CN117409003B - 一种用于铁轨减震扣件的垫板的检测方法 - Google Patents
一种用于铁轨减震扣件的垫板的检测方法 Download PDFInfo
- Publication number
- CN117409003B CN117409003B CN202311718660.9A CN202311718660A CN117409003B CN 117409003 B CN117409003 B CN 117409003B CN 202311718660 A CN202311718660 A CN 202311718660A CN 117409003 B CN117409003 B CN 117409003B
- Authority
- CN
- China
- Prior art keywords
- backing plate
- data
- image
- defect
- pad
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000013016 damping Methods 0.000 title claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 56
- 238000012706 support-vector machine Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 230000007547 defect Effects 0.000 claims description 220
- 238000004422 calculation algorithm Methods 0.000 claims description 104
- 238000013145 classification model Methods 0.000 claims description 87
- 239000013598 vector Substances 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 28
- 238000013441 quality evaluation Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 26
- 230000002068 genetic effect Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000001303 quality assessment method Methods 0.000 claims description 17
- 238000003709 image segmentation Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000007500 overflow downdraw method Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 238000013523 data management Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000035939 shock Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/80—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
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉技术领域，具体为一种用于铁轨减震扣件的垫板的检测方法，包括以下步骤，收集铁轨减震扣件垫板的图像数据，使用直方图均衡化技术预处理图像，生成垫板图像数据集；基于所述垫板图像数据集，采用卷积神经网络进行特征提取。本发明中，采用先进的卷积神经网络和支持向量机，能够更准确地提取和分类垫板图像的关键特征，提高检测的准确性和全面性。
Description
技术领域
本发明涉及计算机视觉技术领域，尤其涉及一种用于铁轨减震扣件的垫板的检测方法。
背景技术
计算机视觉技术是一门涉及计算机系统和算法来模拟和解释人类视觉的技术领域。它关注如何通过计算机系统和图像处理算法来获取、处理、分析和理解图像或视频数据。其中，用于铁轨减震扣件的垫板的检测方法是一种针对铁路铁轨减震扣件中的垫板进行检测的技术方法。它利用计算机视觉技术来分析图像或视频数据，以检测垫板的质量和完整性，以确保减震扣件的正常运行和安全使用。
该方法的目的是自动化地检测和识别垫板的缺陷、裂纹或其他异常情况，以便及时采取维修或替换措施。通过计算机视觉技术，可以实现对垫板图像或视频的处理和分析，提取关键特征，并进行缺陷检测和分类。为了达成这一目的，通常通过边缘检测、纹理分析、形状识别、机器学习等手段进行图像处理和分析，提取关键特征并进行缺陷检测和分类。该方法实现了快速、准确、非接触式的检测过程，提高了自动化程度，减少了人为错误和干预，提高了铁路运输的可靠性、稳定性和安全性。
在现有方法中，现有方法可能更依赖于人工检测，导致效率低和易出错。往往只能对当前状态进行检测，缺乏对未来缺陷的预测能力。没有利用大数据和云计算技术，可能导致数据处理和存储能力有限。现有方法可能仅采用单一或少数几种检测算法，导致检测结果可能不够全面和准确。没有引入实时数据分析和模型优化的方法，使得系统在面对变化时反应不够灵活。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的一种用于铁轨减震扣件的垫板的检测方法。
为了实现上述目的，本发明采用了如下技术方案：一种用于铁轨减震扣件的垫板的检测方法，包括以下步骤：
S1：收集铁轨减震扣件垫板的图像数据，使用直方图均衡化技术预处理图像，生成垫板图像数据集；
S2：基于所述垫板图像数据集，采用卷积神经网络进行特征提取，使用滤波器组和池化层来捕捉垫板图像的关键特征，生成垫板特征向量库；
S3：基于所述垫板特征向量库，使用支持向量机并运用核技巧进行垫板缺陷分类，生成缺陷分类模型；
S4：基于所述缺陷分类模型和垫板图像数据集，应用YOLO或SSD物体检测算法进行缺陷定位，生成垫板缺陷位置信息；
S5：基于垫板缺陷位置信息，采用图像分割和区域分析技术进行局部质量评估，生成局部质量评估报告，所述区域分析技术具体为分水岭算法；
S6：基于所述局部质量评估报告，利用遗传算法并引入适应度函数进行潜在缺陷预测，生成潜在缺陷预测报告；
S7：基于所述潜在缺陷预测报告和缺陷分类模型，使用数据增强技术增强模型泛化能力，生成优化后的缺陷分类模型，所述数据增强技术包括旋转和缩放的；
S8：基于所述优化后的缺陷分类模型，运用云平台进行垫板数据的存储、管理和分析，引入大数据分析技术进行实时监控，生成云端垫板检测系统；
S9：基于所述云端垫板检测系统，整合所述垫板图像数据集、垫板特征向量库、缺陷分类模型、垫板缺陷位置信息、局部质量评估报告、潜在缺陷预测报告和优化后的缺陷分类模型，构建自适应算法的垫板检测系统，并引入模型融合方法。
作为本发明的进一步方案，收集铁轨减震扣件垫板的图像数据，使用直方图均衡化技术预处理图像，生成垫板图像数据集的步骤具体为：
S101：采用光源控制技术确保铁轨减震扣件垫板的图像质量，生成原始垫板图像集；
S102：基于所述原始垫板图像集，采用中值滤波算法进行图像降噪处理，生成降噪后的垫板图像集；
S103：对所述降噪后的垫板图像集进行图像增强，提升图像对比度和清晰度，生成增强后的垫板图像集；
S104：对所述增强后的垫板图像集，采用直方图均衡化技术进行图像处理，生成垫板图像数据集。
作为本发明的进一步方案，基于所述垫板图像数据集，采用卷积神经网络进行特征提取，使用滤波器组和池化层来捕捉垫板图像的关键特征，生成垫板特征向量库的步骤具体为：
S201：对垫板图像数据集进行数据预处理，以准备输入卷积神经网络，生成预处理后的垫板图像数据；
S202：基于所述预处理后的垫板图像数据，采用卷积层进行特征提取，生成垫板卷积特征图；
S203：对所述垫板卷积特征图应用池化层来减少数据维度，并突出关键特征，生成池化后的垫板特征图；
S204：对所述池化后的垫板特征图进行向量化处理，生成垫板特征向量库。
作为本发明的进一步方案，基于所述垫板特征向量库，使用支持向量机并运用核技巧进行垫板缺陷分类，生成缺陷分类模型的步骤具体为：
S301：对所述垫板特征向量库进行数据分割，划分为训练数据集和测试数据集；
S302：基于所述训练数据集，采用支持向量机进行模型训练，并选择径向基函数作为核函数，生成初步的缺陷分类模型；
S303：利用所述测试数据集对初步的缺陷分类模型进行评估和优化，得到优化建议；
S304：根据所述优化建议对模型进行调整和再次训练，生成缺陷分类模型。
作为本发明的进一步方案，基于所述缺陷分类模型和垫板图像数据集，应用YOLO或SSD物体检测算法进行缺陷定位，生成垫板缺陷位置信息的步骤具体为：
S401：对所述缺陷分类模型和垫板图像数据集进行数据融合，使用特征提取算法作为数据预处理步骤，生成融合后的垫板数据输入；
S402：基于所述融合后的垫板数据输入，采用YOLO或SSD算法，使用非极大值抑制进行缺陷定位，生成初步的垫板缺陷位置信息；
S403：对所述初步的垫板缺陷位置信息进行精度校准，使用卡尔曼滤波算法以提高缺陷定位的准确性，生成校准后的垫板缺陷位置信息；
S404：对所述校准后的垫板缺陷位置信息进行整理和归纳，使用数据聚类算法进行分类，生成垫板缺陷位置信息。
作为本发明的进一步方案，基于垫板缺陷位置信息，采用图像分割和具体为分水岭算法的区域分析技术进行局部质量评估，生成局部质量评估报告的步骤具体为：
S501：根据垫板缺陷位置信息，在垫板图像上进行局部区域选取，使用图像金字塔技术进行图像缩放和预处理，生成局部垫板图像数据；
S502：对所述局部垫板图像数据，采用分水岭算法并使用梯度矢量流进行图像分割，生成分割后的局部垫板图像；
S503：基于所述分割后的局部垫板图像，进行区域特性分析，使用灰度共生矩阵进行纹理分析，生成局部垫板特性信息；
S504：整合所述局部垫板特性信息，并使用支持向量机进行质量评级，生成局部质量评估报告。
作为本发明的进一步方案，基于所述局部质量评估报告，利用遗传算法并引入适应度函数进行潜在缺陷预测，生成潜在缺陷预测报告的步骤具体为：
S601：从所述局部质量评估报告中提取关键质量指标作为遗传算法的输入，应用随机森林特征选择算法进行优选，生成遗传算法输入数据；
S602：基于所述遗传算法输入数据，采用遗传算法并设计适应度函数，基于贝叶斯优化进行参数调整，生成潜在缺陷预测模型；
S603：利用所述潜在缺陷预测模型对未来的垫板质量进行模拟，采用蒙特卡罗方法进行模拟实验，生成模拟结果数据；
S604：基于所述模拟结果数据，使用决策树算法进行数据解读和报告生成，生成潜在缺陷预测报告。
作为本发明的进一步方案，基于所述潜在缺陷预测报告和缺陷分类模型，使用包括旋转和缩放的数据增强技术增强模型泛化能力，生成优化后的缺陷分类模型的步骤具体为：
S701：导入所述潜在缺陷预测报告和缺陷分类模型，使用随机森林算法进行特征重要性评估，生成重要特征列表；
S702：基于所述重要特征列表，采用图像旋转和缩放算法进行数据增强，生成增强后的垫板图像数据集；
S703：对所述增强后的垫板图像数据集使用支持向量机进行重新训练，生成初步优化的缺陷分类模型；
S704：对所述初步优化的缺陷分类模型使用交叉验证进行模型评估和调优，生成优化后的缺陷分类模型。
作为本发明的进一步方案，基于所述优化后的缺陷分类模型，运用云平台进行垫板数据的存储、管理和分析，引入大数据分析技术进行实时监控，生成云端垫板检测系统的步骤具体为：
S801：上传所述优化后的缺陷分类模型到云平台，采用数据分片技术进行数据存储，生成云端垫板数据存储库；
S802：基于所述云端垫板数据存储库，应用MapReduce算法进行数据管理和预处理，生成预处理后的云端垫板数据；
S803：在所述预处理后的云端垫板数据上应用实时数据流分析技术进行实时监控，生成实时监控数据流；
S804：基于所述实时监控数据流，使用时间序列分析对数据进行趋势预测。
作为本发明的进一步方案，基于所述云端垫板检测系统，整合所述垫板图像数据集、垫板特征向量库、缺陷分类模型、垫板缺陷位置信息、局部质量评估报告、潜在缺陷预测报告和优化后的缺陷分类模型，构建自适应算法的垫板检测系统，并引入模型融合方法的步骤具体为：
S901：导入所述云端垫板检测系统及垫板图像数据集、垫板特征向量库、缺陷分类模型、垫板缺陷位置信息、局部质量评估报告、潜在缺陷预测报告和优化后的缺陷分类模型，采用数据级联或数据叠加技术进行数据整合，生成整合后的垫板数据平台；
S902：在所述整合后的垫板数据平台上应用自适应算法进行系统优化，生成初步的自适应垫板检测系统；
S903：对所述初步的自适应垫板检测系统进行模型融合，采用集成学习方法提升模型性能，生成融合后的自适应垫板检测系统；
S904：对所述融合后的自适应垫板检测系统进行全面评估，采用多目标优化算法进行最终优化，生成自适应算法的垫板检测系统。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，采用先进的卷积神经网络和支持向量机，能够更准确地提取和分类垫板图像的关键特征。引入大数据和云计算技术，可以进行实时监控和分析，及时发现潜在问题。遗传算法的适应度函数能预测未来可能出现的缺陷，使得该系统具有更强的预测性和适应性。基于云平台的架构设计让这个系统更容易进行扩展，适应更多的应用场景。进行局部质量评估和潜在缺陷预测，提供了更全面的检测报告。
附图说明
图1为本发明的主步骤示意图；
图2为本发明的步骤S1细化示意图；
图3为本发明的步骤S2细化示意图；
图4为本发明的步骤S3细化示意图；
图5为本发明的步骤S4细化示意图；
图6为本发明的步骤S5细化示意图；
图7为本发明的步骤S6细化示意图；
图8为本发明的步骤S7细化示意图；
图9为本发明的步骤S8细化示意图；
图10为本发明的步骤S9细化示意图。
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。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
请参阅图1，本发明提供一种技术方案：一种用于铁轨减震扣件的垫板的检测方法，包括以下步骤：
S1：收集铁轨减震扣件垫板的图像数据，使用直方图均衡化技术预处理图像，生成垫板图像数据集；
S2：基于垫板图像数据集，采用卷积神经网络进行特征提取，使用滤波器组和池化层来捕捉垫板图像的关键特征，生成垫板特征向量库；
S3：基于垫板特征向量库，使用支持向量机并运用核技巧进行垫板缺陷分类，生成缺陷分类模型；
S4：基于缺陷分类模型和垫板图像数据集，应用YOLO或SSD物体检测算法进行缺陷定位，生成垫板缺陷位置信息；
S5：基于垫板缺陷位置信息，采用图像分割和具体为分水岭算法的区域分析技术进行局部质量评估，生成局部质量评估报告；
S6：基于局部质量评估报告，利用遗传算法并引入适应度函数进行潜在缺陷预测，生成潜在缺陷预测报告；
S7：基于潜在缺陷预测报告和缺陷分类模型，使用包括旋转和缩放的数据增强技术增强模型泛化能力，生成优化后的缺陷分类模型；
S8：基于优化后的缺陷分类模型，运用云平台进行大规模垫板数据的存储、管理和分析，引入大数据分析技术进行实时监控，生成云端垫板检测系统；
S9：基于云端垫板检测系统，整合垫板图像数据集、垫板特征向量库、缺陷分类模型、垫板缺陷位置信息、局部质量评估报告、潜在缺陷预测报告和优化后的缺陷分类模型，构建自适应算法的垫板检测系统，并引入模型融合方法。
首先，采集铁轨减震扣件垫板的图像数据，并使用直方图均衡化技术进行预处理。然后，利用卷积神经网络进行特征提取，滤波器组和池化层捕捉垫板图像的关键特征，并生成垫板特征向量库。接下来，使用支持向量机结合核技巧进行垫板缺陷分类，并生成缺陷分类模型。借助YOLO或SSD物体检测算法进行缺陷定位，精确定位垫板缺陷位置。通过图像分割和分水岭算法对局部质量进行评估，生成详细的质量评估报告。采用遗传算法进行潜在缺陷预测，提前发现潜在问题。利用数据增强技术优化缺陷分类模型的泛化能力，增强模型在不同环境和条件下的准确性。通过云平台实现大规模垫板数据的存储、管理和分析，并应用大数据分析技术实现实时监控。最后，整合各个模块构建自适应算法的垫板检测系统，并引入模型融合方法，提高检测准确性。
请参阅图2，收集铁轨减震扣件垫板的图像数据，使用直方图均衡化技术预处理图像，生成垫板图像数据集的步骤具体为：
S101：采用光源控制技术确保铁轨减震扣件垫板的图像质量，生成原始垫板图像集；
S102：基于原始垫板图像集，采用中值滤波算法进行图像降噪处理，生成降噪后的垫板图像集；
S103：对降噪后的垫板图像集进行图像增强，提升图像对比度和清晰度，生成增强后的垫板图像集；
S104：对增强后的垫板图像集，采用直方图均衡化技术进行图像处理，生成垫板图像数据集。
首先，通过光源控制技术确保图像质量，可以减少噪音和图像失真，提高图像的清晰度和准确性。其次，中值滤波算法的应用可以有效去除图像中的噪声，使得垫板图像更加清晰，有利于后续分析和处理。此外，图像增强处理技术能够改善图像的对比度和清晰度，使得垫板区域更加突出，便于进行特征提取和检测。最后，直方图均衡化技术可以增加图像的动态范围，提高垫板图像的特征表达能力，增强垫板缺陷的可见性。
请参阅图3，基于垫板图像数据集，采用卷积神经网络进行特征提取，使用滤波器组和池化层来捕捉垫板图像的关键特征，生成垫板特征向量库的步骤具体为：
S201：对垫板图像数据集进行数据预处理，以准备输入卷积神经网络，生成预处理后的垫板图像数据；
S202：基于预处理后的垫板图像数据，采用卷积层进行特征提取，生成垫板卷积特征图；
S203：对垫板卷积特征图应用池化层来减少数据维度，并突出关键特征，生成池化后的垫板特征图；
S204：对池化后的垫板特征图进行向量化处理，生成垫板特征向量库。
首先，通过数据预处理，垫板图像数据得到标准化和清洗，消除了噪声和图像变形的影响。其次，利用卷积层进行特征提取，网络可以学习到垫板图像中的局部特征，如边缘、纹理和形状，提高了图像的表征能力和判别性。接下来，应用池化层对提取的特征进行降维和突出关键特征，去除冗余信息，加强网络对重要特征的识别能力。最后，通过向量化处理，垫板特征图转化为紧凑的特征向量库，提供了垫板图像在特征空间上的综合描述，为后续的缺陷分类、定位和质量评估等任务提供了准确的输入。
请参阅图4，基于垫板特征向量库，使用支持向量机并运用核技巧进行垫板缺陷分类，生成缺陷分类模型的步骤具体为：
S301：对垫板特征向量库进行数据分割，划分为训练数据集和测试数据集；
S302：基于训练数据集，采用支持向量机进行模型训练，并选择径向基函数作为核函数，生成初步的缺陷分类模型；
S303：利用测试数据集对初步的缺陷分类模型进行评估和优化，得到优化建议；
S304：根据优化建议对模型进行调整和再次训练，生成缺陷分类模型。
首先，通过将数据集分割为训练和测试集，可以评估分类模型的泛化性能，减少过拟合的风险。其次，支持向量机作为分类器具有较强的分类能力和泛化能力，能够有效地处理高维特征向量并找到最优的决策边界。选择径向基函数作为核函数能够更好地处理非线性关系，提高分类准确性。接着，通过使用测试数据集对模型进行评估和优化，可以了解模型的性能并改进其参数和超参数，进一步提升分类性能。最后，根据优化结果调整模型并进行再次训练，生成具备优化性能的缺陷分类模型，能够更准确地对垫板缺陷进行分类和判断。
请参阅图5，基于缺陷分类模型和垫板图像数据集，应用YOLO或SSD物体检测算法进行缺陷定位，生成垫板缺陷位置信息的步骤具体为：
S401：对缺陷分类模型和垫板图像数据集进行数据融合，使用特征提取算法作为数据预处理步骤，生成融合后的垫板数据输入；
S402：基于融合后的垫板数据输入，采用YOLO或SSD算法，使用非极大值抑制进行缺陷定位，生成初步的垫板缺陷位置信息；
S403：对初步的垫板缺陷位置信息进行精度校准，使用卡尔曼滤波算法以提高缺陷定位的准确性，生成校准后的垫板缺陷位置信息；
S404：对校准后的垫板缺陷位置信息进行整理和归纳，使用数据聚类算法进行分类，生成垫板缺陷位置信息。
首先，使用缺陷分类模型和特征提取算法进行数据融合，可以提供丰富的特征信息，从而增强缺陷定位的可靠性和准确性。其次，采用YOLO或SSD算法进行缺陷定位，能够有效地识别和定位垫板上的缺陷，并使用非极大值抑制消除冗余的边界框，提供初步的缺陷位置信息。第三，在初步定位的基础上，使用卡尔曼滤波算法对缺陷位置信息进行精度校准，提高定位的准确性和稳定性。最后，通过数据整理和数据聚类算法进行分类，对校准后的垫板缺陷位置信息进行整合，实现对缺陷的自动分类和归纳。
请参阅图6，基于垫板缺陷位置信息，采用图像分割和具体为分水岭算法的区域分析技术进行局部质量评估，生成局部质量评估报告的步骤具体为：
S501：根据垫板缺陷位置信息，在垫板图像上进行局部区域选取，使用图像金字塔技术进行图像缩放和预处理，生成局部垫板图像数据；
S502：对局部垫板图像数据，采用分水岭算法并使用梯度矢量流进行图像分割，生成分割后的局部垫板图像；
S503：基于分割后的局部垫板图像，进行区域特性分析，使用灰度共生矩阵进行纹理分析，生成局部垫板特性信息；
S504：整合局部垫板特性信息，并使用支持向量机进行质量评级，生成局部质量评估报告。
首先，通过区域选取和图像缩放预处理，能够聚焦于垫板的局部区域，并提供不同分辨率的图像数据，以实现更精细的质量评估。其次，使用分水岭算法和梯度矢量流进行图像分割，能够准确划分出不同的区域，突出和分析各个区域的特征和缺陷，为质量评估提供准确的局部图像。接着，通过纹理分析和灰度共生矩阵，可以获取局部垫板图像的纹理特征，进一步详细地评估局部质量和缺陷程度。最后，整合局部垫板特性信息，并应用支持向量机进行质量评级，能够建立准确的质量评估模型，分析不同区域的综合质量等级，并生成详尽的局部质量评估报告。
请参阅图7，基于局部质量评估报告，利用遗传算法并引入适应度函数进行潜在缺陷预测，生成潜在缺陷预测报告的步骤具体为：
S601：从局部质量评估报告中提取关键质量指标作为遗传算法的输入，应用随机森林特征选择算法进行优选，生成遗传算法输入数据；
S602：基于遗传算法输入数据，采用遗传算法并设计适应度函数，基于贝叶斯优化进行参数调整，生成潜在缺陷预测模型；
S603：利用潜在缺陷预测模型对未来的垫板质量进行模拟，采用蒙特卡罗方法进行模拟实验，生成模拟结果数据；
S604：基于模拟结果数据，使用决策树算法进行数据解读和报告生成，生成潜在缺陷预测报告。
基于局部质量评估报告，利用遗传算法并引入适应度函数进行潜在缺陷预测具有多个有益效果。通过提取关键质量指标和优选特征，遗传算法能够准确而高效地生成潜在缺陷预测模型。通过贝叶斯优化进行参数调整，预测模型的性能和准确度得到提升。采用蒙特卡罗方法进行模拟实验，可以评估预测模型的准确性，并提供全面的预测分析。使用决策树算法解析模拟结果和生成潜在缺陷预测报告，有助于决策者制定相应质量管理策略。
请参阅图8，基于潜在缺陷预测报告和缺陷分类模型，使用包括旋转和缩放的数据增强技术增强模型泛化能力，生成优化后的缺陷分类模型的步骤具体为：
S701：导入潜在缺陷预测报告和缺陷分类模型，使用随机森林算法进行特征重要性评估，生成重要特征列表；
S702：基于重要特征列表，采用图像旋转和缩放算法进行数据增强，生成增强后的垫板图像数据集；
S703：对增强后的垫板图像数据集使用支持向量机进行重新训练，生成初步优化的缺陷分类模型；
S704：对初步优化的缺陷分类模型使用交叉验证进行模型评估和调优，生成优化后的缺陷分类模型。
首先，通过随机森林算法进行特征重要性评估，可以确定关键特征，为后续步骤提供指导。其次，采用图像旋转和缩放算法进行数据增强，可以增加训练数据的多样性，并改变图像的角度和尺度，从而提升模型的泛化能力和鲁棒性。第三，通过重新训练支持向量机模型，利用增强后的数据集，可以提升模型对不同图像变化的分类能力，增强缺陷分类的准确性和稳定性。最后，通过交叉验证进行模型评估和调优，能够验证模型在未见过的数据上的性能，并进一步优化模型，生成具有更好泛化能力的缺陷分类模型。综合而言，基于潜在缺陷预测报告和缺陷分类模型的数据增强和优化步骤能够提升模型的鲁棒性、准确性和泛化能力。这对于改善缺陷分类的效果和应对不同图像变化情况具有重要意义，有助于提升垫板质量管理的能力和效率。
请参阅图9，基于优化后的缺陷分类模型，运用云平台进行大规模垫板数据的存储、管理和分析，引入大数据分析技术进行实时监控，生成云端垫板检测系统的步骤具体为：
S801：上传优化后的缺陷分类模型到云平台，采用数据分片技术进行大规模数据存储，生成云端垫板数据存储库；
S802：基于云端垫板数据存储库，应用MapReduce算法进行数据管理和预处理，生成预处理后的云端垫板数据；
S803：在预处理后的云端垫板数据上应用实时数据流分析技术进行实时监控，生成实时监控数据流；
S804：基于实时监控数据流，使用时间序列分析对数据进行趋势预测。
首先，将模型上传到云平台并采用数据分片技术进行存储，可以实现高效的数据管理和存储，方便大规模垫板数据的处理。其次，通过MapReduce算法进行数据预处理，可以优化数据集，提取关键特征，为后续的分析提供更好的数据基础。第三，应用实时数据流分析技术进行实时监控，可以及时检测潜在缺陷，实现实时的质量监控和管理。最后，基于实时监控数据流进行时间序列分析，可以预测垫板质量的趋势，帮助制定及时的质量决策和改进措施。
请参阅图10，基于云端垫板检测系统，整合垫板图像数据集、垫板特征向量库、缺陷分类模型、垫板缺陷位置信息、局部质量评估报告、潜在缺陷预测报告和优化后的缺陷分类模型，构建自适应算法的垫板检测系统，并引入模型融合方法的步骤具体为：
S901：导入云端垫板检测系统及垫板图像数据集、垫板特征向量库、缺陷分类模型、垫板缺陷位置信息、局部质量评估报告、潜在缺陷预测报告和优化后的缺陷分类模型，采用数据级联或数据叠加技术进行数据整合，生成整合后的垫板数据平台；
S902：在整合后的垫板数据平台上应用自适应算法进行系统优化，生成初步的自适应垫板检测系统；
S903：对初步的自适应垫板检测系统进行模型融合，采用集成学习方法提升模型性能，生成融合后的自适应垫板检测系统；
S904：对融合后的自适应垫板检测系统进行全面评估，采用多目标优化算法进行最终优化，生成自适应算法的垫板检测系统。
整合垫板图像数据集、垫板特征向量库、缺陷分类模型等资源，构建了丰富的垫板数据平台，为系统优化和模型融合提供了可靠的数据基础。应用自适应算法进行系统优化，使垫板检测系统能够适应不同的检测场景和环境，提升了检测性能和鲁棒性。通过模型融合方法，综合多个模型的预测结果，提高了整体模型的准确性和可靠性。最终，采用多目标优化算法对系统进行全面评估和最终优化，使垫板检测系统在各个性能指标下达到最佳状态。
工作原理：
收集铁轨减震扣件垫板的图像数据，并使用直方图均衡化技术对图像进行预处理，生成垫板图像数据集。利用卷积神经网络(CNN)对垫板图像数据集进行特征提取。通过使用滤波器组和池化层来捕捉垫板图像的关键特征，生成垫板特征向量库。使用支持向量机(SVM)并运用核技巧对垫板缺陷进行分类，生成缺陷分类模型。运用YOLO或SSD物体检测算法对垫板图像数据集进行缺陷定位，生成垫板缺陷位置信息。使用图像分割和分水岭算法等技术对垫板缺陷区域进行局部质量评估，生成局部质量评估报告。使用遗传算法并引入适应度函数对潜在缺陷进行预测，生成潜在缺陷预测报告。利用数据增强技术对缺陷分类模型进行优化，提高模型的泛化能力和准确性。使用云平台进行大规模垫板数据的存储、管理和分析，并引入大数据分析技术进行实时监控，生成云端垫板检测系统。整合垫板图像数据集、垫板特征向量库、缺陷分类模型、垫板缺陷位置信息、局部质量评估报告、潜在缺陷预测报告和优化后的缺陷分类模型，构建自适应算法的垫板检测系统，并引入模型融合方法来提升整个系统的性能。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (7)
1.一种用于铁轨减震扣件的垫板的检测方法，其特征在于，包括以下步骤：
收集铁轨减震扣件垫板的图像数据，使用直方图均衡化技术预处理图像，生成垫板图像数据集；
基于所述垫板图像数据集，采用卷积神经网络进行特征提取，使用滤波器组和池化层来捕捉垫板图像的关键特征，生成垫板特征向量库；
基于所述垫板特征向量库，使用支持向量机并运用核技巧进行垫板缺陷分类，生成缺陷分类模型；
基于所述缺陷分类模型和垫板图像数据集，应用YOLO或SSD物体检测算法进行缺陷定位，生成垫板缺陷位置信息；
基于垫板缺陷位置信息，采用图像分割和区域分析技术进行局部质量评估，生成局部质量评估报告，所述区域分析技术具体为分水岭算法；
基于所述局部质量评估报告，利用遗传算法并引入适应度函数进行潜在缺陷预测，生成潜在缺陷预测报告；
基于所述潜在缺陷预测报告和缺陷分类模型，使用数据增强技术增强模型泛化能力，生成优化后的缺陷分类模型，所述数据增强技术包括旋转和缩放；
基于所述优化后的缺陷分类模型，运用云平台进行垫板数据的存储、管理和分析，引入大数据分析技术进行实时监控，生成云端垫板检测系统；
基于所述云端垫板检测系统，整合所述垫板图像数据集、垫板特征向量库、缺陷分类模型、垫板缺陷位置信息、局部质量评估报告、潜在缺陷预测报告和优化后的缺陷分类模型，构建自适应算法的垫板检测系统，并引入模型融合方法；
基于垫板缺陷位置信息，采用图像分割和具体为分水岭算法的区域分析技术进行局部质量评估，生成局部质量评估报告的步骤具体为：
根据垫板缺陷位置信息，在垫板图像上进行局部区域选取，使用图像金字塔技术进行图像缩放和预处理，生成局部垫板图像数据；
对所述局部垫板图像数据，采用分水岭算法并使用梯度矢量流进行图像分割，生成分割后的局部垫板图像；
基于所述分割后的局部垫板图像，进行区域特性分析，使用灰度共生矩阵进行纹理分析，生成局部垫板特性信息；
整合所述局部垫板特性信息，并使用支持向量机进行质量评级，生成局部质量评估报告；
基于所述局部质量评估报告，利用遗传算法并引入适应度函数进行潜在缺陷预测，生成潜在缺陷预测报告的步骤具体为：
从所述局部质量评估报告中提取关键质量指标作为遗传算法的输入，应用随机森林特征选择算法进行优选，生成遗传算法输入数据；
基于所述遗传算法输入数据，采用遗传算法并设计适应度函数，基于贝叶斯优化进行参数调整，生成潜在缺陷预测模型；
利用所述潜在缺陷预测模型对未来的垫板质量进行模拟，采用蒙特卡罗方法进行模拟实验，生成模拟结果数据；
基于所述模拟结果数据，使用决策树算法进行数据解读和报告生成，生成潜在缺陷预测报告；
基于所述云端垫板检测系统，整合所述垫板图像数据集、垫板特征向量库、缺陷分类模型、垫板缺陷位置信息、局部质量评估报告、潜在缺陷预测报告和优化后的缺陷分类模型，构建自适应算法的垫板检测系统，并引入模型融合方法的步骤具体为：
导入所述云端垫板检测系统及垫板图像数据集、垫板特征向量库、缺陷分类模型、垫板缺陷位置信息、局部质量评估报告、潜在缺陷预测报告和优化后的缺陷分类模型，采用数据级联或数据叠加技术进行数据整合，生成整合后的垫板数据平台；
在所述整合后的垫板数据平台上应用自适应算法进行系统优化，生成初步的自适应垫板检测系统；
对所述初步的自适应垫板检测系统进行模型融合，采用集成学习方法提升模型性能，生成融合后的自适应垫板检测系统；
对所述融合后的自适应垫板检测系统进行全面评估，采用多目标优化算法进行最终优化，生成自适应算法的垫板检测系统。
2.根据权利要求1所述的用于铁轨减震扣件的垫板的检测方法，其特征在于，收集铁轨减震扣件垫板的图像数据，使用直方图均衡化技术预处理图像，生成垫板图像数据集的步骤具体为：
采用光源控制技术确保铁轨减震扣件垫板的图像质量，生成原始垫板图像集；
基于所述原始垫板图像集，采用中值滤波算法进行图像降噪处理，生成降噪后的垫板图像集；
对所述降噪后的垫板图像集进行图像增强，提升图像对比度和清晰度，生成增强后的垫板图像集；
对所述增强后的垫板图像集，采用直方图均衡化技术进行图像处理，生成垫板图像数据集。
3.根据权利要求1所述的用于铁轨减震扣件的垫板的检测方法，其特征在于，基于所述垫板图像数据集，采用卷积神经网络进行特征提取，使用滤波器组和池化层来捕捉垫板图像的关键特征，生成垫板特征向量库的步骤具体为：
对垫板图像数据集进行数据预处理，以准备输入卷积神经网络，生成预处理后的垫板图像数据；
基于所述预处理后的垫板图像数据，采用卷积层进行特征提取，生成垫板卷积特征图；
对所述垫板卷积特征图应用池化层来减少数据维度，并突出关键特征，生成池化后的垫板特征图；
对所述池化后的垫板特征图进行向量化处理，生成垫板特征向量库。
4.根据权利要求1所述的用于铁轨减震扣件的垫板的检测方法，其特征在于，基于所述垫板特征向量库，使用支持向量机并运用核技巧进行垫板缺陷分类，生成缺陷分类模型的步骤具体为：
对所述垫板特征向量库进行数据分割，划分为训练数据集和测试数据集；
基于所述训练数据集，采用支持向量机进行模型训练，并选择径向基函数作为核函数，生成初步的缺陷分类模型；
利用所述测试数据集对初步的缺陷分类模型进行评估和优化，得到优化建议；
根据所述优化建议对模型进行调整和再次训练，生成缺陷分类模型。
5.根据权利要求1所述的用于铁轨减震扣件的垫板的检测方法，其特征在于，基于所述缺陷分类模型和垫板图像数据集，应用YOLO或SSD物体检测算法进行缺陷定位，生成垫板缺陷位置信息的步骤具体为：
对所述缺陷分类模型和垫板图像数据集进行数据融合，使用特征提取算法作为数据预处理步骤，生成融合后的垫板数据输入；
基于所述融合后的垫板数据输入，采用YOLO或SSD算法，使用非极大值抑制进行缺陷定位，生成初步的垫板缺陷位置信息；
对所述初步的垫板缺陷位置信息进行精度校准，使用卡尔曼滤波算法以提高缺陷定位的准确性，生成校准后的垫板缺陷位置信息；
对所述校准后的垫板缺陷位置信息进行整理和归纳，使用数据聚类算法进行分类，生成垫板缺陷位置信息。
6.根据权利要求1所述的用于铁轨减震扣件的垫板的检测方法，其特征在于，基于所述潜在缺陷预测报告和缺陷分类模型，使用包括旋转和缩放的数据增强技术增强模型泛化能力，生成优化后的缺陷分类模型的步骤具体为：
导入所述潜在缺陷预测报告和缺陷分类模型，使用随机森林算法进行特征重要性评估，生成重要特征列表；
基于所述重要特征列表，采用图像旋转和缩放算法进行数据增强，生成增强后的垫板图像数据集；
对所述增强后的垫板图像数据集使用支持向量机进行重新训练，生成初步优化的缺陷分类模型；
对所述初步优化的缺陷分类模型使用交叉验证进行模型评估和调优，生成优化后的缺陷分类模型。
7.根据权利要求1所述的用于铁轨减震扣件的垫板的检测方法，其特征在于，基于所述优化后的缺陷分类模型，运用云平台进行垫板数据的存储、管理和分析，引入大数据分析技术进行实时监控，生成云端垫板检测系统的步骤具体为：
上传所述优化后的缺陷分类模型到云平台，采用数据分片技术进行数据存储，生成云端垫板数据存储库；
基于所述云端垫板数据存储库，应用MapReduce算法进行数据管理和预处理，生成预处理后的云端垫板数据；
在所述预处理后的云端垫板数据上应用实时数据流分析技术进行实时监控，生成实时监控数据流；
基于所述实时监控数据流，使用时间序列分析对数据进行趋势预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311718660.9A CN117409003B (zh) | 2023-12-14 | 2023-12-14 | 一种用于铁轨减震扣件的垫板的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311718660.9A CN117409003B (zh) | 2023-12-14 | 2023-12-14 | 一种用于铁轨减震扣件的垫板的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117409003A CN117409003A (zh) | 2024-01-16 |
| CN117409003B true CN117409003B (zh) | 2024-02-20 |
Family
ID=89487459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311718660.9A Active CN117409003B (zh) | 2023-12-14 | 2023-12-14 | 一种用于铁轨减震扣件的垫板的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409003B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118314569B (zh) * | 2024-06-07 | 2024-08-20 | 浙江天演维真网络科技股份有限公司 | 农产品成熟度识别方法、装置、设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013254286A (ja) * | 2012-06-06 | 2013-12-19 | Dainippon Screen Mfg Co Ltd | 欠陥画像の提示方法 |
| CN110232675A (zh) * | 2019-03-28 | 2019-09-13 | 昆明理工大学 | 一种工业环境下的纹理表面缺陷检测与分割装置及方法 |
| CN110796643A (zh) * | 2019-10-18 | 2020-02-14 | 四川大学 | 一种铁轨扣件缺陷检测方法和系统 |
| CN111080597A (zh) * | 2019-12-12 | 2020-04-28 | 西南交通大学 | 一种基于深度学习的轨道扣件缺陷识别算法 |
| CN111145175A (zh) * | 2020-01-10 | 2020-05-12 | 惠州光弘科技股份有限公司 | 一种基于iForest模型验证的SMT焊点缺陷检测方法 |
| CN112418538A (zh) * | 2020-11-30 | 2021-02-26 | 武汉科技大学 | 一种基于随机森林分类的连铸坯夹杂预测方法 |
| CN116757990A (zh) * | 2023-01-09 | 2023-09-15 | 河南省科学院应用物理研究所有限公司 | 基于机器视觉的铁路扣件缺陷在线检测与识别方法 |
| CN116927006A (zh) * | 2023-09-14 | 2023-10-24 | 四川宏亿复合材料工程技术有限公司 | 一种用于铁轨减震扣件的垫板 |
| CN117095005A (zh) * | 2023-10-20 | 2023-11-21 | 山东龙拓新材料有限公司 | 一种基于机器视觉的塑料母粒质检方法及系统 |
| CN117115147A (zh) * | 2023-10-19 | 2023-11-24 | 山东华盛创新纺织科技有限公司 | 一种基于机器视觉的纺织品检测方法及系统 |
| CN117171661A (zh) * | 2023-11-03 | 2023-12-05 | 山东鸿远新材料科技股份有限公司 | 一种化工厂污水处理监控方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11507785B2 (en) * | 2020-04-30 | 2022-11-22 | Bae Systems Information And Electronic Systems Integration Inc. | Anomaly detection system using multi-layer support vector machines and method thereof |
-
2023
- 2023-12-14 CN CN202311718660.9A patent/CN117409003B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013254286A (ja) * | 2012-06-06 | 2013-12-19 | Dainippon Screen Mfg Co Ltd | 欠陥画像の提示方法 |
| CN110232675A (zh) * | 2019-03-28 | 2019-09-13 | 昆明理工大学 | 一种工业环境下的纹理表面缺陷检测与分割装置及方法 |
| CN110796643A (zh) * | 2019-10-18 | 2020-02-14 | 四川大学 | 一种铁轨扣件缺陷检测方法和系统 |
| CN111080597A (zh) * | 2019-12-12 | 2020-04-28 | 西南交通大学 | 一种基于深度学习的轨道扣件缺陷识别算法 |
| CN111145175A (zh) * | 2020-01-10 | 2020-05-12 | 惠州光弘科技股份有限公司 | 一种基于iForest模型验证的SMT焊点缺陷检测方法 |
| CN112418538A (zh) * | 2020-11-30 | 2021-02-26 | 武汉科技大学 | 一种基于随机森林分类的连铸坯夹杂预测方法 |
| CN116757990A (zh) * | 2023-01-09 | 2023-09-15 | 河南省科学院应用物理研究所有限公司 | 基于机器视觉的铁路扣件缺陷在线检测与识别方法 |
| CN116927006A (zh) * | 2023-09-14 | 2023-10-24 | 四川宏亿复合材料工程技术有限公司 | 一种用于铁轨减震扣件的垫板 |
| CN117115147A (zh) * | 2023-10-19 | 2023-11-24 | 山东华盛创新纺织科技有限公司 | 一种基于机器视觉的纺织品检测方法及系统 |
| CN117095005A (zh) * | 2023-10-20 | 2023-11-21 | 山东龙拓新材料有限公司 | 一种基于机器视觉的塑料母粒质检方法及系统 |
| CN117171661A (zh) * | 2023-11-03 | 2023-12-05 | 山东鸿远新材料科技股份有限公司 | 一种化工厂污水处理监控方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| A Genetic Algorithm-Based Ensemble Convolutional Neural Networks for Defect Recognition with Small-Scale Samples;Yiping Gao等;《Advances in Swarm Intelligence》;20210707;第390-398页 * |
| 基于支持向量机的铁路扣件缺损检测方法的研究;齐胜;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20200415(第4期);第C033-106页 * |
| 遗传算法优化支持向量机的输电线路雷击缺陷预测;黄绪勇等;《现代工业经济和信息化》;20171231;第7卷(第20期);第9-10+30 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117409003A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112967243B (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
| Wei et al. | Multi-target defect identification for railway track line based on image processing and improved YOLOv3 model | |
| Liu et al. | A rail surface defect detection method based on pyramid feature and lightweight convolutional neural network | |
| CN110348435B (zh) | 一种基于区域候选网络的目标检测方法及系统 | |
| Aydin et al. | Defect classification based on deep features for railway tracks in sustainable transportation | |
| Zhou et al. | Deep learning-based crack segmentation for civil infrastructure: Data types, architectures, and benchmarked performance | |
| CN111402227B (zh) | 一种桥梁裂缝检测方法 | |
| CN117409003B (zh) | 一种用于铁轨减震扣件的垫板的检测方法 | |
| CN107742099A (zh) | 一种基于全卷积网络的人群密度估计、人数统计的方法 | |
| CN112669275B (zh) | 基于YOLOv3算法的PCB表面缺陷检测方法及装置 | |
| CN111241989A (zh) | 图像识别方法及装置、电子设备 | |
| CN111489339A (zh) | 高速铁路定位器螺栓备母缺陷的检测方法 | |
| CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
| CN114332473B (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
| CN112200225A (zh) | 基于深度卷积神经网络的钢轨伤损b显图像识别方法 | |
| CN115343676B (zh) | 密封电子设备内部多余物定位技术的特征优化方法 | |
| CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
| CN114462469B (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
| CN111242144A (zh) | 电网设备异常的检测方法和装置 | |
| CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
| CN116597411A (zh) | 极端天气下无人驾驶车辆识别交通标志的方法及系统 | |
| CN113902978B (zh) | 基于深度学习的可解释性sar图像目标检测方法及系统 | |
| CN114566052A (zh) | 一种基于车流方向判别高速公路车流监控设备转动的方法 | |
| Ashraf et al. | Efficient Pavement Crack Detection and Classification Using Custom YOLOv7 Model | |
| CN114078106B (zh) | 基于改进Faster R-CNN的疵点检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |