CN113592860A - 一种基于智能图像处理的轨道线路自动巡检系统 - Google Patents

一种基于智能图像处理的轨道线路自动巡检系统 Download PDF

Info

Publication number
CN113592860A
CN113592860A CN202111132101.0A CN202111132101A CN113592860A CN 113592860 A CN113592860 A CN 113592860A CN 202111132101 A CN202111132101 A CN 202111132101A CN 113592860 A CN113592860 A CN 113592860A
Authority
CN
China
Prior art keywords
defect
image
track
data
unit
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
CN202111132101.0A
Other languages
English (en)
Other versions
CN113592860B (zh
Inventor
王晓鹏
何成虎
戴相龙
李学钧
蒋勇
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.)
Jiangsu Haohan Information Technology Co ltd
Original Assignee
Jiangsu Haohan Information Technology 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 Jiangsu Haohan Information Technology Co ltd filed Critical Jiangsu Haohan Information Technology Co ltd
Priority to CN202111132101.0A priority Critical patent/CN113592860B/zh
Publication of CN113592860A publication Critical patent/CN113592860A/zh
Application granted granted Critical
Publication of CN113592860B publication Critical patent/CN113592860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N20/00—Machine 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
    • G06T2207/20081—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于智能图像处理的轨道线路自动巡检系统，包括图像巡检模块：用于通过同步相机组对火车的线路场景进行图像采集，获取全方位场景图像；数据处理模块：用于将所述全方位场景图像存储在工程车上，并通过无线网络传回设备服务器进行分析；缺陷识别模块：用于通过设备服务器内置的缺陷规程对所述全方位场景图像进行识别，判断是否存在轨道缺陷；预警模块：用于将所述轨道缺陷显示在工业显示器和云平台上，并进行声光报警；闭环自学习模块：用于对识别的轨道缺陷进行统计，并基于机器学习进行训练，根据所述训练结果，更新所述设备服务器内置的缺陷规程。

Description

一种基于智能图像处理的轨道线路自动巡检系统
技术领域
本发明涉及轨道交通技术领域，特别涉及一种基于智能图像处理的轨道线路自动巡检系统。
背景技术
目前，随着轨道交通的快速发展，极大的改善了城市交通拥堵问题，而为了保证车辆的安全运行，在轨道的使用寿命周期内，需要对其进行定期的维护和检修，列检、双周检、三月检等轨道日常检修工作，需要在较短的时间内快速完成。
主要检查对象包括轨道、接触网、障碍物和隧道方面。在现有技术中，会通过运维人员进行人工巡检，虽然存在工程车，不过，工程车的作用大多数只是载人。因此，工程车无辅助巡检功能，而且人工检查存在检查效果差、易遗漏、效率低、作业不安全等问题。
发明内容
本发明提供一种基于智能图像处理的轨道线路自动巡检系统，用以解决人工检查存在检查效果差、易遗漏、效率低、作业不安全，工程车无辅助巡检功能的情况。
一种基于智能图像处理的轨道线路自动巡检系统，包括：
图像巡检模块：用于通过同步相机组对火车的线路场景进行图像采集，获取全方位场景图像；
数据处理模块：用于将所述全方位场景图像存储在工程车上，并通过无线网络传回设备服务器进行分析；
缺陷识别模块：用于通过设备服务器内置的缺陷规程对所述全方位场景图像进行识别，判断是否存在轨道缺陷；
预警模块：用于将所述轨道缺陷显示在工业显示器和云平台上，并进行声光报警；
闭环自学习模块：用于对识别的轨道缺陷进行统计，并基于机器学习进行训练，根据所述训练结果，更新所述设备服务器内置的缺陷规程。
作为本发明的一种实施例：所述图像巡检模块包括：
相机单元：用于预先在轨道运维车上设置同步相机组，进行轨道监测；其中，
所述同步相机组由前视侵限检测相机、顶视接触网检测相机、侧向上视相机和侧向下视相机；
所述同步相机组中相机数量不低于预设最低阀值；
采集模块：用于通过所述同步相机组获取轨道图像；其中，
所述轨道图像包括：线路轨道图像、轨道界限图像、接触网图像和隧道图像；
巡检单元：用于控制所述同步相机组进行重复性的进行火车线路巡检；
场景生成单元：用于根据所述同步相机组采集的轨道图像进行场景搭建，构成全方位场景图像。
作为本发明的一种实施例：所述图像巡检模块还包括以下步骤：
步骤1：设置巡检时间，并通过下式确定巡检时间内采集的轨道图像的综合图像特征：
Figure 146079DEST_PATH_IMAGE001
其中，
Figure 360023DEST_PATH_IMAGE002
表示
Figure 859137DEST_PATH_IMAGE003
时刻的线路轨道图像特征；
Figure 345482DEST_PATH_IMAGE004
表示
Figure 260349DEST_PATH_IMAGE003
时刻的轨道界限图像特征；
Figure 338854DEST_PATH_IMAGE005
表示
Figure 415395DEST_PATH_IMAGE003
时刻的接触网图像特征；
Figure 264402DEST_PATH_IMAGE006
表示
Figure 232227DEST_PATH_IMAGE003
时刻的隧道图像特征；
Figure 889604DEST_PATH_IMAGE007
表示巡检时间；
Figure 589576DEST_PATH_IMAGE008
表示
Figure 863562DEST_PATH_IMAGE003
时刻时获取的图像帧数；
Figure 103920DEST_PATH_IMAGE003
表示巡检的时刻；
步骤2：用于根据所述同步相机组，确定每一时刻每种相机的实际采集特征：
Figure 209279DEST_PATH_IMAGE009
其中，
Figure 627622DEST_PATH_IMAGE010
表示
Figure 641102DEST_PATH_IMAGE003
时刻的前视侵限检测相机采集的前视数据特征；
Figure 373566DEST_PATH_IMAGE011
表示
Figure 520382DEST_PATH_IMAGE003
时刻的顶视接触网检测相机采集的顶视数据特征；
Figure 375206DEST_PATH_IMAGE012
表示
Figure 420522DEST_PATH_IMAGE003
时刻的侧向上视相机采集的侧上数据特征；
Figure 268261DEST_PATH_IMAGE013
表示
Figure 223579DEST_PATH_IMAGE003
时刻的侧向下视相机采集的侧下数据特征；
Figure 498571DEST_PATH_IMAGE014
表示前视侵限检测相机
Figure 31184DEST_PATH_IMAGE003
时刻时获取的图像帧数；
Figure 167767DEST_PATH_IMAGE015
表示顶视接触网检测相机
Figure 292105DEST_PATH_IMAGE003
时刻时获取的图像帧数；
Figure 426415DEST_PATH_IMAGE016
表示侧向上视相机
Figure 367695DEST_PATH_IMAGE003
时刻时获取的图像帧数；
Figure 307969DEST_PATH_IMAGE017
表示侧向下视相机
Figure 96933DEST_PATH_IMAGE003
时刻时获取的图像帧数；
步骤3：根据所述实际采集特征和综合图像特征，通过下式判判断巡检数据是否完全：
Figure 385832DEST_PATH_IMAGE018
其中，
Figure 814408DEST_PATH_IMAGE019
为数据完全的判断阈值区间；当
Figure 355111DEST_PATH_IMAGE020
时，表述巡检的数据完全；当
Figure 201844DEST_PATH_IMAGE021
时，表述巡检的数据不完全。
作为本发明的一种实施例：所述数据处理模块包括：
数据传输单元：用于通过预设的交换机进行数据传输；其中，
所述数据传输包括：同步相机组对工程车上的车载智能分析服务器进行数据传输和车载智能分析服务器对云平台进行数据传输；
网络单元：用于通过云平台的第一交换机和工程车上的第二交换机组成通信网络；其中，
所述通信网络包括：无线网络和有线网络。
作为本发明的一种实施例：所述数据处理模块，还包括：
链路单元：用于在进行轨道线路自动巡检时，监控所述无线网络的工作路径的状态信息，并形成链路和工作路径的相关二部图，确定数据传输的链路集合；
检测单元：用于在所述链路集合的每一条链路上发送检测报文，并在每一条链路的末端设置报文接收点；
链路信息单元：用于根据所述报文接收点接收的报文信息，判断每条传输链路的具体状态信息；
判断单元：用于根据所述具体状态信息，判断数据链路是否连通；其中，
所述连通的数据链路符合下式：
Figure 726891DEST_PATH_IMAGE022
其中，
Figure 393496DEST_PATH_IMAGE023
表示第
Figure 862523DEST_PATH_IMAGE024
条链路在矢量方向为
Figure 298184DEST_PATH_IMAGE025
时的矢量参数；
Figure 522361DEST_PATH_IMAGE026
表示第
Figure 738578DEST_PATH_IMAGE024
条链路在矢量方向为
Figure 558767DEST_PATH_IMAGE027
时的矢量参数；
Figure 363781DEST_PATH_IMAGE028
表示链路数量的最大传输系数；
Figure 447274DEST_PATH_IMAGE029
表示链路数量的最小传输系数；
Figure 75089DEST_PATH_IMAGE030
表示第
Figure 698969DEST_PATH_IMAGE024
条链路在矢量方向为
Figure 437118DEST_PATH_IMAGE025
时的实际矢量参数；
Figure 3097DEST_PATH_IMAGE031
表示第
Figure 69273DEST_PATH_IMAGE024
条链路属于传输链路。
作为本发明的一种实施例：所述缺陷识别模块包括：
缺陷规程设置单元：用于预先设置确定轨道线路的缺陷数据，并进行缺陷分类；
规程设置单元：用于根据所述缺陷分类，按照缺陷类型设置缺陷规程：其中，
所述缺陷规程包括：线路缺陷规程、接触网缺陷规程、隧道缺陷规程和轨道障碍物缺陷规程；
模型构建单元：用于根据所述缺陷规程和全方位场景图像，构建基于神经网络模型的缺陷识别模型；
识别单元：用于将所述全方位场景图像导入所述缺陷识别模型，输出缺陷信息。
作为本发明的一种实施例：所述陷识别模块还包括：
线路缺陷识别单元：用于根据所述全方位场景图像，对轨道线路进行识别，判断是否发生线路缺陷；其中，
所述线路缺陷包括：钢轨裂纹、钢轨擦伤、钢轨缺损、扣配件缺失；
接触网缺陷识别单元：用于根据所述全方位场景图像，对接触网进行识别，判断是否发生接触网缺陷；其中，
所述接触网缺陷包括：接触网烧损、接触网断股、接触网散股和定位起脱落；
隧道缺陷识别单元：用于根据所述全方位场景图像，对隧道进行识别，判断是否发生隧道缺陷；其中，
所述隧道缺陷包括：隧道主体结构缺陷、隧道表面裂缝和隧道渗漏水；
轨道障碍物侵限识别单元：用于根据所述全方位场景图像，对轨道侵限内的物体进行识别，判断是否存在障碍物。
作为本发明的一种实施例：所述缺陷识别模块判断是否存在缺陷，包括如下步骤：
步骤10：用于预先获取轨道缺陷数据，构建缺陷特征模型：
Figure 746111DEST_PATH_IMAGE032
其中，
Figure 745291DEST_PATH_IMAGE033
表示第
Figure 295221DEST_PATH_IMAGE034
个轨道缺陷的缺陷特征；
Figure 160278DEST_PATH_IMAGE035
表示第
Figure 329222DEST_PATH_IMAGE034
个轨道缺陷的权重；
Figure 966264DEST_PATH_IMAGE036
表示第
Figure 421516DEST_PATH_IMAGE034
个轨道缺陷的类型；
Figure 524602DEST_PATH_IMAGE037
表示第
Figure 480925DEST_PATH_IMAGE034
个轨道缺陷的像素级的缺陷参数；
Figure 720277DEST_PATH_IMAGE038
；
Figure 533381DEST_PATH_IMAGE039
表示轨道缺陷的总个数；
步骤20：根据所述全方位场景图像，构建图像识别模型：
Figure 186079DEST_PATH_IMAGE040
其中，
Figure 759143DEST_PATH_IMAGE041
表示全方位场景图像第
Figure 39951DEST_PATH_IMAGE024
个像素点的像素特征；
Figure 40268DEST_PATH_IMAGE042
表示全方位场景图像第
Figure 914683DEST_PATH_IMAGE024
个像素点的位置参数；
Figure 278056DEST_PATH_IMAGE043
表示全方位场景图像第
Figure 492000DEST_PATH_IMAGE024
个像素点的同类型像素点的识别参数；
Figure 646906DEST_PATH_IMAGE044
表示同类型像素点的识别系数；
Figure 883984DEST_PATH_IMAGE045
表示全方位场景图像的面积；
Figure 48118DEST_PATH_IMAGE046
表示全方位场景图像第
Figure 178885DEST_PATH_IMAGE024
个像素点的异常参数；
步骤30：根据所述图像识别模型和缺陷特征模型，通过下式判断全方位场景图像中是否存在缺陷：
Figure 255425DEST_PATH_IMAGE047
其中，
Figure 291383DEST_PATH_IMAGE048
表示第
Figure 682045DEST_PATH_IMAGE034
个轨道缺陷和第
Figure 122778DEST_PATH_IMAGE024
个像素点的复合函数；
Figure 698115DEST_PATH_IMAGE049
表示第
Figure 706523DEST_PATH_IMAGE034
个轨道缺陷的识别函数；
Figure 212459DEST_PATH_IMAGE050
全方位场景图像第
Figure 193185DEST_PATH_IMAGE024
个像素点识别函数；
Figure 126375DEST_PATH_IMAGE051
时，表示全方位场景图像中不存在缺陷；
Figure 684395DEST_PATH_IMAGE052
时，表示全方位场景图像中存在缺陷。
作为本发明的一种实施例：所述预警模块包括：
显示单元：用于将在所述轨道缺陷被识别之后，将对应的轨道缺陷显示在工程车的工业显示器上；
可视化单元：用于对得到的缺陷数据进行统计，并生成可视化图表，并通过工程车的工业显示器进行显示；
报警单元：用于在所述工业显示器，对应生成光电报警。
作为本发明的一种实施例：所述闭环自学习模块：
统计单元：用于对识别的轨道缺陷对应的图片和未能识别的轨道缺陷的图片进行统计，生成统计表；
标记单元：用于对所述未能识别的轨道缺陷的图片进行标记，并设定为训练数据；
训练单元：用于将所述训练数据输入预设的样本训练机器进行自动学习，并输出学习结果；
更新单元：用于根据所述训练结果，生成更新程序包，并通过所述更新程序包更新所述设备服务器内置的缺陷规程。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于智能图像处理的轨道线路自动巡检系统的系统组成图；
图2为本发明实施例中一种基于智能图像处理的轨道线路自动巡检系统设备构成图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如附图1和附图2所示的一种基于智能图像处理的轨道线路自动巡检系统，包括：
图像巡检模块：用于通过同步相机组对火车的线路场景进行图像采集，获取全方位场景图像；
数据处理模块：用于将所述全方位场景图像存储在工程车上，并通过无线网络传回设备服务器进行分析；
缺陷识别模块：用于通过设备服务器内置的缺陷规程对所述全方位场景图像进行识别，判断是否存在轨道缺陷；
预警模块：用于将所述轨道缺陷显示在工业显示器和云平台上，并进行声光报警；
闭环自学习模块：用于对识别的轨道缺陷进行统计，并基于机器学习进行训练，根据所述训练结果，更新所述设备服务器内置的缺陷规程。
上述技术方案的原理在于：本发明的时通过摄像机采集轨道的线路场景图像，从线路轨道、轨道界限、接触网和隧道四个方面进行采集图像数据，然后基于轨道可能发生的缺陷，通过图像识别的方式识别轨道缺陷，并在识别后进行预警。本发明还引入机器学习，通过自学习的轨道缺陷识别行为，实现更精确的缺陷识别。
上述技术方案的有益效果在于：加装图像采集相机、车载智能分析发射器、声光报警器，以及网络设备，实现了对轨道及隧道进行360度无死角图像采集，以及轨道线路、隧道巡检缺陷检测；检测到缺陷时，声光报警器可发出警报声光，提醒工作人员进行现场勘查。
作为本发明的一种实施例：所述图像巡检模块包括：
相机单元：用于预先在轨道运维车上设置同步相机组，进行轨道监测；其中，
所述同步相机组由前视侵限检测相机、顶视接触网检测相机、侧向上视相机和侧向下视相机；
所述同步相机组中相机数量不低于预设最低阀值；
采集模块：用于通过所述同步相机组获取轨道图像；其中，
所述轨道图像包括：线路轨道图像、轨道界限图像、接触网图像和隧道图像；
巡检单元：用于控制所述同步相机组进行重复性的进行火车线路巡检；
场景生成单元：用于根据所述同步相机组采集的轨道图像进行场景搭建，构成全方位场景图像。
上述技术方案的原理在于：本发明在图像巡检方面，通过设置同步的相机进行图像采集，相机包括四种，前视侵限检测相机、顶视接触网检测相机、侧向上视相机和侧向下视相机。而相机数量的预设最低阀值为10；通过采集的图像进行融合，构成最后的全方位场景图像。
上述技术方案的有益效果在于：通过生成全方位场景图像，可以360°无死角的观察轨道线路上是否存在轨道缺陷。
作为本发明的一种实施例：所述图像巡检模块还包括以下步骤：
步骤1：设置巡检时间，并通过下式确定巡检时间内采集的轨道图像的综合图像特征：
Figure 479176DEST_PATH_IMAGE053
其中，
Figure 625992DEST_PATH_IMAGE002
表示
Figure 418499DEST_PATH_IMAGE003
时刻的线路轨道图像特征；
Figure 426996DEST_PATH_IMAGE004
表示
Figure 963150DEST_PATH_IMAGE003
时刻的轨道界限图像特征；
Figure 698894DEST_PATH_IMAGE005
表示
Figure 990198DEST_PATH_IMAGE003
时刻的接触网图像特征；
Figure 522811DEST_PATH_IMAGE006
表示
Figure 174241DEST_PATH_IMAGE003
时刻的隧道图像特征；
Figure 515223DEST_PATH_IMAGE007
表示巡检时间；
Figure 961117DEST_PATH_IMAGE008
表示
Figure 856392DEST_PATH_IMAGE003
时刻时获取的图像帧数；
Figure 48863DEST_PATH_IMAGE003
表示巡检的时刻；步骤1中，为了计算综合图像特征，本发明分别将不同摄像机采集ide图像进行综合计算，生成总图像特征。
步骤2：用于根据所述同步相机组，确定每一时刻每种相机的实际采集特征：
Figure 837828DEST_PATH_IMAGE054
其中，
Figure 470934DEST_PATH_IMAGE010
表示
Figure 837194DEST_PATH_IMAGE003
时刻的前视侵限检测相机采集的前视数据特征；
Figure 315579DEST_PATH_IMAGE011
表示
Figure 411580DEST_PATH_IMAGE003
时刻的顶视接触网检测相机采集的顶视数据特征；
Figure 12326DEST_PATH_IMAGE012
表示
Figure 678931DEST_PATH_IMAGE003
时刻的侧向上视相机采集的侧上数据特征；
Figure 210275DEST_PATH_IMAGE013
表示
Figure 849198DEST_PATH_IMAGE003
时刻的侧向下视相机采集的侧下数据特征；
Figure 810725DEST_PATH_IMAGE014
表示前视侵限检测相机
Figure 292522DEST_PATH_IMAGE003
时刻时获取的图像帧数；
Figure 112710DEST_PATH_IMAGE015
表示顶视接触网检测相机
Figure 917724DEST_PATH_IMAGE003
时刻时获取的图像帧数；
Figure 1218DEST_PATH_IMAGE016
表示侧向上视相机
Figure 891682DEST_PATH_IMAGE003
时刻时获取的图像帧数；
Figure 577879DEST_PATH_IMAGE017
表示侧向下视相机
Figure 988131DEST_PATH_IMAGE003
时刻时获取的图像帧数；
在步骤2中，本发明为了判断摄像状况计算每一种相机在同一时刻采集的特征，用于将每一时刻相机的工作更加清晰，更容易进行数据处理。
步骤3：根据所述实际采集特征和综合图像特征，通过下式判判断巡检数据是否完全：
Figure 22952DEST_PATH_IMAGE018
其中，
Figure 151445DEST_PATH_IMAGE019
为数据完全的判断阈值区间；当
Figure 768896DEST_PATH_IMAGE020
时，表述巡检的数据完全；当
Figure 299235DEST_PATH_IMAGE021
时，表述巡检的数据不完全。
上述技术方案的原理在于：本发明通过对预设时间内应该采集的图像特征和实际采集的图像特征进行分别建模，来反馈图像采集的实际特点和理想特点。最后通过对比，判断是不是轨道的每个地方都采集到了数据。
上述技术方案的有益效果在于：本发明通过判断数据采集的全面性，来对数据进行分析，进而得到更加精确的分析结果。
作为本发明的一种实施例：所述数据处理模块包括：
数据传输单元：用于通过预设的交换机进行数据传输；其中，
所述数据传输包括：同步相机组对工程车上的车载智能分析服务器进行数据传输和车载智能分析服务器对云平台进行数据传输；
网络单元：用于通过云平台的第一交换机和工程车上的第二交换机组成通信网络；其中，
所述通信网络包括：无线网络和有线网络。
上述技术方案的原理在于：数据处理上，本发明将数据传输到工程车上的车载智能分析服务器进行分析，并传输到云平台。构建的无线网络主要是和外界互通。
上述技术方案的有益效果在于：本发明能够快速进行轨道缺陷分析，因为车载智能分析服务器在功能车上，对于缺陷工程运维人员可以及时检修。
作为本发明的一种实施例：所述数据处理模块，还包括：
链路单元：用于在进行轨道线路自动巡检时，监控所述无线网络的工作路径的状态信息，并形成链路和工作路径的相关二部图，确定数据传输的链路集合；
检测单元：用于在所述链路集合的每一条链路上发送检测报文，并在每一条链路的末端设置报文接收点；
链路信息单元：用于根据所述报文接收点接收的报文信息，判断每条传输链路的具体状态信息；
判断单元：用于根据所述具体状态信息，判断数据链路是否连通；其中，
所述连通的数据链路符合下式：
Figure 770536DEST_PATH_IMAGE022
其中，
Figure 120746DEST_PATH_IMAGE023
表示第
Figure 148745DEST_PATH_IMAGE055
条链路在矢量方向为
Figure 782857DEST_PATH_IMAGE025
时的矢量参数；
Figure 379055DEST_PATH_IMAGE026
表示第
Figure 731408DEST_PATH_IMAGE055
条链路在矢量方向为
Figure 235201DEST_PATH_IMAGE027
时的矢量参数；
Figure 536870DEST_PATH_IMAGE028
表示链路数量的最大传输系数；
Figure 618483DEST_PATH_IMAGE029
表示链路数量的最小传输系数；
Figure 943285DEST_PATH_IMAGE030
表示第
Figure 437720DEST_PATH_IMAGE024
条链路在矢量方向为
Figure 797157DEST_PATH_IMAGE025
时的实际矢量参数；
Figure 859791DEST_PATH_IMAGE031
表示第
Figure 655578DEST_PATH_IMAGE024
条链路属于传输链路。
上述技术方案的原理在于：本发明的无线网络会建立多条数据链路，这些数据链路会通过报文来判断是不是存在没有连通的数据链路，进而通过连通的链路进行数据传输。
上述技术方案的有益效果在于：本发明能判断数据链路是否连通，然后根据数据链路进行数据传输，保证数据传输的及时性和有效性。
作为本发明的一种实施例：所述缺陷识别模块包括：
缺陷规程设置单元：用于预先设置确定轨道线路的缺陷数据，并进行缺陷分类；
规程设置单元：用于根据所述缺陷分类，按照缺陷类型设置缺陷规程：其中，
所述缺陷规程包括：线路缺陷规程、接触网缺陷规程、隧道缺陷规程和轨道障碍物缺陷规程；
模型构建单元：用于根据所述缺陷规程和全方位场景图像，构建基于神经网络模型的缺陷识别模型；
识别单元：用于将所述全方位场景图像导入所述缺陷识别模型，输出缺陷信息。
上述技术方案的原理在于：本发明通过设置缺陷规程，就是缺陷识别的规格，基于那些因素判断轨道是不是存在缺陷，进而输出对应的缺陷信息。
上述技术方案的有益效果在于：本发明根据全方位场景图象进行场景识别，因为是基于场景的识别，所以能够更加精确的识别轨道缺陷。
作为本发明的一种实施例：所述陷识别模块还包括：
线路缺陷识别单元：用于根据所述全方位场景图像，对轨道线路进行识别，判断是否发生线路缺陷；其中，
所述线路缺陷包括：钢轨裂纹、钢轨擦伤、钢轨缺损、扣配件缺失；
接触网缺陷识别单元：用于根据所述全方位场景图像，对接触网进行识别，判断是否发生接触网缺陷；其中，
所述接触网缺陷包括：接触网烧损、接触网断股、接触网散股和定位起脱落；
隧道缺陷识别单元：用于根据所述全方位场景图像，对隧道进行识别，判断是否发生隧道缺陷；其中，
所述隧道缺陷包括：隧道主体结构缺陷、隧道表面裂缝和隧道渗漏水；
轨道障碍物侵限识别单元：用于根据所述全方位场景图像，对轨道侵限内的物体进行识别，判断是否存在障碍物。
上述技术方案的原理在于：本发明的轨道缺陷分为，轨道线路、接触网、隧道和障碍物四个方面实现缺陷识别，这些缺陷识别都是基于全方位场景图像。
上述技术方案的有益效果在于：用于将轨道缺陷进行清晰化，进而实现快速且清晰的识别。
作为本发明的一种实施例：所述缺陷识别模块判断是否存在缺陷，包括如下步骤：
步骤10：用于预先获取轨道缺陷数据，构建缺陷特征模型：
Figure 32332DEST_PATH_IMAGE056
其中，
Figure 433227DEST_PATH_IMAGE033
表示第
Figure 604445DEST_PATH_IMAGE034
个轨道缺陷的缺陷特征；
Figure 890457DEST_PATH_IMAGE035
表示第
Figure 602062DEST_PATH_IMAGE034
个轨道缺陷的权重；
Figure 936091DEST_PATH_IMAGE036
表示第
Figure 465161DEST_PATH_IMAGE034
个轨道缺陷的类型；
Figure 251852DEST_PATH_IMAGE037
表示第
Figure 767147DEST_PATH_IMAGE034
个轨道缺陷的像素级的缺陷参数；
Figure 329584DEST_PATH_IMAGE038
；
Figure 45867DEST_PATH_IMAGE039
表示轨道缺陷的总个数；
步骤20：根据所述全方位场景图像，构建图像识别模型：
Figure 382170DEST_PATH_IMAGE057
其中，
Figure 891037DEST_PATH_IMAGE041
表示全方位场景图像第
Figure 871762DEST_PATH_IMAGE055
个像素点的像素特征；
Figure 883581DEST_PATH_IMAGE042
表示全方位场景图像第
Figure 628552DEST_PATH_IMAGE055
个像素点的位置参数；
Figure 626595DEST_PATH_IMAGE043
表示全方位场景图像第
Figure 852040DEST_PATH_IMAGE024
个像素点的同类型像素点的识别参数；
Figure 956131DEST_PATH_IMAGE044
表示同类型像素点的识别系数；
Figure 407972DEST_PATH_IMAGE045
表示全方位场景图像的面积；
Figure 68760DEST_PATH_IMAGE046
表示全方位场景图像第
Figure 70083DEST_PATH_IMAGE024
个像素点的异常参数；
步骤30：根据所述图像识别模型和缺陷特征模型，通过下式判断全方位场景图像中是否存在缺陷：
Figure 299070DEST_PATH_IMAGE047
其中，
Figure 21563DEST_PATH_IMAGE048
表示第
Figure 220463DEST_PATH_IMAGE034
个轨道缺陷和第
Figure 295867DEST_PATH_IMAGE024
个像素点的复合函数；
Figure 7340DEST_PATH_IMAGE049
表示第
Figure 27248DEST_PATH_IMAGE034
个轨道缺陷的识别函数；
Figure 170785DEST_PATH_IMAGE050
全方位场景图像第
Figure 881121DEST_PATH_IMAGE024
个像素点识别函数；
Figure 248648DEST_PATH_IMAGE051
时，表示全方位场景图像中不存在缺陷；
Figure 755853DEST_PATH_IMAGE052
时，表示全方位场景图像中存在缺陷。
上述技术方案的原理在于：本发明在进行缺陷识别的时候采用了对比的方式，因此，首先建立缺陷特征模型，将所有可能出现的缺陷进行统计，建模。此时，只要轨道缺陷在缺陷特征模型之内都能发现。然后建立图像识别模型，图像识别的目的是识别图像中的各种信息，然后将图像识别的结果和可能出现的缺陷带入回归函数，判断出是否存在缺陷。
作为本发明的一种实施例：所述预警模块包括：
显示单元：用于将在所述轨道缺陷被识别之后，将对应的轨道缺陷显示在工程车的工业显示器上；
可视化单元：用于对得到的缺陷数据进行统计，并生成可视化图表，并通过工程车的工业显示器进行显示；
报警单元：用于在所述工业显示器，对应生成光电报警。
上述技术方案的原理在于：本发明产生的轨道缺陷需要进行显示，因此，设置了工业显示器。又因为需要进行缺陷分析，所以设置可可视化图表，便于进行数据统计，并通过报警单元提醒运维人员进行维修轨道缺陷。
作为本发明的一种实施例：所述闭环自学习模块：
统计单元：用于对识别的轨道缺陷对应的图片和未能识别的轨道缺陷的图片进行统计，生成统计表；
标记单元：用于对所述未能识别的轨道缺陷的图片进行标记，并设定为训练数据；
训练单元：用于将所述训练数据输入预设的样本训练机器进行自动学习，并输出学习结果；
更新单元：用于根据所述训练结果，生成更新程序包，并通过所述更新程序包更新所述设备服务器内置的缺陷规程。
上述技术方案的原理在于：因为轨道缺陷会出现一些不可预料的缺陷，这是机器无法发现的，机器只能对比现有缺陷，所以本发明会通过机器学习和标记不能识别的轨道缺陷图片，通过机器学习的训练将不能识别的轨道缺陷更新在设备服务器中。
上述技术方案的有益效果在于：本发明具有自学习功能，能够实现自学习，对没有发现的轨道缺陷进行更新。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，包括：
图像巡检模块：用于通过同步相机组对火车的线路场景进行图像采集，获取全方位场景图像；
数据处理模块：用于将所述全方位场景图像存储在工程车上，并通过无线网络传回设备服务器进行分析；
缺陷识别模块：用于通过设备服务器内置的缺陷规程对所述全方位场景图像进行识别，判断是否存在轨道缺陷；
预警模块：用于将所述轨道缺陷显示在工业显示器和云平台上，并进行声光报警；
闭环自学习模块：用于对识别的轨道缺陷进行统计，并基于机器学习进行训练，根据所述训练结果，更新所述设备服务器内置的缺陷规程；
所述数据处理模块，还包括：
链路单元：用于在进行轨道线路自动巡检时，监控所述无线网络的工作路径的状态信息，并形成链路和工作路径的相关二部图，确定数据传输的链路集合；
检测单元：用于在所述链路集合的每一条链路上发送检测报文，并在每一条链路的末端设置报文接收点；
链路信息单元：用于根据所述报文接收点接收的报文信息，判断每条传输链路的具体状态信息；
判断单元：用于根据所述具体状态信息，判断数据链路是否连通；其中，
所述连通的数据链路符合下式：
Figure 352235DEST_PATH_IMAGE001
其中，
Figure 402230DEST_PATH_IMAGE002
表示第
Figure 189927DEST_PATH_IMAGE003
条链路在矢量方向为
Figure 590952DEST_PATH_IMAGE004
时的矢量参数；
Figure 122297DEST_PATH_IMAGE005
表示第
Figure 479329DEST_PATH_IMAGE003
条链路在矢量方向为
Figure 923079DEST_PATH_IMAGE006
时的矢量参数；
Figure 63598DEST_PATH_IMAGE007
表示链路数量的最大传输系数；
Figure 414945DEST_PATH_IMAGE008
表示链路数量的最小传输系数；
Figure 954380DEST_PATH_IMAGE009
表示第
Figure 569032DEST_PATH_IMAGE003
条链路在矢量方向为
Figure 600442DEST_PATH_IMAGE004
时的实际矢量参数；
Figure 739168DEST_PATH_IMAGE010
表示第
Figure 883841DEST_PATH_IMAGE003
条链路属于传输链路。
2.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述图像巡检模块包括：
相机单元：用于预先在轨道运维车上设置同步相机组，进行轨道监测；其中，
所述同步相机组由前视侵限检测相机、顶视接触网检测相机、侧向上视相机和侧向下视相机；
所述同步相机组中相机数量不低于预设最低阀值；
采集模块：用于通过所述同步相机组获取轨道图像；其中，
所述轨道图像包括：线路轨道图像、轨道界限图像、接触网图像和隧道图像；
巡检单元：用于控制所述同步相机组进行重复性的进行火车线路巡检；
场景生成单元：用于根据所述同步相机组采集的轨道图像进行场景搭建，构成全方位场景图像。
3.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述图像巡检模块还包括以下步骤：
步骤1：设置巡检时间，并通过下式确定巡检时间内采集的轨道图像的综合图像特征：
Figure 187171DEST_PATH_IMAGE011
其中，
Figure 784506DEST_PATH_IMAGE012
表示
Figure 461344DEST_PATH_IMAGE013
时刻的线路轨道图像特征；
Figure 726103DEST_PATH_IMAGE014
表示
Figure 276033DEST_PATH_IMAGE013
时刻的轨道界限图像特征；
Figure 875511DEST_PATH_IMAGE015
表示
Figure 841192DEST_PATH_IMAGE013
时刻的接触网图像特征；
Figure 412988DEST_PATH_IMAGE016
表示
Figure 71503DEST_PATH_IMAGE013
时刻的隧道图像特征；
Figure 236905DEST_PATH_IMAGE017
表示巡检时间；
Figure 992896DEST_PATH_IMAGE018
表示
Figure 966668DEST_PATH_IMAGE013
时刻时获取的图像帧数；
Figure 779772DEST_PATH_IMAGE013
表示巡检的时刻；
步骤2：用于根据所述同步相机组，确定每一时刻每种相机的实际采集特征：
Figure 838995DEST_PATH_IMAGE019
其中，
Figure 661326DEST_PATH_IMAGE020
表示
Figure 958446DEST_PATH_IMAGE013
时刻的前视侵限检测相机采集的前视数据特征；
Figure 942452DEST_PATH_IMAGE021
表示
Figure 754550DEST_PATH_IMAGE013
时刻的顶视接触网检测相机采集的顶视数据特征；
Figure 928042DEST_PATH_IMAGE022
表示
Figure 722079DEST_PATH_IMAGE013
时刻的侧向上视相机采集的侧上数据特征；
Figure 893298DEST_PATH_IMAGE023
表示
Figure 910801DEST_PATH_IMAGE013
时刻的侧向下视相机采集的侧下数据特征；
Figure 825668DEST_PATH_IMAGE024
表示前视侵限检测相机
Figure 143385DEST_PATH_IMAGE013
时刻时获取的图像帧数；
Figure 219926DEST_PATH_IMAGE025
表示顶视接触网检测相机
Figure 727655DEST_PATH_IMAGE013
时刻时获取的图像帧数；
Figure 915054DEST_PATH_IMAGE026
表示侧向上视相机
Figure 87278DEST_PATH_IMAGE013
时刻时获取的图像帧数；
Figure 600299DEST_PATH_IMAGE027
表示侧向下视相机
Figure 592395DEST_PATH_IMAGE013
时刻时获取的图像帧数；
步骤3：根据所述实际采集特征和综合图像特征，通过下式判判断巡检数据是否完全：
Figure 583484DEST_PATH_IMAGE028
其中，
Figure 688844DEST_PATH_IMAGE029
为数据完全的判断阈值区间；当
Figure 28558DEST_PATH_IMAGE030
时，表述巡检的数据完全；当
Figure 852158DEST_PATH_IMAGE031
时，表述巡检的数据不完全。
4.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述数据处理模块包括：
数据传输单元：用于通过预设的交换机进行数据传输；其中，
所述数据传输包括：同步相机组对工程车上的车载智能分析服务器进行数据传输和车载智能分析服务器对云平台进行数据传输；
网络单元：用于通过云平台的第一交换机和工程车上的第二交换机组成通信网络；其中，
所述通信网络包括：无线网络和有线网络。
5.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述缺陷识别模块包括：
缺陷规程设置单元：用于预先设置确定轨道线路的缺陷数据，并进行缺陷分类；
规程设置单元：用于根据所述缺陷分类，按照缺陷类型设置缺陷规程：其中，
所述缺陷规程包括：线路缺陷规程、接触网缺陷规程、隧道缺陷规程和轨道障碍物缺陷规程；
模型构建单元：用于根据所述缺陷规程和全方位场景图像，构建基于神经网络模型的缺陷识别模型；
识别单元：用于将所述全方位场景图像导入所述缺陷识别模型，输出缺陷信息。
6.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述陷识别模块还包括：
线路缺陷识别单元：用于根据所述全方位场景图像，对轨道线路进行识别，判断是否发生线路缺陷；其中，
所述线路缺陷包括：钢轨裂纹、钢轨擦伤、钢轨缺损、扣配件缺失；
接触网缺陷识别单元：用于根据所述全方位场景图像，对接触网进行识别，判断是否发生接触网缺陷；其中，
所述接触网缺陷包括：接触网烧损、接触网断股、接触网散股和定位起脱落；
隧道缺陷识别单元：用于根据所述全方位场景图像，对隧道进行识别，判断是否发生隧道缺陷；其中，
所述隧道缺陷包括：隧道主体结构缺陷、隧道表面裂缝和隧道渗漏水；
轨道障碍物侵限识别单元：用于根据所述全方位场景图像，对轨道侵限内的物体进行识别，判断是否存在障碍物。
7.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述缺陷识别模块判断是否存在缺陷，包括如下步骤：
步骤10：用于预先获取轨道缺陷数据，构建缺陷特征模型：
Figure 656994DEST_PATH_IMAGE032
其中，
Figure 820122DEST_PATH_IMAGE033
表示第
Figure 393055DEST_PATH_IMAGE034
个轨道缺陷的缺陷特征；
Figure 110475DEST_PATH_IMAGE035
表示第
Figure 958214DEST_PATH_IMAGE034
个轨道缺陷的权重；
Figure 710269DEST_PATH_IMAGE036
表示第
Figure 719683DEST_PATH_IMAGE034
个轨道缺陷的类型；
Figure 924399DEST_PATH_IMAGE037
表示第
Figure 516442DEST_PATH_IMAGE034
个轨道缺陷的像素级的缺陷参数；
Figure 388583DEST_PATH_IMAGE038
；
Figure 568897DEST_PATH_IMAGE039
表示轨道缺陷的总个数；
步骤20：根据所述全方位场景图像，构建图像识别模型：
Figure 182281DEST_PATH_IMAGE040
其中，
Figure 388135DEST_PATH_IMAGE041
表示全方位场景图像第
Figure 177099DEST_PATH_IMAGE003
个像素点的像素特征；
Figure 793894DEST_PATH_IMAGE042
表示全方位场景图像第
Figure 176465DEST_PATH_IMAGE003
个像素点的位置参数；
Figure 907048DEST_PATH_IMAGE043
表示全方位场景图像第
Figure 488202DEST_PATH_IMAGE003
个像素点的同类型像素点的识别参数；
Figure 354527DEST_PATH_IMAGE044
表示同类型像素点的识别系数；
Figure 4820DEST_PATH_IMAGE045
表示全方位场景图像的面积；Vj表示全方位场景图像第
Figure 552476DEST_PATH_IMAGE003
个像素点的异常参数；
步骤30：根据所述图像识别模型和缺陷特征模型，通过下式判断全方位场景图像中是否存在缺陷：
Figure 175087DEST_PATH_IMAGE046
其中，
Figure 149997DEST_PATH_IMAGE047
表示第
Figure 287586DEST_PATH_IMAGE034
个轨道缺陷和第
Figure 435670DEST_PATH_IMAGE003
个像素点的复合函数；
Figure 991417DEST_PATH_IMAGE048
表示第
Figure 123845DEST_PATH_IMAGE034
个轨道缺陷的识别函数；
Figure 702725DEST_PATH_IMAGE049
全方位场景图像第
Figure 841451DEST_PATH_IMAGE003
个像素点识别函数；
Figure 986125DEST_PATH_IMAGE050
时，表示全方位场景图像中不存在缺陷；
Figure 365154DEST_PATH_IMAGE051
时，表示全方位场景图像中存在缺陷。
8.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述预警模块包括：
显示单元：用于将在所述轨道缺陷被识别之后，将对应的轨道缺陷显示在工程车的工业显示器上；
可视化单元：用于对得到的缺陷数据进行统计，并生成可视化图表，并通过工程车的工业显示器进行显示；
报警单元：用于在所述工业显示器，对应生成光电报警。
9.如权利要求1所述的一种基于智能图像处理的轨道线路自动巡检系统，其特征在于，所述闭环自学习模块：
统计单元：用于对识别的轨道缺陷对应的图片和未能识别的轨道缺陷的图片进行统计，生成统计表；
标记单元：用于对所述未能识别的轨道缺陷的图片进行标记，并设定为训练数据；
训练单元：用于将所述训练数据输入预设的样本训练机器进行自动学习，并输出学习结果；
更新单元：用于根据所述训练结果，生成更新程序包，并通过所述更新程序包更新所述设备服务器内置的缺陷规程。
CN202111132101.0A 2021-09-27 2021-09-27 一种基于智能图像处理的轨道线路自动巡检系统 Active CN113592860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111132101.0A CN113592860B (zh) 2021-09-27 2021-09-27 一种基于智能图像处理的轨道线路自动巡检系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111132101.0A CN113592860B (zh) 2021-09-27 2021-09-27 一种基于智能图像处理的轨道线路自动巡检系统

Publications (2)

Publication Number Publication Date
CN113592860A true CN113592860A (zh) 2021-11-02
CN113592860B CN113592860B (zh) 2021-12-28

Family

ID=78242194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111132101.0A Active CN113592860B (zh) 2021-09-27 2021-09-27 一种基于智能图像处理的轨道线路自动巡检系统

Country Status (1)

Country Link
CN (1) CN113592860B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114808823A (zh) * 2022-04-28 2022-07-29 南通银烛节能技术服务有限公司 一种清扫车快速清理路面积液的智能控制方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104787084A (zh) * 2015-04-16 2015-07-22 北京交通大学 一种铁路异物侵限检测系统及检测方法
CN110524553A (zh) * 2019-08-28 2019-12-03 佳讯飞鸿（北京）智能科技研究院有限公司 一种铁路货检机器人智能图像分析系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104787084A (zh) * 2015-04-16 2015-07-22 北京交通大学 一种铁路异物侵限检测系统及检测方法
CN110524553A (zh) * 2019-08-28 2019-12-03 佳讯飞鸿（北京）智能科技研究院有限公司 一种铁路货检机器人智能图像分析系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘甲甲等: "基于计算机视觉的轨道扣件缺陷自动检测算法研究", 《铁道学报》 *
张平等: "高速铁路接触网安全巡检系统", 《铁路信息技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114808823A (zh) * 2022-04-28 2022-07-29 南通银烛节能技术服务有限公司 一种清扫车快速清理路面积液的智能控制方法及系统

Also Published As

Publication number Publication date
CN113592860B (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
CN111307823B (zh) 基于边云协同的变电设备典型视觉缺陷检测系统及方法
CN108765894B (zh) 一种桥梁健康状况监测报警系统
WO2020199538A1 (zh) 基于图像监控数据的桥梁关键构件病害预警系统及方法
CN104751603B (zh) 危岩崩塌监测预警系统及方法
CN110807460B (zh) 一种基于图像识别的变电站智能巡视系统及其应用方法
CN111291648A (zh) 一种杆塔图像监测系统
CN102759347B (zh) 一种高铁接触网在线巡检装置、巡检方法以及其检测系统
CN110769195B (zh) 输电线路施工现场违章智能监控识别系统
CN103236181B (zh) 一种基于机器视觉的交通信号灯状态监控系统及方法
CN109409336A (zh) 一种基于图像识别的大雾预警系统及方法
CN210691345U (zh) 一种基于深度学习的云智能安检辅助系统
CN105261079A (zh) 便携式智能电力巡检装置
CN111262341B (zh) 一种杆塔监测系统
CN115220479B (zh) 动静协同的输电线路精细化巡检方法与系统
CN113592860B (zh) 一种基于智能图像处理的轨道线路自动巡检系统
CN114565845A (zh) 一种地下隧道智能巡检系统
CN114972639A (zh) 一种适用于智慧园区的火情监测系统
CN116624225A (zh) 一种隧道病害图片与文字巡检信息实时传输预警系统
CN113776783A (zh) 一种基于巡检机器人的机房服务器故障灯检测方法
CN110533061B (zh) 一种基于云端的远程运维服务平台
CN114529811A (zh) 一种地铁隧道异物的快速自动识别与定位方法
CN104219504A (zh) 地铁视频监控系统的故障检测方法
CN114882682B (zh) 一种高压线缆状态监测平台及监测方法
CN110617856A (zh) 智能运检系统
CN115240152A (zh) 一种基于视频深度学习技术的公路路产路权车载识别系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An automatic track inspection system based on intelligent image processing

Effective date of registration: 20220531

Granted publication date: 20211228

Pledgee: Nantong CIC Financing Guarantee Co.,Ltd.

Pledgor: JIANGSU HAOHAN INFORMATION TECHNOLOGY Co.,Ltd.

Registration number: Y2022980006824

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20230523

Granted publication date: 20211228

Pledgee: Nantong CIC Financing Guarantee Co.,Ltd.

Pledgor: JIANGSU HAOHAN INFORMATION TECHNOLOGY Co.,Ltd.

Registration number: Y2022980006824

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An Automatic Inspection System for Railway Lines Based on Intelligent Image Processing

Effective date of registration: 20230525

Granted publication date: 20211228

Pledgee: Nantong CIC Financing Guarantee Co.,Ltd.

Pledgor: JIANGSU HAOHAN INFORMATION TECHNOLOGY Co.,Ltd.

Registration number: Y2023980041781

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20211228

Pledgee: Nantong CIC Financing Guarantee Co.,Ltd.

Pledgor: JIANGSU HAOHAN INFORMATION TECHNOLOGY Co.,Ltd.

Registration number: Y2023980041781