CN112150452A - 一种基于毫米波成像的铁路轨枕缺陷检测方法 - Google Patents

一种基于毫米波成像的铁路轨枕缺陷检测方法 Download PDF

Info

Publication number
CN112150452A
CN112150452A CN202011056630.2A CN202011056630A CN112150452A CN 112150452 A CN112150452 A CN 112150452A CN 202011056630 A CN202011056630 A CN 202011056630A CN 112150452 A CN112150452 A CN 112150452A
Authority
CN
China
Prior art keywords
millimeter wave
sleeper
railway sleeper
scanning
characteristic curve
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
CN202011056630.2A
Other languages
English (en)
Other versions
CN112150452B (zh
Inventor
韦若禹
彭莉莎
张倩文
邹澳
刘�东
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202011056630.2A priority Critical patent/CN112150452B/zh
Publication of CN112150452A publication Critical patent/CN112150452A/zh
Application granted granted Critical
Publication of CN112150452B publication Critical patent/CN112150452B/zh
Expired - Fee Related 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
    • 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
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于毫米波成像的铁路轨枕缺陷检测方法，其包括利用毫米波扫描车对目标铁路轨枕进行扫描，并接收回波信号；对回波信号进行预处理，得到处理后的回波信号；将处理后的回波信号代入二维成像算法，得到目标铁路轨枕的毫米波图像；将目标铁路轨枕的毫米波图像代入训练完毕的神经网络中，通过拉东变换得到样本特征值，建立特征曲线；对特征曲线进行判断，当特征曲线存在突变值时，即存在裂纹缺陷。本发明能够解决现有技术中轨道缺陷检测方法覆盖面不足、不确定性强的问题，效率高、准确性强、省时省力。

Description

一种基于毫米波成像的铁路轨枕缺陷检测方法
技术领域
本发明涉及轨道检测技术领域，具体涉及一种基于毫米波成像的铁路轨枕缺陷检测方法。
背景技术
随着我国铁路事业的不断发展，铁路运输承担能力也在不断提高，因此对铁路运输安全提出了更高的要求。轨道作为铁路***的重要基础设施，其微小缺陷都会对行车安全产生不利影响，给人们的财产和生命带来不可预估的损失，所以及时、准确的发现轨道缺陷是保证铁路安全运营的关键一环。轨枕作为轨道的关键组成部分，负责支承钢轨和保持钢轨的位置，对保障列车的安全运行起到重要作用，其健康状态应当受到重视。
目前国内对铁路轨枕缺陷识别还是采用目测法，该方法主要依靠人的主观判别，由于各种主客观因素的影响容易出现漏检，很难保证结果的客观准确性；对道路养护工人的经验以及责任性要求比较高；需要大量巡道工且效率低下；且随着我国铁路的不断提速，巡道工的人身安全无法保障。
随着科技发展的成熟，轨检车检测轨道缺陷也逐步开始得到应用，但轨检车只能检测线路的几何参数及横向、垂向加速度等或者采用巡道车采集视频图像，检测人员通过观察视频图像判断检测线路情况，不能通过图像处理的方法来检查线路的状态，以减少人为的干扰；检测车除了能对钢轨进行探伤检测以外，对于其它部件的检测还没有找到有效的方法。
发明内容
本发明针对现有技术中的上述不足，提供了一种能够解决现有技术中轨道缺陷检测方法覆盖面不足、不确定性强的问题的基于毫米波成像的铁路轨枕缺陷检测方法。
为解决上述技术问题，本发明采用了下列技术方案：
提供了一种基于毫米波成像的铁路轨枕缺陷检测方法，其包括如下步骤：
S1、利用毫米波扫描车对目标铁路轨枕进行扫描，并接收回波信号；
S2、对回波信号进行预处理，得到处理后的回波信号；
S3、将处理后的回波信号代入二维成像算法，得到目标铁路轨枕的毫米波图像；
S4、将目标铁路轨枕的毫米波图像代入训练完毕的神经网络中，通过拉东变换得到样本特征值，建立特征曲线；
S5、对特征曲线进行判断，当特征曲线存在突变值时，即存在裂纹缺陷。
本发明提供的上述基于毫米波成像的铁路轨枕缺陷检测方法的主要有益效果在于：
本发明通过基于毫米波成像进行检测，能够有效避免不确定因素对检测结果的影响，同时提高了成像速度及成像分辨率。通过主动毫米波成像技术，用二维平面扫描的方法扫描轨枕表面，收集每个反射点的信息，将收集到的信息通过算法转化成更直观的二维图像，最后通过图像观察轨枕缺陷情况。由于主动毫米波测量不受环境影响，无需借助介质传播、不会引起电离辐射，拥有很高的分辨率，可以在不引起轨枕材料受到损伤的前提下检测到轨枕上细小的缺陷。
本方法相比于人眼观察轨枕缺陷，不仅可节约大量人力和物力，还具有更高的可靠性。自动化处理水平较高，可以极大地降低操作人员工作量，及早发现轨枕缺陷问题，提高巡检效率。
附图说明
图1为本发明基于毫米波成像的铁路轨枕缺陷检测方法的流程图。
图2为毫米波扫描车的结构模型图。
具体实施方式
下面结合附图对本发明作进一步说明：
如图1所示，其为本发明基于毫米波成像的铁路轨枕缺陷检测方法的流程图。
本发明的基于毫米波成像的铁路轨枕缺陷检测方法包括如下步骤：
S1、利用毫米波扫描车对目标铁路轨枕进行扫描，并接收回波信号。
其中，如图2所示，毫米波扫描车包括车体，车体上设置有控制器，控制器包括相互连接的毫米波处理器和服务器，毫米波处理器用于生成，发送轨枕检测所需的毫米波信号，接受并处理回波信号，服务器用于对接受的数字中频信号进行成像处理。所述控制器与扫描平台连接，所述扫描平台上设置有毫米波发射天线和毫米波接收天线。
进一步地，对目标铁路轨枕进行扫描的方法包括：
S1-1、将毫米波成像装置的运动方向与目标铁路轨枕排列方向对齐，将毫米波正对位置处设置为像素点的坐标原点。
S1-2、以轨枕为像素点坐标基准移动扫描平台。
此时，坐标原点不变，扫描平台与X-O-Y面平行。毫米波发射天线和毫米波接收天线视为同一坐标点。
S1-3、依次打开毫米波发射天线和毫米波接收天线，毫米波发射天线发射毫米波照射轨枕，接收天线接收经过轨枕反射的回波信号。
S1-4、一行收发结束后，自动进入下一行进行逐行扫描，直至完成目标铁路轨枕所在区域的扫描。
S2、对回波信号进行预处理，得到处理后的回波信号。
进一步地，得到处理后的回波信号的方法包括：
S2-1、控制器中的毫米波处理器将轨枕返回的回波信号与发射信号进行混频，得到模拟中频信号。
S2-2、对模拟中频信号进行模数转换，得到数字中频信号，即处理后的回波信号，然后传输给服务器，作进一步地处理。
S3、将处理后的回波信号代入二维成像算法，得到目标铁路轨枕的毫米波图像。
进一步地，得到目标铁路轨枕的毫米波图像的方法包括：
假设轨枕上的像素点坐标为(x,y,z＝0),收发天线位置坐标为(x',y',z0)，需要重建的图像用轨枕的反射系数表示；
则毫米波图像f(x,y)的公式表达式为；
Figure BDA0002711048740000041
其中，k＝ω/c为波数，j表示轨枕的反射系数，s(x',y')是轨枕被照射区域所有点信息的叠加，FT2D表示二维傅里叶变换。
该表达式的原理为：
主动发射的毫米波照射轨枕后，反射回来的回波信号可以表示为：
Figure BDA0002711048740000042
将其表示为平面波的叠加：
Figure BDA0002711048740000043
其中kx,ky∈[-2π,2π]，对应变量x,y经过傅里叶变换后在频域的量，且满足
Figure BDA0002711048740000044
Figure BDA0002711048740000051
将以上四式结合代换，整理得：
Figure BDA0002711048740000052
上式的中括号里面的部分，可表示为f(x,y)的二维傅里叶变换：
F(kx,ky)＝FT2D{f(x,y)}，
由于常数项的系数对重建图像没有影响，可以省略掉。所以有：
Figure BDA0002711048740000053
Figure BDA0002711048740000054
最终得出重建目标图像的公式表达式为：
Figure BDA0002711048740000055
通过该算法处理收集的数字中频信号，最终在计算机上输入图像。
S4、将目标铁路轨枕的毫米波图像代入训练完毕的神经网络中，通过拉东变换得到样本特征值，建立特征曲线。
进一步地，建立特征曲线的方法包括：
S4-1、将枕轨的扫描图像代入神经网络中进行训练，得到训练完毕的神经网络。
S4-2、将毫米波图像f(x,y)代入训练完毕的神经网络中，得到样本图像。
S4-3、任取方向x’，将样本图像代入拉东变换，得到样本特征值函数：
Rθ(x')＝∫∫f(x,y)·δ(ρ-x cosθ-y sinθ)dxdy，
其中，当点(x,y)在直线ρ＝x cosθ-y sinθ上时，逻辑函数δ(ρ-x cosθ-y sinθ)的值为1，否则为0。
S4-4、将(x,Rθ(x'))对应的点连接起来，得到特征曲线。
S5、对特征曲线进行判断，当特征曲线存在突变值时，即存在裂纹缺陷。
进一步地，对特征曲线进行判断的方法包括：
S5-1、对特征曲线求导，当方向x’上存在求导值为0的x取值时，即该方向上存在裂纹，对应的x为裂纹所在位置处。
S5-2、按设定次数重复步骤S4-3、S4-4和S5-1，且每次都改变方向x’的取值，当重复完毕时，若不存在求导值为0的x取值，则目标铁路轨枕上不存在裂纹，否则所有对应的x为全部裂纹所在位置处。
一般的，当轨枕完整时，各方向上的特征曲线是均匀的，所以选用重复次数一般10次以下，选用特定方向进行拉东即可。
上面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (7)

1.一种基于毫米波成像的铁路轨枕缺陷检测方法，其特征在于，包括如下步骤：
S1、利用毫米波扫描车对目标铁路轨枕进行扫描，并接收回波信号；
S2、对回波信号进行预处理，得到处理后的回波信号；
S3、将处理后的回波信号代入二维成像算法，得到目标铁路轨枕的毫米波图像；
S4、将目标铁路轨枕的毫米波图像代入训练完毕的神经网络中，通过拉东变换得到样本特征值，建立特征曲线；
S5、对特征曲线进行判断，当特征曲线存在突变值时，即存在裂纹缺陷。
2.根据权利要求1所述的基于毫米波成像的铁路轨枕缺陷检测方法，其特征在于，所述毫米波扫描车包括车体，车体上设置有控制器，控制器包括相互连接的毫米波处理器和服务器，所述控制器与扫描平台连接，所述扫描平台上设置有毫米波发射天线和毫米波接收天线。
3.根据权利要求2所述的基于毫米波成像的铁路轨枕缺陷检测方法，其特征在于，所述对目标铁路轨枕进行扫描的方法包括：
S1-1、将毫米波成像装置的运动方向与目标铁路轨枕排列方向对齐，将毫米波正对位置处设置为像素点的坐标原点；
S1-2、以轨枕为像素点坐标基准移动扫描平台；
S1-3、依次打开毫米波发射天线和毫米波接收天线，毫米波发射天线发射毫米波照射轨枕，接收天线接收经过轨枕反射的回波信号；
S1-4、一行收发结束后，自动进入下一行进行逐行扫描，直至完成目标铁路轨枕所在区域的扫描。
4.根据权利要求3所述的基于毫米波成像的铁路轨枕缺陷检测方法，其特征在于，所述得到处理后的回波信号的方法包括：
S2-1、控制器将轨枕返回的回波信号与发射信号进行混频，得到模拟中频信号；
S2-2、对模拟中频信号进行模数转换，得到数字中频信号，即处理后的回波信号。
5.根据权利要求1所述的基于毫米波成像的铁路轨枕缺陷检测方法，其特征在于，所述得到目标铁路轨枕的毫米波图像的方法包括：
假设轨枕上的像素点坐标为(x,y,z＝0),收发天线位置坐标为(x',y',z0)，需要重建的图像用轨枕的反射系数表示；
则毫米波图像f(x,y)的公式表达式为；
Figure FDA0002711048730000021
其中，k＝ω/c为波数，j表示轨枕的反射系数，s(x',y')是轨枕被照射区域所有点信息的叠加，FT2D表示二维傅里叶变换。
6.根据权利要求5所述的基于毫米波成像的铁路轨枕缺陷检测方法，其特征在于，所述建立特征曲线的方法包括：
S4-1、将枕轨的扫描图像代入神经网络中进行训练，得到训练完毕的神经网络；
S4-2、将毫米波图像f(x,y)代入训练完毕的神经网络中，得到样本图像；
S4-3、任取方向x’，将样本图像代入拉东变换，得到样本特征值函数：
Rθ(x')＝∫∫f(x,y)·δ(ρ-x cosθ-y sinθ)dxdy，
其中，当点(x,y)在直线ρ＝x cosθ-y sinθ上时，逻辑函数δ(ρ-x cosθ-y sinθ)的值为1，否则为0；
S4-4、将(x,Rθ(x'))对应的点连接起来，得到特征曲线。
7.根据权利要求5所述的基于毫米波成像的铁路轨枕缺陷检测方法，其特征在于，所述对特征曲线进行判断的方法包括：
S5-1、对特征曲线求导，当方向x’上存在求导值为0的x取值时，即该方向上存在裂纹，对应的x为裂纹所在位置处；
S5-2、按设定次数重复步骤S4-3、S4-4和S5-1，且每次都改变方向x’的取值，当重复完毕时，若不存在求导值为0的x取值，则目标铁路轨枕上不存在裂纹，否则所有对应的x为全部裂纹所在位置处。
CN202011056630.2A 2020-09-30 2020-09-30 一种基于毫米波成像的铁路轨枕缺陷检测方法 Expired - Fee Related CN112150452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011056630.2A CN112150452B (zh) 2020-09-30 2020-09-30 一种基于毫米波成像的铁路轨枕缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011056630.2A CN112150452B (zh) 2020-09-30 2020-09-30 一种基于毫米波成像的铁路轨枕缺陷检测方法

Publications (2)

Publication Number Publication Date
CN112150452A true CN112150452A (zh) 2020-12-29
CN112150452B CN112150452B (zh) 2022-04-15

Family

ID=73895200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011056630.2A Expired - Fee Related CN112150452B (zh) 2020-09-30 2020-09-30 一种基于毫米波成像的铁路轨枕缺陷检测方法

Country Status (1)

Country Link
CN (1) CN112150452B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101027910B1 (ko) * 2010-01-18 2011-04-12 양경택 음향신호를 이용한 철도 침목 자동화 검사 방법
KR20120091606A (ko) * 2011-02-09 2012-08-20 현대모비스 주식회사 장애물 감지 시스템 및 방법
KR101412369B1 (ko) * 2013-02-01 2014-07-02 고려대학교 산학협력단 영상의 객체 검출 방법 및 장치
CN104166857A (zh) * 2014-08-01 2014-11-26 中国石油大学(华东) 基于小波变换低频谱信息的溢油高光谱图像分类方法
CN105510884A (zh) * 2015-12-08 2016-04-20 北京无线电计量测试研究所 一种图像处理方法和设备
CN106228110A (zh) * 2016-07-07 2016-12-14 浙江零跑科技有限公司 一种基于车载双目相机的障碍物及可行驶区域检测方法
CN106772308A (zh) * 2017-03-21 2017-05-31 中国人民解放军国防科学技术大学 基于脉内干涉的太赫兹宽带雷达微多普勒解模糊方法
CN108416358A (zh) * 2018-03-07 2018-08-17 北京环境特性研究所 一种空间目标特征提取方法和装置
CN108830846A (zh) * 2018-06-12 2018-11-16 南京航空航天大学 一种高分辨率全波段超光谱遥感图像仿真方法
CN109030505A (zh) * 2018-08-13 2018-12-18 中铁三局集团有限公司 一种双块式轨枕裂纹智能检测标识***
CN109815956A (zh) * 2018-12-28 2019-05-28 安徽清新互联信息科技有限公司 一种基于自适应位置分割的车牌字符识别方法
CN110376577A (zh) * 2019-08-01 2019-10-25 北京市交大路通科技有限公司 一种车辆定位的方法、装置、电子设备及存储介质
CN111007510A (zh) * 2019-12-20 2020-04-14 北京润科通用技术有限公司 合成孔径雷达成像算法的性能检测方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101027910B1 (ko) * 2010-01-18 2011-04-12 양경택 음향신호를 이용한 철도 침목 자동화 검사 방법
KR20120091606A (ko) * 2011-02-09 2012-08-20 현대모비스 주식회사 장애물 감지 시스템 및 방법
KR101412369B1 (ko) * 2013-02-01 2014-07-02 고려대학교 산학협력단 영상의 객체 검출 방법 및 장치
CN104166857A (zh) * 2014-08-01 2014-11-26 中国石油大学(华东) 基于小波变换低频谱信息的溢油高光谱图像分类方法
CN105510884A (zh) * 2015-12-08 2016-04-20 北京无线电计量测试研究所 一种图像处理方法和设备
CN106228110A (zh) * 2016-07-07 2016-12-14 浙江零跑科技有限公司 一种基于车载双目相机的障碍物及可行驶区域检测方法
CN106772308A (zh) * 2017-03-21 2017-05-31 中国人民解放军国防科学技术大学 基于脉内干涉的太赫兹宽带雷达微多普勒解模糊方法
CN108416358A (zh) * 2018-03-07 2018-08-17 北京环境特性研究所 一种空间目标特征提取方法和装置
CN108830846A (zh) * 2018-06-12 2018-11-16 南京航空航天大学 一种高分辨率全波段超光谱遥感图像仿真方法
CN109030505A (zh) * 2018-08-13 2018-12-18 中铁三局集团有限公司 一种双块式轨枕裂纹智能检测标识***
CN109815956A (zh) * 2018-12-28 2019-05-28 安徽清新互联信息科技有限公司 一种基于自适应位置分割的车牌字符识别方法
CN110376577A (zh) * 2019-08-01 2019-10-25 北京市交大路通科技有限公司 一种车辆定位的方法、装置、电子设备及存储介质
CN111007510A (zh) * 2019-12-20 2020-04-14 北京润科通用技术有限公司 合成孔径雷达成像算法的性能检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张莉: "基于混合纹理特征的轨枕裂纹识别", 《中国优秀硕士学位论文全文数据库》 *
朱中洋: "基于Radon小波低分辨率的织物疵点检测算法", 《万方数据》 *

Also Published As

Publication number Publication date
CN112150452B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN101871895B (zh) 连铸热坯表面缺陷激光扫描成像无损检测方法
CN110567680B (zh) 一种基于角度比对的轨道扣件松动检测方法
CN106679567A (zh) 基于双目立体视觉的接触网及支柱几何参数检测测量***
CN101699273A (zh) 一种在线钢轨探伤的图像处理辅助检测装置及方法
CN111024728A (zh) 一种基于计算机视觉与超声波探伤的铁路检测方法和***
CN104359418A (zh) 一种激光和视频融合的铁路雪深多点自动测量装置及方法
Gui et al. Automated defect detection and visualization for the robotic airport runway inspection
CN106864477B (zh) 一种基于时频空函数的钢轨超声探伤智能检测方法
CN103303337B (zh) 基于图像序列的铁路扣件自适应定位方法及高速探测***
CN102914290A (zh) 地铁限界检测***及其检测方法
CN111452830B (zh) 一种实现轨道板裂缝自动检测的成像方法及装置
CN108827982B (zh) 基于深度学习的跨座式单轨轨道梁指型板缺陷检测方法及***
CN113418987A (zh) 一种运行状态下的钢轨在轨检测方法及其检测设备
Vijayalakshmi et al. A smart rail track inspection system
CN112150452B (zh) 一种基于毫米波成像的铁路轨枕缺陷检测方法
Taheri et al. A brief overview and new knowledge based system for rail direct fastening evaluation using digital image processing
CN104048646A (zh) 基于激光图像测量的脱轨检测装置及方法
CN111855793A (zh) 一种基于表面磁记忆信号的无缝铁轨内部温度应力早期诊断方法
CN113281401A (zh) 无砟轨道隐蔽病害的检测方法、***与装置
CN108921844A (zh) 一种绝缘子缺陷检测方法与装置
Cui et al. A recognition algorithm to detect pipe weld defects
IEM-RM B-scan ultrasonic image analysis for internal rail defect detection
CN115902884A (zh) 基于三维雷达典型振幅值的沥青路面内部状况评价方法
Sun et al. Crack detection in concrete slabs by graph-based anomalies calculation
Liu et al. Method to detect the bolt thread defect in the aerospace vehicle with ultrasonic image and its implementation

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220415

CF01 Termination of patent right due to non-payment of annual fee