CN116465889A - 一种轨道车辆转向架的检测方法、系统及可读存储介质 - Google Patents
一种轨道车辆转向架的检测方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN116465889A CN116465889A CN202310404659.2A CN202310404659A CN116465889A CN 116465889 A CN116465889 A CN 116465889A CN 202310404659 A CN202310404659 A CN 202310404659A CN 116465889 A CN116465889 A CN 116465889A
- Authority
- CN
- China
- Prior art keywords
- bogie
- robot
- detected
- image
- information
- 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 49
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 138
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims description 23
- 238000007689 inspection Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 17
- 238000007726 management method Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013102 re-test Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/08—Railway vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种轨道车辆转向架的检测方法、系统及可读存储介质。检测方法包括:响应于获取到待检测转向架的信息,基于所获取到的信息调取与所述信息相对应的机器人路径程序;将所调取到的机器人路径程序发送至机器人,以使所述机器人基于所述机器人路径程序运动并采集所述待检测转向架的图像;以及响应于接收到所述图像,基于训练好的图像检测模型处理所述图像以确定出所述待检测转向架的多个质量项点是否满足预设条件。本发明通过控制机器人携带图像采集模块按照预设的机器人路径程序运动以采集待检测转向架的图像,并基于预先训练的图像检测模型处理采集到的图像,从而确定出待检测转向架的多个质量项点是否正常,提高转向架的交检效率。
Description
技术领域
本发明涉及转向架检测技术领域,特别是一种轨道车辆转向架的检测方法、系统及可读存储介质。
背景技术
转向架是轨道车辆的走行部,犹如人的双腿,是轨道车辆最核心的部件之一。转向架的各种参数也直接决定了车辆的稳定性和车辆的乘坐舒适性。
目前,转向架进行交检作业时,需要交检人员手持手电筒对转向架各部件质量项点进行目视检查确认,同时利用手持小型摄像设备对检查过程进行全程记录。上述交检方式,作业效率慢,在面对大批量,多车型的情况时,极易出现因人工交检效率低造成产品积压,从而影响交车计划。由于交检工序不同交检人员的专业水平和经验标准不尽相同,这直接影响着产品的最终交检质量。此外,随着轨道车辆产品平台日益增多,这对交检人员识别判断不同产品平台转向架的质量项点的能力提出更高的要求。
有鉴于此,特提出本发明。
发明内容
本发明要解决的技术问题在于至少克服现有技术的部分不足,本发明第一方面提供一种轨道车辆转向架的检测方法,旨在通过控制机器人携带图像采集模块按照预设的机器人路径程序运动以采集待检测转向架的图像,并基于预先训练的图像检测模型处理采集到的图像,从而确定出待检测转向架的多个质量项点是否正常,提高转向架的交检效率。
为解决上述技术问题,本发明采用技术方案的基本构思是:
一种轨道车辆转向架的检测方法,包括:
响应于获取到待检测转向架的信息,基于所获取到的信息调取与所述信息相对应的机器人路径程序;
将所调取到的机器人路径程序发送至机器人,以使所述机器人基于所述机器人路径程序运动并采集所述待检测转向架的图像;以及
响应于接收到所述图像,基于训练好的图像检测模型处理所述图像以确定出所述待检测转向架的多个质量项点是否满足预设条件。
在一些实施方式中,获取到待检测转向架的信息的步骤包括:
利用近距离通信读取器读取设置在所述待检测转向架上的近距离通信标签中所储存的信息,以获取到所述待检测转向架的信息。
在一些实施方式中,响应于获取到待检测转向架的信息的步骤之前,所述检测方法还包括:
获取不同车型的转向架的多个质量项点规划;
基于所获取到的多个质量项点规划形成针对不同车型的转向架的机器人初始路径程序;以及
基于不同车型的实体转向架,利用示教器对所述机器人初始路径程序进行优化以形成针对不同车型的转向架的所述机器人路径程序。
在一些实施方式中,基于所获取到的多个质量项点规划形成针对不同车型的转向架的机器人初始路径程序的步骤包括:
基于所获取到的多个质量项点规划确定出所述多个质量项点规划的位置分布信息;以及
根据所确定出的位置分布信息,利用路径仿真模块规划出针对不同车型的转向架的所述机器人初始路径程序。
在一些实施方式中,所述机器人路径程序包括机器人路径第一子程序和机器人路径第二子程序;
其中,所述机器人路径第一子程序配置为在所述待检测转向架位于第一定位位置时,使所述机器人基于所述机器人路径第一子程序运动并采集所述待检测转向架的第一图像;
所述机器人路径第二子程序配置为在所述待检测转向架位于第二定位位置时,使所述机器人基于所述机器人路径第二子程序运动并采集所述待检测转向架的第二图像。
在一些实施方式中,所述图像检测模型包括多个图像检测子模型,所述多个图像检测子模型配置为分别对所述待检测转向架的多个质量项点进行检测。
本发明第二方面提供一种轨道车辆转向架的检测系统,包括:
机器人,所述机器人上安装有图像采集模块;
处理器,所述处理器配置为执行以下操作:
响应于获取到待检测转向架的信息,基于所获取到的信息调取与所述信息相对应的机器人路径程序;
将所调取到的机器人路径程序发送至所述机器人,以使所述机器人基于所述机器人路径程序运动并利用所述图像采集模块采集所述待检测转向架的图像;以及
响应于接收到所述图像,基于训练好的图像检测模型处理所述图像以确定出所述待检测转向架的多个质量项点是否满足预设条件。
在一些实施方式中,检测系统还包括:
近距离通信读取器,与所述处理器连接,所述近距离通信读取器配置为根据所述处理器下发的指令读取设置在所述待检测转向架上的近距离通信标签中所储存的信息,并将所读取到的信息发送至所述处理器。
在一些实施方式中,检测系统还包括:转向架移动定位单元,与所述处理器连接,所述转向架移动定位单元配置为根据所述处理器下发的指令移动所述待检测转向架,并使所述待检测转向架在第一定位位置和第二定位位置定位。
本发明第三方面提供一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现根据上述的轨道车辆转向架的检测方法。
采用上述技术方案后,本发明与现有技术相比具有以下有益效果。
1、本发明通过控制机器人携带图像采集模块基于预设的机器人路径程序运动以采集待检测转向架的图像,并基于预先训练的图像检测模型处理采集到的图像,从而确定出待检测转向架的多个质量项点是否正常,提高转向架的交检效率。
2、本发明基于预先训练的图像检测模型处理采集到的图像,采用相同的检测标准对转向架进行检测,避免出现因不同交检人员的专业水平和经验标准不尽相同,影响转向架的最终交检质量的情况。
3、本发明利用近距离通信读取器读取设置在待检测转向架上的近距离通信标签中所储存的信息,以获取到待检测转向架的信息,提高检测效率。
4、本发明通过基于转向架的多个质量项点规划形成机器人初始路径程序后,再利用示教器对机器人初始路径程序进行优化以形成针对不同车型的转向架的机器人路径程序,以提高机器人路径程序的实用性。
5、本发明采用机器人路径第一子程序和机器人路径第二子程序控制机器人分别在第一定位位置和第二定位位置时采集待检测转向架的图像,可以保证图像采集模块对待检测转向架各个方向外表面的全覆盖采集。
6、本发明针对转向架的不同的质量项点分别训练图像检测子模型,可以实现系统对转向架的不同检测特征进行自动分割识别,提高识别精度。
附图说明
附图作为本发明的一部分,用来提供对本发明的进一步的理解,本发明的示意性实施例及其说明用于解释本发明,但不构成对本发明的不当限定。显然,下面描述中的附图仅仅是一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。在附图中:
图1是根据本发明示例性实施方式的一种轨道车辆转向架的检测方法的流程示意图;
图2是根据本发明示例性实施方式的形成机器人路径程序的流程示意图;
图3是根据本发明示例性实施方式的步骤S220的流程示意图;
图4是根据本发明示例性实施方式的一种轨道车辆转向架的检测系统的架构示意图。
图中:300、检测系统;310、处理器;320、存储器;330、近距离通信读取器;340、转向架移动定位单元;350、图像采集模块;360、机器人;
400、生产管理系统。
需要说明的是,这些附图和文字描述并不旨在以任何方式限制本发明的构思范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对实施例中的技术方案进行清楚、完整地描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
在本发明的描述中,需要说明的是,术语“上”“下”“前”“后”“左”“右”“竖直”“水平”“内”“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”“相连”“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
图1示出了根据本发明示例性实施方式的一种轨道车辆转向架的检测方法100的流程。
如图1所示,检测方法100的执行包括以下步骤:
S110、响应于获取到待检测转向架的信息,基于所获取到的信息调取与所述信息相对应的机器人路径程序;
S120、将所调取到的机器人路径程序发送至机器人,以使所述机器人基于所述机器人路径程序运动并采集所述待检测转向架的图像;以及
S130、响应于接收到所述图像,基于训练好的图像检测模型处理所述图像以确定出所述待检测转向架的多个质量项点是否满足预设条件。
应当理解的是,检测方法100中所示的步骤不是排它性的,检测方法100还可以包括未示出的附加步骤和/或可以省略所示出的步骤,本发明的范围在此方面不受限制。下面参照图1至图3详细描述步骤S110至步骤S130。
S110
在步骤S110中,当检测方法100的执行主体获取到待检测转向架的信息时,例如待检测转向架的工单信息、构架信息、关键零部件信息等关键信息,基于所获取到的关键信息从与该执行主体连接的存储器中调取与这些关键信息相对应的机器人路径程序。可以理解的是,存储器可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(Non-Volatile Memory),例如至少一个磁盘存储器,对此本发明不做限制。
在一些实施方式中,步骤S110中获取到待检测转向架的信息的步骤包括:利用近距离通信读取器读取设置在所述待检测转向架上的近距离通信标签中所储存的信息,以获取到所述待检测转向架的信息。可选地,近距离通信读取器为RFID读取器或者NFC读取器。
可以理解的是,设置在待检测转向架上的近距离通信标签中预先录入了例如上述的工单信息、构架信息、关键零部件信息等关键信息。
需要指出的是,与这些关键信息相对应的机器人路径程序同样可以是预先形成并存储于上述的存储器中。
在一些实施方式中,可通过如下示出的方法200的步骤形成机器人路径程序。
如图2所示,方法200的执行包括以下步骤:
S210、获取不同车型的转向架的多个质量项点规划;
S220、基于所获取到的多个质量项点规划形成针对不同车型的转向架的机器人初始路径程序;以及
S230、基于不同车型的实体转向架,利用示教器对所述机器人初始路径程序进行优化以形成针对不同车型的转向架的所述机器人路径程序。
对于不同车型的转向架,其需要检测的质量项点有可能不同。因此,在步骤S210中应针对各个车型的转向架获取其对应的多个质量项点规划。多个质量项点规划例如包括紧固件状态检测、零部件安装方向检测或者铭牌内容信息检测等。可选地,紧固件状态检测包括针对防松标记状态、防松铁丝捆绑状态、开口销开劈状态、垫圈状态、螺栓等级等的检测,零部件安装方向检测包括针对制动闸片、安装座等的检测,铭牌内容信息检测包括构架铭牌、牵引电机铭牌、齿轮箱铭牌和减振器铭牌等的内容信息检测。
在获取到针对各个车型的转向架的多个质量项点规划之后,在步骤S220中基于所获取到的多个质量项点规划形成针对不同车型的转向架的机器人初始路径程序。
在一些实施方式中,如图3所示,步骤S220包括:
S221、基于所获取到的多个质量项点规划确定出所述多个质量项点规划的位置分布信息;以及
S222、根据所确定出的位置分布信息,利用路径仿真模块规划出针对不同车型的转向架的所述机器人初始路径程序。
具体而言,如本文前述内容,对于不同车型的转向架,质量项点规划有可能不同,因此,在步骤S221中,基于所获取到的多个质量项点规划确定出所述多个质量项点规划在转向架上的位置分布信息,然后在步骤S222中,根据所确定出的位置分布信息,利用路径仿真模块规划出针对不同车型的转向架的所述机器人初始路径程序。
作为示例,在步骤S222中,在软件仿真模块中提前录入待检测转向架的三维模型,利用软件仿真模块对需要检测的转向架进行前期离线编程,包括路径规划、运动轨迹仿真、碰撞规避检测等,从而规划出针对不同车型的转向架的所述机器人初始路径程序。
在步骤S220中形成针对不同车型的转向架的机器人初始路径程序之后,在步骤S230中,基于不同车型的实体转向架,利用示教器对所述机器人初始路径程序进行优化以形成针对不同车型的转向架的所述机器人路径程序。
作为示例,根据不同车型的实体转向架的可视表面实际状态,利用示教器进行程序验证和路径优化,从而形成针对不同车型的转向架的机器人路径程序,并将优化后的机器人路径程序保存至存储器的系统程序库中以供调取。
S120
当检测方法100的执行主体调取到与转向架的信息相对应的机器人路径程序之后,在步骤S120中将所调取到的机器人路径程序发送至机器人,以使所述机器人基于所述机器人路径程序运动并采集所述待检测转向架的图像。
在一些实施方式中,本发明采用四台机器人分别携带图像采集模块采集所述待检测转向架的图像。图像采集模块与检测方法100的执行主体通过有线或无线的方式通信连接,并能够将采集到的图像发送至给上述的执行主体。
作为示例,图像采集模块为高清工业相机(Charge Coupled Device,CCD)。可选地,高清工业相机配备多彩LED频闪光源,用于提供图像采集时的补偿光源。当高清工业相机触发拍摄时,同时触发光源出光,作为高清工业相机拍摄的补偿光源,保证图像亮度。此外,高清工业相机可以使用偏振光成像,以减少因转向架的部分金属部件表面反光较强而导致图像信息识别困难。而且,针对不同颜色的被测对象,自动调节补偿光源颜色,增强目标与背景的可区分性。
作为示例,在对待检测转向架进行检测时,四台机器人中的其中两台位于待检测转向架的上方的左右两侧,其余两台位于待检测转向架的下方的左右两侧,从而实现对待检测转向架上、下、左、右、前、后六个面的状态及其附属零部件外露可视表面状态的100%全覆盖图像采集。
需要指出的是,对于四台机器人中的每台,均预先形成了针对该机器人的机器人路径程序,以对待检测转向架的不同部位进行图像采集。
在一些实施方式中,所述机器人路径程序包括机器人路径第一子程序和机器人路径第二子程序。其中,所述机器人路径第一子程序配置为在所述待检测转向架位于第一定位位置时,使所述机器人基于所述机器人路径第一子程序运动并采集所述待检测转向架的第一图像。所述机器人路径第二子程序配置为在所述待检测转向架位于第二定位位置时,使所述机器人基于所述机器人路径第二子程序运动并采集所述待检测转向架的第二图像。
需要指出的是,机器人路径第一子程序和机器人路径第二子程序的形成方法可分别参照上述方法200的步骤,本发明此处不再赘述。
具体而言,为保证机器人上携带的图像采集模块的采集范围能够对待检测转向架的各个方向的外表面进行全覆盖,本发明对待检测转向架采用二阶段图像采集捕捉模式。其中,在第一阶段,待检测转向架位于第一定位位置,机器人基于所述机器人路径第一子程序运动并利用图像采集模块采集所述待检测转向架的第一图像。在第二阶段,待检测转向架移动至第二定位位置,机器人基于所述机器人路径第二子程序运动并利用图像采集模块采集所述待检测转向架的第二图像。
作为示例,第一定位位置为位于轨道零点的位置。需要指出的是,第一定位位置和第二定位位置之间具有预设的间隔距离。对于不同车型的待检测转向架,间隔距离可能是不同的。间隔距离由工艺人员根据各个车型待检测转向架的尺寸预先设定。
S130
当检测方法100的执行主体接收到待检测转向架的图像之后,在步骤S130中,基于预先训练好的图像检测模型处理所述图像以确定出所述待检测转向架的多个质量项点是否满足预设条件。
具体而言,利用图像检测模型识别出待检测转向架各区域质量项点对应的几何特征关系数据,形成识别参数。然后将识别参数与数据库中的原始参数进行比对,确定出该质量项点是否满足预设条件。如果识别参数与原始参数的比对结果满足预设条件,意味着该质量项点检测通过。如果识别参数与原始参数的比对结果不满足预设条件,意味着该质量项点检测未通过。
上述的预设条件与质量项点的类型有关,本发明对此不做限制。
在一些实施方式中,当待检测转向架的多个质量项点中存在某个质量项点检测在本次检测过程中未通过时,可针对该待检测转向架采用上述检测方法复测一次。如果在复测过程中仍然存在某个质量项点检测在本次复测过程中未通过时,可通知交检人员对该待检测转向架进行人工复检。可选地,在人工复检时,可根据结果对异常区域进行人工复查,确认该区域存在异常时,交检人员可根据质量要求对缺陷项点进行修复,并在修复之后再次采用本发明的上述检测方法复测。当交检人员复查时确认该质量项点未通过为系统误报时,进一步通知操作人员和质量管理人员进行确认,当操作人员和质量管理人员均确认后即可放行。
在一些实施方式中,当待检测转向架的各个质量项点检测结束时,还可形成检测报告。检测报告中例如包括待检测转向架的信息、各个质量项点的图像、识别参数、原始参数以及比对结果等。
此外,检测方法100的执行主体还可对检测报告进行分析计算从而得出产品漏装率、错装率以及系统误报率。可选地,分析计算的结果也可写入检测报告中,检测报告可以自动储存并上传公司QMS系统和MES系统。
在一些实施方式中,图像检测模型的算法为预先训练好的,例如可采用卷积神经网络等深度学习的算法进行训练。可选的,选用R-CNN模型算法、Fast-R-CNN模型算法或者YOLO模型算法作为图像检测模型的算法。训练的方法为:以大量转向架的质量项点的特征和非特征图像作为训练样品集的正反样本,通过人工神经网络的卷积迭代计算不断提高识别精度,直至满足预设收敛条件,完成模型算法的训练。
此外,还可以选用残差网络模型算法作为图像检测模型的算法。
综上,本发明预先训练好的图像检测模型的算法是本领域技术人员在本发明的教导下参照相关技术可得出的,本发明此处不再赘述。
在一些实施方式中,所述图像检测模型包括多个图像检测子模型,所述多个图像检测子模型配置为分别对所述待检测转向架的多个质量项点进行检测。
具体而言,可以采用上述的训练方法对不同转向架的不同待测质量项点分别进行针对性训练从而形成多个图像检测子模型,实现对不同转向架的不同待测质量项点的特征自动分割识别。换言之,每个待测质量项点的特征需要一个单独的识别网络实现。而且,当检测条件不变时,完成训练的图像检测子模型可作为一个独立模块,在后续不同车型的转向架检测中可单一或组合使用,无需重新训练。
此外,图像采集模块采集的图像也可存储至图形工作站磁盘阵列中以保证图像数据的安全。进入图形工作站的图片将按照转向架编号和检测位置、方向等信息进行编号、排序,便于图像数据的集中管理。管理人员可通过公司网络远程访问图形工作站对拍摄图片进行检索和浏览。
在本发明的上述检测方法可以实现轨道车辆转向架外观质量项点的自动识别检测。本发明通过四台机器人分别搭载高清工业相机实现对转向架上、下、左、右、前、后六个面的状态及其附属零部件外露可视表面状态的100%全覆盖拍摄;基于神经网络深度学习技术的图像检测模型对所捕捉图像信息中的质量项点进行精确识别和研判,减少不同检测人员对产品质量检测结果的影响;搭配基于近距离通信读写技术,实现转向架关键信息自动录入;机器人路径程序自动匹配调用;转向架质量项点自动捕捉检测并将质量检测结果自动上传公司QMS系统及MES系统。
本发明可实时显示各相机检测区域的高清图像,并对检测输出结果的漏装率、错装率以及检测系统的误报率进行收集分析。操作者可以根据捕捉到的图像信息,实时掌握转向架各检测项点的实际质量状态并根据检测结果及时进行自查自纠。生产管理人员通过系统对各质量项点出现问题频次及项点返工异常处理时间进行统计分析,可以为提高异常处理效率、优化生产管理提供合理指导。质量管理人员通过系统检测结果可以预警产品合格率,并针对高频重点异常项点分析原因。工艺人员可根据系统检测结果修订优化程序,提高检测精度;对于高频重点异常项点,工艺人员通过此系统可以分析判断当前装配工艺手段是否满足质量要求,为后续工艺调整优化提供依据。
该检测方法的实施,取消了原有转向架人工交检工序,减少转向架质量检查工序所需人员和时间,极大提高了转向架交检效率,在提高自动化程度的同时,生产线与信息化系统在质量检测管理方面进行深度融合。
图4示出了根据本发明示例性实施方式的轨道车辆转向架的检测系统。
如图4所示,轨道车辆转向架的检测系统300包括机器人360,所述机器人360上安装有图像采集模块350。可选地,机器人360还配置有用于支撑稳定机器人360的支撑单元,以保证机器人360的可达性。图像采集模块350例如为高清工业相机。
轨道车辆转向架的检测系统300还包括处理器310,所述处理器310配置为执行检测方法100中的操作。可选地,检测系统300还包括与处理器310通信连接的存储器320,存储器320中储存有处理器310实施上述操作所需的计算机程序、图像检测模型等。处理器310可以是检测方法100的执行主体。
在一些实施方式中,轨道车辆转向架的检测系统300还包括:近距离通信读取器330,与所述处理器310连接,所述近距离通信读取器330配置为根据所述处理器310下发的指令读取设置在所述待检测转向架上的近距离通信标签中所储存的信息,并将所读取到的信息发送至所述处理器310。
在一些实施方式中,轨道车辆转向架的检测系统300还包括:转向架移动定位单元340,与所述处理器310连接,所述转向架移动定位单元340配置为根据所述处理器310下发的指令移动所述待检测转向架,并使所述待检测转向架在第一定位位置和第二定位位置定位。
作为示例,转向架移动定位单元340包括支撑滑轮、升降支撑机构和驱动推杆,用于根据转向架的型号,自动实现转向架的定位及移动,满足测量的定位及移动需求。
在一些实施方式中,处理器310还与生产管理系统400通信连接。
需要说明的是,本文中针对上述检测方法100的描述可全部地应用于上述的检测系统300,此处不再赘述。下面对采用上述检测系统300对待检测转向架进行检测的过程进行介绍。
1、检测指令接收及构架预备
a)通过公司生产管理系统400(MES系统)进行检测工单下发,检测系统300接收检测指令后,启动近距离通信读取器330对转向架工单信息、构架信息、关键零部件信息等关键信息进行读取,检测系统300根据读取的转向架信息,自动匹配调用系统程序库中对应车型转向架的机器人路径程序。
b)转向架移动定位单元340初始状态位于导轨零点,将待检测转向架推至规定位置后,位于转向架移动定位单元340附近的传感器捕捉到待检测转向架的车轮,转向架移动定位单元340自动抬升,其两端的对中轮辅助对中并夹紧车轮,触发式光栅单元随即启动,检测系统300进入预备状态。
2、转向架质量项点图像采集
a)操作人员登录检测系统300,确认设备状态无误后,启动设备,四台智能机器人360根据预先编制的机器人路径程序再现规划的路径轨迹,基于机器人-工业相机联动技术,当待检测转向架运动至设定位置后自动进行固定确认,随即触发工业相机进行定点拍摄,实现“即拍即停”,拍摄的图片将存储至图形工作站磁盘阵列中以保证图像数据的安全。进入图形工作站的图片将按照转向架编号和检测位置、方向等信息进行编号、排序,便于图像数据的集中管理。管理人员可通过公司网络远程访问图形工作站对拍摄图片进行检索和浏览。
b)为保证相机拍照区域对转向架各方向外表面全覆盖,相机采用二阶段拍照捕捉模式,其中第一阶段转向架位于例如轨道零点的第一定位位置处,拍摄结束后转向架移动定位单元340推动车轮使待检测转向架步进至第二定位位置处进行后续图像采集。转向架移动定位单元340步进距离由工艺人员根据不同车型的待检测转向架尺寸预先设定。待二阶段拍摄完成后,转向架移动定位单元340推动转向架车轮使其返回轨道零点。
c)工业相机配备多彩LED频闪光源,用于提供图形采集时的补偿光源。当相机触发拍摄时,同时触发光源出光,作为相机拍摄的补偿光源,保证图像亮度。相机使用偏振光成像,以减少因金属部件表面反光较强而导致图像信息识别困难,针对不同颜色的被测对象,自动调节光源颜色,增强目标与背景的可区分性。
3、图像识别检测
a)待检测系统300完成图像数据采集,操作界面随即弹出是否执行检测的交互窗口,操作人员点选确认检测后,检测系统300开始对采集到的转向架图像文件执行检测命令。转向架外表面识别检测的质量项点包括紧固件状态检测(防松标记状态、防松铁丝捆绑状态、开口销开劈状态、垫圈状态、螺栓等级等)、零部件安装方向检测(制动闸片、安装座等)和铭牌内容信息识别读取(构架铭牌、牵引电机铭牌、齿轮箱铭牌和减振器铭牌)。
b)图像检测是基于预先训练好的图像检测模型进行的。其原理是基于图形识别结合人工神经网络深度学习的技术,该技术的核心为局部图形特征分析和图形/神经识别算法,通过各区域项点对应几何特征关系数据形成识别参数与数据库中的原始参数进行比对,确定出项点类型。在训练神经网络的过程中,前期输入大量该项点的特征和非特征图像作为训练样品集的正反样本,通过人工神经网络的卷积迭代计算不断提高识别精度。上述方式对不同待测项点分别进行针对性训练,实现系统对不同检测特征自动分割识别。每个识别特征需要一个单独的识别网络实现,检测条件不变时,完成训练的识别网络可作为一个独立模块,在后续平台车型转向架检测中单一或组合使用,无需重新训练。
4、数据上传
a)上述工作完成后,检测系统300自动生成检测结果,操作人员可根据结果对异常区域进行人工复查,确认该区域存在异常时,操作人员可根据质量要求对缺陷项点进行修复,项点修复后进行复测;若异常为系统误报时,操作人员和质量管理人员均确认后即可放行。检测系统300将自动收集记录检测结果、异常项点位置、操作人员、时间等信息并通过分析计算得出产品漏装率、错装率以及系统误报率,最终生成检测报告,检测报告自动储存并上传公司QMS系统和生产管理系统400。
此外,检测系统300还可与报警系统连接,当检测系统300检测出待检测转向架的质量项点异常时,可将异常信号发送报警系统,以使报警系统发出警报信号。
本发明的检测系统300通过与近距离通信系统及公司级生产管理系统400(MES系统)的互联互通,实现对机器人360、高清工业相机、转向架移动定位单元340、光栅单元、近距离通讯进行智能控制,实现构架信息自动录入、构架位置自动对中夹紧、检测程序自动匹配运行、检测结果自动上传,操作人员仅参与检测过程中状态的确认。系统显示界面具有较强的人机交互功能,可帮助操作人员迅速锁定异常项点位置。系统可对检测过程的漏装率、错装率以及检测系统300的误报率进行收集统计并输出报告,有助于为管理人员和工艺人员的后期规划决策和调整优化提供依据。设备四周配置高敏感光栅单元,光栅单元与设备急停关联,避免设备检测过程中对人员造成伤害。整个过程仅需一人参与即可,节省了人力成本,降低了作业风险,提高作业效率。
此外,上述的处理器310可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器310中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器310可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application SpecificIntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器320,处理器310读取存储器320中的信息,结合其硬件完成前述实施例的方法的步骤。
本发明示例性实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序在被处理器310调用和执行时,计算机可执行指令促使处理器310实现上述检测方法100,具体实现可参见方法实施例,在此不再赘述。
以上所述仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专利的技术人员在不脱离本发明技术方案范围内,当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明方案的范围内。
Claims (10)
1.一种轨道车辆转向架的检测方法,其特征在于,包括:
响应于获取到待检测转向架的信息,基于所获取到的信息调取与所述信息相对应的机器人路径程序;
将所调取到的机器人路径程序发送至机器人,以使所述机器人基于所述机器人路径程序运动并采集所述待检测转向架的图像;以及
响应于接收到所述图像,基于训练好的图像检测模型处理所述图像以确定出所述待检测转向架的多个质量项点是否满足预设条件。
2.根据权利要求1所述的轨道车辆转向架的检测方法,其特征在于,
获取到待检测转向架的信息的步骤包括:
利用近距离通信读取器读取设置在所述待检测转向架上的近距离通信标签中所储存的信息,以获取到所述待检测转向架的信息。
3.根据权利要求1所述的轨道车辆转向架的检测方法,其特征在于,
响应于获取到待检测转向架的信息的步骤之前,所述检测方法还包括:
获取不同车型的转向架的多个质量项点规划;
基于所获取到的多个质量项点规划形成针对不同车型的转向架的机器人初始路径程序;以及
基于不同车型的实体转向架,利用示教器对所述机器人初始路径程序进行优化以形成针对不同车型的转向架的所述机器人路径程序。
4.根据权利要求3所述的轨道车辆转向架的检测方法,其特征在于,
基于所获取到的多个质量项点规划形成针对不同车型的转向架的机器人初始路径程序的步骤包括:
基于所获取到的多个质量项点规划确定出所述多个质量项点规划的位置分布信息;以及
根据所确定出的位置分布信息,利用路径仿真模块规划出针对不同车型的转向架的所述机器人初始路径程序。
5.根据权利要求1至4中任一项所述的轨道车辆转向架的检测方法,其特征在于,
所述机器人路径程序包括机器人路径第一子程序和机器人路径第二子程序;
其中,所述机器人路径第一子程序配置为在所述待检测转向架位于第一定位位置时,使所述机器人基于所述机器人路径第一子程序运动并采集所述待检测转向架的第一图像;
所述机器人路径第二子程序配置为在所述待检测转向架位于第二定位位置时,使所述机器人基于所述机器人路径第二子程序运动并采集所述待检测转向架的第二图像。
6.根据权利要求1至4中任一项所述的轨道车辆转向架的检测方法,其特征在于,
所述图像检测模型包括多个图像检测子模型,所述多个图像检测子模型配置为分别对所述待检测转向架的多个质量项点进行检测。
7.一种轨道车辆转向架的检测系统,其特征在于,包括:
机器人,所述机器人上安装有图像采集模块;
处理器,所述处理器配置为执行以下操作:
响应于获取到待检测转向架的信息,基于所获取到的信息调取与所述信息相对应的机器人路径程序;
将所调取到的机器人路径程序发送至所述机器人,以使所述机器人基于所述机器人路径程序运动并利用所述图像采集模块采集所述待检测转向架的图像;以及
响应于接收到所述图像,基于训练好的图像检测模型处理所述图像以确定出所述待检测转向架的多个质量项点是否满足预设条件。
8.根据权利要求7所述的轨道车辆转向架的检测系统,其特征在于,还包括:
近距离通信读取器,与所述处理器连接,所述近距离通信读取器配置为根据所述处理器下发的指令读取设置在所述待检测转向架上的近距离通信标签中所储存的信息,并将所读取到的信息发送至所述处理器。
9.根据权利要求7所述的轨道车辆转向架的检测系统,其特征在于,还包括:
转向架移动定位单元,与所述处理器连接,所述转向架移动定位单元配置为根据所述处理器下发的指令移动所述待检测转向架,并使所述待检测转向架在第一定位位置和第二定位位置定位。
10.一种可读存储介质,其特征在于,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现根据权利要求1至6中任一所述的轨道车辆转向架的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404659.2A CN116465889A (zh) | 2023-04-17 | 2023-04-17 | 一种轨道车辆转向架的检测方法、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310404659.2A CN116465889A (zh) | 2023-04-17 | 2023-04-17 | 一种轨道车辆转向架的检测方法、系统及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116465889A true CN116465889A (zh) | 2023-07-21 |
Family
ID=87173020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310404659.2A Pending CN116465889A (zh) | 2023-04-17 | 2023-04-17 | 一种轨道车辆转向架的检测方法、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116465889A (zh) |
-
2023
- 2023-04-17 CN CN202310404659.2A patent/CN116465889A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210398271A1 (en) | Inspection system and method for vehicle underbody | |
KR102359937B1 (ko) | 차량 검사 시스템 및 그 방법 | |
US20210390678A1 (en) | Method for monitoring manufacture of assembly units | |
CN110823917B (zh) | 机器视觉系统以及用于产品的远程质量检验的方法 | |
KR20220042916A (ko) | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 | |
GB2552092A (en) | Inspection system and method for automatic visual inspection of a motor vehicle | |
CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
US20210232126A1 (en) | Quality monitoring of industrial processes | |
CN113516629A (zh) | Tfds通过作业智能检测系统 | |
CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
CN113723325A (zh) | 一种装配式预制构件的工装缺陷检测系统 | |
CN110509272B (zh) | 一种车辆查验方法、系统以及复合巡检机器人 | |
CN115752462A (zh) | 楼宇内重点巡检目标巡检方法、系统、电子设备和介质 | |
CN111626995A (zh) | 一种针对工件的智能嵌件检测方法和装置 | |
CN112985515B (zh) | 一种产品紧固件装配合格性检测方法、系统及存储介质 | |
CN116465889A (zh) | 一种轨道车辆转向架的检测方法、系统及可读存储介质 | |
US20220284699A1 (en) | System and method of object detection using ai deep learning models | |
CN113065462A (zh) | 用于电网架空线路的监测方法、装置、设备及存储介质 | |
CN115393278A (zh) | 压板状态巡检方法、系统、机器人及存储介质 | |
CN114923410A (zh) | 一种纵梁孔位在线检测方法及装置 | |
CN114563412A (zh) | 一种转向架装配质量检测方法 | |
CN114735044A (zh) | 智能轨道车辆巡检机器人 | |
CN117381261B (zh) | 一种自动化焊接机的故障识别装置及方法 | |
US11983680B2 (en) | Intelligent monitoring system for waste disposal and method thereof | |
CN117309766B (zh) | 一种产品表面缺陷的视觉检测方法及系统 |
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 |