CN112330646A - 一种基于二维图像的动车车底异常检测方法 - Google Patents
一种基于二维图像的动车车底异常检测方法 Download PDFInfo
- Publication number
- CN112330646A CN112330646A CN202011259297.5A CN202011259297A CN112330646A CN 112330646 A CN112330646 A CN 112330646A CN 202011259297 A CN202011259297 A CN 202011259297A CN 112330646 A CN112330646 A CN 112330646A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- bullet train
- parts
- abnormal
- 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 36
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 230000005856 abnormality Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000031836 visual learning Effects 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000006096 absorbing agent Substances 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000035939 shock Effects 0.000 claims description 3
- 230000003137 locomotive effect Effects 0.000 claims 5
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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]
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)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明的一种基于二维图像的动车车底异常检测方法,包括以下步骤:S1:采集图像,采用高位深相机拍摄动车车底图片;S2:图像预处理,根据统计信息判断整列车的图像灰度过高或过低即为异常拍摄,使用直方图均衡化处理图像中的过曝或欠曝,降低图片位深增强画质;S3:图像坐标定位,识别关键部位,重新组织图片,确认车头方向和图像在车辆上的位置,与模板车进行配对;S4:零件和异物识别,通过训练后的视觉学习机器算法识别零部件和异物,定位动车关键零部件;S5:图像和零件匹配,将图像与模板车辆进行比较找出异常,记录检测结果。该方法能够减少检测所需的人工,简化检测流程,提高检测精度和速度,提高了动车运行的安全性。
Description
技术领域
本发明涉及动车检测技术领域,具体涉及一种基于二维图像的动车车底异常检测方法。
背景技术
随着高铁、动车的里程数越来越多,动车的运行速度越来越快,为了保障安全运行,车体的检修频率也随之越来越高。为了维持动车有效的、高速的运行,需要及时检测出动车车底的潜在安全风险,提高检修频率。
通常动车车底的检测项目包括零部件松动、漏油、脏污、异物等。现有技术中已经出现通过相机采集动车车底图像并识别来获取零部件的状态,将识别的零部件的状态与预先定义的零部件的状态进行匹配,确定检测零部件的是否为异常的方法。然而,这种方式需要对不同列车的历史图像分别预先定义模板以及样本训练,然后再将检测的零部件的状态与预先定义的零部件的状态进行比对,以确定其是否属于异常,实现过程复杂繁琐。并且相机采集的图像容易受到光照等因素的影响,往往不能准确地反映异常状态,导致检测结果不够准确,存在错漏。
发明内容
为克服现有技术的不足,本发明提出一种基于二维图像的动车车底异常检测方法,其能够减少检测所需的人工,简化检测流程,提高检测精度和速度,提高了动车运行的安全性。
为实现上述目的,本发明的一种基于二维图像的动车车底异常检测方法,包括以下步骤:
S1:采集图像,采用高位深相机拍摄动车车底图片;
S2:图像预处理,根据统计信息判断整列车的图像灰度过高或过低即为异常拍摄,使用直方图均衡化处理图像中的过曝或欠曝,降低图片位深增强画质;
S3:图像坐标定位,图片世界坐标系位置确认,识别关键部位,重新组织图片,确认车头方向和图像在车辆上的位置,与模板车进行配对;
S4:零件和异物识别,通过训练后的视觉学习机器算法识别零部件和异物,定位动车关键零部件;
S5:图像和零件匹配,将图像与模板车辆进行比较找出异常,记录检测结果。
进一步地,在步骤S2中,直方图均衡化的具体步骤包括:
S201:统计灰度级中每个像素在整幅图像中的个数nk,k=0,...,L-1;
S202:计算每个灰度级占图像中的概率分布P(r)r=nk/n;
S203:计算累计分布概率Sk∑P(r)r,k=0,1,2,...,L-1l;
S204:计算均衡化之后的灰度值cdf(Sk);
S205:映射回原来像素的坐标的像素值。
进一步地,在步骤S3中,通过景深摄像头以及简单的阈值分割和霍夫曼变换算法拟合车头的曲线,从第一张图的灰度图和景深图开始进行阈值分割和边缘提取,计算面积和边缘曲线,当面积和曲线符合车头条件即为车辆的车头,同时从最后一张图进行同样过程,确定两个车头位置,通过定位的两个车头的位置,确定图片位于车辆上的位置。
进一步地,步骤S4还包括以下子步骤:
S401:收集所需检测车型的动车图,针对需检测的每种零件收集100张以上的图,针对油污和异物收集50张左右的图,并收集一部分曝光不正常的图,手动对图进行降低和提高亮度的处理;
S402:使用边界框标注工具,对收集到的图片中的零件进行标注,使用边界框标注零件的位置的大小和类型;
S403:使用Cascade Rcnn物体识别算法,以交叉熵作为损失函数进行训练,评价指标为平均精度均值,使用Adam作为优化器,多分类交叉熵公式为 其中,M为类别数量,yic指示变量,如果该类与样本i相同类别就为1,否则为0,pic对于观测样本i属于类别c的预测概率;
S404:模型对待检测车辆的图片进行识别,获得每张图上零件的位置信息。
进一步地,在步骤S402中,标注的零件包括外六角螺头,内六角螺头,堵头,螺母,刹车片,销钉,三通,减震器,油液观察口,线夹,油液加注帽,一字螺头,并且对异常位置也进行标注,包括油污和异物。
进一步地,在步骤S5中,通过人工对无故障的检测车型进行标注,作为零件在整辆车上的模板,通过与标注过的模板车辆进行比较,找出异常。
本发明的一种基于二维图像的动车车底异常检测方法能够对使用车底检测小车拍摄的动车车底的图像进行异常检测,能检出常见关键零件的缺失和关键部位的异物异常,可以适应不同的车型和不同拍摄条件的动车车底异常检测,减少检测所需的人工,简化检测流程,提高检测精度和速度,提高了动车运行的安全性。
附图说明
下面结合附图对本发明作进一步描写和阐述。
图1是本发明首选实施方式的一种基于二维图像的动车车底异常检测方法的流程图;
图2是步骤S4中检测模型的示意图。
具体实施方式
下面将结合附图、通过对本发明的优选实施方式的描述,更加清楚、完整地阐述本发明的技术方案。
如图1所示,本发明首选实施方式的一种基于二维图像的动车车底异常检测方法,包括以下步骤:
S1:采集图像,采用高位深相机拍摄动车车底图片,使用运动小车拍摄高铁图像。
S2:图像预处理,并且由于环境限制,相机容易过曝或者欠曝,成像过黑过亮,不利于后续人工和程序的查看与分析。根据统计信息判断整列车的图像灰度过高或过低即为异常拍摄,由于图像无复杂背景,使用直方图均衡化处理图像中的过曝或欠曝,降低图片位深增强画质,直方图均衡化的具体步骤包括:
S201:统计灰度级中每个像素在整幅图像中的个数nk,k=0,...,L-1;
S202:计算每个灰度级占图像中的概率分布P(r)r=nk/n;
S203:计算累计分布概率Sk∑P(r)r,k=0,1,2,...,L-1l;
S204:计算均衡化之后的灰度值cdf(Sk);
S205:映射回原来像素的坐标的像素值。
S3:图像坐标定位,由于每次小车位置不固定,需要知道拍摄图位于被拍摄的具体位置,确认车头方向和图像在车辆上的位置,识别关键部位,重新组织图片,与模板车进行配对。通过景深摄像头以及简单的阈值分割和霍夫曼变换算法拟合车头的曲线,从第一张图的灰度图和景深图开始进行阈值分割和边缘提取,计算面积和边缘曲线,当面积和曲线符合车头条件即为车辆的车头,同时从最后一张图进行同样过程,确定两个车头位置,通过定位的两个车头的位置,确定图片位于车辆上的位置
S4:零件和异物识别,通过训练后的视觉学习机器算法识别零部件和异物,定位动车关键零部件。不同车辆不同车型的差异较大,且零件供应商较多,选取主要的零件和缺陷构建物体识别算法。程序使用PyTorch进行编写,CUDA进行加速,训练和检测使用的电脑装有4张英伟达的独立显卡。
S401:收集所需检测车型的动车图,针对需检测的每种零件收集100张以上的图,针对油污和异物收集50张左右的图,并收集一部分曝光不正常的图,手动对图进行降低和提高亮度的处理;
S402:使用边界框标注工具,对收集到的图片中的零件进行标注,使用边界框标注零件的位置的大小和类型。标注的零件包括外六角螺头,内六角螺头,堵头,螺母,刹车片,销钉,三通,减震器,油液观察口,线夹,油液加注帽,一字螺头,并且对异常位置也进行标注,包括油污和异物。对收集到的图片中的零件进行标注,使用边界框标注零件的位置的大小和类型;
S403:使用Cascade Rcnn物体识别算法,以交叉熵作为损失函数进行训练,评价指标为平均精度均值,使用Adam作为优化器,图2为模型的示意图,与更为常见的Faster Rcnn相比,Cascade Rcnn通过级联几个检测网络达到不断优化预测结果的目的,cascade rcnn的多个检测网络是基于不同IOU阈值确定的正负样本上训练得到的。图2中的B0为候选生成网络RPN的输出的边界框,H1为第一级检测器,分别得到的B1和C1为边界框修正和类别,再将高于某个IOU阈值的输入进第二级检测器,得到B2和C2,再输入进第三级检测器,最终获得结果。Cascade Rcnn在通用大型目标检测数据集COCO数据集上获得了很好的效果,boxAP指标达到44.5,在其他特定任务也可获得理想效果。我们在大数据集COCO上进行预训训练,使用训练较好的权重进行初始化,再在数据集上进行进一步训练调整。多分类交叉熵公式为 其中,M为类别数量,yic指示变量,如果该类与样本i相同类别就为1,否则为0,pic对于观测样本i属于类别c的预测概率。平均精度均值即为mAP(mean average precision)。多个类别物体检测中,每一个类别都可以根据recall和precision绘制一条曲线,AP就是该曲线下的面积,mAP是多个类别AP的平均值。
S404:模型对待检测车辆的图片进行识别,获得每张图上零件的位置信息。模型训练完成后即可对车辆零件进行识别,由Libtorch开发专门的C++部署程序,使用半精度加速模型。检测完成即可获得每张图上零件的位置信息。
S5:图像和零件匹配,将图像与模板车辆进行比较找出异常,记录检测结果。通过人工对无故障的检测车型进行标注,作为零件在整辆车上的模板,通过与标注过的模板车辆进行比较,找出异常。模板中零件的边界框适当扩大,计算检测出的零件是否相交,判断待检测车辆上的零件是否存在。通过零件的大小信息和位置以及图片的特征值判断待检测的图与模板是否差异过大,差异大的进行切换模板检测。车底照片中与异物和油污相似的部位过多,通过与模板中区域配对,只输出关键部位的油污和异物。
本发明的一种基于二维图像的动车车底异常检测方法能够对使用车底检测小车拍摄的动车车底的图像进行异常检测,能检出常见关键零件的缺失和关键部位的异物异常,可以适应不同的车型和不同拍摄条件的动车车底异常检测,减少检测所需的人工,简化检测流程,提高检测精度和速度,提高了动车运行的安全性。
上述具体实施方式仅仅对本发明的优选实施方式进行描述,而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下,本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进,均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。
Claims (6)
1.一种基于二维图像的动车车底异常检测方法,其特征在于,包括以下步骤:
S1:采集图像,采用高位深相机拍摄动车车底图片;
S2:图像预处理,根据统计信息判断整列车的图像灰度过高或过低即为异常拍摄,使用直方图均衡化处理图像中的过曝或欠曝,降低图片位深增强画质;
S3:图像坐标定位,图片世界坐标系位置确认,识别关键部位,重新组织图片,确认车头方向和图像在车辆上的位置,与模板车进行配对;
S4:零件和异物识别,通过训练后的视觉学习机器算法识别零部件和异物,定位动车关键零部件;
S5:图像和零件匹配,将图像与模板车辆进行比较找出异常,记录检测结果。
2.根据权利要求1所述的一种基于二维图像的动车车底异常检测方法,其特征在于,在步骤S2中,所述直方图均衡化的具体步骤包括:
S201:统计灰度级中每个像素在整幅图像中的个数nk,k=0,...,L-1;
S202:计算每个灰度级占图像中的概率分布P(r)r=nk/n;
S203:计算累计分布概率Sk∑P(r)r,k=0,1,2,...,L-11;
S204:计算均衡化之后的灰度值cdf(Sk);
S205:映射回原来像素的坐标的像素值。
3.根据权利要求1所述的一种基于二维图像的动车车底异常检测方法,其特征在于,在步骤S3中,通过景深摄像头以及简单的阈值分割和霍夫曼变换算法拟合车头的曲线,从第一张图的灰度图和景深图开始进行阈值分割和边缘提取,计算面积和边缘曲线,当面积和曲线符合车头条件即为车辆的车头,同时从最后一张图进行同样过程,确定两个车头位置,通过定位的两个车头的位置,确定图片位于车辆上的位置。
4.根据权利要求1所述的一种基于二维图像的动车车底异常检测方法,其特征在于,步骤S4还包括以下子步骤:
S401:收集所需检测车型的动车图,针对需检测的每种零件收集100张以上的图,针对油污和异物收集50张左右的图,并收集一部分曝光不正常的图,手动对图进行降低和提高亮度的处理;
S402:使用边界框标注工具,对收集到的图片中的零件进行标注,使用边界框标注零件的位置的大小和类型;
S403:使用Cascade Rcnn物体识别算法,以交叉熵作为损失函数进行训练,评价指标为平均精度均值,使用Adam作为优化器,所述多分类交叉熵公式为 其中,M为类别数量,yic指示变量,如果该类与样本i相同类别就为1,否则为0,pic对于观测样本i属于类别c的预测概率;
S404:模型对待检测车辆的图片进行识别,获得每张图上零件的位置信息。
5.根据权利要求4所述的一种基于二维图像的动车车底异常检测方法,其特征在于,在步骤S402中,标注的零件包括外六角螺头,内六角螺头,堵头,螺母,刹车片,销钉,三通,减震器,油液观察口,线夹,油液加注帽,一字螺头,并且对异常位置也进行标注,包括油污和异物。
6.根据权利要求1所述的一种基于二维图像的动车车底异常检测方法,其特征在于,在步骤S5中,通过人工对无故障的检测车型进行标注,作为零件在整辆车上的模板,通过与标注过的模板车辆进行比较,找出异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259297.5A CN112330646A (zh) | 2020-11-12 | 2020-11-12 | 一种基于二维图像的动车车底异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259297.5A CN112330646A (zh) | 2020-11-12 | 2020-11-12 | 一种基于二维图像的动车车底异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112330646A true CN112330646A (zh) | 2021-02-05 |
Family
ID=74318513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011259297.5A Pending CN112330646A (zh) | 2020-11-12 | 2020-11-12 | 一种基于二维图像的动车车底异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330646A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393442A (zh) * | 2021-06-17 | 2021-09-14 | 东云睿连(武汉)计算技术有限公司 | 列车零部件异常检测方法、系统、电子设备及存储介质 |
CN115761611A (zh) * | 2022-12-18 | 2023-03-07 | 四川数聚智造科技有限公司 | 基于图像对比异常检测的多阶段多底图图像差异过滤方法 |
CN115861825A (zh) * | 2023-02-27 | 2023-03-28 | 中铁电气化局集团有限公司 | 一种基于图像识别的2c检测方法 |
CN116309351A (zh) * | 2023-02-15 | 2023-06-23 | 浙江丽威汽车控制系统有限公司 | 一种汽车工程物料供给加工系统 |
CN117557570A (zh) * | 2024-01-12 | 2024-02-13 | 中数智科(杭州)科技有限公司 | 一种轨道车辆异常检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680500A (zh) * | 2015-02-07 | 2015-06-03 | 江西科技学院 | 一种基于直方图均衡化的图像增强算法 |
WO2019192397A1 (zh) * | 2018-04-04 | 2019-10-10 | 华中科技大学 | 一种任意形状的场景文本端到端识别方法 |
WO2019196312A1 (zh) * | 2018-04-10 | 2019-10-17 | 平安科技(深圳)有限公司 | 机器人调节音量的方法、装置、计算机设备和存储介质 |
CN110399816A (zh) * | 2019-07-15 | 2019-11-01 | 广西大学 | 一种基于Faster R-CNN的高速列车车底异物检测方法 |
CN111080634A (zh) * | 2019-12-23 | 2020-04-28 | 北京新松融通机器人科技有限公司 | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 |
CN111161260A (zh) * | 2020-01-02 | 2020-05-15 | 中冶赛迪重庆信息技术有限公司 | 一种基于深度学习的热轧带钢表面缺陷检测方法及装置 |
CN111275020A (zh) * | 2020-03-12 | 2020-06-12 | 青梧桐有限责任公司 | 一种房间状态识别方法 |
CN111402211A (zh) * | 2020-03-04 | 2020-07-10 | 广西大学 | 一种基于深度学习的高速列车车底异物识别方法 |
-
2020
- 2020-11-12 CN CN202011259297.5A patent/CN112330646A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680500A (zh) * | 2015-02-07 | 2015-06-03 | 江西科技学院 | 一种基于直方图均衡化的图像增强算法 |
WO2019192397A1 (zh) * | 2018-04-04 | 2019-10-10 | 华中科技大学 | 一种任意形状的场景文本端到端识别方法 |
WO2019196312A1 (zh) * | 2018-04-10 | 2019-10-17 | 平安科技(深圳)有限公司 | 机器人调节音量的方法、装置、计算机设备和存储介质 |
CN110399816A (zh) * | 2019-07-15 | 2019-11-01 | 广西大学 | 一种基于Faster R-CNN的高速列车车底异物检测方法 |
CN111080634A (zh) * | 2019-12-23 | 2020-04-28 | 北京新松融通机器人科技有限公司 | 基于巡检机器人和Cascade RCNN算法的变压器外观缺陷识别方法 |
CN111161260A (zh) * | 2020-01-02 | 2020-05-15 | 中冶赛迪重庆信息技术有限公司 | 一种基于深度学习的热轧带钢表面缺陷检测方法及装置 |
CN111402211A (zh) * | 2020-03-04 | 2020-07-10 | 广西大学 | 一种基于深度学习的高速列车车底异物识别方法 |
CN111275020A (zh) * | 2020-03-12 | 2020-06-12 | 青梧桐有限责任公司 | 一种房间状态识别方法 |
Non-Patent Citations (3)
Title |
---|
于晓英;苏宏升;姜泽;董昱;: "基于YOLO的铁路侵限异物检测方法", 兰州交通大学学报, no. 02, 15 April 2020 (2020-04-15) * |
吴志洋;卓勇;廖生辉;: "改进的多目标回归实时人脸检测算法", 计算机工程与应用, no. 11, 31 May 2018 (2018-05-31) * |
徐昕军;江波;黄启迪;: "基于Cascade R-CNN的铁路路基翻浆冒泥病害智能识别方法", 铁道建筑, no. 12, 20 December 2019 (2019-12-20) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393442A (zh) * | 2021-06-17 | 2021-09-14 | 东云睿连(武汉)计算技术有限公司 | 列车零部件异常检测方法、系统、电子设备及存储介质 |
CN115761611A (zh) * | 2022-12-18 | 2023-03-07 | 四川数聚智造科技有限公司 | 基于图像对比异常检测的多阶段多底图图像差异过滤方法 |
CN116309351A (zh) * | 2023-02-15 | 2023-06-23 | 浙江丽威汽车控制系统有限公司 | 一种汽车工程物料供给加工系统 |
CN116309351B (zh) * | 2023-02-15 | 2023-11-21 | 浙江丽威汽车控制系统有限公司 | 一种汽车工程物料供给加工系统 |
CN115861825A (zh) * | 2023-02-27 | 2023-03-28 | 中铁电气化局集团有限公司 | 一种基于图像识别的2c检测方法 |
CN115861825B (zh) * | 2023-02-27 | 2023-04-25 | 中铁电气化局集团有限公司 | 一种基于图像识别的2c检测方法 |
CN117557570A (zh) * | 2024-01-12 | 2024-02-13 | 中数智科(杭州)科技有限公司 | 一种轨道车辆异常检测方法及系统 |
CN117557570B (zh) * | 2024-01-12 | 2024-05-24 | 中数智科(杭州)科技有限公司 | 一种轨道车辆异常检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330646A (zh) | 一种基于二维图像的动车车底异常检测方法 | |
CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
CN110211101A (zh) | 一种铁轨表面缺陷快速检测系统及方法 | |
CN111709417B (zh) | 一种矿车车牌识别方法 | |
CN110866430A (zh) | 一种车牌识别方法及装置 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
CN111080612B (zh) | 一种货车轴承破损检测方法 | |
CN116990323B (zh) | 一种高精密印刷版视觉检测系统 | |
CN110674812B (zh) | 一种面向复杂背景的民用车牌定位与字符分割方法 | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN113436157A (zh) | 一种用于受电弓故障的车载图像识别方法 | |
CN103927548A (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
CN108182691B (zh) | 识别限速标志的方法、装置及车辆 | |
CN112067618A (zh) | 一种基于图形化的产品质量缺陷采集分析系统 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
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 | |
CN114170165A (zh) | 一种芯片表面缺陷检测方法和装置 | |
CN112800974A (zh) | 一种基于机器视觉的地铁轨道障碍物检测系统及方法 | |
CN108734158B (zh) | 一种实时列车车号识别方法及装置 | |
CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及系统 | |
KR102585146B1 (ko) | 딥러닝 기반의 도로손상 탐지 장치 및 방법 | |
Dandu et al. | Vehicular number plate recognition using edge detection and characteristic analysis of national number plates |
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 |