CN115546617A - 基于改进fct网络的车门锁闭装置配件丢失检测方法及装置 - Google Patents
基于改进fct网络的车门锁闭装置配件丢失检测方法及装置 Download PDFInfo
- Publication number
- CN115546617A CN115546617A CN202211254366.2A CN202211254366A CN115546617A CN 115546617 A CN115546617 A CN 115546617A CN 202211254366 A CN202211254366 A CN 202211254366A CN 115546617 A CN115546617 A CN 115546617A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- fct
- locking device
- door locking
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
基于改进FCT网络的车门锁闭装置配件丢失检测方法及装置,涉及铁路车辆故障检测技术领域。本发明是为了解决利用人工对车门锁闭装置进行故障检测的方式,错误率高、且效率低的问题。本发明基于改进FCT网络的车门锁闭装置配件丢失检测方法,将被测车辆的被测图像输入至训练好的FCT网络并获得检测结果,所述FCT网络的交叉变换交叉变形检测头部分利用多头注意力机制对车门锁闭装置的特征进行提取,且将被测目标与背景进行对比,使得被测目标与背景得到区分。
Description
技术领域
本发明属于铁路车辆故障检测技术领域,尤其涉及车门锁闭装置配件的检测。
背景技术
车门锁闭装置是用于固定并闭合车门的铁路车辆专用设备。在列车高速行驶过程中,如果车门锁闭装置发生故障,导致车门忽然打开,会使货物从车体脱出,不仅会产生极大的损失还会发运行危险。因此,为保证列车能够平稳、安全地运行,需对车门锁闭装置的有效性、完整性进行识别检测,一旦发现其上的配件出现丢失,则需立即处理。
目前,对车门锁闭装置的识别检测均采用人工检查图像的方式来判断车门锁闭装置是否发生故障。而检车人员在工作过程中极易出现疲劳、遗漏等情况,进而造成漏检、错检的情况出现,严重影响行车安全。另外,人工查验效率低下,使得故障检查需要耗费大量的时间。
发明内容
本发明是为了解决在现有利用人工对车门锁闭装置进行故障检测的方式,错误率高、且效率低的问题,现提供基于改进FCT网络的车门锁闭装置配件丢失检测方法及装置。
基于改进FCT网络的车门锁闭装置配件丢失检测方法,将被测车辆的被测图像输入至训练好的FCT网络并获得检测结果,所述FCT网络的交叉变换检测头部分利用多头注意力机制对车门锁闭装置的特征进行提取,且将被测目标与背景进行对比,使得被测目标与背景得到区分。
进一步的,上述利用多头注意力机制对车门锁闭装置的特征进行提取的具体过程为:
将同一被测图像X分别传递给h个不同的自注意力模块,分别获得h个输出矩阵Z,将h个输出矩阵Z进行并行拼接之后传入线性层进行线性变换,变换后的结果经过前馈神经网络获得车门锁闭装置的特征,其中h为正整数。
进一步的,上述将被测目标与背景进行对比的具体方法为:
将被测目标作为待查询图片,将被测图像作为支持图片,且待查询图片和支持图片共同包含属于类别c的数据,支持图片还包含属于类别n的数据,判断待查询图片中的数据是否均属于类别c,是则待查询图片中的数据均为被测目标数据,否则待查询图片中含有背景数据。
进一步的,上述FCT网络的训练过程如下:
采集不同时段不同环境下车辆侧部和底部的图像作为待识别图像,根据车辆轴距的先验知识确定每张待识别图像中车门锁闭装置的起止位置,并根据该起止位置对目标区域进行截取,获得目标图像,将待识别图像作为输入,将目标图像作为输出,对FCT网络进行训练,获得训练好的FCT网络。
进一步的,在获得目标图像之后,缩小待识别图像的尺寸,以增加目标图像在待识别图像中的占比。
进一步的,在获得待识别图像之后,还要对待识别图像进行扩增。
进一步的,上述对待识别图像进行扩增的具体方法包括:
在待识别图像上模拟故障,获得故障图像,分别对每一张故障图像进行平移、缩放、锐化中的一种或多种,获得扩增后的故障图像,将故障图像和原待识别图像共同作为训练样本集。
进一步的,当获得的检测结果存在故障时,进行报警。
一种计算机可读的存储设备,存储设备存储有计算机程序,计算机程序被执行时实现上述基于改进FCT网络的车门锁闭装置配件丢失检测方法。
基于改进FCT网络的车门锁闭装置配件丢失检测装置,包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序,处理器执行计算机程序实现基于改进FCT网络的车门锁闭装置配件丢失检测方法。
本发明的基于改进FCT网络的车门锁闭装置配件丢失检测方法及装置的有益效果如下:
1、利用图像自动识别的方式代替人工检测,降低人工成本。
2、将深度学习算法应用到车门锁闭装置故障的自动识别中,提高整体算法的稳定性及精度,并有效缩短故障检测的时间。
3、使用基于FCT的FSOD网络并对其进行改进,在车门锁闭装置配件丢失故障检测中,在负样本较少的情况下,能对多种故障类别进行识别,并且降低误报数量,实现较好的检测效果。
附图说明
图1为基于改进FCT网络的车门锁闭装置配件丢失检测方法的流程图;
图2为基于FCT的FSOD模型结构图;
图3为交叉变换部分的结构图。
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:由于在铁道列车运行中,实际发生的故障较少,尤其车门锁闭装置配件丢失更是偶发故障,可以获得的故障样本极少,绝大多数都是正常图像,因此在故障检测过程中,考虑使用小样本目标检测方法FSOD(few-shot object detection)实现。这样做的好处是,可以使用样本量极大的正常图片制作数据集,即支持数据集,进行充分的训练,再给出样本量较少的故障样本,作为待查询数据集,使模型能对待查询数据集提供的新类样本进行很好的识别,由此在故障数据较少的情况下,也能实现很好的检测效果。
一种基于完全交叉变换器FCT(Fully Cross-Transformer)的FSOD模型,其整体架构如图1所示,该模型整体由交叉变换特征骨架和交叉变换检测头两部分组成,其中,前者又由三个交叉变换(Cross-Transformer)模块组成,其结构如图2所示。这一部分借鉴了自注意力变换网络(Transformer)的自注意力机制,而使用新的参数Qq(查询),Kq(键值),Vq(数据)替代Transformer中的子采样Q(查询),K(键值),V(数据)。但由于输入的待查询特征的维度Bq与支持特征的维度Bs不同,导致得到的Kq与Ks、Vq与Vs的维度不同,不能直接进行计算,因此对其进行并行操作后再送入Q-K-V-Attention(Q-K-V注意力)中以第i个阶段的第i个查询键值为例,可由如下方式得到: 第i个查询数据同理。而由于Kq维度小于Ks、Vq维度小于Vs,第i个支持s_cat所对应的键值与第i个支持s_cat所对应的数据的获得与稍有差别,以为例,其获得方式是重复Kq直到与Ks维度相同后,再将其进行组合。具体可以表示为 同理。
这种方式得到的每一个输出的补丁嵌入都与输入的补丁嵌入维度相同,因此经过三个交叉变换模块后得到的输出维度仍为输入时的Bq和Bs。在传入交叉变换检测头部分时,利用现有的FSOD模型提供的方法,对于候选特征,在待查询图片上生成类别信息(ProposalGenerator),经过ROIAlign之后,得到维度为的候选,其中,H′和W′分别为图片数据的高和宽,默认为14,C3表示图片数据的3个通道,Bp默认为100。同样地,对于支持特征,为了降低计算复杂度,取所有支持图片s的均值,其中fs为前一步输出得到的原本数据维度,而经过均值处理后的将处理后的数据传入阶段4,处理过程与前述类似,将fp和fs′经过交叉变换模块,以计算其注意力。在完成上述特征提取后,使用Pairwise Matching网络进行最终的检测。
然而在实际应用过程中,需要新引入的数据集待查询图片往往并不只有一个待检测目标,比如在锁闭装置上发生的真实故障,通常不止一种形态,需要分为不同的类别,而为了进一步确认故障情况,有时还需要对锁闭装置附近的部件进行定位和识别。然而现有的网络的Pairwise Matching部分是一对一匹配,意味着只能检出单一目标。为了解决这一问题,需要对原始网络进行改进,加入能对多样本同时进行训练和检测的网络结构。
本实施方式的基于改进FCT网络的车门锁闭装置配件丢失检测方法,将被测车辆的被测图像输入至训练好的FCT网络并获得检测结果。
上述FCT网络的交叉变换检测头部分利用多头注意力机制对车门锁闭装置的特征进行提取,且将被测目标与背景进行对比,使得被测目标与背景得到区分。
具体实施方式二:本实施方式是对具体实施方式一的基于改进FCT网络的车门锁闭装置配件丢失检测方法进行进一步说明,本实施方式中,利用多头注意力机制对车门锁闭装置的特征进行提取的具体过程为:
将同一被测图像X分别传递给h个不同的自注意力模块,分别获得h个输出矩阵Z,将h个输出矩阵Z进行并行拼接之后传入线性层进行线性变换,变换后的结果经过前馈神经网络获得车门锁闭装置的特征,其中h为正整数。
实际应用时,在ROI特征提取网络部分,原网络是对所有支持图片取均值,得到的现对其进行修改,改为利用多头注意力机制(Multi-head Attention)进行特征提取,进而保留大于一的特征数量。Multi-head Attention的原理为将同样的输入X分别传递给h个不同的自注意力模块(Self-Attention)中,计算得到h个输出矩阵Z,将其进行并行拼接,传入线性层,进行线性变换后得到的输出保留了输入的维度,且能对所有输入的信息进行提取,在其后经过一个前馈神经网络(FFN),得到最后的输出。由于FFN网络的维度可以自行设置,因此不同于原网络中对所有支持图片s取均值的情况,使用Multi-headAttention(多头注意力机制)进行改进后,可以控制输出维度,目的是保留前k个具有最大可能性的目标类别;同时,为了减少计算量,取k=10,由此将改为其中Ks表示自定义维度。如此一来,可以将网络能够识别的标签由1个增加为最多10个。
具体实施方式三:本实施方式是对具体实施方式一的基于改进FCT网络的车门锁闭装置配件丢失检测方法进行进一步说明,本实施方式中,将被测目标与背景进行对比的具体方法为:
将被测目标作为待查询图片,将被测图像作为支持图片,且待查询图片和支持图片共同包含属于类别c的数据,支持图片还包含属于类别n的数据,
判断待查询图片中的数据是否均属于类别c,是则待查询图片中的数据均为被测目标数据,否则待查询图片中含有背景数据。
在实际应用当中,还发现模型会对背景产生误报,因此在现有网络中引入对比训练策略,以抑制模型对背景的误报,即改进二。具体的实现过程如下:
在前述改进一的基础上,对于待查询图片和支持图片数据集中某一个共同的图像类别c,二者可分别表示为qc,sc,则原始的训练集包含训练对(qc,sc)。为了解决背景和前景图片识别问题,提出了新的对比训练方式,即将原始训练对修改为一个三元组(qc,sc,sn)。qc、sc与改进前一致,均包含相同的某类别c,而支持图片数据sn包含了类别为n的检测对象,其中类别n与c无关。由此建立的三元组中,只有qc与sc的前景ROI之间存在关联,qc与sn的前景ROI则设定为无关联,在识别过程中,如果待查询图片和支持图片的待检测目标类别同为c,则可以进行匹配;反之如果有任意一个为n,则认为不匹配。由此引入了待检测目标和背景之间的对比过程,可以将待检测目标与背景更好地区分开,降低误报。
具体实施方式四:本实施方式是对具体实施方式一、二或三的基于改进FCT网络的车门锁闭装置配件丢失检测方法进行进一步说明,本实施方式中,所述FCT网络的训练过程如下:
采集不同时段不同环境下车辆侧部和底部的图像作为待识别图像,具体的,搭建高速成像设备,获取货车各部位的高清线阵灰度图像,并拼接成列车侧部和底部的完整图片。收集不同时间段不同环境下的图像,扩充样本,保证数据样本中存在各种自然干扰,如光照、雨水、泥渍等,增强算法的鲁棒性,保证算法能适用于列车的不同工况。
根据车辆轴距的先验知识确定每张待识别图像中车门锁闭装置的起止位置,并根据该起止位置对目标区域进行截取,获得目标图像。
将待识别图像作为输入,将目标图像作为输出,对FCT网络进行训练,获得训练好的FCT网络。
具体实施方式五:本实施方式是对具体实施方式四的基于改进FCT网络的车门锁闭装置配件丢失检测方法进行进一步说明,本实施方式中,由于检测的车门锁闭装置目标只分布在列车侧部部分,其分布具有一定特点。因此在获得目标图像之后,根据其轴距信息等先验知识,确定其可能出现的起止位置,根据起止位置对目标区域进行截取,得到目标图像,缩小待识别图像的尺寸,以增加目标图像在待识别图像中的占比,减少干扰,便于模型的训练,并且可以提高识别率。
具体实施方式六:铁道货车关乎人命、财产安全,其安全标准十分严格,使得其在运行过程中稳定性高、故障率低,故障图像不易收集,故障样本较少,导致在模型训练时出现数据及不平衡的问题。本实施方式是对具体实施方式五的基于改进FCT网络的车门锁闭装置配件丢失检测方法进行进一步说明,本实施方式中,在获得待识别图像之后,还要对待识别图像进行扩增。
具体实施方式七:本实施方式是对具体实施方式六的基于改进FCT网络的车门锁闭装置配件丢失检测方法进行进一步说明,本实施方式中,对待识别图像进行扩增的具体方法包括:
在待识别图像上模拟故障,获得故障图像,
分别对每一张故障图像进行平移、缩放、锐化中的一种或多种,获得扩增后的故障图像,将故障图像和原待识别图像共同作为训练样本集。
具体实施方式八:本实施方式是对具体实施方式七的基于改进FCT网络的车门锁闭装置配件丢失检测方法进行进一步说明。在实际使用时,采集列车侧部的完整图片并截取出待检测的目标图像;通过前面所述的网络模型检测得到检测结果,对检测结果进行分析,判断是否存在故障,若存在,则需要进行报警。
具体实施方式九:本实施方式是一种计算机可读的存储设备,所述存储设备存储有计算机程序,其特征在于,所述计算机程序被执行时实现如具体实施方一至八任一所述方法。
具体实施方式十:本实施方式是基于改进FCT网络的车门锁闭装置配件丢失检测装置,包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序实现如具体实施方一至八任一所述方法。
综上所述,本发明在铁道车辆两侧搭建高清线阵成像设备,当列车通过时,触发传感器,采集图像。利用轴距信息与车门锁闭装置位置的先验知识,截取目标子图并对故障图像进行扩增,以此构建数据集。基于前述获得的数据集训练深度学习网络模型,使用该模型对采集得到的图像进行识别,确定故障形态与故障位置。根据映射关系,将识别结果映射到原始图像中,进行报警上传。工作人员根据识别结果做出相应的处理,保证列车安全运行。
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 (10)
1.基于改进FCT网络的车门锁闭装置配件丢失检测方法,将被测车辆的被测图像输入至训练好的FCT网络并获得检测结果,其特征在于,
所述FCT网络的交叉变换检测头部分利用多头注意力机制对车门锁闭装置的特征进行提取,且将被测目标与背景进行对比,使得被测目标与背景得到区分。
2.根据权利要求1所述的基于改进FCT网络的车门锁闭装置配件丢失检测方法,其特征在于,利用多头注意力机制对车门锁闭装置的特征进行提取的具体过程为:
将同一被测图像X分别传递给h个不同的自注意力模块,分别获得h个输出矩阵Z,将h个输出矩阵Z进行并行拼接之后传入线性层进行线性变换,变换后的结果经过前馈神经网络获得车门锁闭装置的特征,其中h为正整数。
3.根据权利要求1所述的基于改进FCT网络的车门锁闭装置配件丢失检测方法,其特征在于,将被测目标与背景进行对比的具体方法为:
将被测目标作为待查询图片,将被测图像作为支持图片,且待查询图片和支持图片共同包含属于类别c的数据,支持图片还包含属于类别n的数据,
判断待查询图片中的数据是否均属于类别c,是则待查询图片中的数据均为被测目标数据,否则待查询图片中含有背景数据。
4.根据权利要求1、2或3所述的基于改进FCT网络的车门锁闭装置配件丢失检测方法,其特征在于,所述FCT网络的训练过程如下:
采集不同时段不同环境下车辆侧部和底部的图像作为待识别图像,
根据车辆轴距的先验知识确定每张待识别图像中车门锁闭装置的起止位置,并根据该起止位置对目标区域进行截取,获得目标图像,
将待识别图像作为输入,将目标图像作为输出,对FCT网络进行训练,获得训练好的FCT网络。
5.根据权利要求4所述的基于改进FCT网络的车门锁闭装置配件丢失检测方法,其特征在于,在获得目标图像之后,缩小待识别图像的尺寸,以增加目标图像在待识别图像中的占比。
6.根据权利要求5所述的基于改进FCT网络的车门锁闭装置配件丢失检测方法,其特征在于,在获得待识别图像之后,还要对待识别图像进行扩增。
7.根据权利要求6所述的基于改进FCT网络的车门锁闭装置配件丢失检测方法,其特征在于,所述对待识别图像进行扩增的具体方法包括:
在待识别图像上模拟故障,获得故障图像,
分别对每一张故障图像进行平移、缩放、锐化中的一种或多种,获得扩增后的故障图像,将故障图像和原待识别图像共同作为训练样本集。
8.根据权利要求7所述的基于改进FCT网络的车门锁闭装置配件丢失检测方法,其特征在于,当获得的检测结果存在故障时,进行报警。
9.一种计算机可读的存储设备,所述存储设备存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1至8任一所述方法。
10.基于改进FCT网络的车门锁闭装置配件丢失检测装置,包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序实现如权利要求1至8任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211254366.2A CN115546617A (zh) | 2022-10-13 | 2022-10-13 | 基于改进fct网络的车门锁闭装置配件丢失检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211254366.2A CN115546617A (zh) | 2022-10-13 | 2022-10-13 | 基于改进fct网络的车门锁闭装置配件丢失检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115546617A true CN115546617A (zh) | 2022-12-30 |
Family
ID=84734405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211254366.2A Pending CN115546617A (zh) | 2022-10-13 | 2022-10-13 | 基于改进fct网络的车门锁闭装置配件丢失检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115546617A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129244A (zh) * | 2023-02-20 | 2023-05-16 | 哈尔滨市科佳通用机电股份有限公司 | 基于改进RepPoints的下心盘螺栓丢失检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709397A (zh) * | 2020-07-08 | 2020-09-25 | 哈尔滨工业大学 | 一种基于多头自注意力机制的无人机变尺寸目标检测方法 |
CN112508013A (zh) * | 2020-12-02 | 2021-03-16 | 哈尔滨市科佳通用机电股份有限公司 | 一种锁扣丢失故障检测方法、系统及装置 |
CN112906534A (zh) * | 2021-02-07 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于改进后Faster R-CNN网络的锁扣丢失故障检测方法 |
US20210232773A1 (en) * | 2020-01-23 | 2021-07-29 | Salesforce.Com, Inc. | Unified Vision and Dialogue Transformer with BERT |
-
2022
- 2022-10-13 CN CN202211254366.2A patent/CN115546617A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210232773A1 (en) * | 2020-01-23 | 2021-07-29 | Salesforce.Com, Inc. | Unified Vision and Dialogue Transformer with BERT |
CN111709397A (zh) * | 2020-07-08 | 2020-09-25 | 哈尔滨工业大学 | 一种基于多头自注意力机制的无人机变尺寸目标检测方法 |
CN112508013A (zh) * | 2020-12-02 | 2021-03-16 | 哈尔滨市科佳通用机电股份有限公司 | 一种锁扣丢失故障检测方法、系统及装置 |
CN112906534A (zh) * | 2021-02-07 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于改进后Faster R-CNN网络的锁扣丢失故障检测方法 |
Non-Patent Citations (4)
Title |
---|
GUANGXING HAN ET AL.: "Few-Shot Object Detection with Fully Cross-Transformer" * |
QI FAN ET AL.: "Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector" * |
任兴坤: "基于注意力机制的轻量级人脸识别方法研究" * |
刘春磊 等: "小样本目标检测研究综述" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116129244A (zh) * | 2023-02-20 | 2023-05-16 | 哈尔滨市科佳通用机电股份有限公司 | 基于改进RepPoints的下心盘螺栓丢失检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492272B (zh) | 基于注意力模型及多任务神经网络的心血管易损斑块识别方法及系统 | |
CN111652227B (zh) | 铁路货车底部地板破损故障检测方法 | |
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 | |
CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN111652295B (zh) | 一种铁路货车钩尾销托梁脱落故障识别方法 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN112508013B (zh) | 一种锁扣丢失故障检测方法、系统及装置 | |
CN112906534A (zh) | 一种基于改进后Faster R-CNN网络的锁扣丢失故障检测方法 | |
CN113516629A (zh) | Tfds通过作业智能检测系统 | |
CN115131580B (zh) | 基于注意力机制的空间目标小样本识别方法 | |
CN115546617A (zh) | 基于改进fct网络的车门锁闭装置配件丢失检测方法及装置 | |
CN113724219A (zh) | 基于卷积神经网络的建筑物表面病害检测方法及系统 | |
CN112836719A (zh) | 一种融合二分类和三元组的示功图相似性检测方法 | |
CN117252842A (zh) | 一种飞机蒙皮缺陷检测及网络模型训练方法 | |
CN111539456A (zh) | 一种目标识别方法及设备 | |
CN111080599A (zh) | 一种铁路货车钩提杆的故障识别方法 | |
CN117237683B (zh) | 基于改进神经网络的芯片缺陷智慧检测系统 | |
CN117274899A (zh) | 基于可见光和红外光图像特征融合的仓储隐患检测方法 | |
CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及系统 | |
CN112950566B (zh) | 一种风挡破损故障检测方法 | |
CN112686880B (zh) | 一种铁路机车部件异常检测的方法 | |
CN114241476A (zh) | 一种列车车况检查方法、系统及相关装置 | |
CN113447572A (zh) | 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质 | |
CN114067254A (zh) | 一种列车车门的安全状态检测方法、系统和相关装置 | |
CN116311248A (zh) | 一种纸质狐斑的检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221230 |