CN111080613B - 一种铁路货车浴盆破损故障图像识别方法 - Google Patents
一种铁路货车浴盆破损故障图像识别方法 Download PDFInfo
- Publication number
- CN111080613B CN111080613B CN201911272609.3A CN201911272609A CN111080613B CN 111080613 B CN111080613 B CN 111080613B CN 201911272609 A CN201911272609 A CN 201911272609A CN 111080613 B CN111080613 B CN 111080613B
- Authority
- CN
- China
- Prior art keywords
- bathtub
- image
- decoding unit
- unit
- output
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000013136 deep learning model Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims 2
- 238000007689 inspection Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种铁路货车浴盆破损故障图像识别方法,涉及货运列车检测技术领域,针对现有技术中采用人工检查图像的方式进行故障检测,由于检车人员在工作过程中极易出现疲劳、遗漏,进而造成检测效率低的问题,本发明采用图像处理和深度学习的方法进行浴盆故障自动识别,人工只需对报警结果进行确认,可有效节约人力成本,并提高检测准确率,本发明将深度学习算法应用到浴盆破损故障自动识别中,提高整体算法的稳定性及精度;由于浴盆板的背景为***的地板图像,故先采用FasterInception网络检测图像中是否包含浴盆,再用U‑NET网络对包含浴盆的子图检测故障,减小不包含浴盆的图像对分割结果的影响。
Description
技术领域
本发明涉及货运列车检测技术领域,具体为一种铁路货车浴盆破损故障图像识别方法。
背景技术
货车浴盆破损故障是一种危及行车安全的故障。目前多采用人工检查图像的方式进行故障检测。由于检车人员在工作过程中极易出现疲劳、遗漏等情况,进而造成漏检、错检情况的出现,影响行车安全。采用图像自动识别的方式可提高检测效率和稳定性。近几年,深度学习与人工智能不断发展,在技术上不断成熟。因而,采用深度学习进行货车浴盆破损故障识别,可以有效提高检测准确率。
发明内容
本发明的目的是:针对现有技术中采用人工检查图像的方式进行故障检测,由于检车人员在工作过程中极易出现疲劳、遗漏,进而造成检测效率低的问题,提出一种铁路货车浴盆破损故障图像识别方法。
本发明为了解决上述技术问题采取的技术方案是:
一种铁路货车浴盆破损故障图像识别方法,包括以下步骤:
步骤一,获取途径货车的线阵图像,从图像中定位浴盆区域;
步骤二:利用训练好的深度学习模型分割浴盆对应的图像;
步骤三:根据深度学习模型分割的结果,利用图像处理方法进一步获得分割部件的信息,根据先验知识进行浴盆破损判定,所述判定的具体步骤为:首先得到浴盆轮廓区域最小外接矩形的倾斜角度,如果角度偏移大于预先设定的阈值,则判定为故障,对此部分浴盆进行故障报警处理,若未大于阈值,则继续处理下一张图像。
进一步的,所述步骤一的详细步骤为:
步骤一一:获取途径货车的线阵图像;
步骤一二:根据先验知识从图像中裁剪出待识别部件区域,建立样本数据集;
步骤一三:对样本数据集进行数据扩增;
步骤一四:对样本数据集中的图像进行标记;
步骤一五:将原始图像和标记数据生成数据集,并训练模型;
步骤一六:采用Faster-Inception网络对浴盆进行定位。
进一步的,所述步骤二的深度学习模型包括编码单元、解码单元和编码解码单元,所述编码单元采用3个下采样的编码单元,所述解码单元包括3个上采样的解码单元;
第一编码单元包含64个3*3的卷积核进行卷积并池化,第二编码单元与第一编码单元相同;
第三编码单元包含128个3*3的卷积核进行卷积并池化;
编码解码单元包含256个3*3的卷积核进行卷积;
第一解码单元将编码解码单元上采样后和第三编码单元融合,再同128个3*3的卷积核进行卷积;
第二解码单元将第一解码单元上采样后和第二编码单元融合,再同64个3*3的卷积核进行卷积;
第三解码单元将第二解码单元上采样后和第一编码单元融合,再同32个3*3的卷积核进行卷积,最后同1*1的卷积核卷积,输出分割结果;
第一编码单元的输出作为第二编码单元的输入,第二编码单元的输出作为第三编码单元的输入;第三编码单元的输出作为编码解码单元的输入;编码解码单元的输出和第三编码单元的输出作为第一解码单元的输入,第一解码单元的输出和第二编码单元的输出作为第二解码单元的输入,第二解码单元的输出和第一编码单元的输出作为第三解码单元的输入。
进一步的,所述深度学习模型的准确率、召回率、损失函数分别为:
进一步的,所述数据扩增形式包括:图像的旋转、平移、缩放、镜像等操作。
进一步的,所述操作在随机条件下进行。
进一步的,所述不同模型包括目标检测模型和分割模型,所述目标检测模型通过标记得到包含浴盆位置的矩形框的XML文件,所述分割模型的标记结果为原始图像对应的类别的掩码图像。
进一步的,所述原始图像对应的类别包括:背景、浴盆区域和破损区域。
进一步的,所述先验知识包括轴距信息和部件的位置信息。
本发明的有益效果是:
1、本发明采用图像处理和深度学习的方法进行浴盆故障自动识别,人工只需对报警结果进行确认,可有效节约人力成本,并提高检测准确率;
2、本发明将深度学习算法应用到浴盆破损故障自动识别中,提高整体算法的稳定性及精度;
3、由于浴盆板的背景为***的地板图像,故先采用FasterInception网络检测图像中是否包含浴盆,再用U-NET网络对包含浴盆的子图检测故障,减小不包含浴盆的图像对分割结果的影响。
4、对U-NET模型进行优化,减少网络深度和卷积核数量,进而缩短预测时间,提高识别速度。
5、浴盆板破损故障主要分为两种:倾斜和破损。因此对分割效果的边界要求较高。故本发明采用Boundary Loss来替代传统的交叉熵作为损失函数,来提高边缘的分割效果,从而更准确的进行故障识别。
附图说明
图1为本发明故障识别流程图。
图2为本发明改进的U-NET网络结构图。
具体实施方式
具体实施方式一:参照图1和图2具体说明本实施方式,本实施方式所述的一种铁路货车浴盆破损故障图像识别方法,包括以下步骤:
步骤一,获取途径货车的线阵图像,从图像中定位浴盆区域,并进行裁剪;
步骤二:利用训练好的深度学习模型分割浴盆对应的图像;
步骤三:根据深度学习模型分割的结果,利用图像处理方法进一步获得分割部件的信息,根据先验知识进行浴盆破损判定。
一、图像预处理
(1)图像收集
通过在货车轨道周围搭建高清设备,获取途径货车的高清线阵图像。由于货车部件可能受到雨水、泥渍、油渍、黑漆等自然条件或者人为条件的影响。不同车型的浴盆所处背景(地板)有所差异,同一车型的浴盆数量存在差异,不同站点拍摄的图像也可能存在差异。因此,浴盆图像之间千差万别。所以,在收集浴盆图像数据的过程中,要保证多样性,尽量将各种条件下的包含/不包含浴盆图像全部收集。
(2)数据增广
样本数据集的建立虽然包括各种条件下的图像,但为获得更多的训练样本,增加模型的鲁棒性,仍需要对样本数据集进行数据扩增。扩增形式包括图像的旋转、平移、缩放、镜像等操作,每种操作都是在随机条件下进行的,这样可以最大程度的保证样本的多样性和适用性。
(3)图像标记
根据不同模型的需求,对数据集中的图像进行标记。目标检测模型,通过标记得到包含浴盆位置的矩形框的XML文件。而分割模型的标记结果为原始图像对应的类别(背景/浴盆区域/破损区域)的掩码图像。
(4)数据集生成
将原始图像和标记数据生成数据集,用于模型训练。
二、浴盆定位
(1)利用硬件的轴距信息和部件的位置等先验知识,从整列车的大图中裁剪出待识别部件区域。
(2)因为即便是同一车型、同一转向架类型,是否包含浴盆也不确定,并且浴盆的背景(地板)也有所差异。因此直接在粗定位的子图上分割,干扰因素比较多,不利于故障的识别。所以采用Faster-Inception网络对浴盆进行定位。
(3)综合模型预测结果(得分)及先验知识(浴盆形状,大小,位置,长宽比等),判断图像中是否包含浴盆。如果包含浴盆,则裁剪精确的浴盆区域用于下一步的图像分割。
三、浴盆分割
(1)网络结构
U-NET模型能够结合图像的全局与局部细节方面的特征,进行综合考虑。前几层的卷积结果,会在同高度解码器上的进行信息融合。这样图像的图像高分辨率的细节信息就不会随着网络深度加深而丢失,能帮助最终我们的图像提供精细分割;而经过一次一次卷积池化后,在U-NET的最下层,包含整幅图像的全局信息(故障的总***置、分布等),因此在医疗图像领域应用十分广泛。
区别于高分辨率复杂的医疗图像,浴盆图像的分辨率要相对低些,无需提取超高分辨率特征来进行故障识别。因此在不影响分割结果的前提下,对U-NET网络结构进行了优化:减少网络深度,缩减卷积核的数目,进而减少参数数量,提高模型的预测速度。如图2所示,具体如下:
(1)64个3×3大小的卷积核进行卷积并池化;
(2)64个3×3大小的卷积核进行卷积并池化;
(3)128个3×3大小的卷积核进行卷积并池化;
(4)256个3×3大小的卷积核进行卷积;
(5)上卷积(4)同(3)融合,128个3×3大小的卷积核进行卷积;
(6)上卷积(5)同(2)融合,64个3×3大小的卷积核进行卷积;
(7)上卷积(6)同(1)融合,32个3×3大小的卷积核进行卷积;
(8)1×1大小的卷积核进行卷积,输出分割结果;
(2)损失函数定义
由于浴盆板破损故障主要分为两种:倾斜和破损。因此对分割效果的边界要求较高。传统的交叉熵损失函数并不会对边界信息的不准确进行惩罚,因此我们采用BoundaryLoss作为损失函数,来提高边缘的分割效果,从而更准确的进行故障识别。具体如下:
四、浴盆破损故障判别
根据预测后的图像,分别得到背景、浴盆区域、破损区域。
(1)通过浴盆轮廓区域,判断其最小外接矩形的倾斜角度。正常浴盆为垂直放置,角度为90度。如果发生故障会发生角度偏移。所以如果角度偏移大于预先设定的阈值,则对此部分浴盆进行故障报警。若未大于阈值,则继续判断是否破损。
(2)虽然是对浴盆子图进行分割,但仍不能排除周围地板的干扰。所以不能仅判断是否包含破损区域,仍需判断破损区域是否和浴盆区域相交,来判断浴盆是否破损。
本发明在货车轨道周围搭建高清成像设备,对高速运行的货车进行拍摄,获取高清的线阵图像。根据轴距信息和部件的位置的先验信息,获得可能包含浴盆部件的粗定位区域。采用深度学习网络,先对图像中的浴盆部件进行定位,再对浴盆的轮廓,破损区域进行精准分割。再对分割区域进行故障分析,判断其是否发生发生倾斜或破损。对发生故障的浴盆进行上传报警,以保证列车的安全运行。
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 (7)
1.一种铁路货车浴盆破损故障图像识别方法,包括以下步骤:
步骤一,获取途径货车的线阵图像,从图像中定位浴盆区域;
步骤二:利用训练好的深度学习模型分割浴盆对应的图像;
步骤三:根据深度学习模型分割的结果,利用图像处理方法进一步获得分割部件的信息,根据先验知识进行浴盆破损判定,所述判定的具体步骤为:首先得到浴盆轮廓区域最小外接矩形的倾斜角度,如果角度偏移大于预先设定的阈值,则判定为故障,对此部分浴盆进行故障报警处理,若未大于阈值,则继续处理下一张图像;
其特征在于所述步骤一的详细步骤为:
步骤一一:获取途径货车的线阵图像;
步骤一二:根据先验知识从图像中裁剪出待识别部件区域,建立样本数据集;
步骤一三:对样本数据集进行数据扩增;
步骤一四:对样本数据集中的图像进行标记;
步骤一五:将原始图像和标记数据生成数据集,并训练模型;
步骤一六:采用Faster-Inception网络对浴盆进行定位;
所述步骤二的深度学习模型包括编码单元、解码单元和编码解码单元,所述编码单元采用3个下采样的编码单元,所述解码单元包括3个上采样的解码单元;
第一编码单元包含64个3*3的卷积核进行卷积并池化,第二编码单元与第一编码单元相同;
第三编码单元包含128个3*3的卷积核进行卷积并池化;
编码解码单元包含256个3*3的卷积核进行卷积;
第一解码单元将编码解码单元上采样后和第三编码单元融合,再同128个3*3的卷积核进行卷积;
第二解码单元将第一解码单元上采样后和第二编码单元融合,再同64个3*3的卷积核进行卷积;
第三解码单元将第二解码单元上采样后和第一编码单元融合,再同32个3*3的卷积核进行卷积,最后同1*1的卷积核卷积,输出分割结果;
第一编码单元的输出作为第二编码单元的输入,第二编码单元的输出作为第三编码单元的输入;第三编码单元的输出作为编码解码单元的输入;编码解码单元的输出和第三编码单元的输出作为第一解码单元的输入,第一解码单元的输出和第二编码单元的输出作为第二解码单元的输入,第二解码单元的输出和第一编码单元的输出作为第三解码单元的输入。
3.根据权利要求1所述的一种铁路货车浴盆破损故障图像识别方法,其特征在于所述数据扩增形式包括:图像的旋转、平移、缩放、镜像等操作。
4.根据权利要求3所述的一种铁路货车浴盆破损故障图像识别方法,其特征在于所述操作在随机条件下进行。
5.根据权利要求1所述的一种铁路货车浴盆破损故障图像识别方法,其特征在于所述步骤一五中模型包括目标检测模型和分割模型,所述目标检测模型通过标记得到包含浴盆位置的矩形框的XML文件,所述分割模型的标记结果为原始图像对应的类别的掩码图像。
6.根据权利要求5所述的一种铁路货车浴盆破损故障图像识别方法,其特征在于所述原始图像对应的类别包括:背景、浴盆区域和破损区域。
7.根据权利要求1所述的一种铁路货车浴盆破损故障图像识别方法,其特征在于所述步骤一二中先验知识包括轴距信息和部件的位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911272609.3A CN111080613B (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车浴盆破损故障图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911272609.3A CN111080613B (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车浴盆破损故障图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080613A CN111080613A (zh) | 2020-04-28 |
CN111080613B true CN111080613B (zh) | 2020-11-03 |
Family
ID=70314021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911272609.3A Active CN111080613B (zh) | 2019-12-12 | 2019-12-12 | 一种铁路货车浴盆破损故障图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080613B (zh) |
Families Citing this family (4)
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 |
CN112233096B (zh) * | 2020-10-19 | 2021-11-12 | 哈尔滨市科佳通用机电股份有限公司 | 一种车辆裙板故障检测方法 |
CN112257711B (zh) * | 2020-10-26 | 2021-04-09 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车地板破损故障检测方法 |
CN112651343B (zh) * | 2020-12-28 | 2021-08-24 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203094044U (zh) * | 2012-12-25 | 2013-07-31 | 南车长江车辆有限公司 | 铁路货车集成操控式制动*** |
CN106023220A (zh) * | 2016-05-26 | 2016-10-12 | 史方 | 一种基于深度学习的车辆外观部件图像分割方法 |
CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
CN109472769A (zh) * | 2018-09-26 | 2019-03-15 | 成都数之联科技有限公司 | 一种不良图像缺陷检测方法和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及*** |
-
2019
- 2019-12-12 CN CN201911272609.3A patent/CN111080613B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203094044U (zh) * | 2012-12-25 | 2013-07-31 | 南车长江车辆有限公司 | 铁路货车集成操控式制动*** |
CN106023220A (zh) * | 2016-05-26 | 2016-10-12 | 史方 | 一种基于深度学习的车辆外观部件图像分割方法 |
CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
CN109472769A (zh) * | 2018-09-26 | 2019-03-15 | 成都数之联科技有限公司 | 一种不良图像缺陷检测方法和*** |
Non-Patent Citations (2)
Title |
---|
U-Net: Convolutional Networks for Biomedical Image Segmentation;Olaf Ronneberger;《arXiv:1505.04597v1》;20150518;论文全文 * |
货车走行部弹簧缺损图像检测技术研究;张晓林;《中国优秀硕士学位论文全文数据库 信息科技辑》;20121015(第10期);论文第3-5章 * |
Also Published As
Publication number | Publication date |
---|---|
CN111080613A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080613B (zh) | 一种铁路货车浴盆破损故障图像识别方法 | |
Bang et al. | Encoder–decoder network for pixel‐level road crack detection in black‐box images | |
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
CN111489339B (zh) | 高速铁路***螺栓备母缺陷的检测方法 | |
CN111080609B (zh) | 一种基于深度学习的闸瓦插销丢失检测方法 | |
CN111079627A (zh) | 一种铁路货车制动梁梁体折断故障图像识别方法 | |
CN112084901A (zh) | 基于gcam的高分辨率sar图像机场跑道区自动检测方法及*** | |
CN115546768B (zh) | 基于多尺度机制和注意力机制的路面标线识别方法及*** | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN111080621B (zh) | 一种铁路货车地板破损故障图像识别方法 | |
CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
CN112308826A (zh) | 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 | |
CN113392849A (zh) | 一种基于r-cnn的复杂路面裂缝识别方法 | |
CN112801972A (zh) | 一种桥梁缺陷检测方法、设备、***及存储介质 | |
CN110689724A (zh) | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 | |
CN113436157A (zh) | 一种用于受电弓故障的车载图像识别方法 | |
CN113674216A (zh) | 一种基于深度学习的地铁隧道病害检测方法 | |
CN116612106A (zh) | 一种基于yolox算法的光学元件表面缺陷检测方法 | |
CN113111875A (zh) | 一种基于深度学习的无缝钢轨焊缝缺陷识别装置及方法 | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
CN112862764A (zh) | 一种用于识别无砟道床离缝伤损的方法、装置及存储介质 | |
Chu et al. | Fine‐grained crack segmentation for high‐resolution images via a multiscale cascaded network | |
Akhila et al. | Convolutional neural network based online rail surface crack detection | |
CN111046723A (zh) | 一种基于深度学习的车道线检测方法 | |
CN113610052A (zh) | 一种基于深度学习的隧道渗漏水自动识别方法 |
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 |