CN111079631A - 一种铁路货车钩提杆脱落故障识别方法及*** - Google Patents
一种铁路货车钩提杆脱落故障识别方法及*** Download PDFInfo
- Publication number
- CN111079631A CN111079631A CN201911272590.2A CN201911272590A CN111079631A CN 111079631 A CN111079631 A CN 111079631A CN 201911272590 A CN201911272590 A CN 201911272590A CN 111079631 A CN111079631 A CN 111079631A
- Authority
- CN
- China
- Prior art keywords
- convolution
- coding unit
- lifting rod
- image
- hook
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种铁路货车钩提杆脱落故障识别方法及***,属于货运列车检测技术领域。本发明是为了解决采用现有方法对货车钩提杆脱落故障检测的准确率低的问题。本发明方法的具体实施过程为:步骤一、采集货车图像,从采集的货车图像中确定钩提杆区域后,提取出钩提杆区域图像,利用提取出的钩提杆区域图像构建训练集;步骤二、构建深度学习模型,利用训练集对构建的深度学习模型进行训练,获得训练好的深度学习模型;步骤三、将待测图像输入训练好的深度学习模型,获得深度学习模型的输出结果,利用图像处理方法对输出结果进行处理,获得钩提杆脱落故障的判定结果。本发明主要用于钩提杆脱落检测。
Description
技术领域
本发明涉及一种铁路货车钩提杆脱落故障识别方法及***,属于货运列车检测技术领域。
背景技术
钩提杆是将互相连挂的2辆车车钩进行解开操作的部件,货车在站场进行编组时,经常需要转动钩提杆以解编车辆,若钩提杆发生故障会影响列车的编组操作。在以往的检测中,通常是采用人工检测的方式。这种检测方式存在人为主观因素影响,而且当人工出现疲劳的现象时会造成故障的错检、漏检情况的发生,导致故障检测的准确率低。
因此,对货车进行自动化故障检测具有重要意义。但是目前并没有一种自动化的故障检测方法。虽然通过现有的图像处理技术能够实现检测,但是目前的图像处理技术对钩提杆脱落故障检测的效果有限,主要原因是货车的设备检测具有包括检测环境因素和人为因素等在内的特殊性,导致采用现有方法对货车钩提杆脱落故障检测的准确率低。
发明内容
本发明的目的是为了解决采用现有方法对货车钩提杆脱落故障检测的准确率低的问题,而提出了铁路货车钩提杆脱落故障识别方法及***。
本发明的技术方案为:一种铁路货车钩提杆脱落故障识别方法,该方法具体包括以下步骤:
步骤一、采集货车图像,从采集的货车图像中确定钩提杆区域后,提取出钩提杆区域图像,利用提取出的钩提杆区域图像构建训练集;
步骤二、构建深度学习模型,利用训练集对构建的深度学习模型进行训练,获得训练好的深度学习模型;
步骤三、将待测图像输入训练好的深度学习模型,获得深度学习模型的输出结果,利用图像处理方法对输出结果进行处理,获得钩提杆脱落故障的判定结果,所述判定的过程为:首先将途径火车图像利用深度学习网络进行数据变换,并使用训练好的网络模型完成钩提杆图像预测,使预测结果的灰度值在0~1之间,并对预测图像乘以255,然后采用图像处理的方法确定两者的位置,判断杆的根部与座之间的距离,若距离超出设定阈值则对此钩提杆图像进行故障报警,若距离未超出设定阈值则继续处理下一张钩提杆图像。
进一步的,所述深度学习模型包括编码器和解码器;
所述的编码器采用3个下采样的编码单元;
第一编码单元包括两个3*3的卷积层,且第二个卷积层后接ReLU激活函数,激活函数的输出再经过池化层进行池化;第二编码单元和第三编码单元与第一编码单元相同;
第一编码单元X0_0的输出作为第二编码单元X1_0的输入,第二编码单元X1_0的输出作为第三编码单元X2_0的输入,同时第二编码单元X1_0的输出经过卷积核大小为2*2的卷积层进行反卷积完成上采样操作后,再与卷积核大小为3*3的卷积层进行卷积,卷积结果与第一编码单元X0_0进行跳转连接变为X0_1;
第三编码单元X2_0完成下采样变为X3_0,同时第三编码单元X2_0的输出经过卷积核大小为2*2的卷积层进行反卷积完成上采样操作后,再与卷积核大小为3*3的卷积层进行卷积,卷积结果与第二编码单元X1_0进行跳转连接变为X1_1;
X1_1经过卷积核大小为2*2的卷积层进行反卷积完成上采样操作后,再与卷积核大小为3*3卷积层进行卷积,卷积结果与X0_1进行跳转连接变为X0_2;
所述的解码器采用3个上采样的解码单元;
第一解码单元包括两个3*3的卷积层,且第二个卷积层后接ReLU激活函数,激活函数后接卷积核大小为2*2的卷积层;第二解码单元和第三解码单元与第一解码单元相同;
第三解码单元X2_1与第三编码单元X2_0跳转连接,第二解码单元X1_2与X1_1跳转连接,第一解码单元X0_3与X0_2跳转连接。
进一步的,所述的深度学习模型的ReLU激活函数如下:
其中,ReLU(x)代表ReLU激活函数,其中x为函数输入,取值范围(-∞,+∞)。
进一步的,所述利用提取出的图像构建训练集的具体过程为:
采用图像平移和旋转的方式对提取出的钩提杆区域图像进行数据增强,再对数据增强结果进行标记,并将标记结果转为灰度图像。
进一步的,所述第一解码单元的输出经过卷积核大小为1*1的卷积层进行卷积,卷积后再接SoftMax激活函数,SoftMax激活函数的形式如下:
其中,σ(z)j代表SoftMax激活函数,k=1,2,…,K,σ(z)j为输入z属于类别j的概率。
一种铁路货车钩提杆脱落故障识别***,包括一个深度学习模型;
所述深度学习模型包括编码器和解码器;
所述的编码器采用3个下采样的编码单元;
第一编码单元包括两个3*3的卷积层,且第二个卷积层后接ReLU激活函数,激活函数的输出经过池化层进行池化;第二编码单元和第三编码单元与第一编码单元相同;
第一编码单元X0_0的输出作为第二编码单元X1_0的输入,第二编码单元X1_0的输出作为第三编码单元X2_0的输入,同时第二编码单元X1_0的输出经过卷积核大小为2*2的卷积层进行反卷积完成上采样操作后,再与卷积核大小为3*3的卷积层进行卷积,卷积结果与第一编码单元X0_0进行跳转连接变为X0_1;
第三编码单元X2_0完成下采样变为X3_0,同时第三编码单元X2_0的输出经过卷积核大小为2*2的卷积层进行反卷积完成上采样操作后,再与卷积核大小为3*3的卷积层进行卷积,卷积结果与第二编码单元X1_0进行跳转连接变为X1_1;
X1_1经过卷积核大小为2*2的卷积层进行反卷积完成上采样操作后,再与卷积核大小为3*3卷积层进行卷积,卷积结果与X0_1进行跳转连接变为X0_2;
所述的解码器采用3个上采样的解码单元;
第一解码单元包括两个3*3的卷积层,且第二个卷积层后接ReLU激活函数,激活函数后接卷积核大小为2*2的卷积层;第二解码单元和第三解码单元与第一解码单元相同;
第三解码单元X2_1与第三编码单元X2_0跳转连接,第二解码单元X1_2与X1_1跳转连接,第一解码单元X0_3与X0_2跳转连接。
进一步的,所述***还包括一个部件脱落检测模块;
所述的部件脱落检测模块,用于根据深度学习模型的输出结果,进行钩提杆脱落的判定。
进一步的,所述***还包括图像提取单元,所述图像提取单元用于从采集的货车图像中确定钩提杆区域,并提取出钩提杆区域图像。
进一步的,所述***还包括图像采集模块,所述图像采集模块用于采集货车图像。
有益效果:
1、本发明对传统的Unet深度学习模型进行改进,并将改进后的深度学习模型应用到钩提杆脱落故障的自动识别中,将待测图像输入到训练好的深度学习模型后,采用现有的图像处理方法对输出结果进行处理,来对钩提杆脱落故障进行判定,与现有方法相比,本发明方法可以提高故障识别的准确率,并且对故障的漏检率几乎为0。
2、本发明对传统的Unet模型进行改进,可以有效增强深度学习模型的泛化能力,减少误分割区域,使算法具有鲁棒性。
附图说明
图1为具体实施方式的故障识别流程图。
图2为深度学习模型的权重系数计算流程图。
图3为改进的Unet深度学习模型结构图。
具体实施方式
具体实施方式一:参照图1具体说明本实施方式,
本实施方式所述的铁路货车钩提杆脱落故障识别方法及***,包括以下步骤:
1、建立深度学习模型所需训练集
通过货车行驶轨边两侧的图像采集设备完成钩提杆高清灰度图像采集,由于货车运行在露天的情况下,钩提杆会受到自然条件(如:雨渍、泥渍、锈迹)以及人为条件(如:油渍)影响,在图像中呈现不同的灰度变化。因此,在前期收集钩提杆的数据样本时,需要尽量保证数据的多样性,保证样本尽可能覆盖各种条件下的钩提杆图像。这样可以提高后期训练出来的网络模型的泛化能力。
在网络训练过程中,神经网络需要大量的参数,许许多多的神经网路的参数都是数以百万计,要使得这些参数可以正确工作,需要利用大量的数据进行训练,而实际情况中,数据有限,因此在前期数据准备阶段,对数据样本进行数据增强工作,采用的方法包括图像平移、旋转、加噪声等,这样不仅增加训练的数据量,提高模型的泛化能力,而且通过增加噪声数据,还可以提升模型的鲁棒性。
2、原始数据标记
钩提杆与钩提杆座搭配在一起,同时钩提杆根部与钩提杆座具有固定的位置关系,因此,在数据标记时,使用labelme标注工具人工对杆和座进行两类标记,标记完成以后,可将标记结果转为灰度图像,并使钩提杆原始图像和标记图像一一对应关系。在标记图像中,钩提杆图像中杆和座使不同灰度值。
3、网络模型训练以及预测
本发明对原有Unet网络进行改进,原有的Unet网络直接将高分辨率特征映射从编码器快速转发到解码器网络,从而导致语义不同的特征映射的融合,针对钩提杆存在的自然条件和人为条件的干扰模型的泛化能力还是不够的,而且在图像中与杆形态相似的其他部件在预测时出现误分割的现象,对后续的钩提杆故障的判断造成影响,容易出现误报,因此本发明在原有的网络模型中的编码器和解码器子网络中通过一系列的密集跳转路径连接,从而减少编码器和解码器子网络特征映射之间的语义差距,可以更有效的捕获前景目标的细节,使得优化器针对学习任务更容易,同时也减少图像中针对钩提杆误分割现象。
在模型训练之前,首先将钩提杆原始图像和标记图像进行归一化处理,将归一化得数据作为搭建好的模型输入进行训练。
此网络主要包括卷积(convolution)、池化(Pooling)和激活函数(ReLU)作用等操作。卷积是一个二维的滤波器矩阵(卷积核)与一个待处理的二维图像进行逐个元素相乘再求和的操作。池化是将输入图像进行降维,减少像素信息,只保留重要信息。最大池化(max-pooling)保留了每块内的最大值。激活函数(The Rectified Linear Unit,修正线性单元)是分段线性函数,所有的负值都是0,正直不变,这种操作被称为单侧抑。激活函数如公式(1):
相比于其他激活函数,对于线性函数而言,ReLU的表达能力更强,尤其体现在深度网络中;而对于非线性函数而言,ReLU由于非负区间的梯度为常数,因此不存在梯度消失问题,使得模型的收敛速度维持在一个稳定状态。
如图3所示。模型中含有3个编码单元、3个解码单元,3个编码单元为两个分别为32、64、128通道的3*3卷积核卷积后接ReLU激活函数,并进行池化。第二层编码器单元X1_0在完成下采样X2_0,同时也进行2*2的卷积核进行反卷积完成上采样操作,在与32通道的3*3卷积核进行卷积与上一层编码器单元X0_0进行跳转连接变为X0_1。第三层编码器单元X2_0完成下采样变为X3_0,同时也进行2*2的卷积核进行反卷积完成上采样操作,在与64通道的3*3卷积核进行卷积与上一层编码器单元X1_0进行跳转连接变为X1_1。并将X1_1进行2*2的卷积核进行反卷积完成上采样操作,在与64通道的3*3卷积核进行卷积与X0_1进行跳转连接变为X0_2。解码器单元为两个分别为128、64、32通道的3*3卷积核卷积后接ReLU激活函数再进行2*2的卷积核进行反卷积完成上采样操作。第三层解码器单元X2_1与编码器单元X2_0跳转连接,第二层解码器单元X1_2与X1_1跳转连接,第一层解码器单元X0_3与X0_2跳转连接。最后由于钩提杆在标记时有杆、座以及背景3类,因此在模型输出后使用3通道的1×1大小的卷积核进行卷积,后接SoftMax激活函数。
SoftMax函数形式如下:
SoftMax可以把一个k维的real value向量(a1,a2,a3,a4….)映射成一个(b1,b2,b3,b4….)其中bi是一个0-1的常数,然后可以根据bi的大小来进行多分类的任务,如取权重最大的一维。适合钩提杆图像的座和杆的二分类。
如图2所示,利用损失函数来衡量模型预测输出与实际标签结果之间的差异,并利用优化器来不断更新权重,直至损失函数收敛时,停止训练,获得训练好的模型和模型的权重系数。
4、钩提杆脱落故障判别
将真实过车图像使用深度学习网络进行数据变换后,使用训练好的模型完成钩提杆图像预测,预测结果灰度值在0~1之间,为了方便处理针对预测图像乘以255,这样钩提杆图像中的座为一个灰度值,杆为一个灰度值。在图像中钩提杆座与杆之间具有一样的相对位置关系,因此采用图像处理的方法确定两者的位置,判断杆的根部(挂在车钩上)与座之间的距离,如果超出距离设定阈值则对此钩提杆图像进行故障报警。若符合要求则继续处理下一张钩提杆图像。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。
Claims (9)
1.一种铁路货车钩提杆脱落故障识别方法,其特征在于,该方法具体包括以下步骤:
步骤一、采集货车图像,从采集的货车图像中确定钩提杆区域后,提取出钩提杆区域图像,利用提取出的钩提杆区域图像构建训练集;
步骤二、构建深度学习模型,利用训练集对构建的深度学习模型进行训练,获得训练好的深度学习模型;
步骤三、将待测图像输入训练好的深度学习模型,获得深度学习模型的输出结果,利用图像处理方法对输出结果进行处理,获得钩提杆脱落故障的判定结果,所述判定的过程为:首先将途径火车图像利用深度学习网络进行数据变换,并使用训练好的网络模型完成钩提杆图像预测,使预测结果的灰度值在0~1之间,并对预测图像乘以255,然后采用图像处理的方法确定两者的位置,判断杆的根部与座之间的距离,若距离超出设定阈值则对此钩提杆图像进行故障报警,若距离未超出设定阈值则继续处理下一张钩提杆图像。
2.根据权利要求1所述的一种铁路货车钩提杆脱落故障识别方法,其特征在于,所述深度学习模型包括编码器和解码器;
所述的编码器采用3个下采样的编码单元;
第一编码单元包括两个3*3的卷积层,且第二个卷积层后接ReLU激活函数,激活函数的输出再经过池化层进行池化;第二编码单元和第三编码单元与第一编码单元相同;
第一编码单元X0_0的输出作为第二编码单元X1_0的输入,第二编码单元X1_0的输出作为第三编码单元X2_0的输入,同时第二编码单元X1_0的输出经过卷积核大小为2*2的卷积层进行反卷积完成上采样操作后,再与卷积核大小为3*3的卷积层进行卷积,卷积结果与第一编码单元X0_0进行跳转连接变为X0_1;
第三编码单元X2_0完成下采样变为X3_0,同时第三编码单元X2_0的输出经过卷积核大小为2*2的卷积层进行反卷积完成上采样操作后,再与卷积核大小为3*3的卷积层进行卷积,卷积结果与第二编码单元X1_0进行跳转连接变为X1_1;
X1_1经过卷积核大小为2*2的卷积层进行反卷积完成上采样操作后,再与卷积核大小为3*3卷积层进行卷积,卷积结果与X0_1进行跳转连接变为X0_2;
所述的解码器采用3个上采样的解码单元;
第一解码单元包括两个3*3的卷积层,且第二个卷积层后接ReLU激活函数,激活函数后接卷积核大小为2*2的卷积层;第二解码单元和第三解码单元与第一解码单元相同;
第三解码单元X2_1与第三编码单元X2_0跳转连接,第二解码单元X1_2与X1_1跳转连接,第一解码单元X0_3与X0_2跳转连接。
4.根据权利要求2所述的一种铁路货车钩提杆脱落故障识别方法,其特征在于,所述利用提取出的图像构建训练集的具体过程为:
采用图像平移和旋转的方式对提取出的钩提杆区域图像进行数据增强,再对数据增强结果进行标记,并将标记结果转为灰度图像。
6.一种铁路货车钩提杆脱落故障识别***,其特征在于,包括一个深度学习模型;
所述深度学习模型包括编码器和解码器;
所述的编码器采用3个下采样的编码单元;
第一编码单元包括两个3*3的卷积层,且第二个卷积层后接ReLU激活函数,激活函数的输出经过池化层进行池化;第二编码单元和第三编码单元与第一编码单元相同;
第一编码单元X0_0的输出作为第二编码单元X1_0的输入,第二编码单元X1_0的输出作为第三编码单元X2_0的输入,同时第二编码单元X1_0的输出经过卷积核大小为2*2的卷积层进行反卷积完成上采样操作后,再与卷积核大小为3*3的卷积层进行卷积,卷积结果与第一编码单元X0_0进行跳转连接变为X0_1;
第三编码单元X2_0完成下采样变为X3_0,同时第三编码单元X2_0的输出经过卷积核大小为2*2的卷积层进行反卷积完成上采样操作后,再与卷积核大小为3*3的卷积层进行卷积,卷积结果与第二编码单元X1_0进行跳转连接变为X1_1;
X1_1经过卷积核大小为2*2的卷积层进行反卷积完成上采样操作后,再与卷积核大小为3*3卷积层进行卷积,卷积结果与X0_1进行跳转连接变为X0_2;
所述的解码器采用3个上采样的解码单元;
第一解码单元包括两个3*3的卷积层,且第二个卷积层后接ReLU激活函数,激活函数后接卷积核大小为2*2的卷积层;第二解码单元和第三解码单元与第一解码单元相同;
第三解码单元X2_1与第三编码单元X2_0跳转连接,第二解码单元X1_2与X1_1跳转连接,第一解码单元X0_3与X0_2跳转连接。
7.根据权利要求6所述的一种闸瓦插销丢失检测***,其特征在于,所述***还包括一个部件脱落检测模块;
所述的部件脱落检测模块,用于根据深度学习模型的输出结果,进行钩提杆脱落的判定。
8.根据权利要求6或7所述的一种闸瓦插销丢失检测***,其特征在于,所述***还包括图像提取单元,所述图像提取单元用于从采集的货车图像中确定钩提杆区域,并提取出钩提杆区域图像。
9.根据权利要求8所述的一种闸瓦插销丢失检测***,其特征在于,所述***还包括图像采集模块,所述图像采集模块用于采集货车图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911272590.2A CN111079631A (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车钩提杆脱落故障识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911272590.2A CN111079631A (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车钩提杆脱落故障识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111079631A true CN111079631A (zh) | 2020-04-28 |
Family
ID=70314054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911272590.2A Pending CN111079631A (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车钩提杆脱落故障识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079631A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652295A (zh) * | 2020-05-21 | 2020-09-11 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车钩尾销托梁脱落故障识别方法 |
CN111652294A (zh) * | 2020-05-21 | 2020-09-11 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车折叠式人力制动机轴脱落故障识别方法及*** |
CN111768313A (zh) * | 2020-06-22 | 2020-10-13 | 上海申铁信息工程有限公司 | 基于采集点识别编码的铁路***能耗数据采集方法和装置 |
CN112184588A (zh) * | 2020-09-29 | 2021-01-05 | 哈尔滨市科佳通用机电股份有限公司 | 一种针对故障检测的图像增强***及方法 |
CN112347952A (zh) * | 2020-11-11 | 2021-02-09 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车钩尾框托板脱落识别方法 |
CN112418253A (zh) * | 2020-12-18 | 2021-02-26 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的撒砂管松脱故障图像识别方法及*** |
CN112562289A (zh) * | 2020-12-15 | 2021-03-26 | 广州极飞科技有限公司 | 一种图像采集器的防遗失方法、装置、设备及存储介质 |
CN115170890A (zh) * | 2022-07-28 | 2022-10-11 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车连接拉杆链折断故障识别方法 |
CN115346172A (zh) * | 2022-08-16 | 2022-11-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种钩提杆复位弹簧丢失和折断检测方法及*** |
CN116363111A (zh) * | 2023-04-06 | 2023-06-30 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车人力制动机导向杆卡滞故障识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506695A (zh) * | 2017-07-28 | 2017-12-22 | 武汉理工大学 | 视频监控设备故障自动检测方法 |
WO2019036144A1 (en) * | 2017-08-18 | 2019-02-21 | Landmark Graphics Corporation | DETECTION OF FAILURES BASED ON THE INTERPRETATION OF SEISMIC DATA |
CN110207997A (zh) * | 2019-07-24 | 2019-09-06 | 中国人民解放军国防科技大学 | 基于卷积自编码器的液体火箭发动机故障检测方法 |
CN110349028A (zh) * | 2019-07-15 | 2019-10-18 | 山东财经大学 | 基于时序卷积自编码的异动股票快速找出***及方法 |
CN110458838A (zh) * | 2019-08-23 | 2019-11-15 | 讯飞智元信息科技有限公司 | 一种故障类型的检测方法、装置、存储介质及设备 |
-
2019
- 2019-12-12 CN CN201911272590.2A patent/CN111079631A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506695A (zh) * | 2017-07-28 | 2017-12-22 | 武汉理工大学 | 视频监控设备故障自动检测方法 |
WO2019036144A1 (en) * | 2017-08-18 | 2019-02-21 | Landmark Graphics Corporation | DETECTION OF FAILURES BASED ON THE INTERPRETATION OF SEISMIC DATA |
CN110349028A (zh) * | 2019-07-15 | 2019-10-18 | 山东财经大学 | 基于时序卷积自编码的异动股票快速找出***及方法 |
CN110207997A (zh) * | 2019-07-24 | 2019-09-06 | 中国人民解放军国防科技大学 | 基于卷积自编码器的液体火箭发动机故障检测方法 |
CN110458838A (zh) * | 2019-08-23 | 2019-11-15 | 讯飞智元信息科技有限公司 | 一种故障类型的检测方法、装置、存储介质及设备 |
Non-Patent Citations (3)
Title |
---|
公安部第三研究所: "《多摄像机协同关注目标检测跟踪技术》", 30 June 2017, 东南大学出版社 * |
张立智,井陆阳,徐卫晓,谭继文: "基于卷积降噪自编码器和CNN的滚动轴承故障诊断", 《组合机床与自动化加工技术》 * |
王全全: "列车运行动态监测***中故障图像识别算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652294A (zh) * | 2020-05-21 | 2020-09-11 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车折叠式人力制动机轴脱落故障识别方法及*** |
CN111652295A (zh) * | 2020-05-21 | 2020-09-11 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车钩尾销托梁脱落故障识别方法 |
CN111652294B (zh) * | 2020-05-21 | 2021-05-07 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车折叠式人力制动机轴脱落故障识别方法及*** |
CN111768313A (zh) * | 2020-06-22 | 2020-10-13 | 上海申铁信息工程有限公司 | 基于采集点识别编码的铁路***能耗数据采集方法和装置 |
CN111768313B (zh) * | 2020-06-22 | 2023-06-30 | 上海申铁信息工程有限公司 | 基于采集点识别编码的铁路***能耗数据采集方法和装置 |
CN112184588A (zh) * | 2020-09-29 | 2021-01-05 | 哈尔滨市科佳通用机电股份有限公司 | 一种针对故障检测的图像增强***及方法 |
CN112347952B (zh) * | 2020-11-11 | 2021-05-11 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车钩尾框托板脱落识别方法 |
CN112347952A (zh) * | 2020-11-11 | 2021-02-09 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车钩尾框托板脱落识别方法 |
CN112562289A (zh) * | 2020-12-15 | 2021-03-26 | 广州极飞科技有限公司 | 一种图像采集器的防遗失方法、装置、设备及存储介质 |
CN112418253A (zh) * | 2020-12-18 | 2021-02-26 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的撒砂管松脱故障图像识别方法及*** |
CN115170890A (zh) * | 2022-07-28 | 2022-10-11 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车连接拉杆链折断故障识别方法 |
CN115346172A (zh) * | 2022-08-16 | 2022-11-15 | 哈尔滨市科佳通用机电股份有限公司 | 一种钩提杆复位弹簧丢失和折断检测方法及*** |
CN116363111A (zh) * | 2023-04-06 | 2023-06-30 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车人力制动机导向杆卡滞故障识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079631A (zh) | 一种铁路货车钩提杆脱落故障识别方法及*** | |
CN107578418B (zh) | 一种融合色彩和深度信息的室内场景轮廓检测方法 | |
CN110314854B (zh) | 一种基于视觉机器人的工件检测分拣的装置及方法 | |
CN112967243B (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
CN111079821A (zh) | 一种脱轨自动制动拉环脱落故障图像识别方法 | |
CN111080620A (zh) | 一种基于深度学习的道路病害检测方法 | |
CN110321933B (zh) | 一种基于深度学习的故障识别方法和装置 | |
CN111080600A (zh) | 一种铁路货车弹簧托板上开口销的故障识别方法 | |
CN111652295B (zh) | 一种铁路货车钩尾销托梁脱落故障识别方法 | |
CN111091548B (zh) | 基于深度学习的铁路货车承载鞍错位故障图像识别方法及*** | |
CN111862029A (zh) | 一种铁路动车组垂向减震器螺栓部件故障检测方法 | |
CN113516629A (zh) | Tfds通过作业智能检测*** | |
CN111080605A (zh) | 一种铁路货车人力制动机轴链脱落故障图像识别方法 | |
CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及*** | |
CN111080604B (zh) | 一种铁路货车钩提杆折断故障图像识别方法 | |
CN111080599A (zh) | 一种铁路货车钩提杆的故障识别方法 | |
CN112258483B (zh) | 一种钩尾销插托错位和螺母丢失故障检测方法 | |
CN112446292B (zh) | 一种2d图像显著目标检测方法及*** | |
CN116310358B (zh) | 铁路货车螺栓丢失检测方法、存储介质及设备 | |
Pratomo et al. | Parking detection system using background subtraction and HSV color segmentation | |
CN112766174B (zh) | 一种铁路列车车厢组底板丢失故障检测方法 | |
CN112116561B (zh) | 基于图像处理融合网络权值的电网传输线检测方法及装置 | |
CN112598646B (zh) | 电容缺陷检测方法、装置、电子设备及存储介质 | |
CN114648738A (zh) | 一种基于物联网与边缘计算的图像识别***与方法 | |
CN115273044B (zh) | 基于改进后的图卷积网络的车门破损故障识别检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |