CN113808097B - 一种列车的关键部件丢失检测方法及其系统 - Google Patents
一种列车的关键部件丢失检测方法及其系统 Download PDFInfo
- Publication number
- CN113808097B CN113808097B CN202111076199.2A CN202111076199A CN113808097B CN 113808097 B CN113808097 B CN 113808097B CN 202111076199 A CN202111076199 A CN 202111076199A CN 113808097 B CN113808097 B CN 113808097B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- standard
- cloud data
- deep learning
- dimensional
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000006243 chemical reaction Methods 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000012634 optical imaging Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种列车的关键部件丢失检测方法及其系统，包括：采集列车走行部的二维图像数据和三维点云数据；基于所述三维点云数据和标准三维点云数据进行图像配准以确定三维转换关系，并基于相机标定参数生成配准深度图和标准深度图；基于所述二维图像数据、所述相机标定参数和所述三维转换关系生成配准灰度图；基于所述配准深度图和所述标准深度图生成第一差异信息，基于所述配准灰度图和标准灰度图生成第二差异信息；基于所述第一差异信息和所述第二差异信息生成检测报告。
Description
技术领域
本发明涉及轨道车辆检测技术领域，具体涉及一种列车的关键部件丢失检测方法及其系统。
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。
目前，行业内通用的走行部检测方法仍然是依靠人工通过肉眼查看为主，图像识别类设备为辅的方式确认走行部部件是否存在丢失故障，其人工操作工作量大，且容易发生漏判的情况。并且，传统图像类设备尚处于误报高、检出低的阶段，难以真正的对检修形成作业指导。
综上所述，传统的列车走行部检测方法存在工作量大、准确率低下的问题。
发明内容
有鉴于此，本发明提供一种列车的关键部件丢失检测方法及其系统，通过改进走行部检测方法及检测数据的处理方法，解决了传统的列车走行部检测方法存在的工作量大、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列车的关键部件丢失检测方法，包括：采集列车走行部的二维图像数据和三维点云数据；基于所述三维点云数据和标准三维点云数据进行图像配准以确定三维转换关系，并基于相机标定参数生成配准深度图和标准深度图；基于所述二维图像数据、所述相机标定参数和所述三维转换关系生成配准灰度图；基于所述配准深度图和所述标准深度图生成第一差异信息，基于所述配准灰度图和标准灰度图生成第二差异信息；基于所述第一差异信息和所述第二差异信息生成检测报告。
可选地，基于所述三维点云数据和标准三维点云数据进行图像配准以确定三维转换关系，并基于相机标定参数生成配准深度图和标准深度图，包括：将所述三维点云数据和所述标准三维点云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生成所述三维点云数据与所述标准三维点云数据的所述三维转换关系；基于所述三维转换关系，将所述三维点云数据转换到所述标准三维点云数据的姿态下，以实现图像配准；根据相机标定参数，将配准后的所述三维点云数据和所述标准三维点云数据均映射到二维图像上，并将每个点赋值其原本的深度值，生成所述配准深度图和所述标准深度图。
可选地，基于所述配准深度图和所述标准深度图生成第一差异信息，基于所述配准灰度图和标准灰度图生成第二差异信息，包括：将所述配准深度图和所述标准深度图输入第二深度学习网络，所述第二深度学习网络输出预测的包含第一丢失部件区域信息的第一差异信息；将所述配准灰度图和所述标准灰度图输入第三深度学习网络，所述第三深度学习网络输出预测的包含第二丢失部件区域信息的第二差异信息。
可选地，构建所述第二深度学习网络和所述第三深度学习网络的方法均包括：
构建初始化网络模型；获取包含人工标记丢失部件的样本图像构成的训练数据集和测试数据集，其中，第二深度学习网络所使用的样本图像为深度图，第三深度学习网络所使用的样本图像为深度图；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。
可选地，基于所述第一差异信息和所述第二差异信息生成检测报告，包括：基于所述第一差异信息提取第二深度学习网络预测的第一丢失部件区域信息；基于所述第二差异信息提取第三深度学习网络预测的第二丢失部件区域信息；基于所述第一丢失部件区域信息和所述第二丢失部件区域信息提取重合区域并生成第三丢失部件区域信息；将所述第三丢失部件区域信息匹配至模板框中，生成包含丢失部件的区域位置信息和丢失部件类型的所述检测报告。
可选地，构建所述模板框的方法包括：对所述标准灰度图进行预标注并生成所述模板框，其中，预标注包括：标注列车走行部的各部件类型及其区域位置。
相应地，本发明提供，一种列车的关键部件丢失检测系统，包括：数据采集单元，用于采集列车走行部的二维图像数据和三维点云数据；数据处理单元，能够基于所述三维点云数据和标准三维点云数据进行图像配准以确定三维转换关系，并基于相机标定参数生成配准深度图和标准深度图，基于所述二维图像数据、所述相机标定参数和所述三维转换关系生成配准灰度图，并基于所述配准深度图和所述标准深度图生成第一差异信息和基于所述配准灰度图和标准灰度图生成第二差异信息后，基于所述第一差异信息和所述第二差异信息生成检测报告。
可选地，所述数据处理单元包括：图像配准模块，能够基于所述三维点云数据和标准三维点云数据进行图像配准以确定三维转换关系，并基于相机标定参数生成配准深度图和标准深度图，基于所述二维图像数据、所述相机标定参数和所述三维转换关系生成配准灰度图；差异检测模块，能够基于所述配准深度图和所述标准深度图生成第一差异信息和基于所述配准灰度图和标准灰度图生成第二差异信息，联合判断模块，能够基于所述第一差异信息和所述第二差异信息生成检测报告。
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、所述标准二维图像数据、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列车的关键部件丢失检测方法，通过非接触的方法自动获取到走行部的三维数据和二维数据，并通过分别处理所述三维数据和所述二维数据生成第一差异信息和第二差异信息后，基于第一差异信息和第二差异信息生成最终的检测报告，实现了基于不同维度的探测数据进行关键部件丢失检测结果的相互验证，在完全自动化完成列车的关键部件丢失检测的同时，有效提升了关键部件丢失检测结果的准确性。
附图说明
图1是本发明的列车的关键部件丢失检测方法的简化流程图；
图2是本发明的列车的关键部件丢失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，一种列车的关键部件丢失检测方法，其特征在于，包括：采集列车走行部的二维图像数据和三维点云数据；基于所述三维点云数据和标准三维点云数据进行图像配准以确定三维转换关系，并基于相机标定参数生成配准深度图和标准深度图；基于所述二维图像数据、所述相机标定参数和所述三维转换关系生成配准灰度图；基于所述配准深度图和所述标准深度图生成第一差异信息，基于所述配准灰度图和标准灰度图生成第二差异信息；基于所述第一差异信息和所述第二差异信息生成检测报告。其中，所述标准三维点云数据和所述标准灰度图均为用户在车辆走行部处于标准状态下采集的数据。
进一步的，基于所述三维点云数据和标准三维点云数据进行图像配准以确定三维转换关系，并基于相机标定参数生成配准深度图和标准深度图，包括：将所述三维点云数据和所述标准三维点云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生成所述三维点云数据与所述标准三维点云数据的所述三维转换关系；基于所述三维转换关系，将所述三维点云数据转换到所述标准三维点云数据的姿态下，以实现图像配准；根据相机标定参数，将配准后的所述三维点云数据和所述标准三维点云数据均映射到二维图像上，并将每个点赋值其原本的深度值，生成所述配准深度图和所述标准深度图。其中，第一深度学习网络为PointNet网络；相机标定参数可以是相机内参，包括相机芯片的像元尺寸，图像分辨率，镜头焦距；将配准后的所述三维点云数据和所述标准三维点云数据均映射到二维图像上的方法为：基于相机成像模型直接投影。
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，基于所述配准深度图和所述标准深度图生成第一差异信息，基于所述配准灰度图和标准灰度图生成第二差异信息，包括：将所述配准深度图和所述标准深度图输入第二深度学习网络，所述第二深度学习网络输出预测的包含第一丢失部件区域信息的第一差异信息；将所述配准灰度图和所述标准灰度图输入第三深度学习网络，所述第三深度学习网络输出预测的包含第二丢失部件区域信息的第二差异信息。其中，第二深度学习网络和第三深度学习网络可以是yolo-v3等常用的用于图像语义分割的神经网络。
更进一步的，构建所述第二深度学习网络和所述第三深度学习网络的方法均包括：构建初始化网络模型；获取包含人工标记丢失部件的样本图像构成的训练数据集和测试数据集，其中，第二深度学习网络所使用的样本图像为深度图，第三深度学习网络所使用的样本图像为深度图；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，基于所述第一差异信息和所述第二差异信息生成检测报告，包括：基于所述第一差异信息提取第二深度学习网络预测的第一丢失部件区域信息；基于所述第二差异信息提取第三深度学习网络预测的第二丢失部件区域信息；基于所述第一丢失部件区域信息和所述第二丢失部件区域信息提取重合区域并生成第三丢失部件区域信息；将所述第三丢失部件区域信息匹配至模板框中，生成包含丢失部件的区域位置信息和丢失部件类型的所述检测报告。其中，构建所述模板框的方法包括：对所述标准灰度图进行预标注并生成所述模板框，其中，预标注包括：标注列车走行部的各部件类型及其区域位置。
更进一步的，生成第三丢失部件区域信息的方法还可以是：提取第一丢失部件区域信息和所述第二丢失部件区域信息中置信度高于阈值的区域并生成第三丢失部件区域信息。其中，阈值可以是0.6。
本发明通过非接触的方法自动获取到走行部的三维数据和二维数据，并通过分别处理所述三维数据和所述二维数据生成第一差异信息和第二差异信息后，基于第一差异信息和第二差异信息生成最终的检测报告，实现了基于不同维度的探测数据进行关键部件丢失检测结果的相互验证，在完全自动化完成列车的关键部件丢失检测的同时，有效提升了关键部件丢失检测结果的准确性。
相应的，如图2所示，本发明提供，一种列车的关键部件丢失检测系统，包括：数据采集单元，用于采集列车走行部的二维图像数据和三维点云数据；数据处理单元，能够基于所述三维点云数据和标准三维点云数据进行图像配准以确定三维转换关系，并基于相机标定参数生成配准深度图和标准深度图，基于所述二维图像数据、所述相机标定参数和所述三维转换关系生成配准灰度图，并基于所述配准深度图和所述标准深度图生成第一差异信息和基于所述配准灰度图和标准灰度图生成第二差异信息后，基于所述第一差异信息和所述第二差异信息生成检测报告。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、所述标准二维图像数据、所述标准三维点云数据和样本图像。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：图像配准模块，能够基于所述三维点云数据和标准三维点云数据进行图像配准以确定三维转换关系，并基于相机标定参数生成配准深度图和标准深度图，基于所述二维图像数据、所述相机标定参数和所述三维转换关系生成配准灰度图；差异检测模块，能够基于所述配准深度图和所述标准深度图生成第一差异信息和基于所述配准灰度图和标准灰度图生成第二差异信息，联合判断模块，能够基于所述第一差异信息和所述第二差异信息生成检测报告。
以上对本发明实施例所提供的一种列车的关键部件丢失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 (6)
1.一种列车的关键部件丢失检测方法，其特征在于，包括：
采集列车走行部的二维图像数据和三维点云数据；
将所述三维点云数据和标准三维点云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生成所述三维点云数据与所述标准三维点云数据的三维转换关系；基于所述三维转换关系，将所述三维点云数据转换到所述标准三维点云数据的姿态下，以实现图像配准；根据相机标定参数，将配准后的所述三维点云数据和所述标准三维点云数据均映射到二维图像上，并将每个点赋值其原本的深度值，生成配准深度图和标准深度图；
基于所述二维图像数据、所述相机标定参数和所述三维转换关系生成配准灰度图；
将所述配准深度图和所述标准深度图输入第二深度学习网络，所述第二深度学习网络输出预测的包含第一丢失部件区域信息的第一差异信息；将所述配准灰度图和标准灰度图输入第三深度学习网络，所述第三深度学习网络输出预测的包含第二丢失部件区域信息的第二差异信息；
基于所述第一差异信息提取第二深度学习网络预测的第一丢失部件区域信息；基于所述第二差异信息提取第三深度学习网络预测的第二丢失部件区域信息；基于所述第一丢失部件区域信息和所述第二丢失部件区域信息提取重合区域并生成第三丢失部件区域信息；将所述第三丢失部件区域信息匹配至模板框中，生成包含丢失部件的区域位置信息和丢失部件类型的检测报告。
2.根据权利要求1所述的关键部件丢失检测方法，其特征在于，构建所述第二深度学习网络和所述第三深度学习网络的方法均包括：
构建初始化网络模型；
获取包含人工标记丢失部件的样本图像构成的训练数据集和测试数据集，其中，第二深度学习网络所使用的样本图像为深度图，第三深度学习网络所使用的样本图像为深度图；
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。
3.根据权利要求1所述的关键部件丢失检测方法，其特征在于，构建所述模板框的方法包括：
对所述标准灰度图进行预标注并生成所述模板框，其中，预标注包括：标注列车走行部的各部件类型及其区域位置。
4.一种列车的关键部件丢失检测系统，其特征在于，包括：
数据采集单元，用于采集列车走行部的二维图像数据和三维点云数据；
数据处理单元，将所述三维点云数据和标准三维点云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生成所述三维点云数据与所述标准三维点云数据的三维转换关系；基于所述三维转换关系，将所述三维点云数据转换到所述标准三维点云数据的姿态下，以实现图像配准；根据相机标定参数，将配准后的所述三维点云数据和所述标准三维点云数据均映射到二维图像上，并将每个点赋值其原本的深度值，生成配准深度图和标准深度图，基于所述二维图像数据、所述相机标定参数和所述三维转换关系生成配准灰度图，将所述配准深度图和所述标准深度图输入第二深度学习网络，所述第二深度学习网络输出预测的包含第一丢失部件区域信息的第一差异信息；将所述配准灰度图和标准灰度图输入第三深度学习网络，所述第三深度学习网络输出预测的包含第二丢失部件区域信息的第二差异信息；基于所述第一差异信息提取第二深度学习网络预测的第一丢失部件区域信息；基于所述第二差异信息提取第三深度学习网络预测的第二丢失部件区域信息；基于所述第一丢失部件区域信息和所述第二丢失部件区域信息提取重合区域并生成第三丢失部件区域信息；将所述第三丢失部件区域信息匹配至模板框中，生成包含丢失部件的区域位置信息和丢失部件类型的检测报告。
5.根据权利要求4所述的关键部件丢失检测系统，其特征在于，所述数据处理单元包括：
图像配准模块，能够将所述三维点云数据和标准三维点云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生成所述三维点云数据与所述标准三维点云数据的三维转换关系；基于所述三维转换关系，将所述三维点云数据转换到所述标准三维点云数据的姿态下，以实现图像配准；根据相机标定参数，将配准后的所述三维点云数据和所述标准三维点云数据均映射到二维图像上，并将每个点赋值其原本的深度值，生成配准深度图和标准深度图，基于所述二维图像数据、所述相机标定参数和所述三维转换关系生成配准灰度图；
差异检测模块，能够将所述配准深度图和所述标准深度图输入第二深度学习网络，所述第二深度学习网络输出预测的包含第一丢失部件区域信息的第一差异信息；将所述配准灰度图和所述标准灰度图输入第三深度学习网络，所述第三深度学习网络输出预测的包含第二丢失部件区域信息的第二差异信息；基于所述第一差异信息提取第二深度学习网络预测的第一丢失部件区域信息；基于所述第二差异信息提取第三深度学习网络预测的第二丢失部件区域信息，
联合判断模块，能够基于所述第一丢失部件区域信息和所述第二丢失部件区域信息提取重合区域并生成第三丢失部件区域信息；将所述第三丢失部件区域信息匹配至模板框中，生成包含丢失部件的区域位置信息和丢失部件类型的检测报告。
6.根据权利要求4所述的关键部件丢失检测系统，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、标准二维图像数据、所述标准三维点云数据和样本图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111076199.2A CN113808097B (zh) | 2021-09-14 | 2021-09-14 | 一种列车的关键部件丢失检测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111076199.2A CN113808097B (zh) | 2021-09-14 | 2021-09-14 | 一种列车的关键部件丢失检测方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113808097A CN113808097A (zh) | 2021-12-17 |
| CN113808097B true CN113808097B (zh) | 2024-04-12 |
Family
ID=78895374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111076199.2A Active CN113808097B (zh) | 2021-09-14 | 2021-09-14 | 一种列车的关键部件丢失检测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113808097B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680124A (zh) * | 2016-08-01 | 2018-02-09 | 康耐视公司 | 用于提高三维姿态评分和消除三维图像数据中杂点的系统及方法 |
| CN109087274A (zh) * | 2018-08-10 | 2018-12-25 | 哈尔滨工业大学 | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 |
| 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 |
| CN111414798A (zh) * | 2019-02-03 | 2020-07-14 | 沈阳工业大学 | 基于rgb-d图像的头部姿态检测方法及系统 |
| CN111476767A (zh) * | 2020-04-02 | 2020-07-31 | 南昌工程学院 | 一种基于异源图像融合的高铁扣件缺陷识别方法 |
| WO2020224123A1 (zh) * | 2019-06-24 | 2020-11-12 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位系统 |
| CN112361991A (zh) * | 2020-11-04 | 2021-02-12 | 深圳广成创新技术有限公司 | 一种三维扫描方法、装置、计算机设备和存储介质 |
| CN112396664A (zh) * | 2020-11-24 | 2021-02-23 | 华南理工大学 | 一种单目摄像机与三维激光雷达联合标定及在线优化方法 |
| CN112488995A (zh) * | 2020-11-18 | 2021-03-12 | 成都主导软件技术有限公司 | 列车自动化检修的智能判伤方法及系统 |
| CN112950532A (zh) * | 2021-01-14 | 2021-06-11 | 成都铁安科技有限责任公司 | 一种列车受电弓状态检测方法 |
| CN112967219A (zh) * | 2021-03-17 | 2021-06-15 | 复旦大学附属华山医院 | 基于深度学习网络的二阶段牙体点云补全方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9972067B2 (en) * | 2016-10-11 | 2018-05-15 | The Boeing Company | System and method for upsampling of sparse point cloud for 3D registration |
| US20180211373A1 (en) * | 2017-01-20 | 2018-07-26 | Aquifi, Inc. | Systems and methods for defect detection |
| US10380788B2 (en) * | 2017-10-12 | 2019-08-13 | Ohio State Innovation Foundation | Fast and precise object alignment and 3D shape reconstruction from a single 2D image |
-
2021
- 2021-09-14 CN CN202111076199.2A patent/CN113808097B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680124A (zh) * | 2016-08-01 | 2018-02-09 | 康耐视公司 | 用于提高三维姿态评分和消除三维图像数据中杂点的系统及方法 |
| CN109087274A (zh) * | 2018-08-10 | 2018-12-25 | 哈尔滨工业大学 | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 |
| CN111414798A (zh) * | 2019-02-03 | 2020-07-14 | 沈阳工业大学 | 基于rgb-d图像的头部姿态检测方法及系统 |
| WO2020224123A1 (zh) * | 2019-06-24 | 2020-11-12 | 浙江大学 | 一种基于深度学习的致痫灶三维自动定位系统 |
| 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 |
| CN111476767A (zh) * | 2020-04-02 | 2020-07-31 | 南昌工程学院 | 一种基于异源图像融合的高铁扣件缺陷识别方法 |
| CN112361991A (zh) * | 2020-11-04 | 2021-02-12 | 深圳广成创新技术有限公司 | 一种三维扫描方法、装置、计算机设备和存储介质 |
| CN112488995A (zh) * | 2020-11-18 | 2021-03-12 | 成都主导软件技术有限公司 | 列车自动化检修的智能判伤方法及系统 |
| CN112396664A (zh) * | 2020-11-24 | 2021-02-23 | 华南理工大学 | 一种单目摄像机与三维激光雷达联合标定及在线优化方法 |
| CN112950532A (zh) * | 2021-01-14 | 2021-06-11 | 成都铁安科技有限责任公司 | 一种列车受电弓状态检测方法 |
| CN112967219A (zh) * | 2021-03-17 | 2021-06-15 | 复旦大学附属华山医院 | 基于深度学习网络的二阶段牙体点云补全方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度信息局部二值模式特征的室内场景边缘检测;于莉洁;孙瑜亮;缪永伟;;计算机辅助设计与图形学学报(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113808097A (zh) | 2021-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111063021B (zh) | 一种空间运动目标的三维重建模型建立方法及装置 | |
| CN113808096B (zh) | 一种非接触式的螺栓松动检测方法及其系统 | |
| 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 | |
| CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
| CN111079685A (zh) | 一种3d目标检测方法 | |
| JP2013025799A (ja) | 画像検索方法、システム、及びプログラム | |
| CN101996416A (zh) | 3d人脸捕获方法和设备 | |
| CN116503705B (zh) | 一种数字城市多源数据的融合方法 | |
| CN110120013A (zh) | 一种点云拼接方法及装置 | |
| CN115984486A (zh) | 一种融合激光雷达与深度相机的桥梁模型生成方法及装置 | |
| CN114993452A (zh) | 基于宽带相位运动放大的结构微小振动测量方法与系统 | |
| JP2003216931A (ja) | 特定パターン認識方法、特定パターン認識プログラム、特定パターン認識プログラム記録媒体および特定パターン認識装置 | |
| Jiang et al. | Research on 3D point cloud object detection algorithm for autonomous driving | |
| CN113095316B (zh) | 基于多级融合和角点偏移的图像旋转目标检测方法 | |
| CN110235177B (zh) | 图像处理装置、图像识别装置、以及存储介质 | |
| CN113808097B (zh) | 一种列车的关键部件丢失检测方法及其系统 | |
| CN112651965A (zh) | 一种车轮踏面缺陷三维检测方法及其系统 | |
| CN114004740B (zh) | 基于无人机激光雷达点云的建筑物墙线提取方法 | |
| WO2018143278A1 (ja) | 画像処理装置、画像認識装置、画像処理プログラム、及び画像認識プログラム | |
| CN111950433A (zh) | 光学卫星影像特征匹配深度学习训练样本集自动构建方法 | |
| Lin et al. | An uncertainty aware method for geographic data conflation | |
| CN116012806B (zh) | 一种车辆检测方法、装置、检测器、系统和模型训练方法 | |
| CN115546780B (zh) | 车牌识别方法、模型及装置 | |
| Corneliu et al. | Real-time pedestrian classification exploiting 2D and 3D information | |
| CN110537205B (zh) | 使用x射线系统对航空部件的无损检查 |
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 |