CN114022826B - 一种基于区块链的铁轨检测方法及系统 - Google Patents
一种基于区块链的铁轨检测方法及系统 Download PDFInfo
- Publication number
- CN114022826B CN114022826B CN202210002448.1A CN202210002448A CN114022826B CN 114022826 B CN114022826 B CN 114022826B CN 202210002448 A CN202210002448 A CN 202210002448A CN 114022826 B CN114022826 B CN 114022826B
- Authority
- CN
- China
- Prior art keywords
- rail
- defect
- image
- data
- road section
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/08—Measuring installations for surveying permanent way
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/73—Querying
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于区块链的铁轨检测方法及系统,其方法包括:基于区块链获取目标路段的铁轨视频图像,并对所述铁轨视频图像进行识别,生成铁轨图像数据;对所述铁轨图像数据进行分析,确定所述目标路段铁轨的状态特征;基于所述目标路段的状态特征对所述目标路段的铁轨进行状态评估,完成对所述铁轨的检测。通过区块链获取铁轨图像,便于实现对铁轨状态数据进行准确的获取并实现数据共享,同时,根据获取到的铁轨数据实现对铁轨状态进行准确评估,有利于铁路部门及时了解铁轨的当前状态,提高了铁轨检测的有效性。
Description
技术领域
本发明涉及铁轨检测技术领域,特别涉及一种基于区块链的铁轨检测方法及系统。
背景技术
目前,交通运输已经成为我们生活中不可或缺的一部分,尤其是铁路交通,当前中国的铁路交通正在快速发展,并且列车的运行状态得到的很大的改善,运行速度极大提高,然而,由于运输负载,气候等因素,铁轨会随着时间出现不同程度的损耗,这就要求对铁轨的变形程度、铁轨的裂缝、铁轨的轮廓、铁轨的裂纹等进行精确的检查;
然而,现如今的检测方式多半依赖人工进行检测,不仅消耗了大量的人力,而且检测的准确效率也很低,同时,现如今的铁轨检测方法中没有通过区块链进行数据共享,不利于工人及时掌握铁轨的运行状态,因此为了提高对铁轨的检测效率以及检测有效性,同时根据区块链实现检测数据共享,本发明提供了一种基于区块链的铁轨检测方法及系统。
发明内容
本发明提供一种基于区块链的铁轨检测方法及系统,用以通过区块链获取铁轨图像,便于实现对铁轨状态数据进行准确的获取并实现数据共享,同时,根据获取到的铁轨数据实现对铁轨状态进行准确评估,有利于铁路部门及时了解铁轨的当前状态,提高了铁轨检测的有效性。
本发明提供了一种基于区块链的铁轨检测方法,包括:
步骤1:基于区块链获取目标路段的铁轨视频图像,并对所述铁轨视频图像进行识别,生成铁轨图像数据;
步骤2:对所述铁轨图像数据进行分析,确定所述目标路段铁轨的状态特征;
步骤3:基于所述目标路段的状态特征对所述目标路段的铁轨进行状态评估,完成对所述铁轨的检测。
优选的,一种基于区块链的铁轨检测方法,步骤1中,获取目标路段的铁轨视频图像包括:
获取待采集路段的属性信息,并基于所述属性信息生成视频图像获取指令;
基于所述视频图像获取指令向区块链发送图像获取请求,且区块链基于所述视频图像获取指令从路段信息存储节点中匹配与所述待采集路段属性信息相一致的目标路段;
提取所述目标路段的特征属性,并基于所述特征属性从区块链中查找与所述特征属性相匹配的铁轨视频图像存储节点;
基于所述铁轨视频图像存储节点获取所述目标路段的铁轨视频图像,并将所述铁轨视频图像传输至管理终端。
优选的,一种基于区块链的铁轨检测方法,基于所述视频图像获取指令向区块链发送图像获取请求,包括:
获取预设铁路路线地图,并基于所述预设铁路路线地图确定对所述铁路路线进行图像采集的目标方案;
基于所述目标方案将所述铁路路线划分为N个子铁路路段,并确定每个子铁路路段对应的预设摄像头,其中,所述铁路路线旁预设有N个预设摄像头,且两两预设摄像头之间间隔相等;
获取管理终端发送的视频采集指令,并基于所述视频采集指令控制所述预设摄像头分别对子铁路路段中的铁轨进行铁轨视频图像采集,其中,所述视频采集指令包括预设摄像头的采集分辨率;
所述预设摄像头基于预设数据传输方法将采集得到的铁轨视频图像上传至所述区块链进行记录存储。
优选的,一种基于区块链的铁轨检测方法,步骤1中,对所述铁轨视频图像进行识别,生成铁轨图像数据,包括:
获取铁轨视频图像,并从所述铁轨视频图像中提取一系列的待分析铁轨图像;
基于预设高斯混合模型对所述待分析铁轨图像进行处理,得到二值图像;
将所述二值化图像进行网格划分,并基于划分结果对每一个网格图像进行编号;
基于编号对所述网格图像进行筛选,剔除所述网格图像中不包含目标铁轨的干扰网格图像,得到目标网格图像;
基于预设方法对所述目标网格图像中的目标铁轨进行识别,得到所述目标铁轨对应的铁轨图像数据。
优选的,一种基于区块链的铁轨检测方法,步骤2中,对所述铁轨图像数据进行分析,确定所述目标路段铁轨的状态特征,包括:
获取得到的铁轨图像数据,并提取所述铁轨图像数据中的特征数据,其中,所述特征数据为多个,且每一类对应一种特征数据;
基于所述特征数据确定对所述铁轨图像数据进行清洗所需的目标据筛选机制,同时,获取管理终端对所述铁轨图像数据设置的目标筛选值;
基于所述目标筛选机制以及所述目标筛选值对所述铁轨图像数据进行清洗,得到目标铁轨图像数据;
基于所述特征数据对所述目标铁轨图像数据进行归一化处理,确保所述目标铁轨图像数据各个特征数据对应的数据取值范围一致,得到待分类铁轨图像数据;
基于预设聚类个数对所述待分类铁轨图像数据进行聚类处理,并基于聚类结果完成对所述待分类铁轨图像数据的分类;
基于分类结果确定每一类铁轨图像数据类别属性,并基于所述类别属性从预设图表模板库中匹配每一类铁轨图像数据对应的目标图表模板;
基于所述目标图表模板将所述每一类铁轨图像数据进行图像可视化处理,并基于所述图像可视化处理得到目标路段铁轨当前状态数据变化情况;
基于所述目标路段铁轨当前状态数据变化情况得到所述目标路段铁轨的状态特征,其中,所述状态特征包括铁轨的变形程度、铁轨的裂缝、铁轨的轮廓以及铁轨的裂纹。
优选的,一种基于区块链的铁轨检测方法,步骤3中,基于所述目标路段的状态特征对所述目标路段的铁轨进行状态评估的具体工作过程,包括:
基于区块链,调取所有铁轨的检测样本数据集,其中,所述检测样本数据集包括多个不同铁轨缺陷属性类型的铁轨图像数据样本;
对所述检测样本数据进行分析,确定每个铁轨缺陷属性类型在所述铁轨图像数据样本中发生的概率,并建立概率标签;
同时,获取铁轨的标准图像,并提取所述铁轨的标准图像数据,同时,将所述多个不同铁轨缺陷属性类型的铁轨图像数据样本与所述标准图像数据进行比较,确定所述铁轨图像数据样本与所述标准图像数据的差异度信息;
将所述概率标签与所述差异度信息输入至所预设神经网络中进行网络模型仿真训练,并获取训练结果;
基于所述训练结果生成铁轨检测评估模型,并确定所述铁轨检测评估模型的结构层,其中,所述铁轨检测评估模型的结构层包括:数据输入层、评估层、评估结果输出层;
读取所述状态特征,确定所述状态特征的特征数据,同时,提取所述状态特征的特征点;
基于所述状态特征的特征点将所述状态特折的特征数据进行分类,确定子特征数据;
基于所述数据输入层分别接收所述子特征数据,并将所述子特征数据输入至所述评估层中进行数据评估,并生成子评估结果;
基于所述评估结果输出层,读取所述子评估结果,同时,将所述子评估结果进行合并生成评估结果;
将所述评估结果上传至所述区块链中并生成评估文档;同时,确定所述评估结果获取的时间点;
基于所述评估结果获取的时间点对所述目标路段的评估文档建立评估标签,并根据所述评估标签将所述评估文档存储至所述区块链中。
优选的,一种基于区块链的铁轨检测方法,将所述子评估结果进行合并生成评估结果后,还包括:
读取所述评估结果,提取评估数据,并根据所述数据确定评估分值;
基于区块链,将所述评估分值与所述区块链中存储的及格评估分值进行比较,判断所述目标路段铁轨通行质量是否合格;
当所述评估分值等于或大于所述及格评估分值时,则判定所述目标路段铁轨通行质量合格;
否则,则判定所述目标路段铁轨通行质量不合格,并当所述评估分值小于所述及格评估分值时,触发所述区块链中的智能合约,并基于所述智能合约,对当前目标路段铁轨的质量状况强制进行数据共享。
优选的,一种基于区块链的铁轨检测方法,步骤1中,对所述铁轨视频图像进行识别后,还包括:
基于识别结果,提取所述铁轨视频图像的图像特征,并基于所述图像特征,判断所述铁轨是否存在缺陷点;
当所述铁轨存在缺陷点时,锁定所述缺陷点在所述铁轨视频图像中的位置,并将所述缺陷点在所述铁轨视频图像中进行圈定,确定缺陷点图像;
基于所述缺陷点图像,确定缺陷区域,并确定所述缺陷区域的边界像素点个数以及所述缺陷区域的边界像素点和边界内部像素点的总个数;
根据所述缺陷区域的边界像素点个数以及所述缺陷区域的边界像素点和边界内部像素点的总个数,计算所述缺陷区域的周长以及所述缺陷区域的面积;
其中,side表示所述缺陷区域的周长;(x,y)表示像素点坐标;R 1表示所述缺陷区域边界像素点组成的集合;i表示缺陷区域边界当前像素点,且i=1、2、3…;area表示所述缺陷区域的面积;l表示所述缺陷点图像的灰度级数;N表示所述缺陷点图像的灰度总级数;p(l)表示所述缺陷点图像的灰度一阶概率分布函数;f表示所述缺陷点图像的熵;R 2表示所述缺陷区域的内部像素点总个数;j表示所述缺陷区域内部当前个像素点,且j=1、2、3…;
基于所述缺陷区域的周长以及所述缺陷区域的面积,分别计算所述缺陷区域的矩形度与所述缺陷区域的圆形度;
其中,H表示所述缺陷区域的矩形度;δ1表示第一误差因子,且取值范围为(0.01,0.03);area min 表示所述缺陷区域的最小外接矩形的面积;C表示所述缺陷区域的圆形度;δ2表示第二误差因子,且取值范围为(0.02,0.03);
根据所述缺陷区域的矩形度与所述缺陷区域的圆形度,确定缺陷区域的综合评估值;
将所述缺陷区域的综合评估值与预设综合评估值进行比较,判断所述缺陷点所在的缺陷区域是否对所述目标路段的铁轨的正常通行造成干扰;
当所述综合评估值小于或等于所述预设综合评估值,则判定所述缺陷点所在的缺陷区域对所述目标路段的铁轨的正常通行不会造成干扰;
否则,则判定所述缺陷点所在的缺陷区域对所述目标路段的铁轨的正常通行不会造成干扰,并基于所述区块链,将所述综合评估值进行共享。
一种基于区块链的铁轨检测系统,包括:
图像数据获取模块,用于基于区块链获取目标路段的铁轨视频图像,并对所述铁轨视频图像进行识别,生成铁轨图像数据;
数据分析模块,用于对所述铁轨图像数据进行分析,确定所述目标路段铁轨的状态特征;
评估模块,用于基于所述目标路段的状态特征对所述目标路段的铁轨进行状态评估,完成对所述铁轨的检测。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于区块链的铁轨检测方法的流程图;
图2为本发明实施例中一种基于区块链的铁轨检测方法中步骤1的流程图;
图3为本发明实施例中一种基于区块链的铁轨检测系统的结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本实施例提供了一种基于区块链的铁轨检测方法,如图1所示,包括:
步骤1:基于区块链获取目标路段的铁轨视频图像,并对所述铁轨视频图像进行识别,生成铁轨图像数据;
步骤2:对所述铁轨图像数据进行分析,确定所述目标路段铁轨的状态特征;
步骤3:基于所述目标路段的状态特征对所述目标路段的铁轨进行状态评估,完成对所述铁轨的检测。
该实施例中,目标路段可以是将要分析的某一条铁路路段中的一段距离或某几段距离。
该实施例中,铁轨图像数据可以是提取铁轨视频图像中包含的铁轨的外形、轮廓等数据。
该实施例中,状态特征可以是铁轨的变形程度、铁轨的裂缝、铁轨的轮廓、铁轨的裂纹等。
上述技术方案的有益效果是:通过区块链获取铁轨图像,便于实现对铁轨状态数据进行准确的获取并实现数据共享,同时,根据获取到的铁轨数据实现对铁轨状态进行准确评估,有利于铁路部门及时了解铁轨的当前状态,提高了铁轨检测的有效性。
实施例2:
在实施例1的基础上,本实施例提供了一种基于区块链的铁轨检测方法,如图2所示,步骤1中,获取目标路段的铁轨视频图像包括:
步骤101:获取待采集路段的属性信息,并基于所述属性信息生成视频图像获取指令;
步骤102:基于所述视频图像获取指令向区块链发送图像获取请求,且区块链基于所述视频图像获取指令从路段信息存储节点中匹配与所述待采集路段属性信息相一致的目标路段;
步骤103:提取所述目标路段的特征属性,并基于所述特征属性从区块链中查找与所述特征属性相匹配的铁轨视频图像存储节点;
步骤104:基于所述铁轨视频图像存储节点获取所述目标路段的铁轨视频图像,并将所述铁轨视频图像传输至管理终端。
该实施例中,待采集路段的属性信息可以是待采集路段的地理位置信息以及待采集路段的长度等。
该实施例中,路段信息存储节点可以是区块链中用于存储不同路段信息的存储节点,且区块链中有多个不同的存储节点。
该实施例中,目标路段可以是与待采集路段属性信息相一致的铁路路段,可以是一段也可以是多段。
该实施例中,特征属性可以是目标路段不同与其他路段的明显特征,例如可以是周围环境等。
该实施例中,铁轨视频图像存储节点是区块链中用于存储铁路视频图像的数据存储节点。
上述技术方案的有益效果是:通过获取待分析路段的属性信息,实现从区块链中准确获取目标路段的铁路视频图像,从而便于根据获取到的图像视频对目标路段的铁轨情况进行准确分析,提高了对铁轨状况分析的准确率。
实施例3:
在实施例2的基础上,本实施例提供了一种基于区块链的铁轨检测方法,基于所述视频图像获取指令向区块链发送图像获取请求,包括:
获取预设铁路路线地图,并基于所述预设铁路路线地图确定对所述铁路路线进行图像采集的目标方案;
基于所述目标方案将所述铁路路线划分为N个子铁路路段,并确定每个子铁路路段对应的预设摄像头,其中,所述铁路路线旁预设有N个预设摄像头,且两两预设摄像头之间间隔相等;
获取管理终端发送的视频采集指令,并基于所述视频采集指令控制所述预设摄像头分别对子铁路路段中的铁轨进行铁轨视频图像采集,其中,所述视频采集指令包括预设摄像头的采集分辨率;
所述预设摄像头基于预设数据传输方法将采集得到的铁轨视频图像上传至所述区块链进行记录存储。
该实施例中,预设铁路路线地图可以是提前设定好的,可以是铁路在建造时的规划图。
该实施例中,目标方案是根据铁路路线的分布以及铁路所处环境进行指定的,例如重点采集隧道内的铁轨视频图像等。
该实施例中,子铁路路段指的是将一条完整的铁路路线划分为多个小段,便于对多个不同的铁路路段进行清晰的铁轨图像视频采集。
该实施例中,预设摄像头是提前设定好的,用于在接收到管理终端发送的采集指令时,对当前路段的铁轨视频图像进行采集。
该实施例中,预设数据传输方法是提前设定好的,例如可以是无线数据传输。
上述技术方案的有益效果是:通过根据预设铁路路线地图准确确定对铁路视频采集的方案,从而实现准确控制该路段的摄像头对当前路段的铁轨进行视频图像采集,提高了视频采集的准确率,同时也便于完善区块链中不同路段的铁路视频图像,提高了对铁轨视频图像获取的准确率。
实施例4:
在实施例1的基础上,本实施例提供了一种基于区块链的铁轨检测方法,步骤1中,对所述铁轨视频图像进行识别,生成铁轨图像数据,包括:
获取铁轨视频图像,并从所述铁轨视频图像中提取一系列的待分析铁轨图像;
基于预设高斯混合模型对所述待分析铁轨图像进行处理,得到二值图像;
将所述二值化图像进行网格划分,并基于划分结果对每一个网格图像进行编号;
基于编号对所述网格图像进行筛选,剔除所述网格图像中不包含目标铁轨的干扰网格图像,得到目标网格图像;
基于预设方法对所述目标网格图像中的目标铁轨进行识别,得到所述目标铁轨对应的铁轨图像数据。
该实施例中,待分析铁轨图像可以是铁轨视频图像中各帧对应的铁轨图像,目的是为了更好的分析铁轨当前的状态数据。
该实施例中,预设高斯混合模型是提前设定好的,用于将提取到的图像转换为只有黑白两种颜色的二值图像,目的是为了更好的观察铁轨的状况数据。
该实施例中,目标铁轨可以是目标路段中包含的铁轨。
该实施例中,目标网格图像可以是将划分得到的网格图像中的没有铁轨的网格图像去除后得到的网格图像,该网格图像中每个网格图像中都包含待分析的铁轨。
该实施例中,预设方法是提前设定好的,例如可以是物体形状提取方法等。
上述技术方案的有益效果是:通过将铁轨视频图像转换为对应的静态图像,并对得到的图像进行划分,实现对目标路段上的铁轨进行详细的图像识别,有助于得到的铁轨图像数据足够准确,同时也提高了对铁轨状态评估的准确性。
实施例5:
在实施例1的基础上,本实施例提供了一种基于区块链的铁轨检测方法,步骤2中,对所述铁轨图像数据进行分析,确定所述目标路段铁轨的状态特征,包括:
获取得到的铁轨图像数据,并提取所述铁轨图像数据中的特征数据,其中,所述特征数据为多个,且每一类对应一种特征数据;
基于所述特征数据确定对所述铁轨图像数据进行清洗所需的目标据筛选机制,同时,获取管理终端对所述铁轨图像数据设置的目标筛选值;
基于所述目标筛选机制以及所述目标筛选值对所述铁轨图像数据进行清洗,得到目标铁轨图像数据;
基于所述特征数据对所述目标铁轨图像数据进行归一化处理,确保所述目标铁轨图像数据各个特征数据对应的数据取值范围一致,得到待分类铁轨图像数据;
基于预设聚类个数对所述待分类铁轨图像数据进行聚类处理,并基于聚类结果完成对所述待分类铁轨图像数据的分类;
基于分类结果确定每一类铁轨图像数据类别属性,并基于所述类别属性从预设图表模板库中匹配每一类铁轨图像数据对应的目标图表模板;
基于所述目标图表模板将所述每一类铁轨图像数据进行图像可视化处理,并基于所述图像可视化处理得到目标路段铁轨当前状态数据变化情况;
基于所述目标路段铁轨当前状态数据变化情况得到所述目标路段铁轨的状态特征,其中,所述状态特征包括铁轨的变形程度、铁轨的裂缝、铁轨的轮廓以及铁轨的裂纹。
该实施例中,特征数据可以是能够代表铁轨图像数据各个类别的某一数据段。
该实施例中,目标筛选机制是根据数据的种类进行确定的,是用来对数据进行清洗的。
该实施例中,目标筛选值是管理终端提前根据对铁路分析的要求进行设定好的,且每一类对应一个筛选值,目的是为了将铁轨图像数据中不满足要求数据进行剔除。
该实施例中,目标铁轨图像数据可以是将不满足要求的数据进行剔除后得到的有效数据,可以直接用来分析铁路特征的数据。
该实施例中,预设聚类个数是提前设定好的,用于确定将待分类数据进行分类的个数。
该实施例中,类别属性可以是该类别铁轨图像数据对应的数据种类,数据量等。
该实施例中,预设图表模板库是提前设定好的,内部存储有多种图表模板。
该实施例中,目标图表模板指的是每一类对应的图表模板,是预设图表模板库中的一个或多个。
该实施例中,图像可视化处理指的是将铁轨图像法数据用图表进行展示,例如可以是折线图、饼状图等,便于直观的了解铁轨在某一方面数值的具体变化情况。
上述技术方案的有益效果是:通过将得到的铁轨图像数据进行清洗分类,确保得到的铁轨图像数据足够准确,同时根据分类结果将每一类铁轨图像数据进行可视化处理,便于直观了解解铁轨在某一方面数值的具体变化情况,从而实现对铁轨状态特征进行准确的分析,提高了对铁轨状态分析的准确率,也便于铁路部门及时了解铁轨的当前状态,提高了铁轨检测的有效性。
实施例6:
在实施例1的基础上,本实施例提供了一种基于区块链的铁轨检测方法,步骤3中,基于所述目标路段的状态特征对所述目标路段的铁轨进行状态评估的具体工作过程,包括:
基于区块链,调取所有铁轨的检测样本数据集,其中,所述检测样本数据集包括多个不同铁轨缺陷属性类型的铁轨图像数据样本;
对所述检测样本数据进行分析,确定每个铁轨缺陷属性类型在所述铁轨图像数据样本中发生的概率,并建立概率标签;
同时,获取铁轨的标准图像,并提取所述铁轨的标准图像数据,同时,将所述多个不同铁轨缺陷属性类型的铁轨图像数据样本与所述标准图像数据进行比较,确定所述铁轨图像数据样本与所述标准图像数据的差异度信息;
将所述概率标签与所述差异度信息输入至所预设神经网络中进行网络模型仿真训练,并获取训练结果;
基于所述训练结果生成铁轨检测评估模型,并确定所述铁轨检测评估模型的结构层,其中,所述铁轨检测评估模型的结构层包括:数据输入层、评估层、评估结果输出层;
读取所述状态特征,确定所述状态特征的特征数据,同时,提取所述状态特征的特征点;
基于所述状态特征的特征点将所述状态特折的特征数据进行分类,确定子特征数据;
基于所述数据输入层分别接收所述子特征数据,并将所述子特征数据输入至所述评估层中进行数据评估,并生成子评估结果;
基于所述评估结果输出层,读取所述子评估结果,同时,将所述子评估结果进行合并生成评估结果;
将所述评估结果上传至所述区块链中并生成评估文档;同时,确定所述评估结果获取的时间点;
基于所述评估结果获取的时间点对所述目标路段的评估文档建立评估标签,并根据所述评估标签将所述评估文档存储至所述区块链中。
该实施例中,检测样本数据集可以是区块链中所存储的,且检测样本数据集包括多个不同铁轨缺陷属性类型的铁轨图像数据样本,其中,铁轨图像数据属性样本例如:铁轨的变形、铁轨的裂缝、铁轨的轮廓、铁轨的裂纹等。
该实施例中,概率标签可以是用来区分不同铁硅缺陷属性类型在铁轨图想数据样本中发生的概率。
该实施例中,铁轨的标准图像可以是铁轨在最初使用没有被破坏时的图像。
该实施例中,差异度信息可以是铁轨图像数据样本与标准图像数据的差异数据的信息。
该实施例中,预设神经网路可以是提前设定的用来基于概率标签与差异度信息进行网络模型仿真训练的。
该实施例中,铁轨检测评估模型可以是用来对状态儿特征的特征数据进行评估的模型。
该实施例中,状态特征的特征点可以是铁轨的不同特征属性确定的,例如是:铁轨的变形、铁轨的裂缝、铁轨的轮廓、铁轨的裂纹等。
该实施例中,评估标签可以是基于评估结果获取的时间点建立的评估标签,用来在区块链中将评估文档存储时建立区分点。
上述技术方案的有益效果是:通过在区块链中调取所有铁轨的检测样本数据集,并对检测样本数据集进行分析,确定概率标签与差异度信息有利于准确在预设神经网络中进行网络训练,从而有利于精确生成铁轨检测评估模型,通过确定状态特征,并将子状态特征数据输入至铁轨检测评估模型进行评估确定子评估结果,并将子评估结果进合并,从而准确确定最后的评估结果,并根据评估标签将评估文档在区块链中进行存储,极大的提高了铁轨检测的有效性与准确性。
实施例7:
在实施例6的基础上,本实施例提供了一种基于区块链的铁轨检测方法,将所述子评估结果进行合并生成评估结果后,还包括:
读取所述评估结果,提取评估数据,并根据所述数据确定评估分值;
基于区块链,将所述评估分值与所述区块链中存储的及格评估分值进行比较,判断所述目标路段铁轨通行质量是否合格;
当所述评估分值等于或大于所述及格评估分值时,则判定所述目标路段铁轨通行质量合格;
否则,则判定所述目标路段铁轨通行质量不合格,并当所述评估分值小于所述及格评估分值时,触发所述区块链中的智能合约,并基于所述智能合约,对当前目标路段铁轨的质量状况强制进行数据共享。
该实施例中,评估数据可以是评估结果中每个子评估结果所所占比例。
该实施例中,评估分值可以是根据每个子评估结果所占比例与基础比例之间的差值确定的子评估分值,并将子评估分值进行累加,生成评估分值。
该实施例中,及格评估分值可以是区块链中预先存储的,用来判定目标露点铁轨的通行质量是否合格的标准。
该实施例中,智能合约可以是基于区块链强制将目标路段铁轨通行质量不合格的评估分值进行数据共享,且当评估分值小于及格评估分值时,是出发智能合约生效的条件。
上述技术方案的有益效果是:通过评估结果确定评估分值,从而有利于将评估分值与及格评估分值进行比较从而更准确检测出铁轨的通行质量是否合格,并当铁轨的通行质量不合格时,通过智能合约在区块链中将评估分值进行强制共享,从而有利于快速掌握目标路段铁轨的问题,极大的提高了对铁轨检测的准确性与智能性。
实施例8:
在实施例1的基础上,本实施例提供了一种基于区块链的铁轨检测方法,步骤1中,对所述铁轨视频图像进行识别后,还包括:
基于识别结果,提取所述铁轨视频图像的图像特征,并基于所述图像特征,判断所述铁轨是否存在缺陷点;
当所述铁轨存在缺陷点时,锁定所述缺陷点在所述铁轨视频图像中的位置,并将所述缺陷点在所述铁轨视频图像中进行圈定,确定缺陷点图像;
基于所述缺陷点图像,确定缺陷区域,并确定所述缺陷区域的边界像素点个数以及所述缺陷区域的边界像素点和边界内部像素点的总个数;
根据所述缺陷区域的边界像素点个数以及所述缺陷区域的边界像素点和边界内部像素点的总个数,计算所述缺陷区域的周长以及所述缺陷区域的面积;
其中,side表示所述缺陷区域的周长;(x,y)表示像素点坐标;R 1表示所述缺陷区域边界像素点组成的集合;i表示缺陷区域边界当前像素点,且i=1、2、3…;area表示所述缺陷区域的面积;l表示所述缺陷点图像的灰度级数;N表示所述缺陷点图像的灰度总级数;p(l)表示所述缺陷点图像的灰度一阶概率分布函数;f表示所述缺陷点图像的熵;R 2表示所述缺陷区域的内部像素点总个数;j表示所述缺陷区域内部当前个像素点,且j=1、2、3…;
基于所述缺陷区域的周长以及所述缺陷区域的面积,分别计算所述缺陷区域的矩形度与所述缺陷区域的圆形度;
其中,H表示所述缺陷区域的矩形度;δ1表示第一误差因子,且取值范围为(0.01,0.03);area min 表示所述缺陷区域的最小外接矩形的面积;C表示所述缺陷区域的圆形度;δ2表示第二误差因子,且取值范围为(0.02,0.03);
根据所述缺陷区域的矩形度与所述缺陷区域的圆形度,确定缺陷区域的综合评估值;
将所述缺陷区域的综合评估值与预设综合评估值进行比较,判断所述缺陷点所在的缺陷区域是否对所述目标路段的铁轨的正常通行造成干扰;
当所述综合评估值小于或等于所述预设综合评估值,则判定所述缺陷点所在的缺陷区域对所述目标路段的铁轨的正常通行不会造成干扰;
否则,则判定所述缺陷点所在的缺陷区域对所述目标路段的铁轨的正常通行不会造成干扰,并基于所述区块链,将所述综合评估值进行共享。
该实施例中,缺陷区域的矩形度可以是用来反映缺陷区域在其外接矩形中的充满程度。
该实施例中,缺陷区域的圆形度可以是用来反映缺陷区域近似圆形的程度。
该实施例中,综合评估值可以是根据缺陷区域的圆形度与缺陷区域的矩形度所确定的缺陷点所在缺陷区域的区域大小与饱满程度。
该实施例中,预设综合评估值可以是提前设定好的用来确定缺陷区域对目标路段的铁轨的正常通行不会造成干扰的检测标准。
该实施例中,第一误差因子可以是在计算缺陷区域的矩形度时存在的误差因子。
该实施例中,第二误差因子可以是在计算缺陷区域的圆形度时存在的误差因子。
上述技术方案的有益效果是:通过准确计算缺陷区域的周长以及缺陷区域的面积,从而有利于合理且精确计算出缺陷区域的矩形度与圆形度,并且可以获取评估综合值,通过对评估综合值与预设评估综合值的比较,进一步提高了对缺陷区域的评估,从而有利于准确掌握当前目标路段的铁轨是否可以正常通行,并当目标路段的铁轨不可以正常通行时,通过区块链将评估综合值进行共享,从而极大的提高了对铁轨路段检测的准确性与效率。
实施例9:
本实施例提供了一种基于区块链的铁轨检测系统,如图3所示,包括:
图像数据获取模块,用于基于区块链获取目标路段的铁轨视频图像,并对所述铁轨视频图像进行识别,生成铁轨图像数据;
数据分析模块,用于对所述铁轨图像数据进行分析,确定所述目标路段铁轨的状态特征;
评估模块,用于基于所述目标路段的状态特征对所述目标路段的铁轨进行状态评估,完成对所述铁轨的检测。
该实施例中,目标路段可以是将要分析的某一条铁路路段中的一段距离或某几段距离。
该实施例中,铁轨图像数据可以是提取铁轨视频图像中包含的铁轨的外形、轮廓等数据。
该实施例中,状态特征可以是铁轨的变形程度、铁轨的裂缝、铁轨的轮廓、铁轨的裂纹等。
上述技术方案的有益效果是:通过区块链获取铁轨图像,便于实现对铁轨状态数据进行准确的获取并实现数据共享,同时,根据获取到的铁轨数据实现对铁轨状态进行准确评估,有利于铁路部门及时了解铁轨的当前状态,提高了铁轨检测的有效性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于区块链的铁轨检测方法,其特征在于,包括:
步骤1:基于区块链获取目标路段的铁轨视频图像,并对所述铁轨视频图像进行识别,生成铁轨图像数据;
步骤2:对所述铁轨图像数据进行分析,确定所述目标路段铁轨的状态特征;
步骤3:基于所述目标路段的状态特征对所述目标路段的铁轨进行状态评估,完成对所述铁轨的检测;
其中,步骤1中,获取目标路段的铁轨视频图像包括:
获取待采集路段的属性信息,并基于所述属性信息生成视频图像获取指令;
基于所述视频图像获取指令向区块链发送图像获取请求,且区块链基于所述视频图像获取指令从路段信息存储节点中匹配与所述待采集路段属性信息相一致的目标路段;
提取所述目标路段的特征属性,并基于所述特征属性从区块链中查找与所述特征属性相匹配的铁轨视频图像存储节点;
基于所述铁轨视频图像存储节点获取所述目标路段的铁轨视频图像,并将所述铁轨视频图像传输至管理终端;
步骤1中,对所述铁轨视频图像进行识别后,还包括:
基于识别结果,提取所述铁轨视频图像的图像特征,并基于所述图像特征,判断所述铁轨是否存在缺陷点;
当所述铁轨存在缺陷点时,锁定所述缺陷点在所述铁轨视频图像中的位置,并将所述缺陷点在所述铁轨视频图像中进行圈定,确定缺陷点图像;
基于所述缺陷点图像,确定缺陷区域,并确定所述缺陷区域的边界像素点个数以及所述缺陷区域的边界像素点和边界内部像素点的总个数;
根据所述缺陷区域的边界像素点个数以及所述缺陷区域的边界像素点和边界内部像素点的总个数,计算所述缺陷区域的周长以及所述缺陷区域的面积;
其中,side表示所述缺陷区域的周长;(x,y)表示像素点坐标;R 1表示所述缺陷区域边界像素点组成的集合;i表示缺陷区域边界当前像素点,且i=1、2、3…;area表示所述缺陷区域的面积;l表示所述缺陷点图像的灰度级数;N表示所述缺陷点图像的灰度总级数;p(l)表示所述缺陷点图像的灰度一阶概率分布函数;f表示所述缺陷点图像的熵;R 2表示所述缺陷区域的内部像素点总个数;j表示所述缺陷区域内部当前个像素点,且j=1、2、3…;
基于所述缺陷区域的周长以及所述缺陷区域的面积,分别计算所述缺陷区域的矩形度与所述缺陷区域的圆形度;
其中,H表示所述缺陷区域的矩形度;δ1表示第一误差因子,且取值范围为(0.01,0.03);area min 表示所述缺陷区域的最小外接矩形的面积;C表示所述缺陷区域的圆形度;δ2表示第二误差因子,且取值范围为(0.02,0.03);
根据所述缺陷区域的矩形度与所述缺陷区域的圆形度,确定缺陷区域的综合评估值;
将所述缺陷区域的综合评估值与预设综合评估值进行比较,判断所述缺陷点所在的缺陷区域是否对所述目标路段的铁轨的正常通行造成干扰;
当所述综合评估值小于或等于所述预设综合评估值,则判定所述缺陷点所在的缺陷区域对所述目标路段的铁轨的正常通行不会造成干扰;
否则,则判定所述缺陷点所在的缺陷区域对所述目标路段的铁轨的正常通行不会造成干扰,并基于所述区块链,将所述综合评估值进行共享。
2.根据权利要求1所述的一种基于区块链的铁轨检测方法,其特征在于,基于所述视频图像获取指令向区块链发送图像获取请求,包括:
获取预设铁路路线地图,并基于所述预设铁路路线地图确定对所述铁路路线进行图像采集的目标方案;
基于所述目标方案将所述铁路路线划分为N个子铁路路段,并确定每个子铁路路段对应的预设摄像头,其中,所述铁路路线旁预设有N个预设摄像头,且两两预设摄像头之间间隔相等;
获取管理终端发送的视频采集指令,并基于所述视频采集指令控制所述预设摄像头分别对子铁路路段中的铁轨进行铁轨视频图像采集,其中,所述视频采集指令包括预设摄像头的采集分辨率;
所述预设摄像头基于预设数据传输方法将采集得到的铁轨视频图像上传至所述区块链进行记录存储。
3.根据权利要求1所述的一种基于区块链的铁轨检测方法,其特征在于,步骤1中,对所述铁轨视频图像进行识别,生成铁轨图像数据,包括:
获取铁轨视频图像,并从所述铁轨视频图像中提取一系列的待分析铁轨图像;
基于预设高斯混合模型对所述待分析铁轨图像进行处理,得到二值图像;
将所述二值化图像进行网格划分,并基于划分结果对每一个网格图像进行编号;
基于编号对所述网格图像进行筛选,剔除所述网格图像中不包含目标铁轨的干扰网格图像,得到目标网格图像;
基于预设方法对所述目标网格图像中的目标铁轨进行识别,得到所述目标铁轨对应的铁轨图像数据。
4.根据权利要求1所述的一种基于区块链的铁轨检测方法,其特征在于,步骤2中,对所述铁轨图像数据进行分析,确定所述目标路段铁轨的状态特征,包括:
获取得到的铁轨图像数据,并提取所述铁轨图像数据中的特征数据,其中,所述特征数据为多个,且每一类对应一种特征数据;
基于所述特征数据确定对所述铁轨图像数据进行清洗所需的目标据筛选机制,同时,获取管理终端对所述铁轨图像数据设置的目标筛选值;
基于所述目标筛选机制以及所述目标筛选值对所述铁轨图像数据进行清洗,得到目标铁轨图像数据;
基于所述特征数据对所述目标铁轨图像数据进行归一化处理,确保所述目标铁轨图像数据各个特征数据对应的数据取值范围一致,得到待分类铁轨图像数据;
基于预设聚类个数对所述待分类铁轨图像数据进行聚类处理,并基于聚类结果完成对所述待分类铁轨图像数据的分类;
基于分类结果确定每一类铁轨图像数据类别属性,并基于所述类别属性从预设图表模板库中匹配每一类铁轨图像数据对应的目标图表模板;
基于所述目标图表模板将所述每一类铁轨图像数据进行图像可视化处理,并基于所述图像可视化处理得到目标路段铁轨当前状态数据变化情况;
基于所述目标路段铁轨当前状态数据变化情况得到所述目标路段铁轨的状态特征,其中,所述状态特征包括铁轨的变形程度、铁轨的裂缝、铁轨的轮廓以及铁轨的裂纹。
5.根据权利要求1所述的一种基于区块链的铁轨检测方法,其特征在于,步骤3中,基于所述目标路段的状态特征对所述目标路段的铁轨进行状态评估的具体工作过程,包括:
基于区块链,调取所有铁轨的检测样本数据集,其中,所述检测样本数据集包括多个不同铁轨缺陷属性类型的铁轨图像数据样本;
对所述检测样本数据进行分析,确定每个铁轨缺陷属性类型在所述铁轨图像数据样本中发生的概率,并建立概率标签;
同时,获取铁轨的标准图像,并提取所述铁轨的标准图像数据,同时,将所述多个不同铁轨缺陷属性类型的铁轨图像数据样本与所述标准图像数据进行比较,确定所述铁轨图像数据样本与所述标准图像数据的差异度信息;
将所述概率标签与所述差异度信息输入至所预设神经网络中进行网络模型仿真训练,并获取训练结果;
基于所述训练结果生成铁轨检测评估模型,并确定所述铁轨检测评估模型的结构层,其中,所述铁轨检测评估模型的结构层包括:数据输入层、评估层、评估结果输出层;
读取所述状态特征,确定所述状态特征的特征数据,同时,提取所述状态特征的特征点;
基于所述状态特征的特征点将所述状态特征的特征数据进行分类,确定子特征数据;
基于所述数据输入层分别接收所述子特征数据,并将所述子特征数据输入至所述评估层中进行数据评估,并生成子评估结果;
基于所述评估结果输出层,读取所述子评估结果,同时,将所述子评估结果进行合并生成评估结果;
将所述评估结果上传至所述区块链中并生成评估文档;同时,确定所述评估结果获取的时间点;
基于所述评估结果获取的时间点对所述目标路段的评估文档建立评估标签,并根据所述评估标签将所述评估文档存储至所述区块链中。
6.根据权利要求5所述的一种基于区块链的铁轨检测方法,其特征在于,将所述子评估结果进行合并生成评估结果后,还包括:
读取所述评估结果,提取评估数据,并根据所述数据确定评估分值;
基于区块链,将所述评估分值与所述区块链中存储的及格评估分值进行比较,判断所述目标路段铁轨通行质量是否合格;
当所述评估分值等于或大于所述及格评估分值时,则判定所述目标路段铁轨通行质量合格;
否则,则判定所述目标路段铁轨通行质量不合格,并当所述评估分值小于所述及格评估分值时,触发所述区块链中的智能合约,并基于所述智能合约,对当前目标路段铁轨的质量状况强制进行数据共享。
7.一种基于区块链的铁轨检测系统,其特征在于,包括:
图像数据获取模块,用于基于区块链获取目标路段的铁轨视频图像,并对所述铁轨视频图像进行识别,生成铁轨图像数据;
数据分析模块,用于对所述铁轨图像数据进行分析,确定所述目标路段铁轨的状态特征;
评估模块,用于基于所述目标路段的状态特征对所述目标路段的铁轨进行状态评估,完成对所述铁轨的检测;
其中,获取目标路段的铁轨视频图像包括:
获取待采集路段的属性信息,并基于所述属性信息生成视频图像获取指令;
基于所述视频图像获取指令向区块链发送图像获取请求,且区块链基于所述视频图像获取指令从路段信息存储节点中匹配与所述待采集路段属性信息相一致的目标路段;
提取所述目标路段的特征属性,并基于所述特征属性从区块链中查找与所述特征属性相匹配的铁轨视频图像存储节点;
基于所述铁轨视频图像存储节点获取所述目标路段的铁轨视频图像,并将所述铁轨视频图像传输至管理终端;
其中,对所述铁轨视频图像进行识别后,还包括:
基于识别结果,提取所述铁轨视频图像的图像特征,并基于所述图像特征,判断所述铁轨是否存在缺陷点;
当所述铁轨存在缺陷点时,锁定所述缺陷点在所述铁轨视频图像中的位置,并将所述缺陷点在所述铁轨视频图像中进行圈定,确定缺陷点图像;
基于所述缺陷点图像,确定缺陷区域,并确定所述缺陷区域的边界像素点个数以及所述缺陷区域的边界像素点和边界内部像素点的总个数;
根据所述缺陷区域的边界像素点个数以及所述缺陷区域的边界像素点和边界内部像素点的总个数,计算所述缺陷区域的周长以及所述缺陷区域的面积;
其中,side表示所述缺陷区域的周长;(x,y)表示像素点坐标;R 1表示所述缺陷区域边界像素点组成的集合;i表示缺陷区域边界当前像素点,且i=1、2、3…;area表示所述缺陷区域的面积;l表示所述缺陷点图像的灰度级数;N表示所述缺陷点图像的灰度总级数;p(l)表示所述缺陷点图像的灰度一阶概率分布函数;f表示所述缺陷点图像的熵;R 2表示所述缺陷区域的内部像素点总个数;j表示所述缺陷区域内部当前个像素点,且j=1、2、3…;
基于所述缺陷区域的周长以及所述缺陷区域的面积,分别计算所述缺陷区域的矩形度与所述缺陷区域的圆形度;
其中,H表示所述缺陷区域的矩形度;δ1表示第一误差因子,且取值范围为(0.01,0.03);area min 表示所述缺陷区域的最小外接矩形的面积;C表示所述缺陷区域的圆形度;δ2表示第二误差因子,且取值范围为(0.02,0.03);
根据所述缺陷区域的矩形度与所述缺陷区域的圆形度,确定缺陷区域的综合评估值;
将所述缺陷区域的综合评估值与预设综合评估值进行比较,判断所述缺陷点所在的缺陷区域是否对所述目标路段的铁轨的正常通行造成干扰;
当所述综合评估值小于或等于所述预设综合评估值,则判定所述缺陷点所在的缺陷区域对所述目标路段的铁轨的正常通行不会造成干扰;
否则,则判定所述缺陷点所在的缺陷区域对所述目标路段的铁轨的正常通行不会造成干扰,并基于所述区块链,将所述综合评估值进行共享。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210002448.1A CN114022826B (zh) | 2022-01-05 | 2022-01-05 | 一种基于区块链的铁轨检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210002448.1A CN114022826B (zh) | 2022-01-05 | 2022-01-05 | 一种基于区块链的铁轨检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114022826A CN114022826A (zh) | 2022-02-08 |
CN114022826B true CN114022826B (zh) | 2022-03-25 |
Family
ID=80069248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210002448.1A Active CN114022826B (zh) | 2022-01-05 | 2022-01-05 | 一种基于区块链的铁轨检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022826B (zh) |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854191B (zh) * | 2012-07-18 | 2014-09-10 | 湖南大学 | 高速铁轨表面缺陷的实时视觉检测与识别方法 |
CN105139413A (zh) * | 2015-09-25 | 2015-12-09 | 深圳大学 | 基于图像特征提取的铁轨连接件质量检测方法及检测系统 |
CN107292870B (zh) * | 2017-06-07 | 2020-11-20 | 复旦大学 | 基于图像对齐与检测网络模型的轨道塞钉故障检测方法与系统 |
EP3567518B1 (en) * | 2018-05-08 | 2022-05-18 | Aptiv Technologies Limited | Lane marker recognition |
CN108839671B (zh) * | 2018-05-31 | 2021-02-23 | 中国铁道科学研究院铁道建筑研究所 | 轨道状态检测系统和方法 |
CN110211101A (zh) * | 2019-05-22 | 2019-09-06 | 武汉理工大学 | 一种铁轨表面缺陷快速检测系统及方法 |
CN110378869B (zh) * | 2019-06-05 | 2021-05-11 | 北京交通大学 | 一种样本自动标注的钢轨扣件异常检测方法 |
CN110458807A (zh) * | 2019-07-09 | 2019-11-15 | 常州大学 | 一种铁路轨道缺陷机器视觉检测系统 |
WO2021014464A1 (en) * | 2019-07-19 | 2021-01-28 | John Alexander Valiyaveettil | System, multi-utility device and method to monitor vehicles for road saftey |
CN113282982B (zh) * | 2021-04-30 | 2023-04-18 | 杭州申昊科技股份有限公司 | 一种用于喷泥状况评估铁轨安全的系统和方法 |
CN113361354B (zh) * | 2021-05-28 | 2022-11-15 | 国能朔黄铁路发展有限责任公司 | 轨道部件巡检方法、装置、计算机设备和存储介质 |
-
2022
- 2022-01-05 CN CN202210002448.1A patent/CN114022826B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114022826A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109658387B (zh) | 电力列车的受电弓碳滑板缺陷的检测方法 | |
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN110751099B (zh) | 一种基于深度学习的无人机航拍视频轨迹高精度提取方法 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN110910353B (zh) | 一种工业假不良检测方法及系统 | |
CN113763312A (zh) | 使用弱标记检测半导体试样中的缺陷 | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN110910341A (zh) | 一种输电线路锈蚀区缺陷检测方法及装置 | |
CN111127465A (zh) | 一种桥梁检测报告自动生成方法及系统 | |
CN115601355A (zh) | 一种产品表面缺陷检测与分类方法、装置及存储介质 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN113506269A (zh) | 一种基于深度学习的道岔与非道岔轨道紧固件定位方法 | |
CN111612747A (zh) | 产品表面裂缝快速检测方法及检测系统 | |
CN108508023B (zh) | 一种铁路接触网中接触端部顶紧螺栓的缺陷检测系统 | |
CN113674216A (zh) | 一种基于深度学习的地铁隧道病害检测方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN114549493A (zh) | 一种基于深度学习的磁芯缺陷检测系统及方法 | |
CN117115148A (zh) | 基于5g技术的芯片表面缺陷智能识别方法 | |
CN115082444A (zh) | 一种基于图像处理的铜管焊缝缺陷检测方法及系统 | |
CN110728269A (zh) | 一种高铁接触网支柱杆号牌识别方法 | |
CN114022826B (zh) | 一种基于区块链的铁轨检测方法及系统 | |
CN115393346A (zh) | 一种用于钢轨轨道表面探伤的探测方法 | |
CN111325076A (zh) | 一种基于U-net与Seg-net网络融合的航空地面建筑物提取方法 | |
CN113191398A (zh) | 一种基于改进Faster R-CNN的路面破损识别方法 | |
Radopoulou et al. | Detection of multiple road defects for pavement condition assessment |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220705 Address after: 050033 room 10-2-403-2, Jianzhu Jiayuan, No. 15, Zhaiying North Street, Chang'an District, Shijiazhuang City, Hebei Province Patentee after: Hebei Shuoquan Technology Co.,Ltd. Address before: 050035 No.288, Zhufeng street, hi tech Development Zone, Shijiazhuang City, Hebei Province Patentee before: SHIJIAZHUANG University |