CN113838030A - 一种道岔状态检测方法 - Google Patents
一种道岔状态检测方法 Download PDFInfo
- Publication number
- CN113838030A CN113838030A CN202111122050.3A CN202111122050A CN113838030A CN 113838030 A CN113838030 A CN 113838030A CN 202111122050 A CN202111122050 A CN 202111122050A CN 113838030 A CN113838030 A CN 113838030A
- Authority
- CN
- China
- Prior art keywords
- turnout
- data
- state
- point cloud
- image
- 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 39
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G06T5/73—
-
- 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
- G06T2207/20—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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种道岔状态检测方法,包括:通过摄像机和激光传感器获取道岔状态的训练数据,训练数据包括初始道岔图像数据和初始道岔点云数据;对初始道岔图像数据和初始道岔点云数据分别进行数据预处理,得到中间道岔图像数据和中间道岔点云数据;对得到的中间道岔图像数据和中间道岔点云数据分别进行判断,得到图像‑道岔状态和点云‑道岔状态;将得到的中间道岔图像数据和中间道岔点云数据进行融合建模,得到三维融合道岔数据;对得到的三维融合道岔数据进行判断,得到融合‑道岔状态;根据图像‑道岔状态、点云‑道岔状态、融合‑道岔状态对道岔的实际状态进行综合判断。
Description
技术领域
本发明涉及轨道交通安全领域,具体涉及一种道岔状态检测方法。
背景技术
随着城市轨道交通的迅速发展,轨道交通的安全需要越来越高。现有技术的道岔检测系统主要依靠电力控制系统传递道岔状态,一旦电力控制系统故障,容易引发地铁事故,道岔状态传递错误就有可能引发地铁脱轨。
道岔检测的数据来源有两个:摄像机和激光雷达;使用摄像机得到道岔的高分辨率图片,使用激光雷达检测道岔与传感器之间的精确距离。目前,市面上的激光雷达探测存在±2cm的误差,当道岔的岔尖与铁轨贴合不紧密时,这个误差足以使判断结果发生错误,从而导致列车出轨的严重后果。
发明内容
本发明提供了一种道岔状态检测方法,提高了道岔检测系统的可靠性和安全性,包括如下步骤:
T1:通过摄像机和激光传感器获取道岔状态的训练数据,按比例划分为训练集、验证集和测试集;训练数据包括初始道岔图像数据和初始道岔点云数据;其中,针对每对道岔在铁路旁设置有一对或多对激光传感器;
T2:对初始道岔图像数据和初始道岔点云数据分别进行数据预处理,得到中间道岔图像数据和中间道岔点云数据;
T3:对T2中得到的中间道岔图像数据和中间道岔点云数据分别进行判断,得到图像-道岔状态和点云-道岔状态;
T4:将T2中得到的中间道岔图像数据和中间道岔点云数据进行融合建模,得到三维融合道岔数据;
T5:对T4中得到的三维融合道岔数据进行判断,得到融合-道岔状态;
T6:根据图像-道岔状态、点云-道岔状态、融合-道岔状态对道岔的实际状态进行综合判断。
本发明对两种不同类型的数据进行分别分析再将两个数据进行融合分析,得到三个对道岔状态的判断结果,针对三个通过不同手段得到的判断结果来综合判断铁路道岔的实际状态,通过多特征融合与多模型融合相结合的双层融合计算机制,提高了道岔状态的实时判断精度,并且使得检测结果具有很高的冗余性和安全性。
由于实际铁路中的道岔形状不一,难以完全覆盖,因此T1所述的训练数据是针对选定的一种或多种主流的道岔形状的铁路道岔进行采集的;如果需要处理较为少见的道岔,则需要添加对应的道岔形状,对已经训练好的模型进行调整。
训练数据包括在不同天气状态下获取的数据,以记录选定道岔的各种状态。
在上述方案的基础上,进一步的有,T2所述的初始道岔图像数据预处理包括以下子步骤:
T21:判断初始道岔图像的清晰度,若低于清晰度阈值,则进行去雾处理;
T22:使用随机旋转、搞死模糊等方式对T211得到的图像数据进行数据增强处理,增强模型对图片的鲁棒性,得到中间道岔图像数据。
在上述方案的基础上,进一步的有,T3所述的对中间道岔图像数据状态判断的方法,采用基于深度学习的人工智能算法进行道岔状态识别,具体包括以下子步骤:
T311:使用中间道岔图像数据的训练数据对ResNext图像分类神经网络模型进行训练,使用Adam优化器进行梯度下降优化;
T312:将中间道岔图像数据输入完成训练的ResNext图像分类神经网络模型,进行图像-道岔状态的判断。
在上述方案的基础上,进一步的有,T3所述的对中间道岔点云数据状态判断的方法具体为利用三角运算方式计算对应的道岔岔尖与轨道之间的距离,进行点云-道岔状态的判断。
在上述方案的基础上,进一步的有,T4所述的数据融合建模,包括以下子步骤:
T41:根据中间道岔图像数据获取道岔二维点集坐标数据;根据中间道岔点云数据获取道岔三维点云坐标数据;
T42:将T41得到的道岔二维点集坐标数据转换到三维空间,与T41中的道岔三维点云坐标数据进行融合建模,得到三维融合道岔数据;
T43:使用T42得到的三维融合道岔数据对Pointnet++三维分类神经网络模型进行训练,使用Adam优化器进行梯度下降优化;
所述T5进一步包括:将三维融合道岔数据输入完成训练的Pointnet++三维分类神经网络模型,进行融合-道岔状态的判断。
在上述方案的基础上,进一步的有,T41所述的获取道岔二维点集坐标数据,包括以下子步骤:
T411:使用中间道岔图像数据的训练数据对Unet++图像分割神经网络模型进行训练,使用Adam优化器进行梯度下降优化;
T412:将中间道岔图像数据输入完成训练的Unet++图像分割神经网络模型,得到道岔二维点集坐标数据。
在上述方案的基础上,进一步的有,T41所述的获取道岔三维点云坐标数据的方法为:对中间道岔点云数据进行成对分组关联,再进行平面分割,得到道岔三维点云坐标数据。
在上述方案的基础上,进一步的有,T6所述的综合判断方法为:当图像-道岔状态、点云-道岔状态、融合-道岔状态三种状态判断结果一致时,系统认可判断结果;当三种状态判断结果出现差异时,系统进行告警并提示人工复核道岔状态及检测系统的工作状态;若道岔状态异常,检测系统将持续告警,直至异常状态消失或人工关闭告警。
道岔检测是一个基于t1时间周期的连续检测过程,在时间范围t2内的连续检查结果完全一致时,系统才能根据判断结果认证道岔状态,t2≥3t1;
若检测结果不一致,则认为道岔在移动过程中,判断状态为临时状态,不作为最终状态来判定;
道岔完成状态的机械时间为t3,若系统在t4时仍未检查到道岔的最终状态,则认为道岔存在机械故障,并进行告警;t4≥2t3。
本发明与现有技术相比,具有如下的优点和有益效果:
1.本发明对两种不同类型的数据进行分别分析再将两个数据进行融合分析,得到三个对道岔状态的判断结果,针对三个通过不同手段得到的判断结果来综合判断铁路道岔的实际状态,通过多特征融合与多模型融合相结合的双层融合计算机制,提高了道岔状态的实时判断精度,并且使得检测结果具有很高的冗余性和安全性。
2.由于市面上的激光雷达探测存在±2cm的误差,当道岔的岔尖与铁轨贴合不紧密时,这个误差足以使判断结果发生错误,从而导致列车出轨的严重后果。本发明采用高精度的激光距离检测传感器,结合特有的算法,将距离误差降低至1mm以内,避免对道岔状态产生错误判断造成安全事故。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。在附图中:
图1为本发明的数据流图。
附图中标记及对应的数据名称:1-初始道岔图像数据,2-初始道岔点云数据,3-中间道岔图像数据,4-中间道岔点云数据,5-道岔二维点集坐标数据,6-三维融合道岔数据,7-道岔三维点云坐标数据,8-图像-道岔状态,9-融合-道岔状态,10-点云-道岔状态,11-道岔的实际状态。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
在以下描述中,为了提供对本发明的透彻理解阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。在其他实施例中,为了避免混淆本发明,未具体描述公知的结构、电路、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中,术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制。
实施例:
如图1所示,本实施例旨在利用摄像机与激光雷达实现多特征高精度冗余性道岔状态识别。
道岔状态定义为以下五种情况:
贴合状态:道岔和某一侧铁轨贴合良好,包括左贴合和右贴合,都是正常状态之一。
悬空:道岔不贴合任何一侧铁轨,一般情况为正常状态,可以根据道岔实际情况设置为异常状态(即该道岔不允许悬空)。
贴合不到位:道岔接近某一个铁轨,但达到不贴合的要求,可能会导致列车拖轨,为异常状态。
转换中:道岔正在由一侧转换只另一侧,但还没有转换到位,属于一种临时状态。此临时状态持续时间超过道岔机械装置转换时间的2倍时,将转换为机械异常状态。
机械异常:道岔解析转换装置无法在起本身性能参数固定的时间内完成道岔状态的转换,是一种道岔异常状态。
本实施例提供了一种道岔状态检测方法,对上述的五种道岔状态进行检测判断,包括如下步骤:
T1:通过摄像机和激光传感器获取道岔状态的训练数据,按比例划分为训练集、验证集和测试集;训练数据包括初始道岔图像数据1和初始道岔点云数据2;其中,针对每对道岔在铁路旁设置有一对或多对激光传感器;
T2:对初始道岔图像数据1和初始道岔点云数据2分别进行数据预处理,得到中间道岔图像数据3和中间道岔点云数据4;
T311:使用中间道岔图像数据3的训练数据对ResNext图像分类神经网络模型进行训练,使用Adam优化器进行梯度下降优化;
T312:将中间道岔图像数据3输入完成训练的ResNext图像分类神经网络模型,进行图像-道岔状态8的判断。
T321:利用三角运算方式计算对应的道岔岔尖与轨道之间的距离,进行点云-道岔状态10的判断。
T411:使用中间道岔图像数据3的训练数据对Unet++图像分割神经网络模型进行训练,使用Adam优化器进行梯度下降优化;
T412:将中间道岔图像数据3输入完成训练的Unet++图像分割神经网络模型,得到道岔二维点集坐标数据5。
T421:对中间道岔点云数据4进行成对分组关联,再进行平面分割,得到道岔三维点云坐标数据7。
T42:将T41得到的道岔二维点集坐标数据5转换到三维空间,与T41中的道岔三维点云坐标数据7进行融合建模,得到三维融合道岔数据6;
T43:使用T42得到的三维融合道岔数据6对Pointnet++三维分类神经网络模型进行训练,使用Adam优化器进行梯度下降优化;
T5:将三维融合道岔数据6输入完成训练的Pointnet++三维分类神经网络模型,进行融合-道岔状态9的判断,得到融合-道岔状态9;
T6:根据图像-道岔状态8、点云-道岔状态10、融合-道岔状态9对道岔的实际状态11进行综合判断;
当图像-道岔状态8、点云-道岔状态10、融合-道岔状态9三种状态判断结果一致时,系统认可判断结果;当三种状态判断结果出现差异时,系统进行告警并提示人工复核道岔状态及检测系统的工作状态;若道岔状态异常,检测系统将持续告警,直至异常状态消失或人工关闭告警。
道岔检测是一个基于t1时间周期的连续检测过程,在时间范围t2内的连续检查结果完全一致时,系统才能根据判断结果认证道岔状态,t2≥3t1;
若检测结果不一致,则认为道岔在移动过程中,判断状态为临时状态,不作为最终状态来判定;
道岔完成状态的机械时间为t3,若系统在t4时仍未检查到道岔的最终状态,则认为道岔存在机械故障,并进行告警;t4≥2t3。
由于实际铁路中的道岔形状不一,难以完全覆盖,因此T1所述的训练数据是针对选定的一种或多种主流的道岔形状的铁路道岔进行采集的;如果需要处理较为少见的道岔,则需要添加对应的道岔形状,对已经训练好的模型进行调整。
训练数据包括在不同天气状态下获取的数据,以记录选定道岔的各种状态。
优选的,T2所述的初始道岔图像数据1预处理包括以下子步骤:
T21:判断初始道岔图像的清晰度,若低于清晰度阈值,则进行去雾处理;
T22:使用随机旋转、搞死模糊等方式对T211得到的图像数据进行数据增强处理,增强模型对图片的鲁棒性,得到中间道岔图像数据3。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种道岔状态检测方法,其特征在于,包括如下步骤:
T1:通过摄像机和激光传感器获取道岔状态的训练数据,按比例划分为训练集、验证集和测试集;训练数据包括初始道岔图像数据和初始道岔点云数据;其中,针对每对道岔在铁路旁设置有一对或多对激光传感器;
T2:对初始道岔图像数据和初始道岔点云数据分别进行数据预处理,得到中间道岔图像数据和中间道岔点云数据;
T3:对T2中得到的中间道岔图像数据和中间道岔点云数据分别进行判断,得到图像-道岔状态和点云-道岔状态;
T4:将T2中得到的中间道岔图像数据和中间道岔点云数据进行融合建模,得到三维融合道岔数据;
T5:对T4中得到的三维融合道岔数据进行判断,得到融合-道岔状态;
T6:根据图像-道岔状态、点云-道岔状态、融合-道岔状态对道岔的实际状态进行综合判断。
2.根据权利要求1所述的一种道岔状态检测方法,其特征在于,T1所述的训练数据是针对选定的一种或多种道岔形状的铁路道岔进行采集的;包括在不同天气状态下获取的数据。
3.根据权利要求1所述的一种道岔状态检测方法,其特征在于,T2所述的初始道岔图像数据预处理包括以下子步骤:
T21:判断初始道岔图像的清晰度,若低于清晰度阈值,则进行去雾处理;
T22:对T211得到的图像数据进行数据增强处理,得到中间道岔图像数据。
4.根据权利要求1所述的一种道岔状态检测方法,其特征在于,T3所述的对中间道岔图像数据状态判断的方法,包括以下子步骤:
T311:使用中间道岔图像数据的训练数据对ResNext图像分类神经网络模型进行训练;
T312:将中间道岔图像数据输入完成训练的ResNext图像分类神经网络模型,进行图像-道岔状态的判断。
5.根据权利要求1所述的一种道岔状态检测方法,其特征在于,T3所述的对中间道岔点云数据状态判断的方法为:利用三角运算计算对应的道岔岔尖与轨道之间的距离,进行点云-道岔状态的判断。
6.根据权利要求1所述的一种道岔状态检测方法,其特征在于,T4所述的数据融合建模,包括以下子步骤:
T41:根据中间道岔图像数据获取道岔二维点集坐标数据;根据中间道岔点云数据获取道岔三维点云坐标数据;
T42:将T41得到的道岔二维点集坐标数据转换到三维空间,与T41中的道岔三维点云坐标数据进行融合建模,得到三维融合道岔数据;
T43:使用T42得到的三维融合道岔数据对Pointnet++三维分类神经网络模型进行训练;
所述T5进一步包括:将三维融合道岔数据输入完成训练的Pointnet++三维分类神经网络模型,进行融合-道岔状态的判断。
7.根据权利要求6所述的一种道岔状态检测方法,其特征在于,T41所述的获取道岔二维点集坐标数据,包括以下子步骤:
T411:使用中间道岔图像数据的训练数据对Unet++图像分割神经网络模型进行训练;
T412:将中间道岔图像数据输入完成训练的Unet++图像分割神经网络模型,得到道岔二维点集坐标数据。
8.根据权利要求6所述的一种道岔状态检测方法,其特征在于,T41所述的获取道岔三维点云坐标数据的方法为:对中间道岔点云数据进行成对分组关联,再进行平面分割,得到道岔三维点云坐标数据。
9.根据权利要求1所述的一种道岔状态检测方法,其特征在于,T6所述的综合判断方法为:当图像-道岔状态、点云-道岔状态、融合-道岔状态三种状态判断结果一致时,系统认可判断结果;当三种状态判断结果出现差异时,系统进行告警并提示人工复核道岔状态及检测系统的工作状态;若道岔状态异常,检测系统将持续告警,直至异常状态消失或人工关闭告警。
10.根据权利要求9所述的一种道岔状态检测方法,其特征在于,道岔检测是一个基于t1时间周期的连续检测过程,在时间范围t2内的连续检查结果完全一致时,系统才能根据判断结果认证道岔状态,t2≥3t1;
若检测结果不一致,则认为道岔在移动过程中,判断状态为临时状态,不作为最终状态来判定;
道岔完成状态的机械时间为t3,若系统在t4时仍未检查到道岔的最终状态,则认为道岔存在机械故障,并进行告警;t4≥2t3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122050.3A CN113838030B (zh) | 2021-09-24 | 一种道岔状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111122050.3A CN113838030B (zh) | 2021-09-24 | 一种道岔状态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113838030A true CN113838030A (zh) | 2021-12-24 |
CN113838030B CN113838030B (zh) | 2024-05-14 |
Family
ID=
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010115436A1 (de) * | 2009-04-07 | 2010-10-14 | Ean Elektroschaltanlagen Gmbh | Verfahren und einrichtung zum energiemanagement für elektrische weichenheizungen |
CN201804054U (zh) * | 2010-05-26 | 2011-04-20 | 广州市地下铁道总公司 | 交流道岔转辙机故障检测系统 |
CN104021586A (zh) * | 2014-05-05 | 2014-09-03 | 深圳市城市管理监督指挥中心 | 基于北斗定位的空地一体城市生态文明管理系统及方法 |
CN110378196A (zh) * | 2019-05-29 | 2019-10-25 | 电子科技大学 | 一种结合激光点云数据的道路视觉检测方法 |
CN110414418A (zh) * | 2019-07-25 | 2019-11-05 | 电子科技大学 | 一种图像-激光雷达图像数据多尺度融合的道路检测方法 |
CN110497939A (zh) * | 2019-07-16 | 2019-11-26 | 北京埃福瑞科技有限公司 | 轨道交通防撞检测系统及方法 |
CN111923966A (zh) * | 2020-07-16 | 2020-11-13 | 北京交通大学 | 面向不同智能化等级的城市轨道交通列车运行控制系统 |
CN112406960A (zh) * | 2020-11-08 | 2021-02-26 | 青岛融创信为技术有限公司 | 一种地铁用多传感器融合的主动防撞系统和方法 |
CN112541396A (zh) * | 2020-11-16 | 2021-03-23 | 西人马帝言(北京)科技有限公司 | 一种车道线检测方法、装置、设备及计算机存储介质 |
CN113269040A (zh) * | 2021-04-25 | 2021-08-17 | 南京大学 | 结合图象识别与激光雷达点云分割的驾驶环境感知方法 |
CN113406417A (zh) * | 2021-06-11 | 2021-09-17 | 合安高铁股份有限公司 | 一种s700k道岔转辙机的故障树分析方法 |
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010115436A1 (de) * | 2009-04-07 | 2010-10-14 | Ean Elektroschaltanlagen Gmbh | Verfahren und einrichtung zum energiemanagement für elektrische weichenheizungen |
CN201804054U (zh) * | 2010-05-26 | 2011-04-20 | 广州市地下铁道总公司 | 交流道岔转辙机故障检测系统 |
CN104021586A (zh) * | 2014-05-05 | 2014-09-03 | 深圳市城市管理监督指挥中心 | 基于北斗定位的空地一体城市生态文明管理系统及方法 |
CN110378196A (zh) * | 2019-05-29 | 2019-10-25 | 电子科技大学 | 一种结合激光点云数据的道路视觉检测方法 |
CN110497939A (zh) * | 2019-07-16 | 2019-11-26 | 北京埃福瑞科技有限公司 | 轨道交通防撞检测系统及方法 |
CN110414418A (zh) * | 2019-07-25 | 2019-11-05 | 电子科技大学 | 一种图像-激光雷达图像数据多尺度融合的道路检测方法 |
CN111923966A (zh) * | 2020-07-16 | 2020-11-13 | 北京交通大学 | 面向不同智能化等级的城市轨道交通列车运行控制系统 |
CN112406960A (zh) * | 2020-11-08 | 2021-02-26 | 青岛融创信为技术有限公司 | 一种地铁用多传感器融合的主动防撞系统和方法 |
CN112541396A (zh) * | 2020-11-16 | 2021-03-23 | 西人马帝言(北京)科技有限公司 | 一种车道线检测方法、装置、设备及计算机存储介质 |
CN113269040A (zh) * | 2021-04-25 | 2021-08-17 | 南京大学 | 结合图象识别与激光雷达点云分割的驾驶环境感知方法 |
CN113406417A (zh) * | 2021-06-11 | 2021-09-17 | 合安高铁股份有限公司 | 一种s700k道岔转辙机的故障树分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889350B (zh) | 一种基于三维成像的线路障碍物监测报警系统及方法 | |
CN108313088B (zh) | 一种非接触式轨道车辆障碍物检测系统 | |
CN104809427B (zh) | 基于3d信息的故障自动识别检测系统及检测方法 | |
CN109238756B (zh) | 货车运行故障动态图像检测设备及检测方法 | |
CN109552367B (zh) | 基于通信与主动识别相结合的列车行驶防护系统及方法 | |
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 | |
CN109270524A (zh) | 基于无人驾驶的多数据融合障碍物检测装置及其检测方法 | |
CN104048646B (zh) | 基于激光图像测量的脱轨检测装置及方法 | |
Mahfuz et al. | Autonomous railway crack detector robot for bangladesh: SCANOBOT | |
CN113753094B (zh) | 一种道岔检测系统及方法 | |
CN105564460B (zh) | 受电弓意外降弓识别检测方法及系统 | |
CN115953662A (zh) | 一种基于多模式融合识别的列车运行环境障碍物感知方法 | |
Paul et al. | Railway track crack detection | |
CN110789575A (zh) | 适用于高原稀疏铁路的列车运行控制系统 | |
Pavlović et al. | AI powered obstacle distance estimation for onboard autonomous train operation | |
CN110490342B (zh) | 一种基于Faster R-CNN的接触网静态几何参数检测方法 | |
CN113838030A (zh) | 一种道岔状态检测方法 | |
CN113838030B (zh) | 一种道岔状态检测方法 | |
CN102749335B (zh) | 基于二代曲波系数形态学条带能量法的绝缘子破损故障检测方法 | |
CN114814826B (zh) | 一种基于目标网格的雷达轨行区环境感知方法 | |
CN113435404B (zh) | 基于雷达及图像检测的电客车调车安全辅助驾驶方法与系统 | |
CN110501699A (zh) | 一种屏蔽门与车体间的障碍物检测系统及检测方法 | |
CN106885700A (zh) | 一种盲区检测设备的模拟测试装置及其方法 | |
Athira | Image processing based real time obstacle detection and alert system for trains | |
Di Summa et al. | A review on deep learning techniques for railway infrastructure monitoring |
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 |