CN112613560A - 一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法 - Google Patents

一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法 Download PDF

Info

Publication number
CN112613560A
CN112613560A CN202011552485.7A CN202011552485A CN112613560A CN 112613560 A CN112613560 A CN 112613560A CN 202011552485 A CN202011552485 A CN 202011552485A CN 112613560 A CN112613560 A CN 112613560A
Authority
CN
China
Prior art keywords
fault
closing
hood
image
front opening
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
CN202011552485.7A
Other languages
English (en)
Inventor
闫学慧
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.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical 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 Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN202011552485.7A priority Critical patent/CN112613560A/zh
Publication of CN112613560A publication Critical patent/CN112613560A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明是一种基于Faster R‑CNN的铁路动车头罩前开闭破损故障识别方法。本发明涉及车头罩图像识别技术领域，本发明对车头罩进行原始图像采集；对采集到的原始图像进行预处理，减少图像噪声；根据预处理后的图像，进行深度学习，得到训练样本；根据得到的训练样本，进行深度学习模型训练，得到训练好的故障识别模型；根据训练好的故障识别模型，对车头罩进行破损故障识别。本发明利用深度学习的方法对列车头罩前开闭破损故障进行识别检测，有效的避免了人工检测时因为疲劳和个人评判差异造成的识别误差。相比于人工检测，深度学习方法可以提高检测效率。

Description

一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别 方法
技术领域
本发明涉及车头罩图像识别技术领域，是一种基于FasterR-CNN的铁路动车头罩前开闭破损故障识别方法。
背景技术
开闭机构是安装在动车前端的机械部件，与司机室头罩连接组成车辆的整体前端造型。开闭机构的作用主要是满足车辆前端的外观需求和流线型空气动力学要求，同时保护车辆前端其他部件，有效阻挡飞石、树枝等杂物的进入。列车的头罩前开闭在运行过程中会因为飞石、树枝等杂物的击打造成破损，其破损会对列车行驶安全性造成影响，也会对列车的美观有一定的影响，因此对列车头罩前开闭破损故障进行识别是一项必要的工作。现有对此故障的检测主要依靠人工检测，即用人眼对故障进行查找分辨。人工法是一个耗时耗力的方法，且检测者会产生视觉疲劳，从而造成漏检、错检的情况发生。
发明内容
本发明为了实现精准对车头罩故障的识别，本发明提供了以下技术方案：一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法，具体为：
一种车辆头罩前开闭破损故障识别方法，包括以下步骤：
步骤1：对车辆头罩前开闭进行原始图像采集；
步骤2：根据采集的原始图像，进行故障标记，得到训练样本；
步骤3：根据得到的训练样本，进行深度学习模型训练，得到训练好的故障识别模型；
步骤4：根据训练好的故障识别模型，对待测车辆的头罩前开闭进行破损故障识别。
优选地，在进行故障标记之前，还包括对采集到的原始图像进行预处理，减少图像噪声，具体为：
步骤2.1：选择两个滤波器对原始图像进行滤波处理，根据头罩前开闭所在位置，对滤波处理后的原始图像进行切割，获得头罩前开闭子图；
步骤2.2：对撞击后造成的裂纹、脱漆和孔洞的形态故障在子图上进行模拟，不同车型的头罩前开闭上模拟不同大小、不同位置、不同形状的故障；
步骤2.3：对模拟后的图像进行数据增强，得到预处理后的图像。
优选地，数据增强方法包括调整亮度、调整对比度和平移。
优选地，通过下式表示两个滤波器F1和F2：
Figure BDA0002857472140000021
Figure BDA0002857472140000022
优选地，步骤2具体为：根据预处理后的图像，采用LabelImg对预处理后的图像进行故障标记，对预处理后的图像中的单个子图中有头罩前开闭破损故障的区域进行标记，生成与子图相对应的带有图像信息、故障位置坐标和名称信息的XML文件，将所有图像进行故障标记后，构成用于深度学习训练的训练样本。
优选地，步骤3具体为：
步骤3.1：通过深度学习模型中改进的特征提取网络提取训练样本中的样本图像的特征图，其中，改进的特征提取网络包括2*2大小的卷积，改进的特征提取网络利用2个2*2的卷积替代原始特征提取网络中的一个3*3的卷积；
步骤3.2：将特征图输入到区域生成网络Region Proposal Network，通过区域生成网络Region Proposal Network获得推荐候选区域；
步骤3.3：将特征图和推荐候选区域作为Faster R-CNN模型输入，通过RoI Align将特征图统一成相同大小，将相同大小的特征图同时输入到分类分支网络和回归分支网络中进行学习训练，分类分支网络用于进行分类检测，预测头罩前开闭是否出现破损，回归分支网络预测故障区域边框偏移量以精修边框位置；
步骤3.4：利用Faster R-CNN模型训练超参数进行训练，达到预定训练迭代次数时停止训练，将训练好的模型和模型权重进行保存，得到故障识别模型用于进行后续的故障检测。
优选地，通过RoI Align将特征图统一成相同大小，包括：
根据输入的图像，将推荐候选区域映射到特征图对应位置；将映射后的区域划分为与输出维度相同大小的区域；使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值，将整个特征聚集过程转化为一个连续的操作，得到相同大小的特征图。
优选地，特征提取网络还包括VGG16和ResNet-50。
优选地，步骤4具体为：
将保存的故障识别模型以及模型权重输入到故障检测网络中，检测网络对采集到的列车车头以及车尾的侧部和底部图像进行识别检测，当识别结果中有头罩前开闭破损情况发生时，则判定该节列车存在头罩前开闭破损故障，将检测识别出的故障图像进行储存，并将故障位置信息写入到TXT文件中储存，以便后续故障解决。
优选地，步骤1中原始图像采集具体为：通过架设在铁轨两侧的高清摄像机，对列车车头、车尾的侧部和底部图像进行图像采集，同时收集不同车型、不同天气状况和不同时间段的列车图像，作为原始图像。
本发明具有以下有益效果：
本发明利用2*2卷积对特征提取网络中的Inception模块结构进行改进，利用RoIAlign替代RoI Pooling，以此对特征图进行统一尺寸。本发明利用深度学习的方法对列车头罩前开闭破损故障进行识别检测，有效的避免了人工检测时因为疲劳和个人评判差异造成的识别误差。相比于人工检测，深度学习方法可以提高检测效率，且可以在列车运行时对其进行拍摄检测，具有实时性。本发明提升了模型的识别精度，减少了训练参数，提高了训练速率，避免资源浪费。
附图说明
图1是Faster R-CNN的铁路动车头罩前开闭破损故障识别方法流程图；
图2是InceptionV1模块原理图；
图3是改进后的Inception模块图。
具体实施方式
以下结合具体实施例，对本发明进行了详细说明。
需要特别说明的是，在不冲突的情况下，本申请公开的各个实施例之间或实施例包括的特征之间可以相互组合。
具体实施例一：
根据图1至图3所示，本发明提供一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法，具体方案如下：
一种车辆头罩前开闭破损故障识别方法，包括以下步骤：
步骤1：对车辆头罩前开闭进行原始图像采集；
步骤2：根据采集的原始图像，进行故障标记，得到训练样本；
步骤3：根据得到的训练样本，进行深度学习模型训练，得到训练好的故障识别模型；
步骤4：根据训练好的故障识别模型，对待测车辆的头罩前开闭进行破损故障识别。
具体实施例二：
在进行故障标记之前，还包括对采集到的原始图像进行预处理，减少图像噪声，具体为：
步骤2.1：选择两个滤波器对原始图像进行滤波处理，根据头罩前开闭所在位置，对滤波处理后的原始图像进行切割，获得头罩前开闭子图；
步骤2.2：对撞击后造成的裂纹、脱漆和孔洞的形态故障在子图上进行模拟，不同车型的头罩前开闭上模拟不同大小、不同位置、不同形状的故障；
步骤2.3：对模拟后的图像进行数据增强，得到预处理后的图像。
具体实施例三：
数据增强方法包括调整亮度、调整对比度和平移。
具体实施例四：
通过下式表示两个滤波器F1和F2：
Figure BDA0002857472140000041
Figure BDA0002857472140000042
具体实施例五：
步骤2具体为：
根据预处理后的图像，采用LabelImg对数据增强后的图像进行故障标记，对单个子图中有头罩前开闭破损故障的区域进行标记，生成与子图相对应的带有图像信息、故障位置坐标和名称信息的XML文件，将所有图像进行故障标记后，构成用于深度学习训练的样本集进行深度学习，得到训练样本。
具体实施例六：
步骤3具体为：
步骤3.1：通过特征提取网络InceptionV3提取特征图，引入2*2大小的卷积，利用2个2*2的卷积替代一个3*3的卷积，增加了网络深度，减少了网络训练参数，在每个Inception模块中并联了多个特征提取分支，增加了网络的宽度，将训练样本输入到ConvLayers中来提取图像中的特征，得到feature map特征图；Conv Layers是利用卷积神经网络对输入图像进行卷积、池化等一系列操作。
InceptionV3网络是由Google团队在2014年ImageNet大赛上提出的冠军网络InceptionV1发展而来，该系列网络的提出良好的解决了为了提升网络性能增加网络深度(网络层数)和宽度(每层通道数)造成参数增加、计算量加大、易造成过拟合的问题。Inception系列网络是由Inception模块组成的，InceptionV3网络的Inception模块如图2所示。
InceptionV3网络引入了Factorization into small convolutions的思想，即将一个较大的二维卷积拆分成两个较小的二维卷积，例如将5x5的卷积拆分成两个3x3的卷积。该做法减少了大量参数，加速运算并减轻过拟合，增加网络深度，提升了网络的非线性扩展表达能力。
但是在融合特征时，发现经过较大的卷积核操作，会使得特征图尺寸变小，这是不利于小物体目标以及多尺度的目标检测。头罩前开闭破损故障属于小目标物体检测问题，通常在2048*2048大小的子图上，故障大小不超过60*60像素，因此使用较大卷积核进行特征提取时，在形成的较小特征图上可能会造成提取深层特征不明显的情况。为了解决此问题，首先引入了2*2大小的卷积，利用2个2*2的卷积可以替代一个3*3的卷积，增加了网络深度，减少了网络训练参数。在每个Inception模块中并联了多个特征提取分支，增加了网络的宽度，使其对特征的提取更加全面。改进后的Inception模块如图3所示。
步骤3.2：将训练集中图像经过Conv Layers得到的feature map特征图输入到区域生成网络Region Proposal Network，通过区域生成网络Region Proposal Network推荐候选区域；
将训练集中图像经过Conv Layers得到的feature map输入到区域生成网络，即Region Proposal Network(RPN)，该网络用于推荐候选区域(Region ofInterests)。RPN网络将feature map作为输入，利用一个3*3的卷积核将输入通道数(filter)减半，然后将其输入到分类分支与回归分支中。在feature map上的每个特征点都会被预测多个推荐候选区域，这个推荐候选区域是通过特征点映射回原图后的基准点，围绕这个基准点会生成多个不同大小、不同形状、不同长宽比的锚框(anchor)所生成的区域。分类分支是用来负责区分正、负样本概率，本文中的正样本即有破损故障形态的头罩前开闭。回归分支是用来学习样本在图像中定位信息，以此获得更加准确的目标定位。
步骤3.3：将特征图和推荐候选区域作为输入，通过RoI Align将特征图统一成相同大小，将相同大小的特征图同时输入到分类分支网络和回归分支网络中进行学习训练，分类分支网络用于进行分类检测，预测头罩前开闭是否出现破损，回归分支网络预测故障区域边框偏移量以精修边框位置，并计算损失；
Faster R-CNN为了便于进行分类预测及回归预测，需要将特征图统一成相同大小。通常的方法是对其进行感兴趣池化操作(ROI Pooling)，该方法会对输入的特征图进行两次浮点取整的量化，这样的量化会造成像素偏差，这样会对接下来的回归定位产生一定影响，尤其是针对本问题中的小目标检测问题，像素偏差会直接影响检测结果。因此，本文选用RoI Align的方法对特征图进行统一尺寸。首先根据输入的图像，将推荐候选区域映射到特征图对应位置；然后将映射后的区域划分为与输出维度相同大小的区域；这两次操作不进行量化，使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值，从而将整个特征聚集过程转化为一个连续的操作，即可得到相同大小的特征图，最大可能地保留了原始区域的特征。
将相同大小的特征图同时输入到分类分支网络和回归分支网络中进行学习训练，分类分支网络用于进行分类检测，预测头罩前开闭是否出现破损，回归分支网络预测故障区域边框偏移量以精修边框位置，并计算损失；
利用Faster R-CNN模型训练超参数进行训练，达到预定训练迭代次数时停止训练，将训练好的模型和模型权重进行保存，得到故障识别模型用于进行后续的故障检测。
具体实施例七：
通过RoI Align将特征图统一成相同大小，包括：
根据输入的图像，将推荐候选区域映射到特征图对应位置；将映射后的区域划分为与输出维度相同大小的区域；使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值，将整个特征聚集过程转化为一个连续的操作，得到相同大小的特征图。
具体实施例八：
特征提取网络还包括VGG16和ResNet-50。
具体实施例九：
步骤5具体为：将保存的故障识别模型以及模型权重输入到故障检测网络中，检测网络对采集到的列车车头以及车尾的侧部和底部图像进行识别检测，当识别结果中有头罩前开闭破损情况发生时，则判定该节列车存在头罩前开闭破损故障，将检测识别出的故障图像进行储存，并将故障位置信息写入到TXT文件中储存，以便后续故障解决。
具体实施例十：
步骤1具体为：对车头罩进行原始图像采集；通过架设在铁轨两侧的高清摄像机，对列车车头、车尾的侧部和底部图像进行图像采集，同时收集不同车型、不同天气状况和不同时间段的列车图像，作为原始图像。
以上仅是一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法的优选实施方式，一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

Claims (10)

1.一种车辆头罩前开闭破损故障识别方法，其特征是：包括以下步骤：
步骤1：对车辆头罩前开闭进行原始图像采集；
步骤2：根据采集的原始图像，进行故障标记，得到训练样本；
步骤3：根据得到的训练样本，进行深度学习模型训练，得到训练好的故障识别模型；
步骤4：根据训练好的故障识别模型，对待测车辆的头罩前开闭进行破损故障识别。
2.根据权利要求1所述的一种车辆头罩前开闭破损故障识别方法，其特征是：在进行故障标记之前，还包括对采集到的原始图像进行预处理，减少图像噪声，具体为：
步骤2.1：选择两个滤波器对原始图像进行滤波处理，根据头罩前开闭所在位置，对滤波处理后的原始图像进行切割，获得头罩前开闭子图；
步骤2.2：对撞击后造成的裂纹、脱漆和孔洞的形态故障在所述子图上进行模拟，不同车型的头罩前开闭上模拟不同大小、不同位置、不同形状的故障；
步骤2.3：对模拟后的图像进行数据增强，得到预处理后的图像。
3.根据权利要求2的所述一种车辆头罩前开闭破损故障识别方法，其特征是：数据增强方法包括调整亮度、调整对比度和平移。
4.根据权利要求2的所述一种车辆头罩前开闭破损故障识别方法，其特征是：
通过下式表示两个滤波器F1和F2：
Figure FDA0002857472130000011
Figure FDA0002857472130000012
5.根据权利要求2-4中任一项所述的一种车辆头罩前开闭破损故障识别方法，其特征是：
所述步骤2具体为：根据预处理后的图像，采用LabelImg对预处理后的图像进行故障标记，对预处理后的图像中的单个子图中有头罩前开闭破损故障的区域进行标记，生成与子图相对应的带有图像信息、故障位置坐标和名称信息的XML文件，将所有图像进行故障标记后，构成用于深度学习训练的训练样本。
6.根据权利要求1所述的一种车辆头罩前开闭破损故障识别方法，其特征是：
步骤3具体为：
步骤3.1：通过深度学习模型中改进的特征提取网络提取训练样本中的样本图像的特征图，其中，改进的特征提取网络包括2*2大小的卷积，改进的特征提取网络利用2个2*2的卷积替代原始特征提取网络中的一个3*3的卷积；
步骤3.2：将特征图输入到区域生成网络Region Proposal Network，通过区域生成网络Region Proposal Network获得推荐候选区域；
步骤3.3：将特征图和推荐候选区域作为Faster R-CNN模型输入，通过RoI Align将特征图统一成相同大小，将相同大小的特征图同时输入到分类分支网络和回归分支网络中进行学习训练，分类分支网络用于进行分类检测，预测头罩前开闭是否出现破损，回归分支网络预测故障区域边框偏移量以精修边框位置；
步骤3.4：利用Faster R-CNN模型训练超参数进行训练，达到预定训练迭代次数时停止训练，将训练好的模型和模型权重进行保存，得到故障识别模型用于进行后续的故障检测。
7.根据权利要求6所述的一种车辆头罩前开闭破损故障识别方法，其特征是：所述通过RoI Align将特征图统一成相同大小，包括：
根据输入的图像，将推荐候选区域映射到特征图对应位置；将映射后的区域划分为与输出维度相同大小的区域；使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值，将整个特征聚集过程转化为一个连续的操作，得到相同大小的特征图。
8.根据权利要求6或7所述的一种车辆头罩前开闭破损故障识别方法，其特征是：特征提取网络还包括VGG16和ResNet-50。
9.根据权利要求6所述的一种车辆头罩前开闭破损故障识别方法，其特征是：步骤4具体为：
将保存的故障识别模型以及模型权重输入到故障检测网络中，检测网络对采集到的列车车头以及车尾的侧部和底部图像进行识别检测，当识别结果中有头罩前开闭破损情况发生时，则判定该节列车存在头罩前开闭破损故障，将检测识别出的故障图像进行储存，并将故障位置信息写入到TXT文件中储存，以便后续故障解决。
10.根据权利要求1所述的一种车辆头罩前开闭破损故障识别方法，其特征是：
步骤1中原始图像采集具体为：通过架设在铁轨两侧的高清摄像机，对列车车头、车尾的侧部和底部图像进行图像采集，同时收集不同车型、不同天气状况和不同时间段的列车图像，作为原始图像。
CN202011552485.7A 2020-12-24 2020-12-24 一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法 Pending CN112613560A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011552485.7A CN112613560A (zh) 2020-12-24 2020-12-24 一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011552485.7A CN112613560A (zh) 2020-12-24 2020-12-24 一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法

Publications (1)

Publication Number Publication Date
CN112613560A true CN112613560A (zh) 2021-04-06

Family

ID=75245496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011552485.7A Pending CN112613560A (zh) 2020-12-24 2020-12-24 一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法

Country Status (1)

Country Link
CN (1) CN112613560A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669301A (zh) * 2020-12-31 2021-04-16 哈尔滨市科佳通用机电股份有限公司 一种高铁底板脱漆故障检测方法
CN115331085A (zh) * 2022-08-15 2022-11-11 哈尔滨市科佳通用机电股份有限公司 基于深度学习的转向架弹簧托板检测方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109238756A (zh) * 2018-10-15 2019-01-18 哈尔滨市科佳通用机电股份有限公司 货车运行故障动态图像检测设备及检测方法
CN109766884A (zh) * 2018-12-26 2019-05-17 哈尔滨工程大学 一种基于Faster-RCNN的机场跑道异物检测方法
CN109902610A (zh) * 2019-02-22 2019-06-18 杭州飞步科技有限公司 交通标志识别方法和装置
CN110503097A (zh) * 2019-08-27 2019-11-26 腾讯科技（深圳）有限公司 图像处理模型的训练方法、装置及存储介质
CN111080614A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车轮轮辋及踏面的破损识别方法
CN111080601A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车脱轨制动装置拉环磨轴故障图像识别方法
CN111079819A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 基于图像识别与深度学习的铁路货车钩舌销的状态判断方法
CN111079747A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车转向架侧架断裂故障图像识别方法
CN111178192A (zh) * 2019-12-18 2020-05-19 北京达佳互联信息技术有限公司 一种图像中目标对象的位置识别方法及装置
CN111539421A (zh) * 2020-04-03 2020-08-14 哈尔滨市科佳通用机电股份有限公司 基于深度学习的铁路机车车号的识别方法
CN111652296A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的铁路货车下拉杆折断故障检测方法
CN111862029A (zh) * 2020-07-15 2020-10-30 哈尔滨市科佳通用机电股份有限公司 一种铁路动车组垂向减震器螺栓部件故障检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109238756A (zh) * 2018-10-15 2019-01-18 哈尔滨市科佳通用机电股份有限公司 货车运行故障动态图像检测设备及检测方法
CN109766884A (zh) * 2018-12-26 2019-05-17 哈尔滨工程大学 一种基于Faster-RCNN的机场跑道异物检测方法
CN109902610A (zh) * 2019-02-22 2019-06-18 杭州飞步科技有限公司 交通标志识别方法和装置
CN110503097A (zh) * 2019-08-27 2019-11-26 腾讯科技（深圳）有限公司 图像处理模型的训练方法、装置及存储介质
CN111080614A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车轮轮辋及踏面的破损识别方法
CN111080601A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车脱轨制动装置拉环磨轴故障图像识别方法
CN111079819A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 基于图像识别与深度学习的铁路货车钩舌销的状态判断方法
CN111079747A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车转向架侧架断裂故障图像识别方法
CN111178192A (zh) * 2019-12-18 2020-05-19 北京达佳互联信息技术有限公司 一种图像中目标对象的位置识别方法及装置
CN111539421A (zh) * 2020-04-03 2020-08-14 哈尔滨市科佳通用机电股份有限公司 基于深度学习的铁路机车车号的识别方法
CN111652296A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的铁路货车下拉杆折断故障检测方法
CN111862029A (zh) * 2020-07-15 2020-10-30 哈尔滨市科佳通用机电股份有限公司 一种铁路动车组垂向减震器螺栓部件故障检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PEDRO DE CARVALHO CAYRES PINTO: ""IMPLEMENTATION OF FASTER R-CNN APPLIED TO THE DATASETS COCO AND PASCAL VOC"", 《HTTP://WWW.PEE.UFRJ.BR/INDEX.PHP/PT/PRODUCAO-ACADEMICA/DISSERTACOES-DE-MESTRADO/2019-1/2016033340-IMPLEMENTATION-OF-FASTER-R-CNN-APPLIED-TO-THE-DATASETS-COCO-AND-PASCAL-VOC/FILE》 *
我的明天不是梦: ""网络结构解读之inception系列四：Inception V3"", 《HTTPS://WWW.CNBLOGS.COM/XIAOBOGE/P/10457307.HTML》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669301A (zh) * 2020-12-31 2021-04-16 哈尔滨市科佳通用机电股份有限公司 一种高铁底板脱漆故障检测方法
CN115331085A (zh) * 2022-08-15 2022-11-11 哈尔滨市科佳通用机电股份有限公司 基于深度学习的转向架弹簧托板检测方法

Similar Documents

Publication Publication Date Title
CN110059558B (zh) 一种基于改进ssd网络的果园障碍物实时检测方法
Zhao et al. Cloud shape classification system based on multi-channel cnn and improved fdm
CN108918536B (zh) 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质
CN109657552B (zh) 基于迁移学习实现跨场景冷启动的车型识别装置与方法
CN109145872B (zh) 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法
CN103049763B (zh) 一种基于上下文约束的目标识别方法
CN111784685A (zh) 一种基于云边协同检测的输电线路缺陷图像识别方法
CN108171112A (zh) 基于卷积神经网络的车辆识别与跟踪方法
CN110569843B (zh) 一种矿井目标智能检测与识别方法
CN105044122A (zh) 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法
CN110210433B (zh) 一种基于深度学习的集装箱箱号检测与识别方法
CN105069451B (zh) 一种基于双目摄像头的车牌识别与定位方法
CN113240623B (zh) 一种路面病害检测方法及装置
CN112613560A (zh) 一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法
CN110751619A (zh) 一种绝缘子缺陷检测方法
CN112232263A (zh) 一种基于深度学习的番茄识别方法
CN112733747A (zh) 一种缓解阀拉杆脱落故障的识别方法、系统及装置
CN116883650A (zh) 一种基于注意力和局部拼接的图像级弱监督语义分割方法
CN112418334B (zh) 一种铁路动车裙板格栅变形故障识别方法
CN111597939B (zh) 一种基于深度学习的高铁线路鸟窝缺陷检测方法
Peng et al. Real-time traffic sign text detection based on deep learning
CN115953678A (zh) 一种基于局部灰度极值点和特征融合的路面破损检测方法
CN115761667A (zh) 一种基于改进fcos算法的无人车辆搭载摄像头目标检测方法
CN114049543A (zh) 一种基于深度学习的废钢卸料变化区域自动识别方法
CN113643258A (zh) 一种基于深度学习的列车侧部裙板丢失故障的检测方法

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

Application publication date: 20210406