CN113643288B - 一种基于人工智能的起重机车轮控制方法 - Google Patents

一种基于人工智能的起重机车轮控制方法 Download PDF

Info

Publication number
CN113643288B
CN113643288B CN202111192860.6A CN202111192860A CN113643288B CN 113643288 B CN113643288 B CN 113643288B CN 202111192860 A CN202111192860 A CN 202111192860A CN 113643288 B CN113643288 B CN 113643288B
Authority
CN
China
Prior art keywords
wheel
degree
occlusion
risk
speed
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.)
Active
Application number
CN202111192860.6A
Other languages
English (en)
Other versions
CN113643288A (zh
Inventor
夏群英
杨彩红
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.)
Qidong Delishen Lifting And Transportation Machinery Co ltd
Original Assignee
Qidong Delishen Lifting And Transportation Machinery 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 Qidong Delishen Lifting And Transportation Machinery Co ltd filed Critical Qidong Delishen Lifting And Transportation Machinery Co ltd
Priority to CN202111192860.6A priority Critical patent/CN113643288B/zh
Publication of CN113643288A publication Critical patent/CN113643288A/zh
Application granted granted Critical
Publication of CN113643288B publication Critical patent/CN113643288B/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66C—CRANES; LOAD-ENGAGING ELEMENTS OR DEVICES FOR CRANES, CAPSTANS, WINCHES, OR TACKLES
    • B66C13/00—Other constructional features or details
    • B66C13/18—Control systems or devices
    • B66C13/48—Automatic control of crane drives for producing a single or repeated working cycle; Programme control
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Automation & Control Theory (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Control And Safety Of Cranes (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的起重机车轮控制方法。该方法首先获取起重车每个车轮的轮轨接触面的第一图像，并得到踏面接触边缘图；根据踏面接触边缘图得到融合边缘图及其对应的横移程度和咬合风险程度，将横移程度大于预设横移阈值的融合边缘图输入第一风险网络得到危险速度；将横移程度小于预设横移阈值的融合边缘图输入第二风险网络输出安全速度；第二风险网络的损失函数为差速损失项、经验损失项和速度损失项之和。本发明利用了控制双主动轮的速度差来反向抵消咬合风险程度和横移偏差，达到减少咬合事件发生的目的。

Description

一种基于人工智能的起重机车轮控制方法
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的起重机车轮控制方法。
背景技术
桥式起重机作为机车、车辆检修的一项重要设备，在铁路运输企业中得到广泛的应用。桥式起重机的车轮在轨道上运行时车轮与轨道发生磨损，导致车轮踏面和轨道行车面发生变形，进而导致轮轨接触面发生变化，使车轮和轨道发生横移，车轮轮缘接触车轨，产生挤压，这种情况称为车轮咬轨，车轮咬轨会导致车轮和轨道发生磨损。如果存在车轮轮缘偏磨的隐患，轻则毁坏设备，重则引起伤亡事故，故必须重视车轮轮缘偏磨的处理。
目前，对于起重机车轮轮缘偏磨咬合情况的控制检测采用实时监测每个车轮踏面磨损量的变化，监测车轮踏面磨损量变化的方法，不能评估车轮发生咬合的咬合风险程度，且只有当磨损量达到阈值时才能够检测到车轮的磨损状态，且无法在车轮咬合初期就避免咬合事件的发生。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的起重机车轮控制方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于人工智能的起重机车轮控制方法，该方法包括以下步骤：
分别获取起重机每个车轮的轮轨接触面的第一图像，检测所述第一图像得到所述轮轨接触面中踏面和行车面的踏面接触边缘图；
获取所述踏面接触边缘图中踏面和行车面的接触边缘，对所述接触边缘上的像素点进行主成分分析得到主方向单位向量；根据所述踏面接触边缘图和所述接触边缘的所述主方向单位向量得到横移程度；根据所述主方向单位向量和预设单位向量的相似度得到咬合概率，由所述咬合概率和所述横移程度计算咬合风险程度；根据所述踏面接触边缘图得到融合边缘图及其对应的横移程度；将所述横移程度大于预设横移阈值的所述融合边缘图输入第一风险网络得到危险速度；将所述横移程度小于预设横移阈值的所述融合边缘图输入第二风险网络输出安全速度；
所述第二风险网络的损失函数为差速损失项、经验损失项和速度损失项之和；所述差速损失项为双主动轮之间的速度差和所述咬合风险程度的完全平方差；所述经验损失项由车轮的实时速度和所述危险速度的绝对差值得到；所述速度损失项为所述实时速度和车轮的平均速度的完全平方差。
优选的，所述踏面接触边缘图的获取方法，包括：
利用语义分割网络获取所述第一图像中的车轮感兴趣区域和轨道感兴趣区域；
检测所述车轮感兴趣区域的轮廓作为踏面边缘、所述轨道感兴趣区域的轮廓作为行车面边缘，得到踏面接触边缘图。
优选的，所述根据所述踏面接触边缘图得到融合边缘图，包括：
堆叠同一时间段内所有车轮的所述踏面接触边缘图，得到融合边缘图。
优选的，所根据所述踏面接触边缘图和所述接触边缘的所述主方向单位向量得到横移程度，包括：
获取所述踏面接触边缘图中所述踏面边缘的中心坐标和所述行车面边缘的中心坐标的位移向量；根据所述位移向量和所述主方向单位向量得到横移程度。
优选的，所述对所述接触边缘上的像素点进行主成分分析得到主方向单位向量，包括：
对所述接触边缘上的所有像素点进行主成分分析得到两个主成分单位向量；将每个像素点对应的像素坐标在两个所述主成分单位向量上进行投影得到两个投影方差，将较大的所述投影方差对应的主成分单位向量作为主方向单位向量。
优选的，所述由所述咬合概率和所述横移程度计算咬合风险程度，包括：
将所述咬合概率和所述横移程度相乘得到初始咬合程度；对所述咬合概率、所述横移程度和对应的所述初始咬合程度进行直线拟合，得到拟合直线的斜率；
根据所述咬合概率、所述横移程度和所述斜率得到咬合风险程度。
优选的，所述根据所述咬合概率、所述横移程度和所述斜率得到咬合风险程度，包括：
所述咬合风险程度的计算公式为：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
为第
Figure 100002_DEST_PATH_IMAGE006
个车轮的所述咬合风险程度；
Figure 100002_DEST_PATH_IMAGE008
为第
Figure 667904DEST_PATH_IMAGE006
个车轮的所述咬合概率；
Figure 100002_DEST_PATH_IMAGE010
为第
Figure 384407DEST_PATH_IMAGE006
个车轮的所述横移程度；
Figure 100002_DEST_PATH_IMAGE012
为第
Figure 347814DEST_PATH_IMAGE006
个车轮的所述斜率。
优选的，所述第一风险网络的损失函数采用均方差损失函数。
本发明实施例至少具有如下有益效果：
本发明实施例利用人工智能技术，首先获取每个车轮的轮轨接触面的第一图像以及踏面接触边缘图，将踏面接触边缘图进行堆叠得到融合边缘图，并获取各融合边缘图对应的横移程度和咬合风险程度，可以通过横移程度和咬合风险程度来反映车轮和轨道发生咬合事件的风险大小。将横移程度大于预设横移阈值的融合边缘图输入第一风险网络输出危险速度，使得当采集到的融合边缘图像还没有发生磨损咬合时，输入该融合边缘图像即可得到危险速度，该危险速度为可能会导致轮轨发生磨损咬合时的速度；将横移程度小于预设横移阈值的融合边缘图像输入第二风险网络输出安全速度。该第二风险网络的损失函数为差速损失项、经验损失项和速度损失项之和。通过计算接触边缘的横移程度和咬合风险程度，控制双主动轮之间的速度差来反向抵消咬合风险程度和横移偏差，达到减少咬合事件发生的目的，且可以通过实时采集数据，提高咬合风险程度的实时性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明一个实施例所提供的一种基于人工智能的起重机车轮控制方法的方法流程图；
图2为本发明一个实施例所提供的咬合风险程度的获取方法的方法流程图；
图3为本发明一个实施例所提供的根据咬合概率和横移程度得到咬合风险程度的方法流程图；
图4为本发明一个实施例所涉及的踏面接触边缘图的示意图；
图5为本发明一个实施例所涉及的不同时刻的初始咬合程度的散点拟合的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的起重机车轮控制方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了一种基于人工智能的起重机车轮控制方法的具体实施方法，该方法适用于起重机车轮控制场景。本发明实施例中起重机的车轮共有四个，其中有两个主动轮和两个从动轮，其中主动轮上有独立的电机可以控制车轮的速度，而从动轮无电机控制。将这四个车轮作为一组车轮组。给每个车轮均安装一个相机，该相机为灰度相机，该相机朝向车轮所在的方向。请参阅图4，相机平视车轮80与轨道90的轮轨接触面，其轮轨接触面即为车轮的踏面30与轨道的行车面70的相互接触的面，也可以说相机平视车轮与轨道的接触边缘，使得轮轨接触面在图像中呈一条水平线，其接触边缘也即踏面30的边缘和行车面70的边缘相重合的边缘。相机视野中不仅有车轮与轨道的轮轨接触面，还包含车轮的左轮缘50和右轮缘60。其中，对于车轮来说，与轨道接触的面称为踏面30；对于轨道来说，与车轮接触的面称为行车面70；车轮与轨道之间的缝隙称为轮缘与轨道之间的间隙40。为了解决无法在车轮咬合初期通过控制车轮的速度来减少咬合事件的发生的问题，本发明实施例采用了通过计算接触边缘的横移程度和咬合风险程度，控制双主动轮之间的速度差来反向抵消咬合风险程度和横移偏差，达到减少咬合事件发生的目的，且可以通过实时采集数据，提高咬合风险程度的实时性和准确性。
下面结合附图具体的说明本发明所提供的一种基于人工智能的起重机车轮控制方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的起重机车轮控制方法的步骤流程图，该方法包括以下步骤：
步骤S100，分别获取起重机每个车轮的轮轨接触面的第一图像，检测第一图像得到轮轨接触面中踏面和行车面的踏面接触边缘图。
在车轮运行过程中，车轮与轨道的长时间接触会导致磨损变形，使得两者的轮轨接触面的受力不再是竖直向上的支持力，车轮相对于轨道发生横移，存在车轮左右轮缘与轨道相接触导致咬轨的情况发生。
将一台起重机的多个车轮合称为车轮组。本发明实施例通过控制车轮组中各车轮的速度，在车轮和轨道磨损变形的情况下，改变主动轮的速度，使得车轮组反向倾斜，抵消车轮横移，尽可能减少或者减轻咬轨情况。在本发明实施例中，车轮组共包括四个车轮，两个主动轮和两个从动轮，主动轮有独立的电机控制其速度，而从动轮无电机控制。
首先，给每个车轮均安装一个相机，相机朝向车轮所在的方向，使得相机能够平视车轮与轨道的轮轨接触面，其轮轨接触面即为车轮的踏面与轨道的行车面的相互接触的面，也可以说相机平视车轮与轨道的接触边缘，使得轮轨接触面在图像中呈一条水平线，其接触边缘也即车轮的踏面边缘和轨道的行车面边缘相重合的边缘。请参阅图4，相机视野中不仅包含轮轨接触面，即踏面30与行车面70的接触面，且还包含车轮的左轮缘50和右轮缘60。该相机为灰度相机，采集到的图像为灰度图像。
获取每个车轮的轮轨接触面的第一图像，该第一图像中包含车轮和轨道，且第一图像为灰度图。利用语义分割网络获取车轮语义区域和轨道语义区域，将车轮语义区域作为车轮感兴趣区域、将轨道语义区域作为轨道感兴趣区域。将检测到的车轮感兴趣区域的轮廓作为踏面边缘，将轨道感兴趣区域的轮廓作为行车面边缘，得到了踏面接触边缘图以及车轮和轨道的接触边缘，该接触边缘为踏面边缘和行车面边缘重合的边缘。其中，语义分割网络是公知技术，常用的语义分割网络有MaskRCNN、DeepLabV3等，在此不再赘述。
步骤S200，获取所述踏面接触边缘图中踏面和行车面的接触边缘，对所述接触边缘上的像素点进行主成分分析得到主方向单位向量；根据所述踏面接触边缘图和所述接触边缘的所述主方向单位向量得到横移程度；根据所述主方向单位向量和预设单位向量的相似度得到咬合概率，由所述咬合概率和所述横移程度计算咬合风险程度；根据所述踏面接触边缘图得到融合边缘图及其对应的横移程度；将横移程度大于预设横移阈值的融合边缘图输入第一风险网络得到危险速度；将横移程度小于预设横移阈值的融合边缘图输入第二风险网络输出安全速度。
其中，踏面接触边缘图是在任意历史时刻下采集的任意车轮的踏面接触边缘图。
请参阅图2，咬合风险程度的获取步骤为：
步骤S210，获取踏面边缘和行车面边缘的接触边缘；对接触边缘上的像素点进行主成分分析得到主方向单位向量。
其中，获取踏面接触边缘图中所有像素点的像素坐标，对踏面接触边缘图中的接触边缘上所有的像素点进行主成分分析，得到两个主成分单位向量，这两个主成分单位向量表示接触边缘的两个主成分方向；将接触边缘上每个像素点的像素坐标在两个主成分单位向量上进行投影得到两个投影方差，将较大的投影方差对应的主成分单位向量作为主方向单位向量
Figure DEST_PATH_IMAGE014
。
主方向单位向量
Figure 519908DEST_PATH_IMAGE014
就是接触边缘上像素点的主要分布方向，即当车轮和轨道没有磨损变形时，接触边缘应该是水平的，此时的主方向单位向量
Figure 531857DEST_PATH_IMAGE014
是一个水平方向的单位向量。但是由于车轮和轨道的磨损变形，会导致接触边缘不再是水平的，而是向斜上或者向斜下发生倾斜的，即导致主方向单位向量
Figure 780829DEST_PATH_IMAGE014
可能存在垂直分量，主方向单位向量不再是水平的，而是斜向上或斜向下的。
步骤S220，根据主方向单位向量和预设单位向量的相似度得到咬合概率。
将预设单位向量记为
Figure DEST_PATH_IMAGE016
，主方向单位向量
Figure 915138DEST_PATH_IMAGE014
和预设单位向量
Figure 731785DEST_PATH_IMAGE016
之间的相似度用两个向量的内积来表征。在本发明实施例中预设单位向量在像素坐标系中的坐标为（1,0），该预设单位向量的方向与坐标原点指向横轴正方向的方向相同。
该第
Figure 780381DEST_PATH_IMAGE006
个车轮的咬合概率
Figure 631662DEST_PATH_IMAGE008
的计算公式为：
Figure DEST_PATH_IMAGE018
其中，
Figure 573424DEST_PATH_IMAGE014
为第
Figure 893678DEST_PATH_IMAGE006
个车轮的接触边缘的主方向单位向量；
Figure 480386DEST_PATH_IMAGE016
为预设单位向量；
Figure DEST_PATH_IMAGE020
为主方向单位向量和预设单位向量在二维直角坐标系的夹角；当夹角
Figure DEST_PATH_IMAGE022
时，即主方向单位向量为以坐标原点指向原点右斜向上的方向作为主方向单位向量的方向，表示这两个向量的夹角为正的锐角；当夹角
Figure DEST_PATH_IMAGE024
时，即主方向单位向量为以坐标原点指向原点右斜向下的方向作为主方向单位向量的方向，表示这两个向量的夹角为负的锐角。
Figure DEST_PATH_IMAGE026
越小说明车轮和轨道的接触边缘越不水平，轮轨咬合的可能性就越大，即咬合概率
Figure 516999DEST_PATH_IMAGE008
的绝对值越大。其中，咬合概率
Figure 914483DEST_PATH_IMAGE008
的取值是有正负之分的，当咬合概率取正值时，咬合概率的值越大说明主方向单位向量向斜上方越倾斜，此时车轮的右轮缘咬合的概率大；当咬合概率取负值时，咬合概率的绝对值越大说明主方向单位向量向斜下方越倾斜，此时车轮的左轮缘咬合的概率大，即咬合概率的正负表征的是接触边缘倾斜的方向。
步骤S230，根据咬合概率和横移程度得到咬合风险程度。
其中横移程度的获取方法为：请参阅图4，获取踏面30的边缘的所有像素坐标的中心坐标和行车面70的边缘的所有像素坐标的中心坐标之间的位移向量
Figure DEST_PATH_IMAGE028
，根据位移向量和主方向单位向量得到横移程度。则该第
Figure 548464DEST_PATH_IMAGE006
个车轮的横移程度
Figure 971486DEST_PATH_IMAGE010
的计算公式为：
Figure DEST_PATH_IMAGE030
其中，
Figure 761807DEST_PATH_IMAGE028
为第
Figure 595771DEST_PATH_IMAGE006
个车轮的踏面边缘和行车面边缘中心坐标的位移向量；为第
Figure 625038DEST_PATH_IMAGE006
个车轮的接触边缘的主方向单位向量。
在横移程度
Figure 569860DEST_PATH_IMAGE010
的计算公式中，
Figure DEST_PATH_IMAGE032
表示中心坐标的位移向量
Figure 846645DEST_PATH_IMAGE028
和主方向单位向量
Figure 117089DEST_PATH_IMAGE014
的内积；如果中心坐标的位移向量
Figure 132188DEST_PATH_IMAGE028
垂直于主方向单位向量
Figure 615122DEST_PATH_IMAGE014
，说明车轮和轨道的中心是对齐的，即车轮相对于轨道没有发生横移；如果中心坐标的位移向量与主方向单位向量不是垂直的，那么说明车轮中心相对于轨道中心发生了横移。
Figure 166320DEST_PATH_IMAGE032
的绝对值越大说明车轮相对于轨道所发生的横移就越大，那么车轮的右轮缘或左轮缘就越靠近轨道，越容易咬合。
当
Figure DEST_PATH_IMAGE034
时，说明车轮相对于轨道向右发生了横移，导致左轮缘由于向右横向移动而靠近轨道，即左轮缘可能会发生咬合，此时
Figure 17837DEST_PATH_IMAGE032
越大，横移程度
Figure 21696DEST_PATH_IMAGE010
取负号且
Figure 573900DEST_PATH_IMAGE010
的绝对值就越大，说明车轮向右的横移量就越大。当
Figure DEST_PATH_IMAGE036
时，说明车轮相对于轨道向左发生了横移，导致右轮缘由于向左横向移动而靠近轨道，即右轮缘可能会发生咬合，此时
Figure DEST_PATH_IMAGE038
越大，
Figure 884665DEST_PATH_IMAGE010
取正号且
Figure 14688DEST_PATH_IMAGE010
的绝对值就越大，说明车轮向左的横移量就越大，即横移程度的正负表征的是车轮向左或者向右发生横移。
因此当咬合概率
Figure 240264DEST_PATH_IMAGE008
和横移程度
Figure 596159DEST_PATH_IMAGE010
的绝对值越大说明车轮的右轮缘或左轮缘的咬合概率和横移程度大。当咬合概率
Figure 354906DEST_PATH_IMAGE008
和横移程度
Figure 606895DEST_PATH_IMAGE010
都为正号时，说明车轮的右轮缘的咬合概率大，且右轮缘由于横移而靠近轨道，右轮缘可能出现咬合风险，咬合风险即发生咬合事件的风险。当咬合概率
Figure 585347DEST_PATH_IMAGE008
和横移程度
Figure 725691DEST_PATH_IMAGE010
都为负号时，说明车轮的左轮缘的咬合概率大，且左轮缘由于横移而靠近轨道，左轮缘可能出现咬合风险。当咬合概率
Figure 355256DEST_PATH_IMAGE008
和横移程度
Figure 794459DEST_PATH_IMAGE010
一正一负时，说明轮缘虽然咬合概率大，但是该轮缘由于横移相对远离轨道，即咬合风险就较小。即
Figure DEST_PATH_IMAGE040
越大说明左轮缘或右轮缘的咬合风险就越大，
Figure 821058DEST_PATH_IMAGE040
越小则两个轮缘的咬合风险就越小。
重复获取多个时刻采集到的踏面接触边缘图的咬合概率和横移程度。
请参阅图3，其中，根据咬合概率和横移程度得到咬合风险程度的步骤，进一步包括：
步骤S231，将咬合概率和横移程度相乘得到初始咬合程度；对咬合概率、横移程度和对应的初始咬合程度进行直线拟合，得到拟合直线的斜率。
设任意时刻t，获取时刻t之前的相邻的K个时刻的踏面接触边缘图对应的咬合概率和横移程度构建序列，其中相邻的K个时刻包含时刻t，在本发明实施例中K的取值为5，在其他实施例中实施者可根据实际情况调整该取值。该序列记为：
Figure DEST_PATH_IMAGE042
，其中
Figure DEST_PATH_IMAGE044
表示这相邻的K个时刻中第k个时刻的踏面接触边缘图对应的咬合概率；
Figure DEST_PATH_IMAGE046
表示这相邻的K个时刻中第k个时刻的踏面接触边缘图对应的横移程度。将咬合概率和横移程度相乘得到初始咬合程度
Figure 256106DEST_PATH_IMAGE040
，由初始咬合程度构建序列
Figure DEST_PATH_IMAGE048
。
Figure DEST_PATH_IMAGE050
表示该序列的第k个元素的取值，即
Figure DEST_PATH_IMAGE052
的取值。请参阅图5，以时刻k为横轴、以初始咬合程度为纵轴建立直角坐标系，将序列
Figure DEST_PATH_IMAGE054
中的元素在直角坐标系中进行描点，序列
Figure 32520DEST_PATH_IMAGE054
中的元素即为各初始咬合程度，利用最小二乘法根据序列
Figure 157471DEST_PATH_IMAGE054
中对应的散点进行直线拟合，得到以时刻k为自变量、以初始咬合程度
Figure 844935DEST_PATH_IMAGE052
为因变量的
Figure DEST_PATH_IMAGE056
直线方程以及该拟合直线方程的斜率。
步骤S232，根据咬合概率、横移程度和拟合直线斜率得到咬合风险程度。
若拟合直线方程的斜率为负值，则说明随着时间的推移初始咬合程度
Figure 657908DEST_PATH_IMAGE040
逐渐减小，咬合风险也随之降低；若拟合直线方程的斜率为正值，则说明随着时间的推移初始咬合程度
Figure 747218DEST_PATH_IMAGE040
逐渐增大，咬合风险也随之增大。故用拟合直线方程的斜率调节咬合风险程度的权重，将
Figure DEST_PATH_IMAGE058
作为权重，当斜率
Figure 623164DEST_PATH_IMAGE012
为负值时，则的值在（0,1）之间，即为咬合风险程度分配较小的权重。当斜率
Figure 797924DEST_PATH_IMAGE012
为正值时，则
Figure 837425DEST_PATH_IMAGE058
的值则大于1，即为咬合风险程度分配较大的权重。
初始咬合程度
Figure 14197DEST_PATH_IMAGE040
越大说明车轮的某个轮缘越可能发生咬合事件。需要说明的是初始咬合程度
Figure 480950DEST_PATH_IMAGE040
的取值可以为负值，初始咬合程度为负值说明咬合概率和横移程度的正负号不同，说明某个轮缘因横移靠近轨道，但是咬合概率小，能够防止该轮缘继续进一步靠近轨道，使得咬合风险较小；也说明某个轮缘咬合概率大，有靠近轨道的可能性，但是该轮缘因横移而远离轨道，即便有靠近轨道的可能性但是咬合风险较小。为了将初始咬合程度
Figure 143007DEST_PATH_IMAGE040
映射为大于0的数值，且想要反映出初始咬合程度
Figure 455040DEST_PATH_IMAGE040
为负值时咬合风险程度无限接近于0，故用
Figure DEST_PATH_IMAGE060
进行映射。
该第
Figure 624334DEST_PATH_IMAGE006
个车轮的咬合风险程度
Figure 776836DEST_PATH_IMAGE004
的计算公式为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 896495DEST_PATH_IMAGE008
为第
Figure 762951DEST_PATH_IMAGE006
个车轮的咬合概率；
Figure 930627DEST_PATH_IMAGE010
为第
Figure 988450DEST_PATH_IMAGE006
个车轮的横移程度；
Figure 608788DEST_PATH_IMAGE012
为第
Figure 544514DEST_PATH_IMAGE006
个车轮对应的拟合直线的斜率。
当咬合风险程度
Figure 836472DEST_PATH_IMAGE004
为正值时，说明是车轮相对于轨道向左发生了横移，导致右轮缘由于向左横向移动而靠近轨道引起的右轮缘咬合；当咬合风险程度
Figure 550350DEST_PATH_IMAGE004
为负值时，说明是车轮相对于轨道向右发生了横移，导致左轮缘由于向右横向移动而靠近轨道引起的左轮缘咬合。
给定任意时刻的车轮和轨道的接触边缘即可得到该时刻的车轮对应的咬合风险程度。
堆叠同一时间段内所有车轮的踏面接触边缘图，得到融合边缘图，具体的：
先获取任意时刻t时的任意车轮i的踏面接触边缘图，并获取前K个时刻的踏面接触边缘图，其中相邻的K个时刻包含时刻t。将这K个踏面接触边缘图依次堆叠在一起，构成一个K通道的图像
Figure DEST_PATH_IMAGE062
。分别获取每个车轮对应的K通道图像，将图像
Figure DEST_PATH_IMAGE064
依次堆叠在一起，由于在本发明实施例中K的取值为5，故构成一个5×N通道的图像，作为融合边缘图。
随着起重机的运行，可以实时采集到大量的融合边缘图，且每获取一张融合边缘图就可以获取车轮组中每个车轮的横移程度、咬合风险程度以及车轮组中每个车轮当前的实时速度。当车轮组中任意一个车轮的横移程度大于预设横移阈值时，则认为该时刻车轮会发生咬合事件。将横移程度大于预设横移阈值的融合边缘图像作为危险边缘图像，构成危险边缘图像集合S1；将横移程度小于预设横移阈值的融合边缘图像作为安全边缘图像，构成安全边缘图像集合S2。在本发明实施例中预设横移阈值为
Figure DEST_PATH_IMAGE066
，请参阅图4所示，
Figure DEST_PATH_IMAGE068
为轮缘与轨道之间的间隙。
其中，第一风险网络的训练过程包括：将危险边缘图像作为输入样本图片，将实时速度作为样本标签，将样本图片和样本标签作为训练数据输入第一风险网络，使得将危险边缘图像输入第一风险网络输出车轮组中所有主动轮的实时速度，危险边缘图像即为横移程度大于预设横移阈值的融合边缘图像，将输出实时速度作为可能会发生咬合事件的危险速度。在本发明实施例中第一风险网络的损失函数采用均方差损失函数，该第一风险网络为DNN深度神经网络。
其中，第二风险网络的训练过程包括：将安全边缘图像作为输入样本图片，将实时速度作为样本标签，将样本图片和样本标签作为训练数据输入第二风险网络，使得将安全边缘图像输入第二风险网络输出车轮组中所有主动轮的实时速度，安全边缘图像即为横移程度小于预设横移阈值的融合边缘图像，将输出的实时速度作为减少发生咬合事件的安全速度。在本发明实施例中该第二风险网络为DNN深度神经网络。
将安全边缘图像输入第二风险网络输出实时速度，即输出两个主动轮的实时速度。
第二风险网络的损失函数为差速损失项、经验损失项和速度损失项之和；差速损失项为双主动轮之间的速度差和咬合风险程度的完全平方差；经验损失项由车轮的实时速度和危险速度的绝对差值得到；速度损失项为实时速度和车轮的平均速度的完全平方差。
其中，将双主动轮的实时速度的速度差记为
Figure DEST_PATH_IMAGE070
，该速度差越大，则同一车轮组的车轮越可能发生倾斜，因为对于处于同一水平线的两个车轮，若两个车轮的行驶速度不同，会导致车轮向一侧倾斜并使得车轮发生横移。故可以通过让两个主动轮保持合适的速度差，使车轮组的车轮倾斜达到通过反向横移来抵消车轮原有的横移，速度差产生的反向横移和车轮的的咬合风险程度相关。当速度差
Figure DEST_PATH_IMAGE072
表示车轮组向右倾斜；当速度差
Figure DEST_PATH_IMAGE074
时表示车轮组向左倾斜。
获取融合边缘图像对应的咬合风险程度，对于第个车轮对应的一张融合边缘图像的咬合风险程度
Figure 503656DEST_PATH_IMAGE004
。当咬合风险程度
Figure 476029DEST_PATH_IMAGE004
大于0时，说明车轮相对于轨道向左发生了横移，导致右轮缘由于向左横向移动而靠近轨道引起的右轮缘咬合；当咬合风险程度
Figure 103450DEST_PATH_IMAGE004
小于0时，说明车轮相对于轨道向右发生了横移，导致左轮缘由于向右横向移动而靠近轨道引起的左轮缘咬合。
差速损失项是计算双主动轮之间的速度差和咬合风险程度的完全平方差，以使速度差
Figure 519388DEST_PATH_IMAGE070
尽可能的趋近于
Figure DEST_PATH_IMAGE076
来抵消掉车轮已经产生的横移，避免咬合事件的发生。其中，
Figure DEST_PATH_IMAGE078
为一个经验映射参数，是一个超参数用于表示咬合风险程度和双主动轮之间的速度差的经验映射关系。其获取方法为：通过实验室场景下模拟正常的车轮组在正常的轨道上运动的过程，通过人为的干扰让车轮组发生横移，获取车轮组每个车轮在某一时刻的咬合风险程度
Figure 32759DEST_PATH_IMAGE004
，然后在该时刻人为的调整车轮组主动轮的速度差U，使得经过调整速度差之后达到车轮组每个车轮的横移程度为0的目的，经验映射参数
Figure DEST_PATH_IMAGE080
。
除了使用差速损失项来达到使用双主动轮之间的速度差来抵消咬合风险之外，还要使得所有车轮的速度不能够超过或者不能太过接近于危险速度，故下面建立一个经验损失项，来调节车轮速度和危险速度之间的关系。
经验损失项来达到让所有主动轮的速度不能超过或者太过接近于危险速度的目的。其中，输入融合边缘图像通过第一风险网络输出两个主动轮的危险速度，若车轮以该危险速度运行时，就可能发生咬合事件。具体的，设第
Figure DEST_PATH_IMAGE082
个主动轮的危险速度为
Figure DEST_PATH_IMAGE084
，需要保证第
Figure 326600DEST_PATH_IMAGE082
个主动轮的实时速度
Figure DEST_PATH_IMAGE086
不要接近于危险速度
Figure 136424DEST_PATH_IMAGE084
，即令
Figure DEST_PATH_IMAGE088
尽可能的大。需要说明的是，由于从动轮无电机控制而主动轮有电机控制，所以主动轮的速度决定着从动轮的速度，且从动轮的速度总是小于主动轮的速度，故在经验损失项中，考虑车轮的实时速度实质上是仅考虑了主动轮的实时速度。由于危险速度是通过第一风险网络利用发生咬合事件时的数据获得的，属于从历史数据中得到的经验项，故称为经验损失项。
速度损失项是通过统计历史数据，获取没有发生咬合事件时所有时刻的所有车轮的车轮速度，将其车轮速度的均值作为平均速度，使得主动轮的实时速度尽可能去趋近于车轮的平均速度，避免车轮的速度过慢的情况发生。
具体的，第二风险网络的损失函数为差速损失项、经验损失项和速度损失项之和，该损失函数为：
Figure DEST_PATH_IMAGE090
其中，
Figure DEST_PATH_IMAGE092
为差速影响系数；
Figure DEST_PATH_IMAGE094
为经验影响系数；
Figure DEST_PATH_IMAGE096
为差速损失项；
Figure DEST_PATH_IMAGE098
为经验损失项；
Figure DEST_PATH_IMAGE100
为速度损失项；
Figure 454754DEST_PATH_IMAGE078
为经验映射参数；
Figure 553291DEST_PATH_IMAGE004
为第
Figure 618199DEST_PATH_IMAGE006
个车轮的咬合风险程度；
Figure 718748DEST_PATH_IMAGE070
为双主动轮之间的速度差；
Figure 476488DEST_PATH_IMAGE084
为第
Figure 531163DEST_PATH_IMAGE082
个主动轮的危险速度；
Figure 911679DEST_PATH_IMAGE086
为第
Figure 899358DEST_PATH_IMAGE082
个主动轮的实时速度；
Figure DEST_PATH_IMAGE102
为车轮的平均速度。
获取每个车轮的咬合风险程度，当所有的咬合风险程度一致时，可以轻易的通过使车身倾斜来达到抵消车轮的横移，但是如果所有咬合风险程度不一致，尤其是咬合风险程度的正负号也不一致时，说明有的车轮的左轮缘有可能发生咬合事件，有的车轮的右轮缘有可能发生咬合事件，这种情况下难以只通过调整双主动轮的速度差区域避免咬合事件的发生。本发明实施例通过计算所有车轮的咬合风险程度的方差
Figure DEST_PATH_IMAGE104
，引入差速影响系数
Figure DEST_PATH_IMAGE106
和经验影响系数
Figure DEST_PATH_IMAGE108
。当差速影响系数
Figure 657361DEST_PATH_IMAGE092
越大，则所有车轮的咬合风险程度越一致，那么就更加依赖差速损失项来减少咬合事件的发生，当差速影响系数
Figure 464911DEST_PATH_IMAGE092
越小，即所有车轮的咬合风险程度越不一致，那么就更加依赖经验损失项来减少咬合事件的发生，则经验影响系数越大。
安全边缘图像结合第二风险网络的损失函数训练第二风险网络。在本发明实施例中采用随机梯度下降法训练第二风险网络。
当第二风险网络训练完毕之后，即可实时采集踏面接触边缘图，将该踏面接触边缘图输入第二风险网络输出双主动轮的安全速度，在起重机工作过程中，使车轮组中的主动轮以该安全速度运行，即尽可能的避免咬合事件发生。
综上所述，本发明实施例利用人工智能技术，首先获取每个车轮的轮轨接触面的第一图像以及踏面接触边缘图，将踏面接触边缘图进行堆叠得到融合边缘图，并获取各融合边缘图对应的横移程度和咬合风险程度。将横移程度大于预设横移阈值的融合边缘图输入第一风险网络输出危险速度；将横移程度小于预设横移阈值的融合边缘图输入第二风险网络输出安全速度。该第二风险网络的损失函数为差速损失项、经验损失项和速度损失项之和。通过计算接触边缘的横移程度和咬合风险程度，控制双主动轮之间的速度差来反向抵消咬合风险程度和横移偏差，达到减少咬合事件发生的目的，且可以通过实时采集数据，提高咬合风险程度的实时性和准确性。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (7)

1.一种基于人工智能的起重机车轮控制方法，其特征在于，该方法包括以下步骤：
分别获取起重机每个车轮的轮轨接触面的第一图像，检测所述第一图像得到所述轮轨接触面中踏面和行车面的踏面接触边缘图；
获取所述踏面接触边缘图中踏面和行车面的接触边缘，对所述接触边缘上的像素点进行主成分分析得到主方向单位向量；根据所述踏面接触边缘图和所述接触边缘的所述主方向单位向量得到横移程度；根据所述主方向单位向量和预设单位向量的相似度得到咬合概率，由所述咬合概率和所述横移程度计算咬合风险程度；根据所述踏面接触边缘图得到融合边缘图及其对应的横移程度；将所述横移程度大于预设横移阈值的所述融合边缘图输入第一风险网络得到危险速度；将所述横移程度小于预设横移阈值的所述融合边缘图输入第二风险网络输出安全速度；当第二风险网络训练完毕之后，实时采集踏面接触边缘图，将该踏面接触边缘图输入第二风险网络输出双主动轮的安全速度，在起重机工作过程中，使车轮组中的主动轮以该安全速度运行；
所述第二风险网络的损失函数为差速损失项、经验损失项和速度损失项之和；所述差速损失项为双主动轮之间的速度差和所述咬合风险程度的完全平方差；所述经验损失项由车轮的实时速度和所述危险速度的绝对差值得到；所述速度损失项为所述实时速度和车轮的平均速度的完全平方差；
其中，所述由所述咬合概率和所述横移程度计算咬合风险程度，包括：
将所述咬合概率和所述横移程度相乘得到初始咬合程度；对所述咬合概率、所述横移程度和对应的所述初始咬合程度进行直线拟合，得到拟合直线的斜率；
根据所述咬合概率、所述横移程度和所述斜率得到咬合风险程度。
2.根据权利要求1所述的一种基于人工智能的起重机车轮控制方法，其特征在于，所述踏面接触边缘图的获取方法，包括：
利用语义分割网络获取所述第一图像中的车轮感兴趣区域和轨道感兴趣区域；
检测所述车轮感兴趣区域的轮廓作为踏面边缘、所述轨道感兴趣区域的轮廓作为行车面边缘，得到踏面接触边缘图。
3.根据权利要求1所述的一种基于人工智能的起重机车轮控制方法，其特征在于，所述根据所述踏面接触边缘图得到融合边缘图，包括：
堆叠同一时间段内所有车轮的所述踏面接触边缘图，得到融合边缘图。
4.根据权利要求2所述的一种基于人工智能的起重机车轮控制方法，其特征在于，所述根据所述踏面接触边缘图和所述接触边缘的所述主方向单位向量得到横移程度，包括：
获取所述踏面接触边缘图中所述踏面边缘的中心坐标和所述行车面边缘的中心坐标的位移向量；根据所述位移向量和所述主方向单位向量得到横移程度。
5.根据权利要求1所述的一种基于人工智能的起重机车轮控制方法，其特征在于，所述对所述接触边缘上的像素点进行主成分分析得到主方向单位向量，包括：
对所述接触边缘上的所有像素点进行主成分分析得到两个主成分单位向量；将每个像素点对应的像素坐标在两个所述主成分单位向量上进行投影得到两个投影方差，将较大的所述投影方差对应的主成分单位向量作为主方向单位向量。
6.根据权利要求1所述的一种基于人工智能的起重机车轮控制方法，其特征在于，所述根据所述咬合概率、所述横移程度和所述斜率得到咬合风险程度，包括：所述咬合风险程度的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE006
个车轮的所述咬合风险程度；
Figure DEST_PATH_IMAGE008
为第
Figure 37396DEST_PATH_IMAGE006
个车轮的所述咬合概率；
Figure DEST_PATH_IMAGE010
为第
Figure 892219DEST_PATH_IMAGE006
个车轮的所述横移程度；
Figure DEST_PATH_IMAGE012
为第
Figure 394658DEST_PATH_IMAGE006
个车轮的所述斜率。
7.根据权利要求1所述的一种基于人工智能的起重机车轮控制方法，其特征在于，所述第一风险网络的损失函数采用均方差损失函数。
CN202111192860.6A 2021-10-13 2021-10-13 一种基于人工智能的起重机车轮控制方法 Active CN113643288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111192860.6A CN113643288B (zh) 2021-10-13 2021-10-13 一种基于人工智能的起重机车轮控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111192860.6A CN113643288B (zh) 2021-10-13 2021-10-13 一种基于人工智能的起重机车轮控制方法

Publications (2)

Publication Number Publication Date
CN113643288A CN113643288A (zh) 2021-11-12
CN113643288B true CN113643288B (zh) 2022-02-18

Family

ID=78426599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111192860.6A Active CN113643288B (zh) 2021-10-13 2021-10-13 一种基于人工智能的起重机车轮控制方法

Country Status (1)

Country Link
CN (1) CN113643288B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011088746A1 (de) * 2011-12-15 2013-06-20 Continental Teves Ag & Co. Ohg Verfahren zum Messen des Verschleißes und/oder der Beschädigung eines Radlagers
CN104891335A (zh) * 2015-05-28 2015-09-09 泰富海洋工程装备（天津）有限公司 一种行走纠编方法、装置及具有该装置的工程机械
CN105374038A (zh) * 2015-11-11 2016-03-02 石家庄铁道大学 车载式双相机机车轮轨位移图像检测系统及方法
CN105776027A (zh) * 2016-05-12 2016-07-20 中南大学 桥式起重机大车行走过程中的纠偏控制方法及系统
CN109029228A (zh) * 2018-05-30 2018-12-18 中南大学 一种用于测量轨道车辆与钢轨相对偏移的系统及方法
CN111487189A (zh) * 2020-04-03 2020-08-04 哈尔滨市科佳通用机电股份有限公司 踏面损伤自动检测系统
CN113487612A (zh) * 2021-09-07 2021-10-08 启东市德立神起重运输机械有限公司 一种基于图像处理的起重机卷筒工作异常预警方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011088746A1 (de) * 2011-12-15 2013-06-20 Continental Teves Ag & Co. Ohg Verfahren zum Messen des Verschleißes und/oder der Beschädigung eines Radlagers
CN104891335A (zh) * 2015-05-28 2015-09-09 泰富海洋工程装备（天津）有限公司 一种行走纠编方法、装置及具有该装置的工程机械
CN105374038A (zh) * 2015-11-11 2016-03-02 石家庄铁道大学 车载式双相机机车轮轨位移图像检测系统及方法
CN105776027A (zh) * 2016-05-12 2016-07-20 中南大学 桥式起重机大车行走过程中的纠偏控制方法及系统
CN109029228A (zh) * 2018-05-30 2018-12-18 中南大学 一种用于测量轨道车辆与钢轨相对偏移的系统及方法
CN111487189A (zh) * 2020-04-03 2020-08-04 哈尔滨市科佳通用机电股份有限公司 踏面损伤自动检测系统
CN113487612A (zh) * 2021-09-07 2021-10-08 启东市德立神起重运输机械有限公司 一种基于图像处理的起重机卷筒工作异常预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"高速铁路轮轨磨损特征、机理、影响和对策——车轮踏面横向磨耗";金学松 等;《机械工程学报》;20180228;第54卷(第4期);全文 *

Also Published As

Publication number Publication date
CN113643288A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN107609486A (zh) 一种车辆前向防撞预警方法及系统
CN107590438A (zh) 一种智能辅助驾驶方法及系统
CN107577996A (zh) 一种车辆驾驶路径偏移的识别方法及系统
US11693424B2 (en) Robot, system and method detecting and/or responding to transitions in height
US9665781B2 (en) Moving body detection device and moving body detection method
CN109489584B (zh) 一种基于3d技术的隧道限界检测系统及隧道限界识别方法
CN107066986A (zh) 一种基于单目视觉的车道线与前方障碍物检测方法
CN102722982A (zh) 基于背景与帧间差分算法的车流及其运动状态检测方法
WO2013136878A1 (ja) 物体検出装置
CN103903019A (zh) 一种多车道车辆轨迹时空图的自动生成方法
CN109917359B (zh) 基于车载单目视觉的鲁棒车辆距离估计方法
Sathyamoorthy et al. Terrapn: Unstructured terrain navigation using online self-supervised learning
CN107576667A (zh) 一种基于线阵红外摄像机的铁轨扣件异常检测系统
CN107480646A (zh) 一种基于双目视觉的车载视频异常运动检测方法
CN104268860B (zh) 一种车道线检测方法
CN108230667A (zh) 一种车辆违章行为检测方法
CN108297867A (zh) 一种基于人工智能的车道偏离预警方法及系统
CN106339677A (zh) 一种基于视频的铁路货车洒落物自动检测方法
CN103794050A (zh) 一种实时的交通车辆检测与跟踪方法
CN113643288B (zh) 一种基于人工智能的起重机车轮控制方法
CN207248768U (zh) 一种基于线阵红外摄像机的铁轨扣件异常检测装置
CN107168327A (zh) 一种基于双目视觉的无人驾驶汽车雾天主动避险的方法
CN117314849A (zh) 一种基于深度学习的接触网磨耗检测方法
CN116476099B (zh) 一种列车巡检机器人控制系统
Aydin et al. Detection of Rail Defects with Deep Learning Controlled Autonomous UAV

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