CN111091545A - 铁路货车滚动轴承轴端螺栓丢失故障的检测方法 - Google Patents

铁路货车滚动轴承轴端螺栓丢失故障的检测方法 Download PDF

Info

Publication number
CN111091545A
CN111091545A CN201911272493.3A CN201911272493A CN111091545A CN 111091545 A CN111091545 A CN 111091545A CN 201911272493 A CN201911272493 A CN 201911272493A CN 111091545 A CN111091545 A CN 111091545A
Authority
CN
China
Prior art keywords
image
detected
bolt
shaft end
rolling bearing
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
Application number
CN201911272493.3A
Other languages
English (en)
Other versions
CN111091545B (zh
Inventor
金佳鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN201911272493.3A priority Critical patent/CN111091545B/zh
Publication of CN111091545A publication Critical patent/CN111091545A/zh
Application granted granted Critical
Publication of CN111091545B publication Critical patent/CN111091545B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T2207/30164—Workpiece; Machine component

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

铁路货车滚动轴承轴端螺栓丢失故障的检测方法，属于图像处理领域，本发明为解决采用Faster Rcnn网络模型对货车易丢失部件进行分类检测训练效率低、训练精度低、分类检测速度低的问题。本发明方法包括以下步骤：步骤一、采集货车滚动轴承轴端螺栓过车图像作为待检测图像；步骤二、将步骤一的待检测图像输入至目标分类检测模型进行分类判断，输出待检测图像为丢失类置信度和正常类置信度；步骤三、判断待检测图像为丢失类置信度是否大于丢失类设定阈值，若是，进行故障报警；若否，执行步骤四；步骤四、判断待检测图像为正常类置信度是否大于正常类设定阈值，若是，返回执行步骤一，继续处理下一张检测图像；若否，进行故障报警。

Description

铁路货车滚动轴承轴端螺栓丢失故障的检测方法
技术领域
本发明属于图像处理领域，涉及铁路货车螺栓丢失检测技术。
背景技术
近年来随着我国铁路事业的飞速发展，铁路货车也在向着重载、高速的方向发展着，在货车高速运行过程中，轮轴区域出现故障日益增多，特别是滚动轴承轴端螺栓起着非常关键的作用，它是侧部转向架轮轴上重要的组成部分，主要作用是将轴端前盖固定在规定位置上，由于受货物装卸、外物撞击、施封锁锁紧功能失效等情况出现，轴端螺栓在轮轴运行过程中会因震动逐渐脱离固定位置，轴端螺栓开始松动窜出，严重时甚至会出现螺栓丢失的严重故障，一旦出现故障就会危及到铁路运输安全。
为了避免发生故障，在日常检测时会针对性的对滚动轴承轴端螺栓进行检查，人工读图这种人工检测方式易出现人工检车时疲劳、责任心等问题导致的故障发现不及时，效率低下等诸多问题。因此，目前存在使用智能模型进行分类输出故障类型的技术，比如采用图1所示的Faster Rcnn(Faster Region Convolutional Neural Networks，更快的区域卷积神经网络)模型进行目标分类，Faster Rcnn模型首先使用VGG16(VGG为VisualGeometry Group的简写，视觉几何组)作为基础网络，利用13个卷积层、13个relu激活函数层、4个池化层提取图像的特征层，所述特征层被共享用于后续的区域建议网络RPN(RegionProposal Network，区域建议网络)和全连接层；RPN层输出建议propocals，与特征图feature map结合提取建议特征proposal feature map，送入后续的全连接层判定目标类别。在常规的构建Faster Rcnn网络模型时，基础特征提取网络的13个Conv层对输入图片是按顺序一层层处理的，最后一层conv提取出所需特征图feature map，但这样处理方式存在的弊端是特征图的分辨率低，进而导致训练效率低、训练精度低、分类检测速度低。
发明内容
本发明目的是为了解决采用Faster Rcnn网络模型对货车易丢失部件进行分类检测时，因提取的特征图分辨率低进而导致训练效率低、训练精度低、分类检测速度低的问题，提供了一种铁路货车滚动轴承轴端螺栓丢失故障的检测方法。
本发明所述铁路货车滚动轴承轴端螺栓丢失故障的检测方法，该方法包括以下步骤：
步骤一、采集货车滚动轴承轴端螺栓过车图像作为待检测图像；
步骤二、将步骤一的待检测图像输入至目标分类检测模型进行分类判断，输出待检测图像为丢失类置信度和正常类置信度；
所述目标分类检测模型采用Faster Rcnn网络模型进行训练构建，Faster Rcnn网络模型采用牛津大学视觉几何组VGG16卷积神经网络作为基础网络，分别提取卷积神经网络层中conv4和conv5两层的特征图，这两层特征图加权融合形成的特征图用于给后续的区域建议网络RPN层和全连接层；
步骤三、判断待检测图像为丢失类置信度是否大于丢失类设定阈值，若是，进行故障报警；若否，执行步骤四；
步骤四、判断待检测图像为正常类置信度是否大于正常类设定阈值，若是，返回执行步骤一，继续处理下一张检测图像；若否，进行故障报警。
优选地，构建步骤二中目标分类检测模型所需训练集的过程为：
步骤二一、通过货车运行故障动态图像检测***TFDS采集货车侧部转向架过车图像；
步骤二二、根据货车轴距信息进行粗定位，截取滚动轴承轴端螺栓所在区域图像作为样本图像；
步骤二三、按照步骤二一、二二收集不同车型在各种条件、不同站点的大量样本图像；
步骤二四、采用人工模拟方式制作轴端螺栓丢失故障样本以实现数据扩增，并令正负样本平衡；
步骤二五、对数据扩增后的所有图像进行标注，标注类型包括：正常类和丢失类两类；
步骤二六、标记后图像数据转换为数据集作为训练集。
优选地，步骤二三中收集各种条件下的样本图像指受到拍摄角度、雨水、泥渍、油渍和黑漆自然条件或者人为条件影响的样本图像。
优选地，步骤二四中对样本图像进行数据扩增方法包括在随机条件下对样本图像进行对比度调整、样本角度旋转、翻转和平移操作。
本发明的有益效果：
1、采用深度学习模型对轴端螺栓丢失故障进行检测，能够提高故障检测效率，降低人力成本和时间成本。
2、采用深度学习目标检测算法检测滚动轴承轴端螺栓丢失故障，效率高，能够适应在复杂环境下拍摄的货车图像，避免了传统图像检测算法的局限性。
3、通过在不同卷积层上做特征提取，合并后再分类，来搭建卷积神经网络，基本上不增加计算量，同时又能利用到分辨率更高的卷积层，提高了对小目标的检测精度，提高了训练效率、训练精度及模型的检测速度。
附图说明
图1是常规Faster Rcnn网络模型结构图；
图2是本发明所述铁路货车滚动轴承轴端螺栓丢失故障的检测方法的结构示意图；
图3是本发明采用的改进后Faster Rcnn网络模型结构图，图中FC为全连接层，Score为检测目标置信度，BBox为检测目标坐标。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
具体实施方式一、下面结合图2和图3说明本实施方式，本实施方式所述铁路货车滚动轴承轴端螺栓丢失故障的检测方法，其特征在于，该方法包括以下步骤：
步骤一、采集货车滚动轴承轴端螺栓过车图像作为待检测图像；
深度学***移、对比度调整、增加噪声来丰富样本，通过丰富样本提高目标检测模型的鲁棒性。由于滚动轴承轴端螺栓丢失真实故障很少，样本不足的情况下训练模型会导致过拟合，因此采用人工模拟的方式，模拟制作轴端螺栓丢失故障样本，使样本集的正负样本尽量平衡，这样训练的模型更具鲁棒性和稳定性。采集的样本处理后尽量与模型使用时用到的轴端螺栓图像保持一致，这样能提高模型检测的稳定性和准确率。
使用LabelImg工具标记轴端螺栓正常与丢失两种情况的样本，由于不同车型的轴端螺栓部件结构相似，只需将不同车型的正常螺栓归为一类标记即可。标记完成的样本数据集就可以用来训练深度学习轴端螺栓目标检测模型。
步骤二、将步骤一的待检测图像输入至目标分类检测模型进行分类判断，输出待检测图像为丢失类置信度和正常类置信度；
所述目标分类检测模型采用Faster Rcnn网络模型进行训练构建，Faster Rcnn网络模型采用牛津大学视觉几何组VGG16卷积神经网络作为基础网络，分别提取卷积神经网络层中conv4和conv5两层的特征图，这两层特征图加权融合形成的特征图用于给后续的区域建议网络RPN层和全连接层；
本发明的创新点是选择TensorFlow深度学习***环境下的Faster Rcnn的VGG16目标检测、分类模型，通过分别在conv4和conv5层上做roi-pooling特征提取，合并后再分类，来搭建卷积神经网络，两个特征图进行加权融合后给后续的RPN层和全连接层，这样处理基本上不增加计算量，同时又能利用到分辨率更高的conv4层，增加特征图的分辨率，提高了对小目标的检测精度，提高了训练效率、训练精度，提高了模型的检测速度。改进的Faster Rcnn模型主要有以下几部分组成：
1)创建基础特征提取网络：
Faster Rcnn网络目标检测方法的基础特征提取网络是由13个conv卷积层、13个relu激活函数和4个pooling池化层连接起来的，得到轴端螺栓子图像的特征图featuremap，传递给RPN网络和全连接层使用。
网络基础特征提取层是通过引入能使模型创建更加简单化的slim库，创建2次64通道的3×3卷积核进行卷积，选择2×2大小的池化核进行池化；创建2次128通道的3×3卷积核进行卷积，选择2×2大小的池化核进行池化；创建3次256通道的3×3卷积核进行卷积，选择2×2大小的池化核进行池化；创建3次512通道的3×3卷积核进行卷积，选择2×2大小的池化核进行池化；再次创建3次512通道的3×3卷积核进行卷积，保存通过该网络模型提取出的特征信息feature maps。
2)创建RPN网络
创建RPN网络，经过3×3卷积及softmax函数判断并计算生成候选区域regionproposals。
前面分别在conv4卷积层和conv5卷积层上做roi-pooling特征提取，然后通过正则化合并两层收集到的图像特征图feature maps，确保不同的feature map层的特征尺度一致。这样搭建的卷积神经网络，基本上不增加计算量，同时又能利用到分辨率更高的conv4层，增加了特征图的分辨率，提高了对小目标的检测精度，提高了训练效率、训练精度，也提高了模型的检测速度。
利用RPN网络输出候选区域region proposals，将加权融合后的特征图与候选区域region proposals进行综合后送入到全连接层进行目标的判定、分类。
3)目标检测分类
目标检测分类部分利用已经获得的proposal feature map，通过全连接层fullyconnected layers及softmax函数，计算每个proposal具体属于哪一类别，输出概率向量；同时增加回归判断环节精确目标检测框。
3、网络模型的训练
训练样本集与网络模型搭建完毕，准备开始训练网络模型。
网络模型训练时需要适当选择合适的参数，根据经验知识、样本情况去选择合适的迭代次数，网络模型训练结构，重点注意要修改好轴端螺栓模块的训练类别。
训练样本集按照模型结构，分类成测试集、训练集、样本集，通过编写python程序，按照预先设定的各种样本比例，自动分类样本集。
利用搭建好的网络模型结构以及训练参数，开始训练滚动轴承轴端螺栓目标检测模型，训练过程中保存不同迭代次数的模型训练文件，训练结束后选择最优训练模型，作为滚动轴承轴端螺栓丢失故障检测模型。
通过测试集数据，测试网络模型的检测准确率、识别率，并保存检测的最终结果。
步骤三、判断待检测图像为丢失类置信度是否大于丢失类设定阈值，若是，进行故障报警；若否，执行步骤四；
步骤四、判断待检测图像为正常类置信度是否大于正常类设定阈值，若是，返回执行步骤一，继续处理下一张检测图像；若否，进行故障报警。
读取TFDS货车图像检测***服务器上的过车图像，粗定位出轴端螺栓部件区域子图像，轴端螺栓丢失目标检测深度学***台上；当过车子图像上未检测到丢失故障，做进一步判断，在设定的正常螺栓阈值下，未检测到正常螺栓，则此时表明在子图像上未发现正常与丢失的螺栓目标，此时为了确保真实故障不漏报，避免因图像异常导致的漏报，直接输出报警信息，等待人工进一步核实故障真实与否。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (4)

1.铁路货车滚动轴承轴端螺栓丢失故障的检测方法，其特征在于，该方法包括以下步骤：
步骤一、采集货车滚动轴承轴端螺栓过车图像作为待检测图像；
步骤二、将步骤一的待检测图像输入至目标分类检测模型进行分类判断，输出待检测图像为丢失类置信度和正常类置信度；
所述目标分类检测模型采用Faster Rcnn网络模型进行训练构建，Faster Rcnn网络模型采用视觉几何组VGG16卷积神经网络作为基础网络，分别提取卷积神经网络层中conv4和conv5两层的特征图，这两层特征图加权融合形成的特征图用于给后续的区域建议网络RPN层和全连接层；
步骤三、判断待检测图像为丢失类置信度是否大于丢失类设定阈值，若是，进行故障报警；若否，执行步骤四；
步骤四、判断待检测图像为正常类置信度是否大于正常类设定阈值，若是，返回执行步骤一，继续处理下一张检测图像；若否，进行故障报警。
2.根据权利要求1所述铁路货车滚动轴承轴端螺栓丢失故障的检测方法，其特征在于，构建步骤二中目标分类检测模型所需训练集的过程为：
步骤二一、通过货车运行故障动态图像检测***TFDS采集货车侧部转向架过车图像；
步骤二二、根据货车轴距信息进行粗定位，截取滚动轴承轴端螺栓所在区域图像作为样本图像；
步骤二三、按照步骤二一、二二收集不同车型在各种条件、不同站点的大量样本图像；
步骤二四、采用人工模拟方式制作轴端螺栓丢失故障样本以实现数据扩增，并令正负样本平衡；
步骤二五、对数据扩增后的所有图像进行标注，标注类型包括：正常类和丢失类两类；
步骤二六、标记后图像数据转换为数据集作为训练集。
3.根据权利要求2所述铁路货车滚动轴承轴端螺栓丢失故障的检测方法，其特征在于，步骤二三中收集各种条件下的样本图像指受到拍摄角度、雨水、泥渍、油渍和黑漆自然条件或者人为条件影响的样本图像。
4.根据权利要求2所述铁路货车滚动轴承轴端螺栓丢失故障的检测方法，其特征在于，步骤二四中对样本图像进行数据扩增方法包括在随机条件下对样本图像进行对比度调整、样本角度旋转、翻转和平移操作。
CN201911272493.3A 2019-12-12 2019-12-12 铁路货车滚动轴承轴端螺栓丢失故障的检测方法 Active CN111091545B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911272493.3A CN111091545B (zh) 2019-12-12 2019-12-12 铁路货车滚动轴承轴端螺栓丢失故障的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911272493.3A CN111091545B (zh) 2019-12-12 2019-12-12 铁路货车滚动轴承轴端螺栓丢失故障的检测方法

Publications (2)

Publication Number Publication Date
CN111091545A true CN111091545A (zh) 2020-05-01
CN111091545B CN111091545B (zh) 2021-01-22

Family

ID=70394885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911272493.3A Active CN111091545B (zh) 2019-12-12 2019-12-12 铁路货车滚动轴承轴端螺栓丢失故障的检测方法

Country Status (1)

Country Link
CN (1) CN111091545B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652212A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法
CN111862029A (zh) * 2020-07-15 2020-10-30 哈尔滨市科佳通用机电股份有限公司 一种铁路动车组垂向减震器螺栓部件故障检测方法
CN112733771A (zh) * 2021-01-18 2021-04-30 哈尔滨市科佳通用机电股份有限公司 一种铁路列车跨接线异物故障识别方法及***
CN113158966A (zh) * 2021-05-08 2021-07-23 浙江浩腾电子科技股份有限公司 基于深度学习的非机动车骑车带人行为识别的检测方法
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
CN115170883A (zh) * 2022-07-19 2022-10-11 哈尔滨市科佳通用机电股份有限公司 一种制动缸活塞推杆开口销丢失故障检测方法
CN115331086A (zh) * 2022-08-17 2022-11-11 哈尔滨市科佳通用机电股份有限公司 一种闸瓦折断和铆钉丢失故障检测方法
CN115346068A (zh) * 2022-08-02 2022-11-15 哈尔滨市科佳通用机电股份有限公司 一种铁路货运列车螺栓丢失故障图像自动生成方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN108257114A (zh) * 2017-12-29 2018-07-06 天津市万贸科技有限公司 一种基于深度学习的输电设备缺陷自动识别方法
CN109166094A (zh) * 2018-07-11 2019-01-08 华南理工大学 一种基于深度学习的绝缘子故障定位识别方法
CN109767427A (zh) * 2018-12-25 2019-05-17 北京交通大学 列车轨道扣件缺陷的检测方法
US20190243735A1 (en) * 2018-02-05 2019-08-08 Wuhan University Deep belief network feature extraction-based analogue circuit fault diagnosis method
CN110310261A (zh) * 2019-06-19 2019-10-08 河南辉煌科技股份有限公司 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法
CN110827251A (zh) * 2019-10-30 2020-02-21 江苏方天电力技术有限公司 一种基于航拍图像的输电线路锁紧销缺陷检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN108257114A (zh) * 2017-12-29 2018-07-06 天津市万贸科技有限公司 一种基于深度学习的输电设备缺陷自动识别方法
US20190243735A1 (en) * 2018-02-05 2019-08-08 Wuhan University Deep belief network feature extraction-based analogue circuit fault diagnosis method
CN109166094A (zh) * 2018-07-11 2019-01-08 华南理工大学 一种基于深度学习的绝缘子故障定位识别方法
CN109767427A (zh) * 2018-12-25 2019-05-17 北京交通大学 列车轨道扣件缺陷的检测方法
CN110310261A (zh) * 2019-06-19 2019-10-08 河南辉煌科技股份有限公司 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法
CN110827251A (zh) * 2019-10-30 2020-02-21 江苏方天电力技术有限公司 一种基于航拍图像的输电线路锁紧销缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
浩瀚之水: ""目标检测 Faster R-CNN深入理解&&改进方法汇总"", 《CSDN》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652212A (zh) * 2020-05-21 2020-09-11 哈尔滨市科佳通用机电股份有限公司 基于深度学习的交叉杆端部紧固螺栓丢失故障检测方法
CN111862029A (zh) * 2020-07-15 2020-10-30 哈尔滨市科佳通用机电股份有限公司 一种铁路动车组垂向减震器螺栓部件故障检测方法
CN112733771A (zh) * 2021-01-18 2021-04-30 哈尔滨市科佳通用机电股份有限公司 一种铁路列车跨接线异物故障识别方法及***
CN112733771B (zh) * 2021-01-18 2021-10-01 哈尔滨市科佳通用机电股份有限公司 一种铁路列车跨接线异物故障识别方法及***
CN113158966A (zh) * 2021-05-08 2021-07-23 浙江浩腾电子科技股份有限公司 基于深度学习的非机动车骑车带人行为识别的检测方法
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
CN115170883A (zh) * 2022-07-19 2022-10-11 哈尔滨市科佳通用机电股份有限公司 一种制动缸活塞推杆开口销丢失故障检测方法
CN115170883B (zh) * 2022-07-19 2023-03-14 哈尔滨市科佳通用机电股份有限公司 一种制动缸活塞推杆开口销丢失故障检测方法
CN115346068A (zh) * 2022-08-02 2022-11-15 哈尔滨市科佳通用机电股份有限公司 一种铁路货运列车螺栓丢失故障图像自动生成方法
CN115331086A (zh) * 2022-08-17 2022-11-11 哈尔滨市科佳通用机电股份有限公司 一种闸瓦折断和铆钉丢失故障检测方法
CN115331086B (zh) * 2022-08-17 2023-08-08 哈尔滨市科佳通用机电股份有限公司 一种闸瓦折断和铆钉丢失故障检测方法

Also Published As

Publication number Publication date
CN111091545B (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
CN111091545B (zh) 铁路货车滚动轴承轴端螺栓丢失故障的检测方法
CN111080603B (zh) 一种铁路货车轴端螺栓折断故障检测方法
CN111091555B (zh) 闸瓦折断目标检测方法
CN111091543B (zh) 铁路货车摇枕弹簧丢失故障目标检测方法
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
CN114627383B (zh) 一种基于度量学习的小样本缺陷检测方法
CN112330631B (zh) 一种铁路货车制动梁支柱拉铆销套环丢失故障检测方法
CN111080617B (zh) 一种铁路货车制动梁支柱圆销丢失故障识别方法
CN111080600A (zh) 一种铁路货车弹簧托板上开口销的故障识别方法
CN111080612B (zh) 一种货车轴承破损检测方法
CN111080621B (zh) 一种铁路货车地板破损故障图像识别方法
CN112906534A (zh) 一种基于改进后Faster R-CNN网络的锁扣丢失故障检测方法
CN111862029A (zh) 一种铁路动车组垂向减震器螺栓部件故障检测方法
CN111161224A (zh) 基于深度学习的铸件内部缺陷分级评估***及方法
CN113221839B (zh) 一种货车图像自动识别方法及识别***
CN111652211B (zh) 一种动车抗蛇行减振器安装座挂异物故障检测方法
CN111079822A (zh) 轴箱橡胶垫中间橡胶与上、下层板错位故障图像识别方法
CN111652295A (zh) 一种铁路货车钩尾销托梁脱落故障识别方法
CN112329737A (zh) 一种基于改进Faster RCNN的车辆检测方法
CN113203464A (zh) 一种动态车载称重***的传感器故障检测方法
CN111091552A (zh) 铁路货车折角塞门把手关闭故障图像识别方法
CN115424128A (zh) 一种货车转向架下拉杆故障图像检测方法及***
CN115546223A (zh) 一种列车车下设备紧固螺栓的缺失检测方法和***
CN112329858B (zh) 一种铁路动车防松铁丝折断故障图像识别方法
CN116188449A (zh) 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备

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