CN113673614A - 基于机器视觉的地铁隧道异物入侵检测装置及方法 - Google Patents
基于机器视觉的地铁隧道异物入侵检测装置及方法 Download PDFInfo
- Publication number
- CN113673614A CN113673614A CN202110981615.7A CN202110981615A CN113673614A CN 113673614 A CN113673614 A CN 113673614A CN 202110981615 A CN202110981615 A CN 202110981615A CN 113673614 A CN113673614 A CN 113673614A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- foreign
- subway tunnel
- machine vision
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000007689 inspection Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 13
- 238000013500 data storage Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 238000009966 trimming Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims 1
- 238000007635 classification algorithm Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000009545 invasion Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器视觉的地铁隧道异物入侵检测装置及方法，通过利用安装于地铁隧道巡检机器人上的高清摄像机，在地铁隧道内来回往复进行拍摄，将拍摄到的图片和无异物的标准图片进行比较，利用数字图像处理技术来检测异物，利用基于Adaboost算法的分类算法来判断和分类异物，根据是否存在需要报警的异物来对列车发出警示信息。本发明能够实现对地铁环境内异物的准确提取，对提取到的可疑区域能够进行精确的分类并筛选出需要报警的异物，最终能够实现异物入侵检测的快速化和准确化报警。
Description
技术领域
本发明涉及一种基于机器视觉的地铁隧道异物入侵检测装置及方法，属于城市轨道交通安全技术领域。
背景技术
近年来，城市轨道交通发展迅猛，城市轨道交通的骨干作用日益凸显。随着铁路线路的不断增多以及所覆盖的范围不断扩大，铁路安全问题也得到了更广泛的关注。异物入侵是导致铁路安全事故的主要原因之一。实现铁路异物的检测和识别，有效规避异物入侵事故，对保障铁路的安全稳定运行具有重要意义。
关于铁路异物的识别与检测，传统的方法如人工巡检法、电网法和光缆法已经逐渐不能满足目前对列车运行安全性以及时效性的需求，不仅效率低而且也容易造成人力物力的浪费。机器视觉异物检测法是一种基于机器视觉结合图像处理技术的非接触类异物检测方法，因其传感器体积小、检测范围大、提取到的信息丰富等优点受到了国内外研究人员的广泛关注。然而目前的机器视觉检测法大多针对高速铁路运行环境，少有针对地铁轨道运行环境，且目前的铁路异物分类算法大多基于单一分类器，难以适应复杂多变的情况。
发明内容
为了解决上述提到的问题，本发明公开了一种基于机器视觉的地铁隧道异物入侵检测装置及方法。
本发明的目的是通过以下技术方案来实现的：
设计一种基于机器视觉的地铁隧道异物入侵检测装置，包括：
图像采集模块：用于获取采集位点的图像信息输入至图像预处理模块；
图像预处理模块：用于对输入图像组进行亮度、对比度、一致性调整；
图像差分模块：用于对输入图像组进行差分操作，获得差分图像；
边缘提取模块；用于对输入图像获取边缘图像，并提取连通域及其相关参数并输入至异物筛选模块；
异物筛选模块：用于对输入的连通域进行分类，筛选出会引起安全隐患的异物，并将这类异物信息输入至输出模块；
输出模块：由控制中心人员对输入的危险异物信息进行最终判断，并做出相应处理措施。
上述装置由运行在轨道上的隧道巡检机器人实现，所述隧道巡检机器人包括中央处理器、数据存储模块、通讯模块、驱动模块、电源模块、摄像头、光源；
所述中央处理器分别与数据存储模块、通讯模块、驱动模块、电源模块、摄像头、光源相连；
所述驱动模块受中央处理器控制，依据程序驱动机器人在轨道上行进，并在指定监测位点停留拍摄；
所述摄像头安装于机器人前端，用于对隧道内环境进行拍摄，并将拍摄到的图像输入至中央处理器；
所述光源安装于机器人头部，功率受中央处理器控制，用于照明；
所述通讯模块与中央处理器相连，接收中央处理器的处理结果信息，并将该信息发送至控制中心。
本发明还提供一种基于机器视觉的地铁隧道异物入侵检测方法，采用上述的检测装置，包括以下操作步骤：
步骤一：进行程序初始化；根据线路长度和需要重点观测的路段位置，确定地铁隧道巡检机器人需要停留的位点位置，设定机器人的运行程序；根据设定的运行程序，在各个指定位点进行无异物情况下的拍摄，将拍摄到的图像作为首批标准图，以供之后的对比；
步骤二：通过安装在地铁隧道巡检机器人上的高清摄像机，在地铁隧道内指定位点进行停留拍照，将拍摄到的图像与该位点对应的标准图进行对比处理，获取目标物体的轮廓形状信息，包括：
将每次拍摄到的图像和对应位点的标准图输入至图像预处理模块进行预处理；
将预处理完成后的图片输入至图像差分模块获得差分图像；
将差分图像输入至边缘提取模块进行连通域提取，获取目标物体的轮廓形状信息；
步骤三：将所拍摄到的目标物体的轮廓形状信息输入异物筛选模块进行分类判断，若判断结果为正确异物，则将相关异物的参数及位置信息发送至控制中心；
步骤四：控制中心对引起系统报警的异物信息进行进一步确认，并采取相应的解决措施。
进一步地，所述步骤二的图像预处理模块包含四个步骤：自动伽马校正环节用以增强单幅图像亮度；限制对比度自适应直方图均衡用以增强单幅图像对比度；直方图匹配用以降低两幅图像亮度不一致的影响；图像配准用以降低两次采集过程相机抖动的影响。
进一步地，所述步骤二的图像差分模块会将待检测图和对应位点的标准图进行差分运算获得差分图像。在输入至边缘提取模块前，差分图像需要经过图像剪边操作和中值滤波操作。
进一步地，所述步骤二的边缘提取模块包含四个步骤：边缘提取获取边缘图像；自适应二值化获取二值图像；闭操作实现对二值图像的弥合孔隙和平滑；连通域标记获取可能为异物的各个区域的具体位置和轮廓信息。
进一步地，所述步骤三中，根据检测到的连通域特征参数，将异物分类为正确异物和虚警异物，其中正确异物是指会引起列车运行安全隐患的异物，包括遗落的工件、行走的人、掉落的消防门，虚警异物是指被程序检测到但实际并不存在或对列车运行没有影响的异物，包括成像鬼影。
进一步地，所述步骤三的异物分类模块用于对提取到的可疑区域进行异物识别和分类，采用的是基于Adaboost算法进行分类的方法，将在不同位点、不同光照下的采集到的可疑区域进行分类标记，对标记后的图像进行特征提取，并输入至Adaboost分类器中进行模型训练，获取分类效果最好的模型作为分类器，用以对新采集到的图像进行分类。
进一步地，所述基于Adaboost算法的分类方法所选用的特征向量集由三类特征构成：基本统计特征、相似度特征和纹理特征。基本统计特征包括灰度平均值、灰度方差、信息熵；相似度特征包括待检测图和标准图的直方图交叉核、待检测图和标准图LBP谱图的直方图交叉核；纹理特征包括待检测图的LBP谱图直方图。
进一步地，所述步骤四中，控制中心对引起系统报警的异物进行进一步确认，若控制中心判断为存在异物，控制中心发出报警，通知相关人员进行处理；若控制中心判断为虚警，则该图片会被作为新的标准图，实现标准图的更新，以避免多次重复报警。
本发明的有益效果是：
本发明能够及时快速地提取出异物物体区域；
本发明能够准确地对提取到的异物区域进行分类和判断，筛选出真正需要报警的异物类型。
本发明能够增加铁路线路的安全性，减少铁路系统运行过程中事故的发生率。
本发明能够实现地铁隧道入侵异物的准确化和快速化报警，大大节省了人力物力。
附图说明
图1为本发明的方法流程图
图2为本发明的详细流程图
图3为隧道巡检机器人结构示意图
图4为本发明的图像预处理模块的详细流程图
图5为本发明的边缘提取模块的详细流程图
图6为本发明的异物筛选模块的模型训练流程图
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
图1是本发明的方法流程图，结合附图1可见，本发明公开的一种基于机器视觉的地铁隧道异物入侵检测算法，主要包括以下步骤：
步骤一：进行程序初始化；根据线路长度和需要重点观测的路段位置，确定地铁隧道巡检机器人需要停留的位点位置，设定机器人的运行程序；根据设定的运行程序，在各个指定位点进行无异物情况下的拍摄，将拍摄到的图像作为首批标准图，以供之后的对比；
步骤二：通过安装在地铁隧道巡检机器人上的高清摄像机，在地铁隧道内指定位点进行停留拍照，将拍摄到的图像与该位点对应的标准图进行对比处理，获取目标物体的轮廓形状信息，包括：
将每次拍摄到的图像和对应位点的标准图输入至图像预处理模块进行预处理；
将经过预处理后的图像输入至图像差分模块获得差分图像；
将差分图像输入至边缘提取模块进行连通域提取，获取目标物体的轮廓形状信息；
步骤三：将所拍摄到的目标物体的轮廓形状信息输入异物分类模块进行分类判断，若判断结果为正确异物，则将相关异物的参数及位置信息发送至控制中心；
步骤四：控制中心对引起系统报警的异物信息进行进一步确认，并采取相应的解决措施。
在上述实例中，关于地铁隧道异物入侵检测算法，下面针对其进行详细说明：
地铁隧道异物入侵检测算法在进行异物区域提取时主要面临两个难题：一方面是地铁环境较暗，容易发生遗漏在较暗处的异物的漏检现象；一方面是地铁环境变化复杂，容易发生因环境光照变化等导致的误判现象。这些问题会降低地铁隧道异物入侵检测算法的准确性和实用性。针对这些问题，可以通过对图像进行预处理、差分操作、边缘提取操作、异物识别与筛选操作来解决。接下来结合图2的具体步骤对异物提取流程进行详细的说明：
步骤1：进行程序初始化。根据线路长度和需要重点观测的路段位置，确定地铁隧道巡检机器人需要停留的位点位置，设定机器人的运行程序。根据设定的运行程序，在各个指定位点进行无异物情况下的拍摄，将拍摄到的图像作为首批标准图，以供之后的对比。
对于上述的地铁隧道巡检机器人，针对图3对其基本结构和工作过程进行说明：
该机器人运行于轨道1上，安装有中央处理器2、数据存储模块3、通讯模块4、驱动模块6、电源模块7、摄像头5、光源8。中央处理器与其余各部分相连，工作过程中，驱动模块受中央处理器控制，根据设定程序驱动机器人在轨道上运行，在指定位点停留；中央处理器调节光源亮度进行照明；摄像头对隧道内环境进行拍摄，拍摄到的图像输入至中央处理器，与预先存储在数据存储模块中的对应位点的标准图比较处理，判断是否存在异物；判断结果会由中央处理器传送至通讯模块，再由通讯模块传送至控制中心。
步骤2：通过安装在地铁隧道巡检机器人上的高清摄像机，在地铁隧道内指定位点进行停留拍照，将拍摄到的图像与该位点对应的标准图输入至图像预处理模块进行预处理操作；
对于上述的图像预处理模块的设计，针对图4对其基本过程进行说明：
步骤2.1：两幅图像将分别进行自动伽马校正环节，实现单幅图像的亮度增强；
步骤2.2：两幅图像将分别进行限制对比度自适应直方图均衡，实现单幅图像对比度的增强；
步骤2.3：以标准图为基准，对待检测图进行直方图匹配操作，降低两幅图像亮度不一致的影响；
步骤2.4：两幅图像将进行图像配准操作，降低两次采集过程相机抖动的影响。
步骤3：将预处理完成后的图片输入至图像差分模块，该模块会将待检测图和对应位点的标准图进行差分运算获得差分图像，差分图像经过图像剪边及中值滤波操作，剪去图像黑边和滤去噪声点，避免给边缘提取过程带来干扰；
步骤4：将差分图像输入至边缘提取模块进行连通域提取，获取目标物体的轮廓形状信息；
对于上述所述的边缘提取模块，针对图5对其基本过程进行说明：
步骤4.1：对差分图像使用Canny算子进行边缘提取获取边缘图像；
步骤4.2：对边缘图像使用自适应二值化获取二值图像；
步骤4.3：对二值图像进行形态学闭操作，实现对二值图像的孔隙弥合和平滑；
步骤4.4：对平滑后的二值图像进行连通域标记获取可能为异物的各个区域的具体位置和轮廓信息。
步骤5：将所拍摄到的目标物体的轮廓形状信息输入异物筛选模块进行分类判断，若判断结果为危险异物，则将相关异物的参数及位置信息发送至控制中心；
对于上述的异物筛选模块，针对图6对其模型训练的基本过程进行说明：对提取到的可能为异物的可疑区域进行异物识别和分类，采用的是基于Adaboost算法进行分类的方法。将预先在不同位点、不同光照下的采集到的可疑区域进行人工分类标记，对标记后的图像进行特征提取，并输入至Adaboost分类器中进行模型训练，获取分类效果最好的模型作为分类器，用以对新采集到的图像进行分类。其中分类特征向量集由三类特征构成：基本统计特征、相似度特征和纹理特征。基本统计特征包括灰度平均值、灰度方差、信息熵；相似度特征包括待检测图和标准图的直方图交叉核、待检测图和标准图LBP谱图的直方图交叉核；纹理特征包括待检测图的LBP谱图直方图。
步骤6：控制中心对引起系统报警的异物信息进行进一步确认，并采取相应的解决措施。
步骤6.1：控制中心判断输入异物为危险异物，发出报警，并通知相关人员进行处理；
步骤6.2：控制中心判断输入异物为虚警异物，将采集到的图片作为该位点新的标准图，实现标准图的更新，避免重复多次无效报警。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (11)
1.一种基于机器视觉的地铁隧道异物入侵检测装置，其特征在于，包括以下模块：
图像采集模块：用于获取采集位点的图像信息输入至图像预处理模块；
图像预处理模块：用于对输入图像组进行亮度、对比度、一致性调整；
图像差分模块：用于对输入图像组进行差分操作，获得差分图像；
边缘提取模块；用于对输入图像获取边缘图像，提取连通域及其相关参数并输入至异物筛选模块；
异物筛选模块：用于对输入的连通域进行分类，筛选出会引起安全隐患的异物，并将这类异物信息输入至输出模块；
输出模块：由控制中心人员对输入的危险异物信息进行最终判断，并做出相应处理措施。
2.根据权利要求1所述的基于机器视觉的地铁隧道异物入侵检测装置，其特征在于，
所述基于机器视觉的地铁隧道异物入侵检测装置包含隧道巡检机器人，所述隧道巡检机器人包括中央处理器、数据存储模块、通讯模块、驱动模块、电源模块、摄像头、光源；
所述中央处理器分别与数据存储模块、通讯模块、驱动模块、电源模块、摄像头、光源相连；
所述驱动模块受中央处理器控制，依据程序驱动机器人在轨道上行进，并在指定监测位点停留；
所述摄像头安装于机器人前端，用于对隧道内环境进行拍摄，并将拍摄到的图像输入至中央处理器；
所述光源安装于机器人头部，功率受中央处理器控制，用于照明；
所述通讯模块与中央处理器相连，接收中央处理器的处理结果信息，并将该信息发送至控制中心。
3.一种基于机器视觉的地铁隧道异物入侵检测方法，其特征在于，采用权利要求2中所述的检测装置，包括以下操作步骤：
步骤一：进行程序初始化；根据线路长度和需要重点观测的路段位置，确定地铁隧道巡检机器人需要停留的位点位置，设定机器人的运行程序；根据设定的运行程序，在各个指定位点进行无异物情况下的拍摄，将拍摄到的图像作为首批标准图；
步骤二：通过安装在地铁隧道巡检机器人上的高清摄像机，在地铁隧道内指定位点进行停留拍照，将拍摄到的图像与该位点对应的标准图进行对比处理，获取目标物体的轮廓形状信息，包括：
将每次拍摄到的图像和对应位点的标准图输入至图像预处理模块进行预处理；
将预处理完成后的图片输入至图像差分模块获得差分图像；
将差分图像输入至边缘提取模块进行连通域提取，获取目标物体的轮廓形状信息；
步骤三：将所拍摄到的目标物体的轮廓形状信息输入异物筛选模块进行分类判断，若判断结果为危险异物，则将相关异物的参数及位置信息发送至控制中心；
步骤四：控制中心对引起系统报警的异物信息进行进一步确认，并采取相应的解决措施。
4.根据权利要求3所述的基于机器视觉的地铁隧道异物入侵检测算法，其特征在于，
所述步骤二的图像预处理模块包含四个步骤：自动伽马校正；限制对比度自适应直方图均衡；直方图匹配；图像配准；其中：
所述自动伽马校正用于对单张图像进行亮度增强；
所述对比度自适应直方图均衡用于对单张图像进行对比度增强；
所述直方图匹配用于调整两幅图像的亮度一致性；
所述图像配准用于校正相机抖动。
5.根据权利要求3所述的基于机器视觉的地铁隧道异物入侵检测算法，其特征在于，
所述步骤二的图像差分模块会将待检测图和对应位点的标准图进行差分运算获得差分图像。
6.根据权利要求5所述的基于机器视觉的地铁隧道异物入侵检测算法，其特征在于，
在输入至边缘提取模块前，差分图像需要经过图像剪边操作和中值滤波操作。
7.根据权利要求3所述的基于机器视觉的地铁隧道异物入侵检测算法，其特征在于，
所述步骤二的边缘提取模块包含四个步骤：边缘提取；自适应二值化；形态学闭操作；连通域标记；其中：
所述边缘提取步骤用于对输入图像进行边缘提取，获取边缘图像；
所述自适应二值化步骤用于对输入图像进行二值化处理，获取二值化图像；
所述形态学闭操作用于对输入图像进行平滑和填补孔隙、空洞；
所述连通域标记步骤用于对输入图像进行扫描，对连通域进行提取及标记。
8.根据权利要求3所述的基于机器视觉的地铁隧道异物入侵检测算法，其特征在于，
所述步骤三中，根据检测到的连通域特征参数，将异物分类为危险异物和虚警异物，其中危险异物是指会引起列车运行安全隐患的异物，包括遗落的工件、行走的人、掉落的消防门，虚警异物是指被程序检测到但实际并不存在或对列车运行没有影响的异物，包括成像鬼影。
9.根据权利要求3所述的基于机器视觉的地铁隧道异物入侵检测算法，其特征在于，
所述步骤三的异物筛选模块用于对提取到的可疑区域进行异物识别和分类，采用的是基于Adaboost算法进行分类的方法：将在不同位点、不同光照下的采集到的可疑区域进行分类标记，对标记后的图像进行特征提取，并输入至Adaboost分类器中进行模型训练，获取分类效果最优的模型作为分类器，用以对新采集到的图像进行分类。
10.根据权利要求9所述的基于机器视觉的地铁隧道异物入侵检测算法，其特征在于，
所述基于Adaboost算法的分类方法所选用的特征向量集由三类特征构成：基本统计特征、相似度特征和纹理特征；其中，基本统计特征包括灰度平均值、灰度方差、信息熵；相似度特征包括待检测图和标准图的直方图交叉核、待检测图和标准图LBP谱图的直方图交叉核；纹理特征包括待检测图的LBP谱图直方图。
11.根据权利要求3所述的基于机器视觉的地铁隧道异物入侵检测算法，其特征在于，
所述步骤四中，控制中心对引起系统报警的异物进行进一步确认，若控制中心判断为存在异物，控制中心发出报警，通知相关人员进行处理；若控制中心判断为虚警，则该图片会被作为新的标准图，实现标准图的更新，以避免多次重复报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110981615.7A CN113673614B (zh) | 2021-08-25 | 2021-08-25 | 基于机器视觉的地铁隧道异物入侵检测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110981615.7A CN113673614B (zh) | 2021-08-25 | 2021-08-25 | 基于机器视觉的地铁隧道异物入侵检测装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113673614A true CN113673614A (zh) | 2021-11-19 |
| CN113673614B CN113673614B (zh) | 2023-12-12 |
Family
ID=78546102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110981615.7A Active CN113673614B (zh) | 2021-08-25 | 2021-08-25 | 基于机器视觉的地铁隧道异物入侵检测装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113673614B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147770A (zh) * | 2022-08-30 | 2022-10-04 | 山东千颐科技有限公司 | 基于图像处理的皮带异物视觉识别系统 |
| CN115601719A (zh) * | 2022-12-13 | 2023-01-13 | 中铁十二局集团有限公司（Cn） | 一种攀爬机器人及地铁隧道内异物侵限检测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110063445A1 (en) * | 2007-08-24 | 2011-03-17 | Stratech Systems Limited | Runway surveillance system and method |
| JP2016052849A (ja) * | 2014-09-04 | 2016-04-14 | 公益財団法人鉄道総合技術研究所 | 障害物検出装置及び方法 |
| KR20170065894A (ko) * | 2015-12-04 | 2017-06-14 | 엘지전자 주식회사 | 차량용 랜드마크 검출 장치 및 방법 |
| CN108037770A (zh) * | 2017-11-22 | 2018-05-15 | 国网山东省电力公司济宁供电公司 | 基于人工智能的无人机输电线路巡检系统和方法 |
| CN109784214A (zh) * | 2018-12-27 | 2019-05-21 | 武汉理工大学 | 一种铁路轨道异物的检测装置及方法 |
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
| CN110276255A (zh) * | 2019-05-17 | 2019-09-24 | 南京理工大学 | 基于gmm模型与bp神经网络的高速铁路异物识别与分类方法 |
| CN110703760A (zh) * | 2019-10-30 | 2020-01-17 | 杭州叙简科技股份有限公司 | 一种用于安防巡检机器人的新增可疑物体检测方法 |
| CN110954968A (zh) * | 2019-12-17 | 2020-04-03 | 中国科学院合肥物质科学研究院 | 一种机场跑道异物检测装置及方法 |
| CN111626207A (zh) * | 2020-05-27 | 2020-09-04 | 北京伟杰东博信息科技有限公司 | 一种基于图像处理的列车前方异物入侵检测方法及系统 |
| CN112508893A (zh) * | 2020-11-27 | 2021-03-16 | 中国铁路南宁局集团有限公司 | 基于机器视觉的铁路双轨间微小异物检测方法及系统 |
-
2021
- 2021-08-25 CN CN202110981615.7A patent/CN113673614B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110063445A1 (en) * | 2007-08-24 | 2011-03-17 | Stratech Systems Limited | Runway surveillance system and method |
| JP2016052849A (ja) * | 2014-09-04 | 2016-04-14 | 公益財団法人鉄道総合技術研究所 | 障害物検出装置及び方法 |
| KR20170065894A (ko) * | 2015-12-04 | 2017-06-14 | 엘지전자 주식회사 | 차량용 랜드마크 검출 장치 및 방법 |
| CN108037770A (zh) * | 2017-11-22 | 2018-05-15 | 国网山东省电力公司济宁供电公司 | 基于人工智能的无人机输电线路巡检系统和方法 |
| CN109784214A (zh) * | 2018-12-27 | 2019-05-21 | 武汉理工大学 | 一种铁路轨道异物的检测装置及方法 |
| CN110276255A (zh) * | 2019-05-17 | 2019-09-24 | 南京理工大学 | 基于gmm模型与bp神经网络的高速铁路异物识别与分类方法 |
| CN110261436A (zh) * | 2019-06-13 | 2019-09-20 | 暨南大学 | 基于红外热成像和计算机视觉的轨道故障检测方法及系统 |
| CN110703760A (zh) * | 2019-10-30 | 2020-01-17 | 杭州叙简科技股份有限公司 | 一种用于安防巡检机器人的新增可疑物体检测方法 |
| CN110954968A (zh) * | 2019-12-17 | 2020-04-03 | 中国科学院合肥物质科学研究院 | 一种机场跑道异物检测装置及方法 |
| CN111626207A (zh) * | 2020-05-27 | 2020-09-04 | 北京伟杰东博信息科技有限公司 | 一种基于图像处理的列车前方异物入侵检测方法及系统 |
| CN112508893A (zh) * | 2020-11-27 | 2021-03-16 | 中国铁路南宁局集团有限公司 | 基于机器视觉的铁路双轨间微小异物检测方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| DAWEI LI， ET AL.: "Automatic defect detection of metro tunnel surfaces using a vision-based inspection system", ADVANCED ENGINEERING INFORMATICS, vol. 47, pages 101206, XP093019494, DOI: 10.1016/j.aei.2020.101206 * |
| 孙明华: "基于深度学习的地铁隧道巡检视频分析技术的研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, vol. 2, pages 105 - 226 * |
| 孙明华: "基于深度学习的地铁隧道巡检视频分析技术的研究", 中国优秀硕士学位论文全文数据库 工程科技辑 * |
| 张宗华等: "三维视觉测量技术及应用进展", 中国图象图形学报, vol. 26, no. 6, pages 1483 - 1502 * |
| 杜兴强: "基于深度背景差分的铁路异物检测算法", 中国优秀硕士学位论文全文数据库 工程科技I辑, vol. 1, pages 202 * |
| 王留军等: "基于机器视觉的车载式铁路轨道智能巡检系统研究", 成都信息工程大学学报, vol. 31, no. 2, pages 185 - 189 * |
| 蔡檬屿: "基于深度学习的铁路辅助巡检系统", 铁路计算机应用, vol. 29, no. 9 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147770A (zh) * | 2022-08-30 | 2022-10-04 | 山东千颐科技有限公司 | 基于图像处理的皮带异物视觉识别系统 |
| CN115147770B (zh) * | 2022-08-30 | 2022-12-02 | 山东千颐科技有限公司 | 基于图像处理的皮带异物视觉识别系统 |
| CN115601719A (zh) * | 2022-12-13 | 2023-01-13 | 中铁十二局集团有限公司（Cn） | 一种攀爬机器人及地铁隧道内异物侵限检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113673614B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112819094B (zh) | 一种基于结构相似度度量的目标检测与识别方法 | |
| CN104021574B (zh) | 路面病害自动识别方法 | |
| CN104732235B (zh) | 一种消除夜间道路反光干扰的车辆检测方法 | |
| CN103442209B (zh) | 一种输电线路的视频监控方法 | |
| CN109635758B (zh) | 智慧工地基于视频的高空作业人员安全带穿戴检测方法 | |
| CN109255350B (zh) | 一种基于视频监控的新能源车牌检测方法 | |
| CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
| CN105335743A (zh) | 一种车牌识别方法 | |
| CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 | |
| CN109101924A (zh) | 一种基于机器学习的路面交通标志识别方法 | |
| CN107358270B (zh) | 一种隧道墙体的渗水检测方法及装置 | |
| CN105158268A (zh) | 精冲零部件缺陷智能在线检测方法、系统及装置 | |
| CN111553214B (zh) | 一种驾驶员吸烟行为检测方法及系统 | |
| CN104881661B (zh) | 基于结构相似度的车辆检测方法 | |
| CN106909879A (zh) | 一种疲劳驾驶检测方法及系统 | |
| CN103400113A (zh) | 基于图像处理的高速公路隧道行人检测方法 | |
| CN111667655A (zh) | 基于红外图像的高速铁路安全区入侵警报装置及方法 | |
| CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
| CN112528861A (zh) | 应用于铁路隧道内道床的异物检测方法及装置 | |
| CN112287823A (zh) | 一种基于视频监控的面部口罩识别方法 | |
| CN107247934A (zh) | 一种基于快速特征点定位的全天候哈欠检测方法及系统 | |
| Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
| CN108563997B (zh) | 一种建立人脸检测模型、人脸识别的方法和装置 | |
| CN112508893B (zh) | 基于机器视觉的铁路双轨间微小异物检测方法及系统 | |
| CN113642570A (zh) | 一种昏暗环境下矿车车牌识别的方法 |
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 |