CN115546483B - 基于深度学习的地铁受电弓碳滑板剩余使用量测量方法 - Google Patents
基于深度学习的地铁受电弓碳滑板剩余使用量测量方法 Download PDFInfo
- Publication number
- CN115546483B CN115546483B CN202211211060.9A CN202211211060A CN115546483B CN 115546483 B CN115546483 B CN 115546483B CN 202211211060 A CN202211211060 A CN 202211211060A CN 115546483 B CN115546483 B CN 115546483B
- Authority
- CN
- China
- Prior art keywords
- slide plate
- carbon slide
- carbon
- subway
- residual
- 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
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
基于深度学习的地铁受电弓碳滑板剩余使用量测量方法,涉及地铁车辆检测技术技术领域。本发明是为了解决现有采用人工对地铁受电弓碳滑板磨耗测量的方法,测量误差大,且需要再地铁停靠时才能够实现的问题。本发明用相机采集地铁受电弓图像,对受电弓图像进行数据预处理构建目标识别数据集,训练一个卷积神经网络。通过该卷积神经网络对图像中的碳滑板进行定位,并裁切出子图。对裁切出的碳滑板子图进行数据标注构建语义分割数据集,训练另一个卷积神经网络。通过该卷积神经网络对碳滑板的截面进行语义分割,获得分割结果。参照分割结果计算得到磨耗最低点和碳滑板底边缘直线方程,求得的点到直线的垂直距离即为受电弓碳滑板的剩余使用量。
Description
技术领域
本发明属于地铁车辆检测技术领域,尤其涉及地铁受电弓碳滑板剩余量的检测。
背景技术
地铁是一种重要的城市轨道交通工具,地铁在运行时电流从受电弓进入电机牵引车辆运行,而受电弓上的碳滑板是地铁车辆取流的关键部件。随着地铁的长时间运行,受电弓碳滑板的磨耗问题日益突出,过度磨耗与不均匀磨耗均会缩短碳滑板的使用寿命,甚至引起其他严重后果。
目前地铁受电弓磨耗后的剩余使用量均是以人工测量方式为主,但是人工测量存在误差较大,且在这种测量方式下,地铁必须处于停靠状态才能进行人工检车。
发明内容
本发明是为了解决现有采用人工对地铁受电弓碳滑板磨耗测量的方法,测量误差大,且需要再地铁停靠时才能够实现的问题,现提供基于深度学习的地铁受电弓碳滑板剩余使用量测量方法。
基于深度学习的地铁受电弓碳滑板剩余使用量测量方法,具体为:采集被测车辆受电弓位置的被测图像,且该图像中包含有碳滑板,利用训练好的目标检测网络模型对被测图像的碳滑板部分进行标记,将被标记出的部分截取出来作为碳滑板子图,利用训练好的语义分割网络模型将碳滑板子图中的碳滑板截面与背景进行分割,获得碳滑板截面点集,将碳滑板截面点集中位于碳滑板截面下边缘的点进行拟合获得下边缘线,分别测量碳滑板截面点集中位于碳滑板截面上边缘的点至下边缘线之间的距离,将最短的距离作为碳滑板剩余使用厚度。
进一步的,上述目标检测网络模型为Cascade R-CNN卷积神经网络模型。
进一步的,上述Cascade R-CNN卷积神经网络模型的骨干网络采用含有4组残差单元的ResNet50来提取被测图像中碳滑板部分的特征。
进一步的,上述4组残差单元的输出维度由浅到深依次为256、512、1025、2048。
进一步的,上述语义分割网络模型为DeeplabV3+模型。
进一步的,上述DeeplabV3+模型采用ResNet50作为骨干网络来提取碳滑板子图中碳滑板截面部分的特征,利用辅助训练头计算ResNet50的第三组残差单元的输出损失,并将该损失施加到解码头中,利用解码头计算ResNet50的第四组残差单元的输出损失,并将该损失反馈到DeeplabV3+模型中。
进一步的,上述辅助训练头的损失函数为交叉熵损失函数。
进一步的,在对被测图像的碳滑板部分进行标记后,需要判断标记框和螺栓之间的交并比是否大于0,是则去掉标记框和螺栓交集的部分,然后将剩余的标记框作为目标检测网络模型的输出,否则将标记框作为目标检测网络模型的输出。
进一步的,在采集到被测图像之后,需要对被测图像进行旋转,使得受电弓碳滑板呈水平状态。
进一步的,在采集到被测图像之后,需要对被测图像进行调整处理,以消除被测图像中的外界影响,所述调整处理包括亮度调整、直方图均衡化和图像缩放处理中的一种或多种。
本发明包括以下有益效果:
(1)、利用深度学习方法自动计算受电弓碳滑板剩余使用量,减少检车人员工作量。
(2)、通过目标检测网络模型对不同相机中的受电弓碳滑板进行定位,方便后续剩余使用量测量及工作人员检修。
(3)、通过语义分割网络模型对碳滑板截面进行分割,进而计算剩余使用量及预估使用时间。
(4)、本发明通过多目标位置关系对目标检测网络模型的预测结果进行后处理,极大程度消除了误检测对后续计算的影响。
(5)、本发明在语义分割网络模型的骨干网络中添加辅助训练头,加快模型收敛速度,提高分割精度。
附图说明
图1为基于深度学习的地铁受电弓碳滑板剩余使用量测量方法的整体流程图;
图2为用辅助训练头改进的骨干网络结构示意图。
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它实施例,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。
具体实施方式一:参照图1具体说明本实施方式,本实施方式所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法,包括以下步骤:
训练部分:
用8台依次编号的可见光相机对地铁受电弓进行拍摄采集相应位置的碳滑板高清图像,受电弓左测放置1-4号相机、右侧放置5-8号相机,一次生成8张碳滑板图像存入数据库供后续模型使用,从而建立第一原始数据集。
利用第一原始数据集作为训练数据集对目标检测网络模型进行训练。
虽然每个相机固定拍摄特定位置的碳滑板,但是图像中仍会包含部分其他位置的碳滑板,这部分碳滑板会产生大量的误检测结果。本实施方式通过以下方式消除误检:
A、目标检测网络模型除了对碳滑板进行标注,还会对电缆螺栓进行定位,1-4号相机中目标碳滑板位置一定在螺栓的右侧,4-8号相机中目标碳滑板位置一定在螺栓左侧,而其他位置的碳滑板则被判定为误检测并进行删除。
B、高于螺栓位置阈值的碳滑板检测结果被判定为误检测并进行删除。
将检测的结果从图中直接截取出来,截取出的部分即为要测量剩余使用量的碳滑板子图。对碳滑板子图进行语义分割标注,标注后产生标签文件,每一个标签文件对应一张碳滑板子图,标签文件包含该子图中背景位置和碳滑板截面位置,构成第二原始数据集。
利用第二原始数据集作为训练数据集对语义分割网络模型进行训练。
检测部分:
采集被测车辆受电弓位置的被测图像,且该图像中包含有碳滑板。
利用训练好的目标检测网络模型对被测图像的碳滑板部分进行标记。
将检测的结果从图中直接截取出来,截取出的部分即为要测量剩余使用量的碳滑板子图。
对碳滑板子图进行语义分割标注,图像和标签文件(标注后只会产生标签文件,每一个标签文件对应一张碳滑板子图,标签文件包含该子图中背景位置和碳滑板截面位置。图像文件仍是碳滑板子图,没有变化。)
利用训练好的语义分割网络模型将碳滑板子图中的碳滑板截面与背景进行分割,获得碳滑板截面点集。
将碳滑板截面点集中位于碳滑板截面下边缘的点进行拟合获得下边缘线,分别测量碳滑板截面点集中位于碳滑板截面上边缘的点至下边缘线之间的距离,将最短的距离作为碳滑板剩余使用厚度。
本实施方式利用深度学习对相机采集到的受电弓碳滑板图像进行剩余使用量测量不仅可以节省人力成本,也可以在地铁行进时进行实时测量,具备更高的时效性。
具体实施方式二:本实施方式是对具体实施方式一所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法进行进一步说明,本实施方式中,目标检测网络模型为Cascade R-CNN卷积神经网络模型。设置检测类别为三类(有遮挡碳滑板、无遮挡碳滑板,电缆固定螺栓),将数据集中所有图片缩放到相同大小和比例,分辨率为1200*900。用交叉熵损失对类别预测进行训练,用L1范数损失对位置预测进行训练。用pytorch搭建和训练网络,优化器选择SGD,学习率0.02,动量0.9。
本实施方式选择Cascade R-CNN卷积神经网络模型用来对受电弓碳滑板进行位置标注,Cascade R-CNN卷积神经网络模型作为两阶段检测模型不仅拥有优秀的识别准确率,还使用以级联方式连接的带有不同IOU阈值的三个检测头来进一步提高检测精度。
具体实施方式三:本实施方式是对具体实施方式一所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法进行进一步说明,本实施方式中,Cascade R-CNN卷积神经网络模型的骨干网络采用含有4组残差单元的ResNet50来提取被测图像中碳滑板部分的特征。
具体实施方式四:本实施方式是对具体实施方式一所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法进行进一步说明,本实施方式中,4组残差单元的输出维度由浅到深依次为256、512、1025、2048。而为了能够更好的利用浅层特征图信息,本实时方式还使用特征金字塔连接骨干网络的最后三组残差单元。
具体实施方式五:本实施方式是对具体实施方式一所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法进行进一步说明,本实施方式中,语义分割网络模型为DeeplabV3+模型。
设置分割类别为两类(背景类、碳滑板截面类)。将数据集中所有图片缩放到相同大小和比例,分辨率为512*512。用交叉熵损失函数进行损失计算,用pytorch搭建和训练网络,优化器选择SGD,学习率0.01。
具体实施方式六:本实施方式是对具体实施方式一所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法进行进一步说明,本实施方式中,DeeplabV3+模型采用ResNet50作为骨干网络来提取碳滑板子图中碳滑板截面部分的特征。
对于语义分割这种逐像素的分类任务,ResNet50网络较难收敛。为解决该问题,本实施方式在ResNet50的第三组残差单元中加入了辅助训练头,如图2所示。
利用辅助训练头计算ResNet50的第三组残差单元的输出损失,并将该损失施加到解码头中,利用解码头计算ResNet50的第四组残差单元的输出损失,并将该损失反馈到DeeplabV3+模型中。
本实施方式中,辅助训练头会计算残差单元的输出损失,并将该损失以一定的权重加入到解码头的损失中。辅助训练头通过优化浅层参数的拟合效果来加速模型收敛,提高分割精度。
具体实施方式七:本实施方式是对具体实施方式一所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法进行进一步说明,本实施方式中,辅助训练头的损失函数为交叉熵损失函数。具体的,损失权重为0.4。骨干网络中的残差单元输出的是特征图,头部中的辅助训练头和解码头输出的是损失,用于反向传播,优化模型。
具体实施方式八:本实施方式是对具体实施方式一所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法进行进一步说明,图像中碳滑板也存在被电缆固定螺栓遮挡的情况,本实施方式中,在对被测图像的碳滑板部分进行标记后,需要判断标记框和螺栓之间的交并比是否大于0,是则去掉标记框和螺栓交集的部分,然后将剩余的标记框作为目标检测网络模型的输出,否则将标记框作为目标检测网络模型的输出。
具体实施方式九:由于相机拍摄受电弓时存在一定的角度,导致受电弓碳滑板在图像中不是水平的,会影响后续检测与分割。本实施方式是对具体实施方式一至七任意实施方式所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法进行进一步说明,本实施方式中,针对不同位置的相机拍出的图像设置相应的旋转角度,根据该角度对该相机采集的全部被测图像进行无裁切旋转,使得受电弓碳滑板呈水平状态。
具体实施方式十:本实施方式是对具体实施方式九所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法进行进一步说明,由于地铁新旧、速度、环境光等都会对成像质量产生影响,产生低亮度、过曝、低对比度、图像拉伸等问题。本实施方式中,
采集到被测图像之后,需要对被测图像进行调整处理,以消除被测图像中的外界影响,调整处理包括亮度调整、直方图均衡化和图像缩放处理中的一种或多种。
具体的,当需要对被测图像采取自适应调整亮度时,可以在平均亮度小于30时,调整平均亮度至60)。在图像缩放处理时,固定长宽比,在0到20%内对长或宽进行随机缩放。
本实施方式用固定位置的8个可见光相机采集地铁受电弓图像,对受电弓图像进行数据预处理构建目标识别数据集,训练一个卷积神经网络。通过该卷积神经网络对图像中的碳滑板进行定位,记录每个相机中我们需要测算剩余使用量的碳滑板的位置并裁切出子图。对裁切出的碳滑板子图进行数据标注构建语义分割数据集,训练另一个卷积神经网络。通过该卷积神经网络对碳滑板的截面进行语义分割,获得分割结果。参照分割结果计算得到磨耗最低点和碳滑板底边缘直线方程,求得的点到直线的垂直距离即为受电弓碳滑板的剩余使用量。
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它所述实施例中。
Claims (8)
1.基于深度学习的地铁受电弓碳滑板剩余使用量测量方法,其特征在于,
采集被测车辆受电弓位置的被测图像,且该图像中包含有碳滑板,
利用训练好的目标检测网络模型对被测图像的碳滑板部分进行标记,
将被标记出的部分截取出来作为碳滑板子图,
利用训练好的语义分割网络模型将碳滑板子图中的碳滑板截面与背景进行分割,获得碳滑板截面点集,
将碳滑板截面点集中位于碳滑板截面下边缘的点进行拟合获得下边缘线,分别测量碳滑板截面点集中位于碳滑板截面上边缘的点至下边缘线之间的距离,将最短的距离作为碳滑板剩余使用厚度;
语义分割网络模型为DeeplabV3+模型;
DeeplabV3+模型采用ResNet50作为骨干网络来提取碳滑板子图中碳滑板截面部分的特征,
利用辅助训练头计算ResNet50的第三组残差单元的输出损失,并将该损失施加到解码头中,利用解码头计算ResNet50的第四组残差单元的输出损失,并将该损失反馈到DeeplabV3+模型中。
2.根据权利要求1所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法,其特征在于,目标检测网络模型为Cascade R-CNN卷积神经网络模型。
3.根据权利要求2所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法,其特征在于,Cascade R-CNN卷积神经网络模型的骨干网络采用含有4组残差单元的ResNet50来提取被测图像中碳滑板部分的特征。
4.根据权利要求3所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法,其特征在于,4组残差单元的输出维度由浅到深依次为256、512、1025、2048。
5.根据权利要求1所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法,其特征在于,辅助训练头的损失函数为交叉熵损失函数。
6.根据权利要求1、2、3、4或5所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法,其特征在于,在对被测图像的碳滑板部分进行标记后,需要判断标记框和螺栓之间的交并比是否大于0,是则去掉标记框和螺栓交集的部分,然后将剩余的标记框作为目标检测网络模型的输出,否则将标记框作为目标检测网络模型的输出。
7.根据权利要求1、2、3、4或5所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法,其特征在于,采集到被测图像之后,需要对被测图像进行旋转,使得受电弓碳滑板呈水平状态。
8.根据权利要求7所述的基于深度学习的地铁受电弓碳滑板剩余使用量测量方法,其特征在于,采集到被测图像之后,需要对被测图像进行调整处理,以消除被测图像中的外界影响,调整处理包括亮度调整、直方图均衡化和图像缩放处理中的一种或多种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211211060.9A CN115546483B (zh) | 2022-09-30 | 2022-09-30 | 基于深度学习的地铁受电弓碳滑板剩余使用量测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211211060.9A CN115546483B (zh) | 2022-09-30 | 2022-09-30 | 基于深度学习的地铁受电弓碳滑板剩余使用量测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115546483A CN115546483A (zh) | 2022-12-30 |
CN115546483B true CN115546483B (zh) | 2023-05-12 |
Family
ID=84730775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211211060.9A Active CN115546483B (zh) | 2022-09-30 | 2022-09-30 | 基于深度学习的地铁受电弓碳滑板剩余使用量测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546483B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145769A (zh) * | 2018-08-01 | 2019-01-04 | 辽宁工业大学 | 融合图像分割特征的目标检测网络设计方法 |
CN110782023A (zh) * | 2019-11-04 | 2020-02-11 | 华南理工大学 | 约简残差模块多孔卷积架构网络及快速语义分割方法 |
CN112950645A (zh) * | 2021-03-24 | 2021-06-11 | 中国人民解放军国防科技大学 | 一种基于多任务深度学习的图像语义分割方法 |
CN114140480A (zh) * | 2021-12-09 | 2022-03-04 | 安徽大学 | 基于边缘辅助学习的热红外电气设备图像语义分割方法 |
WO2022199137A1 (zh) * | 2021-03-23 | 2022-09-29 | 中国科学院深圳先进技术研究院 | 语义分割网络的训练方法、图像处理方法及其设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969166A (zh) * | 2019-12-04 | 2020-04-07 | 国网智能科技股份有限公司 | 一种巡检场景下小目标识别方法和系统 |
CN113324864B (zh) * | 2020-02-28 | 2022-09-20 | 南京理工大学 | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 |
CN111507958B (zh) * | 2020-04-15 | 2023-05-26 | 全球能源互联网研究院有限公司 | 目标检测方法、检测模型的训练方法及电子设备 |
CN115063367A (zh) * | 2022-06-16 | 2022-09-16 | 南京理工大学 | 基于改进Cascade RCNN的地铁车底螺栓故障检测方法 |
-
2022
- 2022-09-30 CN CN202211211060.9A patent/CN115546483B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145769A (zh) * | 2018-08-01 | 2019-01-04 | 辽宁工业大学 | 融合图像分割特征的目标检测网络设计方法 |
CN110782023A (zh) * | 2019-11-04 | 2020-02-11 | 华南理工大学 | 约简残差模块多孔卷积架构网络及快速语义分割方法 |
WO2022199137A1 (zh) * | 2021-03-23 | 2022-09-29 | 中国科学院深圳先进技术研究院 | 语义分割网络的训练方法、图像处理方法及其设备 |
CN112950645A (zh) * | 2021-03-24 | 2021-06-11 | 中国人民解放军国防科技大学 | 一种基于多任务深度学习的图像语义分割方法 |
CN114140480A (zh) * | 2021-12-09 | 2022-03-04 | 安徽大学 | 基于边缘辅助学习的热红外电气设备图像语义分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115546483A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814623A (zh) | 一种基于深度神经网络的车辆车道偏离视觉检测方法 | |
CN110866430B (zh) | 一种车牌识别方法及装置 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN106980855B (zh) | 交通标志快速识别定位系统及方法 | |
CN111899288A (zh) | 基于红外和可见光图像融合的隧道渗漏水区域检测与识别方法 | |
CN108846331B (zh) | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 | |
CN103268489A (zh) | 基于滑窗搜索的机动车号牌识别方法 | |
CN113947731A (zh) | 一种基于接触网安全巡检的异物识别方法及系统 | |
CN113012335A (zh) | 一种基于YOLOv3人脸检测的地铁站台引导排队系统 | |
CN111079734A (zh) | 铁路货车三角孔异物检测方法 | |
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 | |
CN113657305B (zh) | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 | |
CN113591643A (zh) | 一种基于计算机视觉的地下交通工具进出站检测系统及方法 | |
CN115546483B (zh) | 基于深度学习的地铁受电弓碳滑板剩余使用量测量方法 | |
CN111597992B (zh) | 一种基于视频监控的场景物体异常的识别方法 | |
CN111260631B (zh) | 一种高效刚性接触线结构光光条提取方法 | |
CN112907597A (zh) | 基于深度卷积神经网络的铁路轨道线检测方法 | |
CN109934172B (zh) | 高速列车受电弓免gps全运行线故障视觉检测定位方法 | |
CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
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 | |
CN110866435A (zh) | 一种自相似性梯度朝向直方图的远红外行人训练方法 | |
CN115376064A (zh) | 基于姿势迁移的铁路行人入侵的图像序列生成方法及系统 | |
CN202854837U (zh) | 一种汽车车道标识线检测装置 | |
CN112132088A (zh) | 一种巡检点位漏巡识别方法 | |
CN116993676B (zh) | 一种基于深度学习的地铁轨道扣件计数与定位方法 |
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 |