CN117372677A - 一种高速铁路接触网紧固件开口销健康状态检测方法 - Google Patents

一种高速铁路接触网紧固件开口销健康状态检测方法 Download PDF

Info

Publication number
CN117372677A
CN117372677A CN202311290569.1A CN202311290569A CN117372677A CN 117372677 A CN117372677 A CN 117372677A CN 202311290569 A CN202311290569 A CN 202311290569A CN 117372677 A CN117372677 A CN 117372677A
Authority
CN
China
Prior art keywords
pin
cotter
health state
speed railway
algorithm
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
CN202311290569.1A
Other languages
English (en)
Inventor
曾晓红
李奇
钟建
李向东
郑殷
王策
彭松
钱云峰
陈杰
代林峰
何蕴甫
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.)
Jiangsu Xinlyuneng Science & Technology Co ltd
Original Assignee
Jiangsu Xinlyuneng Science & Technology 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 Jiangsu Xinlyuneng Science & Technology Co ltd filed Critical Jiangsu Xinlyuneng Science & Technology Co ltd
Priority to CN202311290569.1A priority Critical patent/CN117372677A/zh
Publication of CN117372677A publication Critical patent/CN117372677A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • B61K9/08—Measuring installations for surveying permanent way
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
    • G06V10/82—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)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种高速铁路接触网紧固件开口销健康状态检测方法，其结合结合目标检测算法、语义分割算法和图像分析算法。首先，基于目标检测算法对有轨故障检测车辆使用夜间高速成像设备抓拍的紧固件开口销图像进行连接点的初定位和开口销的精定位；其次，采用语义分割算法提取接触网中开口销健康状态的语义信息；最后，以开口销头部、躯干和尾部三段的语义信息为分类依据，基于图像分析算法对图片中开口销进行分析和分类，将开口销划分为缺失、松脱和正常3类，完成对其健康状态的判断。本发明的有益效果为：能准确检测出故障状态下的开口销，保障高速铁路接触网稳定运行。

Description

一种高速铁路接触网紧固件开口销健康状态检测方法
技术领域
本发明属于接触网技术领域，特别是涉及一种高速铁路接触网紧固件开口销健康状态检测方法。
背景技术
作为高速铁路供电系统中的一部分，接触网的安全稳定运行对保障高速铁路长期稳定供电至关重要。接触网由众多零部件构成，并且长期暴露于自然环境中，很容易产生零部件破损或缺失等重大缺陷，因此对接触网零部件的状态进行监测和维护对于保证接触网安全稳定运行也非常重要。开口销作为接触网中数量最多的零部件，在接触网的多个位置上广泛分布，起着紧固和保护的作用。然而，恶劣天气引起的腐蚀、列车运行导致的振动以及施工隐患等因素，使得开口销可能处于缺失、松脱或断尾等故障状态，从而对接触网安全稳定运行构成威胁。因此，使用先进的基于视觉处理方法判别开口销健康状态是非常有必要的，其健康状态评估有利于设备的及时维修及处理。
传统的开口销缺陷检测是通过人工巡检的方式进行，但这种方法不但耗费人力，而且效率较低。随着计算机视觉技术的兴起和发展，随着接触网悬挂状态检测监测系统(4C系统)应用于高铁接触网系统中，通过安装有高速摄像机及配套照明设备的有轨故障巡检车获取高清接触网图片，再通过查看图像观测开口销的健康状态使工作效率和成本都有所提升。但是开口销数量众多，且在图片中占比较小，人工查看大量图片存在漏检、耗时耗力的问题。针对上述问题，提出应用计算机视觉技术对接触网图像进行处理分析，正确高效判别开口销健康状态的方法极为重要。
发明内容
为了解决上述问题，本发明提出了一种结合目标检测算法、语义分割算法和图像分析算法的高速铁路接触网紧固件开口销健康状态检测方法。
为了达到上述目的，本发明采用的技术方案是：通过高分辨率高速摄像机及其配套设备对接触网系统进行拍照采集，而后基于目标检测算法对图片中开口销进行定位，采用语义分割算法提取开口销语义信息后，应用形态学处理方法对开口销进行分析和分类，包括步骤：
S100，在高速铁路线路夜间检修中，使用车顶配置有高分辨率高速摄像机及配套照明设备的有轨故障巡检车进行沿线拍照，对高速铁路接触网系统中所有接触设备进行拍照和按序排号；
S200，获取摄像机拍摄所得的夜间接触网系统照片，并基于目标检测算法准确定位紧固件开口销，采用两次定位的方法分别进行高铁接触网中五个关键连接点的初定位和开口销的精定位；
S300，采用语义分割算法对二次定位后的开口销图片进行像素级处理，通过提取接触网中开口销健康状态的语义信息，排除自然环境中灰尘附着等干扰对开口销健康状态判别的影响；
S400，以开口销头部、躯干和尾部三段的语义信息为分类依据，基于图像分析算法对语义分割后图片中的开口销进行分析和分类，应用形态学处理方法将开口销划分为缺失、松脱和正常3类，判断其健康状态。
所述有轨故障巡检车，配备有拍摄高分辨率照片的高速成像抓拍设备和LED补偿光源，以便于在高速铁路线路夜间检修期进行接触网巡检。巡检时，使用设备对各个支柱及其接触系统进行拍摄，并依序进行编号。
所述目标检测算法，即通过改进的SSD模型定位检测摄像机拍摄所得夜间接触网系统照片中的开口销，由于采集图片中开口销在整张图片中占比较小，为提高检测准确率，采用两步定位方式首先对高铁接触网中五个关键连接点进行初定位，然后在各个连接点图片中完成对开口销的精定位。
进一步的是，所述SSD模型，在设计中使用了两个卷积层来替代VGG-16模型的末尾两个全连接层，并进一步扩充了四个额外的卷积层。在修改后的结构中，SSD利用多个特征图来进行目标检测，这样可以同时检测多个尺度的目标，从而提高了检测的准确性和覆盖范围。具体而言，SSD模型通过选择不同层级的多个特征图，对每个特征图上的所有像素点生成多个同心的默认框。这些默认框在同一特征图中面积相同但长宽比不同，而不同特征图上的默认框则具有不同的尺寸。最后依据非极大值抑制(NMS)筛选出符合一定标准的检测框，以去除冗余的检测结果，实现高效准确的目标检测。
所述语义分割算法，即根据DeepLabv3+模型进行语义分割，提取开口销的语义信息，对二次定位后获取的开口销图片进行像素级处理，通过提取接触网中开口销健康状态的语义信息，排除自然环境中灰尘附着等干扰对开口销健康状态判别的影响。
进一步的是，所述DeepLabv3+模型，包括(1)采用了空洞卷积来扩大感受野，通过在卷积层中引入不同的空洞率，灵活地调整感受野的大小；(2)多个并行的分支，每个分支都有不同的空洞率，以获取多尺度的特征表示；(3)引入了编码器-解码器结构，编码器负责从输入图像中提取高级特征，而解码器则将这些特征还原为与输入图像相同尺寸的分割结果。总体来说，DeepLabv3+是一种基于编码器-解码器架构的语义分割模型，它采用空洞卷积和多尺度融合技术来提高准确性。通过预训练的卷积神经网络作为编码器，提取图像特征，并利用空洞卷积获取丰富的上下文信息。解码器将编码器特征与池化后的高级特征进行融合，以保留细节与上下文。ASPP模块则通过并行的空洞卷积分支获取多尺度特征。最终，通过分类器得到每个像素点的语义标签，实现精准的语义分割结果。
所述图像分析算法，以语义分割后开口销头部、躯干和尾部三段的语义信息为分类依据，应用形态学处理方法对语义分割所得图片中开口销进行分类，结合开口销安装位置和拍摄角度的特点根据开口销头部和尾部信息将开口销划分为缺失、松脱和正常3类，完成健康状态判别。
进一步的是，所述形态学处理方法，即针对图片中目标的几何形状特性和灰度分布特征完成对图像中目标区域的提取和描述，能有效提取和调整图像的形态学特征。开口销分类策略则是结合开口销的安装位置和拍摄角度的特点根据开口销头部和尾部信息制定，依据开口销在实际服役环境中的缺陷严重程度将开口销的状态划分为缺失，松脱和正常三个等级。
采用本技术方案的有益效果：
1.本发明应用计算机视觉技术对接触网图像进行处理分析，有效解决了人工查看大量图片存在漏检、耗时耗力的问题，提升了检测效率，降低了事故率；
2.本发明采用采用SSD算法和Deeplabv3+框架来缩小Deeplabv3+的感受野，有效克服了因开口销在图片中尺寸较小导致识别困难的问题，提高了识别准确率；
3.本发明实施简便，进一步提高了图像识别处理精度，所需人力资源少，具有较强的经济价值和使用价值。
附图说明
图1为本发明的一种高速铁路接触网紧固件开口销健康状态检测方法的流程示意图；
图2为本发明实施例中基于目标检测算法进行二次定位过程中所使用SSD模型结构示意图；
图3为本发明实施例中基于语义分割算法提取开口销语义信息过程中所使用Deeplabv3+模型结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。但需要注意的是本发明并不仅仅只局限于这些实施方式。相反，对本发明进行的修改或者等同替换，均应涵盖在本发明的权利要求范围当中。
另外，为了更好的说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员将理解，没有这些具体细节，本发明同样可以实施。在另外一些实例中，对于大家熟知的方法、流程、元件和电路未作详细描述，以便于凸显本发明的主旨。
在本实施例中，参见图1所示，本发明提出了一种结合目标检测算法、语义分割算法和图像分析算法的高速铁路接触网紧固件开口销健康状态检测方法。本发明采用的技术方案是：通过高分辨率高速摄像机及其配套设备对接触网系统进行拍照采集，而后基于目标检测算法对图片中开口销进行定位，采用语义分割算法提取开口销语义信息后，应用形态学处理方法对开口销进行分析和分类，包括步骤：
S100，在高速铁路线路夜间检修中，使用车顶配置有高分辨率高速摄像机及配套照明设备的有轨故障巡检车进行沿线拍照，对高速铁路接触网系统中所有接触设备进行拍照和按序排号；
S200，获取摄像机拍摄所得的夜间接触网系统照片，并基于目标检测算法准确定位紧固件开口销，采用两次定位的方法分别进行高铁接触网中五个关键连接点的初定位和开口销的精定位；
S300，采用语义分割算法对二次定位后的开口销图片进行像素级处理，通过提取接触网中开口销健康状态的语义信息，排除自然环境中灰尘附着等干扰对开口销健康状态判别的影响；
S400，以开口销头部、躯干和尾部三段的语义信息为分类依据，基于图像分析算法对语义分割后图片中的开口销进行分析和分类，应用形态学处理方法将开口销划分为缺失、松脱和正常3类，判断其健康状态。
所述有轨故障巡检车，配备有拍摄高分辨率照片的高速成像抓拍设备和LED补偿光源，以便于在高速铁路线路夜间检修期进行接触网巡检。巡检时，使用设备对各个支柱及其接触系统进行拍摄，并依序进行编号。
所述目标检测算法，即通过改进的SSD模型定位检测摄像机拍摄所得夜间接触网系统照片中的开口销，由于采集图片中开口销在整张图片中占比较小，为提高检测准确率，采用两步定位方式首先对高铁接触网中五个关键连接点进行初定位，然后在各个连接点图片中完成对开口销的精定位。
进一步的是，所述SSD模型，在设计中使用了两个卷积层来替代VGG-16模型的末尾两个全连接层，并进一步扩充了四个额外的卷积层。在修改后的结构中，SSD利用多个特征图来进行目标检测，这样可以同时检测多个尺度的目标，从而提高了检测的准确性和覆盖范围。具体而言，SSD模型通过选择不同层级的多个特征图，对每个特征图上的所有像素点生成多个同心的默认框。这些默认框在同一特征图中面积相同但长宽比不同，而不同特征图上的默认框则具有不同的尺寸。最后依据非极大值抑制(NMS)筛选出符合一定标准的检测框，以去除冗余的检测结果，实现高效准确的目标检测。
所述语义分割算法，即根据DeepLabv3+模型进行语义分割，提取开口销的语义信息，对二次定位后获取的开口销图片进行像素级处理，通过提取接触网中开口销健康状态的语义信息，排除自然环境中灰尘附着等干扰对开口销健康状态判别的影响。
进一步的是，所述DeepLabv3+模型，即谷歌DeepLab系列模型的最新版本，也是效果最优的版本。主要在Deeplabv3上做了几点改进：(1)采用了空洞卷积来扩大感受野，通过在卷积层中引入不同的空洞率，灵活地调整感受野的大小；(2)多个并行的分支，每个分支都有不同的空洞率，以获取多尺度的特征表示；(3)引入了编码器-解码器结构，编码器负责从输入图像中提取高级特征，而解码器则将这些特征还原为与输入图像相同尺寸的分割结果。总体来说，DeepLabv3+是一种基于编码器-解码器架构的语义分割模型，它采用空洞卷积和多尺度融合技术来提高准确性。通过预训练的卷积神经网络作为编码器，提取图像特征，并利用空洞卷积获取丰富的上下文信息。解码器将编码器特征与池化后的高级特征进行融合，以保留细节与上下文。ASPP模块则通过并行的空洞卷积分支获取多尺度特征。最终，通过分类器得到每个像素点的语义标签，实现精准的语义分割结果。
所述图像分析算法，以语义分割后开口销头部、躯干和尾部三段的语义信息为分类依据，应用形态学处理方法对语义分割所得图片中开口销进行分类，结合开口销安装位置和拍摄角度的特点根据开口销头部和尾部信息将开口销划分为缺失、松脱和正常3类，完成健康状态判别。
进一步的是，所述形态学处理方法，即针对图片中目标的几何形状特性和灰度分布特征完成对图像中目标区域的提取和描述，能有效提取和调整图像的形态学特征。开口销分类策略则是结合开口销的安装位置和拍摄角度的特点根据开口销头部和尾部信息制定，依据开口销在实际服役环境中的缺陷严重程度将开口销的状态划分为缺失，松脱和正常三个等级。
在本实施例中，参见图2所示，为SSD模型结构示意图，SSD模型通过使用两个卷积层替代全连接层，并在多个特征图上生成不同尺度和纵横比的默认框，然后使用非极大值抑制进行检测框的筛选，实现了高效准确的目标检测。
在本实施例中，参见图3所示，为Deeplabv3+模型结构示意图，是一种基于编码器-解码器架构的语义分割模型，它采用空洞卷积和多尺度融合技术来提高准确性。通过预训练的卷积神经网络作为编码器，提取图像特征，并利用空洞卷积获取丰富的上下文信息。解码器将编码器特征与池化后的高级特征进行融合，以保留细节与上下文。ASPP模块则通过并行的空洞卷积分支获取多尺度特征。最终，通过分类器得到每个像素点的语义标签，实现精准的语义分割结果。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种高速铁路接触网紧固件开口销健康状态检测方法，其特征在于，包括步骤：
S100，在高速铁路线路夜间检修中，使用车顶配置有高分辨率高速摄像机及配套照明设备的有轨故障巡检车进行沿线拍照，对高速铁路接触网系统中所有接触设备进行拍照和按序排号；
S200，获取摄像机拍摄所得的夜间接触网系统照片，并基于目标检测算法准确定位紧固件开口销，采用两次定位的方法分别进行高铁接触网中五个关键连接点的初定位和开口销的精定位；
S300，采用语义分割算法对二次定位后的开口销图片进行像素级处理，通过提取接触网中开口销健康状态的语义信息，排除自然环境中灰尘附着等干扰对开口销健康状态判别的影响；
S400，以开口销头部、躯干和尾部三段的语义信息为分类依据，基于图像分析算法对语义分割后图片中的开口销进行分析和分类，应用形态学处理方法将开口销划分为缺失、松脱和正常3类，判断其健康状态；
所述有轨故障巡检车，配备有拍摄高分辨率照片的高速成像抓拍设备和LED补偿光源，以便于在高速铁路线路夜间检修期进行接触网巡检；巡检时，使用设备对各个支柱及其接触系统进行拍摄，并依序进行编号；
所述目标检测算法，通过改进的SSD模型定位检测摄像机拍摄所得夜间接触网系统照片中的开口销，由于采集图片中开口销在整张图片中占比较小，为提高检测准确率，采用两步定位方式首先对高铁接触网中五个关键连接点进行初定位，然后在各个连接点图片中完成对开口销的精定位；
所述语义分割算法，根据DeepLabv3+模型进行语义分割，提取开口销的语义信息，对二次定位后获取的开口销图片进行像素级处理，通过提取接触网中开口销健康状态的语义信息，排除自然环境中灰尘附着干扰对开口销健康状态判别的影响；
所述图像分析算法，以语义分割后开口销头部、躯干和尾部三段的语义信息为分类依据，应用形态学处理方法对语义分割所得图片中开口销进行分类，结合开口销安装位置和拍摄角度的特点根据开口销头部和尾部信息将开口销划分为缺失、松脱和正常3类，完成健康状态判别。
2.根据权利要求1所述的一种高速铁路接触网紧固件开口销健康状态检测方法，其特征在于，所述SSD模型，在设计中使用了两个卷积层来替代VGG-16模型的末尾两个全连接层，并进一步扩充了四个额外的卷积层；在修改后的结构中，SSD利用多个特征图来进行目标检测，同时检测多个尺度的目标，从而提高了检测的准确性和覆盖范围；SSD模型通过选择不同层级的多个特征图，对每个特征图上的所有像素点生成多个同心的默认框；这些默认框在同一特征图中面积相同但长宽比不同，而不同特征图上的默认框则具有不同的尺寸；最后依据非极大值抑制(NMS)筛选出符合一定标准的检测框，以去除冗余的检测结果，实现高效准确的目标检测。
3.根据权利要求1所述的一种高速铁路接触网紧固件开口销健康状态检测方法，其特征在于，所述DeepLabv3+模型，包括(1)采用了空洞卷积来扩大感受野，通过在卷积层中引入不同的空洞率，灵活地调整感受野的大小；(2)多个并行的分支，每个分支都有不同的空洞率，以获取多尺度的特征表示；(3)引入编码器-解码器结构，编码器负责从输入图像中提取高级特征，而解码器则将这些特征还原为与输入图像相同尺寸的分割结果；解码器将编码器特征与池化后的高级特征进行融合，以保留细节与上下文。
4.根据权利要求1所述的一种高速铁路接触网紧固件开口销健康状态检测方法，其特征在于，所述形态学处理方法，针对图片中目标的几何形状特性和灰度分布特征完成对图像中目标区域的提取和描述，有效提取和调整图像的形态学特征；开口销分类策略则是结合开口销的安装位置和拍摄角度的特点根据开口销头部和尾部信息制定，依据开口销在实际服役环境中的缺陷严重程度将开口销的状态划分为缺失，松脱和正常三个等级。
CN202311290569.1A 2023-10-08 2023-10-08 一种高速铁路接触网紧固件开口销健康状态检测方法 Pending CN117372677A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311290569.1A CN117372677A (zh) 2023-10-08 2023-10-08 一种高速铁路接触网紧固件开口销健康状态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311290569.1A CN117372677A (zh) 2023-10-08 2023-10-08 一种高速铁路接触网紧固件开口销健康状态检测方法

Publications (1)

Publication Number Publication Date
CN117372677A true CN117372677A (zh) 2024-01-09

Family

ID=89406947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311290569.1A Pending CN117372677A (zh) 2023-10-08 2023-10-08 一种高速铁路接触网紧固件开口销健康状态检测方法

Country Status (1)

Country Link
CN (1) CN117372677A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117584136A (zh) * 2024-01-18 2024-02-23 泰山学院 基于人工智能的机器人故障检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117584136A (zh) * 2024-01-18 2024-02-23 泰山学院 基于人工智能的机器人故障检测方法及系统
CN117584136B (zh) * 2024-01-18 2024-03-29 泰山学院 基于人工智能的机器人故障检测方法及系统

Similar Documents

Publication Publication Date Title
CN110059631B (zh) 接触网非接触式监测缺陷识别方法
Mittal et al. Vision based railway track monitoring using deep learning
CN110674861B (zh) 一种输变电巡检图像智能分析方法及装置
EP2697738B1 (en) Method and system of rail component detection using vision technology
CN111489339B (zh) 高速铁路定位器螺栓备母缺陷的检测方法
TW202013252A (zh) 車牌辨識系統與方法
CN110254468A (zh) 一种轨道表面缺陷智能在线检测装置及检测方法
CN109409404A (zh) 一种基于深度学习的高铁接触网防风拉线故障检测方法
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
CN103745224A (zh) 基于图像的铁路接触网鸟窝异常情况检测方法
CN117372677A (zh) 一种高速铁路接触网紧固件开口销健康状态检测方法
CN112801972A (zh) 一种桥梁缺陷检测方法、设备、系统及存储介质
CN102538762A (zh) 一种高铁接触网在线巡检装置、巡检方法以及其构成的高铁接触网检测系统
CN111598855B (zh) 一种基于深度学习和迁移学习的2c设备高铁接触网吊弦缺陷检测方法
CN113298059A (zh) 受电弓异物入侵检测方法、装置、计算机设备、系统及存储介质
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
CN111605578A (zh) 一种用无人机搭载3d设备的铁路轨道巡检方法
CN111561967A (zh) 弓网运行状态实时在线检测方法及系统
CN111080613A (zh) 一种铁路货车浴盆破损故障图像识别方法
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
CN111539421A (zh) 基于深度学习的铁路机车车号的识别方法
Liu et al. An improved faster R-CNN for UAV-based catenary support device inspection
CN112184624A (zh) 一种基于深度学习的图片检测方法及系统
CN111091553A (zh) 一种挡键丢失检测方法
CN113012113B (zh) 一种高铁接触网供电设备螺栓松动自动检测方法

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