CN113139572A - 一种基于图像的列车空气弹簧的故障检测方法 - Google Patents

一种基于图像的列车空气弹簧的故障检测方法 Download PDF

Info

Publication number
CN113139572A
CN113139572A CN202110257113.XA CN202110257113A CN113139572A CN 113139572 A CN113139572 A CN 113139572A CN 202110257113 A CN202110257113 A CN 202110257113A CN 113139572 A CN113139572 A CN 113139572A
Authority
CN
China
Prior art keywords
air spring
image
fault
training
yolov4
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.)
Granted
Application number
CN202110257113.XA
Other languages
English (en)
Other versions
CN113139572B (zh
Inventor
秦娜
万字朋
黄德青
张宗泓
蔡重阳
邓世界
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202110257113.XA priority Critical patent/CN113139572B/zh
Publication of CN113139572A publication Critical patent/CN113139572A/zh
Application granted granted Critical
Publication of CN113139572B publication Critical patent/CN113139572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0025—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of elongated objects, e.g. pipes, masts, towers or railways
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (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)
  • Aviation & Aerospace Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像的列车空气弹簧的故障检测方法，通过数据采集设备采集空气弹簧图像并进行预处理；得到符合YOLOv4‑t i ny和GANoma l y网络需要大小的图片，将符合要求的图片通过训练后的YOLOv4‑t i ny模型进行故障检测，根据两个模型的检测结果，最后判定空气弹簧是否故障。通过本发明的方法可以训练得到一个高效的故障检测网络，此网络可快速准确的识别故障，并且在出现新的故障类型时可通过采集故障数据，加入训练的方式不断迭代更新，使得识别效果越来越好，在极其复杂的工作场景下，满足整个工程需要。

Description

一种基于图像的列车空气弹簧的故障检测方法
技术领域
本发明涉及列车空气弹簧故障检测领域，具体涉及一种基于图像的列车空气弹簧的故障检测方法。
背景技术
随着我国近些年轨道交通的飞速发展，列车作为一种常用的交通运输工具，已成为国家的一张名片，其在客运和货运中有着举足轻重的地位。现今，列车的规模和复杂性越来越高，列车能否安全稳定运行影响着人力、物力甚至人身安全，因此对列车的故障检测诊断能力提出了更加严苛的要求。传统的列车巡检方式依靠人工进行故障巡检，这样的方式很容易受主观因素的影响导致检测不够细致准确，并且这样的巡检方式需要耗费大量的人力物力，伴随计算机技术和图像处理技术的日益提升，基于计算机视觉的检测方式被应用到列车的关键部件故障检测中，这种方式可明显提高故障检测的效率和准确性。
目前，基于计算机视觉的故障检测方法主要分为两种：(1)基于图像处理的故障检测：
主要分为图像预处理和故障检测两个部分，图像预处理是故障检测的前期工作，包括图像去噪、阈值分割、形态学处理等，主要利用图像特征提取和模板匹配的方法来进行故障检测，但对于背景复杂、拍摄角度多变的列车空气弹簧部件，基于图像的检测方法很难准确检测出故障。(2)基于机器学习的故障检测：传统的机器学习中，通常使用支持向量机或决策树等算法来进行样本分类，近些年，深度学习在计算机视觉领域迅速发展，概念来源于人工神经网络的深度学习可以对输入图像数据进行自动学习和特征提取，是一种具有很强自学能力的端到端的方法，这很大程度上解决了传统机器学习方法中特征提取的复杂性与不确定性问题。
针对实际工程项目，对基于计算机视觉的故障检测方式主要有以下几点要求：(1)检测精度：基于计算机视觉的故障检测的核心关键点就是检测的可靠性，这就要求故障检测识别拥有较高的准确率，即零漏检、低误检。(2)检测时间：由于列车停靠车站的时间有限，为不影响列车正常运营，需要在规定时间内对列车故障进行检修，这就需要故障检测具备实时快速的特点，即检测时间尽可能短。(3)目标定位：列车车底光线较暗，且空气弹簧可能存在灰尘、机油等污渍，为辅助检修人员快速找到故障位置，需要在故障检测过程中准确标注出故障出现的区域，节省检修时间。
因此，亟需一种能以较高的准确率、短时间识别地铁列车空气弹簧部分是否存在故障的方法，从而能及时的进行检修。
发明内容
为解决现有技术中存在的问题，本发明提供了一种基于图像的列车空气弹簧的故障检测方法，能在故障样本数量较少的情况下快速准确的进行空气弹簧的故障检测，解决了上述背景技术中提到的问题。
为实现上述目的，本发明提供如下技术方案：一种基于图像的列车空气弹簧的故障检测方法，包括步骤如下：
步骤一、通过数据采集设备采集空气弹簧图像；
步骤二、图像预处理；
步骤三、将经过图像预处理后的图像进行缩放；得到符合YOLOv4-tiny网络需要大小的图片；
步骤四、将经过图像预处理后的图像进行缩放和滑窗切块，得到符合GANomaly网络需要大小的图片；
步骤五、训练YOLOv4-tiny模型和GANomaly模型；
步骤六、将经过步骤三得到的图片通过YOLOv4-tiny模型进行故障检测，当检测图像中检测到目标故障物即判定空气弹簧故障；
步骤七、将经过步骤四得到的图片通过GANomaly模型进行故障检测，当检测图像通过滑窗切割的众多图片中只要有一张得分大于设置的欧式距离阈值，即判定空气弹簧故障；
步骤八、根据步骤六和步骤七的检测结果，只有当2个模型的检测结果都为正常时，才判定空气弹簧正常，否者判定空气弹簧存在故障。
优选的，所述步骤二中的图像预处理是将采集的空气弹簧图像利用opencv内置的函数转换为伪彩色图像。
优选的，所述符合YOLOv4-tiny网络需要的图片大小为608×608；所述符合GANomaly网络需要的图片大小为64×64。
优选的，所述设置的欧式距离阈值为1.9。
优选的，所述的GANomaly模型和YOLOv4-tiny模型的训练包括步骤如下：
步骤S1、通过数据采集设备采集列车空气弹簧图像，构建数据集；
步骤S2、采用滑窗切片的方式将数据集中的正样本图片切分，将切分后的图片送入到GANomaly网络中，训练后得到GANomaly模型；
步骤S3、通过labelimg打标签和数据增强的方式得到一个包含900张异常样本图片的数据训练集，送入YOLOv4-tiny网络迭代训练后，得到YOLOv4-tiny模型。
优选的，所述步骤S1中的数据集包含2693张正样本和13张负样本图片。
优选的，所述步骤S2中的训练为训练200轮；所述步骤S3中的训练为训练80轮。
优选的，所述数据增强的方式得到一个包含900张异常样本图片集具体是指通过翻转、裁剪、对比度调整或加入一定的噪声增加故障样本的数量。
优选的，所述的负样本图片包括空气弹簧鼓包图片和空气弹簧裂纹图片。
本发明的有益效果是：
1)现有的列车空气弹簧故障样本数量很少，选用单一的目标检测算法不能保证检测效果具有泛化性和鲁棒性，所以本发明选择异常检测算法结合目标检测算法的检测方式，异常检测算法训练模型往往只需要大量的正常样本，非常适合当前空气弹簧故障检测的情况，本发明YOLOv4-tiny和GANomaly算法相结合的方法，能及时检修故障部件，不影响列车正常运营，拥有检测的实时快速性。
2)本发明利用GANomaly异常检测算法对空气弹簧进行故障检测，因故障相对出现位置随机且故障面积相对整个空气弹簧部件较小，利用滑窗切块的方式将相机拍摄的空气弹簧图像切分为大量小图，并删除了对检测影响较大的背景区域，在降低背景干扰的同时突出故障特征，极大地提高了检测的准确性。
3)本发明引入YOLOv4-tiny目标检测算法作为GANomaly算法的补充，GANomaly算法在训练过程中只学习到了正常样本的特征，而故障类型及故障特征是多变化的，加入YOLOv4-tiny算法可以不断迭代学习之前未知的故障特征，增加了检测的可控性和泛化性，此外YOLOv4-tiny算法检测速度极快，对本设计整体检测速度几乎没有影响。
4)随着列车运行时间的增加，难免会有异常检测算法检测不到的新出现的空气弹簧故障类型，在出现新的故障类型时可通过采集故障数据，加入训练的方式不断迭代更新，本发明结合YOLOv4-tiny目标检测算法可针对性的将新的故障进行分类训练，使整体检测方案具有可更新性，使得识别效果越来越好，检测效果在实际工程运用中会愈加精确，在极其复杂的工作场景下，也能满足整个工程需要。
附图说明
图1为本发明列车空气弹簧检测流程图；
图2为本发明GANomaly网络结构图；
图3为本发明YOLOv4-tiny网络结构图；
图4为正常与故障样本示意图；
图5为故障空气弹簧鼓包图；
图6为故障空气弹簧裂纹图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-6，列车空气弹簧主要故障类型包括出现裂纹和部分鼓包两种，鼓包故障图像如图5所示，裂纹故障图像如图6所示，本发明首先通过工业数字相机(CCD)采集空气弹簧的数据集(包含2693张正样本和13张负样本)，考虑到故障出现的位置不固定，且故障大小相对于整张图片较小，为突出故障特征，提高检测精度，将图像放缩为896×320大小，再利用滑窗切片的方式，以每次46的步长将整张图片切分为64×64的小切片，并删除对识别影响较大的背景部分，通过GANomaly网络将切分好的正常样本图片送入训练，设定合适的欧氏距离阈值，若测试图片与正常图片欧氏距离过大则判定空气弹簧存在故障。在此基础上，选取4张分别包含鼓包和裂纹的负样本，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故障样本的数量，得到一个900张故障样本图片的数据集作为训练集，以采集的13张故障样本和随机选取的197张正常样本作为测试集，通过YOLOv4-tiny迭代训练后，进行故障识别。通过上述方法，可以训练得到一个高效的故障检测网络，此网络可快速准确的识别故障，并且在出现新的故障类型时可通过采集故障数据，加入训练的方式不断迭代更新，使得识别效果越来越好，在极其复杂的工作场景下，满足整个工程需要。
本发明是基于GANomaly与YOLOv4-tiny的列车空气弹簧部分故障检测的整个流程，先通过高速相机采集列车空气弹簧部件图像，将采集的图像传输到后台服务器，之后分GANomaly异常检测和YOLOv4-tiny目标检测两种方式进行空气弹簧故障的检测，其中GANomaly异常检测部分先将图像通过滑窗切块的方式切割为大量的小图，再分别对每一张小图进行故障检测，判断空气弹簧是否存在故障；YOLOv4-tiny目标检测部分直接将采集的图像输入网络，通过检测图像中是否存在故障目标，判断空气弹簧是否故障。每张采集的图像只有在两部分检测结果均为正常时，判定为空气弹簧正常，否则判定空气弹簧存在故障，图4为正常与故障样本示意图。
本发明具体的故障检测流程如图1所示，其中模型训练过程如下：
第一步：通过高速相机采集得到大量列车空气弹簧部分的图像；
第二步：利用滑窗切块的方式将2693张正常样本切分得到大量小图，并送入GANomaly网络训练200轮后得到GANomaly模型，GANomaly网络结构如图2所示；
第三步：通过labelimg在负样本图片上打标签和数据增强的方式自制包含900张异常样本的数据集，送入YOLOv4-tiny网络迭代训练80轮后得到YOLOv4-tiny模型，YOLOv4-tiny网络结构图如图3所示；
模型测试过程如下：
第一步：将采集的待检测的空气弹簧图像利用opencv内置的函数转换为伪彩色图像；伪彩色图像的每个像素值实际上是一个索引值或代码，该代码值作为色彩查找表中某一项的入口地址，根据该地址可查找出包含实际R、G、B的强度值，转换为伪彩色图像能提高图像内容的辨识度，更利于我们的检测。
第二步：将伪彩色图像通过图像缩放，转化为YOLOv4-tiny需要的608×608大小的图片，同时通过图像缩放和滑窗切块得到GANomaly需要的64×64大小的小图；
第三步：分别利用训练好的GANomaly模型和YOLOv4-tiny模型进行故障检测，GANomaly模型:当每张检测图像通过滑窗切割的众多小图中有一张得分大于1.9即判定空气弹簧故障，YOLOv4-tiny模型：当每张检测图像中检测到目标故障物即判定空气弹簧故障；
第四步：根据检测结果，以方框的形式将原图中故障的部分框出，以便观察。
引入YOLOv4-tiny目标检测算法作为GANomaly算法的补充，GANomaly算法在训练过程中只学习到了正常样本的特征，而故障类型及故障特征是多变化的，加入YOLOv4-tiny算法可以不断迭代学习之前未知的故障特征，增加了检测的可控性和泛化性，此外YOLOv4-tiny算法检测速度极快，对本设计整体检测速度几乎没有影响，同样能以较高的准确率、短时间识别地铁列车空气弹簧部分是否存在故障，从而能及时的进行检修。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于图像的列车空气弹簧的故障检测方法，其特征在于，包括步骤如下：
步骤一、通过数据采集设备采集空气弹簧图像；
步骤二、图像预处理；
步骤三、将经过图像预处理后的图像进行缩放；得到符合YOLOv4-tiny网络需要大小的图片；
步骤四、将经过图像预处理后的图像进行缩放和滑窗切块，得到符合GANomaly网络需要大小的图片；
步骤五、训练YOLOv4-tiny模型和GANomaly模型；
步骤六、将经过步骤三得到的图片通过YOLOv4-tiny模型进行故障检测，当检测图像中检测到目标故障物即判定空气弹簧故障；
步骤七、将经过步骤四得到的图片通过GANomaly模型进行故障检测，当检测图像通过滑窗切割的众多图片中只要有一张得分大于设置的欧式距离阈值，即判定空气弹簧故障；
步骤八、根据步骤六和步骤七的检测结果，只有当2个模型的检测结果都为正常时，才判定空气弹簧正常，否者判定空气弹簧存在故障。
2.根据权利要求1所述的列车空气弹簧的故障检测方法，其特征在于：所述步骤二中的图像预处理是将采集的空气弹簧图像利用opencv内置的函数转换为伪彩色图像。
3.根据权利要求1所述的列车空气弹簧的故障检测方法，其特征在于：所述符合YOLOv4-tiny网络需要的图片大小为608×608；所述符合GANomaly网络需要的图片大小为64×64。
4.根据权利要求1所述的列车空气弹簧的故障检测方法，其特征在于：所述设置的欧式距离阈值为1.9。
5.根据权利要求1所述的列车空气弹簧的故障检测方法，其特征在于：所述的GANomaly模型和YOLOv4-tiny模型的训练包括步骤如下：
步骤S1、通过数据采集设备采集列车空气弹簧图像，构建数据集；
步骤S2、采用滑窗切片的方式将数据集中的正样本图片切分，将切分后的图片送入到GANomaly网络中，训练后得到GANomaly模型；
步骤S3、通过labelimg打标签和数据增强的方式得到一个包含900张异常样本图片的数据训练集，送入YOLOv4-tiny网络迭代训练后，得到YOLOv4-tiny模型。
6.根据权利要求5所述的列车空气弹簧的故障检测方法，其特征在于：所述步骤S1中的数据集包含2693张正样本和13张负样本图片。
7.根据权利要求5所述的列车空气弹簧的故障检测方法，其特征在于：所述步骤S2中的训练为训练200轮；所述步骤S3中的训练为训练80轮。
8.根据权利要求5所述的列车空气弹簧的故障检测方法，其特征在于：所述数据增强的方式得到一个包含900张异常样本图片集具体是指通过翻转、裁剪、对比度调整或加入一定的噪声增加故障样本的数量。
9.根据权利要求5或6所述的列车空气弹簧的故障检测方法，其特征在于：所述的负样本图片包括空气弹簧鼓包图片和空气弹簧裂纹图片。
CN202110257113.XA 2021-03-09 2021-03-09 一种基于图像的列车空气弹簧的故障检测方法 Active CN113139572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110257113.XA CN113139572B (zh) 2021-03-09 2021-03-09 一种基于图像的列车空气弹簧的故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110257113.XA CN113139572B (zh) 2021-03-09 2021-03-09 一种基于图像的列车空气弹簧的故障检测方法

Publications (2)

Publication Number Publication Date
CN113139572A true CN113139572A (zh) 2021-07-20
CN113139572B CN113139572B (zh) 2022-08-02

Family

ID=76810976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110257113.XA Active CN113139572B (zh) 2021-03-09 2021-03-09 一种基于图像的列车空气弹簧的故障检测方法

Country Status (1)

Country Link
CN (1) CN113139572B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808133A (zh) * 2021-11-19 2021-12-17 西南交通大学 一种基于三维点云的地铁闸瓦故障检测方法
CN115967609A (zh) * 2021-10-11 2023-04-14 中国移动通信集团山东有限公司 内容分发网络故障检测方法和设备
CN117876800A (zh) * 2024-03-11 2024-04-12 成都千嘉科技股份有限公司 一种燃气热水器烟道安全隐患识别的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018191435A1 (en) * 2017-04-11 2018-10-18 Alibaba Group Holding Limited Picture-based vehicle loss assessment method and apparatus, and electronic device
CN110610483A (zh) * 2019-08-12 2019-12-24 全球能源互联网研究院有限公司 裂纹图像获取、检测方法、计算机设备及可读存储介质
CN111127448A (zh) * 2019-12-26 2020-05-08 西南交通大学 一种基于孤立森林检测空气弹簧故障的模型及方法
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
CN111681240A (zh) * 2020-07-07 2020-09-18 福州大学 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法
CN112129778A (zh) * 2020-10-19 2020-12-25 北京市地铁运营有限公司 基于计算机视觉的轨道列车维护检测系统
CN112418155A (zh) * 2020-12-07 2021-02-26 成都川哈工机器人及智能装备产业技术研究院有限公司 一种检测地铁车侧巡检图像上工件的位置和类型的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018191435A1 (en) * 2017-04-11 2018-10-18 Alibaba Group Holding Limited Picture-based vehicle loss assessment method and apparatus, and electronic device
CN110610483A (zh) * 2019-08-12 2019-12-24 全球能源互联网研究院有限公司 裂纹图像获取、检测方法、计算机设备及可读存储介质
CN111127448A (zh) * 2019-12-26 2020-05-08 西南交通大学 一种基于孤立森林检测空气弹簧故障的模型及方法
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
CN111681240A (zh) * 2020-07-07 2020-09-18 福州大学 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法
CN112129778A (zh) * 2020-10-19 2020-12-25 北京市地铁运营有限公司 基于计算机视觉的轨道列车维护检测系统
CN112418155A (zh) * 2020-12-07 2021-02-26 成都川哈工机器人及智能装备产业技术研究院有限公司 一种检测地铁车侧巡检图像上工件的位置和类型的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SAMET AKCAY ET AL,: "GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training", 《ACCV 2018》 *
赵冰: "基于深度学习的铁路图像智能分析关键技术研究与应用", 《中国博士学位论文全文数据库（电子期刊）》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115967609A (zh) * 2021-10-11 2023-04-14 中国移动通信集团山东有限公司 内容分发网络故障检测方法和设备
CN115967609B (zh) * 2021-10-11 2024-05-24 中国移动通信集团山东有限公司 内容分发网络故障检测方法和设备
CN113808133A (zh) * 2021-11-19 2021-12-17 西南交通大学 一种基于三维点云的地铁闸瓦故障检测方法
CN117876800A (zh) * 2024-03-11 2024-04-12 成都千嘉科技股份有限公司 一种燃气热水器烟道安全隐患识别的方法
CN117876800B (zh) * 2024-03-11 2024-05-17 成都千嘉科技股份有限公司 一种燃气热水器烟道安全隐患识别的方法

Also Published As

Publication number Publication date
CN113139572B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN113139572B (zh) 一种基于图像的列车空气弹簧的故障检测方法
CN111080598B (zh) 一种钩尾销安全吊的螺栓、螺母缺失检测方法
CN110200598B (zh) 一种大型养殖场体征异常禽类检测系统及检测方法
CN110826538B (zh) 一种用于电力营业厅的异常离岗识别系统
CN106290388B (zh) 一种绝缘子故障自动检测方法
CN111091544B (zh) 铁路货车转向架侧面一体架构断裂故障检测方法
CN111127448B (zh) 一种基于孤立森林检测空气弹簧故障的方法
CN111260629A (zh) 基于图像处理的受电弓结构异常检测算法
CN107084991A (zh) 基于机器视觉的石英棒气泡检测及品质分级方法
CN111275679A (zh) 一种基于图像的太阳能电池缺陷检测系统及方法
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
CN111080691A (zh) 一种光伏组件红外热斑检测方法、装置
CN115294031A (zh) 基于红外热成像分析的光伏组件故障图像识别方法
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
CN116310274A (zh) 一种输变电设备的状态评估方法
CN115063725A (zh) 基于多尺度自适应ssd算法的飞机蒙皮缺陷识别系统
CN110618129A (zh) 一种电网线夹自动检测与缺陷识别方法及装置
CN111597939B (zh) 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN111028250A (zh) 一种实时智能验布方法及系统
CN116188376A (zh) 一种基于孪生神经网络的数码印花步进道检测方法
CN115937555A (zh) 一种基于标准化流模型的工业缺陷检测算法
Huang et al. Mango surface defect detection based on HALCON
CN112330633B (zh) 基于自适应带通滤波的跨接线胶带破损故障图像分割方法
Wang et al. Visual defect detection for substation equipment based on joint inspection data of camera and robot
CN114235810A (zh) 一种基于面阵工业相机的布匹瑕疵自动检测方法

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
GR01 Patent grant
GR01 Patent grant