CN115187869A - 基于ai算法的高铁接触网设备巡检系统 - Google Patents
基于ai算法的高铁接触网设备巡检系统 Download PDFInfo
- Publication number
- CN115187869A CN115187869A CN202211093669.0A CN202211093669A CN115187869A CN 115187869 A CN115187869 A CN 115187869A CN 202211093669 A CN202211093669 A CN 202211093669A CN 115187869 A CN115187869 A CN 115187869A
- Authority
- CN
- China
- Prior art keywords
- module
- infrared imaging
- algorithm
- speed rail
- fault
- 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.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 25
- 238000003331 infrared imaging Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 15
- 238000001931 thermography Methods 0.000 claims description 12
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- 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
-
- 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
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Abstract
本发明提供一种基于AI算法的高铁接触网设备巡检系统。本发明提供的一种基于AI算法的高铁接触网设备巡检系统,包括有红外成像模块、目标识别模块、预警模块、计时模块、位置获取模块和定位模块。本发明通过红外成像模块获取热像图,热像图能够展示出物体温度对应的颜色,并基于深度神经网络算法对接触线由于电路故障出现大量发热的情况进行识别,能够精确地判断接触线是否发生故障。
Description
技术领域
本领域涉及高铁接触网设备巡检领域,尤其涉及一种基于AI算法的高铁接触网设备巡检系统。
背景技术
高铁的供电系统由高铁上的受电弓与电气化铁路上的接触网构成,其中接触网由承力索、吊弦和接触线组成,由于高铁高速运行,接触网是非常重要的,特别是与受电弓直接接触的接触线,若其中磨损严重,或者电路故障导致线路损坏,对于高铁运行都是非常严重的事故,现在对于接触网的巡检通常是安排工作人员逐段检查,特别的,还有通过图片识别来实现巡检功能,但是针对电路故障时图片识别很难奏效,因为电力故障引起的接触线故障很难从图片信息中得到,但是由于电路故障引起的接触线故障,会发出大量的热,通过接触线的热像图变化,能够得知此变化,因此,本发明针对电路故障的接触网巡检提出一种能够利用接触线故障处热量的多少来判断是否出现故障的基于AI算法的高铁接触网设备巡检系统。
发明内容
本发明为了高效的对接触网进行巡检,提供了一种能够利用接触线故障处热量的多少来判断是否出现故障的基于AI算法的高铁接触网设备巡检系统。
为了解决上述技术问题,本发明提供了基于AI算法的高铁接触网设备巡检系统,包括有:
红外成像模块,用于获取接触网处的热像图;
目标识别模块,用于接收所述红外成像模块获取的热像图,对热像图进行识别,判断是否有超高温区域;
预警模块,用于响应所述目标识别模块的结果并发出警报;
计时模块,用于获取采集热像图的时间;
位置获取模块,用于获取所述红外成像模块所在位置;
定位模块,用于对接触网故障位置进行定位。
本发明的一个方面,所述红外成像模块配置为高速红外成像仪,安装于高铁车厢顶部。
本发明的一个方面,所述目标识别模块内置深度神经网络算法,所述深度神经网络算法采用YOLO V3算法。
本发明的一个方面,所述定位模块内置位置分析模型,通过以高铁发车时间为起点,经过时间为x轴,所述红外成像模块所在位置的经度为y轴,所述红外成像模块所在位置的纬度为z轴,建立高铁经过时间与所述红外成像模块所在位置的经纬度之间的联系,根据高铁实际运行,并通过所述位置获取模块获取所述红外成像模块所在位置,建立位置分析模型。
本发明的一个方面,还包括有故障统计模块:
所述故障统计模块用于统计接触网故障所在位置及其出现的次数。
本发明的一个方面,还包括有转动模块:
所述转动模块用于转动所述红外成像模块,使得所述红外成像模块跟随接触网。
本发明的一个方面,基于AI算法的高铁接触网设备巡检方法包括如下步骤:
S1:红外成像模块获取接触网处的热像图,并将热像图打包成数据信号,发送至目标识别模块,同时计时模块获取采集热像图的时间T1,并用T1对数据信号进行采集时间标记;
S2:目标识别模块接收数据信号,并转换成热像图数据,存储T1,把热像图数据送入训练好的YOLO V3模型,根据颜色特征判断该热像图是否有超高温区域,若不存在超高温区域,则回到S1;若存在超高温区域,进入S3;
S3:目标识别模块生成报警信号并发送至预警模块,预警模块响应报警信号并发出警报提醒工作人员接触网存在安全隐患,同时目标识别模块将热像图对应的T1发送至定位模块,定位模块以T1作为索引,根据定位模块内置的位置分析模型获取接触网故障位置,接触网故障位置信息由经纬度构成;
S4:故障统计模块对接触网故障位置进行记录和对接触网故障出现次数进行统计。
本发明的一个方面,所述转动模块转动所述红外成像模块的算法为:
M1:获取热像图,并按坐标(Xn,Ym)依次获取热像图中红色通道的灰度值H(nm),其中n=1,2,3······N,N指热像图X坐标的最大值,m=1,2,3······M,M指热像图Y坐标的最大值;
M2:将H(nm)通过冒泡排序法按从大到小进行排序后,分别以δ进行编号,其中δ=1,2,3······A,其中A=n*m,表示热像图中所有坐标点的个数,再以(δ,H(nm))形成一系列点,通过最小二乘法将这一系列点进行曲线拟合,形成函数f(δ),并计算其导数fˊ(δ),将使得fˊ(δ)<0中的所有δ保存为集合α,选取集合α中的最小值,记为δmin;
M3:将1至(δmin-1)对应灰度值H(nm)提取出来,并选择这些灰度值H(nm)对应的坐标(Xn,Ym),以这些坐标通过最小二乘法进行线性拟合,得到直线方程:y=ax+b,其中直线斜率为a,接触线偏转角度β=arctan(|a|);
M4:转动模块控制红外成像模块转动W*(90°-β),其中W为转动系数,回到M1。
本发明公开的一个方面带来的有益效果是:
1、本发明通过红外成像模块获取热像图,热像图能够展示出物体温度对应的颜色,并基于深度神经网络算法对接触线由于电路故障出现大量发热的情况进行识别,能够精确地判断接触线是否发生故障。
2、本发明通过设置预警模块,当目标识别模块识别出接触线发生故障时,预警模块能够发出警报,提醒工作人员接触线出现故障。
3、本发明通过设置定位模块,并根据高铁的实际运行建立时间与红外成像模块位置经纬度的联系,使得定位模块可以根据识别出故障的热像图对应的采集时间获取准确的位置,方便工作人员后续准确地找到接触线出现故障的位置。
4、本发明通过设置故障统计模块,对接触线出现故障的位置及其次数进行统计,为工作人员对接触线的使用情况提供参考数据。
5、本发明通过设置转动模块,计算接触线偏转角度,使得红外成像模块自动进行偏转,能够跟随接触线的走势进行调整,避免由于接触线的“之”字形设置丢失接触线的热像图。
附图说明
图1为本发明实施例所应用的基于AI算法的高铁接触网设备巡检系统的结构示意图。
图2为本发明实施例中所应用的基于AI算法的高铁接触网设备巡检方法的流程图。
具体实施方式
为使本次发明的目的,技术方案和优点更加清楚明白,以下结合具体实施案例,并参照附图,对本发明所述的基于AI算法的高铁接触网设备巡检系统,进一步的详细说明,显然,所描述案例只是本发明的一部分实施例,而不是全部的实施例,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。
实施例1
本发明提供了这样基于AI算法的高铁接触网设备巡检系统,如图1所示,包括有红外成像模块、目标识别模块、预警模块、计时模块、位置获取模块和定位模块;所述红外成像模块配置为高速红外成像仪,安装于高铁车厢顶部,用于获取接触网处的热像图,热像图根据物体的温度发出不同的颜色;所述目标识别模块内置深度神经网络算法,所述深度神经网络算法采用YOLO V3算法,所述目标识别模块用于接收所述红外成像模块获取的热像图,对热像图进行识别,判断是否有超高温区域,超高温区域代表此处的接触线出现了电路故障,发出大量的热,YOLO V3算法作为目前最常用的目标识别算法之一,能够很好地对热图像进行识别;所述预警模块,用于响应所述目标识别模块的结果并发出警报;所述计时模块,用于获取采集热像图的时间;所述位置获取模块,用于获取红外成像模块所在位置;所述定位模块,用于对接触网故障位置进行定位。
定位模块内置位置分析模型,通过以高铁发车时间为起点,经过时间为x轴,所述红外成像模块所在位置的经度为y轴,所述红外成像模块所在位置的纬度为z轴,建立高铁经过时间与所述红外成像模块所在位置的经纬度之间的联系,根据高铁实际运行,建立位置分析模型,高铁运行速度及路线不会发生变化,通过高铁实际运行,并通过所述位置获取模块获取所述红外成像模块所在位置,建立位置分析模型,能够使得定位模块根据出现安全隐患热像图的时间得到具体位置,方便后续工作人员找到位置进行检修。
如图1所示,还包括有故障统计模块:
所述故障统计模块用于统计接触网故障所在位置及其出现的次数,通过统计故障次数及故障位置,能够使得工作人员更加熟悉引起安全隐患的问题所在,进一步加强巡检效果。
如图1所示,还包括有转动模块:
所述转动模块用于转动所述红外成像模块,使得所述红外成像模块跟随接触网。
如图2所示,基于AI算法的高铁接触网设备巡检方法包括如下步骤:
S1:红外成像模块获取接触网处的热像图,并将热像图打包成数据信号,发送至目标识别模块,同时计时模块获取采集热像图的时间T1,并用T1对数据信号进行采集时间标记;
S2:目标识别模块接收数据信号,并转换成热像图数据,存储T1,把热像图数据送入训练好的YOLO V3模型,根据颜色特征判断该热像图是否有超高温区域,若不存在超高温区域,则回到S1;若存在超高温区域,进入S3,此处便是对接触线是否由于电路故障导致大量发热的判断;
S3:目标识别模块生成报警信号并发送至预警模块,预警模块响应报警信号并发出警报提醒工作人员接触网存在安全隐患,同时目标识别模块将热像图对应的T1发送至定位模块,定位模块以T1作为索引,根据定位模块内置的位置分析模型获取接触网故障位置,接触网故障位置信息由经纬度构成;
S4:故障统计模块对接触网故障位置进行记录和对接触网故障出现次数进行统计。
所述转动模块转动所述红外成像模块的算法为:
M1:获取热像图,并按坐标(Xn,Ym)依次获取热像图中红色通道的灰度值H(nm),其中n=1,2,3······N,N指热像图X坐标的最大值,m=1,2,3······M,M指热像图Y坐标的最大值;
M2:将H(nm)通过冒泡排序法按从大到小进行排序后,分别以δ进行编号,其中δ=1,2,3······A,其中A=n*m,表示热像图中所有坐标点的个数,再以(δ,H(nm))形成一系列点,通过最小二乘法将这一系列点进行曲线拟合,形成函数f(δ),并计算其导数fˊ(δ),将使得fˊ(δ)<0中的所有δ保存为集合α,选取集合α中的最小值,记为δmin,由于一般接触线在运行时问题都会比周围温度高,所以在热像图中,接触线的颜色特征与周围环境是显著不同带的,并且呈现下降趋势,所以以曲线拟合并求导的方式找出突然变化的灰度值H(nm),那么在他之前就都是接触线的灰度值H(nm);
M3:将1至(δmin-1)对应灰度值H(nm)提取出来,并选择这些灰度值H(nm)对应的坐标(Xn,Ym),以这些坐标通过最小二乘法进行线性拟合,得到直线方程:y=ax+b,其中直线斜率为a,接触线偏转角度β=arctan(|a|),此处计算出来接触线的偏转角度,为了增大接触面积,接触线一般是呈“之”字形设计的,为了红外成像模块不会丢失接触线的热像图,需要计算接触线的偏转角度,并转动红外成像模块;
M4:转动模块控制红外成像模块转动W*(90°-β),其中W为转动系数,回到M1。
本实施例中,通过红外成像模块获取热像图,并基于深度神经网络算法对接触线由于电路故障出现大量发热的情况进行识别,提高了高铁接触网设备巡检的效果;本实施例通过计算接触线偏转角度,使得红外成像模块自动进行偏转,能够跟随接触线的走势进行调整,避免丢失接触线的热像图。
Claims (6)
1.基于AI算法的高铁接触网设备巡检系统,其特征在于,包括有:
红外成像模块,用于获取接触网处的热像图;
目标识别模块,用于接收所述红外成像模块获取的热像图,对热像图进行识别,判断是否有超高温区域;
预警模块,用于响应所述目标识别模块的结果并发出警报;
计时模块,用于获取采集热像图的时间;
位置获取模块,用于获取所述红外成像模块所在位置;
定位模块,用于对接触网故障位置进行定位;
还包括有转动模块:
所述转动模块用于转动所述红外成像模块,使得所述红外成像模块跟随接触网;
所述转动模块转动所述红外成像模块的算法为:
M1:获取热像图,并按坐标(Xn,Ym)依次获取热像图中红色通道的灰度值H(nm),其中n=1,2,3······N,N指热像图X坐标的最大值,m=1,2,3······M,M指热像图Y坐标的最大值;
M2:将H(nm)通过冒泡排序法按从大到小进行排序后,分别以δ进行编号,其中δ=1,2,3······A,其中A=n*m,表示热像图中所有坐标点的个数,再以(δ,H(nm))形成一系列点,通过最小二乘法将这一系列点进行曲线拟合,形成函数f(δ),并计算其导数fˊ(δ),将使得fˊ(δ)<0中的所有δ保存为集合α,选取集合α中的最小值,记为δmin;
M3:将1至(δmin-1)对应灰度值H(nm)提取出来,并选择这些灰度值H(nm)对应的坐标(Xn,Ym),以这些坐标通过最小二乘法进行线性拟合,得到直线方程:y=ax+b,其中直线斜率为a,接触线偏转角度β=arctan(|a|);
M4:转动模块控制红外成像模块转动W*(90°-β),其中W为转动系数,回到M1。
2.根据权利要求1所述的基于AI算法的高铁接触网设备巡检系统,其特征在于,所述红外成像模块配置为高速红外成像仪,安装于高铁车厢顶部。
3.根据权利要求1所述的基于AI算法的高铁接触网设备巡检系统,其特征在于,所述目标识别模块内置深度神经网络算法,所述深度神经网络算法采用YOLO V3算法。
4.根据权利要求1所述的基于AI算法的高铁接触网设备巡检系统,其特征在于,所述定位模块内置位置分析模型,通过以高铁发车时间为起点,经过时间为x轴,所述红外成像模块所在位置的经度为y轴,所述红外成像模块所在位置的纬度为z轴,建立高铁经过时间与所述红外成像模块所在位置的经纬度之间的联系,根据高铁实际运行,并通过所述位置获取模块获取所述红外成像模块所在位置,建立位置分析模型。
5.根据权利要求1所述的基于AI算法的高铁接触网设备巡检系统,其特征在于,还包括有故障统计模块:
所述故障统计模块用于统计接触网故障位置及其出现的次数。
6.根据权利要求1所述的基于AI算法的高铁接触网设备巡检系统,其特征在于,基于AI算法的高铁接触网设备巡检方法包括如下步骤:
S1:红外成像模块获取接触网处的热像图,并将热像图打包成数据信号,发送至目标识别模块,同时计时模块获取采集热像图的时间T1,并用T1对数据信号进行采集时间标记;
S2:目标识别模块接收数据信号,并转换成热像图数据,存储T1,把热像图数据送入训练好的YOLO V3模型,根据颜色特征判断该热像图是否有超高温区域,若不存在超高温区域,则回到S1;若存在超高温区域,进入S3;
S3:目标识别模块生成报警信号并发送至预警模块,预警模块响应报警信号并发出警报提醒工作人员接触网存在安全隐患,同时目标识别模块将热像图对应的T1发送至定位模块,定位模块以T1作为索引,根据定位模块内置的位置分析模型获取接触网故障位置,接触网故障位置信息由经纬度构成;
S4:故障统计模块对接触网故障位置进行记录和对接触网故障出现次数进行统计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211093669.0A CN115187869A (zh) | 2022-09-08 | 2022-09-08 | 基于ai算法的高铁接触网设备巡检系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211093669.0A CN115187869A (zh) | 2022-09-08 | 2022-09-08 | 基于ai算法的高铁接触网设备巡检系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115187869A true CN115187869A (zh) | 2022-10-14 |
Family
ID=83522896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211093669.0A Pending CN115187869A (zh) | 2022-09-08 | 2022-09-08 | 基于ai算法的高铁接触网设备巡检系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187869A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105898136A (zh) * | 2015-11-17 | 2016-08-24 | 乐视致新电子科技(天津)有限公司 | 摄像视角调节方法、系统及电视 |
CN108872796A (zh) * | 2018-07-31 | 2018-11-23 | 广州科易光电技术有限公司 | 基于车载接触网运行状态检测的地面控制平台 |
CN109000729A (zh) * | 2018-07-31 | 2018-12-14 | 广州科易光电技术有限公司 | 车载接触网运行状态检测系统 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN210464437U (zh) * | 2019-09-13 | 2020-05-05 | 中铁电气化局集团北京电气化工程有限公司 | 一种自动瞄准的接触网激光检测仪 |
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 |
CN113884194A (zh) * | 2021-09-29 | 2022-01-04 | 广汉科峰电子有限责任公司 | 一种接触网温度动态检测系统 |
-
2022
- 2022-09-08 CN CN202211093669.0A patent/CN115187869A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105898136A (zh) * | 2015-11-17 | 2016-08-24 | 乐视致新电子科技(天津)有限公司 | 摄像视角调节方法、系统及电视 |
CN108872796A (zh) * | 2018-07-31 | 2018-11-23 | 广州科易光电技术有限公司 | 基于车载接触网运行状态检测的地面控制平台 |
CN109000729A (zh) * | 2018-07-31 | 2018-12-14 | 广州科易光电技术有限公司 | 车载接触网运行状态检测系统 |
CN110598736A (zh) * | 2019-08-06 | 2019-12-20 | 西安理工大学 | 一种电力设备红外图像故障定位、识别与预测方法 |
CN210464437U (zh) * | 2019-09-13 | 2020-05-05 | 中铁电气化局集团北京电气化工程有限公司 | 一种自动瞄准的接触网激光检测仪 |
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 |
CN113884194A (zh) * | 2021-09-29 | 2022-01-04 | 广汉科峰电子有限责任公司 | 一种接触网温度动态检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110613B (zh) | 一种基于动作识别的轨道交通异常人员检测方法 | |
CN107364459B (zh) | 一种铁路车辆列检机器人智能作业系统和方法 | |
CN207089320U (zh) | 一种弓网离线状态非接触式检测装置 | |
CN112804498B (zh) | 一种安全防护装具佩戴情况监控系统和方法 | |
CN202793389U (zh) | 一种高铁接触网在线巡检装置 | |
Landi et al. | Hough transform and thermo-vision for monitoring pantograph-catenary system | |
CN207335877U (zh) | 一种车载弓网运行状态检测系统 | |
US9751541B2 (en) | System for detecting defects in the roundness of railway vehicle wheels | |
US9676402B2 (en) | System for monitoring the operating conditions of a train | |
CN108872796A (zh) | 基于车载接触网运行状态检测的地面控制平台 | |
CN111521271A (zh) | 一种基于红外图像的弓网检测方法、装置及系统 | |
CN107633266B (zh) | 一种电力机车接触网受电弓电弧检测方法 | |
CN108169616A (zh) | 受电弓的监测方法、装置和系统 | |
CN113371028A (zh) | 一种电客车载轨道智能巡检系统及方法 | |
CN110793501A (zh) | 一种地铁隧道限界检测方法 | |
CN109094574A (zh) | 一种基于台架的无人车驾驶状态测量控制系统 | |
CN115187869A (zh) | 基于ai算法的高铁接触网设备巡检系统 | |
CN109919134B (zh) | 一种基于视觉的运营车辆人员异常行为检测方法 | |
CN115290696A (zh) | 一种变电站绝缘子的红外热成像缺陷检测方法及装置 | |
CN206742002U (zh) | 线缆标识打码系统 | |
CN213457742U (zh) | 一种焊接作业监控系统 | |
CN107908156A (zh) | 设备点检方法 | |
CN110918973A (zh) | 一种基于游程的结晶器热像图异常区域标记方法 | |
CN112285111A (zh) | 一种受电弓前碳滑板缺陷检测方法、装置、系统和介质 | |
CN107194923B (zh) | 一种用于接触网电力设备缺陷巡检的紫外图像诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221014 |
|
RJ01 | Rejection of invention patent application after publication |