CN113808096A - 一种非接触式的螺栓松动检测方法及其系统 - Google Patents
一种非接触式的螺栓松动检测方法及其系统 Download PDFInfo
- Publication number
- CN113808096A CN113808096A CN202111074971.7A CN202111074971A CN113808096A CN 113808096 A CN113808096 A CN 113808096A CN 202111074971 A CN202111074971 A CN 202111074971A CN 113808096 A CN113808096 A CN 113808096A
- Authority
- CN
- China
- Prior art keywords
- bolt
- point cloud
- dimensional point
- cloud data
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000006073 displacement reaction Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 description 6
- 238000012634 optical imaging Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种非接触式的螺栓松动检测方法及其系统，包括：采集螺栓的二维图像数据和三维点云数据；基于二维图像数据提取第一螺栓区域信息；将第一螺栓区域信息映射至三维点云数据的坐标系中，并生成三维点云数据的坐标系下的第二螺栓区域信息；基于第二螺栓区域信息提取三维点云数据中包含的螺栓三维点云数据；基于螺栓三维点云数据和标准螺栓三维点云数据进行图像配准，生成螺栓位移量。本发明通过二维数据提取出螺栓位置信息后，通过螺栓位置信息和三维数据提取出螺栓参考面及高度信息，实现了利用不同维度的探测数据所包含的不同信息相辅相成的完成螺栓松动检测，有效提升了螺栓松动检测结果的准确性。
Description
技术领域
本发明涉及轨道车辆检测技术领域，具体涉及一种非接触式的螺栓松动检测方法及其系统。
背景技术
走行部作为轨道交通车辆中的关键组成部分，在列车运行中发挥着重要作用。走行部由轮对、轴箱油润装置、侧架、摇枕、弹簧减振装置、制动装置、电机等部件组成。其中，使用于上述走行部的部件中的螺栓是否松动，是各部件以及整体走行部的安全性的重要影响因素。
目前，行业内通用的螺栓松动检测方法包括：通过在螺栓上安装压电感应原件，然后通过监测螺杆张力的大小来判别螺栓松动情况，该方法不足在于成本高，操作复杂，同时很难适配所有的螺栓型号；利用部署光纤或者其它传感器，当螺栓松动时会割断光纤，激光接收模块接收不到光信号，实现报警，但是该方法只能适用于特定的场合，且操作不方便，工程量大；基于传统图像识别的方式，提取出螺栓边缘，然后利用算法判断螺栓的选择状态，但是该方法适应性差，无法适应光照、雨水的情况，同时仅能判断边角明确的螺栓。
综上所述，传统的螺栓松动检测方法存在适应性差、准确率低下的问题。
发明内容
有鉴于此，本发明提供一种非接触式的螺栓松动检测方法及其系统，通过改进螺栓松动检测方法及检测数据的处理方法，解决了传统的螺栓松动检测方法存在的适应性差、准确率低下的问题。
为解决以上问题，本发明的技术方案为采用一种非接触式的螺栓松动检测方法，包括：采集螺栓的二维图像数据和三维点云数据；基于所述二维图像数据提取第一螺栓区域信息；将所述第一螺栓区域信息映射至所述三维点云数据的坐标系中，并生成所述三维点云数据的坐标系下的第二螺栓区域信息；基于所述第二螺栓区域信息提取所述三维点云数据中包含的螺栓三维点云数据；基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准，生成螺栓位移量。
可选地，基于所述二维图像数据提取第一螺栓区域信息，包括：将所述二维图像数据输入第一深度学习网络；基于所述第一深度学习网络计输出螺栓检测框数据构成的所述第一螺栓区域信息，其中，所述螺栓检测框数据至少包括置信度、检测框左上角坐标、检测框长度和检测框宽度。
可选地，所述螺栓松动检测方法还包括：将所述第一螺栓区域信息映射至所述三维点云数据的坐标系之前，预标定的所述二维图像数据与所述三维点云数据之间的关系参数；基于所述关系参数将所述第一螺栓区域信息映射至所述三维点云数据的坐标系中。
可选地，基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准并生成螺栓位移量，包括：将所述螺栓三维点云数据和所述标准螺栓三维点云数据输入第二深度学习网络；基于所述第二深度学习网络计生成所述螺栓三维点云数据和所述标准螺栓三维点云数据之间的三维转换关系；基于所述三维转换关系，将所述螺栓三维点云数据转换到所述标准螺栓三维点云数据的姿态下，以实现三维点云配准；基于配准后的所述螺栓三维点云数据和所述标准螺栓三维点云数据生成所述螺栓位移量。
可选地，所述螺栓松动检测方法还包括：在生成所述螺栓位移量后，基于预设的位移量阈值和所述螺栓位移量判断所述螺栓松动是否超限；若所述螺栓位移量高于所述位移量阈值，则生成报警信息；若所述螺栓位移量不高于所述位移量阈值，判定所述螺栓处于正常状态。
可选地，构建所述第一深度学习网络的方法包括：构建初始化网络模型；获取包含人工标记的螺栓区域的样本图像构成的训练数据集和测试数据集；基于所述训练数据集和所述测试数据集训练并测试所述网络模型。
相应地，本发明提供，一种非接触式的螺栓松动检测系统，包括：数据采集单元，用于采集螺栓的二维图像数据和三维点云数据；数据处理单元，能够基于所述二维图像数据提取第一螺栓区域信息，将所述第一螺栓区域信息映射至所述三维点云数据的坐标系中，并生成所述三维点云数据的坐标系下的第二螺栓区域信息后，基于所述第二螺栓区域信息提取所述三维点云数据中包含的螺栓三维点云数据，基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准，生成螺栓位移量。
可选地，所述数据处理单元包括：螺栓识别模块，能够基于所述二维图像数据提取第一螺栓区域信息；图像配准模块，能够将所述第一螺栓区域信息映射至所述三维点云数据的坐标系中，并生成所述三维点云数据的坐标系下的第二螺栓区域信息后，基于所述第二螺栓区域信息提取所述三维点云数据中包含的螺栓三维点云数据，基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准，并生成配准后的所述螺栓三维点云数据；位移检测模块，能够基于配准后的所述螺栓三维点云数据和所述标准螺栓三维点云数据生成所述螺栓位移量。
可选地，所述关键部件丢失检测系统还包括：数据存储单元，用于存储所述二维图像数据、所述三维点云数据、所述标准三维点云数据和样本图像。
本发明的首要改进之处为提供的非接触式的螺栓松动检测方法，通过非接触光学成像的方法自动获取到包含螺栓的三维数据和二维数据，并通过基于所述二维图像数据提取第一螺栓区域信息后，基于第一螺栓区域信息提取三维点云数据中包含的螺栓三维点云数据，最终基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准，生成螺栓位移量。本发明通过二维数据提取出螺栓位置信息后，通过螺栓位置信息和三维数据提取出螺栓参考面及高度信息，实现了利用不同维度的探测数据所包含的不同信息相辅相成的完成螺栓松动检测，在完全自动化完成螺栓松动检测并提升不同螺栓松动检测使用场景的适应性的同时，有效提升了螺栓松动检测结果的准确性。
附图说明
图1是本发明的列车的非接触式的螺栓松动检测方法的简化流程图；
图2是本发明的列车的非接触式的螺栓松动检测系统的简化单元连接图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示，一种非接触式的螺栓松动检测方法，包括：采集螺栓的二维图像数据和三维点云数据；基于所述二维图像数据提取第一螺栓区域信息；将所述第一螺栓区域信息映射至所述三维点云数据的坐标系中，并生成所述三维点云数据的坐标系下的第二螺栓区域信息；基于所述第二螺栓区域信息提取所述三维点云数据中包含的螺栓三维点云数据；基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准，生成螺栓位移量。其中，所述标准螺栓三维点云数据为用户在车辆走行部的螺栓处于标准状态下采集的数据；将所述第一螺栓区域信息映射至所述三维点云数据的坐标系之前，预标定的所述二维图像数据与所述三维点云数据之间的关系参数；基于所述关系参数将所述第一螺栓区域信息映射至所述三维点云数据的坐标系中。具体的，预标定所述二维图像数据与所述三维点云数据之间的关系参数的方法，包括：首先二维相机和三维相机同时采集棋盘格图像，然后分别对二维相机和三维相机采集到的棋盘格图像进行角点检测，每个角点会得到一组像素坐标和物理坐标，然后将利用角点的像素和物理坐标，可以得到变换矩阵H1和H2，H1可以实现将2D相机的像素坐标转换到物理坐标，H2可以实现将3D相机的像素坐标转换到物理坐标，由于2D和3D相机同时拍摄的同一个棋盘格，因此物理坐标相同，则利用H1和H2就可以得到2D相机图像坐标系到3D相机图像坐标系的转换关系，即从2D相机图像中选择一个点，就可以在3D相机的图像中找到对应点。
进一步的，基于所述二维图像数据提取第一螺栓区域信息，包括：将所述二维图像数据输入第一深度学习网络；基于所述第一深度学习网络计输出螺栓检测框数据构成的所述第一螺栓区域信息，其中，所述螺栓检测框数据至少包括置信度、检测框左上角坐标、检测框长度和检测框宽度。其中，第一深度学习网络可以是yolo-v3等常用的用于图像目标检测的神经网络。
更进一步的，构建所述第一深度学习网络的方法包括：构建初始化网络模型；获取包含人工标记的螺栓区域的样本图像构成的训练数据集和测试数据集；基于所述训练数据集和所述测试数据集训练并测试所述网络模型。
进一步的，基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准并生成螺栓位移量，包括：将所述螺栓三维点云数据和所述标准螺栓三维点云数据输入第二深度学习网络；基于所述第二深度学习网络计生成所述螺栓三维点云数据和所述标准螺栓三维点云数据之间的三维转换关系；基于所述三维转换关系，将所述螺栓三维点云数据转换到所述标准螺栓三维点云数据的姿态下，以实现三维点云配准；基于配准后的所述螺栓三维点云数据和所述标准螺栓三维点云数据生成所述螺栓位移量。
更进一步的，所述三维点云数据的图像配准可以包括粗配准和精配准两步。粗配准指的是在两幅点云之间的变换完全未知的情况下进行较为粗糙的配准，目的主要是为精配准提供较好的变换初值；精配准则是给定一个初始变换，进一步优化得到更精确的变换。具体公式为：
其中，Ps、Pt分别是源点云和目标点云。具体的，所述第一深度学习网络的配准工作流程为：点云预处理：滤波，去燥；寻找对应点(特征点)；计算loss(损失函数)，最小化loss，求解当前的最优变化，主要是平移矩阵和旋转矩阵；重复上述步骤，进行迭代，直到收敛。每一次迭代都会得到当前最优的变化参数Rk，tk。其中，常用的迭代收敛条件有：Rk，tk的变化量小于一定的值、loss变化量小于一定的值、达到最大迭代次数。其中，Rk，tk为R*，t*迭代k次时的旋转矩阵和平移矩阵。
进一步的，所述螺栓松动检测方法还包括：在生成所述螺栓位移量后，基于预设的位移量阈值和所述螺栓位移量判断所述螺栓松动是否超限；若所述螺栓位移量高于所述位移量阈值，则生成报警信息；若所述螺栓位移量不高于所述位移量阈值，判定所述螺栓处于正常状态。
本发明通过非接触光学成像的方法自动获取到包含螺栓的三维数据和二维数据，并通过基于所述二维图像数据提取第一螺栓区域信息后，基于第一螺栓区域信息提取三维点云数据中包含的螺栓三维点云数据，最终基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准，生成螺栓位移量。本发明通过二维数据提取出螺栓位置信息后，通过螺栓位置信息和三维数据提取出螺栓参考面及高度信息，实现了利用不同维度的探测数据所包含的不同信息相辅相成的完成螺栓松动检测，在完全自动化完成螺栓松动检测并提升不同螺栓松动检测使用场景的适应性的同时，有效提升了螺栓松动检测结果的准确性。
相应的，如图2所示，本发明提供，一种非接触式的螺栓松动检测系统，包括：数据采集单元，用于采集螺栓的二维图像数据和三维点云数据；数据处理单元，能够基于所述二维图像数据提取第一螺栓区域信息，将所述第一螺栓区域信息映射至所述三维点云数据的坐标系中，并生成所述三维点云数据的坐标系下的第二螺栓区域信息后，基于所述第二螺栓区域信息提取所述三维点云数据中包含的螺栓三维点云数据，基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准，生成螺栓位移量。其中，数据采集单元可以包括由一个或多个光学成像装置构成，在使用多个光学成像装置分别采集三维点云数据和二维图像数据的情况下，多个光学成像装置的探测区域需相同；数据处理单元可以是后端的PC单元、移动电脑等能够执行上述数据处理的数据处理设备。
进一步的，所述数据处理单元包括：螺栓识别模块，能够基于所述二维图像数据提取第一螺栓区域信息；图像配准模块，能够将所述第一螺栓区域信息映射至所述三维点云数据的坐标系中，并生成所述三维点云数据的坐标系下的第二螺栓区域信息后，基于所述第二螺栓区域信息提取所述三维点云数据中包含的螺栓三维点云数据，基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准，并生成配准后的所述螺栓三维点云数据；位移检测模块，能够基于配准后的所述螺栓三维点云数据和所述标准螺栓三维点云数据生成所述螺栓位移量。
进一步的，所述关键部件丢失检测系统还包括：数据存储单元，用于存储所述二维图像数据、所述三维点云数据、所述标准三维点云数据和样本图像。
以上对本发明实施例所提供的一种非接触式的螺栓松动检测方法及其系统进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (9)
1.一种非接触式的螺栓松动检测方法，其特征在于，包括：
采集螺栓的二维图像数据和三维点云数据；
基于所述二维图像数据提取第一螺栓区域信息；
将所述第一螺栓区域信息映射至所述三维点云数据的坐标系中，并生成所述三维点云数据的坐标系下的第二螺栓区域信息；
基于所述第二螺栓区域信息提取所述三维点云数据中包含的螺栓三维点云数据；
基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准，生成螺栓位移量。
2.根据权利要求1所述的螺栓松动检测方法，其特征在于，基于所述二维图像数据提取第一螺栓区域信息，包括：
将所述二维图像数据输入第一深度学习网络；
基于所述第一深度学习网络计输出螺栓检测框数据构成的所述第一螺栓区域信息，其中，所述螺栓检测框数据至少包括置信度、检测框左上角坐标、检测框长度和检测框宽度。
3.根据权利要求2所述的螺栓松动检测方法，其特征在于，所述螺栓松动检测方法还包括：
将所述第一螺栓区域信息映射至所述三维点云数据的坐标系之前，预标定所述二维图像数据与所述三维点云数据之间的关系参数；
基于所述关系参数将所述第一螺栓区域信息映射至所述三维点云数据的坐标系中。
4.根据权利要求3所述的螺栓松动检测方法，其特征在于，基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准并生成螺栓位移量，包括：
将所述螺栓三维点云数据和所述标准螺栓三维点云数据输入第二深度学习网络；
基于所述第二深度学习网络计生成所述螺栓三维点云数据和所述标准螺栓三维点云数据之间的三维转换关系；
基于所述三维转换关系，将所述螺栓三维点云数据转换到所述标准螺栓三维点云数据的姿态下，以实现三维点云配准；
基于配准后的所述螺栓三维点云数据和所述标准螺栓三维点云数据生成所述螺栓位移量。
5.根据权利要求4所述的螺栓松动检测方法，其特征在于，所述螺栓松动检测方法还包括：
在生成所述螺栓位移量后，基于预设的位移量阈值和所述螺栓位移量判断所述螺栓松动是否超限；
若所述螺栓位移量高于所述位移量阈值，则生成报警信息；
若所述螺栓位移量不高于所述位移量阈值，判定所述螺栓处于正常状态。
6.根据权利要求2所述的螺栓松动检测方法，其特征在于，构建所述第一深度学习网络的方法包括：
构建初始化网络模型；
获取包含人工标记的螺栓区域的样本图像构成的训练数据集和测试数据集；
基于所述训练数据集和所述测试数据集训练并测试所述网络模型。
7.一种非接触式的螺栓松动检测系统，其特征在于，包括：
数据采集单元，用于采集螺栓的二维图像数据和三维点云数据；
数据处理单元，能够基于所述二维图像数据提取第一螺栓区域信息，将所述第一螺栓区域信息映射至所述三维点云数据的坐标系中，并生成所述三维点云数据的坐标系下的第二螺栓区域信息后，基于所述第二螺栓区域信息提取所述三维点云数据中包含的螺栓三维点云数据，基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准，生成螺栓位移量。
8.根据权利要求7所述的螺栓松动检测系统，其特征在于，所述数据处理单元包括：
螺栓识别模块，能够基于所述二维图像数据提取第一螺栓区域信息；
图像配准模块，能够将所述第一螺栓区域信息映射至所述三维点云数据的坐标系中，并生成所述三维点云数据的坐标系下的第二螺栓区域信息后，基于所述第二螺栓区域信息提取所述三维点云数据中包含的螺栓三维点云数据，基于所述螺栓三维点云数据和标准螺栓三维点云数据进行图像配准，并生成配准后的所述螺栓三维点云数据；
位移检测模块，能够基于配准后的所述螺栓三维点云数据和所述标准螺栓三维点云数据生成所述螺栓位移量。
9.根据权利要求7所述的螺栓松动检测系统，其特征在于，所述关键部件丢失检测系统还包括：
数据存储单元，用于存储所述二维图像数据、所述三维点云数据、所述标准螺栓三维点云数据和样本图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111074971.7A CN113808096B (zh) | 2021-09-14 | 2021-09-14 | 一种非接触式的螺栓松动检测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111074971.7A CN113808096B (zh) | 2021-09-14 | 2021-09-14 | 一种非接触式的螺栓松动检测方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113808096A true CN113808096A (zh) | 2021-12-17 |
| CN113808096B CN113808096B (zh) | 2024-01-30 |
Family
ID=78895253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111074971.7A Active CN113808096B (zh) | 2021-09-14 | 2021-09-14 | 一种非接触式的螺栓松动检测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113808096B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114663438A (zh) * | 2022-05-26 | 2022-06-24 | 浙江银轮智能装备有限公司 | 轨道检测方法、系统、装置、存储介质和计算机程序产品 |
| CN114842315A (zh) * | 2022-05-07 | 2022-08-02 | 无锡雪浪数制科技有限公司 | 轻量化高铁轮毂垫片防松识别方法及装置 |
| CN117095002A (zh) * | 2023-10-19 | 2023-11-21 | 深圳市信润富联数字科技有限公司 | 轮毂缺陷的检测方法及装置、存储介质 |
| CN117635520A (zh) * | 2023-03-20 | 2024-03-01 | 南昌工程学院 | 一种二维图像和三维点云融合的弹条扣件松紧检测方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100209013A1 (en) * | 2009-02-13 | 2010-08-19 | Harris Corporation | Registration of 3d point cloud data to 2d electro-optical image data |
| CN104567725A (zh) * | 2014-12-17 | 2015-04-29 | 苏州华兴致远电子科技有限公司 | 车辆运行故障检测系统及方法 |
| DE102015208929B3 (de) * | 2015-05-13 | 2016-06-09 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Verfahren zur 2D-3D-Registrierung, Recheneinrichtung und Computerprogramm |
| CN109242035A (zh) * | 2018-09-25 | 2019-01-18 | 北京华开领航科技有限责任公司 | 车底故障检测装置及方法 |
| CN109509226A (zh) * | 2018-11-27 | 2019-03-22 | 广东工业大学 | 三维点云数据配准方法、装置、设备及可读存储介质 |
| CN111178250A (zh) * | 2019-12-27 | 2020-05-19 | 深圳市越疆科技有限公司 | 物体识别定位方法、装置及终端设备 |
| CN111292294A (zh) * | 2020-01-20 | 2020-06-16 | 北京主导时代科技有限公司 | 一种库内车底部件异常检测方法及系统 |
| CN111289261A (zh) * | 2020-01-20 | 2020-06-16 | 成都主导科技有限责任公司 | 一种库内车底部件检测方法 |
| WO2020243962A1 (zh) * | 2019-06-06 | 2020-12-10 | 深圳市大疆创新科技有限公司 | 物体检测方法、电子设备和可移动平台 |
| US20210027475A1 (en) * | 2018-03-23 | 2021-01-28 | University Of Kansas | Vision-based fastener loosening detection |
| CN112365461A (zh) * | 2020-11-06 | 2021-02-12 | 北京格灵深瞳信息技术有限公司 | 紧固件松动识别方法、系统、终端及存储介质 |
| CN112381791A (zh) * | 2020-11-13 | 2021-02-19 | 北京图知天下科技有限责任公司 | 一种基于3d点云的螺栓松动检测方法 |
| CN112581629A (zh) * | 2020-12-09 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 增强现实显示方法、装置、电子设备及存储介质 |
| US20210158556A1 (en) * | 2019-11-21 | 2021-05-27 | Industrial Technology Research Institute | Object recognition system based on machine learning and method thereof |
| CN112991347A (zh) * | 2021-05-20 | 2021-06-18 | 西南交通大学 | 一种基于三维的列车螺栓松动检测方法 |
| CN113345019A (zh) * | 2021-06-09 | 2021-09-03 | 山东信通电子股份有限公司 | 一种输电线路通道隐患目标测距方法、设备及介质 |
-
2021
- 2021-09-14 CN CN202111074971.7A patent/CN113808096B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100209013A1 (en) * | 2009-02-13 | 2010-08-19 | Harris Corporation | Registration of 3d point cloud data to 2d electro-optical image data |
| CN104567725A (zh) * | 2014-12-17 | 2015-04-29 | 苏州华兴致远电子科技有限公司 | 车辆运行故障检测系统及方法 |
| DE102015208929B3 (de) * | 2015-05-13 | 2016-06-09 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Verfahren zur 2D-3D-Registrierung, Recheneinrichtung und Computerprogramm |
| US20210027475A1 (en) * | 2018-03-23 | 2021-01-28 | University Of Kansas | Vision-based fastener loosening detection |
| CN109242035A (zh) * | 2018-09-25 | 2019-01-18 | 北京华开领航科技有限责任公司 | 车底故障检测装置及方法 |
| CN109509226A (zh) * | 2018-11-27 | 2019-03-22 | 广东工业大学 | 三维点云数据配准方法、装置、设备及可读存储介质 |
| WO2020243962A1 (zh) * | 2019-06-06 | 2020-12-10 | 深圳市大疆创新科技有限公司 | 物体检测方法、电子设备和可移动平台 |
| US20210158556A1 (en) * | 2019-11-21 | 2021-05-27 | Industrial Technology Research Institute | Object recognition system based on machine learning and method thereof |
| CN111178250A (zh) * | 2019-12-27 | 2020-05-19 | 深圳市越疆科技有限公司 | 物体识别定位方法、装置及终端设备 |
| CN111289261A (zh) * | 2020-01-20 | 2020-06-16 | 成都主导科技有限责任公司 | 一种库内车底部件检测方法 |
| CN111292294A (zh) * | 2020-01-20 | 2020-06-16 | 北京主导时代科技有限公司 | 一种库内车底部件异常检测方法及系统 |
| CN112365461A (zh) * | 2020-11-06 | 2021-02-12 | 北京格灵深瞳信息技术有限公司 | 紧固件松动识别方法、系统、终端及存储介质 |
| CN112381791A (zh) * | 2020-11-13 | 2021-02-19 | 北京图知天下科技有限责任公司 | 一种基于3d点云的螺栓松动检测方法 |
| CN112581629A (zh) * | 2020-12-09 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 增强现实显示方法、装置、电子设备及存储介质 |
| CN112991347A (zh) * | 2021-05-20 | 2021-06-18 | 西南交通大学 | 一种基于三维的列车螺栓松动检测方法 |
| CN113345019A (zh) * | 2021-06-09 | 2021-09-03 | 山东信通电子股份有限公司 | 一种输电线路通道隐患目标测距方法、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 蒋梅笑;章光;徐卫青;陈西江;: "基于三维激光扫描点云的边界特征自动提取算法", 武汉理工大学学报, no. 06 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842315A (zh) * | 2022-05-07 | 2022-08-02 | 无锡雪浪数制科技有限公司 | 轻量化高铁轮毂垫片防松识别方法及装置 |
| CN114842315B (zh) * | 2022-05-07 | 2024-02-02 | 无锡雪浪数制科技有限公司 | 轻量化高铁轮毂垫片防松识别方法及装置 |
| CN114663438A (zh) * | 2022-05-26 | 2022-06-24 | 浙江银轮智能装备有限公司 | 轨道检测方法、系统、装置、存储介质和计算机程序产品 |
| CN117635520A (zh) * | 2023-03-20 | 2024-03-01 | 南昌工程学院 | 一种二维图像和三维点云融合的弹条扣件松紧检测方法 |
| CN117095002A (zh) * | 2023-10-19 | 2023-11-21 | 深圳市信润富联数字科技有限公司 | 轮毂缺陷的检测方法及装置、存储介质 |
| CN117095002B (zh) * | 2023-10-19 | 2024-02-06 | 深圳市信润富联数字科技有限公司 | 轮毂缺陷的检测方法及装置、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113808096B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113808096A (zh) | 一种非接触式的螺栓松动检测方法及其系统 | |
| CN111063021B (zh) | 一种空间运动目标的三维重建模型建立方法及装置 | |
| AU2011362799B2 (en) | 3D streets | |
| US10521694B2 (en) | 3D building extraction apparatus, method and system | |
| CN112257605B (zh) | 基于自标注训练样本的三维目标检测方法、系统及装置 | |
| JP6798860B2 (ja) | 境界線推定装置 | |
| Chen et al. | Building reconstruction from LIDAR data and aerial imagery | |
| CN113240734B (zh) | 一种基于鸟瞰图的车辆跨位判断方法、装置、设备及介质 | |
| Chen et al. | A mathematical morphology-based multi-level filter of LiDAR data for generating DTMs | |
| CN109215119A (zh) | 受损车辆的三维模型建立方法及装置 | |
| Persad et al. | Alignment of point cloud DSMs from TLS and UAV platforms | |
| Tripodi et al. | Operational pipeline for large-scale 3D reconstruction of buildings from satellite images | |
| Parmehr et al. | Automatic registration of optical imagery with 3d lidar data using local combined mutual information | |
| CN111325184A (zh) | 一种遥感影像智能解译与变化信息检测方法 | |
| Dowman | Automating image registration and absolute orientation: solutions and problems | |
| Väänänen et al. | Inpainting occlusion holes in 3D built environment point clouds | |
| CN116051980B (zh) | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 | |
| Treible et al. | Learning dense stereo matching for digital surface models from satellite imagery | |
| CN113808097B (zh) | 一种列车的关键部件丢失检测方法及其系统 | |
| CN112146647B (zh) | 一种地面纹理的双目视觉定位方法及芯片 | |
| Tripodi et al. | Automated chain for large-scale 3d reconstruction of urban scenes from satellite images | |
| Ikehata et al. | Depth map inpainting and super-resolution based on internal statistics of geometry and appearance | |
| Ahuja et al. | Three‐dimensional Scan Registration using Curvelet Features in Planetary Environments | |
| Corneliu et al. | Real-time pedestrian classification exploiting 2D and 3D information | |
| CN117095119B (zh) | 一种地空一体测绘方法及系统 |
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 |