CN112465793A - 列车故障检测方法、装置、设备及存储介质 - Google Patents

列车故障检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112465793A
CN112465793A CN202011421316.XA CN202011421316A CN112465793A CN 112465793 A CN112465793 A CN 112465793A CN 202011421316 A CN202011421316 A CN 202011421316A CN 112465793 A CN112465793 A CN 112465793A
Authority
CN
China
Prior art keywords
detection
fault
train
user
information
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
Application number
CN202011421316.XA
Other languages
English (en)
Inventor
张二阳
刘帅
敖亚磊
侯晓龙
郑旭
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.)
Zhengzhou J&T Hi Tech Co Ltd
Original Assignee
Zhengzhou J&T Hi Tech 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 Zhengzhou J&T Hi Tech Co Ltd filed Critical Zhengzhou J&T Hi Tech Co Ltd
Priority to CN202011421316.XA priority Critical patent/CN112465793A/zh
Publication of CN112465793A publication Critical patent/CN112465793A/zh
Pending 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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/08—Railway vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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

Abstract

本申请提供一种列车故障检测方法、装置、设备及存储介质，涉及故障检测技术领域。该方法包括：所述数据采集模块采集目标用户的用户数据，所述用户数据包括：行为数据和日志数据；所述数据分析模块根据所述目标用户的用户数据进行分析，确定所述目标用户是否产生故障；所述数据分析模块在确定所述目标用户产生故障后，向所述告警模块发送告警指示信息；所述告警模块将所述告警指示信息转发至所述处理模块，所述处理模块用于根据所述告警指示信息处理故障。相对于现有技术，提升了列车的故障检测准确度和检测效率。

Description

列车故障检测方法、装置、设备及存储介质
技术领域
本申请涉及故障检测技术领域，具体而言，涉及一种列车故障检测方法、装置、设备及存储介质。
背景技术
在列车的行驶过程中，难免可能会出现故障，列车故障是列车正常运行的严重隐患，由于列车组是一个复杂的机械系统，因此如何在列车不解体的情况下，及时发现故障是列车安全领域的一个重要问题。
现有技术中的列车故障检测一般是由检修人员到列车现场，按照检修标准，通过检测工具或肉眼对列车进行检修。
但是这样的检修方式由于列车的类型或车型众多，不同车型对应的检修标准和对检修人员的要求并不相同，并且列车组的零部件很多，因此检测效率不高，并且由于人工检测的局限性，检测准确度也不高。
发明内容
本申请的目的在于，针对上述现有技术中的不足，提供一种列车故障检测方法、装置、设备及存储介质，以解决现有技术中人工检测的局限性，检测准确度也不高的问题。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请一实施例提供了一种列车故障检测方法，所述方法包括：
获取待检测列车的检测图像信息；
根据预设图像分析模型对所述检测图像信息进行检测，并获取检测结果；所述预设图像分析模型根据样本图像集训练获取，所述样本图像集包括多个样本图像，所述样本图像为标注有不同故障信息的图像；
将所述检测结果发送至检测用户对应的第一终端设备。
可选地，所述将所述检测结果发送至检测用户对应的第一终端设备之后，还包括：
获取所述第一终端设备返回的确定结果，所述确定结果包括对所述检测结果的确定指示；
响应于所述确定结果生成维修指令，并将所述维修指令发送至维修用户对应的第二终端设备。
可选地，所述检测结果包括：故障类型；所述将所述检测结果发送至检测用户对应的第一终端设备，包括：
匹配所述检测结果所属故障类型对应的目标检测用户；
向所述目标检测用户对应的第一终端设备发送所述检测结果。
可选地，所述检测结果包括：故障类型；所述响应于所述确定结果生成维修指令，并将所述维修指令发送至维修用户对应的第二终端设备，包括：
响应于所述确定结果，匹配所述检测结果所属故障类型对应的目标维修用户；
向所述目标维修用户对应的第二终端设备发送所述维修指令，所述维修指令包括所述检测结果。
可选地，所述根据预设图像分析模型对所述检测图像信息进行检测，并获取检测结果，包括：
根据所述预设图像分析模型对所述检测图像信息进行检测，标注所述检测图像信息中包含疑似故障点的故障信息，获取标注后的图像；
根据至少一个所述标注后的图像生成所述检测结果。
可选地，所述故障信息还包括下述至少一项：所述疑似故障点对应的车辆编号、车厢编号、检测时间。
可选地，所述方法还包括：
根据所述维修指令，对所述预设图像分析模型进行更新。
可选地，所述获取待检测列车的检测图像信息，包括：
获取通过高清摄像设备采集的检测图像信息，所述检测图像信息包括下述至少一项：采集时间信息、位置标识信息。
第二方面，本申请另一实施例提供了一种列车故障检测装置，所述装置包括：获取模块和发送模块，其中：
所述获取模块，用于获取待检测列车的检测图像信息；根据预设图像分析模型对所述检测图像信息进行检测，并获取检测结果；所述预设图像分析模型根据样本图像集训练获取，所述样本图像集包括多个样本图像，所述样本图像为标注有不同故障信息的图像；
所述发送模块，用于将所述检测结果发送至检测用户对应的第一终端设备。
可选地，所述获取模块，具体用于获取所述第一终端设备返回的确定结果，所述确定结果包括对所述检测结果的确定指示；
所述发送模块，具体用于响应于所述确定结果生成维修指令，并将所述维修指令发送至维修用户对应的第二终端设备。
可选地，所述装置还包括：匹配模块，用于匹配所述检测结果所属故障类型对应的目标检测用户；
所述发送模块，具体用于向所述目标检测用户对应的第一终端设备发送所述检测结果。
可选地，所述检测结果包括：故障类型；所述匹配模块，具体用于响应于所述确定结果，匹配所述检测结果所属故障类型对应的目标维修用户；
可选地，所述发送模块，具体用于向所述目标维修用户对应的第二终端设备发送所述维修指令，所述维修指令包括所述检测结果。
可选地，所述装置还包括：检测模块和生成模块，其中：
所述检测模块，用于根据所述预设图像分析模型对所述检测图像信息进行检测，标注所述检测图像信息中包含疑似故障点的故障信息，获取标注后的图像；
所述生成模块，用于根据至少一个所述标注后的图像生成所述检测结果。
可选地，所述装置还包括：更新模块，用于根据所述维修指令，对所述预设图像分析模型进行更新。
第三方面，本申请另一实施例提供了一种列车故障检测设备，所述设备包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述游戏需求迭代设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行上述第一方面任一项所述的方法。
第四方面，本申请另一实施例提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述第一方面任一所述方法的步骤。
本申请的有益效果是：采用本申请提供的方法，可以在获取待检测列车的检测图像信息后，根据预设图像分析模型对检测图像进行检测，并获取检测结果，随后将检测结果发送至第一终端设备，从而实现根据检测图像自动检测确认检测图像中是否存在列车故障，并生成列车检测结果，使得列车故障的检测不再依赖于人工检测，可以实现自动化检测，从而提高检测效率，减少人力成本，提高检测精确度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请一实施例提供的列车故障检测方法的流程示意图；
图2为本申请另一实施例提供的列车故障检测方法的流程示意图；
图3为本申请另一实施例提供的列车故障检测方法的流程示意图；
图4为本申请一实施例提供的列车故障检测装置的结构示意图；
图5为本申请另一实施例提供的列车故障检测装置的结构示意图；
图6为本申请一实施例提供的列车故障检测设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
另外，本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
本申请提供的列车故障检测方法应用于列车的故障检测场景中，在本申请的下述实施例中，均以针对动车组的故障检测为例进行说明；应当理解虽然本申请的实施例主要围绕动车组的故障检测进行解释说明，但是本申请提供的方法的应用场景并不局限于此，本申请提供的方法可以应用于任何需要对故障进行检测的场景，例如对高铁组的故障进行检测、或对普通列车组的故障进行检测，具体应用场景可以根据用户需要灵活调整，并不以上述实施例给出的为限。
在本申请提出的方法之前，现有技术中列车的日常检修以及维护一般都是技术人员需要到达现场，随后按照检修标准逐车厢通过技术人员的自身经验或借助检测工具进行检修，但是这样的检测方式对技术人员的经验技术要求较高，同时由于人工检测效率不高或且检测精确度与技术人员的当天状态或专业程度存在很大的关联，不但会造成检修时间长的问题，并且容易漏检，从而造成列车在运行过程中可能存在安全隐患。
如下结合多个具体的应用示例，对本申请实施例所提供的一种列车故障检测方法进行解释说明。图1为本申请一实施例提供的一种列车故障检测方法的流程示意图，如图1所示，该方法包括：
S101：获取待检测列车的检测图像信息。
示例地，在一些可能的实施例中，例如可以获取通过高清摄像设备采集的检测图像信息，其中，检测图像信息例如可以为检测图片信息或检测视频信息等，本申请在此不做任何限制。高清摄像设备可以安装在固定位置，并记录位置信息，标记在检测图像信息中。
在本申请的一个实施例中，高清摄像设备可以是轨边设备，例如可以通过网络传输设备、或近场通信设备获取轨边设备采集的检测图像信息，例如轨边设备可以通过内网传输采集的检测图像信息，或轨边设备可以通过蓝牙或无线传输采集的检测图像信息，具体获取检测图像信息的方式可以根据用户需要灵活调整，并不以上述实施例给出的为限。
示例地，在本申请的一个实施例中，网络传输设备例如可以为光纤设备，即可以通过光纤传输采集的检测图像信息，从而提高传输效率，进一步提高整个处理流程的效率。
可选地，轨边设备例如可以包括：高清面阵相机组，即采用高清面阵相机组对待检测雷车的检测图像信息进行采集，其中，高清面阵相机组可以包括三个相机，三个相机可以分别对准待检测列车的上、中、下三部分进行检测图像信息的拍摄采集。每个相机拍摄的视频分辨率例如可以为4K/S，可以拍摄120帧图像。该高清面阵相机组例如可以安装有补光灯或除雾灯，从而即使当前环境为低照度，或是光线不足，或是能见度不足的情况下时，仍可以通过开启补光灯或除雾灯的方式实现正常拍摄。
检测图像信息例如包括下述至少一项：采集时间信息、位置标识信息。其中位置标识信息例如可以为该高清摄像设备在采集当前检测图像时位于待检测列车的车厢编号信息；也可以为该高清摄像设备在采集检测图像时距离列车头部或尾部的距离信息；具体位置标识信息包括的内容和形式可以根据用户需要灵活调整，并不以上述实施例给出的为限。采集时间信息即高清摄像设备采集图像过程中实时记录的时间。
S102：根据预设图像分析模型对检测图像信息进行检测，并获取检测结果。
其中，预设图像分析模型根据样本图像集训练获取，样本图像集中可以包括多个样本图像，样本图像需要为标注有不同故障信息的图像，其中样本图像的来源例如可以为通过网络爬取的包含有列车故障信息的图像、也可以为在过去的检修过程中积累的包含有列车故障信息的图像等，本申请在此不做任何限制。
示例地，在一些可能的实施例中，检测结果用于指示待检测车辆是否存在故障，若存在，则检测结果中还可以包括检测得到的该待检测车辆的故障信息。
可选地，在本申请的一个实施例中，预设图像分析模型例如可以为利用深度学习算法通过学习训练后得到的，例如可以通过预先收集的一些常见的包含有列车组的表面故障的图像作为训练样本，并对各样本图像上存在表面故障的位置进行标注，例如可以标注该位置为故障位置，并注明该故障位置的故障类型或具体故障内容等，具体标注包括的内容和标注形式可以根据用户需要灵活调整，并不以上述实施例给出的为限制。随后将包含标注的样本图像作为模型的输入，不断对模型进行训练从而得到目标图像分析模型。
S103：将检测结果发送至检测用户对应的第一终端设备。
示例地，在本申请的一个实施例中，检测用户在通过第一终端设备获取到检测结果后，可以对检测结果进行人工复核或确认，核查检测结果中的各故障检测信息是否准确，例如检测用户可以通过第一终端设备查看检测结果中的各故障检测信息，并根据检测图像信息对各故障检测信息进行人工核查，若核查通过，则可以点击“确认”按键，确认该疑似故障位置的确存在故障，并且故障检测信息无误；若核查不通过，例如可以点击“修改”按键人工根据检测图像信息确认该故障的真实故障信息，即该疑似故障位置的确存在故障，但故障检测信息存在问题，因此需要人工介入修改；或是通过“无效”按键，确认该故障信息为误判信息，表示此处疑似故障位置并不存在故障，具体检测用户的对检测结果的确认方式可以根据用户需要灵活调整，并不以上述实施例给出的为限。
在上述实施例中，在根据预设图像分析模型得到检测结果后，仍需将检测结果发送给检测用户对应的第一终端设备，并通过第一终端设备对应的检测用户对检测结果进行人工复核，确定检测结果中各故障检测信息的准确性，即确定故障信息是否存在真实故障，且故障检测信息是否正确，从而进一步提高最终得到的故障检测信息的准确性。
可选地，检测结果包括：故障类型；则将检测结果发送至检测用户对应的第一终端设备的方式例如可以为：匹配检测结果所属故障类型对应的目标检测用户；向目标检测用户对应的第一终端设备发送检测结果。
其中，目标检测用户例如可以为该故障类型对应的检测用户，例如检测得到的故障类型可以包括：结构性故障或电路性故障；其中结构性故障例如可以为链接处出现断裂、或缺损等，电路性故障例如可以为某些指示灯或仪表出现故障等；由于不同的故障类型对于检修人员的要求不同，因此需要预先根据不同的故障类型确定该故障类型对应的目标检测用户，从而可以提高对故障结果核实的准确性，不但可以提高核实效率，并且进一步提高核实的精确度。其中，属于不同故障类型的检测用户，在注册账号的时候，可以在账号中与故障类型进行绑定并上传服务器，以便于服务器根据故障类型分配对应的第一终端设备。
可选地，在本申请的一个实施例中，轨边设备和网络传输设备，例如可以安装在列车组的入口处。当列车组驶入入口后，或当列车组驶入入口且确认检修后，启动检测系统。检测系统首先对列车组的信息进行记录，列车组的信息例如可以为：列车组的编号信息或其他唯一标识信息，随后根据轨边设备采集检测图像信息，并将检测到的采集图像信息传输到预设图像分析模型，预设图像分析模型自动根据检测图像信息，对该列车组的故障点进行检测。并将疑似故障信息汇总为故障结果，随后将故障结果发送至检测用户的第一终端设备进行人工复核，并根据人工复核结果得到最终的目标故障结果，其中目标故障结果例如可以存储于数据库中，随后根据列车组的信息进行获取；或是目标故障结果可以以列车组的信息作为命名存储于数据库中。
采用本申请提供的方法，可以在获取待检测列车的检测图像信息后，根据预设图像分析模型对检测图像进行检测，并获取检测结果，随后将检测结果发送至第一终端设备，从而实现根据检测图像自动检测确认检测图像中是否存在列车故障，并生成列车检测结果，使得列车故障的检测不再依赖于人工检测，可以实现自动化检测，从而提高检测效率，减少人力成本，提高检测精确度。
可选地，在上述实施例的基础上，本申请实施例还可提供一种列车故障检测方法，如下结合附图对上述方法的实现过程进行示例说明。图2为本申请另一实施例提供的一种列车故障检测方法的流程示意图，该系统还包括：筛选模块，如图2所示，S103之后，该方法还可包括：
S104：获取第一终端设备返回的确定结果，确定结果包括对检测结果的确定指示。
示例地，在一些可能的实施例中，确认结果例如可以为在检测人员对检测结果中的各故障信息进行核查时的确认结果，若故障信息核查通过，则检测人员可以通过点击“确认”按键的方式，确认该故障检测信息无误；若故障信息核查不通过，则检测人员例如可以通过点击“修改”按键的方式进入修改界面，随后再修改界面内人工根据检测图像信息确认该处故障的真实故障信息，并对故障信息进行修改；或是检测人员可以通过“无效”按键，确认该故障信息为误判信息，表示此处并不存在故障，具体检测用户的对检测结果的确认方式可以根据用户需要灵活调整，并不以上述实施例给出的为限。
S105：响应于确定结果生成维修指令，并将维修指令发送至维修用户对应的第二终端设备。
即对于确认或修改的各故障信息，通过向第二终端设备发送维修指令的方式安排维修人员及时对确认的故障信息进行修理；维修指令例如可以为通过生成维修单的形式，发送给第二终端设备，随后根据维修单分配维修工对故障进行维修。
示例地，在一些可能的实施例中，检测结果包括：故障类型。
可选地，在本申请的一个实施例中，发送维修指令的方式例如可以为：响应于确定结果，匹配检测结果所属故障类型对应的目标维修用户；向目标维修用户对应的第二终端设备发送维修指令，维修指令包括检测结果。
其中，目标维修用户例如可以为该故障类型对应的维修用户，例如检测得到的故障类型可以包括：结构性故障、电路性故障或木工故障；其中结构性故障例如可以为链接处出现断裂、或缺损等，电路性故障例如可以为某些指示灯或仪表出现故障等；由于不同的故障类型对于维修人员的要求不同，因此根据不同的故障类型确定对应的目标维修用户，例如可以根据故障类型和维修指令，生成不同故障类型对应的检修单，并将不同故障类型对应的检修单发送至负责维修该故障类型的目标维修用户，使得目标维修用户可以根据维修单对故障进行维修，从而可以提高对故障结果处理的快速性和准确性，不但可以提高故障处理效率，并且进一步提高故障处理的精确度。
其中，属于不同故障类型的维修用户，在注册账号的时候，可以在账号中与故障类型进行绑定并上传服务器，以便于服务器根据故障类型分配对应的第二终端设备。
可选地，维修单中例如可以包括：至少一个故障维修信息，各故障维修信息可以包括：故障类型、故障图像、疑似故障点对应的车辆编号、车厢编号、检测时间等；应当理解上述实施例仅为示例性说明，具体维修单中包括的内容可以根据用户需要灵活调整，并不以上述实施例给出的为限。
示例地，在本申请的一个实施例中，该方法还可以根据维修指令，对预设图像分析模型进行更新。
例如可以为每间隔预设时间后，例如每间隔一天或一周后，对预设图像分析模型进行更新，例如可以为根据人工发现的模型未检测出的故障信息，确认包含有该故障信息的检测图像，并在该检测图像中对该故障信息进行批注，随后将带有批注的检测图像增加至训练样本图像集中，并根据新增后的样本图像集对预设图像分析模型进行重新训练，从而通过包括更多样本图像的样本图像集都预设图像分析模型进行不断优化，从而不断提高预设图像分析模型对故障分析的准确度，应当理解上述实施例仅为示例性说明，具体对分析模型进行更新的触发条件可以根据用户需要灵活调整，并不以上述实施例给出的为限。
可选地，在上述实施例的基础上，本申请实施例还可提供一种故障检测方法，如下结合附图对上述方法中采集用户数据的实现过程进行示例说明。图3为本申请另一实施例提供的一种故障检测方法的流程示意图，如图3所示，S102可包括：
S106：根据预设图像分析模型对检测图像信息进行检测，标注检测图像信息中包含疑似故障点的故障信息，获取标注后的图像。
示例地，在一些可能的实施例中，预设图像分析模型对检测图像信息进行标注的方式例如可以为，对待检测图像中疑似故障点的位置机型标注，例如可以在图像中标注该位置为故障位置，并注明该故障位置对应的故障类型或具体故障内容等，具体标注包括的内容和标注形式可以根据用户需要灵活调整，并不以上述实施例给出的为限制。
S107：根据至少一个标注后的图像生成检测结果。
示例地，在本申请的一个实施例中，不包含标注的图像即为未检测出疑似故障点的图像，因此为了提高后续检测的效率，可以无需获取不包含标注的图像，仅根据包含标注的图像生成检测结果即可。
可选地，在本申请的一个实施例中，故障信息还包括下述至少一项：疑似故障点对应的车辆编号、车厢编号、检测时间等。
采用本申请提供的方法，可以在获取待检测列车的检测图像信息后，根据预设图像分析模型对检测图像进行检测，并获取检测结果，随后将检测结果发送至第一终端设备，从而实现根据检测图像自动检测确认检测图像中是否存在列车故障，并生成列车检测结果，随后根据检测结果生成检修指令，以使检修人员及时对故障进行检修，使得列车故障的检测不再依赖于人工检测，可以通过自动化的方式完成对列车组的所有故障的分析检测，并根据故障结果生成故障记录，从而提高检测效率，减少人力成本，提高检测精确度。并且本申请提供的预设图像分析模型，可以根据检修指令对预设图像分析模型进行更新，从而提高了预设图像分析模型的在分析过程中的灵活性、完整性、严密性和诊断效率，实现持续对列车组的故障检修进行完整高效的检修。
下述结合附图对本申请所提供的列车故障检测装置进行解释说明，该列车故障检测装置可执行上述图1-图3任一列车故障检测方法，其具体实现以及有益效果参照上述，如下不再赘述。
图4为本申请一实施例提供的列车故障检测装置的结构示意图，如图4所示，该装置包括：获取模块201和发送模块202，其中：
获取模块201，用于获取待检测列车的检测图像信息；根据预设图像分析模型对检测图像信息进行检测，并获取检测结果；预设图像分析模型根据样本图像集训练获取，样本图像集包括多个样本图像，样本图像为标注有不同故障信息的图像。
发送模块202，用于将检测结果发送至检测用户对应的第一终端设备。
可选地，获取模块201，具体用于获取第一终端设备返回的确定结果，确定结果包括对检测结果的确定指示。
发送模块202，具体用于响应于确定结果生成维修指令，并将维修指令发送至维修用户对应的第二终端设备。
图5为本申请一实施例提供的列车故障检测装置的结构示意图，如图5所示，该装置还包括：匹配模块203，用于匹配检测结果所属故障类型对应的目标检测用户。
发送模块202，具体用于向目标检测用户对应的第一终端设备发送检测结果。
可选地，检测结果包括：故障类型；匹配模块203，具体用于响应于确定结果，匹配检测结果所属故障类型对应的目标维修用户。
可选地，发送模块202，具体用于向目标维修用户对应的第二终端设备发送维修指令，维修指令包括检测结果。
如图5所示，该装置还包括：检测模块204和生成模块205，其中：
检测模块204，用于根据预设图像分析模型对检测图像信息进行检测，标注检测图像信息中包含疑似故障点的故障信息，获取标注后的图像。
生成模块205，用于根据至少一个标注后的图像生成检测结果。
如图5所示，该装置还包括：更新模块206，用于根据维修指令，对预设图像分析模型进行更新。
上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图6为本申请一实施例提供的列车故障检测设备的结构示意图，该列车故障检测设备可以集成于服务器、或终端设备，或终端设备的芯片。
该游戏需求迭代设备包括：处理器501、存储介质502和总线503。
处理器501用于存储程序，处理器501调用存储介质502存储的程序，以执行上述图1-图3对应的方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本申请还提供一种程序产品，例如存储介质，该存储介质上存储有计算机程序，包括程序，该程序在被处理器运行时执行上述方法对应的实施例。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (11)

1.一种列车故障检测方法，其特征在于，所述方法包括：
获取待检测列车的检测图像信息；
根据预设图像分析模型对所述检测图像信息进行检测，并获取检测结果；所述预设图像分析模型根据样本图像集训练获取，所述样本图像集包括多个样本图像，所述样本图像为标注有不同故障信息的图像；
将所述检测结果发送至检测用户对应的第一终端设备。
2.如权利要求1所述的方法，其特征在于，所述将所述检测结果发送至检测用户对应的第一终端设备之后，还包括：
获取所述第一终端设备返回的确定结果，所述确定结果包括对所述检测结果的确定指示；
响应于所述确定结果生成维修指令，并将所述维修指令发送至维修用户对应的第二终端设备。
3.如权利要求1所述的方法，其特征在于，所述检测结果包括：故障类型；所述将所述检测结果发送至检测用户对应的第一终端设备，包括：
匹配所述检测结果所属故障类型对应的目标检测用户；
向所述目标检测用户对应的第一终端设备发送所述检测结果。
4.如权利要求2所述的方法，其特征在于，所述检测结果包括：故障类型；所述响应于所述确定结果生成维修指令，并将所述维修指令发送至维修用户对应的第二终端设备，包括：
响应于所述确定结果，匹配所述检测结果所属故障类型对应的目标维修用户；
向所述目标维修用户对应的第二终端设备发送所述维修指令，所述维修指令包括所述检测结果。
5.如权利要求1所述的方法，其特征在于，所述根据预设图像分析模型对所述检测图像信息进行检测，并获取检测结果，包括：
根据所述预设图像分析模型对所述检测图像信息进行检测，标注所述检测图像信息中包含疑似故障点的故障信息，获取标注后的图像；
根据至少一个所述标注后的图像生成所述检测结果。
6.如权利要求1-5任一项所述的方法，其特征在于，所述故障信息还包括下述至少一项：疑似故障点对应的车辆编号、车厢编号、检测时间。
7.如权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述维修指令，对所述预设图像分析模型进行更新。
8.如权利要求1所述的方法，其特征在于，所述获取待检测列车的检测图像信息，包括：
获取通过高清摄像设备采集的检测图像信息，所述检测图像信息包括下述至少一项：采集时间信息、位置标识信息。
9.一种列车故障检测装置，其特征在于，所述装置包括：获取模块和发送模块，其中：
所述获取模块，用于获取待检测列车的检测图像信息；根据预设图像分析模型对所述检测图像信息进行检测，并获取检测结果；所述预设图像分析模型根据样本图像集训练获取，所述样本图像集包括多个样本图像，所述样本图像为标注有不同故障信息的图像；
所述发送模块，用于将所述检测结果发送至检测用户对应的第一终端设备。
10.一种列车故障检测设备，其特征在于，所述设备包括：所述设备包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述游戏需求迭代设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行上述权利要求1-8任一项所述的方法。
11.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述权利要求1-8任一项所述的方法。
CN202011421316.XA 2020-12-04 2020-12-04 列车故障检测方法、装置、设备及存储介质 Pending CN112465793A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011421316.XA CN112465793A (zh) 2020-12-04 2020-12-04 列车故障检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011421316.XA CN112465793A (zh) 2020-12-04 2020-12-04 列车故障检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112465793A true CN112465793A (zh) 2021-03-09

Family

ID=74800805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011421316.XA Pending CN112465793A (zh) 2020-12-04 2020-12-04 列车故障检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112465793A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
CN108764502A (zh) * 2018-06-15 2018-11-06 北京明略软件系统有限公司 一种列车零部件故障定位方法和服务器
CN111080604A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车钩提杆折断故障图像识别方法
CN111077159A (zh) * 2019-12-31 2020-04-28 北京京天威科技发展有限公司 轨道电路箱盒故障检测方法、系统、设备及可读介质
CN111767913A (zh) * 2020-07-06 2020-10-13 中兴飞流信息科技有限公司 一种基于深度学习的动车组车辆故障动态图像检测方法
CN111860935A (zh) * 2020-05-21 2020-10-30 北京骑胜科技有限公司 一种交通工具的故障预测方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
CN108764502A (zh) * 2018-06-15 2018-11-06 北京明略软件系统有限公司 一种列车零部件故障定位方法和服务器
CN111080604A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车钩提杆折断故障图像识别方法
CN111077159A (zh) * 2019-12-31 2020-04-28 北京京天威科技发展有限公司 轨道电路箱盒故障检测方法、系统、设备及可读介质
CN111860935A (zh) * 2020-05-21 2020-10-30 北京骑胜科技有限公司 一种交通工具的故障预测方法、装置、设备及存储介质
CN111767913A (zh) * 2020-07-06 2020-10-13 中兴飞流信息科技有限公司 一种基于深度学习的动车组车辆故障动态图像检测方法

Similar Documents

Publication Publication Date Title
CN106327605B (zh) 一种巡检方法
CN106096978A (zh) 一种基于二维码识别技术的服装信息追溯方法
CN109638959A (zh) 基于ar和深度学习的电力设备遥信功能调试方法及系统
CN112100039B (zh) 一种设备故障报警方法及系统
CN115861173A (zh) 基于数字孪生和ai的分光器资源准确性自动检测系统和方法
CN103412256B (zh) 一种薄膜开关aoi检测器及其aoi检测方法
CN106600740B (zh) 一种传输外线数据的验证方法及装置
CN112465793A (zh) 列车故障检测方法、装置、设备及存储介质
CN115908871B (zh) 可穿戴设备轨道设备数据检测方法、装置、设备及介质
CN116363397A (zh) 设备故障排查方法、装置及巡检系统
CN115185792A (zh) 故障硬件处理方法、装置和系统
CN111874768B (zh) 检测电梯部件安装状态的方法、装置、设备和系统
CN116402371A (zh) 一种用于隧道衬砌检测的信息化管理系统
CN112185058B (zh) 监控报警方法、系统、设备及存储介质
CN115861161A (zh) 机器学习系统、学习数据收集方法以及存储介质
CN114218430A (zh) 远程协作设备运维系统、方法及装置
CN114360087A (zh) 一种矿用ar巡检系统
Memon et al. Development of specialized IoT cloud platform for railway track condition monitoring
CN114264904A (zh) 基于仿真和机器视觉的全液晶仪表测试方法及系统
CN117498225B (zh) 一种无人机智能电力线路巡检系统
CN116468428B (zh) 用于特长隧道的智能化运维系统及方法
KR102635926B1 (ko) 시설물의 균열 계측 시스템
CN117358622B (zh) 空调内外机检测方法、装置和系统
CN114354229B (zh) 一种基于互联网的跨平台远程农机鉴定方法及装置
CN115017174A (zh) 乘客信息系统的显示内容监测方法、系统及电子设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210309