CN111080600A - 一种铁路货车弹簧托板上开口销的故障识别方法 - Google Patents
一种铁路货车弹簧托板上开口销的故障识别方法 Download PDFInfo
- Publication number
- CN111080600A CN111080600A CN201911272261.8A CN201911272261A CN111080600A CN 111080600 A CN111080600 A CN 111080600A CN 201911272261 A CN201911272261 A CN 201911272261A CN 111080600 A CN111080600 A CN 111080600A
- Authority
- CN
- China
- Prior art keywords
- cotter pin
- image
- images
- fault
- lost
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种铁路货车弹簧托板上开口销的故障识别方法,解决了采用人工观察图像的方式进行开口销丢失故障检测易造成漏检的问题,属于铁路货车故障识别领域。本发明包括:采集铁路货车两侧的图像,构建样本集;将样本集中的图像输入至U‑Net分割网络中进行训练,获取分割模型;所述U‑Net分割网络为在现有U‑Net网络的基础上减少第一层的两个卷积及下采样及最后一层的两个卷积和上采样,并将每层特征图的个数改变为原始的一半;将待检测的铁路货车图像输入至分割模型中,获取开口销的分割区域;对分割区域进行故障分析,判断开口销是否丢失,若丢失,则判断出现开口销丢失故障,对发生丢失的开口销进行报警。
Description
技术领域
本发明涉及一种故障识别方法,特别涉及一种铁路货车弹簧托板上开口销的丢失故障识别方法,属于铁路货车故障识别领域。
背景技术
货车弹簧托板上折头螺栓的开口销丢失故障若不及时发现,会对螺母丢失埋下隐患,进而危及行车安全。在现有的开口销丢失故障检测中,采用人工观察图像的方式进行开口销丢失故障检测,开口销目标小,与其他部件色差小,对于肉眼检测很容易造成视觉疲劳,影响工作人员的视力,并造成漏检的出现,影响行车安全。
发明内容
针对现有采用人工观察图像的方式进行开口销丢失故障检测易造成漏检的问题,本发明提供一种自动识别铁路货车弹簧托板上开口销的故障识别方法。
本发明的一种铁路货车弹簧托板上开口销的故障识别方法,所述方法包括如下步骤:
S1、采集铁路货车两侧的图像,构建样本集;
所述样本集中的图像为在铁路货车图像中截取出开口销的子图像,且在子图像中标记出开口销,所述开口销为弹簧托板上折头螺栓的开口销;
S2、将样本集中的图像输入至U-Net分割网络中进行训练,获取分割模型;
所述U-Net分割网络为在现有U-Net网络的基础上减少第一层的两个卷积及下采样及最后一层的两个卷积和上采样,并将每层特征图的个数改变为原始的一半;
S3、将待检测的铁路货车图像输入至分割模型中,获取开口销的分割区域;
S4、对分割区域进行故障分析,判断开口销是否丢失,若丢失,则判断出现开口销丢失故障,对发生丢失的开口销进行报警。
作为优选,所述S1包括:
S11、采集铁路货车的图像;
S12、利用框架对铁路货车的图像进行截取,获得包括开口销及位置标识部件的子图像,对子图像中的开口销及位置标识部件进行标记,利用标记完的子图像构建样本集,所述位置标识部件为开口销故障判别所需要的位置关系;
所述S3为:利用框架对待检测的铁路货车图像进行截取,截取出包括开口销的子图像,将该子图像输入至分割模型中,获取开口销及位置标识部件的分割区域;
所述S4为根据分割区域中开口销与位置标识部件的位置关系,判断开口销是否丢失,若丢失,则判断发生开口销丢失故障,对发生丢失的开口销进行报警。
作为优选,所述S2中,训练时学习率随着训练步数的增加而减少,若样本集的损失持续多轮迭不再减小则停止训练。
作为优选,所述S2还包括:
将得到的分割模型对新样本进行故障识别,在新样本中若有识别效果不好的,挑选出来进行标记,将其放入训练样本中,读取分割模型继续进行训练,不断测试与更新权重,直到结果满意,完整分割模型的训练。
作为优选,所述S1采集的铁路货车图像包括开口销形态各异、图像灰度差异的多种类图像。
作为优选,所述S12中,还包括对开口销故障的子图像进行增强、翻转、平移,增加样本集中子图像的数量。
作为优选,所述S11还包括获取的采集铁路货车的图像的灰度,若灰度值低于设定阈值,对该图像进行自适应直方图均衡化,提升对比度。
本发明的有益效果,本发明将深度学习应用到故障检测,代替传统人眼识别故障,作业更加高效,并节省成本。本发明对于开口销丢失故障,使用深度学习算法进行故障识别,可以有效地解决外界干扰、图像灰度差距以及目标形态多变的问题,避免漏检。本发明目标较小,压缩模型,加速网络。
附图说明
图1为本发明的U-Net分割网络的原理示意图;
图2为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
本实施方式的铁路货车弹簧托板上开口销的故障识别方法,如图2所示,包括:
S1、在固定的探测站点搭建高速成像***,当货车通过站点,成像***工作,获取完整的货车两侧图像,构建样本集;
本实施方式的样本集中的图像为在铁路货车图像中截取出开口销的子图像,且在子图像中标记出开口销,所述开口销为弹簧托板上折头螺栓的开口销;
S2、将样本集中的图像输入至U-Net分割网络中进行训练,获取分割模型;
如图1所示,U-Net分割网络为在现有U-Net网络的基础上减少第一层的两个卷积及下采样及最后一层的两个卷积和上采样,并将每层特征图的个数改变为原始的一半;
由于开口销故障目标较小,并且目标截取子图也较小,减少网络最后一层及减少一层下采样与上采样,并减少U-Net每层的特征图个数为原始的一半,进而加速网络运行速度。货车故障在线识别对于识别速度要求较高,但是同一部件图像有很多,多以模型识别的加速是很有必要的。
本实施方式将训练好的分割模型加入后续图像处理操作,算法完成后,上传至线上等待过车。当有货车通过基站的时候,相机采集图像,获取待检测的铁路货车图像;
S3、将待检测的铁路货车图像输入至分割模型中,获取开口销的分割区域;
S4、对分割区域进行故障分析,判断开口销是否丢失,若丢失,则判断出现开口销丢失故障,
程序调用故障识别模块对弹簧托板折头螺栓开口销丢失故障进行判别。若识别为故障,则输出故障信息至平台,供人工确认及处理。若识别无故障,则程序关闭无需报警。继续等待下一趟货车的到来,获取下一张待检测图像,转入S3。
优选实施例中,本实施方式的S1包括:
S11、采集铁路货车两侧的图像;
通过线上设备,不断地采集实际过车图像。深度学习需要大量图像的支撑,若数据集过小,影响模型鲁棒性,对后续识别未见过的目标形态效果较差。在样本图像中挑选目标形态各异、图像灰度差异、以及雨水等情况的原始图像,原始图像种类越多,对测试效果越好。对收集到的图像整体进行调整,进行整体灰度分析,若灰度值过低,对其做自适应直方图均衡化提升对比度,增加分割准确性。
S12、利用框架对铁路货车两侧的图像进行截取,获得包括开口销及位置标识部件的子图像,对子图像中的开口销及位置标识部件进行标记,利用标记完的子图像构建样本集,所述位置标识部件为开口销故障判别所需要的位置关系;
通过先验知识与硬件结合的框架截取子图像,子图像大小固定并完整包括开口销目标区域。本实施方式裁剪为256*256的图像,且没有经过调整大小,直接原图截取,目标与背景差异小若resize会更加影响边缘灰度。样本中正常图像的数量远大于故障图像,所以对故障图像增强,并加入翻转,平移等变换来增加故障样本。
由于本开口销目标较小,且图像灰度差距较小,选用分割模型来进行故障识别,即使分割结果有少量干扰,也可以使用图像处理去除,增加故障识别准确性。
本实施方式将采集到的样本图像进行标记,生成与其一一对应的标签图像,目标图像即为后续预测时想要生成的图像。标签图像的灰度图像包括开口销以及故障判别所需要的位置关系的其他类。单独得到目标二值图像在很多时候难以判别故障,所以需要选定与其有固定位置关系的参考物。灰度图中相同灰度值为一类。
本实施方式的S3为:利用框架对待检测的铁路货车图像进行截取,截取出包括开口销的子图像,将该子图像输入至分割模型中,获取开口销及位置标识部件的分割区域;
本实施方式的S4为根据分割区域中开口销与位置标识部件的位置关系,判断开口销是否丢失,若丢失,则判断发生开口销丢失故障,对发生丢失的开口销进行报警。
本实施方式的样本集将故障图像与正常图像打乱,选取部分图像作为测试集,并加入正则化dropout层来预防训练过拟合。S2中训练时学习率随着训练步数的增加而减少,训练中加入提前停止条件,若测试集的损失持续多个迭代轮不再减小则停止训练。训练时加入数据增强,增加翻转、偏移等加强模型的泛化能力。
本实施方式的S2还包括:将得到的分割模型对新样本进行故障识别,在新样本中若有识别效果不好的,挑选出来进行标记,将其放入训练样本中,读取分割模型继续进行训练,不断测试与更新权重,直到结果满意,完整分割模型的训练。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (7)
1.一种铁路货车弹簧托板上开口销的故障识别方法,其特征在于,所述方法包括如下步骤:
S1、采集铁路货车两侧的图像,构建样本集;
所述样本集中的图像为在铁路货车图像中截取出开口销的子图像,且在子图像中标记出开口销,所述开口销为弹簧托板上折头螺栓的开口销;
S2、将样本集中的图像输入至U-Net分割网络中进行训练,获取分割模型;
所述U-Net分割网络为在现有U-Net网络的基础上减少第一层的两个卷积及下采样及最后一层的两个卷积和上采样,并将每层特征图的个数改变为原始的一半;
S3、将待检测的铁路货车图像输入至分割模型中,获取开口销的分割区域;
S4、对分割区域进行故障分析,判断开口销是否丢失,若丢失,则判断出现开口销丢失故障,对发生丢失的开口销进行报警。
2.根据权利要求1所述的故障识别方法,其特征在于,所述S1包括:
S11、采集铁路货车的图像;
S12、利用框架对铁路货车的图像进行截取,获得包括开口销及位置标识部件的子图像,对子图像中的开口销及位置标识部件进行标记,利用标记完的子图像构建样本集,所述位置标识部件为开口销故障判别所需要的位置关系;
所述S3为:利用框架对待检测的铁路货车图像进行截取,截取出包括开口销的子图像,将该子图像输入至分割模型中,获取开口销及位置标识部件的分割区域;
所述S4为根据分割区域中开口销与位置标识部件的位置关系,判断开口销是否丢失,若丢失,则判断发生开口销丢失故障,对发生丢失的开口销进行报警。
3.根据权利要求2所述的故障识别方法,其特征在于,所述S2中,训练时学习率随着训练步数的增加而减少,若样本集的损失持续多轮迭不再减小则停止训练。
4.根据权利要求2所述的故障识别方法,其特征在于,所述S2还包括:
将得到的分割模型对新样本进行故障识别,在新样本中若有识别效果不好的,挑选出来进行标记,将其放入训练样本中,读取分割模型继续进行训练,不断测试与更新权重,直到结果满意,完整分割模型的训练。
5.根据权利要求2所述的故障识别方法,其特征在于,所述S1采集的铁路货车图像包括开口销形态各异、图像灰度差异的多种类图像。
6.根据权利要求2所述的故障识别方法,其特征在于,所述S12中,还包括对开口销故障的子图像进行增强、翻转、平移,增加样本集中子图像的数量。
7.根据权利要求2所述的故障识别方法,其特征在于,所述S11还包括获取的采集铁路货车的图像的灰度,若灰度值低于设定阈值,对该图像进行自适应直方图均衡化,提升对比度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911272261.8A CN111080600A (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车弹簧托板上开口销的故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911272261.8A CN111080600A (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车弹簧托板上开口销的故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111080600A true CN111080600A (zh) | 2020-04-28 |
Family
ID=70314011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911272261.8A Pending CN111080600A (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车弹簧托板上开口销的故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080600A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832562A (zh) * | 2020-07-16 | 2020-10-27 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的弹簧托板故障识别方法 |
CN112102297A (zh) * | 2020-09-17 | 2020-12-18 | 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识别方法 |
CN112132821A (zh) * | 2020-09-30 | 2020-12-25 | 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开口销丢失检测方法 |
CN112149676A (zh) * | 2020-09-11 | 2020-12-29 | 中国铁道科学研究院集团有限公司 | 一种铁路货物装载状态图像的小目标检测处理方法 |
CN112434695A (zh) * | 2020-11-20 | 2021-03-02 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于深度学习的上拉杆故障检测方法 |
CN115170923A (zh) * | 2022-07-19 | 2022-10-11 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车托板螺母丢失的故障识别方法 |
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 |
CN116452906A (zh) * | 2023-03-03 | 2023-07-18 | 哈尔滨市科佳通用机电股份有限公司 | 基于文本描述的铁路货车故障图片生成方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354827A (zh) * | 2015-10-08 | 2016-02-24 | 成都唐源电气有限责任公司 | 一种在接触网图像中智能识别线夹螺母脱落的方法及*** |
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 |
US9836808B2 (en) * | 2015-06-23 | 2017-12-05 | Nxp Usa, Inc. | Apparatus and method for verifying image data comprising mapped texture image data |
CN108805868A (zh) * | 2018-05-25 | 2018-11-13 | 哈尔滨市科佳通用机电股份有限公司 | 一种电务车载车下走行部设备故障检测的图像处理方法及故障检测方法 |
CN109300114A (zh) * | 2018-08-30 | 2019-02-01 | 西南交通大学 | 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法 |
CN110136157A (zh) * | 2019-04-09 | 2019-08-16 | 华中科技大学 | 一种基于深度学习的三维颈动脉超声图像血管壁分割方法 |
-
2019
- 2019-12-12 CN CN201911272261.8A patent/CN111080600A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9836808B2 (en) * | 2015-06-23 | 2017-12-05 | Nxp Usa, Inc. | Apparatus and method for verifying image data comprising mapped texture image data |
CN105354827A (zh) * | 2015-10-08 | 2016-02-24 | 成都唐源电气有限责任公司 | 一种在接触网图像中智能识别线夹螺母脱落的方法及*** |
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 |
CN108805868A (zh) * | 2018-05-25 | 2018-11-13 | 哈尔滨市科佳通用机电股份有限公司 | 一种电务车载车下走行部设备故障检测的图像处理方法及故障检测方法 |
CN109300114A (zh) * | 2018-08-30 | 2019-02-01 | 西南交通大学 | 高铁接触网支撑装置极小目标零部件顶紧缺失检测方法 |
CN110136157A (zh) * | 2019-04-09 | 2019-08-16 | 华中科技大学 | 一种基于深度学习的三维颈动脉超声图像血管壁分割方法 |
Non-Patent Citations (1)
Title |
---|
陈景文 等: "基于U-net网络的航拍绝缘子检测", 《陕西科技大学学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832562B (zh) * | 2020-07-16 | 2021-03-16 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的弹簧托板故障识别方法 |
CN111832562A (zh) * | 2020-07-16 | 2020-10-27 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的弹簧托板故障识别方法 |
CN112149676B (zh) * | 2020-09-11 | 2024-04-30 | 中国铁道科学研究院集团有限公司 | 一种铁路货物装载状态图像的小目标检测处理方法 |
CN112149676A (zh) * | 2020-09-11 | 2020-12-29 | 中国铁道科学研究院集团有限公司 | 一种铁路货物装载状态图像的小目标检测处理方法 |
CN112102297B (zh) * | 2020-09-17 | 2021-04-20 | 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识别方法 |
CN112102297A (zh) * | 2020-09-17 | 2020-12-18 | 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识别方法 |
CN112132821A (zh) * | 2020-09-30 | 2020-12-25 | 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开口销丢失检测方法 |
CN112434695A (zh) * | 2020-11-20 | 2021-03-02 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于深度学习的上拉杆故障检测方法 |
CN112434695B (zh) * | 2020-11-20 | 2021-07-16 | 哈尔滨市科佳通用机电股份有限公司 | 一种基于深度学习的上拉杆故障检测方法 |
CN115170923A (zh) * | 2022-07-19 | 2022-10-11 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车托板螺母丢失的故障识别方法 |
CN116452906A (zh) * | 2023-03-03 | 2023-07-18 | 哈尔滨市科佳通用机电股份有限公司 | 基于文本描述的铁路货车故障图片生成方法 |
CN116452906B (zh) * | 2023-03-03 | 2024-01-30 | 哈尔滨市科佳通用机电股份有限公司 | 基于文本描述的铁路货车故障图片生成方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080600A (zh) | 一种铁路货车弹簧托板上开口销的故障识别方法 | |
CN111079747B (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
CN112967243B (zh) | 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法 | |
CN111339882B (zh) | 基于实例分割的输电线路隐患检测方法 | |
CN111080620A (zh) | 一种基于深度学习的道路病害检测方法 | |
CN111091541B (zh) | 一种铁路货车横跨梁组装螺母丢失故障识别方法 | |
CN111091545B (zh) | 铁路货车滚动轴承轴端螺栓丢失故障的检测方法 | |
CN111079631A (zh) | 一种铁路货车钩提杆脱落故障识别方法及*** | |
CN111080608A (zh) | 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 | |
CN111091543B (zh) | 铁路货车摇枕弹簧丢失故障目标检测方法 | |
CN111080598A (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN111862029A (zh) | 一种铁路动车组垂向减震器螺栓部件故障检测方法 | |
CN110599469A (zh) | 一种动车组关键部位的缺陷检测方法、***及电子设备 | |
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*** | |
CN111079821A (zh) | 一种脱轨自动制动拉环脱落故障图像识别方法 | |
CN111080601A (zh) | 铁路货车脱轨制动装置拉环磨轴故障图像识别方法 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及***、电子设备和存储介质 | |
CN113221839A (zh) | 一种货车图像自动识别方法及识别*** | |
CN116228651A (zh) | 一种布匹缺陷检测方法、***、设备及介质 | |
CN115797314A (zh) | 零件表面缺陷检测方法、***、设备及存储介质 | |
CN115424128A (zh) | 一种货车转向架下拉杆故障图像检测方法及*** | |
CN111080599A (zh) | 一种铁路货车钩提杆的故障识别方法 | |
CN115965915A (zh) | 基于深度学习的铁路货车连接拉杆折断故障识别方法及识别*** | |
CN112329858B (zh) | 一种铁路动车防松铁丝折断故障图像识别方法 | |
CN112037182A (zh) | 基于时序图像的机车走行部故障检测方法、装置及存储介质 |
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 |
Application publication date: 20200428 |
|
RJ01 | Rejection of invention patent application after publication |