CN115578365B - 一种齿轨铁路相邻齿条齿距检测方法及设备 - Google Patents

一种齿轨铁路相邻齿条齿距检测方法及设备 Download PDF

Info

Publication number
CN115578365B
CN115578365B CN202211318405.0A CN202211318405A CN115578365B CN 115578365 B CN115578365 B CN 115578365B CN 202211318405 A CN202211318405 A CN 202211318405A CN 115578365 B CN115578365 B CN 115578365B
Authority
CN
China
Prior art keywords
rack
layer
convolution
data set
model
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
CN202211318405.0A
Other languages
English (en)
Other versions
CN115578365A (zh
Inventor
陈志辉
杨吉忠
陈再刚
蒋春阳
舒睿洪
宁婕妤
冯读贝
翟婉明
赵英治
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202211318405.0A priority Critical patent/CN115578365B/zh
Publication of CN115578365A publication Critical patent/CN115578365A/zh
Application granted granted Critical
Publication of CN115578365B publication Critical patent/CN115578365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06V10/70—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker

Abstract

本发明涉及山地轨道交通齿轨领域，特别是一种齿轨铁路相邻齿条齿距检测方法及设备。本发明通过利用神经网络模型以及预先采集的齿轨图像数据对齿轨接头进行机械学习，从而构建了一个能够快速判断齿轨接头是否合格的卷积缺陷检测网络模型，极大的提高了齿轨接头检测的准确度以及可靠性，同时全智能化的检测过程，也大大的提高了检测的效率，也降低了检测的人力成本；同时通过对待检测齿轨铁路进行编号，从而能够在发现齿轨接头不合格时第一时间输出不合格齿轨接头的位置以及对应的线路信息，以便于工作人员能够第一时间发现处理，有效地提高了检测的效率。

Description

一种齿轨铁路相邻齿条齿距检测方法及设备
技术领域
本发明涉及山地轨道交通齿轨领域，特别是一种齿轨铁路相邻齿条齿距检测方法及设备。
背景技术
齿轨结构作为齿轨铁路轨道系统中最重要的承载结构，是保证齿轨列车在较大线路坡度(常用为250‰，最大可达480‰)上安全运行的关键保证，其基本结构形式多为齿条。受加工水平限制，单根齿条的长度较短，相邻齿条一般通过齿轨扣件连接为整体，因此造成齿轨的齿缝数量极多。以我国首条已开工的都江堰至四姑娘山山地轨道交通项目为例，单根齿条结构设计长度为2.4m，而铺设长度则达10余公里，且均位于山区高海拔地区。
一般而言，齿轨结构在列车载荷、温度载荷、轨道结构变形、桥梁地段梁端伸缩及折角变形、隧道地段仰拱以及路基沉降变形等耦合作用下会不可避免地产生一定位移，进而导致相邻齿条处齿距发生变化。而齿距变化会带来一系列的问题，如引起车辆及轨道(含齿轨)的异常振动与噪声污染，降低车辆和轨道(含齿轨)部件的疲劳可靠性，严重时则可能会引起转向架牵引齿轮与齿轨发生卡齿或顶齿，危及行车安全。
在齿轨接头数量过多的情况下，仅靠铁路工务人员在高海拔地区的恶劣环境中(高温差/多雨雪/强紫外线/缺氧)进行常规手段检测已不太现实，耗时漫长、成本较高且可靠性不稳定。因此，需要提供一种方便、高效及智能的齿轨铁路相邻齿条齿距检测方法。
发明内容
本发明的目的在于克服现有技术中所存在的难以对齿轨接头进行常规检测，提供一种齿轨铁路相邻齿条齿距检测方法及设备。
为了实现上述发明目的，本发明提供了以下技术方案：
一种齿轨铁路相邻齿条齿距检测方法，包括以下步骤：
S1：根据齿轨铁路线路设计条件及齿条铺设情况，按行车方向对全线所有齿轨接头进行编号；所述编号包括对应的里程位置及线路信息，并根据所述编号建立全线齿条接头里程及其对应的线路基本信息的数据库；所述线路信息包括坡度以及线路类型；其中，所述线路类型包括直线段、竖曲段、平曲段以及缓和段；
S2：沿行车方向采集待检测齿轨铁路上齿轨接头处的齿轨图像数据；
S3：对所述齿轨图像数据进行预处理，根据预设的分类标准进行分类标记处理，并根据所述分类标准建立带有标签的若干数据集；所述分类标准为若干不同的齿距值范围以及不合格齿距值范围；所述预处理为图像增强处理；所述数据集包括按预设比例随机划分的测试数据集、训练数据集和验证数据集；
S4：搭建卷积缺陷检测网络初步模型，初始化所述初步模型的网络参数以及初始学习率；并通过所述训练数据集和所述验证数据集对所述初步模型进行模型训练，并更新网络参数；当所述初步模型收敛后停止训练，输出此时的初步模型为卷积缺陷检测网络模型；
S5：将待检测的实测齿轨图像数据输入至所述卷积缺陷检测网络模型，输出齿距值不合格的齿轨接头的编号，及其对应的齿距值。本发明通过利用神经网络模型以及预先采集的齿轨图像数据对齿轨接头进行机械学习，从而构建了一个能够快速判断齿轨接头是否合格的卷积缺陷检测网络模型，极大的提高了齿轨接头检测的准确度以及可靠性，同时全智能化的检测过程，也大大的提高了检测的效率，也降低了检测的人力成本；同时通过对待检测齿轨铁路进行编号，从而能够在发现齿轨接头不合格时第一时间输出不合格齿轨接头的位置以及对应的线路信息，以便于工作人员能够第一时间发现处理，有效地提高了检测的效率。
作为本发明的优选方案，所述S4还包括在输出卷积缺陷检测网络模型后通过所述测试数据集对所述模型进行准确度测试，当准确度低于预设值时进入所述S4重新训练模型。
作为本发明的优选方案，所述卷积缺陷检测网络初步模型为一维卷积神经网络模型，包括输入层、特征提取层以及分类层；
所述输入层的输入为数据集矩阵；
所述特征提取层包括若干交叉设置的卷积层和池化层，以及一个全连接层；所述数据集矩阵输入后经所述卷积层卷积后通过PReLU非线性激活函数转换为特征图，再将所述特征图通过所述池化层进行降采样，最后经过所述全连接层处理后送入所述分类层进行分类；
所述分类层采用Softmax函数。
作为本发明的优选方案，所述分类层的函数表达式为：
Figure GDA0004229120690000031
其中zi为第i个节点的输出值，C为输出节点的个数，所述输出节点的数目为分类的类别个数，通过Softmax函数就可以将多分类的输出值转换为范围在[0，1]，且和为1的概率分布。
作为本发明的优选方案，所述PReLU非线性激活函数的表达式为：
f(x)＝max(0,αx)；
其中x为上级网络的输入向量，α为经验值0.1。
作为本发明的优选方案，所述交叉设置的卷积层和池化层平均分为前后部分；前半部分的所述卷积层的卷积核大小为3*1，步长均为1*1，所述池化层的卷积核为2；后半部分的所述卷积层以及所述全连接层的卷积核大小为64*1，步长均为1*1，所述池化层的卷积核为4。
作为本发明的优选方案，所述S4中初始学习率设置为0.001；初始网络参数中patience设为20，dropout设置为0.5。
作为本发明的优选方案，所述S4中模型训练的损失函数为交叉熵函数，其表达式为：
Figure GDA0004229120690000041
其中，为第i个节点的实际标签，为预测的第i个节点的输出，n为数据集中样本总数量。
一种齿轨铁路相邻齿条齿距检测设备，包括图像采集装置以及与所述图像采集装置通讯连接的数据处理装置；
所述图像采集装置包括一个沿所述齿轨铁路运动的移动单元、用于采集所述齿轨接头的齿轨图像数据的采集单元以及控制单元；所述控制单元分别与所述移动单元以及所述采集单元电连接，所述控制单元用于控制所述移动单元的运动状态以及控制所述采集单元的采集频率；
所述数据处理装置包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
作为本发明的优选方案，所述采集单元为多目工业相机。
与现有技术相比，本发明的有益效果：
本发明通过利用神经网络模型以及预先采集的齿轨图像数据对齿轨接头进行机械学习，从而构建了一个能够快速判断齿轨接头是否合格的卷积缺陷检测网络模型，极大的提高了齿轨接头检测的准确度以及可靠性，同时全智能化的检测过程，也大大的提高了检测的效率，也降低了检测的人力成本；同时通过对待检测齿轨铁路进行编号，从而能够在发现齿轨接头不合格时第一时间输出不合格齿轨接头的位置以及对应的线路信息，以便于工作人员能够第一时间发现处理，有效地提高了检测的效率。
附图说明
图1为本发明实施例1所述的一种齿轨铁路相邻齿条齿距检测方法的流程示意图；
图2为本发明实施例1所述的一种齿轨铁路相邻齿条齿距检测方法中所述卷积缺陷检测网络模型的工作流程示意图；
图3为本发明实施例1所述的一种齿轨铁路相邻齿条齿距检测方法中数据输入处理流程示意图；
图4为本发明实施例2所述的一种齿轨铁路相邻齿条齿距检测方法中所述卷积缺陷检测网络模型的结构示意图；
图5为本发明实施例2所述的一种齿轨铁路相邻齿条齿距检测方法中所述卷积缺陷检测网络模型输入训练的样本数量与精度的折线图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示，一种齿轨铁路相邻齿条齿距检测方法，包括以下步骤：
S1：根据齿轨铁路线路设计条件及齿条铺设情况，按行车方向对全线所有齿轨接头进行编号；所述编号包括对应的里程位置及线路信息，并根据所述编号建立全线齿条接头里程及其对应的线路基本信息的数据库；所述线路信息包括坡度以及线路类型；其中，所述线路类型包括直线段、竖曲段、平曲段以及缓和段。
S2：沿行车方向采集待检测齿轨铁路上齿轨接头处的齿轨图像数据。
S3：对所述齿轨图像数据进行预处理，根据预设的分类标准进行分类标记处理，并根据所述分类标准建立带有标签的若干数据集；所述分类标准为若干不同的齿距值范围以及不合格齿距值范围；所述预处理为图像增强处理；所述数据集包括按预设比例随机划分的测试数据集、训练数据集和验证数据集。
S4：搭建卷积缺陷检测网络初步模型，初始化所述初步模型的网络参数以及初始学习率；并通过所述训练数据集和所述验证数据集对所述初步模型进行模型训练，并更新网络参数；当所述初步模型收敛后停止训练，输出此时的初步模型为卷积缺陷检测网络模型。
所述卷积缺陷检测网络初步模型为一维卷积神经网络模型，包括输入层、特征提取层以及分类层；
所述输入层的输入为数据集矩阵；
所述特征提取层包括若干交叉设置的卷积层和池化层，以及一个全连接层；如图2所示，所述数据集矩阵输入后经所述卷积层卷积后通过PReLU非线性激活函数转换为特征图，再将所述特征图通过所述池化层进行降采样，最后经过所述全连接层处理后送入所述分类层进行分类；
所述分类层采用Softmax函数。
S5：将待检测的实测齿轨图像数据输入至所述卷积缺陷检测网络模型，输出齿距值不合格的齿轨接头的编号，及其对应的齿距值。此时，所述数据的处理输出流程如图3所示。
实施例2
本实施例为实施例1所述方法的一种具体实施方式，包括以下步骤：
S1：根据齿轨铁路线路设计条件及齿条铺设情况，按行车方向对全线所有齿轨接头依此编号，确定其对应的里程位置及其线路信息，如坡度以及线路类型(包括直线段、竖曲段、平曲段以及缓和段)，建立全线齿条接头里程及其对应的线路基本信息的数据库。
S2：沿行车方向采集待检测齿轨铁路上齿轨接头处的齿轨图像数据。
S3：对所述齿轨图像数据进行预处理，并按照预设的分类标准，进行分类标记处理，建立具有标签属性的数据集。
所述分类标准为不同齿距范围或齿距值，以及不合格的区域。例如：正常齿距为100mm，本实施例将齿距分类区间进一步细化，将所述所述齿轨图像数据划分为±1、±2、±3等多个齿距区间；从带标签的数据集中选取20％作为测试数据集，其余的80％作为训练和验证数据集。
S41：搭建卷积缺陷检测网络。
如图4所示，本实施例采用8层卷积层以及8层池化层。前四层网络结构相同，前四层小卷积核大小为3*1，步长均为1*1；后四层大卷核大小为64*1，步长均为1*1；池化层中卷积核数目依次为2,2,2,2,4,4,4,4；
每经过一次卷积、池化，特征图大小转化为原图像的1/2，经神经网络前四层作用后，特征图大小为原图像的1/16，然后经第五层大卷积层作用后，转化为原图像的1/32，第六、七层不会进一步缩小特征图大小，最后一个池化层的所有特征图展平形成全连接层，传递到最后的分类层中。
S42：进行网络模型训练，初始化网络参数，设置初始学习率，将训练和验证数据集成批次输入一维卷积神经网络，每批次更新网络参数，设置训练停止条件，满足条件时停止训练，得到最终模型。
本实施例中，为了保证更快的收敛，初始学习率设置为0.001；初始网络参数patience设为20，即当测试集精度在20轮内不再提高便停止训练；初始网络参数dropout设置为0.5，在神经网络的训练阶段，每一次迭代时都会随机50％神经元让其被暂时忽略掉。如图5所示，输入训练的数据集样本越多，所述模型的精度越高。
神经网络中的非线性激活函数为PReLU,表达式为：
f(x)＝max(0,αx)；
其中，α为经验值0.1。PReLu是一个取最大值的函数。在输入是负值的情况下，其输出为0，表示神经元没有被激活，这样就可以提高训练效率。
本发明将齿距分为多个区间，属于多分类问题，将损失函数选为交叉熵函数，其表达式为：
Figure GDA0004229120690000091
为第i个节点的实际标签，为预测的第i个节点的输出，n为数据集中样本总数量，i为节点序号，每个节点为一种分类标签。
神经网络中最后的分类层采用Softmax分类层，可以将多分类的输出值转换为范围在[0,1]和为1的概率分布，Softmax函数具体表达式为：
Figure GDA0004229120690000092
其中zi为第i个节点的输出值，C为输出节点的个数，即分类的类别个数。
S5.齿条图像数据测试，将预处理后的待检测的实测齿轨图像数据输入至所述卷积缺陷检测网络模型，输出齿距值不合格的齿轨接头的编号，及其对应的齿距值，完成齿距变化状态识别。
实施例3
本实施例与实施例1或实施例2的区别在于，所述S4还包括在输出卷积缺陷检测网络模型后通过所述测试数据集对所述模型进行准确度测试，当准确度低于预设值时进入所述S4重新训练模型。
实施例4
一种齿轨铁路相邻齿条齿距检测设备，包括图像采集装置以及与所述图像采集装置通讯连接的数据处理装置。
所述图像采集装置包括一个沿所述齿轨铁路运动的移动单元、用于采集所述齿轨接头的齿轨图像数据的采集单元以及控制单元；所述控制单元分别与所述移动单元以及所述采集单元电连接，所述控制单元用于控制所述移动单元的运动状态以及控制所述采集单元的采集频率；所述采集单元为多目工业相机。
所述数据处理装置包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述实施例所述的一种齿轨铁路相邻齿条齿距检测方法。所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据；电源用于为电子设备提供电能。
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例5
本实施例与实施例4的区别在于，所述图像采集装置设置在列车的转向架或者车体底部。其初次触发位置为入齿过渡装置与正线齿轨的接头位置，相机后续间断触发根据转向架牵引齿轮的转动角度及单根齿条长度进去确定，以保证图像采集均在齿轨接头处。
此时，所述方法的S2中，首次触发，开始检测的起始点可根据在入齿过渡装置的第三段齿条与正线齿轨接头对应里程处设置地面触发信号设备，以达到相机自触发效果，相机间断触发时间间隔满足：deat＝L/(a*R)；其中，deat为触发时间间隔，L为位移传感器数值，a为角速度传感器数值，R为齿轮半径。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种齿轨铁路相邻齿条齿距检测方法，其特征在于，包括以下步骤：
S1：根据齿轨铁路线路设计条件及齿条铺设情况，按行车方向对全线所有齿轨接头进行编号；所述编号包括对应的里程位置及线路信息，并根据所述编号建立全线齿条接头里程及其对应的线路基本信息的数据库；所述线路信息包括坡度以及线路类型；其中，所述线路类型包括直线段、竖曲段、平曲段以及缓和段；
S2：沿行车方向采集待检测齿轨铁路上齿轨接头处的齿轨图像数据；
S3：对所述齿轨图像数据进行预处理，根据预设的分类标准进行分类标记处理，并根据所述分类标准建立带有标签的若干数据集；所述分类标准为若干不同的齿距值范围以及不合格齿距值范围；所述预处理为图像增强处理；所述数据集包括按预设比例随机划分的测试数据集、训练数据集和验证数据集；
S4：搭建卷积缺陷检测网络初步模型，初始化所述初步模型的网络参数以及初始学习率；并通过所述训练数据集和所述验证数据集对所述初步模型进行模型训练，并更新网络参数；当所述初步模型收敛后停止训练，输出此时的初步模型为卷积缺陷检测网络模型；其中，初始学习率设置为0.001；初始网络参数中patience设为20，dropout设置为0.5，模型训练的损失函数为交叉熵函数，其表达式为：
Figure FDA0004229120680000011
其中，为第i个节点的实际标签，为预测的第i个节点的输出，n为数据集中样本总数量；
S5：将待检测的实测齿轨图像数据输入至所述卷积缺陷检测网络模型，输出齿距值不合格的齿轨接头的编号，及其对应的齿距值；
所述卷积缺陷检测网络初步模型为一维卷积神经网络模型，包括输入层、特征提取层以及分类层；
所述输入层的输入为数据集矩阵；
所述特征提取层包括若干交叉设置的卷积层和池化层，以及一个全连接层；所述数据集矩阵输入后经所述卷积层卷积后通过PReLU非线性激活函数转换为特征图，再将所述特征图通过所述池化层进行降采样，最后经过所述全连接层处理后送入所述分类层进行分类；
其中，所述交叉设置的卷积层和池化层平均分为前后部分；前半部分的所述卷积层的卷积核大小为3*1，步长均为1*1，所述池化层的卷积核为2；后半部分的所述卷积层以及所述全连接层的卷积核大小为64*1，步长均为1*1，所述池化层的卷积核为4；所述PReLU非线性激活函数的表达式为：
f(x)＝max(0,αx)；
其中x为上级网络的输入向量，α为经验值0.1；
所述分类层采用Softmax函数；其函数表达式为：
Figure FDA0004229120680000021
其中zi为第i个节点的输出值，C为输出节点的个数，所述输出节点的数目为分类的类别个数。
2.根据权利要求1所述的一种齿轨铁路相邻齿条齿距检测方法，其特征在于，所述S4还包括在输出卷积缺陷检测网络模型后通过所述测试数据集对所述模型进行准确度测试，当准确度低于预设值时进入所述S4重新训练模型。
3.一种齿轨铁路相邻齿条齿距检测设备，其特征在于，包括图像采集装置以及与所述图像采集装置通讯连接的数据处理装置；
所述图像采集装置包括一个沿所述齿轨铁路运动的移动单元、用于采集所述齿轨接头的齿轨图像数据的采集单元以及控制单元；所述控制单元分别与所述移动单元以及所述采集单元电连接，所述控制单元用于控制所述移动单元的运动状态以及控制所述采集单元的采集频率；
所述数据处理装置包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至2中任一项所述的方法。
4.根据权利要求3所述的一种齿轨铁路相邻齿条齿距检测设备，其特征在于，所述采集单元为多目工业相机。
CN202211318405.0A 2022-10-26 2022-10-26 一种齿轨铁路相邻齿条齿距检测方法及设备 Active CN115578365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211318405.0A CN115578365B (zh) 2022-10-26 2022-10-26 一种齿轨铁路相邻齿条齿距检测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211318405.0A CN115578365B (zh) 2022-10-26 2022-10-26 一种齿轨铁路相邻齿条齿距检测方法及设备

Publications (2)

Publication Number Publication Date
CN115578365A CN115578365A (zh) 2023-01-06
CN115578365B true CN115578365B (zh) 2023-06-20

Family

ID=84587892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211318405.0A Active CN115578365B (zh) 2022-10-26 2022-10-26 一种齿轨铁路相邻齿条齿距检测方法及设备

Country Status (1)

Country Link
CN (1) CN115578365B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109029974A (zh) * 2018-06-22 2018-12-18 上海电力学院 一种基于一维卷积神经网络的行星齿轮箱故障检测方法
CN111915572A (zh) * 2020-07-13 2020-11-10 青岛大学 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法
CN114677597A (zh) * 2022-05-26 2022-06-28 武汉理工大学 基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201704373D0 (en) * 2017-03-20 2017-05-03 Rolls-Royce Ltd Surface defect detection
CN110930347B (zh) * 2018-09-04 2022-12-27 京东方科技集团股份有限公司 卷积神经网络的训练方法、焊点缺陷的检测方法及装置
CN112258496A (zh) * 2020-11-02 2021-01-22 郑州大学 一种基于全卷积神经网络的地下排水管道病害分割方法
CN113139940A (zh) * 2021-04-21 2021-07-20 金华职业技术学院 一种基于计算机视觉的钢板表面裂纹检测算法及处理设备
CN115236083A (zh) * 2022-06-20 2022-10-25 苏州拓达昆吾机器人科技有限公司 一种筒体内表面图像采集装置及缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109029974A (zh) * 2018-06-22 2018-12-18 上海电力学院 一种基于一维卷积神经网络的行星齿轮箱故障检测方法
CN111915572A (zh) * 2020-07-13 2020-11-10 青岛大学 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法
CN114677597A (zh) * 2022-05-26 2022-06-28 武汉理工大学 基于改进YOLOv5网络的齿轮缺陷视觉检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Novel AI-Based Method for Spur Gear Early Fault Diagnosis in Railway Gearboxes;Fatih Karpat等;IEEE;全文 *
基于深度学习的齿轮视觉微小缺陷检测;韩明;吴庆祥;曾雄军;;计算机系统应用(第03期);全文 *

Also Published As

Publication number Publication date
CN115578365A (zh) 2023-01-06

Similar Documents

Publication Publication Date Title
Tang et al. Convolutional neural network‐based data anomaly detection method using multiple information for structural health monitoring
US20210197851A1 (en) Method for building virtual scenario library for autonomous vehicle
Bai et al. An optimized railway fastener detection method based on modified Faster R-CNN
CN108876780B (zh) 一种复杂背景下桥梁裂缝图像裂缝检测方法
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
CN111460919A (zh) 一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法
CN108665093A (zh) 基于深度学习的高速公路交通事故严重度预测方法
CN111126868B (zh) 一种道路交通事故发生风险确定方法及系统
Ye et al. Application of lightweight railway transit object detector
CN112308336A (zh) 一种基于多步时序预测的高速铁路大风限速动态处置方法
CN112785848A (zh) 一种交通数据预测方法以及系统
CN114386707A (zh) 一种轨道高低不平顺预测方法及装置
CN112597996B (zh) 基于任务驱动的自然场景中交通标志显著性检测方法
Lee et al. Black ice detection using CNN for the Prevention of Accidents in Automated Vehicle
CN114863170A (zh) 一种基于深度学习的新能源车电池自燃预警方法及装置
Liu et al. Bayesian-optimized deep learning model to segment deterioration patterns underneath bridge decks photographed by unmanned aerial vehicle
CN115578365B (zh) 一种齿轨铁路相邻齿条齿距检测方法及设备
CN116946183A (zh) 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备
CN114550460B (zh) 轨道交通异常检测方法、装置及存储介质
CN110555425A (zh) 一种视频流实时行人检测方法
CN115909245A (zh) 一种基于深度学习的视觉多任务处理方法
Zhihao et al. Object detection algorithm based on dense connection
Pagale et al. Design and Implementation of Pothole Detection & Instance Detection Based on A Unified Approach For Globally Roads
Lu et al. The improved yolo-v5 based automatic non-parking overloading detection method
CN114742975B (zh) 一种车载图像铁轨曲线建模方法

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