CN112061171A - 一种基于嵌入式gpu的轨道缺陷在线巡检方法与巡检装置 - Google Patents

一种基于嵌入式gpu的轨道缺陷在线巡检方法与巡检装置 Download PDF

Info

Publication number
CN112061171A
CN112061171A CN202010911539.8A CN202010911539A CN112061171A CN 112061171 A CN112061171 A CN 112061171A CN 202010911539 A CN202010911539 A CN 202010911539A CN 112061171 A CN112061171 A CN 112061171A
Authority
CN
China
Prior art keywords
image
rail
track
detection
embedded gpu
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
CN202010911539.8A
Other languages
English (en)
Other versions
CN112061171B (zh
Inventor
范国海
胡文锐
张桃桃
徐邵伟
薛晓利
吕太洪
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.)
Chengdu National Railways Electrical Equipment Co ltd
Original Assignee
Chengdu National Railways Electrical Equipment 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 Chengdu National Railways Electrical Equipment Co ltd filed Critical Chengdu National Railways Electrical Equipment Co ltd
Priority to CN202010911539.8A priority Critical patent/CN112061171B/zh
Publication of CN112061171A publication Critical patent/CN112061171A/zh
Application granted granted Critical
Publication of CN112061171B publication Critical patent/CN112061171B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • B61K9/08—Measuring installations for surveying permanent way
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • B61K9/08—Measuring installations for surveying permanent way
    • B61K9/10—Measuring installations for surveying permanent way for detecting cracks in rails or welds thereof
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Image Processing (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Machines For Laying And Maintaining Railways (AREA)

Abstract

本发明公开了一种基于嵌入式GPU的轨道缺陷在线巡检方法，包括如下过程：采集轨面图像，经过多普勒雷达测距列车每移动1mm发出一个触发信号，当相机接收到触发信号时，则采集一次数据，每相隔1000mm输出一张1024*1000的图像，再将图像发送给嵌入式gpu处理器，进行轨面缺陷检测；采集左轨外侧、左轨内侧、右轨内侧、右轨外侧4路扣件图像，将4路扣件的图像按照左轨外侧、左轨内侧、右轨内侧、右轨外侧的顺序拼接在一起，进行扣件缺陷检测，通过yolov3网络得到扣件缺陷；采集道床数据，选定待检测区域，并截取该区域图像，通过yolov3目标检测网络，得到道床缺陷。通过本发明，能够实时进行缺陷检测，而且占用空间小，不对列车车厢的使用造成影响。

Description

一种基于嵌入式GPU的轨道缺陷在线巡检方法与巡检装置
技术领域
本发明涉及轨道检测领域，具体是一种基于嵌入式GPU的轨道缺陷在线巡检方法与巡检装置。
背景技术
轨道安全是轨道交通运输的最基本的安全条目，在现今轨道交通运输作为城市交通的一大主力：速度快、运量大，且安全舒适。但是轨道的检修作业却异常繁重，目前都采人工检查，致使效率非常低下。应铁路局需求，铁路工务巡检***随之出现，能对轨道结构部件进行快速动态巡视和检测，而目前大都采用服务器形式，设备体型大，占用空间大，对列车车厢的利用造成一定的影响。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于嵌入式GPU的轨道缺陷在线巡检方法，包括如下过程：
采集轨面图像，经过多普勒雷达测距列车每移动1mm发出一个触发信号，当相机接收到触发信号时，则采集一次数据，每相隔1000mm输出一张1024*1000的图像，再将图像发送给嵌入式gpu处理器，进行轨面缺陷检测，所述的轨面缺陷检测包括轨缝检测、波磨以及掉块检测和肥边检测，得到轨面缺陷；
采集左轨外侧、左轨内侧、右轨内侧、右轨外侧4路扣件图像，将4路扣件的图像按照左轨外侧、左轨内侧、右轨内侧、右轨外侧的顺序拼接在一起，进行扣件缺陷检测，通过yolov3网络得到扣件缺陷；
采集道床数据，选定待检测区域，并截取该区域图像，通过yolov3目标检测网络，得到道床缺陷。
进一步的，所述的所述的轨缝检测包括对图像进行y方向sobel计算，得到sobel图；再计算sobel图中每一行亮点的个数；若连续3行的亮点个数均超过80个像素，则认为此处为轨缝；
所述的波磨以及掉块检测是对1024*1000的原始图像进行二值化处理，得到二值化图像，再利用爬虫法提取二值化图像中孔洞的轮廓；计算轮廓的面积，若轮廓的面积超过225个像素，长宽均超过15个像素，则认为是掉块或波磨；
所述的肥边检测包括如下过程：对1024*1000的原始图像，进行自适应二值化，提取二值化图像中每一行亮点起始位置与终止位置，起始位置与终止位置之间的部分则为轨面区域；提取每一行轨面的中心点；根据中心点拟合出一条直线；计算每一行轨面的中心点偏移该直线的欧式距离；将二值化图像分为10段检测，每一段为1024*100，计算每一段图像中每一行轨面区域宽度的方差，若该段图像中宽度方差大于10000，则为肥边。
进一步的，所述的扣件缺陷检测包括如下过程：选取n张拼接图：标记图中扣件的位置，并将所有标记出扣件位置的图像送入到yolov3网络中进行训练，得到yolov3的网络权重，
将待检测的拼接图送入yolov3的深度学习网络中，预测出每个扣件在图像中的位置；
计算每一路相邻扣件之间的y方向的间距，将距离值按照类间间距为200进行聚类，取类中个数最多的一个类，计算其平均值，其平均值则为扣件的正常间距，再判断相邻扣件之间的间距是否大于1.5倍的正常间距；若是，则该两扣件之间存在扣件丢失；
在扣件所在位置截取250*250的图像，标记250*250图像中的扣件弹条的耳廓部分，并将标记的图像放入yolov3网络中训练，得到yolov3的目标检测网络权重；
将待检测的250*250的图像输入yolov3目标检测网络中，预测出弹条耳廓的具***置。
若在待检测图中预测的弹条耳廓个数小于2，则该扣件存在弹条破损。
进一步的，所述的道床检测包括如下步骤: 数据预处理，固定一个检测区域，避免不必要的干扰，并截取该区域图像；
筛选出1000张带有异物、裂缝的检测区域图像；标记所有异物、裂缝的区域；将1000张标记图片纳入yolov3目标检测网络中进行训练；得到yolov3的网络权重；
将待检测图送入yolov3目标检测网络中，直接预测出异物、裂缝的具***置。
一种基于嵌入式GPU的轨道缺陷在线巡检装置，包括多普勒雷达、轨道巡检模组、道床巡检模组、嵌入式gpu处理模块；所述的轨道巡检模组、道床巡检模组分别与所述的嵌入式gpu处理模块连接，所述的轨道巡检模组、道床巡检模组分别与所述的多普勒雷达连接。
优选的，所述的轨道巡检模组包括外轨线阵相机、轨面线阵相机、内轨线阵相机、激光光源和图像采集卡；所述的外轨线阵相机、轨面线阵相机、内轨线阵相机分别与所述的图像采集卡连接，所述的激光光源、图像采集卡分别与所述的嵌入式gpu处理模块连接。
优选的，所述的道床巡检模组包括道床线阵相机、激光光源和图像采集卡二，所述的道床线阵相机与所述的图像采集卡二连接，所述的激光光源和图像采集卡二分别与所述的嵌入式gpu处理模块连接。
本发明的有益效果是： 使用本发明的检测方法与***，能够实时进行缺陷检测，而且占用空间小，不对列车车厢的使用造成影响。
附图说明
图1为一种基于嵌入式GPU的轨道缺陷在线巡检方法示意图；
图2为轨面检测示意图；
图3为波磨以及掉块检测示意图；
图4为肥边检测示意图；
图5为扣件检测检测示意图；
图6为道床检测示意图；
图7为一种基于嵌入式GPU的轨道缺陷在线巡检装置示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，经过多普勒雷达测距列车每移动1mm发出一个触发信号，当相机接收到触发信号时，则采集一次数据，每相隔1000mm输出一张1024*1000的图像，再将图像发送给嵌入式gpu处理器，进行缺陷检测。
轨面检测：
1、轨缝检测：
1）对图像进行y方向sobel计算，得到sobel图
2）在计算sobel图中每一行亮点的个数。
3）若连续3行的亮点个数均超过80个像素，则认为此处为轨缝
2、波磨以及掉块检测：
1）对1024*1000的原始图像进行二值化处理。
2）此时掉块等缺陷会表现出孔洞的特征，再利用爬虫法提取孔洞的轮廓。
3）计算轮廓的面积（即孔洞的像素个数），
4）若轮廓的面积超过225个像素，长宽均超过15个像素，则认为是掉块。
3、肥边检测：
1）对1024*1000的原始图像，进行自适应二值化，提取每一行亮点起始位置与终止位置，起始位置与终止位置之间的部分则为轨面区域。
2）提取每一行轨面的中心点。
3）根据中心点拟合出一条直线。
4）统计计算每一行轨面的中心点偏移该直线的欧式距离。若连续10行此距离大于10个像素，则认为此处有肥边。
5）将图像分为10段检测，每一段为1024*100，计算每一段图像中每一行轨面区域宽度的方差，若该段图像中宽度方差大于10000，也认为是肥边。
扣件检测：
1、图像的拼接：将4路扣件的图像按照左轨外侧、左轨内侧、右轨内侧、右轨外侧的顺序拼接在一起。
2、选取1000张拼接图：标记扣件的区域。并所有标记图像其送入到yolov3网络中进行训练，得到yolov3的网络权重，
3、将待检测的拼接图送入yolov3的深度学习网络中，预测出每个扣件在图像中的具***置。
4、计算每一路相邻扣件之间的y方向的间距，然后统计10张图像中每一路扣件的间距，将距离值按照类间间距为200进行聚类，取类中个数最多的一个类，并计算其平均值，其平均值则为正常扣件的间距，再判断相邻扣件之间的间距是否大于1.5倍的正常间距；若是，则该两扣件之间存在扣件丢失。
5、在扣件所在位置截取250*250的图像，筛选出1000张。
6、标记250*250图像中的扣件弹条的耳廓部分。并将1000张250*250标记的图像放入yolov3网络中训练，得到yolov3的目标检测网络权重。
7、将待检测的250*250的图像输入yolov3目标检测网络中，预测出弹条耳廓的具***置。
8、若在待检测图中预测的弹条耳廓个数小于2，则认为该扣件存在弹条破损。
道床检测：
1、数据预处理：固定一个检测区域，避免不必要的干扰，并截取该区域图像。
2、筛选出1000张带有异物、裂缝的检测区域图像。标记所有异物、裂缝的区域。将1000张标记图片纳入yolov3目标检测网络中进行训练。得到yolov3的网络权重。
3、将待检测图送入yolov3目标检测网络中，直接预测出异物、裂缝的具***置。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.一种基于嵌入式GPU的轨道缺陷在线巡检方法，其特征在于，包括如下过程：
采集轨面图像，经过多普勒雷达测距列车每移动1mm发出一个触发信号，当相机接收到触发信号时，则采集一次数据，每相隔1000mm输出一张1024*1000的图像，再将图像发送给嵌入式gpu处理器，进行轨面缺陷检测，所述的轨面缺陷检测包括轨缝检测、波磨以及掉块检测和肥边检测，得到轨面缺陷；
采集左轨外侧、左轨内侧、右轨内侧、右轨外侧4路扣件图像，将4路扣件的图像按照左轨外侧、左轨内侧、右轨内侧、右轨外侧的顺序拼接在一起，进行扣件缺陷检测，通过yolov3网络得到扣件缺陷；
采集道床数据，选定待检测区域，并截取该区域图像，通过yolov3目标检测网络，得到道床缺陷。
2.根据权利要求1所述的一种基于嵌入式GPU的轨道缺陷在线巡检方法，其特征在于，所述的所述的轨缝检测包括对图像进行y方向sobel计算，得到sobel图；再计算sobel图中每一行亮点的个数；若连续3行的亮点个数均超过80个像素，则认为此处为轨缝；
所述的波磨以及掉块检测是对1024*1000的原始图像进行二值化处理，得到二值化图像，再利用爬虫法提取二值化图像中孔洞的轮廓；计算轮廓的面积，若轮廓的面积超过225个像素，长宽均超过15个像素，则为波磨或掉块；
所述的肥边检测包括如下过程：对1024*1000的原始图像，进行自适应二值化，提取二值化图像中每一行亮点起始位置与终止位置，起始位置与终止位置之间的部分则为轨面区域；提取每一行轨面的中心点；根据中心点拟合出一条直线；计算每一行轨面的中心点偏移该直线的欧式距离；若连续10行欧式距离大于10个像素，则为肥边；将二值化图像分为10段检测，每一段为1024*100，计算每一段图像中每一行轨面区域宽度的方差，若该段图像中宽度方差大于10000，则为肥边。
3.根据权利要求1所述的一种基于嵌入式GPU的轨道缺陷在线巡检方法，其特征在于，所述的扣件缺陷检测包括如下过程：选取n张拼接图：标记图中扣件的位置，并将所有标记出扣件位置的图像送入到yolov3网络中进行训练，得到yolov3的网络权重；
将待检测的拼接图送入yolov3的深度学习网络中，预测出每个扣件在图像中的位置；
计算每一路相邻扣件之间的y方向的间距，将距离值按照类间间距为200进行聚类，取类中个数最多的一个类，计算其平均值，其平均值则为扣件的正常间距，再判断相邻扣件之间的间距是否大于1.5倍的正常间距；若是，则该两扣件之间存在扣件丢失；
在扣件所在位置截取250*250的图像，标记250*250图像中的扣件弹条的耳廓部分，并将标记的图像放入yolov3网络中训练，得到yolov3的目标检测网络权重；
将待检测的250*250的图像输入yolov3目标检测网络中，预测出弹条耳廓的具***置；
若在待检测图中预测的弹条耳廓个数小于2，则该扣件存在弹条破损。
4.根据权利要求1所述的一种基于嵌入式GPU的轨道缺陷在线巡检方法，其特征在于，所述的道床检测包括如下步骤: 数据预处理，固定一个检测区域，避免不必要的干扰，并截取该区域图像；
筛选出1000张带有异物、裂缝的检测区域图像；标记所有异物、裂缝的区域；将1000张标记图片纳入yolov3目标检测网络中进行训练；得到yolov3的网络权重；
将待检测图送入yolov3目标检测网络中，直接预测出异物、裂缝的具***置。
5.一种基于嵌入式GPU的轨道缺陷在线巡检装置，其特征在于，包括多普勒雷达、轨道巡检模组、道床巡检模组、嵌入式gpu处理模块；所述的轨道巡检模组、道床巡检模组分别与所述的嵌入式gpu处理模块连接，所述的轨道巡检模组、道床巡检模组分别与所述的多普勒雷达连接。
6.根据权利要求5所述的一种基于嵌入式GPU的轨道缺陷在线巡检装置，其特征在于，所述的轨道巡检模组包括外轨线阵相机、轨面线阵相机、内轨线阵相机、激光光源和图像采集卡；所述的外轨线阵相机、轨面线阵相机、内轨线阵相机分别与所述的图像采集卡连接，所述的激光光源、图像采集卡分别与所述的嵌入式gpu处理模块连接。
7.根据权利要求5所述的一种基于嵌入式GPU的轨道缺陷在线巡检装置，其特征在于，所述的道床巡检模组包括道床线阵相机、激光光源和图像采集卡二，所述的道床线阵相机与所述的图像采集卡二连接，所述的激光光源和图像采集卡二分别与所述的嵌入式gpu处理模块连接。
CN202010911539.8A 2020-09-02 2020-09-02 一种基于嵌入式gpu的轨道缺陷在线巡检方法与巡检装置 Active CN112061171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010911539.8A CN112061171B (zh) 2020-09-02 2020-09-02 一种基于嵌入式gpu的轨道缺陷在线巡检方法与巡检装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010911539.8A CN112061171B (zh) 2020-09-02 2020-09-02 一种基于嵌入式gpu的轨道缺陷在线巡检方法与巡检装置

Publications (2)

Publication Number Publication Date
CN112061171A true CN112061171A (zh) 2020-12-11
CN112061171B CN112061171B (zh) 2022-08-23

Family

ID=73665348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010911539.8A Active CN112061171B (zh) 2020-09-02 2020-09-02 一种基于嵌入式gpu的轨道缺陷在线巡检方法与巡检装置

Country Status (1)

Country Link
CN (1) CN112061171B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634287A (zh) * 2020-12-25 2021-04-09 电子科技大学 一种基于层间偏移校正的心脏磁共振图像分割方法
CN112733709A (zh) * 2021-01-08 2021-04-30 北京主导时代科技有限公司 轨道巡检检测***及方法
CN113091834A (zh) * 2021-06-09 2021-07-09 成都国铁电气设备有限公司 基于大数据网轨隧综合检测***及方法
CN113112501A (zh) * 2021-05-11 2021-07-13 上海市东方海事工程技术有限公司 一种基于深度学习的车载轨道巡检装置及方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050039655A (ko) * 2003-10-23 2005-04-29 (주)극동네트워크 철도궤도 결함 자동 검측 및 관리 시스템, 자동 검측 및관리 방법
CN101142462A (zh) * 2004-06-30 2008-03-12 乔治敦铁轨设备公司 用于检查铁路轨道的***和方法
CN101769877A (zh) * 2008-12-26 2010-07-07 中国铁道科学研究院基础设施检测研究所 轨道表面擦伤检测***
US20120263342A1 (en) * 2011-04-15 2012-10-18 International Business Machines Corporation Method and system of rail component detection using vision technology
CN106709911A (zh) * 2016-12-26 2017-05-24 西北工业大学 一种基于机器视觉的高铁扣件检测与计数方法及***
CN107576667A (zh) * 2017-10-13 2018-01-12 成都精工华耀机械制造有限公司 一种基于线阵红外摄像机的铁轨扣件异常检测***
KR20190024447A (ko) * 2017-08-31 2019-03-08 투아이시스(주) 실시간 선로 결함 검측 시스템
CN110533640A (zh) * 2019-08-15 2019-12-03 北京交通大学 基于改进YOLOv3网络模型的轨道线路病害辨识方法
CN210402469U (zh) * 2019-08-26 2020-04-24 成都协创信和科技有限公司 一种车载式智能轨道巡检***
CN210912449U (zh) * 2019-09-12 2020-07-03 四川瑞新轨道交通科技发展有限公司 一种轨道交通动态巡检装置
US20200231193A1 (en) * 2017-07-28 2020-07-23 Ensco, Inc. Systems and methods for inspecting a railroad track
CN111521616A (zh) * 2020-04-28 2020-08-11 成都国铁电气设备有限公司 一种用于绝缘器缺陷检测的触发方法和***

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050039655A (ko) * 2003-10-23 2005-04-29 (주)극동네트워크 철도궤도 결함 자동 검측 및 관리 시스템, 자동 검측 및관리 방법
CN101142462A (zh) * 2004-06-30 2008-03-12 乔治敦铁轨设备公司 用于检查铁路轨道的***和方法
CN101769877A (zh) * 2008-12-26 2010-07-07 中国铁道科学研究院基础设施检测研究所 轨道表面擦伤检测***
US20120263342A1 (en) * 2011-04-15 2012-10-18 International Business Machines Corporation Method and system of rail component detection using vision technology
CN106709911A (zh) * 2016-12-26 2017-05-24 西北工业大学 一种基于机器视觉的高铁扣件检测与计数方法及***
US20200231193A1 (en) * 2017-07-28 2020-07-23 Ensco, Inc. Systems and methods for inspecting a railroad track
KR20190024447A (ko) * 2017-08-31 2019-03-08 투아이시스(주) 실시간 선로 결함 검측 시스템
CN107576667A (zh) * 2017-10-13 2018-01-12 成都精工华耀机械制造有限公司 一种基于线阵红外摄像机的铁轨扣件异常检测***
CN110533640A (zh) * 2019-08-15 2019-12-03 北京交通大学 基于改进YOLOv3网络模型的轨道线路病害辨识方法
CN210402469U (zh) * 2019-08-26 2020-04-24 成都协创信和科技有限公司 一种车载式智能轨道巡检***
CN210912449U (zh) * 2019-09-12 2020-07-03 四川瑞新轨道交通科技发展有限公司 一种轨道交通动态巡检装置
CN111521616A (zh) * 2020-04-28 2020-08-11 成都国铁电气设备有限公司 一种用于绝缘器缺陷检测的触发方法和***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘扬: "城市轨道交通轨道检测的探讨", 《城市轨道交通研究》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634287A (zh) * 2020-12-25 2021-04-09 电子科技大学 一种基于层间偏移校正的心脏磁共振图像分割方法
CN112733709A (zh) * 2021-01-08 2021-04-30 北京主导时代科技有限公司 轨道巡检检测***及方法
CN113112501A (zh) * 2021-05-11 2021-07-13 上海市东方海事工程技术有限公司 一种基于深度学习的车载轨道巡检装置及方法
CN113091834A (zh) * 2021-06-09 2021-07-09 成都国铁电气设备有限公司 基于大数据网轨隧综合检测***及方法

Also Published As

Publication number Publication date
CN112061171B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN112061171B (zh) 一种基于嵌入式gpu的轨道缺陷在线巡检方法与巡检装置
Giben et al. Material classification and semantic segmentation of railway track images with deep convolutional neural networks
CN102759347B (zh) 一种高铁接触网在线巡检装置、巡检方法以及其检测***
CN109766746B (zh) 一种无人机航拍视频的轨道异物检测方法
CN111260629A (zh) 基于图像处理的受电弓结构异常检测算法
CN109489724B (zh) 一种隧道列车安全运行环境综合检测装置及检测方法
KR102017870B1 (ko) 실시간 선로 결함 검측 시스템
CN110047070B (zh) 一种轨道磨损程度的识别方法及***
CN110782443B (zh) 一种铁路轨道缺陷检测方法和***
CN110796643A (zh) 一种铁轨扣件缺陷检测方法和***
CN113947731B (zh) 一种基于接触网安全巡检的异物识别方法及***
CN109448365A (zh) 一种跨尺度空基平台区域道路交通***综合监视方法
CN102902974A (zh) 一种基于图像的铁路接触网杆柱标识信息的识别方法
CN111626976A (zh) 一种基于脉冲耦合神经网络的钢轨表面伤损检测方法
CN113139572B (zh) 一种基于图像的列车空气弹簧的故障检测方法
Paul et al. Railway track crack detection
CN111079629A (zh) 铁路货车心盘脱出故障图像识别方法
AlNaimi et al. IoT based on-the-fly visual defect detection in railway tracks
CN115184269A (zh) 一种轨道巡检***及方法
Wang et al. Automated shape-based pavement crack detection approach
CN114926415A (zh) 一种基于pcnn与深度学习的钢轨表面检测方法
CN111597939B (zh) 一种基于深度学习的高铁线路鸟窝缺陷检测方法
Hashmi et al. Computer-vision based visual inspection and crack detection of railroad tracks
CN111862023A (zh) 一种基于计算机视觉的受电弓结构异常检测方法
CN111754477B (zh) 基于动态候选区多尺度图像的铁路周界异物入侵检测方法

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
CB03 Change of inventor or designer information

Inventor after: Fan Guohai

Inventor after: Hu Wenrui

Inventor after: Zhang Taotao

Inventor after: Xu Shaowei

Inventor after: Xue Xiaoli

Inventor after: Lv Taihong

Inventor before: Fan Guohai

Inventor before: Hu Wenrui

Inventor before: Zhang Taotao

Inventor before: Xu Shaowei

Inventor before: Xue Xiaoli

Inventor before: Lv Taihong

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant