CN109242035A - 车底故障检测装置及方法 - Google Patents
车底故障检测装置及方法 Download PDFInfo
- Publication number
- CN109242035A CN109242035A CN201811115170.9A CN201811115170A CN109242035A CN 109242035 A CN109242035 A CN 109242035A CN 201811115170 A CN201811115170 A CN 201811115170A CN 109242035 A CN109242035 A CN 109242035A
- Authority
- CN
- China
- Prior art keywords
- dimensional image
- vehicle bottom
- pixel
- fault
- fault zone
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
一种车底故障检测装置和方法,该装置包括二维图像采集模块,用于采集车底的二维图像;三维图像采集模块,用于采集车底的三维图像,三维图像包括车底的深度信息;比对模块,用于比对二维图像与车底参考二维图像,识别二维图像与车底参考二维图像中图像信息不一致的区域作为待分析故障区域;故障识别模块,用于根据深度信息对待分析故障区域进行校验,确定故障区域。本发明能够避免车底图像受到光线、灰尘、水渍等外界环境的干扰导致的漏检、误检问题,提高检测的效率和准确度。
Description
技术领域
本发明涉及轨道运输技术领域,特别涉及一种车底故障检测方法及***。
背景技术
地铁具有节省土地、运量大、速度快等优点,是城市交通的重要组成部分。为了保障地铁列车的安全运行,需要对列车的车底、车侧等部位进行实时或定期检测,以便及时发现故障和安全隐患。
目前地铁车辆的车底、车侧故障检测主要依靠以下两种方式:(1)人工检查,人工检查的方式浪费大量人力,检查效率低,检测准确性不高,对人员的技术水平要求较高,且可能出现故障检测不及时的问题。(2)车底平面图像对比检测,对车底进行二维扫描,获得车底平面图像,然后利用图像识别的方式进行故障检测。这种方式能克服人工检查效率和准确性较低的缺陷,但是由于平面图像不包含高度和深度信息,对故障的判断可能不准确,在检测过程中会产生大量的误报信息,这些误报信息需要耗费大量的人力物力进行核查。因此期待开发一种高效可靠的车底故障检测方法。
发明内容
本发明的目的是提供一种车底故障检测装置,以克服现有检测方式效率低下且容易漏检、误检的问题。
本发明一方面提出一种车底故障检测装置,包括:
二维图像采集模块,用于采集车底的二维图像;
三维图像采集模块,用于采集车底的三维图像,所述三维图像包括车底的深度信息;
比对模块,用于比对所述二维图像与车底参考二维图像,识别所述二维图像与所述车底参考二维图像中图像信息不一致的区域作为待分析故障区域;
故障识别模块,用于根据所述深度信息对所述待分析故障区域进行校验,确定故障区域。
优选地,所述二维图像采集模块包括线阵相机和一对线性激光光源,所述线阵相机的光轴垂直于所述车底,所述一对线性激光光源对称设置于所述光轴的两侧。
优选地,所述三维图像采集模块包括激光器、准直透镜、成像透镜和接收器,所述接收器的光轴相对于所述激光器的光轴倾斜设置,所述准直透镜垂直于所述激光器的光轴设置于所述激光器的光路上,所述成像透镜垂直于所述接收器的光轴设置于所述接收器的光路上。
优选地,根据公式(1)计算车底上的点P的深度:
其中,PO为点P的深度值,AB为点P在成像平面上的成像点B与成像基准点A之间的偏移量,M为成像透镜中心,OM为激光器与接收器的光轴交点O与成像透镜中心之间的距离,MA为成像透镜中心与接收器之间的距离,θ为通过交点O且垂直于激光器光轴的直线与OM之间的夹角,为MB与成像平面之间的夹角。
优选地,所述激光器的光轴与所述线阵相机的光轴形成0~90°之间的夹角。
优选地,所述比对所述二维图像与车底参考二维图像,识别所述二维图像与所述车底参考二维图像中图像信息不一致的区域作为待分析故障区域包括:
提取所述二维图像的轮廓信息,根据所述轮廓信息在参考图像库中查找对应的车底参考二维图像;
逐像素计算所述二维图像与所述车底参考二维图像的灰度值之差;
针对所述二维图像中所述灰度值之差大于灰度阈值的像素进行边缘拟合,将拟合的边缘所限定的区域作为待分析故障区域。
优选地,所述根据所述深度信息对所述待分析故障区域进行校验,确定故障区域包括:
根据所述深度信息,确定所述待分析故障区域内每个像素点的深度值;
分别比较每个像素点的深度值与深度阈值,记录深度值大于所述深度阈值的像素点的数量;
比较所述像素点的数量与预定数量,在所述像素点的数量大于预定数量时将所述待分析故障区域确定为故障区域。
优选地,所述车底故障检测装置还包括同步触发模块,所述同步触发模块用于触发所述二维图像采集模块和三维图像采集模块同时进行图像采集。
本发明另一方面提供一种车底故障检测方法,包括:
采集车底的二维图像和三维图像,所述三维图像包括车底的深度信息;
比对所述二维图像与车底参考二维图像,识别所述二维图像与所述车底参考二维图像中图像信息不一致的区域作为待分析故障区域;
根据所述深度信息对所述待分析故障区域进行校验,确定故障区域。
优选地,所述比对所述二维图像与车底参考二维图像,识别所述二维图像与所述车底参考二维图像中图像信息不一致的区域作为待分析故障区域包括:
提取所述二维图像的轮廓信息,根据所述轮廓信息在参考图像库中查找对应的车底参考二维图像;
逐像素计算所述二维图像与所述车底参考二维图像的灰度值之差;
针对所述二维图像中所述灰度值之差大于灰度阈值的像素进行边缘拟合,将拟合的边缘所限定的区域作为待分析故障区域。
优选地,所述根据所述深度信息对所述待分析故障区域进行校验,确定故障区域包括:
根据所述深度信息,确定所述待分析故障区域内每个像素点的深度值;
分别比较每个像素点的深度值与深度阈值,记录深度值大于所述深度阈值的像素点的数量;
比较所述像素点的数量与预定数量,在所述像素点的数量大于预定数量时将所述待分析故障区域确定为故障区域。
本发明的有益效果在于:利用自动的图像采集和识别来检测车底故障。车底故障检测装置安装于轨道下方,当列车驶过轨道时,二维图像采集模块和三维图像采集模块分别采集车底的二维图像和三维图像,利用二维图像进行初步检测,确定待分析故障区域,利用三维图像的深度信息对待分析故障区域进行校验,确定故障区域,从而能够避免车底图像受到光线、灰尘、水渍等外界环境的干扰导致的漏检、误检问题,提高检测的效率和准确度。
本发明具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的附图标记通常代表相同部件。
图1显示根据本发明示例性实施例的车底故障检测装置的原理框图;
图2显示根据本发明示例性实施例的车底故障检测装置的二维图像采集模块的成像原理图;
图3显示根据本发明示例性实施例的车底故障检测装置的三维图像采集模块的成像原理图;
图4显示根据本发明示例性实施例的车底故障检测方法的流程图。
附图标记说明:
11-二维图像采集模块,101-线阵相机,102-线性激光光源,103-车底;
12-三维图像采集模块,201-激光器,202-准直透镜,203-成像透镜,204-接收器;
13-比对模块,14-故障识别模块。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
图1显示根据本发明示例性实施例的车底故障检测装置的原理框图,如图1所示,其包括:
二维图像采集模块11,用于采集车底的二维图像;
三维图像采集模块12,用于采集车底的三维图像,三维图像包括车底的深度信息;
比对模块13,用于比对二维图像与车底参考二维图像,识别二维图像与车底参考二维图像中图像信息不一致的区域作为待分析故障区域;
故障识别模块14,用于根据深度信息对待分析故障区域进行校验,确定故障区域。
本发明的车底故障检测装置利用自动的图像采集和识别来检测车底故障。车底故障检测装置安装于轨道下方,当列车驶过轨道时,二维图像采集模块和三维图像采集模块分别采集车底的二维图像和三维图像,利用二维图像进行初步检测,确定待分析故障区域,利用三维图像的深度信息对待分析故障区域进行校验,确定故障区域,从而能够避免列车图像受到光线、灰尘、水渍等外界环境的干扰导致的漏检、误检问题,提高检测的效率和准确度。
图2显示根据本发明示例性实施例的车底故障检测装置的二维图像采集模块的成像原理图。如图2所示,在一个示例中,二维图像采集模块包括线阵相机101和一对线性激光光源102,线阵相机101的光轴垂直于车底,一对线性激光光源102对称设置于光轴的两侧。在实际应用中,线阵相机101和线性激光光源102设于两条轨道之间的地面上,向上拍摄车底图像。
线阵相机采用线阵图像传感器,其拍摄的图像无拼接,有利于轮廓定位和图像后续的对比分析;通过设置线性激光光源,使得线阵相机的抗阳光干扰效果好,白天与夜间拍摄的图片亮度基本一致;另外,线阵相机只对运动的物体成像,对静止的物体不成像,无背景干扰。线阵相机可采用广角镜头,拍摄范围更大,单个相机即可实现地铁车辆位于两轨内侧的全部图像。
图3显示根据本发明示例性实施例的车底故障检测装置的三维图像采集模块的成像原理图。如图3所示,在一个示例中,三维图像采集模块包括激光器201、准直透镜202、成像透镜203和接收器204,接收器204的光轴相对于激光器201的光轴倾斜设置,准直透镜202垂直于激光器201的光轴设置于激光器的光路上,成像透镜203垂直于接收器204的光轴设置于接收器的光路上。
激光器201发射的激光束经准直透镜202变为平行的准直光束,被车底上一点P发射后,经成像透镜203后被接收器204接收,在接收器204处成像。
具体地,根据公式(1)计算车底上的点P的深度:
其中,PO为点P的深度值,AB为点P在成像平面上的成像点B与成像基准点A之间的偏移量,M为成像透镜中心,OM为激光器与接收器的光轴交点O与成像透镜中心之间的距离,MA为成像透镜中心与接收器之间的距离,θ为通过交点O且垂直于激光器光轴的直线与OM之间的夹角,为MB与成像平面之间的夹角。
在一个示例中,激光器的光轴与线阵相机的光轴形成0~90°之间的夹角,该角度可以调节。
在一个示例中,比对二维图像与车底参考二维图像,识别二维图像与车底参考二维图像中图像信息不一致的区域作为待分析故障区域包括:
提取二维图像的轮廓信息,根据轮廓信息在参考图像库中查找对应的车底参考二维图像;
逐像素计算二维图像与车底参考二维图像的灰度值之差;
针对二维图像中灰度值之差大于灰度阈值的像素进行边缘拟合,将拟合的边缘所限定的区域作为待分析故障区域。
预先在参考图像库中保存没有故障的车底二维图像,即车底参考二维图像,车底参考二维图像可能有多个,涉及不同品牌、不同型号的地铁列车。二维图像采集模块采集的车底的二维图像可包括多个车体部件,例如车轴、转向架、悬挂部件等,因此可提取二维图像的轮廓信息,并根据轮廓信息在参考图像库中查找对应的车底参考二维图像,以进行后续比对。
确定车底参考二维图像之后,逐像素比对二维图像与车底参考二维图像中对应区域的灰度值,计算二者的灰度值之差;
针对二维图像中灰度值之差大于灰度阈值的像素进行边缘拟合,将拟合的边缘所限定的区域作为待分析故障区域。
灰度值之差大于灰度阈值的像素可能集中在某一区域,也可能较为分散,通过边缘拟合将异常像素(即灰度值之差大于灰度阈值)较为集中的区域作为待分析故障区域,从而可以避免引入干扰像素。
通过灰度值的比对可以初步判断车底的零部件是否存在异常,例如异位、变形、缺失等。
在一个示例中,根据深度信息对待分析故障区域进行校验,确定故障区域包括:
根据所述深度信息,确定所述待分析故障区域内每个像素点的深度值;
分别比较每个像素点的深度值与深度阈值,记录深度值大于所述深度阈值的像素点的数量;
比较所述像素点的数量与预定数量,在所述像素点的数量大于预定数量时将所述待分析故障区域确定为故障区域。
通过灰度值的比对可以初步判断车底的零部件是否存在异常,但是,受到光线、灰尘、水渍等外界环境的影响,待分析故障区域不一定是真正出现异常的区域,仅通过二维图像进行故障检测可能会导致误检。因此,进一步利用三维图像对待分析故障区域进行校验。三维图像采集模块采集的车底的三维图像包括车底任意一点的深度信息。比对模块识别出待分析故障区域之后,根据三维图像采集模块采集到的深度信息,可确定待分析故障区域内每个像素点的深度值。然后分别比较每个像素点的深度值与深度阈值,记录深度值大于所述深度阈值的像素点的数量;比较像素点的数量与预定数量,在像素点的数量大于预定数量时将待分析故障区域确定为故障区域,并可输出故障信息。
在一个示例中,还包括同步触发模块,所述同步触发模块用于触发所述二维图像采集模块和三维图像采集模块同时进行图像采集,以使所采集的二维图像信息与深度信息相对应。
图4显示根据本发明示例性实施例的车底故障检测方法的流程图,如图4所示,该方法包括以下步骤:
步骤1:采集车底的二维图像和三维图像,所述三维图像包括车底的深度信息;
步骤2:比对二维图像与车底参考二维图像,识别二维图像与车底参考二维图像中图像信息不一致的区域作为待分析故障区域;
步骤3:根据深度信息对待分析故障区域进行校验,确定故障区域。
在一个示例中,通过二维图像采集模块采集车底的二维图像。其中,二维图像采集模块包括线阵相机101和一对线性激光光源102,线阵相机101的光轴垂直于车底,一对线性激光光源102对称设置于光轴的两侧。在实际应用中,线阵相机101和线性激光光源102设于两条轨道之间的地面上,向上拍摄车底图像。
在一个示例中,通过三维图像采集模块采集车底的三维图像。其中,三维图像采集模块包括激光器201、准直透镜202、成像透镜203和接收器204,接收器204的光轴相对于激光器201的光轴倾斜设置,准直透镜202垂直于激光器201的光轴设置于激光器的光路上,成像透镜203垂直于接收器204的光轴设置于接收器的光路上。
具体地,根据公式(1)计算车底上的点P的深度:
其中,PO为点P的深度值,AB为点P在成像平面上的成像点B与成像基准点A之间的偏移量,M为成像透镜中心,OM为激光器与接收器的光轴交点O与成像透镜中心之间的距离,MA为成像透镜中心与接收器之间的距离,θ为通过交点O且垂直于激光器光轴的直线与OM之间的夹角,为MB与成像平面之间的夹角。
在一个示例中,比对二维图像与车底参考二维图像,识别二维图像与车底参考二维图像中图像信息不一致的区域作为待分析故障区域包括:
提取二维图像的轮廓信息,根据轮廓信息在参考图像库中查找对应的车底参考二维图像;
逐像素计算所述二维图像与所述车底参考二维图像的灰度值之差;
针对所述二维图像中所述灰度值之差大于灰度阈值的像素进行边缘拟合,将拟合的边缘所限定的区域作为待分析故障区域。
在一个示例中,根据深度信息对待分析故障区域进行校验,确定故障区域包括:
根据所述深度信息,确定所述待分析故障区域内每个像素点的深度值;
分别比较每个像素点的深度值与深度阈值,记录深度值大于所述深度阈值的像素点的数量;
比较所述像素点的数量与预定数量,在所述像素点的数量大于预定数量时将所述待分析故障区域确定为故障区域。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种车底故障检测装置,其特征在于,包括:
二维图像采集模块,用于采集车底的二维图像;
三维图像采集模块,用于采集车底的三维图像,所述三维图像包括车底的深度信息;
比对模块,用于比对所述二维图像与车底参考二维图像,识别所述二维图像与所述车底参考二维图像中图像信息不一致的区域作为待分析故障区域;
故障识别模块,用于根据所述深度信息对所述待分析故障区域进行校验,确定故障区域。
2.根据权利要求1所述的车底故障检测装置,其特征在于,所述二维图像采集模块包括线阵相机和一对线性激光光源,所述线阵相机的光轴垂直于所述车底,所述一对线性激光光源对称设置于所述光轴的两侧。
3.根据权利要求2所述的车底故障检测装置,其特征在于,所述三维图像采集模块包括激光器、准直透镜、成像透镜和接收器,所述接收器的光轴相对于所述激光器的光轴倾斜设置,所述准直透镜垂直于所述激光器的光轴设置于所述激光器的光路上,所述成像透镜垂直于所述接收器的光轴设置于所述接收器的光路上。
4.根据权利要求3所述的车底故障检测装置,其特征在于,根据公式(1)计算车底上的点P的深度:
其中,PO为点P的深度值,AB为点P在成像平面上的成像点B与成像基准点A之间的偏移量,M为成像透镜中心,OM为激光器与接收器的光轴交点O与成像透镜中心之间的距离,MA为成像透镜中心与接收器之间的距离,θ为通过交点O且垂直于激光器光轴的直线与OM之间的夹角,为MB与成像平面之间的夹角。
5.根据权利要求3所述的车底故障检测装置,其特征在于,所述激光器的光轴与所述线阵相机的光轴形成0~90°之间的夹角。
6.根据权利要求1所述的车底故障检测装置,其特征在于,所述比对所述二维图像与车底参考二维图像,识别所述二维图像与所述车底参考二维图像中图像信息不一致的区域作为待分析故障区域包括:
提取所述二维图像的轮廓信息,根据所述轮廓信息在参考图像库中查找对应的车底参考二维图像;
逐像素计算所述二维图像与所述车底参考二维图像的灰度值之差;
针对所述二维图像中所述灰度值之差大于灰度阈值的像素进行边缘拟合,将拟合的边缘所限定的区域作为待分析故障区域。
7.根据权利要求1所述的车底故障检测装置,其特征在于,所述根据所述深度信息对所述待分析故障区域进行校验,确定故障区域包括:
根据所述深度信息,确定所述待分析故障区域内每个像素点的深度值;
分别比较每个像素点的深度值与深度阈值,记录深度值大于所述深度阈值的像素点的数量;
比较所述像素点的数量与预定数量,在所述像素点的数量大于预定数量时将所述待分析故障区域确定为故障区域。
8.根据权利要求1所述的车底故障检测装置,其特征在于,还包括同步触发模块,所述同步触发模块用于触发所述二维图像采集模块和三维图像采集模块同时进行图像采集。
9.一种车底故障检测方法,其特征在于,包括:
采集车底的二维图像和三维图像,所述三维图像包括车底的深度信息;
比对所述二维图像与车底参考二维图像,识别所述二维图像与所述车底参考二维图像中图像信息不一致的区域作为待分析故障区域;
根据所述深度信息对所述待分析故障区域进行校验,确定故障区域。
10.根据权利要求9所述的车底故障检测方法,其特征在于,所述根据所述深度信息对所述待分析故障区域进行校验,确定故障区域包括:
根据所述深度信息,确定所述待分析故障区域内每个像素点的深度值;
分别比较每个像素点的深度值与深度阈值,记录深度值大于所述深度阈值的像素点的数量;
比较所述像素点的数量与预定数量,在所述像素点的数量大于预定数量时将所述待分析故障区域确定为故障区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811115170.9A CN109242035B (zh) | 2018-09-25 | 2018-09-25 | 车底故障检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811115170.9A CN109242035B (zh) | 2018-09-25 | 2018-09-25 | 车底故障检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242035A true CN109242035A (zh) | 2019-01-18 |
CN109242035B CN109242035B (zh) | 2019-12-24 |
Family
ID=65056138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811115170.9A Active CN109242035B (zh) | 2018-09-25 | 2018-09-25 | 车底故障检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242035B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349216A (zh) * | 2019-07-18 | 2019-10-18 | 合肥泰禾光电科技股份有限公司 | 货箱位置检测方法及装置 |
CN111292294A (zh) * | 2020-01-20 | 2020-06-16 | 北京主导时代科技有限公司 | 一种库内车底部件异常检测方法及*** |
CN111289261A (zh) * | 2020-01-20 | 2020-06-16 | 成都主导科技有限责任公司 | 一种库内车底部件检测方法 |
CN112651343A (zh) * | 2020-12-28 | 2021-04-13 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的铁路货车制动梁折断故障识别方法 |
CN112669290A (zh) * | 2020-12-30 | 2021-04-16 | 稿定(厦门)科技有限公司 | 图像比对方法及装置 |
CN113808096A (zh) * | 2021-09-14 | 2021-12-17 | 成都主导软件技术有限公司 | 一种非接触式的螺栓松动检测方法及其*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6542849B2 (en) * | 2001-01-19 | 2003-04-01 | The University Of Chicago | Method for determining defect depth using thermal imaging |
CN102635056A (zh) * | 2012-04-01 | 2012-08-15 | 长安大学 | 一种沥青路面构造深度的测量方法 |
CN103077526A (zh) * | 2013-02-01 | 2013-05-01 | 苏州华兴致远电子科技有限公司 | 具有深度检测功能的列车异常检测方法及*** |
CN104567726A (zh) * | 2014-12-17 | 2015-04-29 | 苏州华兴致远电子科技有限公司 | 车辆运行故障检测***及方法 |
CN104567725A (zh) * | 2014-12-17 | 2015-04-29 | 苏州华兴致远电子科技有限公司 | 车辆运行故障检测***及方法 |
CN204461369U (zh) * | 2014-12-17 | 2015-07-08 | 苏州华兴致远电子科技有限公司 | 车辆运行故障检测*** |
CN105571512A (zh) * | 2015-12-15 | 2016-05-11 | 北京康拓红外技术股份有限公司 | 一种基于深度信息与可视图像信息相融合的车辆信息采集方法及装置 |
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 |
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 |
CN107631699A (zh) * | 2017-08-18 | 2018-01-26 | 中北大学 | 基于网格结构激光的焊缝三维形貌构建方法 |
-
2018
- 2018-09-25 CN CN201811115170.9A patent/CN109242035B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6542849B2 (en) * | 2001-01-19 | 2003-04-01 | The University Of Chicago | Method for determining defect depth using thermal imaging |
CN102635056A (zh) * | 2012-04-01 | 2012-08-15 | 长安大学 | 一种沥青路面构造深度的测量方法 |
CN103077526A (zh) * | 2013-02-01 | 2013-05-01 | 苏州华兴致远电子科技有限公司 | 具有深度检测功能的列车异常检测方法及*** |
CN104567726A (zh) * | 2014-12-17 | 2015-04-29 | 苏州华兴致远电子科技有限公司 | 车辆运行故障检测***及方法 |
CN104567725A (zh) * | 2014-12-17 | 2015-04-29 | 苏州华兴致远电子科技有限公司 | 车辆运行故障检测***及方法 |
CN204461369U (zh) * | 2014-12-17 | 2015-07-08 | 苏州华兴致远电子科技有限公司 | 车辆运行故障检测*** |
CN105571512A (zh) * | 2015-12-15 | 2016-05-11 | 北京康拓红外技术股份有限公司 | 一种基于深度信息与可视图像信息相融合的车辆信息采集方法及装置 |
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 |
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 |
CN107631699A (zh) * | 2017-08-18 | 2018-01-26 | 中北大学 | 基于网格结构激光的焊缝三维形貌构建方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349216A (zh) * | 2019-07-18 | 2019-10-18 | 合肥泰禾光电科技股份有限公司 | 货箱位置检测方法及装置 |
CN111292294A (zh) * | 2020-01-20 | 2020-06-16 | 北京主导时代科技有限公司 | 一种库内车底部件异常检测方法及*** |
CN111289261A (zh) * | 2020-01-20 | 2020-06-16 | 成都主导科技有限责任公司 | 一种库内车底部件检测方法 |
CN112651343A (zh) * | 2020-12-28 | 2021-04-13 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于图像处理的铁路货车制动梁折断故障识别方法 |
CN112669290A (zh) * | 2020-12-30 | 2021-04-16 | 稿定(厦门)科技有限公司 | 图像比对方法及装置 |
CN113808096A (zh) * | 2021-09-14 | 2021-12-17 | 成都主导软件技术有限公司 | 一种非接触式的螺栓松动检测方法及其*** |
CN113808096B (zh) * | 2021-09-14 | 2024-01-30 | 成都主导软件技术有限公司 | 一种非接触式的螺栓松动检测方法及其*** |
Also Published As
Publication number | Publication date |
---|---|
CN109242035B (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242035A (zh) | 车底故障检测装置及方法 | |
EP3621867B1 (en) | System and method for mapping a railway track | |
CN103630088B (zh) | 基于双激光带的高精度隧道断面检测方法及装置 | |
CN106053475B (zh) | 基于主动式全景视觉的隧道病害全断面动态快速检测装置 | |
Wohlfeil | Vision based rail track and switch recognition for self-localization of trains in a rail network | |
CN102556116B (zh) | 基于激光和视觉的铁路扣件缺失高速探测***与方法 | |
CN106778737B (zh) | 一种车牌矫正方法、装置和一种视频采集装置 | |
CN109658397A (zh) | 一种轨道巡检方法及*** | |
CN109164443A (zh) | 基于雷达及图像分析的铁路线路异物检测方法及*** | |
CN106679567A (zh) | 基于双目立体视觉的接触网及支柱几何参数检测测量*** | |
CN103077526B (zh) | 具有深度检测功能的列车异常检测方法及*** | |
CN102737236A (zh) | 一种基于多模态传感器数据自动获取车辆训练样本方法 | |
CN111289261B (zh) | 一种库内车底部件检测方法 | |
CN112132896A (zh) | 一种轨旁设备状态检测方法及*** | |
WO2014136976A1 (ja) | 架線位置計測装置及び方法 | |
CN103640595A (zh) | 一种铁路防护栏网自动检测***及破损识别方法 | |
CN110443819A (zh) | 一种单轨列车的轨道检测方法和装置 | |
CN107806824A (zh) | 一种低速状态下接触网几何参数的检测方法及装置 | |
Jenkins et al. | An imaging system for visual inspection and structural condition monitoring of railway tunnels | |
CN113295094B (zh) | 一种受电弓动态包络线侵限检测方法、装置和*** | |
KR20180136601A (ko) | 포트홀 검출장치 및 포트홀 관리 시스템 | |
CN116363691A (zh) | 安检信息绑定方法、装置、电子设备及可读存储介质 | |
CN206193248U (zh) | 一种飞机泊位障碍物检测*** | |
Espino et al. | Rail and turnout detection using gradient information and template matching | |
CN114830180A (zh) | 摄像机自动检查*** |
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 |