CN113947731A - 一种基于接触网安全巡检的异物识别方法及系统 - Google Patents
一种基于接触网安全巡检的异物识别方法及系统 Download PDFInfo
- Publication number
- CN113947731A CN113947731A CN202111567242.5A CN202111567242A CN113947731A CN 113947731 A CN113947731 A CN 113947731A CN 202111567242 A CN202111567242 A CN 202111567242A CN 113947731 A CN113947731 A CN 113947731A
- Authority
- CN
- China
- Prior art keywords
- foreign object
- image
- foreign matter
- foreign
- time
- 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
Images
Classifications
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于接触网安全巡检的异物识别方法及系统,包括以下步骤:步骤S1、通过飞行机携带高速相机巡检接触网,由高速相机采集异物目标的运动图像,并将高速相机拍摄运动图像的时间和坐标标记为运动图像的固有属性,步骤S2、在所述异物识别图像识别得到所述异物目标的区域特征以实现在接触网对异物的识别目的,所述区域特征表征为异物目标位于巡检接触网的坐标属性。本发明运用基于CNN‑LSTM混合神经网络训练得到的异物目标预测模型能够实现对在巡检接触网的异物目标进行实时识别、以及追踪拦截,避免进一步扩大异物目标对巡检接触网的破坏程度,在进行接触网异物检测时直接控制拍摄图片质量,从而导致检测精度提高。
Description
技术领域
本发明涉及接触网巡检分离技术领域,具体涉及一种基于接触网安全巡检的异物识别方法及系统。
背景技术
高速铁路的接触网作为向电力机车供电的设备,如果附着异物(常见如塑料袋、风筝等轻飘物)会影响对列车的供电,从而威胁到高速铁路的正常运行。目前,我国主要通过如动车组司机操控信息分析系统等的车载摄像头采集并存储铁路沿线的接触网视频图像,但由于其不具有检测识别异物的功能,因此需要检测人员人工观察视频图像数据来对接触网是否附着异物进行排查,这种检测方式耗时费力,且实时性不高。
目前高铁接触网异物检测,接触网异物检测时由于异物运动或飞行器运行导致拍摄过程中难以直接控制拍摄图片质量,从而导致检测精度不可控,同时无法实现追踪和拦截,识别效果不佳。
发明内容
本发明的目的在于提供一种基于接触网安全巡检的异物识别方法及系统,以解决现有技术中接触网异物检测时由于异物运动或飞行器运行导致拍摄过程中难以直接控制拍摄图片质量,从而导致检测精度不可控,同时无法实现追踪和拦截,识别效果不佳的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种基于接触网安全巡检的异物识别方法,包括以下步骤:
步骤S1、通过飞行机携带高速相机巡检接触网,由高速相机采集异物目标的运动图像,并将高速相机拍摄运动图像的时间和坐标标记为运动图像的固有属性,将所述运动图像传输至嵌入式系统进行图像评价得到异物识别图像,再回传至嵌入式系统的地面端进行图像处理;
步骤S2、在所述异物识别图像识别得到所述异物目标的区域特征以实现在接触网对异物的识别目的,所述区域特征表征为异物目标位于巡检接触网的坐标属性;
步骤S3、根据CNN-LSTM混合神经网络对所述异物目标的运动路线进行实时预测,并根据运动路线对所述异物目标进行自动拦截以实现在接触网对异物的拦截目的。
作为本发明的一种优选方案,所述步骤S1中,所述图像评价的具体方法包括:
为运动图像设定质量评价指标,所述质量评价指标包括:图像清晰度和图像信息量,其中,
所述图像清晰度利用Brenner梯度函数进行衡量,所述图像清晰度的评价函数为:
所述图像信息量利用信息熵函数进行衡量,所述图像信息量的评价函数为:
基于所述图像清晰度和图像信息量建立对所述运动图像进行质量评价的质量评价函数,所述质量评价函数为:
设定质量阈值,其中,
作为本发明的一种优选方案,所述步骤S1中,所述异物识别图像的图像处理方法包括:
依次计算所述异物识别图像序列中相邻的异物识别图像的相似度,所述相似度的计算公式为:
设定相似度阈值I,其中,
将异物识别图像序列中剩余的异物识别图像作为图像处理后的异物识别图像,以实现对异物识别图像序列进行压缩仅保留表征包含异物运动特征的异物识别图像。
作为本发明的一种优选方案,所述步骤S2中,所述异物目标的区域特征的识别方法:
在经过步骤S1处理后的异物识别图像中提取出异物识别图像固有属性作为所述异物目标的区域特征,标记为,其中,表征为异物目标在时间t处的区域特征,且区域特征表征异物目标在时间t处位于巡检接触网的坐标为w,、分别为异物识别图像中时间最小取值和时间最大取值。
作为本发明的一种优选方案,所述异物目标的运动路线的预测方法包括:
将所述训练时间样本中输入CNN卷积神经网络进行区域特征提取,输出区域特征序列,其中,所述CNN卷积神经网络的训练参数设定包括:网络filter设定为128个,激活函数设定为Relu函数,池化处理设定为max-poling模式,dropout概率设定为0.38;
将所述区域特征序列输入值LSTM长短期记忆网络中进行路线预测训练,输出异物目标在未来时间的运动路线,其中,所述LSTM长短期记忆网络的训练参数设定包括:网络层timestep设定为区域特征序列的特征类别数目,训练方式设置为seq2seq的反向传递方式,所述LSTM长短期记忆网络的误差设定为,其中,为异物目标在时间t的区域特征,为异物目标预测模型预测出的异物目标在时间t的区域特征,区域特征表征异物目标在时间t处位于巡检接触网的坐标为out;
飞行器根据所述异物目标预测模型预测出的异物目标在未来时间的坐标以实现对异物目标的位置追踪。
作为本发明的一种优选方案,对所述异物目标进行自动拦截的方法包括:
作为本发明的一种优选方案,所述像素点的像素为灰度像素。
作为本发明的一种优选方案,本发明提供了一种根据所述的基于接触网安全巡检的异物识别方法的识别系统,包括:
采集模块,用于通过飞行机携带高速相机巡检接触网,由高速相机采集异物目标的运动图像,并将高速相机拍摄运动图像的时间和坐标标记为运动图像的固有属性,将所述运动图像传输至嵌入式系统进行图像评价得到异物识别图像,再回传至嵌入式系统的地面端进行图像处理;
分割模块,用于在所述异物识别图像识别得到所述异物目标的区域特征以实现在接触网对异物的识别目的;
识别模块,用于根据CNN-LSTM混合神经网络对所述异物目标的运动路线进行实时预测,并根据运动路线对所述异物目标进行自动拦截以实现在接触网对异物的拦截目的。
本发明与现有技术相比较具有如下有益效果:
本发明通过飞行器巡检接触网,由高速相机采集异物目标的图像,将所述图像传输至嵌入式系统进行图像评价,再回传至地面端进行处理,该方法是一种精细化的巡检作业模式,提高了工作人员对线网维护保养的效率与精度,为下一步的异物清除提供技术基础,具有较好的适应性和抗干扰能力,且运用基于CNN-LSTM混合神经网络训练得到的异物目标预测模型能够实现对在巡检接触网的异物目标进行实时识别、以及追踪拦截,避免进一步扩大异物目标对巡检接触网的破坏程度,在进行接触网异物检测时直接控制拍摄图片质量,从而导致检测精度提高。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,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,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的异物识别方法流程图;
图2为本发明实施例提供的识别系统结构框图。
图中的标号分别表示如下:
1-采集模块;2-分割模块;3-识别模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供了一种基于接触网安全巡检的异物识别方法,包括以下步骤:
步骤S1、通过飞行机携带高速相机巡检接触网,由高速相机采集异物目标的运动图像,并将高速相机拍摄运动图像的时间和坐标标记为运动图像的固有属性,将运动图像传输至嵌入式系统进行图像评价得到异物识别图像,再回传至嵌入式系统的地面端进行图像处理;
飞行器飞行过程中保持与接触网等高,保持飞行器的高速相机对着接触网方向,沿着接触网方向水平匀速飞行采集接触网上异物目标的相关运动图像;然后基于接触网形态学特征设计了线性模板滤波和分段直方图均衡化处理的图像增强技术;接着,通过概率霍夫直线边缘检测提取接触网形态特征计算图像偏转角度,对图像进行几何变换改进视频图像采集系统的系统位置造成的随机误差,使图像区域里的接触网保持水平。
步骤S1中,图像评价的具体方法包括:
为运动图像设定质量评价指标,质量评价指标包括:图像清晰度和图像信息量,其中,图像清晰度越高,则运动图像中表征异物目标的像素点越清晰,则由运动图像中识别出异物目标的正确率越高;图像信息量越低,则运动图像的像素点越少,则在进行由运动图像中识别出异物目标的计算复杂度越低,即识别出异物目标的效率越高,因此,在筛选运动图像时,期望得到的是清晰度高以及计算复杂度低的运动图像作为异物识别图像,从而可保证异物识别图像在后续识别异物目标的过程中具有高精度和高效率,将运动图像中清晰度高以及计算复杂度低的运动图像作为异物识别图像予以保留,将清晰度低以及计算复杂度高的运动图像进行剔除,实现了对运动图像的第一次有效压缩,保证异物目标检测高精度的同时降低了计算量。
图像清晰度利用Brenner梯度函数进行衡量,图像清晰度的评价函数为:
由于清晰聚焦的图像有着比模糊图像更大的像素值差异,可以将Brenner梯度函数作为清晰度的评价衡量指标,越大,则图像清晰度越高,清晰度越高会使得在运动图像中识别出异物目标的正确率越高,越小,则图像清晰度越低,清晰度越低会使得在运动图像中识别出异物目标的正确率越低。
图像信息量利用信息熵函数进行衡量,图像信息量的评价函数为:
熵函数是衡量图像信息丰富程度的一个重要指标,有信息论可知,一幅图像的信息量是由该图像的信息熵来度量,根据Shannon信息论,熵最大时信息量最多,将此原理应用到对焦过程,越大,则运动图像中表征运动目标信息的像素点越丰富,异物目标的细节描述越充分,会使得在运动图像中识别出异物目标的正确率越高,但却识别出异物目标的效率越低,越小,则运动图像中表征运动目标信息的像素点越匮乏,会使得在运动图像中识别出异物目标的正确率越低,但却识别出异物目标的效率越高。
基于图像清晰度和图像信息量建立对运动图像进行质量评价的质量评价函数,质量评价函数为:
设定质量阈值,其中,
步骤S1中,异物识别图像的图像处理方法包括:
依次计算异物识别图像序列中相邻的异物识别图像的相似度,相似度的计算公式为:
设定相似度阈值I,其中,
,是指相邻的异物识别图像和的相似度较低,则说明异物识别图像和中异物目标出现了运动变化,因此可体现异物目标的运动特征,,是指相邻的异物识别图像和的相似度较高,则说明异物识别图像和中异物目标未出现了运动变化,因此只能体现异物目标的静态特征。
将异物识别图像序列中剩余的异物识别图像作为图像处理后的异物识别图像,以实现对异物识别图像序列进行压缩仅保留表征包含异物运动特征的异物识别图像。
由于需要研究的是异物目标的运动特性,因此在异物识别图像序列中体现异物目标静止的异物识别图像不具备研究价值,还会加重计算量,将异物识别图像序列中进行进一步处理将异物识别图像序列中体现异物目标静止的异物识别图像予以剔除,保留表征包含异物运动特征的异物识别图像。
步骤S2、在异物识别图像识别得到异物目标的区域特征以实现在接触网对异物的识别目的,区域特征表征为异物目标位于巡检接触网的坐标属性;
步骤S2中,异物目标的区域特征的识别方法:
在经过步骤S1处理后的异物识别图像中提取出异物识别图像固有属性作为异物目标的区域特征,标记为,其中,表征为异物目标在时间t处的区域特征,且区域特征表征异物目标在时间t处位于巡检接触网的坐标为w,、分别为异物识别图像中时间最小取值和时间最大取值。
异物目标的运动路线的预测方法包括:
将训练时间样本中输入CNN卷积神经网络进行区域特征提取,输出区域特征序列,其中,CNN卷积神经网络的训练参数设定包括:网络filter设定为128个,激活函数设定为Relu函数,池化处理设定为max-poling模式,dropout概率设定为0.38;
将区域特征序列输入值LSTM长短期记忆网络中进行路线预测训练,输出异物目标在未来时间的运动路线,其中,LSTM长短期记忆网络的训练参数设定包括:网络层timestep设定为区域特征序列的特征类别数目,训练方式设置为seq2seq的反向传递方式,LSTM长短期记忆网络的误差设定为,其中,为异物目标在时间t的区域特征,为异物目标预测模型预测出的异物目标在时间t的区域特征,区域特征表征异物目标在时间t处位于巡检接触网的坐标为out;
飞行器根据异物目标预测模型预测出的异物目标在未来时间的坐标以实现对异物目标的位置追踪。
步骤S3、根据CNN-LSTM混合神经网络对异物目标的运动路线进行实时预测,并根据运动路线对异物目标进行自动拦截以实现在接触网对异物的拦截目的。
对异物目标进行自动拦截的方法包括:
获取异常目标在未来时间的区域特征,并控制拦截装置在未来时间时到达巡检接触网的坐标out处对异物目标进行定点拦截,可以实现对在巡检接触网的异物目标进行实时识别、以及追踪拦截,避免进一步扩大异物目标对巡检接触网的破坏程度。
像素点的像素为灰度像素。
如图2所示,基于上述基于接触网安全巡检的异物识别方法,本发明提供了一种识别系统,包括:
采集模块1,用于通过飞行机携带高速相机巡检接触网,由高速相机采集异物目标的运动图像,并将高速相机拍摄运动图像的时间和坐标标记为运动图像的固有属性,将运动图像传输至嵌入式系统进行图像评价得到异物识别图像,再回传至嵌入式系统的地面端进行图像处理;
分割模块2,用于在异物识别图像识别得到异物目标的区域特征以实现在接触网对异物的识别目的;
识别模块3,用于根据CNN-LSTM混合神经网络对异物目标的运动路线进行实时预测,并根据运动路线对异物目标进行自动拦截以实现在接触网对异物的拦截目的。
本发明通过飞行器巡检接触网,由高速相机采集异物目标的图像,将所述图像传输至嵌入式系统进行图像评价,再回传至地面端进行处理,该方法是一种精细化的巡检作业模式,提高了工作人员对线网维护保养的效率与精度,为下一步的异物清除提供技术基础,具有较好的适应性和抗干扰能力,且运用基于CNN-LSTM混合神经网络训练得到的异物目标预测模型能够实现对在巡检接触网的异物目标进行实时识别、以及追踪拦截,避免进一步扩大异物目标对巡检接触网的破坏程度,在进行接触网异物检测时直接控制拍摄图片质量,从而导致检测精度提高。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (9)
1.一种基于接触网安全巡检的异物识别方法,其特征在于,包括以下步骤:
步骤S1、通过飞行机携带高速相机巡检接触网,由高速相机采集异物目标的运动图像,并将高速相机拍摄运动图像的时间和坐标标记为运动图像的固有属性,将所述运动图像传输至嵌入式系统进行图像评价得到异物识别图像,再回传至嵌入式系统的地面端进行图像处理;
步骤S2、在所述异物识别图像识别得到所述异物目标的区域特征以实现在接触网对异物的识别目的,所述区域特征表征为异物目标位于巡检接触网的坐标属性;
步骤S3、根据CNN-LSTM混合神经网络对所述异物目标的运动路线进行实时预测,并根据运动路线对所述异物目标进行自动拦截以实现在接触网对异物的拦截目的。
2.根据权利要求1所述的一种基于接触网安全巡检的异物识别方法,其特征在于:所述步骤S1中,所述图像评价的具体方法包括:
为运动图像设定质量评价指标,所述质量评价指标包括:图像清晰度和图像信息量,其中,
所述图像清晰度利用Brenner梯度函数进行衡量,所述图像清晰度的评价函数为:
所述图像信息量利用信息熵函数进行衡量,所述图像信息量的评价函数为:
基于所述图像清晰度和图像信息量建立对所述运动图像进行质量评价的质量评价函数,所述质量评价函数为:
设定质量阈值,其中,
3.根据权利要求2所述的一种基于接触网安全巡检的异物识别方法,其特征在于:所述步骤S1中,所述异物识别图像的图像处理方法包括:
依次计算所述异物识别图像序列中相邻的异物识别图像的相似度,所述相似度的计算公式为:
设定相似度阈值I,其中,
将异物识别图像序列中剩余的异物识别图像作为图像处理后的异物识别图像,以实现对异物识别图像序列进行压缩仅保留表征包含异物运动特征的异物识别图像。
5.根据权利要求4所述的一种基于接触网安全巡检的异物识别方法,其特征在于:所述异物目标的运动路线的预测方法包括:
将所述训练时间样本中输入CNN卷积神经网络进行区域特征提取,输出区域特征序列,其中,所述CNN卷积神经网络的训练参数设定包括:网络filter设定为128个,激活函数设定为Relu函数,池化处理设定为max-poling模式,dropout概率设定为0.38;
将所述区域特征序列输入值LSTM长短期记忆网络中进行路线预测训练,输出异物目标在未来时间的运动路线,其中,所述LSTM长短期记忆网络的训练参数设定包括:网络层timestep设定为区域特征序列的特征类别数目,训练方式设置为seq2seq的反向传递方式,所述LSTM长短期记忆网络的误差设定为,其中,为异物目标在时间t的区域特征,为异物目标预测模型预测出的异物目标在时间t的区域特征,区域特征表征异物目标在时间t处位于巡检接触网的坐标为out;
飞行器根据所述异物目标预测模型预测出的异物目标在未来时间的坐标以实现对异物目标的位置追踪。
8.根据权利要求7所述的一种基于接触网安全巡检的异物识别方法,其特征在于,所述像素点的像素为灰度像素。
9.一种根据权利要求1-8任一项所述的基于接触网安全巡检的异物识别方法的识别系统,其特征在于,包括:
采集模块(1),用于通过飞行机携带高速相机巡检接触网,由高速相机采集异物目标的运动图像,并将高速相机拍摄运动图像的时间和坐标标记为运动图像的固有属性,将所述运动图像传输至嵌入式系统进行图像评价得到异物识别图像,再回传至嵌入式系统的地面端进行图像处理;
分割模块(2),用于在所述异物识别图像识别得到所述异物目标的区域特征以实现在接触网对异物的识别目的;
识别模块(3),用于根据CNN-LSTM混合神经网络对所述异物目标的运动路线进行实时预测,并根据运动路线对所述异物目标进行自动拦截以实现在接触网对异物的拦截目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111567242.5A CN113947731B (zh) | 2021-12-21 | 2021-12-21 | 一种基于接触网安全巡检的异物识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111567242.5A CN113947731B (zh) | 2021-12-21 | 2021-12-21 | 一种基于接触网安全巡检的异物识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113947731A true CN113947731A (zh) | 2022-01-18 |
CN113947731B CN113947731B (zh) | 2022-07-22 |
Family
ID=79339471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111567242.5A Active CN113947731B (zh) | 2021-12-21 | 2021-12-21 | 一种基于接触网安全巡检的异物识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947731B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462646A (zh) * | 2022-03-15 | 2022-05-10 | 成都中轨轨道设备有限公司 | 一种基于接触网安全巡检的杆号牌识别方法及系统 |
CN115100519A (zh) * | 2022-06-23 | 2022-09-23 | 郑州儒慧信息技术有限责任公司 | 一种识别高铁沿线隐患物的方法 |
CN115311354A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 异物风险区域的识别方法、装置、设备及存储介质 |
CN116953680A (zh) * | 2023-09-15 | 2023-10-27 | 成都中轨轨道设备有限公司 | 一种基于图像的目标物实时测距方法及系统 |
CN117218743A (zh) * | 2023-11-07 | 2023-12-12 | 诺比侃人工智能科技(成都)股份有限公司 | 基于机器视觉的智能巡检控制方法及系统 |
CN117292212A (zh) * | 2023-11-27 | 2023-12-26 | 太原理工大学 | 一种刮板输送机的异物识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143281A1 (en) * | 2016-11-22 | 2018-05-24 | Hyperfine Research, Inc. | Systems and methods for automated detection in magnetic resonance images |
CN109164443A (zh) * | 2018-08-27 | 2019-01-08 | 南京微达电子科技有限公司 | 基于雷达及图像分析的铁路线路异物检测方法及系统 |
CN109285309A (zh) * | 2018-09-30 | 2019-01-29 | 国网黑龙江省电力有限公司电力科学研究院 | 一种基于输电系统的侵入目标实时检测系统 |
CN110110613A (zh) * | 2019-04-19 | 2019-08-09 | 北京航空航天大学 | 一种基于动作识别的轨道交通异常人员检测方法 |
CN111079740A (zh) * | 2019-12-02 | 2020-04-28 | 咪咕文化科技有限公司 | 图像的质量评价方法、电子设备和计算机可读存储介质 |
US20200320403A1 (en) * | 2019-04-08 | 2020-10-08 | Intel Corporation | Mechanism to perform non-linear functions in a machine learning accelerator |
CN112329584A (zh) * | 2020-10-29 | 2021-02-05 | 深圳技术大学 | 基于机器视觉自动识别电网异物的方法及系统、设备 |
CN113534276A (zh) * | 2021-07-12 | 2021-10-22 | 西安电子科技大学 | 基于Faster R-CNN的铁路入侵行为检测方法 |
-
2021
- 2021-12-21 CN CN202111567242.5A patent/CN113947731B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143281A1 (en) * | 2016-11-22 | 2018-05-24 | Hyperfine Research, Inc. | Systems and methods for automated detection in magnetic resonance images |
CN109983474A (zh) * | 2016-11-22 | 2019-07-05 | 海珀菲纳研究股份有限公司 | 用于磁共振图像中的自动检测的系统和方法 |
CN109164443A (zh) * | 2018-08-27 | 2019-01-08 | 南京微达电子科技有限公司 | 基于雷达及图像分析的铁路线路异物检测方法及系统 |
CN109285309A (zh) * | 2018-09-30 | 2019-01-29 | 国网黑龙江省电力有限公司电力科学研究院 | 一种基于输电系统的侵入目标实时检测系统 |
US20200320403A1 (en) * | 2019-04-08 | 2020-10-08 | Intel Corporation | Mechanism to perform non-linear functions in a machine learning accelerator |
CN110110613A (zh) * | 2019-04-19 | 2019-08-09 | 北京航空航天大学 | 一种基于动作识别的轨道交通异常人员检测方法 |
CN111079740A (zh) * | 2019-12-02 | 2020-04-28 | 咪咕文化科技有限公司 | 图像的质量评价方法、电子设备和计算机可读存储介质 |
CN112329584A (zh) * | 2020-10-29 | 2021-02-05 | 深圳技术大学 | 基于机器视觉自动识别电网异物的方法及系统、设备 |
CN113534276A (zh) * | 2021-07-12 | 2021-10-22 | 西安电子科技大学 | 基于Faster R-CNN的铁路入侵行为检测方法 |
Non-Patent Citations (4)
Title |
---|
OMAIR GHORI等: ""Learning to Forecast Pedestrian Intention from Pose Dynamics"", 《IEEE》 * |
严鹏等: ""图像智能识别技术在高速铁路基础设施检测中的应用"", 《中国铁路》 * |
代先星: ""高速铁路扣件缺陷三维检测系统集成与识别算法"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
封博卿等: ""基于时空大数据的高速铁路接触网鸟巢病害分析"", 《中国铁路》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462646A (zh) * | 2022-03-15 | 2022-05-10 | 成都中轨轨道设备有限公司 | 一种基于接触网安全巡检的杆号牌识别方法及系统 |
CN114462646B (zh) * | 2022-03-15 | 2022-11-15 | 成都中轨轨道设备有限公司 | 一种基于接触网安全巡检的杆号牌识别方法及系统 |
CN115100519A (zh) * | 2022-06-23 | 2022-09-23 | 郑州儒慧信息技术有限责任公司 | 一种识别高铁沿线隐患物的方法 |
CN115100519B (zh) * | 2022-06-23 | 2024-04-26 | 郑州儒慧信息技术有限责任公司 | 一种识别高铁沿线隐患物的方法 |
CN115311354A (zh) * | 2022-09-20 | 2022-11-08 | 中国铁建电气化局集团有限公司 | 异物风险区域的识别方法、装置、设备及存储介质 |
CN115311354B (zh) * | 2022-09-20 | 2024-01-23 | 中国铁建电气化局集团有限公司 | 异物风险区域的识别方法、装置、设备及存储介质 |
CN116953680A (zh) * | 2023-09-15 | 2023-10-27 | 成都中轨轨道设备有限公司 | 一种基于图像的目标物实时测距方法及系统 |
CN116953680B (zh) * | 2023-09-15 | 2023-11-24 | 成都中轨轨道设备有限公司 | 一种基于图像的目标物实时测距方法及系统 |
CN117218743A (zh) * | 2023-11-07 | 2023-12-12 | 诺比侃人工智能科技(成都)股份有限公司 | 基于机器视觉的智能巡检控制方法及系统 |
CN117218743B (zh) * | 2023-11-07 | 2024-02-09 | 诺比侃人工智能科技(成都)股份有限公司 | 基于机器视觉的智能巡检控制方法及系统 |
CN117292212A (zh) * | 2023-11-27 | 2023-12-26 | 太原理工大学 | 一种刮板输送机的异物识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113947731B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113947731B (zh) | 一种基于接触网安全巡检的异物识别方法及系统 | |
CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测系统 | |
CN104637058B (zh) | 一种基于图像信息的客流量识别统计方法 | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN103745224B (zh) | 基于图像的铁路接触网鸟窝异常情况检测方法 | |
CN109489724B (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
CN106991668B (zh) | 一种天网摄像头拍摄画面的评价方法 | |
CN104392224A (zh) | 一种公路路面裂纹检测方法 | |
CN109145708A (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN111768417B (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
CN111640135A (zh) | 一种基于硬件前端的tof摄像头行人计数方法 | |
CN115719475B (zh) | 一种基于深度学习的三阶段轨旁设备故障自动检测方法 | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
CN113788051A (zh) | 列车在站运行状态监测分析系统 | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
CN105447463B (zh) | 变电站基于人体特征识别的跨摄像机自动跟踪系统 | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN113487570A (zh) | 基于改进的yolov5x网络模型的高温连铸坯表面缺陷检测方法 | |
CN111582334A (zh) | 结合YOLOv3和SENet的高速铁路接触网图像识别方法 | |
CN115359306A (zh) | 一种铁路货检高清图像智能识别方法和系统 | |
CN114724091A (zh) | 一种输电线路导线异物识别方法及装置 | |
Yang et al. | Defect detection of axle box cover device fixing bolts in metro based on convolutional neural network | |
CN111160224B (zh) | 一种基于fpga和地平线分割的高铁接触网异物检测系统及方法 | |
CN105404891A (zh) | 一种室外设施巡检方法 |
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 |