CN115170883B - 一种制动缸活塞推杆开口销丢失故障检测方法 - Google Patents

一种制动缸活塞推杆开口销丢失故障检测方法 Download PDF

Info

Publication number
CN115170883B
CN115170883B CN202210850750.2A CN202210850750A CN115170883B CN 115170883 B CN115170883 B CN 115170883B CN 202210850750 A CN202210850750 A CN 202210850750A CN 115170883 B CN115170883 B CN 115170883B
Authority
CN
China
Prior art keywords
brake cylinder
cylinder piston
fault detection
network
push rod
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
Application number
CN202210850750.2A
Other languages
English (en)
Other versions
CN115170883A (zh
Inventor
韩旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN202210850750.2A priority Critical patent/CN115170883B/zh
Publication of CN115170883A publication Critical patent/CN115170883A/zh
Application granted granted Critical
Publication of CN115170883B publication Critical patent/CN115170883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

一种制动缸活塞推杆开口销丢失故障检测方法,解决了现有进行制动缸活塞推杆开口销丢失故障检测误报警较多的问题，属于故障检测技术领域。本发明包括：S1、获取过车图像；S2、截取过车图像中包含制动缸活塞推杆的图像，将截取的图像送入训练好的故障检测网络中进行制动缸活塞推杆开口销丢失故障检测，如果像中检测到开口销丢失故障或没有检测到开口销，则认为出现故障，否则认为无故障；故障检测网络包括共享卷积块1、卷积块2‑卷积块5、FPN特征金字塔、RPN网络、建议框、ROI池化层1、位置回归头、分类头1、ROI池化层2、分类卷积块2‑分类卷积块5和分类头2。本发明可减少开口销丢失误报警。

Description

一种制动缸活塞推杆开口销丢失故障检测方法
技术领域
本发明涉及一种制动缸活塞推杆开口销丢失故障检测方法，属于故障检测技术领域。
背景技术
传统人工查图的故障检测方法费时费力，人工成本高，且由于检车人员的疲劳、粗心等，会出现漏检、误检现象。采用深度学习的铁路货车故障检测方法可以有效的降低检测成本，提高检测的效率。但由于制动缸活塞推杆位于列车底部，其上开口销面积较小，图像模糊且开口销角度多变，采用传统的Faster-Rcnn检测网络进行故障检测的效果并不理想，误报警较多。
发明内容
针对现有利用Faster-Rcnn检测网络进行制动缸活塞推杆开口销丢失故障检测误报警较多的问题，本发明提供一种制动缸活塞推杆开口销丢失故障检测方法。
本发明的一种制动缸活塞推杆开口销丢失故障检测方法，包括：
S1、在铁路四周架设高清成像设备，铁路货车通过后，获取过车图像；
S2、截取过车图像中包含制动缸活塞推杆的图像，将截取的图像送入训练好的故障检测网络中进行制动缸活塞推杆开口销丢失故障检测，如果像中检测到开口销丢失故障或没有检测到开口销，则认为出现故障，否则认为无故障；
故障检测网络包括共享卷积块1、卷积块2-卷积块5、FPN特征金字塔、RPN网络、建议框、ROI池化层1、位置回归头、分类头1、ROI池化层2、分类卷积块2-分类卷积块5和分类头2；
共享卷积块1、卷积块2-卷积块5组成特征提取网络，特征提取网络中的卷积块2-卷积块5与FPN特征金字塔连接，
截取的图像送入共享卷积块1，依次经特征提取网络与FPN特征金字塔后同时输入至建议框和ROI池化层1，建议框的输出输入至ROI池化层1，ROI池化层1的输出同时输入至位置回归器和分类器1；
同时，建议框的输出与分类器1的输出进行融合后再输入至ROI池化层2，共享卷积块1的输出输入至ROI池化层2，ROI池化层2的输出输入至分类卷积块2-分类卷积块5组成的分类特征学习网络，分类特征学习网络的输出输入至分类器2，位置回归器和分类器1和分类器2进行综合后，输出分类结果。
作为优选，所述FPN特征金字塔采用Efficientdet网络中的BiFPN网络实现。
作为优选，所述方法还包括：
收集图像，建立数据集，利用数据集中包括制动缸活塞推杆开口销正常的图像与制动缸活塞推杆开口销丢失的图像；对数据集中的图像进行多角度的仿射变换，对经过仿射变换后的图像进行数据集扩增操作，所述数据扩增操作包括旋转、裁剪和对比度变换；
利用数据集对故障检测网络进行训练。
作为优选，采用Focal Loss损失函数对故障检测网络进行训练，Focal Loss损失函数为：
FL(pt)＝-αt(1-pt)γlog(pt)
Figure BDA0003753386930000021
其中，FL(pt)表示损失函数，y为样本标签，pt反映了预测类别与样本标签y的接近程度，α、γ均为可变约束参数。
作为优选，α＝0.25，γ＝2。
本发明的有益效果，本发明的故障检测网络可进行制动缸活塞推杆开口销丢失故障检测，减少开口销丢失误报警。本发明的故障检测网络包括两支并行的分类网络，其中一个分支将定位于分类解耦，提高网络检测准确程度。本发明采用BiFPN特征金字塔优化分类网络，增加网络对特征的利用程度。本发明采用Focal Loss替代原本的交叉熵损失函数，解决简单样本与困难样本不均衡问题。本发明对数据集进行仿射变换扩增，减轻由于开口销角度多变造成的网络识别效果差的问题。
附图说明
图1为本发明方法的流程示意图；
图2为本发明故障检测网络的原理示意图；
图3为传统的FPN特征金字塔结构。
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作出创造性劳动的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施方式的一种制动缸活塞推杆开口销丢失故障检测方法，包括：
步骤1、在铁路四周架设高清成像设备，铁路货车通过后，获取过车图像；
步骤2、截取过车图像中包含制动缸活塞推杆的图像，将截取的图像送入训练好的故障检测网络中进行制动缸活塞推杆开口销丢失故障检测，如果像中检测到开口销丢失故障或没有检测到开口销，则认为出现故障，上传故障报文，否则认为无故障；继续检测下一张图像，检车人员根据上传的故障报文，依据人工先验原则，对故障部位进行进一步处理。
开口销丢失是一种状态，正常开口销是一种状态，如果检测到开口销丢失这类认为发生了开口销丢失，如果图像中什么都没有检测到(即没有检测到开口销)，认为同样发生了开口销丢失故障。
故障检测网络包括共享卷积块1、卷积块2-卷积块5、BiFPN特征金字塔、RPN网络、建议框、ROI池化层1、位置回归头、分类头1、ROI池化层2、分类卷积块2-分类卷积块5和分类头2；
共享卷积块1、卷积块2-卷积块5组成特征提取网络，特征提取网络中的卷积块2-卷积块5与BiFPN特征金字塔连接，
截取的图像送入共享卷积块1，依次经特征提取网络与BiFPN特征金字塔后同时输入至建议框和ROI池化层1，建议框的输出输入至ROI池化层1，ROI池化层1的输出同时输入至位置回归器和分类器1；
同时，建议框的输出与分类器1的输出进行融合后再输入至ROI池化层2，共享卷积块1的输出输入至ROI池化层2，ROI池化层2的输出输入至分类卷积块2-分类卷积块5组成的分类特征学习网络，分类特征学习网络的输出输入至分类器2，位置回归器和分类器1和分类器2进行综合后，输出分类结果。
由于制动缸活塞推杆开口销较小，图像对比度低，图像模糊，且开口销丢失故障图像与开口销正常图像差异较小，采用传统的Faster-Rcnn网络进行制动缸活塞推杆开口销丢失的故障检测时将正常开口销识别成开口销丢失的情况较多，即误报警较多，网络对于开口销目标的定位较为准确，但分类正常开口销与故障开口销的能力较弱。本实施方式在分类与定位解耦时，利用两个并行的分类网络，综合分类网络的分类结果与定位，生成最终的检测结果。同时采用FPN特征金字塔优化故障检测网络，提高网络对特征的利用程度，提升网络的检测性能。本实施方式中的故障检测网络如图2所示，Shared Conv1、Conv2～Conv5为Resent50特征提取网络；除了FPN特征金字塔的其余部分为同样采用Resnet50，网络参数设置与Faster-Rcnn特征提取网络相同。
为了充分利用卷积网络的不同尺度的特征，故障检测网络采用Efficientdet网络中的BiFPN网络实现FPN特征金字塔的功能，对特征提取网络中的深层与浅层特征进行充分融合。如图2中虚线框所示，白色圆圈表示特征图，箭头表示特征图的流向，箭头汇聚处进行特征图的融合操作。融合操作过程为：将小尺度特征图上采样到与大尺度尺度特征图相同的大小，将特征图级联，然后与1×1大小的卷积进行卷积，降低特征图维度，减少计算量。FPN特征金字塔的参数设置与Efficientdet中BiFPN网络相同。传统的FPN特征金字塔结构如图3所示，仅完成了浅层特征到深层特征的自顶至下的融合，对特征提取网络不同层次(不同尺度)的特征融合不全面，本实施方式BiFPN特征金字塔不仅进行了浅层特征图到深层特征图的融合，也进行了深层到浅层的融合，特征融合更加充分，提升了对不同尺度特征的利用程度，进而提升网络的检测性能。
本实施方式中，在对故障检测网络进行训练时，首先收集图像，建立数据集，利用数据集中包括制动缸活塞推杆开口销正常的图像与制动缸活塞推杆开口销丢失的图像；对数据集中的图像进行多角度的仿射变换，对经过仿射变换后的图像进行数据集扩增操作，所述数据扩增操作包括旋转、裁剪和对比度变换，具体包括：
在铁路四周架设高清成像设备，获取铁路货车通过后的过车图像，截取图像中的制动缸活塞推杆部分图像，进行后续数据集建立。收集制动缸活塞推杆开口销正常的图像与制动缸活塞推杆开口销丢失的图像作为检测数据集图像，由于制动缸活塞推杆开口销丢失的图像数量较少，需在开口销正常的图像上PS出开口销丢失故障，作为开口销丢失数据集的补充。对数据集进行标记，生成标记文件，完成数据集的收集制作。标记过程采用labelImg标记软件实现，生成图像对应的标记文件，其中正常开口销目标标记为开口销类，发生开口销丢失的开口销目标标记为开口销丢失类，标记文件中记录了图像的名字、大小、路径、目标的位置、目标的类别等信息。
制动缸活塞推杆开口销角度多变，造成网络识别困难，为了减轻网络学习压力，对数据集中的图像进行多角度的仿射变换，尽量多的模拟多种角度的开口销，增加训练数据集的开口销角度多样性，提高网络识别的准确率。然后对经过仿射变换后的数据集图像进行旋转、裁剪、对比度变换等数据扩增操作。数据扩增操作可以有效降低故障检测网络过拟合的概率，提升故障检测网络的泛化性能。
利用数据集对故障检测网络进行训练。
在训练过程中本实施方式将RPN网络中原本的交叉熵损失函数替换为Focal Loss损失函数。制动缸活塞推杆开口销丢失图像较难获得，在未发生开口销丢失故障的图像上PS开口销丢失故障的人力成本也比较大，而开口销丢失特征不明显较难识别，开口销样本个数少更增加了识别的困难程度。同时由于开口销在图像上的面积占比较小，检测网络中正样本(有目标)和负样本(背景)也会发生不均衡现象。Focal Loss损失函数在原本的交叉熵损失函数中根据样本分辨的难易程度给样本对应的损失添加权重，解决了简单样本和困难样本不均衡问题与正负样本不均衡问题，提升网络训练效果。RPN网络中传统的交叉熵损失函数如公式(1)、(2)所示。其中p表示网络模型预测该样本为正样本的概率，y为样本标签，当y＝+1时表示正样本，y＝-1表示负样本，pt反映了预测类别与标签y的接近程度，pt越大表示样本越接近类别y，分类越准确，交叉熵损失函数CE(p,y)越小。Focal Loss损失函数如公式(3)、(4)所示。其中pt、y与交叉熵损失函数相同，α、γ为可变约束参数，本专利中设置α＝0.25、γ＝2。在交叉熵损失函数中增加αt可以解决正负样本分布不均衡的问题，α越小，负样本(数量较多的背景)的FL(pt)越小，损失函数占比越小。(1-pt)γ可以解决简单和困难样本不均衡问题。pt越大(分类越准确)，(1-pt)γ越接近于0，pt越小(分类不准确)，(1-pt)γ越大，Focal Loss增加了分类困难(分类不准确)样本的损失占比，解决了样本个数少，分类困难的问题。
CE(p,y)＝CE(pt)＝-log(pt) (1)
Figure BDA0003753386930000051
FL(pt)＝-αt(1-pt)γlog(pt) (3)
Figure BDA0003753386930000052
本实施方式采用Focal Loss损失函数解决简单和困难样本不均衡问题。
利用数据集对故障检测网络训练参数过程中，采用SGD优化方式进行训练，初始学习率设置为0.01。将数据集分为训练集、验证集与测试集，比例为7：2：1，采用训练集图像训练故障检测网络，在验证集上进行测试，然后将验证集中识别错误的图像加入到训练集中重新进行训练，最后在测试集上测试故障检测网络的性能。
实验发现采用Faster-Rcnn网络进行制动缸活塞推杆开口销丢失故障检测时，网络通常能正确定位开口销或开口销丢失类的位置，但对开口销与开口销丢失两个类别的分类稍显逊色，易产生过多的误报警。分析原因是由于Faster-Rcnn为多任务学习网络，同时进行目标的定位与分类任务的学习，且定位与分类共享同一个特征提取网络。分类任务需学习到的特征是具有旋转和平移不变性的特征，而定位回归任务需要学习到的特征需要对位置比较敏感，Faster-Rcnn网络为了平衡定位与分类任务，对分类任务所需的特征学习并不全面，而开口销与开口销丢失特征较为相似，需要更精准的分类特征才能正确的实现正确的分类。因此本实施方式采用了两个并行的分类网络进行目标分类，解耦定位与分类任务，减少网络的误报。本实施方式对RPN网络输出的置信度超过s的FP(假阳性样本，目标被错误分类，例如将开口销丢失类别识别为正常开口销类别)建议框进行进一步的精细分类，将该建议框映射到共享卷积块1上输出的特征图，然后对特征图进行ROI池化层操作，随后通过分类卷积块Conv2～分类卷积块Conv5进行分类特征的学习，最后通过全连接与softmax分类器C2进行分类。由于卷积神经网络底层仅学习低级特征如纹理特征，共用底层特征提取层可以有效的降低网络参数量，减少网络运行时间。本实施方式共用一个底层的特征提取卷积块共享卷积块1，仅在高层分类卷卷积块2～分类卷积块5进行任务的解耦，本实施方式的一分支同时学习定位与分类特征，另一分支进行分类特征的学习。在本实施方式中为了平衡网络计算时间于网络准确率将FPN特征金字塔输出的分类置信度阈值为0.5。在故障检测网络测试时，综合分类器C1、分类器C2的分类结果与位置回归器的定位结果生成最终的故障检测结果。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (10)

1.一种制动缸活塞推杆开口销丢失故障检测方法，其特征在于，所述方法包括：
S1、在铁路四周架设高清成像设备，铁路货车通过后，获取过车图像；
S2、截取过车图像中包含制动缸活塞推杆的图像，将截取的图像送入训练好的故障检测网络中进行制动缸活塞推杆开口销丢失故障检测，如果像中检测到开口销丢失故障或没有检测到开口销，则认为出现故障，否则认为无故障；
故障检测网络包括共享卷积块1、卷积块2-卷积块5、FPN特征金字塔、RPN网络、建议框、ROI池化层1、位置回归器、分类器1、ROI池化层2、分类卷积块2-分类卷积块5和分类器2；
共享卷积块1、卷积块2-卷积块5组成特征提取网络，特征提取网络中的卷积块2-卷积块5与FPN特征金字塔连接，
截取的图像送入共享卷积块1，依次经特征提取网络与FPN特征金字塔后同时输入至建议框和ROI池化层1，建议框的输出输入至ROI池化层1，ROI池化层1的输出同时输入至位置回归器和分类器1；
同时，建议框的输出与分类器1的输出进行融合后再输入至ROI池化层2，共享卷积块1的输出输入至ROI池化层2，ROI池化层2的输出输入至分类卷积块2-分类卷积块5组成的分类特征学习网络，分类特征学习网络的输出输入至分类器2，位置回归器和分类器1和分类器2进行综合后，输出分类结果。
2.根据权利要求1所述的制动缸活塞推杆开口销丢失故障检测方法，其特征在于，所述FPN特征金字塔采用Efficientdet网络中的BiFPN网络实现。
3.根据权利要求1所述的制动缸活塞推杆开口销丢失故障检测方法，其特征在于，所述方法还包括：
收集图像，建立数据集，利用数据集中包括制动缸活塞推杆开口销正常的图像与制动缸活塞推杆开口销丢失的图像；对数据集中的图像进行多角度的仿射变换，对经过仿射变换后的图像进行数据集扩增操作，所述数据集扩增操作包括旋转、裁剪和对比度变换；
利用数据集对故障检测网络进行训练。
4.根据权利要求3所述的制动缸活塞推杆开口销丢失故障检测方法，其特征在于，采用SGD优化方式进行训练，初始学习率设置为0.01。
5.根据权利要求4所述的制动缸活塞推杆开口销丢失故障检测方法，其特征在于，将数据集分为训练集、验证集与测试集，比例为7：2：1，采用训练集图像训练故障检测网络，在验证集上进行测试，然后将验证集中识别错误的图像加入到训练集中重新进行训练，最后在测试集上测试故障检测网络的性能。
6.根据权利要求1所述的制动缸活塞推杆开口销丢失故障检测方法，其特征在于，
采用Focal Loss损失函数对故障检测网络进行训练，Focal Loss损失函数为：
FL(pt)＝-αt(1-pt)γlog(pt)
Figure FDA0004034708070000021
其中，FL(pt)表示损失函数，y为样本标签，pt反映了预测类别与样本标签y的接近程度，α、γ均为可变约束参数。
7.根据权利要求6所述的制动缸活塞推杆开口销丢失故障检测方法，其特征在于，α＝0.25，γ＝2。
8.根据权利要求1所述的制动缸活塞推杆开口销丢失故障检测方法，其特征在于，分类器2为softmax分类器。
9.根据权利要求1所述的制动缸活塞推杆开口销丢失故障检测方法，其特征在于，所述方法还包括：若出现故障，上传报警报文。
10.根据权利要求1所述的制动缸活塞推杆开口销丢失故障检测方法，其特征在于，FPN特征金字塔输出的分类置信度阈值为0.5。
CN202210850750.2A 2022-07-19 2022-07-19 一种制动缸活塞推杆开口销丢失故障检测方法 Active CN115170883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210850750.2A CN115170883B (zh) 2022-07-19 2022-07-19 一种制动缸活塞推杆开口销丢失故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210850750.2A CN115170883B (zh) 2022-07-19 2022-07-19 一种制动缸活塞推杆开口销丢失故障检测方法

Publications (2)

Publication Number Publication Date
CN115170883A CN115170883A (zh) 2022-10-11
CN115170883B true CN115170883B (zh) 2023-03-14

Family

ID=83496017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210850750.2A Active CN115170883B (zh) 2022-07-19 2022-07-19 一种制动缸活塞推杆开口销丢失故障检测方法

Country Status (1)

Country Link
CN (1) CN115170883B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116980184B (zh) * 2023-06-28 2024-08-13 中国石化销售股份有限公司广东石油分公司 基于多重冗余算法的sdwan网络密钥分配方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091545A (zh) * 2019-12-12 2020-05-01 哈尔滨市科佳通用机电股份有限公司 铁路货车滚动轴承轴端螺栓丢失故障的检测方法
CN112330631A (zh) * 2020-11-05 2021-02-05 哈尔滨市科佳通用机电股份有限公司 一种铁路货车制动梁支柱拉铆销套环丢失故障检测方法
WO2021208502A1 (zh) * 2020-04-16 2021-10-21 中国科学院深圳先进技术研究院 一种基于平滑边框回归函数的遥感图像目标检测方法
WO2022120901A1 (zh) * 2020-12-09 2022-06-16 中国科学院深圳先进技术研究院 基于特征金字塔的图像检测模型的训练方法、介质和设备
WO2022147965A1 (zh) * 2021-01-09 2022-07-14 江苏拓邮信息智能技术研究院有限公司 基于MixNet-YOLOv3和卷积递归神经网络CRNN的算术题批阅系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986174A (zh) * 2020-08-17 2020-11-24 深圳市商汤科技有限公司 缺陷检测方法、装置、电子设备及计算机存储介质
CN114399479A (zh) * 2021-12-29 2022-04-26 国能铁路装备有限责任公司 铁道车辆螺栓开口销的检测方法、装置和计算机设备
CN114202540B (zh) * 2022-02-17 2022-05-13 中铁电气化局集团有限公司 高铁接触网开口销缺陷的智能检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091545A (zh) * 2019-12-12 2020-05-01 哈尔滨市科佳通用机电股份有限公司 铁路货车滚动轴承轴端螺栓丢失故障的检测方法
WO2021208502A1 (zh) * 2020-04-16 2021-10-21 中国科学院深圳先进技术研究院 一种基于平滑边框回归函数的遥感图像目标检测方法
CN112330631A (zh) * 2020-11-05 2021-02-05 哈尔滨市科佳通用机电股份有限公司 一种铁路货车制动梁支柱拉铆销套环丢失故障检测方法
WO2022120901A1 (zh) * 2020-12-09 2022-06-16 中国科学院深圳先进技术研究院 基于特征金字塔的图像检测模型的训练方法、介质和设备
WO2022147965A1 (zh) * 2021-01-09 2022-07-14 江苏拓邮信息智能技术研究院有限公司 基于MixNet-YOLOv3和卷积递归神经网络CRNN的算术题批阅系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于回归深度卷积网络的船舶图像与视频检测;黄志坚等;《上海海事大学学报》;20191231(第04期);全文 *
深度卷积神经网络在目标检测中的研究进展;姚群力等;《计算机工程与应用》;20180901(第17期);全文 *

Also Published As

Publication number Publication date
CN115170883A (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN110827251B (zh) 一种基于航拍图像的输电线路锁紧销缺陷检测方法
CN111563557B (zh) 一种电力电缆隧道内目标检测的方法
CN114240878A (zh) 面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法
CN105260744B (zh) 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统
CN109285139A (zh) 一种基于深度学习的x射线成像焊缝检测方法
CN109859163A (zh) 一种基于特征金字塔卷积神经网络的lcd缺陷检测方法
CN111091545B (zh) 铁路货车滚动轴承轴端螺栓丢失故障的检测方法
CN109165541A (zh) 用于智能识别轨道交通车辆图像中车辆零部件的编码方法
CN111444939A (zh) 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法
CN112330631B (zh) 一种铁路货车制动梁支柱拉铆销套环丢失故障检测方法
CN105303193A (zh) 一种基于单帧图像处理的人数统计系统
CN111368690A (zh) 基于深度学习的海浪影响下视频图像船只检测方法及系统
CN112464846B (zh) 一种车站货运列车车厢异常故障的自动识别方法
CN111080600A (zh) 一种铁路货车弹簧托板上开口销的故障识别方法
CN115170883B (zh) 一种制动缸活塞推杆开口销丢失故障检测方法
CN111091543A (zh) 铁路货车摇枕弹簧丢失故障目标检测方法
CN112233088B (zh) 基于改进的Faster-rcnn的制动软管丢失检测方法
CN111160100A (zh) 一种基于样本生成的轻量级深度模型航拍车辆检测方法
CN115100497A (zh) 基于机器人的通道异常物体巡检方法、装置、设备及介质
CN113962980A (zh) 基于改进yolov5x的玻璃容器瑕疵检测方法及系统
CN114549414A (zh) 一种针对轨道数据的异常变化检测方法及系统
CN112837281B (zh) 基于级联卷积神经网络的销钉缺陷识别方法、装置和设备
Terzoglou et al. Employing deep learning framework for improving solar panel defects using drone imagery
CN110163081A (zh) 基于ssd的实时区域入侵检测方法、系统及存储介质
CN114078106B (zh) 基于改进Faster R-CNN的疵点检测方法

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