CN117576691B - 一种基于深度学习的有轨矿车调度方法及系统 - Google Patents

一种基于深度学习的有轨矿车调度方法及系统 Download PDF

Info

Publication number
CN117576691B
CN117576691B CN202410064189.4A CN202410064189A CN117576691B CN 117576691 B CN117576691 B CN 117576691B CN 202410064189 A CN202410064189 A CN 202410064189A CN 117576691 B CN117576691 B CN 117576691B
Authority
CN
China
Prior art keywords
carriage
mine car
target
abrasion position
track
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
Application number
CN202410064189.4A
Other languages
English (en)
Other versions
CN117576691A (zh
Inventor
李文忠
赵翔
万顺
刘磊
孙培成
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.)
Taian Wanchuan Electrical Equipment Co ltd
Original Assignee
Taian Wanchuan Electrical Equipment 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 Taian Wanchuan Electrical Equipment Co ltd filed Critical Taian Wanchuan Electrical Equipment Co ltd
Priority to CN202410064189.4A priority Critical patent/CN117576691B/zh
Publication of CN117576691A publication Critical patent/CN117576691A/zh
Application granted granted Critical
Publication of CN117576691B publication Critical patent/CN117576691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)

Abstract

本发明涉及有轨矿车调度领域，具体涉及一种基于深度学习的有轨矿车调度方法及系统，包括：获取每个矿车的每个车厢的振动幅值数据序列；根据振动幅值数据序列得到异常振动幅值数据；根据异常振动幅值数据得到轨道磨损位置；获取每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度；根据倾斜程度得到每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度；根据预测倾斜程度得到每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果；根据侧翻风险判定结果对每个待调度矿车进行规划调度。通过在矿车的规划调度过程中考虑矿车的侧翻风险，使得规划出的路线既能充分利用运输资源，同时还能保障运输安全。

Description

一种基于深度学习的有轨矿车调度方法及系统
技术领域
本发明涉及有轨矿车调度领域，具体涉及一种基于深度学习的有轨矿车调度方法及系统。
背景技术
传统是以运输资源的最大利用为目的来规划矿车调度，然而随着使用次数的累加，轨道会出现磨损。而在较大磨损的轨道上，一些重量较轻的矿车以较大速度驶过时，很容易出现侧翻。因而一些矿车并不适合在一些磨损较大的轨道行驶。所以在对矿车进行调度规划时，应该考虑矿车在各段轨道上的行驶安全问题。
发明内容
本发明提供一种基于深度学习的有轨矿车调度方法及系统，以解决现有的问题：如何根据矿车在各路段的行驶安全，来规划矿车调度。
本发明的一种基于深度学习的有轨矿车调度方法及系统采用如下技术方案：
本发明一个实施例提供了一种基于深度学习的有轨矿车调度方法，该方法包括以下步骤：
获取每个矿车的每个车厢在每个时刻的振动幅值数据、行驶速度以及位置数据，每个矿车的每个车厢的综合重量，将所述振动幅值数据按照时序构成每个矿车的每个车厢的振动幅值数据序列；获取每个待调度矿车的每个车厢在每个时刻的行驶速度和每个待调度矿车的每个车厢的综合重量；
根据振动幅值数据序列中数据的分布特征得到异常振动幅值数据；根据异常振动幅值数据对应时刻的位置数据得到轨道磨损位置；
获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域，根据每个矿车的每个车厢通过每个轨道磨损位置时的相邻两帧待分析图像中的车厢区域的中心像素的距离得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度；根据每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度，每个矿车的每个车厢在轨道磨损位置处的行驶速度和每个矿车的每个车厢的综合重量得到每个轨道磨损位置的训练完成的预测网络，根据每个轨道磨损位置的训练完成的预测网络，每个待调度矿车的每个车厢的在每个轨道磨损位置的行驶速度和每个待调度矿车的每个车厢的综合重量预测每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度；
根据每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度对每个待调度矿车在每个轨道磨损位置处的侧翻情况进行判定得到每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果；根据每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果对每个待调度矿车进行规划调度。
优选的，所述根据振动幅值数据序列中数据的分布特征得到异常振动幅值数据，包括的具体方法为：
将振动幅值数据序列均匀分割成个子序列，/>表示预设分割数量；
对于任意一个子序列，将子序列中所有振动幅值数据拟合高斯模型，获取高斯模型的均值以及标准差/>，将分布在高斯模型的/>区间之外的振动幅值数据作为每个异常振动幅值数据；
获取每个子序列中异常振动幅值数据。
优选的，所述根据异常振动幅值数据对应时刻的位置数据得到轨道磨损位置，包括的具体方法为：
获取与每个异常振动幅值数据采集时刻相同的位置数据，记为每个异常振动幅值数据的位置数据，利用每个异常振动幅值数据的位置数据定位出轨道磨损位置。
优选的，所述获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域，包括的具体方法为：
利用每段轨道上方安装的摄像头，采集每个矿车的每个车厢从头部开始通过轨道磨损位置到尾部结束通过轨道磨损位置的整个行驶阶段的视频，在视频的所有帧图像中筛选出清晰的图像，记为每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像；
构建分割网络，利用分割网络对待分析图像进行分割处理得到每个待分析图像中的每个车厢区域。
优选的，所述根据每个矿车的每个车厢通过每个轨道磨损位置时的相邻两帧待分析图像中的车厢区域的中心像素的距离得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度，包括的具体方法为：
将任意一个矿车的任意一个车厢记为目标车厢，将任意一个轨道磨损位置记为目标轨道磨损位置，在目标车厢通过目标轨道磨损位置时的每个待分析图像中获取目标车厢区域的中心像素；获取目标车厢通过目标轨道磨损位置时的每个待分析图像中目标车厢区域的中心像素的坐标；
根据目标车厢通过每个轨道磨损位置时的每个待分析图像中的目标车厢区域的中心像素的坐标得到目标车厢在目标轨道磨损位置处的倾斜程度；
获取每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度。
优选的，所述根据目标车厢通过每个轨道磨损位置时的每个待分析图像中的目标车厢区域的中心像素的坐标得到目标车厢在目标轨道磨损位置处的倾斜程度，包括的计算公式为：
其中，表示目标车厢通过目标轨道磨损位置时的第/>帧待分析图像中的目标车厢区域的中心像素的横坐标，/>表示目标车厢通过目标轨道磨损位置时的第/>个待分析图像的前一帧待分析图像中的目标车厢区域的中心像素的横坐标，/>表示目标车厢通过目标轨道磨损位置时的第/>个待分析图像中的目标车厢区域的中心像素的纵坐标，/>表示目标车厢通过目标轨道磨损位置时的第/>个待分析图像的前一帧待分析图像中的目标车厢区域的中心像素的纵坐标，/>表示目标车厢通过目标轨道磨损位置时的待分析图像的数量，表示双曲正切函数，/>表示目标车厢在目标轨道磨损位置处的倾斜程度。
优选的，所述根据每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度，每个矿车的每个车厢在轨道磨损位置处的行驶速度和每个矿车的每个车厢的综合重量得到每个轨道磨损位置的训练完成的预测网络，包括的具体方法为：
构建预测网络，将每个矿车的每个车厢在目标轨道磨损位置处的行驶速度和每个矿车的每个车厢的综合重量输入预测网络中得到输出数据，基于每个矿车的每个车厢通过目标轨道磨损位置处的倾斜程度和输出数据，利用预测网络的损失函数计算损失值，使损失值尽可能小，利用所有矿车的所有车厢在目标轨道磨损位置处的行驶速度和倾斜程度，所有矿车的所有车厢的综合重量对预测网络进行迭代训练得到目标轨道磨损位置的训练完成的预测网络；
获取每个轨道磨损位置的训练完成的预测网络。
优选的，所述根据每个轨道磨损位置的训练完成的预测网络，每个待调度矿车的每个车厢的在每个轨道磨损位置的行驶速度和每个待调度矿车的每个车厢的综合重量预测每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度，包括的具体方法为：
将每个待调度矿车的每个车厢的综合重量以及每个待调度矿车的每个车厢在目标轨道磨损位置处的行驶速度输入到目标轨道磨损位置的训练完成的预测网络中得到每个待调度矿车的每个车厢在目标轨道磨损位置处的预测倾斜程度；
获取每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度。
优选的，所述根据每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度对每个待调度矿车在每个轨道磨损位置处的侧翻情况进行判定得到每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果；根据每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果对每个待调度矿车进行规划调度，包括的具体方法为：
在每个待调度矿车的所有车厢在目标轨道磨损位置处的预测倾斜程度中获取最小预测倾斜程度，记为每个待调度矿车在目标轨道磨损位置处的基准倾斜程度，将每个待调度矿车在目标轨道磨损位置处的基准倾斜程度与预设倾斜阈值比较，当待调度矿车在目标轨道磨损位置处的基准倾斜程度大于预设倾斜阈值/>时，则判定待调度矿车在目标轨道磨损位置处行驶存在侧翻风险，完成每个待调度矿车在每个轨道磨损位置处的行驶侧翻风险判定；
将每个待调度矿车行驶存在侧翻风险的轨道磨损位置视为故障物，利用遗传算法对每个待调度矿车进行调度分析得到每个待调度矿车的最佳行驶路线。
一种基于深度学习的有轨矿车调度系统，该系统包括以下模块：
数据采集模块，用于获取每个矿车的每个车厢在每个时刻的振动幅值数据、行驶速度以及位置数据，每个矿车的每个车厢的综合重量，将所述振动幅值数据按照时序构成每个矿车的每个车厢的振动幅值数据序列；获取每个待调度矿车的每个车厢在每个时刻的行驶速度和每个待调度矿车的每个车厢的综合重量；
轨道磨损位置获取模块，用于根据振动幅值数据序列中数据的分布特征得到异常振动幅值数据；根据异常振动幅值数据对应时刻的位置数据得到轨道磨损位置；
预测倾斜程度获取模块，用于获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域，根据每个矿车的每个车厢通过每个轨道磨损位置时的相邻两帧待分析图像中的车厢区域的中心像素的距离得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度；根据每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度，每个矿车的每个车厢在轨道磨损位置处的行驶速度和每个矿车的每个车厢的综合重量得到每个轨道磨损位置的训练完成的预测网络，根据每个轨道磨损位置的训练完成的预测网络，每个待调度矿车的每个车厢的在每个轨道磨损位置的行驶速度和每个待调度矿车的每个车厢的综合重量预测每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度；
规划调度模块，用于根据每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度对每个待调度矿车在每个轨道磨损位置处的侧翻情况进行判定得到每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果；根据每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果对每个待调度矿车进行规划调度。
本发明的技术方案的有益效果是：获取每个矿车的每个车厢的振动幅值数据序列，根据振动幅值数据序列中数据分布得到异常振动幅值数据，根据异常振动幅值数据得到轨道磨损位置，通过对每个待调度矿车在每个轨道磨损位置处的行驶侧翻情况进行分析得到每个待调度矿车在每个轨道磨损位置处的行驶侧翻风险判定结果，根据每个待调度矿车在每个轨道磨损位置处的行驶侧翻风险判定结果对每个待调度矿车进行规划调度。通过在矿车的规划调度过程中考虑矿车的侧翻风险，使得规划出的路线既能充分利用运输资源，同时还能保障运输安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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的附图。
图1为本发明的一种基于深度学习的有轨矿车调度方法的步骤流程图；
图2为本发明的一种基于深度学习的有轨矿车调度系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于深度学习的有轨矿车调度方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于深度学习的有轨矿车调度方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于深度学习的有轨矿车调度方法的步骤流程图，该方法包括以下步骤：
步骤S1：获取每个矿车的每个车厢的振动幅值数据序列、位置数据、行驶速度以及综合重量。
具体的，在每个矿车的每个车厢的底盘上安装振动传感器和定位传感器，利用每个车厢的振动器、定位传感器和每个车厢的车头处的速度控制系统每间隔/>秒采集一次振动幅值数据、位置数据和行驶速度，采集/>天，得到每个矿车的每个车厢的/>天的振动幅值数据、位置数据和行驶速度。将每个矿车的每个车厢的/>天的振动幅值数据按时序排列得到每个车厢的振动幅值数据序列。
表示预设采集间隔，/>表示预设采集天数，本实施例以/>取0.01，/>取300为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。
进一步的，在每个矿车的每个车厢的底部安装重量计，利用重量计采集每个矿车的每个车厢中货物的重量，根据每个矿车的类型获取矿车的每个车厢的自身重量，将每个矿车的每个车厢的自身重量与货物的重量的累加和记为每个矿车的每个车厢的综合重量。
步骤S2：获取振动幅值数据序列中的异常振动幅值数据，根据异常振动幅值数据和位置数据得到轨道磨损位置。
S201.获取振动幅值数据序列中的异常振动幅值数据。
需要说明的是，根据振动幅值数据统计特征，正常的振动幅值数据一般只在置信区间内分布，因而可以根据振动幅值数据的分布特征来获取异常振动幅值数据。
作为一个示例，异常振动幅值数据的获取方法，包括：
将振动幅值数据序列均匀分割成个子序列。/>表示预设分割数量，本实施例以/>取100为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。
对于任意一个子序列，将子序列中所有振动幅值数据拟合高斯模型，获取高斯模型的均值以及标准差/>，将分布在高斯模型的/>区间之外的振动幅值数据作为异常振动幅值数据。
同理得到每个子序列中异常振动幅值数据。
S202. 根据异常振动幅值数据和位置数据得到轨道磨损位置。
需要说明的是，矿车的车厢行驶过磨损轨道位置时，才会出现异常振动。因而可以根据异常振动幅值数据获取轨道磨损位置。
轨道磨损位置的获取方法，包括：获取与每个异常振动幅值数据采集时刻相同的位置数据，记为每个异常振动幅值数据的位置数据。利用每个异常振动幅值数据的位置数据定位出轨道磨损位置。
步骤S3：获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域，根据每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像的车厢区域得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度。
S301. 获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域。
首先获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像，然后对待分析图像分割处理得到每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域。
需要说明的是，矿车的每个车厢具有一定长度，因而矿车的每个车厢的头部到尾部均通过磨损轨道位置需要一定行驶过程。
每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像的获取方法，包括：利用每段轨道上方安装的摄像头，采集每个矿车的每个车厢从头部开始通过轨道磨损位置到尾部结束通过轨道磨损位置的整个行驶阶段的视频。在视频的所有帧图像中筛选出清晰的图像，记为每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像。
作为一个示例，每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域获取方法，包括：在所有矿车的所有车厢通过所有轨道磨损位置时的待分析图像中筛选出预设比例的待分析图像，通过人工对筛选出的待分析图像中每个车厢位置进行标记处理得到带标签的待分析图像，其中不同车厢位置标记的标记值是不同的。构建分割网络，本实施例中的分割网络为Yolov8实例分割网络，利用所有带标签的待分析图像完成分割网络的训练得到训练完成的分割网络。利用训练完成的分割网络对剩余的待分析图像进行分割处理得到每个待分析图像中每个车厢区域。
本实施例以取20%为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。
S302.根据每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像的车厢区域得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度。
需要说明的是，当矿车发生侧翻时，相邻待分析图像中矿车的每个车厢的中心位置会发生较大变动，因而可以通过分析相邻待分析图像中矿车的每个车厢的中心位置变动情况来获取每个车厢在每个轨道磨损位置处的倾斜程度。
以待分析图像中的左上角像素为坐标原点，以水平向右为横坐标轴，竖直向下为纵坐标轴，构建图像坐标系，在图像坐标系中获取每个像素的坐标。
将任意一个矿车的任意一个车厢记为目标车厢，将任意一个轨道磨损位置记为目标轨道磨损位置，在目标车厢通过目标轨道磨损位置时的每个待分析图像中获取目标车厢区域的中心像素。
作为一个示例，根据目标车厢通过目标轨道磨损位置时的每个待分析图像中目标车厢区域的中心像素的坐标得到目标车厢在目标轨道磨损位置处的倾斜程度的计算公式为：
其中，表示目标车厢通过目标轨道磨损位置时的第/>帧待分析图像中的目标车厢区域的中心像素的横坐标，/>表示目标车厢通过目标轨道磨损位置时的第/>个待分析图像的前一帧待分析图像中的目标车厢区域的中心像素的横坐标，/>表示目标车厢通过目标轨道磨损位置时的第/>个待分析图像中的目标车厢区域的中心像素的纵坐标，/>表示目标车厢通过目标轨道磨损位置时的第/>个待分析图像的前一帧待分析图像中的目标车厢区域的中心像素的纵坐标，/>反应了目标车厢通过目标轨道磨损位置时的相邻两个待分析图像中的目标车厢区域的中心像素的距离，该值越大说明车厢通过轨道磨损位置时的倾斜程度较大。/>表示目标车厢通过目标轨道磨损位置时的待分析图像的数量，/>表示双曲正切函数，用于进行归一化处理。/>表示目标车厢在目标轨道磨损位置处的倾斜程度。
同理得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度。
需要说明的是，本实施例中只分析矿车的每个车厢在轨道磨损位置处的倾斜程度，而不分析矿车的每个车厢在每个轨道位置的倾斜程度。是因为图像信息包含的数据量较大，处理图像信息的计算量较大，因而实时分析矿车的每个车厢在每个轨道位置的倾斜程度时对计算机的计算量要求较高，其会增加计算成本。
步骤S4：利用每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度和行驶速度，每个矿车的每个车厢的综合重量来预测每个待调度矿车在每个轨道磨损位置处的预测倾斜程度，根据每个待调度矿车在每个轨道磨损位置处的预测倾斜程度对待调度车辆进行调度规划。
S401. 利用每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度和行驶速度，每个矿车的每个车厢的综合重量来预测每个待调度矿车在每个轨道磨损位置处的预测倾斜程度。
作为一个示例，每个待调度矿车在每个轨道磨损位置处的预测倾斜程度的获取方法，包括：构建预测网络，本实施例中的预测网络为SSD网络，将每个矿车的每个车厢在目标轨道磨损位置处的行驶速度和每个矿车的每个车厢的综合重量输入预测网络中得到输出数据，基于每个矿车的每个车厢通过目标轨道磨损位置处的倾斜程度和输出数据，利用预测网络的损失函数计算损失值。使损失值尽可能小，利用所有矿车的所有车厢在目标轨道磨损位置处的行驶速度和倾斜程度，所有矿车的所有车厢的综合重量对预测网络进行迭代训练得到目标轨道磨损位置的训练完成的预测网络。
获取每个待调度矿车的每个车厢的综合重量以及每个待调度矿车的每个车厢在目标轨道磨损位置处的行驶速度，将每个待调度矿车的每个车厢的综合重量以及每个待调度矿车的每个车厢在目标轨道磨损位置处的行驶速度输入到目标轨道磨损位置的训练完成的预测网络中得到每个待调度矿车的每个车厢在目标轨道磨损位置处的预测倾斜程度。
同理得到每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度。
需要说明是，由于待调度矿车还未出发，因而待调度矿车的每个车厢在目标轨道磨损位置处行驶速度为预设的行驶速度。
S402.根据每个待调度矿车在每个轨道磨损位置处的预测倾斜程度对待调度矿车进行调度规划。
首先根据每个待调度矿车在每个轨道磨损位置处的预测倾斜程度对每个待调度矿车在每个轨道磨损位置处的行驶侧翻风险进行判定，然后根据每个待调度矿车在每个轨道磨损位置处的行驶侧翻风险的判定结果对每个待调度矿车进行调度规划。
作为一个示例，每个待调度矿车在每个轨道磨损位置处的行驶侧翻风险的判定方法，包括：在每个待调度矿车的所有车厢在目标轨道磨损位置处的预测倾斜程度中获取最小预测倾斜程度，记为每个待调度矿车在目标轨道磨损位置处的基准倾斜程度，将每个待调度矿车在目标轨道磨损位置处的基准倾斜程度与预设倾斜阈值比较，当待调度矿车在目标轨道磨损位置处的基准倾斜程度大于预设倾斜阈值/>时，则判定待调度矿车在目标轨道磨损位置处行驶存在侧翻风险。同理完成每个待调度矿车在每个轨道磨损位置处的行驶侧翻风险判定。
本实施例以取0.5为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。
作为一个示例，每个待调度矿车的调度规划方法，包括：将每个待调度矿车行驶存在侧翻风险的轨道磨损位置视为故障物，利用遗传算法对每个待调度矿车进行调度分析得到每个待调度矿车的最佳行驶路线。利用遗传算法对每个待调度矿车进行调度分析得到每个待调度矿车的最佳行驶路线为现有技术，本实施例不再进行赘述。
请参阅图2，其示出了本发明实施例提供的一种基于深度学习的有轨矿车调度系统，该系统包括以下模块：
数据采集模块，用于获取每个矿车的每个车厢在每个时刻的振动幅值数据、行驶速度以及位置数据，每个矿车的每个车厢的综合重量，将所述振动幅值数据按照时序构成每个矿车的每个车厢的振动幅值数据序列；获取每个待调度矿车的每个车厢在每个时刻的行驶速度和每个待调度矿车的每个车厢的综合重量；
轨道磨损位置获取模块，用于根据振动幅值数据序列中数据的分布特征得到异常振动幅值数据；根据异常振动幅值数据对应时刻的位置数据得到轨道磨损位置；
预测倾斜程度获取模块，用于获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域，根据每个矿车的每个车厢通过每个轨道磨损位置时的相邻两帧待分析图像中的车厢区域的中心像素的距离得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度；根据每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度，每个矿车的每个车厢在轨道磨损位置处的行驶速度和每个矿车的每个车厢的综合重量得到每个轨道磨损位置的训练完成的预测网络，根据每个轨道磨损位置的训练完成的预测网络，每个待调度矿车的每个车厢的在每个轨道磨损位置的行驶速度和每个待调度矿车的每个车厢的综合重量预测每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度；
规划调度模块，用于根据每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度对每个待调度矿车在每个轨道磨损位置处的侧翻情况进行判定得到每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果；根据每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果对每个待调度矿车进行规划调度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于深度学习的有轨矿车调度方法，其特征在于，该方法包括以下步骤：
获取每个矿车的每个车厢在每个时刻的振动幅值数据、行驶速度以及位置数据，每个矿车的每个车厢的综合重量，将所述振动幅值数据按照时序构成每个矿车的每个车厢的振动幅值数据序列；获取每个待调度矿车的每个车厢在每个时刻的行驶速度和每个待调度矿车的每个车厢的综合重量；
根据振动幅值数据序列中数据的分布特征得到异常振动幅值数据；根据异常振动幅值数据对应时刻的位置数据得到轨道磨损位置；
获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域，根据每个矿车的每个车厢通过每个轨道磨损位置时的相邻两帧待分析图像中的车厢区域的中心像素的距离得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度；
所述根据每个矿车的每个车厢通过每个轨道磨损位置时的相邻两帧待分析图像中的车厢区域的中心像素的距离得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度，包括的具体方法为：
将任意一个矿车的任意一个车厢记为目标车厢，将任意一个轨道磨损位置记为目标轨道磨损位置，在目标车厢通过目标轨道磨损位置时的每个待分析图像中获取目标车厢区域的中心像素；获取目标车厢通过目标轨道磨损位置时的每个待分析图像中目标车厢区域的中心像素的坐标；
根据目标车厢通过每个轨道磨损位置时的每个待分析图像中的目标车厢区域的中心像素的坐标得到目标车厢在目标轨道磨损位置处的倾斜程度；
获取每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度；
根据每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度，每个矿车的每个车厢在轨道磨损位置处的行驶速度和每个矿车的每个车厢的综合重量得到每个轨道磨损位置的训练完成的预测网络，根据每个轨道磨损位置的训练完成的预测网络，每个待调度矿车的每个车厢的在每个轨道磨损位置的行驶速度和每个待调度矿车的每个车厢的综合重量预测每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度；
根据每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度对每个待调度矿车在每个轨道磨损位置处的侧翻情况进行判定得到每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果；根据每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果对每个待调度矿车进行规划调度。
2.根据权利要求1所述一种基于深度学习的有轨矿车调度方法，其特征在于，所述根据振动幅值数据序列中数据的分布特征得到异常振动幅值数据，包括的具体方法为：
将振动幅值数据序列均匀分割成个子序列，/>表示预设分割数量；
对于任意一个子序列，将子序列中所有振动幅值数据拟合高斯模型，获取高斯模型的均值以及标准差/>，将分布在高斯模型的/>区间之外的振动幅值数据作为每个异常振动幅值数据；
获取每个子序列中异常振动幅值数据。
3.根据权利要求1所述一种基于深度学习的有轨矿车调度方法，其特征在于，所述根据异常振动幅值数据对应时刻的位置数据得到轨道磨损位置，包括的具体方法为：
获取与每个异常振动幅值数据采集时刻相同的位置数据，记为每个异常振动幅值数据的位置数据，利用每个异常振动幅值数据的位置数据定位出轨道磨损位置。
4.根据权利要求1所述一种基于深度学习的有轨矿车调度方法，其特征在于，所述获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域，包括的具体方法为：
利用每段轨道上方安装的摄像头，采集每个矿车的每个车厢从头部开始通过轨道磨损位置到尾部结束通过轨道磨损位置的整个行驶阶段的视频，在视频的所有帧图像中筛选出清晰的图像，记为每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像；
构建分割网络，利用分割网络对待分析图像进行分割处理得到每个待分析图像中的每个车厢区域。
5.根据权利要求1所述一种基于深度学习的有轨矿车调度方法，其特征在于，所述根据目标车厢通过每个轨道磨损位置时的每个待分析图像中的目标车厢区域的中心像素的坐标得到目标车厢在目标轨道磨损位置处的倾斜程度，包括的计算公式为：
其中，表示目标车厢通过目标轨道磨损位置时的第/>帧待分析图像中的目标车厢区域的中心像素的横坐标，/>表示目标车厢通过目标轨道磨损位置时的第/>个待分析图像的前一帧待分析图像中的目标车厢区域的中心像素的横坐标，/>表示目标车厢通过目标轨道磨损位置时的第/>个待分析图像中的目标车厢区域的中心像素的纵坐标，/>表示目标车厢通过目标轨道磨损位置时的第/>个待分析图像的前一帧待分析图像中的目标车厢区域的中心像素的纵坐标，/>表示目标车厢通过目标轨道磨损位置时的待分析图像的数量，表示双曲正切函数，/>表示目标车厢在目标轨道磨损位置处的倾斜程度。
6.根据权利要求1所述一种基于深度学习的有轨矿车调度方法，其特征在于，所述根据每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度，每个矿车的每个车厢在轨道磨损位置处的行驶速度和每个矿车的每个车厢的综合重量得到每个轨道磨损位置的训练完成的预测网络，包括的具体方法为：
构建预测网络，将每个矿车的每个车厢在目标轨道磨损位置处的行驶速度和每个矿车的每个车厢的综合重量输入预测网络中得到输出数据，基于每个矿车的每个车厢通过目标轨道磨损位置处的倾斜程度和输出数据，利用预测网络的损失函数计算损失值，使损失值尽可能小，利用所有矿车的所有车厢在目标轨道磨损位置处的行驶速度和倾斜程度，所有矿车的所有车厢的综合重量对预测网络进行迭代训练得到目标轨道磨损位置的训练完成的预测网络；
获取每个轨道磨损位置的训练完成的预测网络。
7.根据权利要求1所述一种基于深度学习的有轨矿车调度方法，其特征在于，所述根据每个轨道磨损位置的训练完成的预测网络，每个待调度矿车的每个车厢的在每个轨道磨损位置的行驶速度和每个待调度矿车的每个车厢的综合重量预测每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度，包括的具体方法为：
将每个待调度矿车的每个车厢的综合重量以及每个待调度矿车的每个车厢在目标轨道磨损位置处的行驶速度输入到目标轨道磨损位置的训练完成的预测网络中得到每个待调度矿车的每个车厢在目标轨道磨损位置处的预测倾斜程度；
获取每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度。
8.根据权利要求1所述一种基于深度学习的有轨矿车调度方法，其特征在于，所述根据每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度对每个待调度矿车在每个轨道磨损位置处的侧翻情况进行判定得到每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果；根据每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果对每个待调度矿车进行规划调度，包括的具体方法为：
在每个待调度矿车的所有车厢在目标轨道磨损位置处的预测倾斜程度中获取最小预测倾斜程度，记为每个待调度矿车在目标轨道磨损位置处的基准倾斜程度，将每个待调度矿车在目标轨道磨损位置处的基准倾斜程度与预设倾斜阈值比较，当待调度矿车在目标轨道磨损位置处的基准倾斜程度大于预设倾斜阈值/>时，则判定待调度矿车在目标轨道磨损位置处行驶存在侧翻风险，完成每个待调度矿车在每个轨道磨损位置处的行驶侧翻风险判定；
将每个待调度矿车行驶存在侧翻风险的轨道磨损位置视为故障物，利用遗传算法对每个待调度矿车进行调度分析得到每个待调度矿车的最佳行驶路线。
9.一种基于深度学习的有轨矿车调度系统，其特征在于，该系统包括以下模块：
数据采集模块，用于获取每个矿车的每个车厢在每个时刻的振动幅值数据、行驶速度以及位置数据，每个矿车的每个车厢的综合重量，将所述振动幅值数据按照时序构成每个矿车的每个车厢的振动幅值数据序列；获取每个待调度矿车的每个车厢在每个时刻的行驶速度和每个待调度矿车的每个车厢的综合重量；
轨道磨损位置获取模块，用于根据振动幅值数据序列中数据的分布特征得到异常振动幅值数据；根据异常振动幅值数据对应时刻的位置数据得到轨道磨损位置；
预测倾斜程度获取模块，用于获取每个矿车的每个车厢通过每个轨道磨损位置时的待分析图像中的车厢区域，根据每个矿车的每个车厢通过每个轨道磨损位置时的相邻两帧待分析图像中的车厢区域的中心像素的距离得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度；
所述根据每个矿车的每个车厢通过每个轨道磨损位置时的相邻两帧待分析图像中的车厢区域的中心像素的距离得到每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度，包括的具体方法为：
将任意一个矿车的任意一个车厢记为目标车厢，将任意一个轨道磨损位置记为目标轨道磨损位置，在目标车厢通过目标轨道磨损位置时的每个待分析图像中获取目标车厢区域的中心像素；获取目标车厢通过目标轨道磨损位置时的每个待分析图像中目标车厢区域的中心像素的坐标；
根据目标车厢通过每个轨道磨损位置时的每个待分析图像中的目标车厢区域的中心像素的坐标得到目标车厢在目标轨道磨损位置处的倾斜程度；
获取每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度；
根据每个矿车的每个车厢在每个轨道磨损位置处的倾斜程度，每个矿车的每个车厢在轨道磨损位置处的行驶速度和每个矿车的每个车厢的综合重量得到每个轨道磨损位置的训练完成的预测网络，根据每个轨道磨损位置的训练完成的预测网络，每个待调度矿车的每个车厢的在每个轨道磨损位置的行驶速度和每个待调度矿车的每个车厢的综合重量预测每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度；
规划调度模块，用于根据每个待调度矿车的每个车厢在每个轨道磨损位置处的预测倾斜程度对每个待调度矿车在每个轨道磨损位置处的侧翻情况进行判定得到每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果；根据每个待调度矿车在每个轨道磨损位置处的侧翻风险判定结果对每个待调度矿车进行规划调度。
CN202410064189.4A 2024-01-17 2024-01-17 一种基于深度学习的有轨矿车调度方法及系统 Active CN117576691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410064189.4A CN117576691B (zh) 2024-01-17 2024-01-17 一种基于深度学习的有轨矿车调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410064189.4A CN117576691B (zh) 2024-01-17 2024-01-17 一种基于深度学习的有轨矿车调度方法及系统

Publications (2)

Publication Number Publication Date
CN117576691A CN117576691A (zh) 2024-02-20
CN117576691B true CN117576691B (zh) 2024-03-29

Family

ID=89892214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410064189.4A Active CN117576691B (zh) 2024-01-17 2024-01-17 一种基于深度学习的有轨矿车调度方法及系统

Country Status (1)

Country Link
CN (1) CN117576691B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118469431B (zh) * 2024-07-10 2024-10-15 南京龙潭铁路有限公司 一种中欧班列铁路物流数据全程追溯方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103184719A (zh) * 2011-12-28 2013-07-03 富士通株式会社 道路表面调查装置
KR102109841B1 (ko) * 2018-11-30 2020-05-28 아주대학교 산학협력단 주행 영상으로부터 차량을 검출하는 방법 및 장치
CN112141080A (zh) * 2020-09-08 2020-12-29 北京踏歌智行科技有限公司 一种用于矿区运输车辆防侧翻控制方法
CN114115300A (zh) * 2022-01-26 2022-03-01 上海伯镭智能科技有限公司 一种无人驾驶矿车的倾斜参数采集方法及装置
CN114275003A (zh) * 2021-12-28 2022-04-05 新疆额尔齐斯河流域开发工程建设管理局 在建超长tbm隧道临时运输轨道不平顺性检测评价方法
CN114386707A (zh) * 2022-01-18 2022-04-22 中国铁道科学研究院集团有限公司基础设施检测研究所 一种轨道高低不平顺预测方法及装置
CN114779764A (zh) * 2022-03-31 2022-07-22 北京航空航天大学 基于行车风险分析的车辆强化学习运动规划方法
CN115683145A (zh) * 2022-11-03 2023-02-03 北京踏歌智行科技有限公司 一种基于轨迹预测的自动驾驶安全避障方法
CN116109113A (zh) * 2023-04-12 2023-05-12 北京徐工汉云技术有限公司 无人矿卡的运行调度系统、方法与装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180222504A1 (en) * 2017-02-08 2018-08-09 Intel Corporation Location based railway anomaly detection

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103184719A (zh) * 2011-12-28 2013-07-03 富士通株式会社 道路表面调查装置
KR102109841B1 (ko) * 2018-11-30 2020-05-28 아주대학교 산학협력단 주행 영상으로부터 차량을 검출하는 방법 및 장치
CN112141080A (zh) * 2020-09-08 2020-12-29 北京踏歌智行科技有限公司 一种用于矿区运输车辆防侧翻控制方法
CN114275003A (zh) * 2021-12-28 2022-04-05 新疆额尔齐斯河流域开发工程建设管理局 在建超长tbm隧道临时运输轨道不平顺性检测评价方法
CN114386707A (zh) * 2022-01-18 2022-04-22 中国铁道科学研究院集团有限公司基础设施检测研究所 一种轨道高低不平顺预测方法及装置
CN114115300A (zh) * 2022-01-26 2022-03-01 上海伯镭智能科技有限公司 一种无人驾驶矿车的倾斜参数采集方法及装置
CN114779764A (zh) * 2022-03-31 2022-07-22 北京航空航天大学 基于行车风险分析的车辆强化学习运动规划方法
CN115683145A (zh) * 2022-11-03 2023-02-03 北京踏歌智行科技有限公司 一种基于轨迹预测的自动驾驶安全避障方法
CN116109113A (zh) * 2023-04-12 2023-05-12 北京徐工汉云技术有限公司 无人矿卡的运行调度系统、方法与装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Design and development of a semi-autonomous stair climbing robotic platform for rough terrains;Muhammad Umar Masood 等;《2017 17th International Conference on Control, Automation and Systems (ICCAS)》;20171021;第212-217页 *
高速轨道超声成像伤损检测及其参数学习方法;《计算机集成制造系统》;20210331;第27卷(第3期);第747-756页 *

Also Published As

Publication number Publication date
CN117576691A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN117576691B (zh) 一种基于深度学习的有轨矿车调度方法及系统
CN109829403B (zh) 一种基于深度学习的车辆防碰撞预警方法及系统
CN110371112A (zh) 一种自动驾驶车辆的智能避障系统及方法
CN101510356B (zh) 视频检测系统及其数据处理装置、视频检测方法
CN103985182A (zh) 一种公交客流自动计数方法及自动计数系统
CN103280110B (zh) 高速公路旅行时间的预测方法及装置
CN107610282A (zh) 一种公交客流统计系统
CN116168356B (zh) 一种基于计算机视觉的车辆损伤判别方法
CN117115562B (zh) 一种基于深度学习的进站铁路货运列车车厢计数方法
CN114005274B (zh) 基于小客车当量的高速公路收费站分级联动管控方法
Escolano et al. Passenger demand forecast using optical flow passenger counting system for bus dispatch scheduling
CN110379159A (zh) 基于机动车电子标识数据的出行链提取方法
CN111091557B (zh) 一种铁路货车承载鞍挡边折断故障检测方法及系统
CN117409039B (zh) 一种基于虚拟点跟踪网络的轮轨相对位移计算方法
CN114049610B (zh) 一种高速公路上机动车倒车和逆行违法行为主动发现方法
CN113256014B (zh) 一种5g通信工程智能检测系统
CN114565296A (zh) 一种轨道交通施工线智能行车调度方法及系统
Doycheva et al. Computer vision and deep learning for real-time pavement distress detection
CN116206263A (zh) 一种物流车辆监控方法及系统
CN112766174B (zh) 一种铁路列车车厢组底板丢失故障检测方法
CN115550611A (zh) 一种航班保障节点的智能监测方法、装置及系统
CN109754410B (zh) 一种基于机器视觉的铁路车辆车厢计数方法
CN103606280A (zh) 一种信息识别方法、装置以及系统
CN110803203B (zh) 一种高速铁路行车轨迹的演进预测方法及系统
CN112037515A (zh) 一种基于dnn的公交车详细调度方法

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