CN112418334B - 一种铁路动车裙板格栅变形故障识别方法 - Google Patents
一种铁路动车裙板格栅变形故障识别方法 Download PDFInfo
- Publication number
- CN112418334B CN112418334B CN202011351940.7A CN202011351940A CN112418334B CN 112418334 B CN112418334 B CN 112418334B CN 202011351940 A CN202011351940 A CN 202011351940A CN 112418334 B CN112418334 B CN 112418334B
- Authority
- CN
- China
- Prior art keywords
- grating
- deformation
- network
- motor car
- apron
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
一种铁路动车裙板格栅变形故障识别方法,解决了现有铁路动车裙板格栅变形故障识别方法检测效率低的问题,属于铁路动车故障识别技术领域。本发明包括:构建铁路动车的裙板格栅变形样本集;利用裙板格栅变形样本集对深度学习目标检测网络Faster R‑CNN进行训练,得到Faster R‑CNN检测模型及权重;利用Faster R‑CNN检测模型及权重识别铁路动车待检测的侧部图像,确定侧部图像中的裙板格栅是否出现变形及变形位置。本发明特征提取网络包括:将Resnet‑50网络中Bottleneck块中的3x3的卷积核用一个3x1的卷积核串联一个1x3的卷积核替代,用Swish激活函数替代特征提取网络中的ReLU激活函数。本发明对列车裙板格栅变形故障进行识别检测,有效的避免了人工检测时因为疲劳和个人评判差异造成的识别误差。
Description
技术领域
本发明涉及一种基于改进Faster R-CNN的铁路动车裙板格栅变形故障识别方法,属于铁路动车故障识别技术领域。
背景技术
高速铁路动车组的大部分关键设备吊装在车下,动车组在线路上高速运行时会产生很强的空气压力波,因此石头、冰块或其他物体与车下设备发生高速打击的意外情况时常发生,严重危及铁路动车的运行安全。为减少空气阻力,保护和检修车下设备,确保高速铁路动车组的安全运行,时速200km及以上速度登记的高速铁路动车组的安全运行,安装具有导流、防护、检修功能的全封闭车下设备舱,动车组运行时,设备舱内设备会产生大量的热量。为了将热量散出,保证列车的安全运行,动车组设备舱裙板设有通风口,通风口安装格栅,以便设备产生的热量及时散出。裙板格栅变形故障会影响通风效果,使设备舱内热量堆积,影响设备的正常运行或使设备产生故障,从而引发安全问题,所以需要对裙板格栅变形故障进行检测。
针对铁路动车裙板格栅变形故障识别,现有技术为人工检测,人工检测会出现因疲劳和个人评判差异造成识别误差。人工识别检测,检测效率低,且准确率不稳定。
发明内容
针对现有铁路动车裙板格栅变形故障识别方法检测效率低的问题,本发明提供一种基于改进Faster R-CNN的铁路动车裙板格栅变形故障识别方法。
本发明的一种铁路动车裙板格栅变形故障识别方法,方法包括:
S1、构建铁路动车的裙板格栅变形样本集;
S2、利用裙板格栅变形样本集对深度学习目标检测网络Faster R-CNN进行训练,得到Faster R-CNN检测模型及权重;
S3、利用Faster R-CNN检测模型及权重识别铁路动车待检测的侧部图像,确定侧部图像中的裙板格栅是否出现变形及变形位置。
作为优选,深度学习目标检测网络Faster R-CNN中的特征提取网络包括:将Resnet-50网络中Bottleneck块中的3x3的卷积核用一个3x1的卷积核串联一个1x3的卷积核替代。
作为优选,用Swish激活函数替代特征提取网络中的ReLU激活函数。
作为优选,S1包括:
S11、获取铁路动车的整节侧部图像,对获取的侧部图像进行滤波;
S12、对滤波处理后的图像进行切割,获得带有格栅的裙板子图;
S13、在带有格栅的裙板子图上对裙板格栅变形故障进行模拟;
S14、对子图中裙板格栅变形故障进行标记,完成裙板格栅变形样本集的构建。
作为优选,S11包括,获取不同车型、不同天气状况、不同时间段的铁路动车的整节侧部图像,依次采用滤波器F1和F2对获取的侧部图像进行滤波处理,其中:
作为优选,S13中,在带有格栅的裙板子图上模拟不同大小、不同位置、不同形状的裙板格栅变形故障。
作为优选,S13中,还包括:
对模拟裙板格栅变形故障的子图进行数据增强,数据增强包括调整亮度、调整对比度和/或平移。
作为优选,S2包括;
S21、利用特征提取网络提取裙板格栅变形样本集中图像的特征图;
S22、将特征图输入到区域生成网络RPN中,获得推荐候选区域;
S23、对特征图和推荐候选区域进行感兴趣池化操作:
将推荐候选区域映射到特征图中的对应位置,将映射后的区域划分为与回归分支网络输出维度相同大小的区域;对划分后的每个区域进行最大池化操作,得到相同大小的特征图;
S24、将相同大小的特征图同时输入到分类分支网络和回归分支网络中,分类分支网络和回归分支网络进行学习,分类分支网络用于进行分类检测,确定裙板格栅是否出现变形,回归分支网络利用位置框在特征图中标记出裙板格栅变形位置并输出带有位置框的特征图,回归分支网络还用于利用特征图中裙板格栅的变形位置调整位置框的位置和大小;Faster R-CNN检测模型包括特征提取网络、感兴趣池化操作、分类分支网络和回归分支网络;
S25、重复S21至S24,达到设定迭代次数后,分类分支网络和回归分支网络完成学习,得到Faster R-CNN检测模型的权重。
作为优选,S22中,区域生成网络RPN根据特征图上的每个特征点预测多个推荐候选区域,具体过程为:将特征点映射回裙板格栅变形样本集中图像获得基准点,围绕基准点生成多个不同大小、不同形状、不同长宽比的锚框,将所生成的锚框框选出的区域确定为推荐候选区域。
作为优选,S22中,区域生成网络RPN利用一个3*3的卷积核将输入的特征图的通道数减半。
本发明的有益效果:本发明利用深度学习的方法对列车裙板格栅变形故障进行识别检测,有效的避免了人工检测时因为疲劳和个人评判差异造成的识别误差。相比于人工检测,深度学习方法可以提高检测效率,且可以在列车运行时对其进行拍摄检测,具有实时性。本发明改进的Faster R-CNN网络在不影响检测结果的情况下,减少了训练参数,提高了训练速率,避免资源浪费。
附图说明
图1为本发明的流程图;
图2为Resnet-50网络的结构;
图3为Resnet-50网络中Bottleneck块的结构;
图4为Resnet-66网络的结构;
图5为Resnet-66网络中Bottleneck块的结构。
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。
如图1所示,本实施方式的一种铁路动车裙板格栅变形故障识别方法,方法包括:
步骤一、构建铁路动车的裙板格栅变形样本集;
步骤二、利用裙板格栅变形样本集对深度学习目标检测网络Faster R-CNN进行训练,得到Faster R-CNN检测模型及权重;
步骤三、利用Faster R-CNN检测模型及权重识别铁路动车待检测的侧部图像,确定侧部图像中的裙板格栅是否出现变形及变形位置。
本实施方式利用深度学习的方法对列车裙板格栅变形故障进行识别检测,有效的避免了人工检测时因为疲劳和个人评判差异造成的识别误差。相比于人工检测,深度学习方法可以提高检测效率,且可以在列车运行时对其进行拍摄检测,具有实时性。
Faster R-CNN中常用的特征提取网络有VGG16、Inception V3、ResNet-50等。针对本实施方式要解决的技术问题,本实施方式选择ResNet-50作为特征提取网络,并对其进行改进,以达到更优秀的表现。Resnet-50网络的结构如图2所示,是由多个Bottleneck块组成。Bottleneck块的结构如图3所示,是由1x1、3x3、1x1的卷积核堆叠而成。优选实施例中,本实施方式深度学习目标检测网络Faster R-CNN中的特征提取网络包括:将Resnet-50网络中Bottleneck块中的3x3的卷积核用一个3x1的卷积核串联一个1x3的卷积核替代。本实施方式对Bottleneck块的组成进行了更改,此操作减少了网络参数数量,并且可以降低网络计算量。
对于激活函数,Resnet-50的激活函数为ReLU激活函数,ReLU激活函数如公式(1)所示:
从公式(1)可以看出,当输入为负数时,输出为0,这样导致梯度在以后也不会更新,均为0值。为了解决此问题,选择Swish激活函数替代ReLU激活函数,Swish函数如公式(2)所示:
f(x)=x·sigmoid(βx) 公式(2)
其中β为x的缩放参数,一般情况下默认值为1。Swish函数具备无上界、有下界、平滑、非单调的特性,其在深层卷积神经网络模型上的效果优于ReLU,且对模型准确率有所提升。
改进后的Resnet网络变为66层,虽然层数加深,但参数量减少,使得网络的训练耗时减少,将改进后的网络命名为Resnet-66,Resnet-66的网络结构如图4所示,Bottleneck块的结构如图5所示。
本实施方式步骤一中构建铁路动车的裙板格栅变形样本集,可以是采集动车实际运行中发生裙板格栅变形的图像,也可以是自创建的,优选实施例中,本实施方式的步骤一包括:
步骤一一、获取铁路动车的整节侧部图像,对获取的侧部图像进行滤波,使图像噪声减少,方便进一步处理;
步骤一二、对滤波处理后的图像进行切割,获得带有格栅的裙板子图;
步骤一三、裙板格栅变形故障表现为格栅有部分形变,导致其凹凸不平,根据此特点,利用Photo shop软件对故障在子图上进行模拟;
步骤一四、使用LabelImg软件,对数据增强后的图像进行故障标记,即对单个子图中有裙板格栅变形的区域进行标记,生成与子图相对应的带有图像信息、故障位置坐标、名称信息的XML文件。将所有图像进行故障标记后,便构成了用于深度学习训练的样本集。
优选实施例中,本实施方式的步骤一一通过架设在铁轨两侧的高清摄像机,获得列车的整节侧部图像。收集不同车型、不同天气状况、不同时间段的列车图像以增加原始数据丰富程度。再依次采用滤波器F1和F2对图像进行滤波处理,其中:
优选实施例中,本实施方式的步骤一三中,利用Photo shop软件在带有格栅的裙板子图上模拟不同大小、不同位置、不同形状的裙板格栅变形故障。
优选实施例中,一三中,还包括:
对模拟裙板格栅变形故障的子图进行数据增强,数据增强包括调整亮度、调整对比度和/或平移。数据增强可获得更多数量的图像,以此增加深度学习训练样本的多样性,使得训练出的深度学习模型具有更好的鲁棒性。
Faster R-CNN是目标检测中比较经典的两阶段目标检测网络,优选实施例中,本实施方式步骤二包括;
步骤二一、利用特征提取网络提取裙板格栅变形样本集中图像的特征图;
本步骤是将裙板格栅变形样本集中的图像输入到Conv Layers中,Conv Layers是利用卷积神经网络对输入图像进行卷积、池化等一系列操作,以此来提取图像中的特征,得到feature map,即特征图。
步骤二二、将特征图输入到区域生成网络RPN中,获得推荐候选区域;
本步骤是将裙板格栅变形样本集中图像经过Conv Layers得到的feature map输入到区域生成网络,即Region Proposal Network(RPN),该网络用于推荐候选区域(Regionof Interests)。
步骤二三、对特征图和推荐候选区域输入到ROI池化层进行感兴趣池化操作:
将推荐候选区域映射到特征图中的对应位置,将映射后的区域划分为与回归分支网络输出维度相同大小的区域;对划分后的每个区域进行最大池化操作,得到相同大小的特征图;
步骤二四、将相同大小的特征图同时输入到分类分支网络和回归分支网络中,分类分支网络和回归分支网络进行学习,分类分支网络用于进行分类检测,确定裙板格栅是否出现变形,回归分支网络利用位置框在特征图中标记出裙板格栅变形位置并输出带有位置框的特征图,回归分支网络还用于利用特征图中裙板格栅的变形位置调整位置框的位置和大小;Faster R-CNN检测模型包括特征提取网络、ROI池化层、分类分支网络和回归分支网络;
本实施方式的RoI(Region of Interest,感兴趣区域)池化层的功能是能够将映射在特征图上的不同大小的RoI,提取相同大小的特征图;
本步骤中分类分支网络是用来负责区分正、负样本概率,本实施方式中的正样本即有形变的裙板格栅。回归分支网络是用来学习样本在图像中定位信息,即利用位置框确定裙板格栅变形位置,再利用裙板格栅变形样本集图像中的实际变形位置调整位置框的位置及大小进行调整以此获得更加准确的目标定位。
步骤二五:重复步骤二一至步骤二四,达到设定迭代次数后,分类分支网络和回归分支网络完成学习,得到Faster R-CNN检测模型的权重。
训练完成的Faster R-CNN检测模型用于后续故障检测,包括输出类别及变形位置。
优选实施例中,本实施方式的步骤二二中,区域生成网络RPN根据特征图上的每个特征点预测多个推荐候选区域,具体过程为:将特征点映射回裙板格栅变形样本集中图像获得基准点,围绕基准点生成多个不同大小、不同形状、不同长宽比的锚框,将所生成的锚框框选出的区域确定为推荐候选区域。
优选实施例中,步骤二二中,区域生成网络RPN利用一个3*3的卷积核将输入的特征图的通道数减半,通道数减半可加快网络训练速度,提升效率。
本实施方式的步骤三是利用确定权重的Faster R-CNN检测模型对采集到的列车侧部图像进行识别检测,若识别结果中有裙板格栅变形情况发生,便判定该节列车存在裙板格栅变形故障,将检测识别出的故障图像进行储存,并将故障位置等信息写入到txt文件中储存,以便后续故障解决。
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实施例中。
Claims (8)
1.一种铁路动车裙板格栅变形故障识别方法,其特征在于,所述方法包括:
S1、构建铁路动车的裙板格栅变形样本集;
S2、利用裙板格栅变形样本集对深度学习目标检测网络Faster R-CNN进行训练,得到Faster R-CNN检测模型及权重;
S3、利用Faster R-CNN检测模型及权重识别铁路动车待检测的侧部图像,确定侧部图像中的裙板格栅是否出现变形,若发生变形确定变形位置;
所述深度学习目标检测网络Faster R-CNN中的特征提取网络包括:66层的Resnet网络,66层的Resnet网络中Bottleneck块中的3x3的卷积核用一个3x1的卷积核串联一个1x3的卷积核替代;
用Swish激活函数替代所述特征提取网络中的ReLU激活函数。
2.根据权利要求1所述的铁路动车裙板格栅变形故障识别方法,其特征在于,所述S1包括:
S11、获取铁路动车的整节侧部图像,对获取的侧部图像进行滤波;
S12、对滤波处理后的图像进行切割,获得带有格栅的裙板子图;
S13、在带有格栅的裙板子图上对裙板格栅变形故障进行模拟;
S14、对子图中裙板格栅变形故障进行标记,完成裙板格栅变形样本集的构建。
4.根据权利要求2所述的铁路动车裙板格栅变形故障识别方法,其特征在于,所述S13中,在带有格栅的裙板子图上模拟不同大小、不同位置、不同形状的裙板格栅变形故障。
5.根据权利要求4所述的铁路动车裙板格栅变形故障识别方法,其特征在于,所述S13中,还包括:
对模拟裙板格栅变形故障的子图进行数据增强,所述数据增强包括调整亮度、调整对比度和/或平移。
6.根据权利要求1所述的铁路动车裙板格栅变形故障识别方法,其特征在于,所述S2包括;
S21、利用特征提取网络提取裙板格栅变形样本集中图像的特征图;
S22、将特征图输入到区域生成网络RPN中,获得推荐候选区域;
S23、对特征图和推荐候选区域输入到ROI池化层进行感兴趣池化操作:
将推荐候选区域映射到特征图中的对应位置,将映射后的区域划分为与回归分支网络输出维度相同大小的区域;对划分后的每个区域进行最大池化操作,得到相同大小的特征图;
S24、将相同大小的特征图同时输入到分类分支网络和回归分支网络中,分类分支网络和回归分支网络进行学习,分类分支网络用于进行分类检测,确定裙板格栅是否出现变形,所述回归分支网络利用位置框在特征图中标记出裙板格栅变形位置并输出带有位置框的特征图,所述回归分支网络还用于利用特征图中裙板格栅的变形位置调整位置框的位置和大小;所述Faster R-CNN检测模型包括特征提取网络、ROI池化层、分类分支网络和回归分支网络;
S25、重复S21至S24,达到设定迭代次数后,分类分支网络和回归分支网络完成学习,得到Faster R-CNN检测模型的权重。
7.根据权利要求6所述的铁路动车裙板格栅变形故障识别方法,其特征在于,所述S22中,所述区域生成网络RPN根据特征图上的每个特征点预测多个推荐候选区域,具体过程为:将特征点映射回裙板格栅变形样本集中图像获得基准点,围绕基准点生成多个不同大小、不同形状、不同长宽比的锚框,将所生成的锚框框选出的区域确定为推荐候选区域。
8.根据权利要求7所述的铁路动车裙板格栅变形故障识别方法,其特征在于,所述S22中,区域生成网络RPN利用一个3*3的卷积核将输入的特征图的通道数减半。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011351940.7A CN112418334B (zh) | 2020-11-26 | 2020-11-26 | 一种铁路动车裙板格栅变形故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011351940.7A CN112418334B (zh) | 2020-11-26 | 2020-11-26 | 一种铁路动车裙板格栅变形故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418334A CN112418334A (zh) | 2021-02-26 |
CN112418334B true CN112418334B (zh) | 2021-08-06 |
Family
ID=74843569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011351940.7A Active CN112418334B (zh) | 2020-11-26 | 2020-11-26 | 一种铁路动车裙板格栅变形故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418334B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643258A (zh) * | 2021-08-12 | 2021-11-12 | 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列车侧部裙板丢失故障的检测方法 |
CN115905807B (zh) * | 2022-11-18 | 2023-10-20 | 中国市政工程西南设计研究总院有限公司 | 一种基于深度学习的粗格栅优化运行方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079818A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车车钩托梁折断检测方法 |
US10722180B2 (en) * | 2017-10-13 | 2020-07-28 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of ophthalmic diseases and disorders |
CN111611925A (zh) * | 2020-05-21 | 2020-09-01 | 重庆现代建筑产业发展研究院 | 一种建筑物检测与识别方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178432B (zh) * | 2019-12-30 | 2023-06-06 | 武汉科技大学 | 多分支神经网络模型的弱监督细粒度图像分类方法 |
CN111476302B (zh) * | 2020-04-08 | 2023-03-24 | 北京工商大学 | 基于深度强化学习的Faster-RCNN目标物体检测方法 |
-
2020
- 2020-11-26 CN CN202011351940.7A patent/CN112418334B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10722180B2 (en) * | 2017-10-13 | 2020-07-28 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of ophthalmic diseases and disorders |
CN111079818A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车车钩托梁折断检测方法 |
CN111611925A (zh) * | 2020-05-21 | 2020-09-01 | 重庆现代建筑产业发展研究院 | 一种建筑物检测与识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
Multi-task Enhanced Dam Crack Image Detection Based on Faster R-CNN;Jianghong Tang 等;《2019 IEEE 4th International Conference on Image, Vision and Computing (ICIVC)》;20200206;全文 * |
基于R-FCN深度卷积神经网络的机器人疏果前苹果目标的识别;王丹丹等;《农业工程学报》;20190228;第35卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112418334A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316007B (zh) | 一种基于深度学习的监控图像多类物体检测与识别方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN108334881B (zh) | 一种基于深度学习的车牌识别方法 | |
CN103530600B (zh) | 复杂光照下的车牌识别方法及*** | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN112418334B (zh) | 一种铁路动车裙板格栅变形故障识别方法 | |
CN111091541B (zh) | 一种铁路货车横跨梁组装螺母丢失故障识别方法 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN111242015A (zh) | 一种基于运动轮廓语义图预测行车危险场景的方法 | |
CN106198551A (zh) | 一种输电线路缺陷的检测方法及装置 | |
CN111080600A (zh) | 一种铁路货车弹簧托板上开口销的故障识别方法 | |
CN111488911B (zh) | 基于Mask R-CNN与GAN的图像实体抽取方法 | |
CN107818321A (zh) | 一种用于车辆年检的水印日期识别方法 | |
CN111353396A (zh) | 一种基于SCSEOCUnet的混凝土裂缝分割方法 | |
CN112733747A (zh) | 一种缓解阀拉杆脱落故障的识别方法、***及装置 | |
CN110717493A (zh) | 一种基于深度学习的含堆叠字符的车牌识别方法 | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
CN116503336A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN115797314A (zh) | 零件表面缺陷检测方法、***、设备及存储介质 | |
CN115620084A (zh) | 一种基于无人机智能巡检诊断光伏组件故障的方法 | |
CN116503398B (zh) | 绝缘子污闪检测方法、装置、电子设备及存储介质 | |
CN109584208A (zh) | 一种针对工业结构缺陷智能识别模型的检验方法 | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN111368625B (zh) | 一种基于级联优化的行人目标检测方法 | |
CN112613354A (zh) | 一种基于稀疏降噪自编码器的异质遥感图像变化检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |