CN112465784B - 一种地铁夹钳外观异常检测的方法 - Google Patents
一种地铁夹钳外观异常检测的方法 Download PDFInfo
- Publication number
- CN112465784B CN112465784B CN202011363737.1A CN202011363737A CN112465784B CN 112465784 B CN112465784 B CN 112465784B CN 202011363737 A CN202011363737 A CN 202011363737A CN 112465784 B CN112465784 B CN 112465784B
- Authority
- CN
- China
- Prior art keywords
- spring
- clamp
- cnn
- data set
- abnormality
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 10
- 238000005452 bending Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000005286 illumination Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 27
- 238000003745 diagnosis Methods 0.000 description 11
- 238000007689 inspection Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种地铁夹钳外观异常检测的方法,包括:首先利用架设在列车两侧的高速相机采集夹钳图像;通过Faster R‑CNN对杆件部分先定位然后对杆件部分进行检测,判断杆件是否出现异常;Faster R‑CNN对夹钳整图中的弹簧部分进行定位并截取,如果没有截取到弹簧部件,可判断为弹簧丢失,否则将截取获得的弹簧图像与对应的正常弹簧图像进行高度比对,判断弹簧是否部分缺失;如果弹簧不存在部分缺失异常,将弹簧图像送入OC‑CNN网络,判断弹簧是否存在裂纹。本发明提出利用Faster R‑CNN与OC‑CNN算法对列车夹钳部分进行异常诊断,能够有效的避免由于天气、光照等原因的影响,提高算法的鲁棒性。
Description
技术领域
本发明涉及一种检测技术领域,具体涉及一种地铁夹钳外观异常检测的方法。
背景技术
近些年,随着科技发展与时代进步,我国铁路运输事业迎来了快速发展,列车运行速度已达到了前所未有的水平。列车在高速运行时任何细微的故障都有可能造成重大事故,这使得对列车外观零部件的故障检查和定期维护变得尤为重要。目前,列车的故障巡检大都是人工模式,一方面人工巡检会消耗大量的人力物力对企业的盈利造成影响,另一方面巡检人员长时间导致工作疲劳使得某些故障被忽略从而对列车的安全运行带来重大隐患。这些原因导致人工巡检已不能满足铁路事业高速发展的需要,因此,有必要将机器视觉应用到列车的故障诊断上面。
目前,基于机器视觉的故障诊断技术在国内外的研究还比较少,特别是针对包含多种类型的复合故障,暂时还没有一种通用的算法来实现其检测。目前机器视觉的故障诊断方法包括以下三种:(1)模板匹配:通过计算得到标准模板图像与待检测图像通过相似度,再与设置阈值进行比较,从而判断异常。(2)机器学习:传统的机器学习方法包括了特征提取和分类两个步骤,其中特征提取步骤在不同的应用场景下需要制定不同的特征提取方法,再将提取的特征进行一分类算法判断故障,由于实际工作场景复杂带来的特征提取的多样性通常使得机器学习模型在实际的工作中精度不高,鲁棒性不高。(3)深度学习:通过大量的数据对神经网络进行拟合,能广泛用于复杂场景下的检测。神经网络在实际工作场景下需要获取大量的正样本和负样本进行训练,但在大多数工作场景中,负样本极其少见且难以获得,这使得深度学习在应用场景下面临一定的局限性。
为了满足真实场景下的需求,基于计算机视觉的故障诊断方法必须要考虑到以下两点:(1)检测精度:作为机器视觉技术代替人工巡检的关键,模型的故障诊断要达到较高的精度,即零漏检,低误检,具备取代人工巡检的可行性。(2)推理时间:由于机器视觉模型本身的复杂度以及巨大的计算量,模型通常会消耗较多的时间去推理一张高像素的图片,这对于实际的工业场景显然不能接受。
发明内容
本发明提出一种用于地铁夹钳部分外观异常检测的方案,能够以较高的准确率识别地铁夹钳部分是否异常,从而让工人对应检修;有效的解决实际场景下负样本极少,正负样本极不均衡情况下的异常检测。
本发明通过下述技术方案实现:
一种地铁夹钳外观异常检测的方法,包括:
步骤1:采集夹钳图像,并对图像进行预处理,得到预处理后的夹钳图像;
步骤2:将预处理后的夹钳图像输入到训练好的Faster R-CNN中,训练好的FasterR-CNN对预处理后的夹钳图像的杆件部分进行定位,再对杆件部分进行检测,直接判断杆件是否存在异常;
步骤3:采用训练好的Faster R-CNN对预处理后的夹钳图像的弹簧部分进行定位并截取,如果没有截取到弹簧部分时,则判断为弹簧异常,反之,执行步骤4;
步骤4:将截取到的弹簧图片与对应的标准弹簧图片模板进行比对,判断弹簧是否存在部分缺失的异常,如果弹簧不存在部分缺失的异常,则执行步骤5;
步骤5:将所截取的弹簧图片输入到训练好的OC-CNN网络中进行分类,判断弹簧是否存在异常。
具体的,使用训练集对Faster R-CNN进行训练,所述训练集包括第一正样本数据集和第一负样本数据集。
优选的,所述第一正样本数据集通过工业数字相机采集无异常的夹钳图像数据集,利用数据增强技术增加图像数据集的样本数量得到;所述第一负样本数据集是通过工业相机采集包含杆件内部弯曲、杆件外部弯曲和杆件部分缺失三种异常状态的夹钳图像,并构成图像数据集得到。
具体的,使用训练集对OC-CNN进行训练,所述训练集包括第二正样本数据集和第二负样本数据集。
优选的,所述第二正样本数据集通过训练得到的Faster R-CNN对第一正样本数据集的弹簧部分进行截取得到;所述第二负样本数据集是通过人为制作存在裂纹的弹簧,再使用工业相机对其进行拍照,得到存在裂纹的弹簧图像,并构成图像数据集得到。
优选的,通过工业数字相机采集无异常的夹钳图像和有异常的夹钳图像,并构成图像数据集,该图像数据集作为由Faster R-CNN和OC-CNN所构成的整体的测试集。
优选的,步骤3利用坐标截取的方式将弹簧部分从夹钳整图中截取出来。
具体的,所述步骤4的判断依据是将弹簧图片按照拍摄角度以及图片大小进行分类,然后再将每一类的弹簧图片高度与对应类的标准弹簧图片模板进行弹簧高度比较,低于每一类设定阈值的三分之一可认定为弹簧部分缺失。
具体的,所述步骤5将截取的弹簧图片输入到训练好的OC-CNN网络中进行分类,得到弹簧的异常分数,如果弹簧图片的异常分数高于阈值,则该弹簧没有异常,否则弹簧有异常。
优选的,所述的阈值设置为1.7,当弹簧图片的异常分数高于1.7,则该弹簧没有异常,否则弹簧有异常。
本发明具有如下的优点和有益效果:
1、本发明利用Faster R-CNN直接判定的方式对杆件进行异常分类,由于杆件尺度变化的差异性极大,同时分类网络输入大都是正方形,这有效地避免了先截取后分类带来的特征丢失引起的低准确性;
2、本发明将OC-CNN检测算法应用在列车夹钳部份的故障诊断中,能有效地避免因异常样本稀少带来的模型诊断不准确的情况;
3、本发明提出利用Faster R-CNN与OC-CNN算法对列车夹钳部分进行异常诊断,能够有效的避免由于天气、光照等原因的影响,提高算法的鲁棒性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明的检测流程图。
图2为本发明的OC-CNN网络结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例
夹钳的图像包含杆件和弹簧两个部分,杆件的异常包括部分缺失和弯曲,弹簧异常包括丢失,部分缺失和出现裂纹三种情况。
通过工业数字相机采集夹钳图像数据集,利用数据增强技术如翻转、裁剪、对比度调整或加入一定的噪声增加图像数据集的样本数量,得到一个1000张正样本图像的数据集作为训练集,另外工业数字相机还采集了322张正样本的测试集和13张包含弹簧、杆件故障的真实负样本数据集作为测试集。
模型训练过程如下:
第一步,利用架设在列车两侧的高速相机采集大量的图像,得到夹钳图像;
第二步,对采集到的夹钳图像进行伪彩色化预处理,将其转换为3通道图像,便于后续处理;
第三步,由于数据集中杆件部分宽高比差异极大,导致杆件无法通过先定位再识别的方法进行异常检测,通过工业相机采集60张包含杆件异常状态的夹钳图片(杆件内侧弯曲,杆件外侧弯曲,杆件部分缺失各20张)作为负样本数据集,该负样本数据集与1000张正样本数据集联合训练Faster R-CNN模型,batchsize设置为8,迭代次数为28000轮;
第四步,利用训练得到的Faster R-CNN对1000正样本数据集的弹簧部分进行截取,获得1000张正常状态下的弹簧图片,然后将该弹簧图片送入OC-CNN网络,并加入自制的60张存在裂纹的弹簧负样本进行网络微调,得到了用于检测弹簧裂纹的OC-CNN网络。
如图1所示,模型测试过程如下:
步骤1:将采集的待检测的夹钳图像转换为伪彩色图,得到伪彩色化处理后的夹钳图像;
步骤2:将伪彩色化处理后的夹钳图像输入到训练好的Faster R-CNN中,训练好的Faster R-CNN先对伪彩色化处理后的夹钳图像的杆件部分进行定位,然后对杆件部分进行检测,直接得到杆件是否存在弯曲或缺失的异常;
步骤3:利用训练好的Faster R-CNN采用坐标截取的方式对伪彩色化处理后的夹钳图像的弹簧部分进行定位并截取,当没有截取到弹簧部分时,即可判断为弹簧丢失,反之,执行步骤4;
步骤4:将截取到的弹簧图片与对应的标准弹簧图片模板进行高度比对,判断弹簧是否存在部分缺失的异常,当截取的弹簧图片高度低于设定阈值的三分之一,认定为该弹簧部分缺失,当弹簧不存在部分缺失异常时,执行步骤5;
步骤5:将所截取的弹簧图片输入到训练好的OC-CNN网络中进行分类,得到弹簧的异常分数,如果弹簧图片的异常分数高于1.7,则认定该弹簧没有异常,否则弹簧有异常。改进的OC-CNN较原版本能够加入负样本进行监督学习,提高模型的准确性与鲁棒性。
通过上述方法,可以得到一个高效的网络,在极其复杂的工作场景下,满足整个工程需要。
本实施例的技术效果:
1.考虑到列车夹钳部分出现故障是一种小概率事件,也就是说故障样本的数量很少,所以选择异常检测的算法进行诊断。只需要大量的正常样本和极少量的故障样本训练模型,适用于故障样本少甚至没有的实际情况,不必耗费人力物力制造大量的故障样本。
2.该方法适用于小样本,检测速度快的故障诊断。通过相机获取的夹钳部分的样本在短时间内很难达到上万张,所以选择适合的小样本的故障诊断方法尤为重要,其次,该方法是希望能达到实时监测夹钳部分是否存在杆件弯曲,丢失以及弹簧出现丢失,裂纹的故障,综上来看,Faster R-CNN和OC-CNN算法相结合的方法较为合适。
3.通过查阅文献发现,列车部件故障诊断很多是基于传统的数字图像处理方法。由于实际工作场景存在着许多干扰因素,如油渍,光照等,在这些场景下数字图像处理的准确性不足。同时传统的数字图像处理方法很难达到深度学习的精度以及鲁棒性,因而利用Faster R-CNN和加入负样本监督学习的OC-CNN网络联合作为夹钳部件的异常检测方案可以有效满足高准确率以及强鲁棒性的要求。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种地铁夹钳外观异常检测的方法,其特征在于,包括:
步骤1:采集夹钳图像,并对图像进行预处理,得到预处理后的夹钳图像;
步骤2:将预处理后的夹钳图像输入到训练好的Faster R-CNN中,训练好的Faster R-CNN对预处理后的夹钳图像的杆件部分进行定位,然后对杆件部分进行检测,直接判断杆件是否存在异常;
步骤3:采用训练好的Faster R-CNN对预处理后的夹钳图像的弹簧部分进行定位并截取,如果没有截取到弹簧部分时,则判断为弹簧异常,反之,执行步骤4;
步骤4:将截取到的弹簧图片与对应的标准弹簧图片模板进行比对,判断弹簧是否存在部分缺失的异常,如果弹簧不存在部分缺失的异常,则执行步骤5;
步骤5:将所截取的弹簧图片输入到训练好的OC-CNN网络中进行分类,判断弹簧是否存在异常。
2.根据权利要求1所述的一种地铁夹钳外观异常检测的方法,其特征在于,使用训练集对Faster R-CNN进行训练,所述训练集包括第一正样本数据集和第一负样本数据集。
3.根据权利要求2所述的一种地铁夹钳外观异常检测的方法,其特征在于,所述第一正样本数据集是通过工业数字相机采集无异常的夹钳图像,并构成图像数据集,利用数据增强技术增加图像数据集的样本数量得到;所述第一负样本数据集是通过工业相机采集包含杆件内部弯曲、杆件外部弯曲和杆件部分缺失三种异常状态的夹钳图像,并构成图像数据集得到。
4.根据权利要求1所述的一种地铁夹钳外观异常检测的方法,其特征在于,使用训练集对OC-CNN进行训练,所述训练集包括第二正样本数据集和第二负样本数据集。
5.根据权利要求4所述的一种地铁夹钳外观异常检测的方法,其特征在于,所述第二正样本数据集通过训练得到的Faster R-CNN对第一正样本数据集的弹簧部分进行截取得到;所述第二负样本数据集是通过人为制作存在裂纹的弹簧,再使用工业相机对其拍照,得到存在裂纹的弹簧图像,并构成图像数据集得到。
6.根据权利要求1所述的一种地铁夹钳外观异常检测的方法,其特征在于,通过工业数字相机采集无异常的夹钳图像和有异常的夹钳图像,并构成图像数据集,该图像数据集作为由Faster R-CNN和OC-CNN所构成的整体的测试集。
7.根据权利要求1所述的一种地铁夹钳外观异常检测的方法,其特征在于,所述步骤3利用坐标截取的方式将弹簧部分从夹钳整图中截取出来。
8.根据权利要求1所述的一种地铁夹钳外观异常检测的方法,其特征在于,所述步骤4的判断依据是将弹簧图片按照拍摄角度以及图片大小进行分类,然后再将每一类的弹簧图片高度与对应类的标准弹簧图片模板进行弹簧高度比较,低于每一类设定阈值的三分之一可认定为弹簧部分缺失。
9.根据权利要求1所述的一种地铁夹钳外观异常检测的方法,其特征在于,所述步骤5将截取的弹簧图片输入到训练好的OC-CNN网络中进行分类,得到弹簧的异常分数,如果弹簧图片的异常分数高于阈值,则该弹簧没有异常,否则弹簧有异常。
10.根据权利要求9所述的一种地铁夹钳外观异常检测的方法,其特征在于,所述的阈值设置为1.7,当弹簧图片的异常分数高于1.7,则该弹簧没有异常,否则弹簧有异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363737.1A CN112465784B (zh) | 2020-11-27 | 2020-11-27 | 一种地铁夹钳外观异常检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363737.1A CN112465784B (zh) | 2020-11-27 | 2020-11-27 | 一种地铁夹钳外观异常检测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465784A CN112465784A (zh) | 2021-03-09 |
CN112465784B true CN112465784B (zh) | 2024-02-02 |
Family
ID=74809194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011363737.1A Active CN112465784B (zh) | 2020-11-27 | 2020-11-27 | 一种地铁夹钳外观异常检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465784B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203315A (zh) * | 2015-10-20 | 2015-12-30 | 华北电力大学(保定) | 一种设在巡检车上的风机浆叶监测装置 |
CN106529581A (zh) * | 2016-10-24 | 2017-03-22 | 杭州电子科技大学 | 一种基于贝叶斯网络的桥式起重机故障诊断方法 |
CN106778740A (zh) * | 2016-12-06 | 2017-05-31 | 北京航空航天大学 | 一种基于深度学习的tfds非故障图像检测方法 |
CN110436349A (zh) * | 2019-07-19 | 2019-11-12 | 上海宝信软件股份有限公司 | 基于图像识别的无人全自动行车夹钳对中调整系统及方法 |
CN111091543A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车摇枕弹簧丢失故障目标检测方法 |
CN111173866A (zh) * | 2020-01-07 | 2020-05-19 | 中车青岛四方车辆研究所有限公司 | 状态检测装置及方法、制动缸、制动夹钳单元及制动系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015107783A1 (de) * | 2015-05-18 | 2016-11-24 | Inventus Engineering Gmbh | Prothesen- oder Exoskelettkomponente, Prothesen- oder Exoskelett und Verfahren |
-
2020
- 2020-11-27 CN CN202011363737.1A patent/CN112465784B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105203315A (zh) * | 2015-10-20 | 2015-12-30 | 华北电力大学(保定) | 一种设在巡检车上的风机浆叶监测装置 |
CN106529581A (zh) * | 2016-10-24 | 2017-03-22 | 杭州电子科技大学 | 一种基于贝叶斯网络的桥式起重机故障诊断方法 |
CN106778740A (zh) * | 2016-12-06 | 2017-05-31 | 北京航空航天大学 | 一种基于深度学习的tfds非故障图像检测方法 |
CN110436349A (zh) * | 2019-07-19 | 2019-11-12 | 上海宝信软件股份有限公司 | 基于图像识别的无人全自动行车夹钳对中调整系统及方法 |
CN111091543A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车摇枕弹簧丢失故障目标检测方法 |
CN111173866A (zh) * | 2020-01-07 | 2020-05-19 | 中车青岛四方车辆研究所有限公司 | 状态检测装置及方法、制动缸、制动夹钳单元及制动系统 |
Non-Patent Citations (4)
Title |
---|
Defect detection of axle box cover device fixing bolts in metro based on convolutional neural network;Yang Y等;《2020 39th Chinese Control Conference (CCC)》;7504-7509 * |
Fault Diagnosis of Train Clamp Based on Faster R-CNN and One-class Convolutional Neural Network;Zhang Z等;《2021 IEEE 16th Conference on Industrial Electronics and Applications (ICIEA)》;1394-1399 * |
基于卷积神经网络的高速动车组车体图像异常识别的研究;宋文伟;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第3期);C033-559 * |
基于改进Faster R-CNN的地铁车辆焊缝缺陷检测;钟嘉俊等;《铁道科学与工程学报》;第17卷(第4期);996-1003 * |
Also Published As
Publication number | Publication date |
---|---|
CN112465784A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10803573B2 (en) | Method for automated detection of defects in cast wheel products | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN113095438B (zh) | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 | |
CN109141232A (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
TWI649659B (zh) | 自動光學檢測影像分類方法、系統及含有該方法之電腦可讀取媒體 | |
CN111127448B (zh) | 一种基于孤立森林检测空气弹簧故障的方法 | |
CN109285791B (zh) | 设计布局为主的快速在线缺陷诊断、分类及取样方法及系统 | |
CN111275700A (zh) | 基于深度学习的端子缺陷检测方法及系统 | |
CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
CN110738630A (zh) | 递归性深度学习系统的训练方法与检测系统 | |
Kähler et al. | Anomaly detection for industrial surface inspection: application in maintenance of aircraft components | |
CN113128555B (zh) | 一种用于列车闸片部件异常检测的方法 | |
CN117350967B (zh) | 一种基于光学检测晶圆外观缺陷检测系统及其方法 | |
CN112465784B (zh) | 一种地铁夹钳外观异常检测的方法 | |
CN117315365A (zh) | 一种基于视觉分析的凸轮轴表面损伤检测系统 | |
CN116309493A (zh) | 一种用于纺织产品疵点检测的方法及系统 | |
CN112927170B (zh) | 半导体制造工艺中的自动缺陷去除方法 | |
CN115049641A (zh) | 一种用于机械零件异常检测的电数据处理方法及系统 | |
CN114596296A (zh) | 一种高灵敏度的热轧钢卷端面缺陷识别系统及方法 | |
CN111724352B (zh) | 一种基于核密度估计的贴片led瑕疵标注方法 | |
TWI765364B (zh) | 人工智慧瑕疵影像分類方法與其系統 | |
US20240013369A1 (en) | Image defect detecting system, generation method of image defect detecting system and non-transitory computer readable medium | |
Zhang et al. | Image processing-based surface defect detection method | |
CN117493939A (zh) | 一种基于文本信息监督的零样本工业木制品质检方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |