CN117372765A - 一种基于ai及ncc的列车车轮踏面擦伤在线检测方法 - Google Patents
一种基于ai及ncc的列车车轮踏面擦伤在线检测方法 Download PDFInfo
- Publication number
- CN117372765A CN117372765A CN202311350653.8A CN202311350653A CN117372765A CN 117372765 A CN117372765 A CN 117372765A CN 202311350653 A CN202311350653 A CN 202311350653A CN 117372765 A CN117372765 A CN 117372765A
- Authority
- CN
- China
- Prior art keywords
- scratch
- tread
- detection
- network
- ncc
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 230000007547 defect Effects 0.000 claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 238000005299 abrasion Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000013473 artificial intelligence Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000006748 scratching Methods 0.000 claims description 2
- 230000002393 scratching effect Effects 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06V10/70—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/77—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (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)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种基于AI及NCC的列车车轮踏面擦伤在线检测方法,其包括如下步骤:步骤一、拍照及上传图片;提供检测装置,所述检测装置包括主控装置及两检测模组,所述检测模组拍摄车轮图片并上传至主控装置上,所述主控装置传输及存储相机拍摄的踏面图片;步骤二、图片预处理;所述主控装置内设置有图像预处理模块及擦伤检测模块,所述图像预处理模块在拍摄的照片中寻出踏面待测区域图;步骤三、采用AI学习网络检测擦伤;步骤四、采用NCC相似度匹配算法对擦伤进行二次确认,获取真实擦伤区域;本发明的方法可在列车动态运行时,自动检测车轮踏面上的擦伤、剥离等缺陷;并可将检测覆盖率提高到100%,增加车轮踏面上擦伤的识别度及检测的精确度。
Description
技术领域
本发明涉及一种列车车轮踏面擦伤检测方法,尤其涉及一种基于AI和NCC算法的列车车轮踏面擦伤的图像动态检测方法。
背景技术
轮对是列车最重要的部件之一,轮对的好坏直接影响列车的行车安全,列车轮对踏面的缺陷包括踏面擦伤和踏面剥离,这些缺陷在列车运行中会带来额外的冲击振动,严重影响列车的行驶安全以及轨道设施的使用寿命,所以如何准确的检测出列车轮对踏面的缺陷是列车发展中急需解决的检测技术问题。
目前业内采用的接触式检测系统,通常为采用相机拍摄图像辅助人员分析判断。列车经过检测设备时,对每个车轮进行12次拍照,再根据拍照得到的照片分析车轮踏面缺陷。然而,该种图像检测踏面缺陷,往往不能清楚的区分缺陷和踏面脏污,误报率极高。
发明内容
为此,本发明的目的在于提供一种基于AI及NCC的列车车轮踏面擦伤在线检测方法。
一种基于AI及NCC的列车车轮踏面擦伤在线检测方法,其包括如下步骤:
步骤一、拍照及上传图片;提供检测装置,所述检测装置包括主控装置及两检测模组,两所述检测模组分别设置于轨道的两外侧,两检测模组信号连接于主控装置上;所述检测模组拍摄车轮图片并上传至主控装置上,所述主控装置传输及存储相机拍摄的踏面图片;所述检测模组包括多个检测组件,所述检测组件包括触发装置、线光源及相机,所述触发装置设置于轨道内侧,线光源及相机均设置于轨道外侧,且相机设置于线光源的内侧;同一检测组件中的相机与线光源在同一水平线上,而触发装置则设置于列车前进方向的前端,当车轮行进到位触发装置的位置时,引起触发装置触发,点亮线光源,线光源光线以低角度照到车轮踏面上,并对踏面上的缺陷呈现出明显的特征,同时,相机对车轮踏面进行拍照;
步骤二、图片预处理;所述主控装置内设置有主控模块,所述主控模块包括图像预处理模块及擦伤检测模块,所述图像预处理模块在相机拍摄的照片中的寻找车轮踏面的特征,再利用寻找到的特征确定踏面区域的范围,然后将踏面区域从整个图像中剪切出来,形成踏面待测区域图;
步骤三、检测疑似擦伤区域;所述擦伤检测模块对踏面待测区域图片采用AI学习网络检测擦伤;所述AI学习网络分为踏面擦伤缺陷分割网络和踏面擦伤缺陷分类网络,其中,缺陷分割网络在踏面检测区域图上找出疑似擦伤区域,而缺陷分类网络对疑似区域进行精确分类并准确判断出其中的真实擦伤以及擦伤的种类;
步骤四、获取真实擦伤区域;在使用人工智能学习网络获得缺陷区域后,使用NCC相似度匹配算法擦伤二次确认,获取真实的擦伤区域;NCC相似度匹配算法检测擦伤时,通过如下公式判断图片中是否存在擦伤:
假设两幅进行匹配计算的图像中的擦伤模板图像为I,待测图像为Q,大小为n×l;利用相关系数公式F计算实时图和基准图之间的相关系数,得到相关系数矩阵e(x,y),通过对相关系数矩阵的分析,判断待测图像是否有与模板图像相关的部分;利用相关系数公式函数F主要用于计算模板与待测图像的相关系数,其基础公式可使用如下公式:
公式中的X,Y分别表示两个图片,Cov(X,Y)表示两个图片的协方差,Var(X)表示X自身的方差;当r(X,Y)越接近1,说明两个图片越相似。
进一步地,所述缺陷分割网络需依次经缺陷收集、擦伤区域标注及训练网络形;其中,缺陷收集为将现场真实擦伤图片进行收集,将收集后擦伤区域标注;然后训练网络形成完整的缺陷分割网络。
进一步地,而所述缺陷分类网络需依次经踏面图片收集、疑似区域标注、对误报和擦伤分类及训练网络;从而形成完整的缺陷分类网络。
进一步地,在误报存在的情况下,还具有纠正路径,即将误报图片重新进行训练,得到新的网络,再对检测部分分割算法和分类算法进行更新。
进一步地,当在缺陷分割网络发现误报时,先收集误报的缺陷图片,对误报区域进行标注、重新进行网络训练,得到新的缺陷分割网络。
进一步地,当在缺陷分类网络分类后发现有误报,则收集误报图片,在误报区域标注、对擦伤和误报进行分类;然后训练出新的缺陷分类网络。
进一步地,采用NCC相似度匹配算法前,需先制作擦伤模板,人工手动将真实擦伤进行分类,再按照不同类别的擦伤分别制作模板;再将人工智能学习网络模块检测出来的缺陷使用NCC相似度匹配算法将其与事先准备好的模板进行对比,进行二次判断。
进一步地,在轨道的左右两外侧各设置有十组检测模组,每一侧的检测模组按照固定的间距排序,将十个相机拍摄的图片合并起来,即可形成一个完整的车轮踏面。
综上所述,本发明的通过采用AI及NCC算法对列车车轮踏面擦伤、剥离等缺陷进行在线检测,不仅检测简便,减少了人工检修的难度;且在进行踏面拍摄时,拍摄区域可达到百分百,增加车轮踏面上擦伤的识别度。其中,由于缺陷分割网络和缺陷分类网络使用的训练数据和图片来自多个现场,擦伤多样性非常丰富,具有一定的泛化性,较高的灵敏度,会产生误报;而NCC模板来自部署的现场,对部署现场的擦伤误报具有较高的辨识度,能够检测出误报;可提高检测覆盖率到100%,实用性强,具有较强的推广意义。
附图说明
图1为本发明一种基于AI及NCC的列车车轮踏面擦伤在线检测方法所采用检测装置的结构示意图;
图2为图1中单侧检测模组的结构示意图;
图3为图2中检测组件的侧面示意图;
图4为图3中相机、线光源与车轮的侧面位置示意图;
图5为图3中相机、线光源与车轮的俯视示意图;
图6为本发明的流程示意图;
图7为图6中缺陷分割网络及缺陷分类网络的流程示意图;
图8为具有误报纠正步骤的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
本发明提供一种基于AI及NCC的列车车轮踏面擦伤在线检测方法,所述的一种基于AI及NCC的列车车轮踏面擦伤在线检测方法具体包括如下步骤:
步骤一、拍照及上传图片;提供检测装置,所述检测装置包括主控装置10及两检测模组20,两所述检测模组20分别设置于轨道的两外侧,两检测模组20信号连接于主控装置10上。所述检测模组20用于拍摄车轮图片并上传至主控装置10上,所述主控装置10用于传输及存储相机213拍摄的踏面图片。
所述检测模组20包括多个检测组件21,所述检测组件21包括触发装置211、线光源212及相机213,所述触发装置211设置于轨道内侧,线光源212及相机213均设置于轨道外侧,且相机213设置于线光源212的内侧。同一检测组件21中的相机213与线光源212在同一水平线上,而触发装置211则设置于列车前进方向的前端,该种设计的原因是为了让车轮触发检测装置时,车轮位于相机213和线光源212的前方较远处,线光源212的光斑和相机213视野可以覆盖更大的范围。
在本实施例中,所述触发装置211为磁钢。所述线光源212的出光线位于相机213拍摄的正中间位置,相机213的拍摄角度a为36度,所述相机213的中心位置与轨平面的角度b为49.12度。在俯视方向,相机与轨道的角度c为19度,此外,所述相机213使用彩色相机,上述相机213、线光源212和车轮100处在一个最佳的位置,从而可使擦伤与误报的具有较大的特征差异。
当车轮100行进到位触发装置211的位置时,引起磁钢触发,点亮线光源212,线光源212光线以低角度照到车轮踏面上,亮度均匀,并对踏面上的缺陷呈现出明显的特征,同时,相机213对车轮踏面进行拍照。由于线光源212具有亮度大且在光源光斑范围内亮度均匀;而相机313位于车轮的列车前进方向的前端,故相机313拍摄的是车轮踏面的正面图。当相机313配合线光源212对弧形车轮踏面进行拍照,能够将缺陷的特征拍摄清楚,极利于后期图片提取。
当线光源212亮起的时候,由于踏面长期在轨平面运行,摩擦良久,很光滑。根据镜面反射原理,踏面上的光线大部分被反射到踏面右侧,难以进入相机;因此在拍到的图像中踏面较暗。当踏面上有缺陷或擦伤等情况时,由于缺陷或擦伤的部分非常粗糙,形成光线的漫反射,所有光线不会因镜面反射被反射到车轮的右侧,而是均匀的向四周反射,进入相机中的光线较多。因此,拍到的图像上踏面上有缺陷或擦伤的地方较亮,与正常的较暗的踏面成鲜明的对比。本实施例中,在轨道的左右两外侧各设置有十组检测模组20,每一侧的检测模组20按照固定的间距排序,将十个相机213拍摄的图片合并起来,即可形成一个完整的车轮踏面,覆盖率达100%。
步骤二、图片预处理;所述主控装置10内设置有主控模块,所述主控模块包括图像预处理模块及擦伤检测模块,所述图像预处理模块在相机213拍摄的照片(包含了车轮100其他区域如轮缘、轮轴和其他列车部件的图像)中的寻找车轮踏面的特征,再利用寻找到的特征确定踏面区域的范围,然后将踏面区域从整个图像中剪切出来,形成踏面待测区域图。
步骤三、检测疑似擦伤区域;所述踏面擦伤检测模块对踏面待测区域图片进行擦伤检测;其采用AI(Artificial Intelligence,人工智能)学习网络检测擦伤和NCC(Normalized Cross Correlation,归一化互相关)相似度匹配算法擦伤二次确认。而所述AI学习网络分为踏面擦伤缺陷分割网络和踏面擦伤缺陷分类网络,其中,缺陷分割网络用于在踏面检测区域图上,找出疑似擦伤区域,而缺陷分类网络用于对疑似区域进行精确分类,并准确判断出其中的真实擦伤以及擦伤的种类。
所述缺陷分割网络需依次经缺陷收集、擦伤区域标注及训练网络;其中,缺陷收集为将现场真实擦伤图片进行收集,将收集后擦伤区域标注;然后训练网络形成完整的缺陷分割网络。而所述缺陷分类网络则需依次经踏面图片收集、疑似区域标注、对误报和擦伤分类及训练网络;从而形成完整的缺陷分类网络;其中,在前期无误报信息时可以借用其他现场的误报信息来使用,等当前现场出现误报后在使用当前现场误报信息替换其他现场的误报信息;误报可以分类为光斑、污渍和水渍等;擦伤可分类为链式擦伤、脱落、剥离等。
缺陷分割网络和缺陷分类网络使用的训练数据和图片来自多个现场,擦伤多样性非常丰富,具有一定的泛化性,较高的灵敏度,但会产生误报。在误报存在的情况下,此方法存在纠正路径,即将误报图片重新进行训练,得到新的网络,再对检测部分分割算法和分类算法进行更新,从而提高准确率。具体地,当在缺陷分割网络发现误报时,收集误报的缺陷图片,对误报区域进行标注重新进行网络训练,得到新的缺陷分割网络。而若是在缺陷分类网络分类后发现有误报,则收集误报图片,在误报区域标注、对擦伤和误报进行分类;然后训练出新的缺陷分类网络。
步骤四、获取真实擦伤区域;在使用人工智能学习网络获得缺陷区域后,使用归一化互相关相似度模板匹配进行再次确认,从而获取真实的擦伤区域。采用NCC相似度匹配算法前需先制作擦伤模板,先人工手动将真实擦伤进行分类,再按照不同类别的擦伤分别制作模板,保证每个类别擦伤精确识别。将人工智能学习网络模块检测出来的缺陷使用相似度模板匹配算法将其与事先准备好的模板进行对比,进行二次判断。其中,NCC相似度匹配算法检测擦伤时,通过如下公式判断图片中是否存在擦伤:
假设两幅进行匹配计算的图像中的擦伤模板图像为I,待测图像为Q,大小为N×L。利用相关系数公式F计算实时图和基准图之间的相关系数,得到相关系数矩阵e(x,y),通过对相关系数矩阵的分析,判断待测图像是否有与模板图像相关的部分。利用相关系数公式函数F主要用于计算模板与待测图像的相关系数,其基础公式可使用如下公式:
此公式可按照部署现场情况确定或修改。公式中的X,Y分别表示两个图片,Cov(X,Y)表示两个图片的协方差,Var(X)表示X自身的方差。当r(X,Y)越接近1,说明两个图片越相似。其中;NCC相似度匹配算法模块的模板来自部署现场的真实擦伤,对部署现场的擦伤误报具有较高的辨识度,能够检测出误报。
此外,还包括一信息输出模块,所述信息输出模块可将擦伤的位置、面积、长度等信息实时输出。
综上所述,本发明的通过采用AI及NCC算法对列车车轮踏面擦伤、剥离等缺陷进行在线检测,不仅检测简便,减少了人工检修的难度;且在进行踏面拍摄时,拍摄区域可达到百分百,增加车轮踏面上擦伤的识别度。其中,由于缺陷分割网络和缺陷分类网络使用的训练数据和图片来自多个现场,擦伤多样性非常丰富,具有一定的泛化性,较高的灵敏度,会产生误报;而NCC模板来自部署的现场,对部署现场的擦伤误报具有较高的辨识度,能够检测出误报;可提高检测覆盖率到100%,实用性强,具有较强的推广意义。
以上所述实施例仅表达了本发明的一种实施方式,其描述较为具体和详细,但并不因此而理解为对本发明专利范围的限制,应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围,因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于AI及NCC的列车车轮踏面擦伤在线检测方法,其特征在于:包括如下步骤:
步骤一、拍照及上传图片;提供检测装置,所述检测装置包括主控装置及两检测模组,两所述检测模组分别设置于轨道的两外侧,两检测模组信号连接于主控装置上;所述检测模组拍摄车轮图片并上传至主控装置上,所述主控装置传输及存储相机拍摄的踏面图片;所述检测模组包括多个检测组件,所述检测组件包括触发装置、线光源及相机,所述触发装置设置于轨道内侧,线光源及相机均设置于轨道外侧,且相机设置于线光源的内侧;同一检测组件中的相机与线光源在同一水平线上,而触发装置则设置于列车前进方向的前端,当车轮行进到位触发装置的位置时,引起触发装置触发,点亮线光源,线光源光线以低角度照到车轮踏面上,并对踏面上的缺陷呈现出明显的特征,同时,相机对车轮踏面进行拍照;
步骤二、图片预处理;所述主控装置内设置有主控模块,所述主控模块包括图像预处理模块及擦伤检测模块,所述图像预处理模块在相机拍摄的照片中的寻找车轮踏面的特征,再利用寻找到的特征确定踏面区域的范围,然后将踏面区域从整个图像中剪切出来,形成踏面待测区域图;
步骤三、检测疑似擦伤区域;所述擦伤检测模块对踏面待测区域图片采用AI学习网络检测擦伤;所述AI学习网络分为踏面擦伤缺陷分割网络和踏面擦伤缺陷分类网络,其中,缺陷分割网络在踏面检测区域图上找出疑似擦伤区域,而缺陷分类网络对疑似区域进行精确分类并准确判断出其中的真实擦伤以及擦伤的种类;
步骤四、获取真实擦伤区域;在使用人工智能学习网络获得缺陷区域后,使用NCC相似度匹配算法擦伤二次确认,获取真实的擦伤区域;NCC相似度匹配算法检测擦伤时,通过如下公式判断图片中是否存在擦伤:
假设两幅进行匹配计算的图像中的擦伤模板图像为I,待测图像为Q,大小为n×l;利用相关系数公式F计算实时图和基准图之间的相关系数,得到相关系数矩阵e(x,y),通过对相关系数矩阵的分析,判断待测图像是否有与模板图像相关的部分;利用相关系数公式函数F主要用于计算模板与待测图像的相关系数,其基础公式可使用如下公式:
公式中的X,Y分别表示两个图片,Cov(X,Y)表示两个图片的协方差,Var(X)表示X自身的方差;当r(X,Y)越接近1,说明两个图片越相似。
2.如权利要求1所述的一种基于AI及NCC的列车车轮踏面擦伤在线检测方法,其特征在于:所述缺陷分割网络需依次经缺陷收集、擦伤区域标注及训练网络形;其中,缺陷收集为将现场真实擦伤图片进行收集,将收集后擦伤区域标注;然后训练网络形成完整的缺陷分割网络。
3.如权利要求2所述的一种基于AI及NCC的列车车轮踏面擦伤在线检测方法,其特征在于:而所述缺陷分类网络需依次经踏面图片收集、疑似区域标注、对误报和擦伤分类及训练网络;从而形成完整的缺陷分类网络。
4.如权利要求3所述的一种基于AI及NCC的列车车轮踏面擦伤在线检测方法,其特征在于:在误报存在的情况下,还具有纠正路径,即将误报图片重新进行训练,得到新的网络,再对检测部分分割算法和分类算法进行更新。
5.如权利要求4所述的一种基于AI及NCC的列车车轮踏面擦伤在线检测方法,其特征在于:当在缺陷分割网络发现误报时,先收集误报的缺陷图片,对误报区域进行标注、重新进行网络训练,得到新的缺陷分割网络。
6.如权利要求4所述的一种基于AI及NCC的列车车轮踏面擦伤在线检测方法,其特征在于:当在缺陷分类网络分类后发现有误报,则收集误报图片,在误报区域标注、对擦伤和误报进行分类;然后训练出新的缺陷分类网络。
7.如权利要求1所述的一种基于AI及NCC的列车车轮踏面擦伤在线检测方法,其特征在于:采用NCC相似度匹配算法前,需先制作擦伤模板,人工手动将真实擦伤进行分类,再按照不同类别的擦伤分别制作模板;再将人工智能学习网络模块检测出来的缺陷使用NCC相似度匹配算法将其与事先准备好的模板进行对比,进行二次判断。
8.如权利要求1所述的一种基于AI及NCC的列车车轮踏面擦伤在线检测方法,其特征在于:在轨道的左右两外侧各设置有十组检测模组,每一侧的检测模组按照固定的间距排序,将十个相机拍摄的图片合并起来,即可形成一个完整的车轮踏面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311350653.8A CN117372765A (zh) | 2023-10-18 | 2023-10-18 | 一种基于ai及ncc的列车车轮踏面擦伤在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311350653.8A CN117372765A (zh) | 2023-10-18 | 2023-10-18 | 一种基于ai及ncc的列车车轮踏面擦伤在线检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372765A true CN117372765A (zh) | 2024-01-09 |
Family
ID=89405452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311350653.8A Pending CN117372765A (zh) | 2023-10-18 | 2023-10-18 | 一种基于ai及ncc的列车车轮踏面擦伤在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372765A (zh) |
-
2023
- 2023-10-18 CN CN202311350653.8A patent/CN117372765A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nguyen et al. | Automatic detection and classification of defect on road pavement using anisotropy measure | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN110246122A (zh) | 基于机器视觉的小型轴承质量检测方法、装置及系统 | |
CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法 | |
CN110910354A (zh) | 道路检测车及道路检测方法、装置 | |
CN102175692A (zh) | 织物坯布疵点快速检测系统及方法 | |
CN111239142A (zh) | 膏体外观缺陷检测设备及方法 | |
CN106872488A (zh) | 一种快速大面积透明基片双表面缺陷视觉检测方法及装置 | |
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 | |
CN116309277A (zh) | 基于深度学习的钢材检测方法及系统 | |
US20170045448A1 (en) | Apparatus of Detecting Transmittance of Trench on Infrared-Transmittable Material and Method Thereof | |
CN113657305B (zh) | 一种基于视频的黑烟车辆及林格曼黑度等级智能检测方法 | |
JPH08189904A (ja) | 表面欠陥検出装置 | |
CN111325708B (zh) | 一种输电线路检测方法和服务器 | |
CN117372765A (zh) | 一种基于ai及ncc的列车车轮踏面擦伤在线检测方法 | |
CN116091506B (zh) | 一种基于yolov5的机器视觉缺陷质检方法 | |
CN115272340B (zh) | 工业产品缺陷检测方法和装置 | |
WO2023098187A1 (zh) | 一种处理方法及处理装置、处理系统 | |
CN116645601A (zh) | 一种基于偏振镜控制的道路积水检测方法及装置 | |
KR20190119801A (ko) | 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법 | |
TWI749714B (zh) | 瑕疵檢測方法、瑕疵分類方法及其系統 | |
CN114812403A (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
Zhang et al. | Specular reflection surface defects detection by using deep learning | |
CN114494103A (zh) | 缺陷检测方法及检测装置 | |
CN117252840B (zh) | 一种光伏阵列缺陷消除评定方法、装置及计算机设备 |
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 |