CN113808112A - 轨道扣件检测方法、电子设备和计算机可读介质 - Google Patents
轨道扣件检测方法、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN113808112A CN113808112A CN202111109520.2A CN202111109520A CN113808112A CN 113808112 A CN113808112 A CN 113808112A CN 202111109520 A CN202111109520 A CN 202111109520A CN 113808112 A CN113808112 A CN 113808112A
- Authority
- CN
- China
- Prior art keywords
- track fastener
- fastener
- track
- image
- region
- 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 101
- 230000011218 segmentation Effects 0.000 claims abstract description 76
- 230000007547 defect Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000006243 chemical reaction Methods 0.000 claims abstract description 18
- 230000004044 response Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了轨道扣件检测方法、电子设备和计算机可读介质。该方法的一具体实施方式包括:对获取的轨道扣件点云数据进行深度转换处理,得到二维轨道扣件深度图,其中,上述轨道扣件点云数据是通过设置在图像车的结构光传感器采集的,上述结构光传感器与上述图像车所在的轨道垂直;将上述二维轨道扣件深度图输入至预先训练的轨道扣件分割模型,得到轨道扣件分割图像;对上述轨道扣件分割图像进行感兴趣区域划分,得到至少一个感兴趣区域;基于上述至少一个感兴趣区域,生成轨道扣件缺陷检测结果。该实施方式缩短了轨道扣件检测的时间,提升了轨道扣件检测效率和准确性,降低轨道扣件检测的漏检率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及轨道扣件检测方法、电子设备和计算机可读介质。
背景技术
随着交通技术的发展,轨道交通在交通行业占据着重要地位,极大地方便了运输和出行。在轨道上,大量扣件铺设在轨道铁轨两边以固定铁轨,从而确保交通运输的安全。轨道扣件是轨道结构重要组成部分,由于列车、高铁等重型车的长期高速行驶,扣件会出现缺陷和异常,如果不及时采取措施可能造成安全事故,因此对轨道扣件高效精准检测是保证轨道交通安全的关键。目前,在对轨道扣件进行检测时,通常采用的方式为:巡检工人通过直接观察判断扣件是否存在缺陷。
然而,当采用上述方式对轨道扣件进行检测时,经常会存在如下技术问题:人工巡检方式耗时较长,检测效率较低,且检测结果的准确性较低、漏检率较高。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了轨道扣件检测方法、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种轨道扣件检测方法,该方法包括:对获取的轨道扣件点云数据进行深度转换处理,得到二维轨道扣件深度图,其中,上述轨道扣件点云数据是通过设置在图像车的结构光传感器采集的,上述结构光传感器与上述图像车所在的轨道垂直;将上述二维轨道扣件深度图输入至预先训练的轨道扣件分割模型,得到轨道扣件分割图像;对上述轨道扣件分割图像进行感兴趣区域划分,得到至少一个感兴趣区域;基于上述至少一个感兴趣区域,生成轨道扣件缺陷检测结果。
可选地,上述至少一个感兴趣区域包括第一区域和两个第二区域,上述第一区域包括第一弹条图像和第一垫片图像;以及上述基于上述至少一个感兴趣区域,生成轨道扣件缺陷检测结果,包括:基于上述第一弹条图像、上述第一垫片图像和上述两个第二区域,生成轨道扣件缺陷检测结果。
可选地,上述基于上述第一弹条图像、上述第一垫片图像和上述两个第二区域,生成轨道扣件缺陷检测结果,包括:将上述第一弹条图像的平均像素值确定为第一弹条高度阈值;将上述第一垫片图像的平均像素值确定为第一垫片高度阈值;响应于上述第一弹条高度阈值与上述第一垫片高度阈值的差的绝对值大于预设像素值,确定上述两个第二区域中的像素数目是否均大于预设数值;响应于确定上述两个第二区域中任意第二区域的像素数目小于等于上述预设数值,生成表征弹条缺失的轨道扣件缺陷检测结果。
可选地,上述基于上述第一弹条图像、上述第一垫片图像和上述两个第二区域,生成轨道扣件缺陷检测结果,包括:响应于上述绝对值小于等于上述预设像素值,生成表征弹条装反的轨道扣件缺陷检测结果。
可选地,上述至少一个感兴趣区域还包括两个第三区域,每个上述第三区域中包括第三弹条图像和第三垫片图像;以及上述生成轨道扣件缺陷检测结果,包括:响应于确定上述两个第二区域的像素数目均大于上述预设数值,确定上述两个第三区域包括的两个第三弹条图像的最大像素横坐标值的绝对值差是否小于上述两个第三区域包括的两个第三垫片图像的最大像素横坐标值的绝对值差;响应于确定上述两个第三弹条图像的像素点最大横坐标值的绝对值差大于等于上述两个第三垫片图像的像素点最大横坐标值的绝对值差,生成表征弹条歪斜的轨道扣件缺陷检测结果;响应于确定上述两个第三弹条图像的像素点最大横坐标值的绝对值差小于上述两个第三垫片图像的像素点最大横坐标值的绝对值差,生成表征弹条正常的轨道扣件缺陷检测结果。
可选地,上述基于上述至少一个感兴趣区域,生成轨道扣件缺陷检测结果,包括:将上述至少一个感兴趣区域输入至预先训练的轨道扣件缺陷类型决策树模型,得到轨道扣件缺陷检测结果。
可选地,上述轨道扣件分割模型是通过以下步骤训练得到的:获取轨道扣件点云数据集合;对上述轨道扣件点云数据集合中的每个轨道扣件点云数据进行部件标注处理以生成标注轨道扣件点云数据,得到标注轨道扣件点云数据集合;对上述标注轨道扣件点云数据集合中的各个标注轨道扣件点云数据进行深度转换处理,得到标注二维轨道扣件深度图集合;对上述轨道扣件点云数据集合中的各个轨道扣件点云数据进行深度转换处理,得到二维轨道扣件深度图集合;将上述二维轨道扣件深度图集合包括的二维轨道扣件深度图作为输入,将与输入的二维轨道扣件深度图对应的轨道扣件分割图像作为实际输出,将上述标注二维轨道扣件深度图集合中与输入的二维轨道扣件深度图对应的标注轨道扣件分割图像作为期望输出,训练得到上述轨道扣件分割模型。
可选地,方法还包括:将上述轨道扣件缺陷检测结果发送至相关联的服务器。
第二方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;结构光传感器,被配置成采集轨道扣件点云数据;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第三方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的轨道扣件检测方法,提升了轨道扣件检测效率和准确性,降低了轨道扣件检测的漏检率。具体来说,造成检测效率和准确性较低以及漏检率较高的原因在于:人工巡检方式耗时较长,检测效率较低,且检测结果的准确性较低、漏检率较高。基于此,本公开的一些实施例的轨道扣件检测方法,首先,对获取的轨道扣件点云数据进行深度转换处理,得到二维轨道扣件深度图。其中,上述轨道扣件点云数据是通过设置在图像车的结构光传感器采集的。上述结构光传感器与上述图像车所在的轨道垂直。由此,可以自动将三维的轨道扣件点云数据转换为二维轨道扣件深度图。然后,将上述二维轨道扣件深度图输入至预先训练的轨道扣件分割模型,得到轨道扣件分割图像。由此,通过预先训练的轨道扣件分割模型,可以实现对二维轨道扣件深度图的快速、准确分割。之后,对上述轨道扣件分割图像进行感兴趣区域划分,得到至少一个感兴趣区域。由此,可以将轨道扣件分割图像中待检测的区域划分为感兴趣区域。最后,基于上述至少一个感兴趣区域,生成轨道扣件缺陷检测结果。由此,可以根据感兴趣区域的图像像素,对轨道扣件进行检测。也因为上述结构光传感器与上述图像车所在的轨道垂直,结构光传感器采集的轨道扣件点云数据的竖坐标的偏差较小,从而深度图的像素值的准确性较高,可以提升轨道扣件检测的准确性。又因为可以自动将获取的三维的轨道扣件点云数据转换为二维轨道扣件深度图,可以自动根据二维轨道扣件深度图对轨道扣件进行检测。从而可以提升轨道扣件检测效率和准确性,降低轨道扣件检测的漏检率。又因为通过预先训练的轨道扣件分割模型对二维轨道扣件深度图进行了快速、准确的分割,可以进一步提升轨道扣件检测效率和准确性,降低轨道扣件检测的漏检率。由此,缩短了轨道扣件检测的时间,提升了轨道扣件检测效率和准确性,降低轨道扣件检测的漏检率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的轨道扣件检测方法的一个应用场景的示意图;
图2是根据本公开的轨道扣件检测方法的一些实施例的流程图;
图3是根据本公开的轨道扣件检测方法的一些实施例的二维轨道扣件深度图的示意图;
图4是根据本公开的轨道扣件检测装置的一些实施例的感兴趣区域的示意图;
图5是根据本公开的轨道扣件检测方法的另一些实施例的流程图;
图6是根据本公开的轨道扣件检测方法的另一些实施例的感兴趣区域的示意图;
图7是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的轨道扣件检测方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以对获取的轨道扣件点云数据102进行深度转换处理,得到二维轨道扣件深度图103。其中,上述轨道扣件点云数据102是通过设置在图像车的结构光传感器采集的。上述结构光传感器与上述图像车所在的轨道垂直。然后,计算设备101可以将上述二维轨道扣件深度图103输入至预先训练的轨道扣件分割模型104,得到轨道扣件分割图像105。之后,计算设备101可以对上述轨道扣件分割图像105进行感兴趣区域划分,得到至少一个感兴趣区域106。最后,计算设备101可以基于上述至少一个感兴趣区域106,生成轨道扣件缺陷检测结果107。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的轨道扣件检测方法的一些实施例的流程200。该轨道扣件检测方法,包括以下步骤:
步骤201,对获取的轨道扣件点云数据进行深度转换处理,得到二维轨道扣件深度图。
在一些实施例中,轨道扣件检测方法的执行主体(例如图1所示的计算设备101或图像车的车载终端)可以对获取的轨道扣件点云数据进行深度转换处理,得到二维轨道扣件深度图。其中,上述轨道扣件点云数据可以为通过有线连接方式或无线连接方式从结构光传感器在当前时刻采集到的轨道扣件的点云数据。上述结构光传感器设置在图像车上,且与上述图像车所在的轨道垂直。即,结构光传感器的拍摄镜头所在的平面与上述图像车所在的轨道平行。上述结构光传感器可以为线结构光传感器。上述图像车可以为在轨道上行驶的任意车辆。实践中,上述执行主体可以将上述轨道扣件点云数据包括的每个三维点的横轴和纵轴坐标值分别映射到二维图像的像素点上,并以该三维点的竖轴坐标值向下取整后的值作为该像素点的灰度值,得到转换的二维图像作为二维轨道扣件深度图。作为示例,上述二维轨道扣件深度图可以为图3。图3中竖直向上的方向可以为纵轴正方向,水平向右的方向可以为横轴正方向,每一像素的像素值表征深度。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。由此,可以自动将三维的轨道扣件点云数据转换为二维轨道扣件深度图。也因为上述结构光传感器与上述图像车所在的轨道垂直,结构光传感器采集的轨道扣件点云数据的竖坐标的偏差较小,从而深度图的像素值的准确性较高,可以提升轨道扣件检测的准确性。
步骤202,将二维轨道扣件深度图输入至预先训练的轨道扣件分割模型,得到轨道扣件分割图像。
在一些实施例中,上述执行主体可以将上述二维轨道扣件深度图输入至预先训练的轨道扣件分割模型,得到轨道扣件分割图像。其中,上述轨道扣件分割模型可以为以二维轨道扣件深度图为输入数据,以分割后的轨道扣件分割图像为输出数据的神经网络模型。例如,上述神经网络模型可以为DenseNet(Densely Connected Convolutional Networks)或HarDNet(Harmonic DenseNet)。上述轨道扣件分割图像中,分割后的各个部件对应的像素可以以不同的图像RGB值渲染。轨道扣件分割图像中至少包括以下中的分割区域:弹条、垫片、螺母、螺栓、轨面、轨底。由此,通过预先训练的轨道扣件分割模型,可以实现对二维轨道扣件深度图的快速、准确分割。
在一些实施例的一些可选的实现方式中,轨道扣件分割模型可以通过以下步骤训练得到:
第一步,获取轨道扣件点云数据集合。实践中,训练得到轨道扣件分割模型的执行主体可以为上述执行主体,也可以为其他计算设备。
第二步,对上述轨道扣件点云数据集合中的每个轨道扣件点云数据进行部件标注处理以生成标注轨道扣件点云数据,得到标注轨道扣件点云数据集合。实践中,可以以轨道扣件点云数据竖轴方向的坐标值为分割基准,利用区域生长算法对轨道扣件各部件进行标注。其中,分割阈值可以为0.4。对于分割阈值的具体设定,不作限定。标注对象可以包括但不限于:弹条、垫片、螺母、螺栓、轨面、轨底。标注对象的标签可以分别为1-6(标签0为背景项)。
第三步,对上述标注轨道扣件点云数据集合中的各个标注轨道扣件点云数据进行深度转换处理,得到标注二维轨道扣件深度图集合。实践中,进行深度转换处理的具体实现方式可以参考步骤201。
第四步,对上述轨道扣件点云数据集合中的各个轨道扣件点云数据进行深度转换处理,得到二维轨道扣件深度图集合。实践中,进行深度转换处理的具体实现方式可以参考步骤201。
第五步,将上述二维轨道扣件深度图集合包括的二维轨道扣件深度图作为输入,将与输入的二维轨道扣件深度图对应的轨道扣件分割图像作为实际输出,将上述标注二维轨道扣件深度图集合中与输入的二维轨道扣件深度图对应的标注轨道扣件分割图像作为期望输出,训练得到上述轨道扣件分割模型。实践中,可以在HardNet网络backbone的每个block上增加SE-Net通道注意力机制,用于对通道信息的重标定,由此训练得到上述轨道扣件分割模型。
实践中,还可以以预设比例,将上述二维轨道扣件深度图集合划分为训练集和测试集。然后,可以将上述训练集包括的二维轨道扣件深度图作为输入,将与输入的二维轨道扣件深度图对应的轨道扣件分割图像作为实际输出,将上述标注二维轨道扣件深度图集合中与输入的二维轨道扣件深度图对应的标注轨道扣件分割图像作为期望输出,训练得到初始轨道扣件分割模型。其次,可以将上述测试集包括的各个二维轨道扣件深度图输入至上述初始轨道扣件分割模型,得到轨道扣件深度分割图集合作为测试结果集合。之后,可以将上述测试结果集合中的各个测试结果与对应各个测试结果的各个标注二维轨道扣件深度图进行比较,得到初始轨道扣件分割模型的分割准确率。例如,对于每个测试结果,可以确定该测试结果的标注二维轨道扣件深度图中每个标签对应的图像与该测试结果(轨道扣件深度分割图)中对应于该标签的图像的相似度,得到相似度集合。然后,可以响应于相似度集合中各个相似度的均值大于等于预设相似度,确定该测试结果为准确的测试结果。最后,可以将准确的测试结果的数量与测试结果集合包括的测试结果的数量的比值确定为分割准确率。最后,可以响应于上述分割准确率大于等于预设准确率,将上述初始轨道扣件分割模型确定为上述轨道扣件分割模型。这里,对于预设比例、预设相似度和预设准确率的具体设定,不作限定。
步骤203,对轨道扣件分割图像进行感兴趣区域划分,得到至少一个感兴趣区域。
在一些实施例中,上述执行主体可以对上述轨道扣件分割图像进行感兴趣区域划分,得到至少一个感兴趣区域。其中,上述至少一个感兴趣区域包括同时包含弹条和垫片对应的部分分割区域的目标感兴趣区域。实践中,上述执行主体可以以轨道扣件分割图像中螺母对应的分割区域为基准,划分出至少一个感兴趣区域。例如,可以以螺母对应的分割区域的中心点的图像坐标为基准坐标,将上述基准坐标的横坐标与预设横坐标步长的和确定为感兴趣区域的中心点横坐标。然后,可以将上述中心点横坐标和基准坐标的纵坐标组合为感兴趣区域的中心点坐标。之后,可以根据预设感兴趣区域边长和上述中心点坐标,确定感兴趣区域的顶点坐标序列。最后,可以依次连接顶点坐标序列中的各个顶点坐标,得到目标感兴趣区域。例如,上述目标感兴趣区域可以为图4所示的框选区域。为避免图像压盖,图4中未显示分割边界,仅为框选区域位置示例。由此,可以将轨道扣件分割图像中待检测的区域划分为感兴趣区域。
步骤204,基于至少一个感兴趣区域,生成轨道扣件缺陷检测结果。
在一些实施例中,上述执行主体可以基于上述至少一个感兴趣区域,生成轨道扣件缺陷检测结果。实践中,上述执行主体可以首先将目标感兴趣区域中弹条对应的分割区域的平均像素值确定为第一平均像素值。然后,上述执行主体可以将目标感兴趣区域中垫片对应的分割区域的平均像素值确定为第二平均像素值。之后,可以确定上述第一平均像素值与上述第二平均像素值的差的绝对值。最后,可以响应于上述绝对值小于等于预设平均像素值,生成表征弹条装反的轨道扣件缺陷检测结果。这里,对于预设平均像素值的设定,不作限定。例如,轨道扣件缺陷检测结果可以为“弹条:reverse”。由此,可以根据感兴趣区域的图像像素,对轨道扣件进行检测。
在一些实施例的一些可选的实现方式中,上述执行主体可以将上述至少一个感兴趣区域输入至预先训练的轨道扣件缺陷类型决策树模型,得到轨道扣件缺陷检测结果。其中,上述轨道扣件缺陷类型决策树模型可以为以上述至少一个感兴趣区域为输入数据,以该至少一个感兴趣区域对应的轨道扣件的缺陷类型作为输出数据(即轨道扣件缺陷检测结果)的分类树。例如,上述分类树可以为CART分类树。由此,可以通过预先训练的分类树进行轨道扣件缺陷类型检测,得到轨道扣件缺陷检测结果。
可选地,上述执行主体可以将上述轨道扣件缺陷检测结果发送至相关联的服务器。其中,上述服务器可以为用于对轨道扣件缺陷检测结果进行存储和/或处理的服务器。由此,可以实现对轨道扣件缺陷检测结果的上报。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的轨道扣件检测方法,提升了轨道扣件检测效率和准确性,降低了轨道扣件检测的漏检率。具体来说,造成检测效率和准确性较低以及漏检率较高的原因在于:人工巡检方式耗时较长,检测效率较低,且检测结果的准确性较低、漏检率较高。基于此,本公开的一些实施例的轨道扣件检测方法,首先,对获取的轨道扣件点云数据进行深度转换处理,得到二维轨道扣件深度图。其中,上述轨道扣件点云数据是通过设置在图像车的结构光传感器采集的。上述结构光传感器与上述图像车所在的轨道垂直。由此,可以自动将三维的轨道扣件点云数据转换为二维轨道扣件深度图。然后,将上述二维轨道扣件深度图输入至预先训练的轨道扣件分割模型,得到轨道扣件分割图像。由此,通过预先训练的轨道扣件分割模型,可以实现对二维轨道扣件深度图的快速、准确分割。之后,对上述轨道扣件分割图像进行感兴趣区域划分,得到至少一个感兴趣区域。由此,可以将轨道扣件分割图像中待检测的区域划分为感兴趣区域。最后,基于上述至少一个感兴趣区域,生成轨道扣件缺陷检测结果。由此,可以根据感兴趣区域的图像像素,对轨道扣件进行检测。也因为上述结构光传感器与上述图像车所在的轨道垂直,结构光传感器采集的轨道扣件点云数据的竖坐标的偏差较小,从而深度图的像素值的准确性较高,可以提升轨道扣件检测的准确性。又因为可以自动将获取的三维的轨道扣件点云数据转换为二维轨道扣件深度图,可以自动根据二维轨道扣件深度图对轨道扣件进行检测。从而可以提升轨道扣件检测效率和准确性,降低轨道扣件检测的漏检率。又因为通过预先训练的轨道扣件分割模型对二维轨道扣件深度图进行了快速、准确的分割,可以进一步提升轨道扣件检测效率和准确性,降低轨道扣件检测的漏检率。由此,缩短了轨道扣件检测的时间,提升了轨道扣件检测效率和准确性,降低轨道扣件检测的漏检率。
进一步参考图5,其示出了轨道扣件检测方法的另一些实施例的流程500。该轨道扣件检测方法的流程500,包括以下步骤:
步骤501,对获取的轨道扣件点云数据进行深度转换处理,得到二维轨道扣件深度图。
步骤502,将二维轨道扣件深度图输入至预先训练的轨道扣件分割模型,得到轨道扣件分割图像。
在一些实施例中,步骤501-502的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-202,在此不再赘述。
步骤503,对轨道扣件分割图像进行感兴趣区域划分,得到至少一个感兴趣区域。
在一些实施例中,轨道扣件检测方法的执行主体(例如图1所示的计算设备101或图像车的车载终端)可以对上述轨道扣件分割图像进行感兴趣区域划分,得到至少一个感兴趣区域。其中,上述至少一个感兴趣区域包括第一区域和两个第二区域。上述第一区域包括第一弹条图像和第一垫片图像。其中,上述第一区域可以为弹条对应的分割区域中弹条向轨道内侧凸起的区域。第二区域可以为弹条对应的分割区域中弹条外侧与轨道竖向相对的区域。两个第二区域以螺母的横向中心线相对称。上述第一弹条图像可以为第一区域中对应于弹条的图像。上述第一垫片图像可以为第一区域中对应于垫片的图像。上述至少一个感兴趣区域还可以包括两个第三区域。每个上述第三区域中包括第三弹条图像和第三垫片图像。第三区域可以为弹条对应的分割区域中靠近轨道内侧的弹条一端的区域。两个第三区域以螺母的横向中心线相对称。上述第三弹条图像可以为第三区域中对应于弹条的图像。上述第三垫片图像可以为第三区域中对应于垫片的图像。作为示例,如图6所示,框选区域C为第一区域。框选区域A和B为第二区域。框选区域D和E为第三区域。为避免图像压盖,图6中未显示分割边界,仅为框选区域位置示例。
步骤504,基于第一弹条图像、第一垫片图像和两个第二区域,生成轨道扣件缺陷检测结果。
在一些实施例中,上述执行主体可以通过各种方式基于上述第一弹条图像、上述第一垫片图像和上述两个第二区域,生成轨道扣件缺陷检测结果。
在一些实施例的一些可选的实现方式中,首先,上述执行主体可以将上述第一弹条图像的平均像素值确定为第一弹条高度阈值。然后,可以将上述第一垫片图像的平均像素值确定为第一垫片高度阈值。之后,可以响应于上述第一弹条高度阈值与上述第一垫片高度阈值的差的绝对值大于预设像素值,确定上述两个第二区域中的像素数目是否均大于预设数值。这里,对于预设像素值和预设数值的设定,不作限定。最后,可以响应于确定上述两个第二区域中任意第二区域的像素数目小于等于上述预设数值,生成表征弹条缺失的轨道扣件缺陷检测结果。例如,表征弹条缺失的轨道扣件缺陷检测结果可以为“弹条:lose”。由此,可以对弹条是否缺失进行检测。
在一些实施例的一些可选的实现方式中,上述执行主体可以响应于上述绝对值小于等于上述预设像素值,生成表征弹条装反的轨道扣件缺陷检测结果。由此,可以同时对弹条是否缺失和弹条是否装反进行检测。
在一些实施例的一些可选的实现方式中,首先,上述执行主体可以响应于确定上述两个第二区域的像素数目均大于上述预设数值,确定上述两个第三区域包括的两个第三弹条图像的最大像素横坐标值的绝对值差是否小于上述两个第三区域包括的两个第三垫片图像的最大像素横坐标值的绝对值差。其中,最大像素横坐标值为图像中像素的最大横坐标值。然后,响应于确定上述两个第三弹条图像的像素点最大横坐标值的绝对值差大于等于上述两个第三垫片图像的像素点最大横坐标值的绝对值差,生成表征弹条歪斜的轨道扣件缺陷检测结果。例如,表征弹条歪斜的轨道扣件缺陷检测结果可以为“弹条:skew”。由此,可以对弹条是否歪斜进行检测。最后,可以响应于确定上述两个第三弹条图像的像素点最大横坐标值的绝对值差小于上述两个第三垫片图像的像素点最大横坐标值的绝对值差,生成表征弹条正常的轨道扣件缺陷检测结果。例如,表征弹条正常的轨道扣件缺陷检测结果可以为“弹条:normal”。由此,可以同时对弹条缺失、装反、歪斜进行检测。
从图5中可以看出,与图2对应的一些实施例的描述相比,图5对应的一些实施例中的轨道扣件检测方法的流程500体现了对生成轨道扣件缺陷检测结果进行扩展的步骤。由此,这些实施例描述的方案可以对不同轨道扣件缺陷的类型进行检测。
下面参考图7,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的计算设备)700的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如结构光传感器、触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对获取的轨道扣件点云数据进行深度转换处理,得到二维轨道扣件深度图,其中,上述轨道扣件点云数据是通过设置在图像车的结构光传感器采集的,上述结构光传感器与上述图像车所在的轨道垂直;将上述二维轨道扣件深度图输入至预先训练的轨道扣件分割模型,得到轨道扣件分割图像;对上述轨道扣件分割图像进行感兴趣区域划分,得到至少一个感兴趣区域;基于上述至少一个感兴趣区域,生成轨道扣件缺陷检测结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种轨道扣件检测方法,包括:
对获取的轨道扣件点云数据进行深度转换处理,得到二维轨道扣件深度图,其中,所述轨道扣件点云数据是通过设置在图像车的结构光传感器采集的,所述结构光传感器与所述图像车所在的轨道垂直;
将所述二维轨道扣件深度图输入至预先训练的轨道扣件分割模型,得到轨道扣件分割图像;
对所述轨道扣件分割图像进行感兴趣区域划分,得到至少一个感兴趣区域;
基于所述至少一个感兴趣区域,生成轨道扣件缺陷检测结果。
2.根据权利要求1所述的方法,其中,所述至少一个感兴趣区域包括第一区域和两个第二区域,所述第一区域包括第一弹条图像和第一垫片图像;以及
所述基于所述至少一个感兴趣区域,生成轨道扣件缺陷检测结果,包括:
基于所述第一弹条图像、所述第一垫片图像和所述两个第二区域,生成轨道扣件缺陷检测结果。
3.根据权利要求2所述的方法,其中,所述基于所述第一弹条图像、所述第一垫片图像和所述两个第二区域,生成轨道扣件缺陷检测结果,包括:
将所述第一弹条图像的平均像素值确定为第一弹条高度阈值;
将所述第一垫片图像的平均像素值确定为第一垫片高度阈值;
响应于所述第一弹条高度阈值与所述第一垫片高度阈值的差的绝对值大于预设像素值,确定所述两个第二区域中的像素数目是否均大于预设数值;
响应于确定所述两个第二区域中任意第二区域的像素数目小于等于所述预设数值,生成表征弹条缺失的轨道扣件缺陷检测结果。
4.根据权利要求3所述的方法,其中,所述基于所述第一弹条图像、所述第一垫片图像和所述两个第二区域,生成轨道扣件缺陷检测结果,包括:
响应于所述绝对值小于等于所述预设像素值,生成表征弹条装反的轨道扣件缺陷检测结果。
5.根据权利要求4所述的方法,其中,所述至少一个感兴趣区域还包括两个第三区域,每个所述第三区域中包括第三弹条图像和第三垫片图像;以及
所述生成轨道扣件缺陷检测结果,包括:
响应于确定所述两个第二区域的像素数目均大于所述预设数值,确定所述两个第三区域包括的两个第三弹条图像的最大像素横坐标值的绝对值差是否小于所述两个第三区域包括的两个第三垫片图像的最大像素横坐标值的绝对值差;
响应于确定所述两个第三弹条图像的像素点最大横坐标值的绝对值差大于等于所述两个第三垫片图像的像素点最大横坐标值的绝对值差,生成表征弹条歪斜的轨道扣件缺陷检测结果;
响应于确定所述两个第三弹条图像的像素点最大横坐标值的绝对值差小于所述两个第三垫片图像的像素点最大横坐标值的绝对值差,生成表征弹条正常的轨道扣件缺陷检测结果。
6.根据权利要求1所述的方法,其中,所述基于所述至少一个感兴趣区域,生成轨道扣件缺陷检测结果,包括:
将所述至少一个感兴趣区域输入至预先训练的轨道扣件缺陷类型决策树模型,得到轨道扣件缺陷检测结果。
7.根据权利要求1所述的方法,其中,所述轨道扣件分割模型是通过以下步骤训练得到的:
获取轨道扣件点云数据集合;
对所述轨道扣件点云数据集合中的每个轨道扣件点云数据进行部件标注处理以生成标注轨道扣件点云数据,得到标注轨道扣件点云数据集合;
对所述标注轨道扣件点云数据集合中的各个标注轨道扣件点云数据进行深度转换处理,得到标注二维轨道扣件深度图集合;
对所述轨道扣件点云数据集合中的各个轨道扣件点云数据进行深度转换处理,得到二维轨道扣件深度图集合;
将所述二维轨道扣件深度图集合包括的二维轨道扣件深度图作为输入,将与输入的二维轨道扣件深度图对应的轨道扣件分割图像作为实际输出,将所述标注二维轨道扣件深度图集合中与输入的二维轨道扣件深度图对应的标注轨道扣件分割图像作为期望输出,训练得到所述轨道扣件分割模型。
8.根据权利要求1-7之一所述的方法,其中,所述方法还包括:
将所述轨道扣件缺陷检测结果发送至相关联的服务器。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
结构光传感器,被配置成采集轨道扣件点云数据;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111109520.2A CN113808112B (zh) | 2021-09-22 | 2021-09-22 | 轨道扣件检测方法、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111109520.2A CN113808112B (zh) | 2021-09-22 | 2021-09-22 | 轨道扣件检测方法、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113808112A true CN113808112A (zh) | 2021-12-17 |
CN113808112B CN113808112B (zh) | 2024-03-01 |
Family
ID=78896173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111109520.2A Active CN113808112B (zh) | 2021-09-22 | 2021-09-22 | 轨道扣件检测方法、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113808112B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100109A (zh) * | 2022-05-19 | 2022-09-23 | 南昌工程学院 | 一种轨道弹条扣件的松紧状态检测方法 |
CN115439480A (zh) * | 2022-11-09 | 2022-12-06 | 成都运达科技股份有限公司 | 基于3d深度图像模板匹配的螺栓异常检测方法及系统 |
CN116342966A (zh) * | 2023-05-30 | 2023-06-27 | 苏州振畅智能科技有限公司 | 一种基于深度学习的轨道巡检方法、装置、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090010490A1 (en) * | 2007-07-03 | 2009-01-08 | Shoppertrak Rct Corporation | System and process for detecting, tracking and counting human objects of interest |
CN104359921A (zh) * | 2014-11-20 | 2015-02-18 | 中南大学 | 一种基于结构光的扣件缺失检测方法及其装置 |
CN106192634A (zh) * | 2016-08-31 | 2016-12-07 | 武汉汉宁轨道交通技术有限公司 | 一种铁路轨道弹条扣件状态自动检测装置以及方法 |
CN107180425A (zh) * | 2017-05-19 | 2017-09-19 | 华夏高铁技术有限公司 | 轨道扣件自动识别方法和装置 |
CN109636789A (zh) * | 2018-12-13 | 2019-04-16 | 银河水滴科技(北京)有限公司 | 基于图像分割的轨道扣件的零件缺失检测方法及装置 |
CN109767427A (zh) * | 2018-12-25 | 2019-05-17 | 北京交通大学 | 列车轨道扣件缺陷的检测方法 |
US20200401938A1 (en) * | 2019-05-29 | 2020-12-24 | The Board Of Trustees Of The Leland Stanford Junior University | Machine learning based generation of ontology for structural and functional mapping |
CN112858804A (zh) * | 2020-12-25 | 2021-05-28 | 广西交控智维科技发展有限公司 | 轨道车辆的电源屏故障诊断方法及装置 |
CN112907164A (zh) * | 2019-12-03 | 2021-06-04 | 北京京东乾石科技有限公司 | 物体定位方法和装置 |
-
2021
- 2021-09-22 CN CN202111109520.2A patent/CN113808112B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090010490A1 (en) * | 2007-07-03 | 2009-01-08 | Shoppertrak Rct Corporation | System and process for detecting, tracking and counting human objects of interest |
CN104359921A (zh) * | 2014-11-20 | 2015-02-18 | 中南大学 | 一种基于结构光的扣件缺失检测方法及其装置 |
CN106192634A (zh) * | 2016-08-31 | 2016-12-07 | 武汉汉宁轨道交通技术有限公司 | 一种铁路轨道弹条扣件状态自动检测装置以及方法 |
CN107180425A (zh) * | 2017-05-19 | 2017-09-19 | 华夏高铁技术有限公司 | 轨道扣件自动识别方法和装置 |
CN109636789A (zh) * | 2018-12-13 | 2019-04-16 | 银河水滴科技(北京)有限公司 | 基于图像分割的轨道扣件的零件缺失检测方法及装置 |
CN109767427A (zh) * | 2018-12-25 | 2019-05-17 | 北京交通大学 | 列车轨道扣件缺陷的检测方法 |
US20200401938A1 (en) * | 2019-05-29 | 2020-12-24 | The Board Of Trustees Of The Leland Stanford Junior University | Machine learning based generation of ontology for structural and functional mapping |
CN112907164A (zh) * | 2019-12-03 | 2021-06-04 | 北京京东乾石科技有限公司 | 物体定位方法和装置 |
CN112858804A (zh) * | 2020-12-25 | 2021-05-28 | 广西交控智维科技发展有限公司 | 轨道车辆的电源屏故障诊断方法及装置 |
Non-Patent Citations (2)
Title |
---|
YA-WEN LIN ETAL.: "Railway Track Fasteners Fault Detection using Deep Learning", 《2019 IEEE EURASIA CONFERENCE ON IOT, COMMUNICATION AND ENGINEERING (ECICE)》 * |
王乐等: "基于线结构光的钢轨扣件紧固状态检测方法", 《激光与光电子学进展》, vol. 58, no. 16 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100109A (zh) * | 2022-05-19 | 2022-09-23 | 南昌工程学院 | 一种轨道弹条扣件的松紧状态检测方法 |
CN115439480A (zh) * | 2022-11-09 | 2022-12-06 | 成都运达科技股份有限公司 | 基于3d深度图像模板匹配的螺栓异常检测方法及系统 |
CN115439480B (zh) * | 2022-11-09 | 2023-02-28 | 成都运达科技股份有限公司 | 基于3d深度图像模板匹配的螺栓异常检测方法及系统 |
CN116342966A (zh) * | 2023-05-30 | 2023-06-27 | 苏州振畅智能科技有限公司 | 一种基于深度学习的轨道巡检方法、装置、设备及介质 |
CN116342966B (zh) * | 2023-05-30 | 2023-08-11 | 苏州振畅智能科技有限公司 | 一种基于深度学习的轨道巡检方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113808112B (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113808112B (zh) | 轨道扣件检测方法、电子设备和计算机可读介质 | |
CN112598762B (zh) | 三维车道线信息生成方法、装置、电子设备和介质 | |
WO2022105622A1 (zh) | 图像分割方法、装置、可读介质及电子设备 | |
CN113253319B (zh) | 基于车辆gps的路网提取和轨迹纠偏方法和系统 | |
CN117690063B (zh) | 电缆线路检测方法、装置、电子设备与计算机可读介质 | |
CN113505687A (zh) | 设备测试方法、装置、电子设备、系统和存储介质 | |
CN115203004A (zh) | 代码覆盖率测试方法、装置、存储介质及电子设备 | |
CN110456798B (zh) | 用于控制车辆行驶的方法及装置 | |
CN110866524A (zh) | 车牌检测方法、装置、设备及存储介质 | |
CN110517354B (zh) | 用于三维点云分割的方法、装置、系统及介质 | |
CN114267012A (zh) | 船舶类型检测方法、装置、电子设备及可读存储介质 | |
CN111965383B (zh) | 车速信息生成方法、装置、电子设备和计算可读介质 | |
CN112232326A (zh) | 行驶信息生成方法、装置、电子设备和计算机可读介质 | |
CN111383337B (zh) | 用于识别对象的方法和装置 | |
CN114676175B (zh) | 一种道路颠簸点检测方法、装置、设备及介质 | |
CN115484721A (zh) | 基于路侧感知系统的路灯控制方法、装置、设备及介质 | |
CN110348374B (zh) | 车辆检测方法、装置、电子设备及存储介质 | |
CN110796144B (zh) | 车牌检测方法、装置、设备及存储介质 | |
CN113884170A (zh) | 货车偏载识别方法、装置及计算机可读存储介质 | |
CN114359673B (zh) | 基于度量学习的小样本烟雾检测方法、装置和设备 | |
CN111325712B (zh) | 用于检测图像有效性的方法及装置 | |
CN118229171B (zh) | 电力设备存放区域信息展示方法、装置与电子设备 | |
CN117857388B (zh) | 交换机运行信息检测方法、装置、电子设备与计算机介质 | |
CN118275126A (zh) | 一种检测系统 | |
CN117974635A (zh) | 电缆通道检测方法、装置、电子设备与计算机可读介质 |
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 |