁缺陷检测方法、设备、系统及存储介质 | |
| CN104700395A (zh) | 一种构造物外观裂缝检测方法及系统 | |
| CN111127399A (zh) | 一种基于深度学习与声呐成像的水下桥墩病害识别方法 | |
| CN111485475A (zh) | 一种路面坑槽识别方法及其装置 | |
| CN111489352A (zh) | 一种基于数字图像处理的隧道缝隙检测与测量方法及装置 | |
| CN109712190A (zh) | 三维激光扫描仪与三维激光雷达的外参标定方法 | |
| CN115063579B (zh) | 基于二维图像和三维点云投影的列车定位销松动检测方法 | |
| CN116399302B (zh) | 基于双目视觉和神经网络模型实时监测强夯夯沉量的方法 | |
| CN113034439A (zh) | 一种高速铁路声屏障缺损检测方法及装置 | |
| Fu et al. | Research on image-based detection and recognition technologies for cracks on rail surface | |
| CN108492306A (zh) | 一种基于图像轮廓的x型角点提取方法 | |
| CN113947583B (zh) | 基于深度学习二维时间序列图像的焊缝无损检测方法 | |
| CN112749735B (zh) | 基于深度学习的转炉出钢钢流识别方法、系统、介质及终端 | |
| CN104614372B (zh) | 一种太阳能硅片检测方法 | |
| CN113610054A (zh) | 一种水下结构病害深度检测方法、系统、装置及存储介质 | |
| CN116160458B (zh) | 一种移动机器人多传感器融合快速定位方法、设备及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210202 |