CN102332089A - 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 - Google Patents
一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 Download PDFInfo
- Publication number
- CN102332089A CN102332089A CN201110172116A CN201110172116A CN102332089A CN 102332089 A CN102332089 A CN 102332089A CN 201110172116 A CN201110172116 A CN 201110172116A CN 201110172116 A CN201110172116 A CN 201110172116A CN 102332089 A CN102332089 A CN 102332089A
- Authority
- CN
- China
- Prior art keywords
- image
- brake shoe
- fault
- neural network
- pricker
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims description 10
- 210000005036 nerve Anatomy 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法,包括以下步骤:(1)列车通过时,获取运行中铁路货车车体的图像、车型和车辆信息;(2)读入待识别图像;(3)根据图像命名进行初定位,得到初步定位后的图像;(4)等比例缩小初步定位后的图像尺寸;(5)缩小后图像的初步预处理;(6)对初步预处理后图像定位候选区域;(7)提取候选区域的图像特征向量;(8)对特征数据进行识别运算;(9)输出识别结果。本发明不影响列检人员在现有的TFDS***上的正常工作;以友好的方式保存自动识别结果,给列检人员提供便捷的复检方式;全自动启动、停止,运行中不需要人工干预。
Description
技术领域
本发明属于铁路货车运行故障检测领域,涉及TFDS货车运行故障动态图像检测领域,具体涉及铁路货车闸瓦钎窜出故障的图像自动识别方法。
背景技术
铁路货车运行故障轨边图像检测***是一套集高速数字图像采集,大容量图像实时处理技术,精确定位技术,网络化技术以及自动控制技术于一体的***,简称TFDS。
目前TFDS***主要以人工看图的方式对采集的图像进行故障识别,人力成本高,劳动强度大。故障识别的效果受到检车员的生理状态和检车经验等主观因素的制约。图像自动识别技术的运用,可以大大降低列检人员的工作强度,显著提高工作效率,也可以减少图像列检人员的数量,从而降低***的运行成本。
图像自动识别理论已经在人脸识别、指纹识别、生产线安检等多个领域得到了广泛的应用,但是在货车故障图像自动识别领域内的研究还相对有限,还未出现此类应用。
神经网络算法是模拟人类神经元活动的一种智能算法,在***辨识、模式识别、智能控制等领域有广泛的应用。神经网络算法以神经元的数学模型为基础进行描述,由网络拓扑结构、节点特征、学习规则进行表示。具有如下几个优点:
1、并行处理能力;
2、高度鲁棒性和容错能力;
3、分布式存储和学习能力;
4、充分逼近复杂的非线性关系能力。
自从20世纪40年代出现以来,神经网络算法经历了70年的发展,形成了数十种算法模型,比较典型的有BP网络、Hopfield网络、ART网络、Kohonen网络等。
从目前对已有文献和专利的检索结果来看,还没有对截断塞门手把关闭这类故障的相关研究和专利。本文方法填补了这一空白。
发明内容
本发明的目的是为了解决上述问题,提出一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法。
一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法,其特征在于,包含以下步骤:
(1)列车通过时,获取运行中铁路货车车体的图像、车型和车辆信息;
车辆信息为货车包括车辆数,图像和车型存入货车车体图像库,对图像进行命名,通过图像的命名能够获知图像中是否含有车辆的制动梁部位,即是否含有闸瓦钎;
(2)读入待识别图像;
根据车辆车型和车体图像的命名从货车车体图像库中提取出此辆列车含有闸瓦钎部件的图像作为待识别图像;
(3)根据图像命名进行初定位,得到初步定位后的图像;
根据图像命名初步从待识别图像中框选闸瓦钎在图像中的范围,得到初步定位后的图像;
(4)等比例缩小初步定位后的图像尺寸;
采用图像处理算法对初步定位后的图像的尺寸进行等比例缩小,得到缩小后图像;
(5)缩小后图像的初步预处理;
首先将缩小后图像的彩色图像变换成灰度图像,然后对灰度图像依次进行亮度调整、对比度拉伸、图像求反,完成图像的初步预处理;
(6)对初步预处理后图像定位候选区域;
计算初步预处理后的图像的水平方向和垂直方向梯度值,通过判断两个方向梯度值总和的大小来精确定位闸瓦钎的位置,闸瓦钎的位置即为候选区域;
(7)提取候选区域的图像特征向量;
利用特征提取方法对候选区域进行特征提取,得到特征数据;
(8)对特征数据进行识别运算;
采用BP神经网络作为基于人工神经网络分类器,获取训练样本,训练样本分为故障样本和非故障样本,故障样本为包括特征数据以及其对应的故障、故障的位置信息,非故障样本包括无故障时候对应的特征数据;把从候选区域中提取的特征数据输入基于人工神经网络分类器进行识别,得到闸瓦钎是否存在故障以及故障的位置信息;所述的故障为闸瓦钎窜出的故障,故障的位置信息为闸瓦钎窜出的位置;
(9)输出识别结果;
把识别出的闸瓦钎窜出的故障的位置标记在图像上,输出显示。
本发明的优点在于:
(1)不影响列检人员在现有的TFDS***上的正常工作;
(2)以友好的方式保存自动识别结果,给列检人员提供便捷的复检方式;
(3)全自动启动、停止,运行中不需要人工干预;
(4)对车辆类型进行细致分类,适应能力强,也很容易增加新的车辆类型;
(5)图像的命名有预定义规则,使得自动识别算法比较简捷。
附图说明
图1为本发明的方法流程图。
图中:
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明是一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法,流程如图1所示,包含以下步骤:
(1)列车通过时,接收从高速图像采集器发出的运行中铁路货车车体的图像、车型和车辆信息;
车辆信息为货车包括车辆数,一列货车大概由40-70辆车和1辆机车构成,图像和车型存入货车车体图像库,图像的命名规则为:x_y_z,x为车辆在车次列车中的编号,从1开始编排;y为该车辆的部位,x_1_z表示车辆的转向架部位,x_2_z表示车辆的制动梁部位,x_3_z表示车辆中间部部位,x_4_z表示车钩勾缓部;z为列车该部位图像的编号,从1开始编排,车辆型号不同,其车辆长短不同,因此图像数量也不同。如3_2_8.jpg表示该列车的第3辆车制动梁部位的第8张图像。
(2)读入待识别图像;
根据车辆车型和车体图像的命名从货车车体图像库中提取出此辆列车含有闸瓦钎部件的图像作为待识别图像。
闸瓦钎是制动梁部位的部件,因此闸瓦钎只会出现在x_2_z图像里,更进一步,本方法通过大量的统计,该部件一般存在于x_2_0、x_2_2、x_2_3、x_2_5、x_2_6、x_2_8、x_2_9、x_2_11的图像里;
(3)根据图像命名进行初定位,得到初步定位后的图像;
根据图像命名初步从待识别图像中框选闸瓦钎在图像中的大致范围,得到初步定位后的图像。
具体为:x_2_0和x_2_6的图像中,闸瓦钎大致在原图像中(221-784,377-700)的范围内;x_2_2和x_2_8的图像中,闸瓦钎大致在原图像中(784-1024,700-1170)的范围内;x_2_3和x_2_9的图像中,闸瓦钎大致在原图中(194-324,240-700)的范围内;x_2_5和x_2_11的图像中,闸瓦钎大致在原图中(700-1024,240-1180)的范围内。其中,(m,n)里,m表示图像的行高,n表示图像的列宽,(a-c,b-d)里表示m的范围为a到c,n的范围为b到d。经过分析大量货车类型和查阅数千万故障图像后证明用这种对应关系判断故障候选区域的位置是可行的。
(4)等比例缩小初步定位后的图像尺寸;
采用图像处理算法对初步定位后的图像的尺寸进行等比例缩小,得到缩小后图像。所述的图像处理算法为图像降采样算法,等比例缩放得缩放比例为1/4(长宽各变为原来的1/2,面积变为原来的1/4)。在该比例下识别速度和识别准确度可以达到最佳的平衡。
(5)缩小后图像的初步预处理;
首先将缩小后图像的彩色图像变换成灰度图像,然后对灰度图像依次进行亮度调整、对比度拉伸、图像求反,完成图像的初步预处理。
对比度拉伸是一个图像处理的概念,一般为了增加前景和背景的区别度,具体的方法根据需求不同而设计,本发明中主要便于在图像中闸瓦钎部件特征向量的提取。图像求反可用公式来描述:y(i,j)=255-x(i,j),y表示输出图像,x表示输入图像,x(i,j)表示坐标为i,j的输入图像像素值,y(i,j)表示坐标为i,j的输出图像像素值。
该预处理方法把图像从彩色图像变化为灰度图像,在转换的过程中可以做到丢弃颜色信息,但是不丢失故障特征信息。
(6)对初步预处理后图像定位候选区域;
计算初步预处理后的图像的水平方向和垂直方向梯度值,通过判断两个方向梯度值总和的大小来精确定位闸瓦钎的位置,闸瓦钎的位置即为候选区域。
具体为:获取初步预处理后图像的水平方向和垂直方向梯度值(sobel值),通过判断图像中的每个点在上、下、左、右四个方向相邻的100~200像素值内水平方向和垂直方向的梯度值总和的大小,当总和的值大于185时,成为候选点,所有候选点的集合构成闸瓦钎的位置即为候选区域。
(7)提取候选区域的图像特征向量;
利用多种特征提取方法对候选区域进行特征提取,得到特征数据。
所述的特征提取方法为:边缘特征提取,角特征提取,脊检测特征提取或者区域特征提取。数学上,脊定义为最大面曲率方向上的极值点,可通过计算Hessian矩阵的特征值进行检测。固定尺度脊向量对目标宽度是非常敏感的。它使得尺度参数随着图像中脊结构进行自动调节。
(8)对特征数据进行识别运算;
把从候选区域中提取的特征数据输入基于人工神经网络分类器进行识别,得到闸瓦钎是否存在故障以及故障的位置信息。
本发明中基于人工神经网络分类器采用BP神经网络,神经网络算法是采用的神经元模型和网络拓扑结构,具有学习功能,可以根据训练样本的情况调整其学习方式,以取得更好的效果。
BP神经网络,由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层,各神经元的信息经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止。
所述的训练样本分为故障样本和非故障样本,均通过人工挑图的方式从列车图像数据中获取;故障样本为包括特征数据以及其对应的故障、故障的位置信息。非故障样本包括无故障时候对应的特征数据。
根据训练样本对基于人工神经网络分类器进行训练,训练完成后,将特征数据输入基于人工神经网络分类器进行识别,得到闸瓦钎是否存在故障以及故障的位置信息。
所述的故障为闸瓦钎窜出的故障,故障的位置信息为闸瓦钎窜出的位置。
(9)输出识别结果;
把识别出的闸瓦钎窜出的故障的位置标记在图像上,输出显示。
数据结果可以被人工直接查看,也可以被其他***以可编程的方式自动访问。前一种便于人工直接观看,后一种便于把本装置结合在其他***中构成更为复杂的应用***。
本发明综合应用了图像处理和模式识别中人工神经网络的基础理论,并进行了改进和整合,对铁路货车闸瓦钎窜出故障图像进行识别,降低了货车安全运行***的人力成本和安检人员劳动强度,强化了列检的安全控制能力,对于保证运输安全畅通,提高运输效率具有非常重要的意义。
Claims (9)
1.一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法,其特征在于,包含以下步骤:
(1)列车通过时,获取运行中铁路货车车体的图像、车型和车辆信息;
车辆信息为货车包括车辆数,图像和车型存入货车车体图像库,对图像进行命名,通过图像的命名能够获知图像中是否含有车辆的制动梁部位,即是否含有闸瓦钎;
(2)读入待识别图像;
根据车辆车型和车体图像的命名从货车车体图像库中提取出此辆列车含有闸瓦钎部件的图像作为待识别图像;
(3)根据图像命名进行初定位,得到初步定位后的图像;
根据图像命名初步从待识别图像中框选闸瓦钎在图像中的范围,得到初步定位后的图像;
(4)等比例缩小初步定位后的图像尺寸;
采用图像处理算法对初步定位后的图像的尺寸进行等比例缩小,得到缩小后图像;
(5)缩小后图像的初步预处理;
首先将缩小后图像的彩色图像变换成灰度图像,然后对灰度图像依次进行亮度调整、对比度拉伸、图像求反,完成图像的初步预处理;
(6)对初步预处理后图像定位候选区域;
计算初步预处理后的图像的水平方向和垂直方向梯度值,通过判断两个方向梯度值总和的大小来精确定位闸瓦钎的位置,闸瓦钎的位置即为候选区域;
(7)提取候选区域的图像特征向量;
利用特征提取方法对候选区域进行特征提取,得到特征数据;
(8)对特征数据进行识别运算;
采用BP神经网络作为基于人工神经网络分类器,获取训练样本,训练样本分为故障样本和非故障样本,故障样本为包括特征数据以及其对应的故障、故障的位置信息,非故障样本包括无故障时候对应的特征数据;把从候选区域中提取的特征数据输入基于人工神经网络分类器进行识别,得到闸瓦钎是否存在故障以及故障的位置信息;所述的故障为闸瓦钎窜出的故障,故障的位置信息为闸瓦钎窜出的位置;
(9)输出识别结果;
把识别出的闸瓦钎窜出的故障的位置标记在图像上,输出显示。
2.根据权利要求1所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法,其特征在于,所述的(1)中铁路货车车体的图像、车型和车辆信息通过高速图像采集器获取。
3.根据权利要求1所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法,其特征在于,所述的(1)中图像的命名规则为:x_y_z,x为车辆在车次列车中的编号,从1开始编排;y为该车辆的部位,x_1_z表示车辆的转向架部位,x_2_z表示车辆的制动梁部位,x_3_z表示车辆中间部部位,x_4_z表示车钩勾缓部;z为列车该部位图像的编号,从1开始编排。
4.根据权利要求1或者3所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法,其特征在于,所述的(2)中待识别图像为x_2_0、x_2_2、x_2_3、x_2_5、x_2_6、x_2_8、x_2_9和x_2_11。
5.根据权利要求1所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法,其特征在于,所述的(3)中,具体为:x_2_0和x_2_6的图像中,闸瓦钎大致在原图像中(221-784,377-700)的范围内;x_2_2和x_2_8的图像中,闸瓦钎大致在原图像中(784-1024,700-1170)的范围内;x_2_3和x_2_9的图像中,闸瓦钎大致在原图中(194-324,240-700)的范围内;x_2_5和x_2_11的图像中,闸瓦钎大致在原图中(700-1024,240-1180)的范围内。其中,(m,n)里,m表示图像的行高,n表示图像的列宽,(a-c,b-d)里表示m的范围为a到c,n的范围为b到d。
6.根据权利要求1所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法,其特征在于,所述的(5)中图像处理算法为图像降采样算法。
7.根据权利要求1所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法,其特征在于,所述的(5)中等比例缩小为:缩放比例为1/4,长宽各变为原来的1/2,面积变为原为原来的1/4。
8.根据权利要求1所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法,其特征在于,所述的(6)具体为:获取初步预处理后图像的水平方向和垂直方向梯度值(sobel值),通过判断图像中的每个点在上、下、左、右四个方向相邻的100~200像素值内水平方向和垂直方向的梯度值总和的大小,当总和的值大于185时,成为候选点,所有候选点的集合构成闸瓦钎的位置即为候选区域
9.根据权利要求1所述的一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法,其特征在于,所述的(7)中特征提取方法为:边缘特征提取,角特征提取,脊检测特征提取或者区域特征提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110172116 CN102332089B (zh) | 2011-06-23 | 2011-06-23 | 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110172116 CN102332089B (zh) | 2011-06-23 | 2011-06-23 | 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102332089A true CN102332089A (zh) | 2012-01-25 |
CN102332089B CN102332089B (zh) | 2013-07-24 |
Family
ID=45483860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110172116 Expired - Fee Related CN102332089B (zh) | 2011-06-23 | 2011-06-23 | 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102332089B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103499584A (zh) * | 2013-10-16 | 2014-01-08 | 北京航空航天大学 | 铁路货车手制动机链条丢失故障的自动检测方法 |
WO2016149881A1 (en) * | 2015-03-20 | 2016-09-29 | Intel Corporation | Object recogntion based on boosting binary convolutional neural network features |
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测***及方法 |
CN106778740A (zh) * | 2016-12-06 | 2017-05-31 | 北京航空航天大学 | 一种基于深度学习的tfds非故障图像检测方法 |
CN106940884A (zh) * | 2015-12-15 | 2017-07-11 | 北京康拓红外技术股份有限公司 | 一种包含深度信息的动车组运行故障图像检测***及方法 |
CN107273802A (zh) * | 2017-05-16 | 2017-10-20 | 武汉华目信息技术有限责任公司 | 一种铁路列车闸瓦钎环故障的检测方法及装置 |
CN108937726A (zh) * | 2017-11-27 | 2018-12-07 | 炬大科技有限公司 | 一种基于清洁度识别的清洁机器人唤醒方法及装置 |
CN109949269A (zh) * | 2019-01-24 | 2019-06-28 | 武汉华目信息技术有限责任公司 | 一种铁路列车防尘帽破损故障的检测方法及装置 |
CN111080605A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车人力制动机轴链脱落故障图像识别方法 |
CN111080608A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车脱轨自动制动阀塞门手把关闭故障图像识别方法 |
CN111091546A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车钩尾框折断故障识别方法 |
CN111091558A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车摇枕弹簧窜出故障图像识别方法 |
CN111091542A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车转向架弹簧托板折断故障图像识别方法 |
CN111830934A (zh) * | 2020-07-17 | 2020-10-27 | 中车大连电力牵引研发中心有限公司 | 一种电力机车故障源定位方法及装置 |
CN112085723A (zh) * | 2020-09-09 | 2020-12-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种货车摇枕弹簧窜出故障自动检测方法 |
CN112733940A (zh) * | 2021-01-12 | 2021-04-30 | 哈尔滨市科佳通用机电股份有限公司 | 一种截断塞门手把关闭故障图像识别方法 |
CN113705494A (zh) * | 2021-09-01 | 2021-11-26 | 武汉铁路职业技术学院 | 一种货物列车制动性能动态检测方法、***及装置 |
CN116188449A (zh) * | 2023-03-13 | 2023-05-30 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6163755A (en) * | 1996-02-27 | 2000-12-19 | Thinkware Ltd. | Obstacle detection system |
CN102072789A (zh) * | 2010-11-03 | 2011-05-25 | 西南交通大学 | 一种地面测试铁道车辆轮轨力的连续化处理方法 |
-
2011
- 2011-06-23 CN CN 201110172116 patent/CN102332089B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6163755A (en) * | 1996-02-27 | 2000-12-19 | Thinkware Ltd. | Obstacle detection system |
CN102072789A (zh) * | 2010-11-03 | 2011-05-25 | 西南交通大学 | 一种地面测试铁道车辆轮轨力的连续化处理方法 |
Non-Patent Citations (1)
Title |
---|
严柏军等: "《BP神经网络和遗传算法在货车车锁检测中的应用》", 《计算机辅助设计与图形学学报》, vol. 14, no. 12, 31 December 2002 (2002-12-31), pages 1179 - 1183 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103499584B (zh) * | 2013-10-16 | 2016-02-17 | 北京航空航天大学 | 铁路货车手制动机链条丢失故障的自动检测方法 |
CN103499584A (zh) * | 2013-10-16 | 2014-01-08 | 北京航空航天大学 | 铁路货车手制动机链条丢失故障的自动检测方法 |
WO2016149881A1 (en) * | 2015-03-20 | 2016-09-29 | Intel Corporation | Object recogntion based on boosting binary convolutional neural network features |
CN107430677A (zh) * | 2015-03-20 | 2017-12-01 | 英特尔公司 | 基于对二进制卷积神经网络特征进行提升的目标识别 |
US10685262B2 (en) | 2015-03-20 | 2020-06-16 | Intel Corporation | Object recognition based on boosting binary convolutional neural network features |
CN107430677B (zh) * | 2015-03-20 | 2022-04-12 | 英特尔公司 | 基于对二进制卷积神经网络特征进行提升的目标识别 |
CN106940884A (zh) * | 2015-12-15 | 2017-07-11 | 北京康拓红外技术股份有限公司 | 一种包含深度信息的动车组运行故障图像检测***及方法 |
CN106600581B (zh) * | 2016-12-02 | 2019-09-24 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测***及方法 |
CN106600581A (zh) * | 2016-12-02 | 2017-04-26 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测***及方法 |
CN106778740A (zh) * | 2016-12-06 | 2017-05-31 | 北京航空航天大学 | 一种基于深度学习的tfds非故障图像检测方法 |
CN107273802A (zh) * | 2017-05-16 | 2017-10-20 | 武汉华目信息技术有限责任公司 | 一种铁路列车闸瓦钎环故障的检测方法及装置 |
CN107273802B (zh) * | 2017-05-16 | 2020-05-22 | 武汉华目信息技术有限责任公司 | 一种铁路列车闸瓦钎环故障的检测方法及装置 |
CN108937726A (zh) * | 2017-11-27 | 2018-12-07 | 炬大科技有限公司 | 一种基于清洁度识别的清洁机器人唤醒方法及装置 |
CN109949269A (zh) * | 2019-01-24 | 2019-06-28 | 武汉华目信息技术有限责任公司 | 一种铁路列车防尘帽破损故障的检测方法及装置 |
CN111091558A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车摇枕弹簧窜出故障图像识别方法 |
CN111080605A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车人力制动机轴链脱落故障图像识别方法 |
CN111091546A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车钩尾框折断故障识别方法 |
CN111080608A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车脱轨自动制动阀塞门手把关闭故障图像识别方法 |
CN111091546B (zh) * | 2019-12-12 | 2020-10-30 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车钩尾框折断故障识别方法 |
CN111091542B (zh) * | 2019-12-12 | 2020-11-27 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车转向架弹簧托板折断故障图像识别方法 |
CN111091542A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车转向架弹簧托板折断故障图像识别方法 |
CN111830934A (zh) * | 2020-07-17 | 2020-10-27 | 中车大连电力牵引研发中心有限公司 | 一种电力机车故障源定位方法及装置 |
CN112085723A (zh) * | 2020-09-09 | 2020-12-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种货车摇枕弹簧窜出故障自动检测方法 |
CN112085723B (zh) * | 2020-09-09 | 2021-04-02 | 哈尔滨市科佳通用机电股份有限公司 | 一种货车摇枕弹簧窜出故障自动检测方法 |
CN112733940A (zh) * | 2021-01-12 | 2021-04-30 | 哈尔滨市科佳通用机电股份有限公司 | 一种截断塞门手把关闭故障图像识别方法 |
CN112733940B (zh) * | 2021-01-12 | 2021-08-27 | 哈尔滨市科佳通用机电股份有限公司 | 一种截断塞门手把关闭故障图像识别方法 |
CN113705494A (zh) * | 2021-09-01 | 2021-11-26 | 武汉铁路职业技术学院 | 一种货物列车制动性能动态检测方法、***及装置 |
CN116188449A (zh) * | 2023-03-13 | 2023-05-30 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 |
CN116188449B (zh) * | 2023-03-13 | 2023-08-08 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102332089B (zh) | 2013-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102332089B (zh) | 一种基于人工神经网络的铁路货车闸瓦钎窜出故障识别方法 | |
CN110399816B (zh) | 一种基于Faster R-CNN的高速列车车底异物检测方法 | |
CN101713776B (zh) | 一种基于神经网络的尿液中有形成分识别分类方法 | |
CN105260744B (zh) | 一种货运列车钩尾扁销部位故障的自动在线诊断方法及*** | |
CN102346844B (zh) | 一种货车下心盘螺栓丢失故障识别装置及其识别方法 | |
CN111881730A (zh) | 一种火电厂现场安全帽佩戴检测方法 | |
CN108009518A (zh) | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
CN104268588B (zh) | 铁路货车闸瓦钎丢失故障的自动检测方法 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN110321891A (zh) | 一种联合深度神经网络与聚类算法的大输液药液异物目标检测方法 | |
CN114399672A (zh) | 一种基于深度学习的铁路货车闸瓦故障检测方法 | |
CN103295027A (zh) | 一种基于支持向量机的铁路货车挡键丢失故障识别方法 | |
CN109165541A (zh) | 用于智能识别轨道交通车辆图像中车辆零部件的编码方法 | |
CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测***及方法 | |
CN105184229A (zh) | 一种动态场景下基于在线学习的实时行人检测方法 | |
CN110473199A (zh) | 一种基于深度学习实例分割的色斑痤疮检测与健康评价方法 | |
CN108509950A (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
Wu et al. | Automatic railroad track components inspection using hybrid deep learning framework | |
CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及*** | |
CN115601558A (zh) | 单开道岔状态检测***及检测方法、半自动数据标注方法 | |
Zhang et al. | An effective framework using identification and image reconstruction algorithm for train component defect detection | |
CN104112145B (zh) | 基于pwld和d‑s证据理论的人脸表情识别方法 | |
Song et al. | High-speed Railway Fastener Detection and Localization Method based on convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130724 |
|
CF01 | Termination of patent right due to non-payment of annual fee |