CN112950562A - 一种基于线结构光的扣件检测算法 - Google Patents
一种基于线结构光的扣件检测算法 Download PDFInfo
- Publication number
- CN112950562A CN112950562A CN202110197421.8A CN202110197421A CN112950562A CN 112950562 A CN112950562 A CN 112950562A CN 202110197421 A CN202110197421 A CN 202110197421A CN 112950562 A CN112950562 A CN 112950562A
- Authority
- CN
- China
- Prior art keywords
- template
- point
- algorithm
- gradient
- structured light
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 230000007547 defect Effects 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
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)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于线结构光的扣件检测算法,其特征在于包括以下步骤:(a)通过深度学习目标检测,在深度图中定位出扣件区域;(b)在所述扣件区域通过模板匹配算法粗定位出弹条位置;(c)将所述深度图还原为三维点云,并根据粗定位的结果进行精确定位,得到精确定位的弹条位置;(d)根据精确定位的弹条位置检测对应缺陷。发明通过深度学习从深度图中提取扣件区域,在扣件区域通过模板匹配粗定位,然后转为三维点云后采用迭代最近点(Iterative Closet Point)算法精定位后进行后续部件检测。
Description
技术领域
本发明涉及轨道检测领域,具体涉及一种基于线结构光的扣件检测算法。
背景技术
铁路扣件是轨道***的重要组成部件,作用是将钢轨固定在轨枕上,防止钢轨位移和倾斜。目前,由于结构光技术的快速发展,特别是在帧率上的提高,其非接触性、高精度、高效率动态检测的优点被广泛应用于轨道行业的检测。行业内常采用的扣件检测方案是通过结构光相机获取铁轨及扣件区域的深度图,通过传统计算机视觉技术实现检测功能。
在完整图片中,首先需要定位扣件区域。由于列车运行环境复杂,常规方案中的传感器检测或模板匹配方式,都存在鲁棒性较差或耗时较长等缺点。在定位后的检测过程中又普遍存在功能不全、稳定性差等问题。
有鉴于此,本申请提出一种一种基于线结构光的扣件检测算法。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于结构光且快速准确、功能齐全的扣件检测算法。
为了解决上述技术问题,采用如下技术方案:
一种基于线结构光的扣件检测算法,其特征在于包括以下步骤:
(a)通过深度学习目标检测,在深度图中定位出扣件区域;
(b)在所述扣件区域通过模板匹配算法粗定位出弹条位置;
(c)将所述深度图还原为三维点云,并根据粗定位的结果进行精确定位,得到精确定位的弹条位置;
(d)根据精确定位的弹条位置检测对应缺陷。
进一步,在步骤(a)中,基于所述深度学习目标检测,采用Faster-RCNN检测方法,所述Faster-RCNN检测方法的检测步骤如下:
(1)收集现场各种环境下拍摄的原图,并标注扣件位置,将图片与标注文件输入给Faster-RCNN进行训练;
(2)所述Faster-RCNN通过卷积方式将图片提取为多维特征图,并通过RPN区域生成网络和RCNN分类网络在图片上生成若干预测框;
(3)根据所述标注文件,确定标注框与预测框,并自动寻找预测框与标注框两者的区别,生成训练结果并记录。
(4)在训练大量图片之后,神经网络按照同样规律在传入全新的图片时预测扣件位置。
进一步,在步骤(a)的第(3)步中,在确定所述标注框与预测框后,需要对所述预测框的偏差进行修改。
进一步,在步骤(b)中,所述模板匹配算法粗定位出弹条位置的步骤如下:
首先通过sobel算子计算模板图片的各向梯度,通过各向梯度与图片卷积得到梯度图,所述梯度图上每个像素的灰度值表示此像素在原图上的梯度信息,
结合所述梯度图,得到每个点的综合梯度大小和方向,然后在所述梯度图中选取梯度大小高于设定值的点,并作均匀采样,做为最终选用的特征点;最后将梯度方向可作为描述子,得到模板文件。
进一步,所述模板文件的制作采用多角度模板,得到多角度模板文件,根据所述多角度模板文件,在匹配时根据匹配得分选取最佳结果。
进一步,在匹配时,计算原图的梯度图,并对各点的梯度特征进行扩散,再通过滑动窗口进行匹配,输出得分最高的结果。
进一步,在步骤(c)中,所述深度图还原为三维点云采用迭代最近点算法的方式,将深度图上模板匹配的结果映射到点云图中,作为迭代最近点算法的初始值;然后找到模板点云各点的最邻近点,并计算最优匹配参数R和t;采用的误差函数如下:
其中n为最邻近点对的个数,Pi为第i对最邻近点中的待匹配点,qi为第i对最邻近点中的模板点,R为旋转矩阵,t为平移矩阵。
进一步,采用所述迭代最近点算法的步骤如下:
(1)根据所述迭代最近点算法的初始值,计算待模板点云中各点在待匹配点云中的最邻近点,并组成点对;
(2)计算旋转矩阵R和平移矩阵t;
(3)通过计算的旋转矩阵R和平移矩阵t对模板点云进行变换,针对变换后的模板点云,重复上述步骤(1)和步骤(1),直到E(R,t)小于设定的阈值或迭代次数到设定值,得到精确定位的弹条位置。
进一步,在步骤(d)中,所述弹条位置检测对应的缺陷包括:弹条断裂、弹条变形及表面异物、挡块是否存在和离缝值测量。
进一步,针对所述离缝值测量,通过弹条所在位置的底座与弹条上紧固螺栓螺母的高度值来计算。
由于采用上述技术方案,具有以下有益效果:
本发明为一种基于线结构光的扣件检测算法,本发明通过深度学习从深度图中提取扣件区域,在扣件区域通过模板匹配粗定位,然后转为三维点云后采用迭代最近点(Iterative Closet Point)算法精定位后进行后续部件检测。
本发明所提供的检测算法,相对同类方案,运行速度较块,且拥有较高的精度和极强的鲁棒性。
附图说明
下面结合附图对本发明作进一步说明:
图1为本发明中一种基于线结构光的扣件检测算法的流程图;
图2为本发明中深度学习目标检测的深度图;
图3为本发明中通过模板匹配算法粗定位出弹条位置的模板匹配效果图;
图4为本发明中迭代最近点算法的ICP匹配效果图;
图5为本发明中扣件的检测效果示意图;
图6为本发明中模板匹配算法粗定位的梯度特征扩散图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图及实施例,对本发明进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
如图1所示,一种基于线结构光的扣件检测算法,包括以下步骤:
(a)通过深度学习目标检测,在深度图中定位出扣件区域;
(b)在所述扣件区域通过模板匹配算法粗定位出弹条位置;
(c)将所述深度图还原为三维点云,并根据粗定位的结果进行精确定位,得到精确定位的弹条位置;
(d)根据精确定位的弹条位置检测对应缺陷。
进一步,参看图2,在步骤(a)中,基于所述深度学习目标检测,考虑到铁路检测可能受室内外及昼夜环境不同光照、天气等因素影响,如采用传统定位算法需人为寻找目标物与环境的区别,复杂环境下难以保证稳定性,故采用深度学习中的目标检测算法作为扣件定位算法。
结合精度和速度需求,因此采用Faster-RCNN检测方法,所述Faster-RCNN检测方法的检测步骤如下:
(1)收集现场各种环境下拍摄的原图,并标注扣件位置,将图片与标注文件输入给Faster-RCNN进行训练;
(2)所述Faster-RCNN通过卷积方式将图片提取为多维特征图,并通过RPN区域生成网络和RCNN分类网络在图片上生成若干预测框;
(3)根据所述标注文件,确定标注框与所述预测框,并自动寻找所述预测框与所述标注框两者的区别,生成训练结果并记录。
(4)在训练大量图片之后,神经网络按照同样规律在传入全新的图片时预测扣件位置。
具体地,在步骤(a)的第(3)步中,在确定所述标注框与所述预测框后,需要对所述预测框的偏差进行修改。
具体地,通过深度学习,本申请只需要大量经过标注的图片,即可自行找到扣件与检测背景的区别,而这种区别经常难以以程序逻辑编写。且深度学习通过GPU运算,具有速度极快,且不占用CPU资源有益效果。
具体地,参看图3,在步骤(b)中,所述模板匹配算法粗定位出弹条位置的步骤如下:
首先通过sobel算子计算模板图片的各向梯度,通过各向梯度与图片卷积得到梯度图,所述梯度图上每个像素的灰度值表示此像素在原图上的梯度信息。具体地,该算子包含两组3x3的矩阵,分别为横向与纵向,sobel公式如下:
其中,Gx表示横向梯度图,Gy表示纵向梯度图,A表示原图;
针对上述公式,意义是Gx处每个点的像素值,是由A图中以该点为核心的3x3范围内的像素值乘以A左侧对应的矩阵元素并相加的而得到的。
结合所述梯度图,得到每个点的综合梯度大小和方向,然后在所述梯度图中选取梯度大小高于设定值的点,并作均匀采样,做为最终选用的特征点;最后将梯度方向可作为描述子,得到模板文件。
具体地,参看图6,由于现场环境中扣件可能存在旋转,故还需要制作多角度模板。因此所述模板文件的制作采用多角度模板,得到多角度模板文件,根据所述多角度模板文件,在匹配时根据匹配得分选取最佳结果。
具体地,在匹配时,计算原图的梯度图,并为了使匹配具有一定的容错度,对各点的梯度特征进行一定的扩散,再通过滑动窗口进行匹配,输出得分最高的结果。
具体地,參看图4,在步骤(c)中,所述深度图还原为三维点云采用迭代最近点(Iterative Closet Point)算法的方式,将深度图上模板匹配的结果映射到点云图中,作为迭代最近点算法的初始值;然后找到模板点云各点的最邻近点,并计算最优匹配参数R和t;采用的误差函数如下:
其中n为最邻近点对的个数,Pi为第i对最邻近点中的待匹配点,qi为第i对最邻近点中的模板点,R为旋转矩阵,t为平移矩阵。
进一步,采用所述迭代最近点算法的步骤如下:
(1)根据所述迭代最近点算法的初始值,计算待模板点云中各点在待匹配点云中的最邻近点,并组成点对;
(2)计算旋转矩阵R和平移矩阵t;
(3)通过计算的旋转矩阵R和平移矩阵t对模板点云进行变换,针对变换后的模板点云,重复上述步骤(1)和步骤(1),直到E(R,t)小于设定的阈值或迭代次数到设定值,得到精确定位的弹条位置。
其中,本发明在迭代最近点(Iterative Closet Point)算法中,本算法采用了模板匹配来计算初始值,在匹配开始时模板点云与待匹配点云就已相当吻合。因此节约了匹配时间,并极大提高了匹配的准确率。
参看图5,在步骤(d)中,所述弹条位置检测对应的缺陷包括:弹条断裂、弹条变形及表面异物、挡块是否存在和离缝值测量。具体地,确定弹条在三维点云中位置后,即可通过与模板对比检测弹条断裂、变形及表面异物等缺陷。并根据弹条位置,确定轨距挡块的位置,比对轨距挡块处点云与挡块附近铁轨轨腰点云,判断挡块是否存在。
具体地,针对所述离缝值测量,通过弹条所在位置的底座与弹条上紧固螺栓螺母的高度值来计算。主要步骤如下:
1.在底座位置选取合适点云,作为拟合平面的基准,拟合平面并计算原始点云与结果平面的距离。
2.剔除与结果平面距离较大的异常点再次拟合,或在异常点过多时判定为底座异物。
3.通过滤波筛选螺栓附近点云,通过法向量等方式筛选螺母上表面点云。
4.计算两者的距离,即为该测量方式下的离缝值。
本发明先通过结合深度学习、模板匹配及采用迭代最近点(Iterative ClosetPoint)算法,准确快速定位扣件与弹条的位置。通过三维点云数据检测扣件缺陷的算法。
以上仅为本发明的具体实施例,但本发明的技术特征并不局限于此。任何以本发明为基础,为解决基本相同的技术问题,实现基本相同的技术效果,所作出地简单变化、等同替换或者修饰等,皆涵盖于本发明的保护范围之中。
Claims (10)
1.一种基于线结构光的扣件检测算法,其特征在于包括以下步骤:
(a)通过深度学习目标检测,在深度图中定位出扣件区域;
(b)在所述扣件区域通过模板匹配算法粗定位出弹条位置;
(c)将所述深度图还原为三维点云,并根据粗定位的结果进行精确定位,得到精确定位的弹条位置;
(d)根据精确定位的弹条位置检测对应缺陷。
2.根据权利要求1所述的一种基于线结构光的扣件检测算法,其特征在于:在步骤(a)中,基于所述深度学习目标检测,采用Faster-RCNN检测方法,所述Faster-RCNN检测方法的检测步骤如下:
(1)收集现场各种环境下拍摄的原图,并标注扣件位置,将图片与标注文件输入给Faster-RCNN进行训练;
(2)所述Faster-RCNN通过卷积方式将图片提取为多维特征图,并通过RPN区域生成网络和RCNN分类网络在图片上生成若干预测框;
(3)根据所述标注文件,确定标注框与所述预测框,并自动寻找所述预测框与所述标注框两者的区别,生成训练结果并记录。
(4)在训练大量图片之后,神经网络按照同样规律在传入全新的图片时预测扣件位置。
3.根据权利要求2所述的一种基于线结构光的扣件检测算法,其特征在于:在步骤(a)的第(3)步中,在确定所述标注框与所述预测框后,需要对所述预测框的偏差进行修改。
4.根据权利要求1所述的一种基于线结构光的扣件检测算法,其特征在于:在步骤(b)中,所述模板匹配算法粗定位出弹条位置的步骤如下:
首先通过sobel算子计算模板图片的各向梯度,通过各向梯度与图片卷积得到梯度图,所述梯度图上每个像素的灰度值表示此像素在原图上的梯度信息,
结合所述梯度图,得到每个点的综合梯度大小和方向,然后在所述梯度图中选取梯度大小高于设定值的点,并作均匀采样,做为最终选用的特征点;最后将梯度方向可作为描述子,得到模板文件。
5.根据权利要求4所述的一种基于线结构光的扣件检测算法,其特征在于:所述模板文件的制作采用多角度模板,得到多角度模板文件,根据所述多角度模板文件,在匹配时根据匹配得分选取最佳结果。
6.根据权利要求5所述的一种基于线结构光的扣件检测算法,其特征在于:在匹配时,计算原图的梯度图,并对各点的梯度特征进行扩散,再通过滑动窗口进行匹配,输出得分最高的结果。
8.根据权利要求7所述的一种基于线结构光的扣件检测算法,其特征在于:采用所述迭代最近点算法的步骤如下:
(1)根据所述迭代最近点算法的初始值,计算待模板点云中各点在待匹配点云中的最邻近点,并组成点对;
(2)计算旋转矩阵R和平移矩阵t;
(3)通过计算的旋转矩阵R和平移矩阵t对模板点云进行变换,针对变换后的模板点云,重复上述步骤(1)和步骤(1),直到E(R,t)小于设定的阈值或迭代次数到设定值,得到精确定位的弹条位置。
9.根据权利要求1所述的一种基于线结构光的扣件检测算法,其特征在于:在步骤(d)中,所述弹条位置检测对应的缺陷包括:弹条断裂、弹条变形及表面异物、挡块是否存在和离缝值测量。
10.根据权利要求9所述的一种基于线结构光的扣件检测算法,其特征在于:针对所述离缝值测量,通过弹条所在位置的底座与弹条上紧固螺栓螺母的高度值来计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197421.8A CN112950562A (zh) | 2021-02-22 | 2021-02-22 | 一种基于线结构光的扣件检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197421.8A CN112950562A (zh) | 2021-02-22 | 2021-02-22 | 一种基于线结构光的扣件检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112950562A true CN112950562A (zh) | 2021-06-11 |
Family
ID=76245177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110197421.8A Pending CN112950562A (zh) | 2021-02-22 | 2021-02-22 | 一种基于线结构光的扣件检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950562A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113959362A (zh) * | 2021-09-22 | 2022-01-21 | 杭州申昊科技股份有限公司 | 结构光三维测量***标定方法、巡检数据处理方法 |
CN114049355A (zh) * | 2022-01-14 | 2022-02-15 | 杭州灵西机器人智能科技有限公司 | 一种散乱工件的识别标注方法、***和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20190188872A1 (en) * | 2017-12-18 | 2019-06-20 | Samsung Electronics Co., Ltd. | Image processing with iterative closest point (icp) technique |
CN110567397A (zh) * | 2018-06-05 | 2019-12-13 | 成都精工华耀科技有限公司 | 一种扣件弹舌离缝检测方法 |
CN110634123A (zh) * | 2018-06-05 | 2019-12-31 | 成都精工华耀科技有限公司 | 一种采用深度图像的轨道扣件紧固件松动检测方法 |
CN110634121A (zh) * | 2018-06-05 | 2019-12-31 | 成都精工华耀科技有限公司 | 一种基于纹理与深度图像的轨道扣件紧固件松动检测方法 |
CN111080597A (zh) * | 2019-12-12 | 2020-04-28 | 西南交通大学 | 一种基于深度学习的轨道扣件缺陷识别算法 |
CN111311560A (zh) * | 2020-02-10 | 2020-06-19 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 钢轨扣件状态的检测方法及装置 |
CN111476767A (zh) * | 2020-04-02 | 2020-07-31 | 南昌工程学院 | 一种基于异源图像融合的高铁扣件缺陷识别方法 |
-
2021
- 2021-02-22 CN CN202110197421.8A patent/CN112950562A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190188872A1 (en) * | 2017-12-18 | 2019-06-20 | Samsung Electronics Co., Ltd. | Image processing with iterative closest point (icp) technique |
CN110567397A (zh) * | 2018-06-05 | 2019-12-13 | 成都精工华耀科技有限公司 | 一种扣件弹舌离缝检测方法 |
CN110634123A (zh) * | 2018-06-05 | 2019-12-31 | 成都精工华耀科技有限公司 | 一种采用深度图像的轨道扣件紧固件松动检测方法 |
CN110634121A (zh) * | 2018-06-05 | 2019-12-31 | 成都精工华耀科技有限公司 | 一种基于纹理与深度图像的轨道扣件紧固件松动检测方法 |
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 |
CN111080597A (zh) * | 2019-12-12 | 2020-04-28 | 西南交通大学 | 一种基于深度学习的轨道扣件缺陷识别算法 |
CN111311560A (zh) * | 2020-02-10 | 2020-06-19 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 钢轨扣件状态的检测方法及装置 |
CN111476767A (zh) * | 2020-04-02 | 2020-07-31 | 南昌工程学院 | 一种基于异源图像融合的高铁扣件缺陷识别方法 |
Non-Patent Citations (10)
Title |
---|
ALEJANDRO GARCÍA LORENTE等: "Range-based rail gauge and rail fasteners detection using high-resolution 2D/3D images", 《TRB 2014 ANNUAL MEETING》 * |
代先星等: "铁路扣件缺陷自动检测研究进展", 《铁道科学与工程学报》 * |
代小红等: "一种基于改进Faster RCNN的金属材料工件表面缺陷检测与实现研究", 《表面技术》 * |
刘玉婷等: "基于Faster R-CNN的铁路扣件状态检测研究", 《大连民族大学学报》 * |
袁建英等: "改进ICP算法实现多视点云精确配准研究", 《传感器与微***》 * |
谢凤英等: "基于互信息的铁路轨枕扣件自动定位算法", 《中国体视学与图像分析》 * |
赵兴东等: "《矿用三维激光数字测量原理及其工程应用》", 31 January 2016, 北京:冶金工业出版社 * |
钱广春: "基于计算机视觉的铁路扣件缺失快速探测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈金胜等: "基于边缘特征的无砟轨道扣件定位方法", 《计算机测量与控制》 * |
高济等: "《人工智能基础》", 31 August 2002, 北京:高等教育出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113959362A (zh) * | 2021-09-22 | 2022-01-21 | 杭州申昊科技股份有限公司 | 结构光三维测量***标定方法、巡检数据处理方法 |
CN113959362B (zh) * | 2021-09-22 | 2023-09-12 | 杭州申昊科技股份有限公司 | 结构光三维测量***标定方法、巡检数据处理方法 |
CN114049355A (zh) * | 2022-01-14 | 2022-02-15 | 杭州灵西机器人智能科技有限公司 | 一种散乱工件的识别标注方法、***和装置 |
CN114049355B (zh) * | 2022-01-14 | 2022-04-19 | 杭州灵西机器人智能科技有限公司 | 一种散乱工件的识别标注方法、***和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
CN107633516B (zh) | 一种识别路面变形类病害的方法和装置 | |
CN109685858B (zh) | 一种单目摄像头在线标定方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN116071387A (zh) | 基于机器视觉的枕轨生产质量检测方法 | |
CN111489339A (zh) | 高速铁路***螺栓备母缺陷的检测方法 | |
CN112950562A (zh) | 一种基于线结构光的扣件检测算法 | |
CN110866430A (zh) | 一种车牌识别方法及装置 | |
CN107705294B (zh) | 一种十字激光的图像式路基表面沉降监测方法和监测*** | |
CN113011283B (zh) | 一种基于视频的非接触式钢轨轨枕相对位移实时测量方法 | |
CN111485475A (zh) | 一种路面坑槽识别方法及其装置 | |
CN111539436B (zh) | 一种基于一字模板匹配的轨道扣件定位方法 | |
CN106203238A (zh) | 移动测图***街景影像中井盖部件识别方法 | |
Liang et al. | Research on concrete cracks recognition based on dual convolutional neural network | |
CN101470802A (zh) | 物体检测装置和方法 | |
CN112884753A (zh) | 一种基于卷积神经网络的轨道扣件检测及分类方法 | |
CN110503634B (zh) | 基于图像自动识别的能见度测量方法 | |
CN113435452A (zh) | 一种基于改进ctpn算法的电气设备铭牌文本检测方法 | |
CN106056926B (zh) | 基于动态虚拟线圈的视频车速检测方法 | |
CN117649448A (zh) | 一种隧道工作面渗漏水智能识别和分割方法 | |
EP4250245A1 (en) | System and method for determining a viewpoint of a traffic camera | |
CN109559356B (zh) | 一种基于机器视觉的高速公路视距检测方法 | |
CN116664501A (zh) | 一种基于图像处理判断储粮变化的方法 | |
CN113160299B (zh) | 基于卡尔曼滤波的车辆视频测速方法和计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |
|
RJ01 | Rejection of invention patent application after publication |