CN113516629A - Tfds通过作业智能检测系统 - Google Patents
Tfds通过作业智能检测系统 Download PDFInfo
- Publication number
- CN113516629A CN113516629A CN202110527877.6A CN202110527877A CN113516629A CN 113516629 A CN113516629 A CN 113516629A CN 202110527877 A CN202110527877 A CN 202110527877A CN 113516629 A CN113516629 A CN 113516629A
- Authority
- CN
- China
- Prior art keywords
- image
- fault
- module
- vehicle
- type
- 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 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000010365 information processing Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000007689 inspection Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 239000003623 enhancer Substances 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 238000013136 deep learning model Methods 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 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
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
TFDS通过作业智能检测系统,涉及铁路货车故障检测领域。本发明是为了解决目前采用人工现有检测铁路货车部件故障准确率、效率、精度低的问题。本发明所述的TFDS通过作业智能检测系统包括图像采集模块、图像预处理模块、故障自动识别模块、故障信息处理模块。本发明用于一个系统完成铁路货车不同故障的检测并报警。
Description
技术领域
本发明涉及铁路货车故障检测领域,特别涉及TFDS通过作业智能检测系统。
背景技术
在TFDS通过作业中,所涉及的铁路货车部件全部为危及行车安全的部件,一旦发生故障,可能会造成人民群众生命财产的损失。为确保这些重要部件的安全稳定运行,需要对这些部件进行故障检测。
在目前的铁路货车故障检测中,采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗漏等情况,造成漏检、错检的出现,且人工检测的效率、精度和准确率低,从而影响列车的运行安全。
发明内容
本发明目的是为了解决目前采用人工现有检测铁路货车部件故障准确率、效率、精度低的问题,而提出了TFDS通过作业智能检测系统。
TFDS通过作业智能检测系统包括:图像采集模块、图像预处理模块、故障自动识别模块、故障信息处理模块。
图像采集及分析模块,用于采集铁路货车底部和侧部图像,并将所拍摄的图像存入到数据存储服务器中,同时对采集的图像进行分析,获得车轴距信息和车型信息,并将列车轴距信息、车型信息全部存入至存储服务器中;
图像预处理模块,用于对铁路货车进行车型分析、转向架类型识别、车钩类型识别,并在识别后进行图像增强;
图像预处理模块包括:车型分析子模块、转向架类型识别子模块、车钩类型识别子模块、图像增强子模块;
车型分析子模块,用于存储车型均值列表;
转向架类型识别子模块,用于对铁路货车转向架类型进行识别;
车钩类型识别子模块,用于对铁路货车车钩类型进行识别;
图像增强子模块,用于增强铁路货车图像对比度;
图像增强的具体过程:
步骤四一、提取新过车图像车体部分ROI区域,并分别计算每个ROI区域灰度的均值A;
新过车图像为图像采集分析模块采集、分析后的待检测图像;
提取新过车图像车体部分ROI区域采用图像处理技术;
步骤四二、根据图像采集及分析模块中获得车型信息,查看车型均值列表中此辆车型均值B;
步骤四三、计算新过车图像车体部分ROI区域图像的直方图:
新过车图像的灰度值在灰度范围为0至A范围内,则将新过车图像的灰度值压缩或者拉伸至0至B范围内;
新过车图像的灰度值在灰度范围为A至255范围内,则将新过车图像的灰度值压缩或者拉伸到B至255范围;
步骤四四、根据步骤四三的直方图计算出映射曲线C:
其中,x是图像中某一像素点的原始灰度值;
步骤四五、将新过车图像车体部分ROI区域输入,实现图像增强;
故障自动识别模块,用于根据故障的类型分别对丢失类故障、折损类故障、不正位类故障进行识别;
故障信息处理模块,用于将自动识别模块中的全部预警信息整合在一起,并进行相关信息提取,最终将故障信息传至检车平台,供检车工人查看。
本发明的有益效果为:
本发明将智能检测技术应用到铁路货车故障检测中代替人工检测,提高了故障检测精度,采用自适应曲线的方式进行图像增强,提高了故障检测准确率。本发明采用统一一套处理流程,根据故障形态进行分类,运用不同模块对应处理不同的故障,提高了每种故障的检测准确率和检测效率,进而保障了列车的运行安全。
附图说明
图1为TFDS通过作业智能检测系统模块图;
图2为图像预处理流程图;
图3为故障自动识别流程图;
图4为图像增强映射曲线。
具体实施方式
具体实施方式一:本实施方式TFDS通过作业智能检测系统包括:图像采集模块、图像预处理模块、故障自动识别模块、故障信息处理模块。
图像采集模块,用于采集铁路货车底部和侧部高清高分辨图像,并将所拍摄的高清高分辨图像存入到数据存储服务器中,并将列车轴距信息、车型信息全部存入至存储服务器中。
图像预处理模块,用于对铁路货车进行车型分析、转向架类型识别、车钩类型识别,并在识别后进行图像增强;
故障自动识别模块,用于根据故障的类型分别对丢失类故障、折损类故障、不正位类故障进行识别。
故障信息处理模块,用于将自动识别模块中的全部预警信息整合在一起,并进行相关信息提取,最终将故障信息传至检车平台,供检车工人查看。
具体实施方式二:本实施方式与具体实施方式一不同的是:图像采集模块,用于采集铁路货车底部和侧部高清高分辨图像,具体过程为:
在铁路货车底部和侧部分别架设高清高分辨相机,当列车通过时,拍摄高清高分辨图像。
具体实施方式三:本实施方式与具体实施方式一至二不同的是:图像预处理模块包括:车型分析子模块、转向架类型识别子模块、车钩类型识别子模块、图像增强子模块;
车型分析子模块,用于存储车型均值列表;
转向架类型识别子模块,用于对铁路货车转向架类型进行识别;
其中,货车转向架类型包括:K2型转向架、K3型转向架、K4型转向架、K5型转向架、K6型转向架等;
车钩类型识别子模块,用于对铁路货车车钩类型进行识别;
其中,铁路货车车钩类型包括:13型车钩、16型车钩、17型车钩等;
图像增强子模块,用于增强铁路货车图像对比度。
具体实施方式四:本实施方式与具体实施方式一至三不同的是:车型分析子模块,用于存储车型均值列表,具体过程为:
步骤一一、根据铁路货车车型形成货车车型列表;
其中,铁路货车车型包括:棚车、敞车、平车、罐车、粮食车等;
步骤一二、收集每种车型列表中的车型图像选择亮暗适中、对比度清晰的图像;
步骤一三、提取步骤一二收集图像中车体部分ROI区域,并分别计算每个ROI区域灰度的灰度均值,形成车型均值列表;
其中,提取步骤一二收集图像中车体部分ROI区域采用图像处理技术;
步骤一四、将车型均值列表进行存储,作为车型信息的先验知识。
具体实施方式五:本实施方式与具体实施方式一至四不同的是:转向架类型识别子模块,用于对铁路货车转向架类型进行识别,具体过程为:
步骤二一、分别收集各种转向架类型图像作为转向架分类的数据集;
其中,数据集中每种转向架类型的图像个数相等。
步骤二二、对数据集中的所有图像进行特征提取,并将所有特征综合在一起形成特征向量:
其中,采用图像处理的方式进行特征提取;
其中,提取的特征包括:纹理特征、形状特征、梯度特征;
步骤二三、将特征向量输入到支持向量机(SVM)中进行分类。
具体实施方式六:本实施方式与具体实施方式一至五不同的是:车钩类型识别子模块,用于对铁路货车车钩类型进行识别,具体过程为:
步骤三一、分别收集各种车钩类型的图像作为车钩分类的训练集;
其中,每种车钩类型的数据个数相等。
步骤三二、对训练集进行扩增;
其中扩增操作包括:图像旋转、图像平移、添加噪声。
步骤三三、将扩增的训练集输入CNN分类网络中进行车钩类型的分类。
具体实施方式七:本实施方式与具体实施方式一至六不同的是:图像增强子模块,用于增强铁路货车图像对比度,具体过程为:
步骤四一、提取新过车图像车体部分ROI区域,并计算灰度均值记为A;
其中提取新过车图像车体部分ROI区域采用图像处理技术;
步骤四二、根据车型分析子模块得到的车型信息,参照车型均值列表中此辆车型所对应均值记为B;
步骤四三、计算新过车图像车体部分ROI区域图像新过车图像图像的直方图:
在灰度范围为0至A范围的灰度,压缩或者拉伸至0至B范围内;在灰度范围为A至255范围内灰度值压缩或者拉伸到B至255范围;
步骤四四、根据步骤四三的直方图计算出映射曲线C:
其中,x是某一像素点的原始灰度值。
步骤四五、将新过车图像车体部分ROI区域输入映射曲线C,实现图像增强(如图4)。
具体实施方式八:本实施方式与具体实施方式一至七不同的是:故障自动识别模块包括丢失类子模块、折损类子模块、不正位类子模块;
丢失类子模块,用于检测部件是否丢失;
折损类子模块,用于检测部件是否发生折断故障和破损故障;
不正位类子模块,用于检测原有部件是否发生相对于固有位置的偏移。
具体实施方式九:本实施方式与具体实施方式一至八不同的是:丢失类子模块,用于检测部件是否丢失,具体过程为:
将所有待识别部件图像全部放入训练集中,标记不同的部件类别,训练部件的固有形态,得到训练权值,利用深度学习目标检测算法检测部件是否存在,若不存在则进行故障报警。
具体实施方式十:本实施方式与具体实施方式一至九不同的是:折损类子模块,用于检测部件是否发生折断故障和破损故障,具体过程为:
步骤五一、建立目标检测训练集和分类训练集;
目标检测训练集中包含所有待检测故障的所有样本,即历年所有真实的折断故障和破损故障图像;
分类训练集中包含真实的折断故障和破损故障图像和由于干扰导致的误报图像;
步骤五二、分别训练目标检测训练集和分类训练集,得到目标检测的训练权值和分类的训练权值;
步骤五三、使用目标检测程序对折损类故障进行检测,然后通过分类程序去除噪声干扰,即完成破损类故障的识别;
具体实施方式十一:本实施方式与具体实施方式一至十不同的是:不正位类子模块,用于检测原有部件是否发生相对于固有位置的偏移,具体过程为:
采用深度学习模型进行待检测目标分割,将分割出的目标与正常图像做比较,如果发生位置上的不正位则判定为故障;
其中训练集为待识别不正位类模块图像,同时还需模拟各种形式的不正位故障,作为数据集的扩充,以此来保证模型的稳定性。
具体实施方式十二:本实施方式与具体实施方式一至十一不同的是:故障信息处理模块中预警信息包括:故障坐标信息、故障名称信息、车型信息、转向架信息、车钩信息。
Claims (10)
1.TFDS通过作业智能检测系统,其特征在于该系统包括:图像采集模块、图像预处理模块、故障自动识别模块、故障信息处理模块;
所述图像采集及分析模块,用于采集铁路货车底部和侧部图像,并将所拍摄的图像存入到数据存储服务器中,同时对采集的图像进行分析,获得车轴距信息和车型信息,并将列车轴距信息、车型信息全部存入至存储服务器中;
所述图像预处理模块,用于对铁路货车进行车型分析、转向架类型识别、车钩类型识别,并在识别后进行图像增强;
所述图像预处理模块包括:车型分析子模块、转向架类型识别子模块、车钩类型识别子模块、图像增强子模块;
所述车型分析子模块,用于存储车型均值列表;
所述转向架类型识别子模块,用于对铁路货车转向架类型进行识别;
所述车钩类型识别子模块,用于对铁路货车车钩类型进行识别;
所述图像增强子模块,用于增强铁路货车图像对比度;
所述图像增强的具体过程:
步骤四一、提取新过车图像车体部分ROI区域,并计算每个ROI区域灰度的均值A;
所述新过车图像为图像采集分析模块采集、分析后的待检测图像;
所述提取新过车图像车体部分ROI区域采用图像处理技术;
步骤四二、根据图像采集及分析模块中获得车型信息,查看车型均值列表中此辆车型均值B;
步骤四三、计算新过车图像车体部分ROI区域图像的直方图:
新过车图像的灰度值在灰度范围为0至A范围内,则将新过车图像的灰度值压缩或者拉伸至0至B范围内;
新过车图像的灰度值在灰度范围为A至255范围内,则将新过车图像的灰度值压缩或者拉伸到B至255范围;
步骤四四、根据步骤四三的直方图计算出映射曲线C:
其中,x是图像中某一像素点的原始灰度值;
步骤四五、将新过车图像车体部分ROI区域输入,实现图像增强;
所述故障自动识别模块,用于根据故障的类型分别对丢失类故障、折损类故障、不正位类故障进行识别;
所述故障信息处理模块,用于将自动识别模块中的全部预警信息整合在一起,并进行相关信息提取,最终将故障信息传至检车平台,供检车工人查看。
2.根据权利要求1所述的TFDS通过作业智能检测系统,其特征在于:所述图像采集模块,用于采集铁路货车底部和侧部图像,具体过程为:
在铁路货车底部和侧部分别架设相机,当列车通过时,拍摄货车底部和侧部图像。
3.根据权利要求2所述的TFDS通过作业智能检测系统,其特征在于:所述车型分析子模块,用于存储车型均值列表,具体过程为:
步骤一一、根据铁路货车车型形成货车车型列表;
步骤一二、收集每种车型列表中的车型图像选择亮暗适中、对比度清晰的图像;
步骤一三、提取步骤一二收集图像中车体部分ROI区域,并分别计算每个ROI区域的灰度均值,形成车型均值列表;
所述提取步骤一二收集图像中车体部分ROI区域采用图像处理技术;
步骤一四、将车型均值列表进行存储,作为车型信息的先验知识。
4.根据权利要求3所述的TFDS通过作业智能检测系统,其特征在于:所述转向架类型识别子模块,用于对铁路货车转向架类型进行识别,具体过程为:
步骤二一、分别收集各种转向架类型图像作为转向架分类的数据集;
所述数据集中每种转向架类型的图像个数相等。
步骤二二、对数据集中的所有图像进行特征提取,并将所有特征综合在一起形成特征向量:
所述特征特征提取采用图像处理的方式进行;
其中,提取的特征包括:纹理特征、形状特征、梯度特征;
步骤二三、将特征向量输入到支持向量机(SVM)中进行分类。
5.根据权利要求4所述的TFDS通过作业智能检测系统,其特征在于:所述车钩类型识别子模块,用于对铁路货车车钩类型进行识别,具体过程为:
步骤三一、分别收集各种车钩类型的图像作为车钩分类的训练集;
所述各种车钩类型的数据个数相等。
步骤三二、对训练集进行扩增;
所述扩增的操作包括:图像旋转、图像平移、添加噪声;
步骤三三、将扩增的训练集输入CNN分类网络中进行车钩类型的分类。
6.根据权利要求5所述的TFDS通过作业智能检测系统,其特征在于:所述故障自动识别模块包括丢失类子模块、折损类子模块、不正位类子模块;
所述丢失类子模块,用于检测部件是否丢失;
所述折损类子模块,用于检测部件是否发生折断故障和破损故障;
所述不正位类子模块,用于检测原有部件是否发生相对于固有位置的偏移。
7.根据权利要求6所述的TFDS通过作业智能检测系统,其特征在于:所述丢失类子模块,用于检测部件是否丢失,具体过程为:
将所有待识别部件图像全部放入训练集中,标记不同的部件类别,训练部件的固有形态,得到训练权值,利用深度学习目标检测算法检测部件是否存在,若不存在则进行故障报警。
8.根据权利要求7所述的TFDS通过作业智能检测系统,其特征在于:折损类子模块,用于检测部件是否发生折断故障和破损故障,具体过程为:
步骤五一、建立目标检测训练集和分类训练集;
所述目标检测训练集中包含所有待检测故障的样本图像;
所述所有待检测故障的所有样本为历年所有真实的折断故障和破损故障图像;
所述分类训练集中包含真实的折断故障和破损故障图像和由于干扰导致的误报图像;
步骤五二、分别训练目标检测训练集和分类训练集,得到目标检测的训练权值和分类的训练权值;
步骤五三、使用目标检测程序对折损类故障进行检测,然后通过分类程序去除噪声干扰,即完成破损类故障的识别。
9.根据权利要求8所述的TFDS通过作业智能检测系统,其特征在于:所述不正位类子模块,用于检测原有部件是否发生相对于固有位置的偏移,具体过程为:
采用深度学习模型进行待检测目标分割,将分割出的目标与正常图像做比较,如果发生位置上的不正位则判定为故障;
所述训练集为待识别不正位类模块图像,同时还需模拟各种形式的不正位故障,作为数据集的扩充,以此来保证模型的稳定性。
10.根据权利要求9所述的TFDS通过作业智能检测系统,其特征在于:所述故障信息处理模块中预警信息包括:故障坐标信息、故障名称信息、车型信息、转向架信息、车钩信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110527877.6A CN113516629A (zh) | 2021-05-14 | 2021-05-14 | Tfds通过作业智能检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110527877.6A CN113516629A (zh) | 2021-05-14 | 2021-05-14 | Tfds通过作业智能检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516629A true CN113516629A (zh) | 2021-10-19 |
Family
ID=78064414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110527877.6A Pending CN113516629A (zh) | 2021-05-14 | 2021-05-14 | Tfds通过作业智能检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516629A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113946913A (zh) * | 2021-12-20 | 2022-01-18 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路行车故障检测方法、装置、电子设备及存储介质 |
CN114220252A (zh) * | 2021-12-21 | 2022-03-22 | 中国铁路西安局集团有限公司科学技术研究所 | 一种铁路智能货检作业方法及智能作业系统 |
CN115439691A (zh) * | 2022-09-05 | 2022-12-06 | 哈尔滨市科佳通用机电股份有限公司 | Tvds故障自动识别系统 |
CN115879036A (zh) * | 2023-02-15 | 2023-03-31 | 慧铁科技有限公司 | 一种列车缓解阀拉杆故障分析处理的方法 |
CN115973125A (zh) * | 2023-02-15 | 2023-04-18 | 慧铁科技有限公司 | 一种处理铁路货车脱轨自动制动装置故障的方法 |
CN116385953A (zh) * | 2023-01-11 | 2023-07-04 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车敞车车门折页折断故障图像识别方法 |
-
2021
- 2021-05-14 CN CN202110527877.6A patent/CN113516629A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113946913A (zh) * | 2021-12-20 | 2022-01-18 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路行车故障检测方法、装置、电子设备及存储介质 |
CN113946913B (zh) * | 2021-12-20 | 2022-04-15 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路行车故障检测方法、装置、电子设备及存储介质 |
CN114220252A (zh) * | 2021-12-21 | 2022-03-22 | 中国铁路西安局集团有限公司科学技术研究所 | 一种铁路智能货检作业方法及智能作业系统 |
CN115439691A (zh) * | 2022-09-05 | 2022-12-06 | 哈尔滨市科佳通用机电股份有限公司 | Tvds故障自动识别系统 |
CN116385953A (zh) * | 2023-01-11 | 2023-07-04 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车敞车车门折页折断故障图像识别方法 |
CN116385953B (zh) * | 2023-01-11 | 2023-12-15 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车敞车车门折页折断故障图像识别方法 |
CN115879036A (zh) * | 2023-02-15 | 2023-03-31 | 慧铁科技有限公司 | 一种列车缓解阀拉杆故障分析处理的方法 |
CN115973125A (zh) * | 2023-02-15 | 2023-04-18 | 慧铁科技有限公司 | 一种处理铁路货车脱轨自动制动装置故障的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113516629A (zh) | Tfds通过作业智能检测系统 | |
CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN111079819B (zh) | 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 | |
CN110246132A (zh) | 轨道车辆螺栓松动检测方法及系统 | |
CN105260744A (zh) | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统 | |
CN111080603B (zh) | 一种铁路货车轴端螺栓折断故障检测方法 | |
CN111079747A (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
CN111080611A (zh) | 一种铁路货车摇枕弹簧折断故障图像识别方法 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN111080612B (zh) | 一种货车轴承破损检测方法 | |
CN111652295B (zh) | 一种铁路货车钩尾销托梁脱落故障识别方法 | |
CN111862029A (zh) | 一种铁路动车组垂向减震器螺栓部件故障检测方法 | |
CN111080600A (zh) | 一种铁路货车弹簧托板上开口销的故障识别方法 | |
CN111080607B (zh) | 一种基于图像识别的滚动轴承甩油故障检测方法 | |
CN112465706A (zh) | 一种闸口集装箱自动验残方法 | |
CN108508023B (zh) | 一种铁路接触网中接触端部顶紧螺栓的缺陷检测系统 | |
CN112488995A (zh) | 列车自动化检修的智能判伤方法及系统 | |
CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及系统 | |
CN115527170A (zh) | 货车脱轨自动制动装置塞门手把关闭故障识别方法及系统 | |
CN117593290A (zh) | 列车360度动态图像监测系统的螺栓松动检测方法及设备 | |
CN114820626A (zh) | 一种汽车前脸零件配置智能检测方法 | |
CN111080599A (zh) | 一种铁路货车钩提杆的故障识别方法 | |
CN112418323B (zh) | 基于图像处理的铁路货车钩舌销故障检测方法 | |
CN116188449B (zh) | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 | |
CN112102280A (zh) | 铁路货车小部件承挡键螺母松动和丢失故障检测方法 |
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 |