CN116152475A - 基于语义分割的智能转辙机检修评估方法、设备及介质 - Google Patents

基于语义分割的智能转辙机检修评估方法、设备及介质 Download PDF

Info

Publication number
CN116152475A
CN116152475A CN202211587181.3A CN202211587181A CN116152475A CN 116152475 A CN116152475 A CN 116152475A CN 202211587181 A CN202211587181 A CN 202211587181A CN 116152475 A CN116152475 A CN 116152475A
Authority
CN
China
Prior art keywords
contact point
image
switch machine
point
movable contact
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
Application number
CN202211587181.3A
Other languages
English (en)
Inventor
秘慧杰
张兵建
曹鹏
范东明
魏盛昕
刘永建
夏一鸣
马晓勇
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.)
Casco Signal Zhengzhou Co Ltd
Original Assignee
Casco Signal Zhengzhou 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 Casco Signal Zhengzhou Co Ltd filed Critical Casco Signal Zhengzhou Co Ltd
Priority to CN202211587181.3A priority Critical patent/CN116152475A/zh
Publication of CN116152475A publication Critical patent/CN116152475A/zh
Pending legal-status Critical Current

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
    • G06V10/10—Image acquisition
    • 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
    • G06V10/26—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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (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

本发明涉及一种基于语义分割的智能转辙机检修评估方法、设备及介质，该方法包括以下步骤：步骤S1、客户端采集转辙机工作状态图像发送给服务器，作为待检测图像；步骤S2、服务器采用训练好的语义分割模型对待检测图像进行分割；步骤S3、服务器根据语义分割结果计算转辙机自动开闭器动静接点接触深度、动接点与静接点座间隙以及动接点柱中心与静接点簧片中心线的距离；步骤S4、服务器将分割结果和接触距离发送给客户端，客户端根据接触距离判断转辙机工作状态是否正常。与现有技术相比，本发明具有抗干扰能力强，分割效果稳定，精度高等优点。

Description

基于语义分割的智能转辙机检修评估方法、设备及介质
技术领域
本发明涉及轨道交通设备的检修技术，尤其是涉及一种基于语义分割的智能转辙机检修评估方法、设备及介质。
背景技术
城市轨道交通检修评估工作是保障地铁正常运行的重要一环。传统方案是人工测量转辙机工作状态，存在以下无法避免的缺点：1、工作人员长时间工作容易疲劳导致测量存在误差。2、不同人员测量存在主观误差。3、人工测量速度慢、效率低，费时费力。因此，急需一款智能转辙机检修评估设备，简化城市轨道交通维修人员的日常工作流程，进行统一标准的转辙机检测评估。
经过检索中国专利公开号CN113155504A公开了轨道交通用转辙机智能测试系统，包括数据收集模块，所述数据收集模块包括传感器模块、调理转换电路和控制模块，所述数据收集模块实现对转辙机运行状态参数同步实时收集，所述传感器用以采集轨道岔转辙机转换力矩、工作电流、电压、运行环境数据、表示杆缺口，检测信号经调理转换电路放大、滤波，转换为标准的脉冲信号，并进行A/D转换处理，并经过通信电缆传输至故障预测处理模块，所述控制模块包括控制中心、电源模块，通讯交换模块、道岔控制模块。但是该在对轨道岔转辙机设备运行状态进行监测时，需要在转辙机设备上加装传感器模块、调理转换电路和控制模块来收集信息，因此存在安装操作繁琐等问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于语义分割的智能转辙机检修评估方法、设备及介质。
本发明的目的可以通过以下技术方案来实现：
根据本发明的第一方面，提供了一种基于语义分割的智能转辙机检修评估方法，该方法包括以下步骤：
步骤S1、客户端采集转辙机工作状态图像发送给服务器，作为待检测图像；
步骤S2、服务器采用训练好的语义分割模型对待检测图像进行分割；
步骤S3、服务器根据语义分割结果计算转辙机自动开闭器动静接点接触深度、动接点与静接点座间隙以及动接点柱中心与静接点簧片中心线的距离；
步骤S4、服务器将分割结果和接触距离发送给客户端，客户端根据接触距离判断转辙机工作状态是否正常。
作为优选的技术方案，所述的步骤S1具体为：
步骤S11、客户端APP拍摄转辙机工作状态图像；
步骤S12、客户端APP通过局域网将拍摄的图像发送给服务器，作为待检测图像。
作为优选的技术方案，所述的客户端APP具备调用相机拍摄、选择图像、界面显示、与服务器通信功能的APP。
作为优选的技术方案，所述的步骤S2具体为：
步骤S21，拍摄设定数量的转辙机图像，制作训练数据集；
步骤S22，对数据集进行数据增强；
步骤S23，使用labelme对数据集进行标注，生成对应的json文件，其中json文件中存储着类别名称，以及每个类别的边缘坐标值信息；
步骤S24，将数据集和对应的标签按设定比例分为训练集和验证集，存放在指定文件夹中；
步骤S25，搭建语义分割网络模型，设置网络参数，开始训练模型；
步骤S26，得到训练模型，在验证集上测试效果后，对待检测图像进行分割。
作为优选的技术方案，所述步骤S22中的数据增强包括对数据集进行改变亮度、增加噪点、旋转操作。
作为优选的技术方案，所述步骤S24中的设定比例为4:1。
作为优选的技术方案，所述的步骤S3具体为：
步骤S31，根据颜色信息，从分割结果中，提取出所需类别包含转辙机动接点圆柱、静接点弹簧片以及底座间隙；
步骤S32，计算不同实例类别的正外接矩形，从而得到不同类别的宽度、高度和中心坐标信息；
步骤S33，根据动接点圆柱直径的实际长度和对应分割掩码的宽度、高度信息，计算出图像中每个像素点所代表的实际长度；
步骤S34，根据不同类别的宽度、高度和中心坐标信息，计算出转辙机自动开闭器动静接点接触深度、动接点与静接点座间隙以及动接点柱中心与静接点簧片中心线的距离，再乘以每个像素点所代表的实际长度，求出对应的实际距离。
作为优选的技术方案，所述的步骤S4中，将分割结果、自动开闭器动静接点接触深度、动接点与静接点座间隙、动接点柱中心与静接点簧片中心线的距离和转辙机工作状态在APP界面进行显示。
根据本发明的第二方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现所述的方法。
根据本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的方法。
与现有技术相比，本发明具有以下优点：
1)本发明将机器视觉领域的图像语义分割方法应用于转辙机智能评估，基于深度学习的语义分割方法，抗干扰能力强，分割效果稳定；
2)本发明能够根据语义分割结果智能计算开闭器动静接点接触深度、动接点与静接点座间隙以及动接点柱中心与静接点簧片中心线的距离，这是像素级距离计算，精度可以达到小数点后三位，相比于传统手工测量方法，精度高；
4)本发明能够自动保存分割结果，方便日后查看；
5)本发明通过客户端APP调用摄像头拍照，根据采集的图像信息，就可以对转辙机工作状态进行评估，无需在转辙机设备上额外加装硬件，操作简单；
6)本发明客户端APP通过局域网将待检测图像传输给服务器，进行转辙机状态评估，无需额外布置通信电缆，操作既方便，又减少了成本。
附图说明
图1为本发明方法的流程图；
图2为客户端APP选择图像界面；
图3为客户端APP等待接收界面；
图4为客户端APP通信异常界面；
图5为客户端APP成功接收数据且转辙机正常；
图6为客户端APP成功接收数据且转辙机异常；
图7为训练集样本标注；
图8为语义分割网络框架图；
图9为提取不同分割类别结果图；
图10为计算不同分割类别的中心坐标和外接矩形框图。
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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
参考图1-10，说明本发明的技术方案，首先，参考图1，根据整体方案流程图，具体为：
步骤S1、客户端APP拍摄转辙机工作状态图像；
步骤S2、客户端APP通过局域网将拍摄的图像发送给服务器，作为待检测图像；
步骤S3、服务器端调用训练好的语义分割模型，对待检测图像进行分割；
步骤S4、根据颜色信息，从分割结果中，提取出所需类别包含转辙机动接点圆柱、静接点弹簧片以及底座间隙；
步骤S5、计算不同实例类别的正外接矩形，从而得到不同类别的宽度、高度和中心坐标信息；
步骤S6、根据动接点圆柱直径的实际长度和对应分割掩码的宽度、高度信息，可以计算出图像中每个像素点所代表的实际长度；
步骤S7、根据不同类别的宽度、高度和中心坐标信息，计算出转辙机自动开闭器动静接点接触深度、动接点与静接点座间隙以及动接点柱中心与静接点簧片中心线的距离，分别包含多少个像素点，再乘以每个像素点所代表的实际长度，可以求出对应的实际距离；
步骤S8、服务器将分割结果和接触距离发送给客户端APP，客户端APP接收数据并保存，同时根据接触距离判断转辙机工作状态是否正常，最终将分割结果、自动开闭器动静接点接触深度、动接点与静接点座间隙、动接点柱中心与静接点簧片中心线的距离和转辙机工作状态在APP界面显示。
所述的步骤S1具体为：
步骤S11、设计一款具备调用相机拍摄、选择图像、界面显示、与服务器通信等功能的APP。
所述的步骤S3具体如下：
步骤S31，拍摄足够数量的转辙机图像，制作训练数据集；
步骤S32，为了提高训练模型的抗干扰能力，对数据集进行数据增强，包含对数据集进行改变亮度、增加噪点、旋转等操作；
步骤S33，使用labelme对数据集进行标注，生成对应的json文件，json文件中存储着类别名称，以及每个类别的边缘坐标值信息；
步骤S34，将数据集和对应的标签按4：1分为训练集和验证集，存放在指定文件夹中；
步骤S35，搭建语义分割网络模型，设置网络参数，开始训练模型；
步骤S36，得到训练模型，在验证集上测试效果后，对待检测图像进行分割。
在此基础上，参考图2-10，详细介绍本发明的软件操作和数据处理流程。
首先参考图2-6，介绍本发明设计的客户端APP界面和处理流程，包括以下步骤：
步骤100，在左上角IP地址栏，输入服务器IP地址，与服务器构建连接；
步骤101，点击“拍照”按钮，拍摄转辙机工作状态图像，并在左侧图像栏显示，作为待检测图像。或者点击“选择图片”按钮，从文件夹选择待检测图像，左上角为状态栏，实时显示软件运行状态；
步骤102，点击“上传图片”按钮，将待检测图像发送给服务器，此时按钮处于不可点击状态，防止误操作，状态栏为“正在接收”。若等待接收时间超过20s，则判断为通信异常，自动结束等待状态，状态栏为“错误1次，请检查网络和所输数据”。检查错误后，可再次进行上传操作；
步骤103，接收数据并保存，接收的数据包含语义分割结果、转辙机动静接点接触深度、转辙机底部间隙和动接点柱中心与静接点簧片中心线距离。转辙机动静接点接触深度不小于4mm，同时转辙机底部间隙大于3mm，则视为转辙机工作正常，否则视为异常。
步骤104，结果显示，APP界面左侧显示分割结果，右侧显示转辙机工作状态、开闭器动静接点接触深度、动接点与静接点座间隙以及动接点柱中心与静接点簧片中心线的距离。
首先参考图7-8，介绍本发明的语义分割模型训练流程和使用流程。
包括以下步骤：
步骤105，训练集数据增强，先对训练图像进行旋转操作，分别旋转90度、180度和270度，再调整图像的亮度和饱和度，阈值随机调整为0.3、0.5、0.8，最后以0.01的概率随机增加噪点，最终得到3000张图像的数据集，通过数据增强，提高了模型的泛化能力；
步骤106，使用labelme对训练集图像进行标注，使用圆点标记出类别的边缘轮廓，根据计算需求，标记了动接点圆柱、静接点弹簧片和动静接点底座间隙三个类别；
步骤107，搭建Deeplabv3-plus语义分割网络，设置网络参数，包含num_classes设置为4，输入图片尺寸设置为512*512，batch_size设置为16，学习率设置为5e-5，训练次数Epoch设置为300，开始训练模型。为了加快网络收敛速度，前150次训练冻结主干网络，此时损失loss收敛在0.1，之后解冻主干网络，最终loss收敛在0.06；
步骤108，得到后缀为pth的训练模型，使用验证集图像测试效果，在测试集上的平均分割精度AP达到94.6％；
步骤109，服务器打开监听，接收客户端发送的待检测图像；
步骤110，调用训练好的语义分割模型，对待检测的图像进行分割，模型可以预测出每个像素点属于那个类别，得到分割掩码图，不同类别用不同颜色表示；
首先参考图9-10，介绍本发明的像素级距离计算策略方法。
包括以下步骤：
步骤111，将分割的掩码图从RGB空间转化到HSV空间，根据不同类别的颜色信息，提取出转辙机动接点圆柱、静接点弹簧片和底座间隙各自所属的像素点，方便进行距离计算。
步骤112，通过计算不同类别的外接矩形框，可以获取每个类别的高度、宽度分别包含多少个像素点，以及每个类别的中心坐标位置；
步骤113，动接点圆柱的实际直径为4mm，根据动接点外接矩形的高度，可以计算出每个像素点的实际距离；
步骤114，根据静接点弹簧片的上边界到静接点中心的Y轴距离，乘以每个像素点的实际距离，可以计算出自动开闭器动静接点接触深度；
步骤115，根据静接点中心到静接点弹簧片的X轴距离，乘以每个像素点的实际距离，可以计算出动接点柱中心与静接点簧片中心线的距离；
步骤116，根据底座间隙的外接矩形高度信息，乘以每个像素点的实际距离，可以计算出动接点与静接点底座间隙；
步骤117，根据计算的接触距离判断转辙机工作状态，如果转辙机动、静接点接触深度小于0，则诊断为转辙机动、静接点未接触，如果转辙机动、静接点接触深度不小于4mm，同时转辙机底座间隙大于3mm,则诊断结果为转辙机接触正常，否则转辙机接触异常。
以上是关于方法实施例的介绍，以下通过电子设备及储存介质实施例，对本发明所述方案进行进一步说明。
本发明电子设备包括中央处理单元(CPU)，其可以根据存储在只读存储器(ROM)中的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令，来执行各种适当的动作和处理。在RAM中，还可以存储设备操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。
设备中的多个部件连接至I/O接口，包括：输入单元，例如键盘、鼠标等；输出单元，例如各种类型的显示器、扬声器等；存储单元，例如磁盘、光盘等；以及通信单元，例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元执行上文所描述的各个方法和处理，例如本发明方法。例如，在一些实施例中，本发明方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由CPU执行时，可以执行上文描述的本发明方法的一个或多个步骤。备选地，在其他实施例中，CPU可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本发明方法。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于语义分割的智能转辙机检修评估方法，其特征在于，该方法包括以下步骤：
步骤S1、客户端采集转辙机工作状态图像发送给服务器，作为待检测图像；
步骤S2、服务器采用训练好的语义分割模型对待检测图像进行分割；
步骤S3、服务器根据语义分割结果计算转辙机自动开闭器动静接点接触深度、动接点与静接点座间隙以及动接点柱中心与静接点簧片中心线的距离；
步骤S4、服务器将分割结果和接触距离发送给客户端，客户端根据接触距离判断转辙机工作状态是否正常。
2.根据权利要求1所述的一种基于语义分割的智能转辙机检修评估方法，其特征在于，所述的步骤S1具体为：
步骤S11、客户端APP拍摄转辙机工作状态图像；
步骤S12、客户端APP通过局域网将拍摄的图像发送给服务器，作为待检测图像。
3.根据权利要求2所述的一种基于语义分割的智能转辙机检修评估方法，其特征在于，所述的客户端APP具备调用相机拍摄、选择图像、界面显示、与服务器通信功能的APP。
4.根据权利要求1所述的一种基于语义分割的智能转辙机检修评估方法，其特征在于，所述的步骤S2具体为：
步骤S21，拍摄设定数量的转辙机图像，制作训练数据集；
步骤S22，对数据集进行数据增强；
步骤S23，使用labelme对数据集进行标注，生成对应的json文件，其中json文件中存储着类别名称，以及每个类别的边缘坐标值信息；
步骤S24，将数据集和对应的标签按设定比例分为训练集和验证集，存放在指定文件夹中；
步骤S25，搭建语义分割网络模型，设置网络参数，开始训练模型；
步骤S26，得到训练模型，在验证集上测试效果后，对待检测图像进行分割。
5.根据权利要求4所述的一种基于语义分割的智能转辙机检修评估方法，其特征在于，所述步骤S22中的数据增强包括对数据集进行改变亮度、增加噪点、旋转操作。
6.根据权利要求4所述的一种基于语义分割的智能转辙机检修评估方法，其特征在于，所述步骤S24中的设定比例为4:1。
7.根据权利要求1所述的一种基于语义分割的智能转辙机检修评估方法，其特征在于，所述的步骤S3具体为：
步骤S31，根据颜色信息，从分割结果中，提取出所需类别包含转辙机动接点圆柱、静接点弹簧片以及底座间隙；
步骤S32，计算不同实例类别的正外接矩形，从而得到不同类别的宽度、高度和中心坐标信息；
步骤S33，根据动接点圆柱直径的实际长度和对应分割掩码的宽度、高度信息，计算出图像中每个像素点所代表的实际长度；
步骤S34，根据不同类别的宽度、高度和中心坐标信息，计算出转辙机自动开闭器动静接点接触深度、动接点与静接点座间隙以及动接点柱中心与静接点簧片中心线的距离，再乘以每个像素点所代表的实际长度，求出对应的实际距离。
8.根据权利要求1所述的一种基于语义分割的智能转辙机检修评估方法，其特征在于，所述的步骤S4中，将分割结果、自动开闭器动静接点接触深度、动接点与静接点座间隙、动接点柱中心与静接点簧片中心线的距离和转辙机工作状态在APP界面进行显示。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。
CN202211587181.3A 2022-12-11 2022-12-11 基于语义分割的智能转辙机检修评估方法、设备及介质 Pending CN116152475A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211587181.3A CN116152475A (zh) 2022-12-11 2022-12-11 基于语义分割的智能转辙机检修评估方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211587181.3A CN116152475A (zh) 2022-12-11 2022-12-11 基于语义分割的智能转辙机检修评估方法、设备及介质

Publications (1)

Publication Number Publication Date
CN116152475A true CN116152475A (zh) 2023-05-23

Family

ID=86360959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211587181.3A Pending CN116152475A (zh) 2022-12-11 2022-12-11 基于语义分割的智能转辙机检修评估方法、设备及介质

Country Status (1)

Country Link
CN (1) CN116152475A (zh)

Similar Documents

Publication Publication Date Title
US11587219B2 (en) Method and apparatus for detecting pixel defect of optical module, and device
CN111896549B (zh) 一种基于机器学习的建筑物裂缝监测系统和方法
CN112924471B (zh) 一种设备故障诊断系统及其诊断方法
CN111292327B (zh) 机房巡检方法、装置、设备及存储介质
CN109886431B (zh) 一种机场航显终端自动巡检系统
CN112560816A (zh) 一种基于YOLOv4的设备指示灯识别方法及系统
CN113947571A (zh) 车辆损伤检测模型的训练方法及车辆损伤识别方法
CN114119518A (zh) 一种电流互感器的红外图像中温度异常点检测方法及系统
CN113688817A (zh) 一种自动巡检的仪表识别方法及识别系统
CN113343998A (zh) 电力机械表计读数监测系统、方法、计算机设备及应用
CN113111903A (zh) 智能产线监测系统及监测方法
CN115937101A (zh) 质量检测方法、装置、设备及存储介质
CN112070762A (zh) 液晶面板的mura缺陷检测方法、装置、存储介质及终端
CN113191977A (zh) 一种用于恶劣环境条件下目标检测识别的图像增强系统
CN115289991B (zh) 地铁轨道形变监测方法、装置及电子设备
CN116152475A (zh) 基于语义分割的智能转辙机检修评估方法、设备及介质
CN115931895A (zh) 一种输电线路缺陷的校验方法和装置
CN115035481A (zh) 一种图像物距融合方法、装置、设备及存储介质
CN113705442A (zh) 一种户外大牌广告画面监控识别系统及方法
CN114496326A (zh) 核电厂人机交互操作的监控识别方法及系统
CN113630594A (zh) 一种显示面板坏点检测系统
CN113807209A (zh) 车位检测方法、装置、电子设备及存储介质
CN113449617A (zh) 轨道安全检测方法、系统、装置和存储介质
CN112115876A (zh) 一种基于3d卷积神经网络的水溶法实验过程识别方法
CN111126771A (zh) 基于区域关注度预测安检员识图质量监督保障系统及方法

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