CN112991347B - 一种基于三维的列车螺栓松动检测方法 - Google Patents
一种基于三维的列车螺栓松动检测方法 Download PDFInfo
- Publication number
- CN112991347B CN112991347B CN202110548652.9A CN202110548652A CN112991347B CN 112991347 B CN112991347 B CN 112991347B CN 202110548652 A CN202110548652 A CN 202110548652A CN 112991347 B CN112991347 B CN 112991347B
- Authority
- CN
- China
- Prior art keywords
- bolt
- dimensional
- region
- target
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 5
- 230000012010 growth Effects 0.000 claims description 3
- 230000035040 seed growth Effects 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 claims 2
- 238000000034 method Methods 0.000 abstract description 15
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于三维的列车螺栓松动检测方法，具体为：采用工业三维线扫描相机采集待检修的列车车底二维图和深度图；对于二维图，采用两步ACF目标检测算法定位螺栓位置；将二维图中螺栓目标区域映射到采集的深度图，基于RANSAC+SRG的区域分割算法计算螺帽厚度；与历史数据和标准数据作差，对比故障阈值，判断螺栓状态。本发明结合三维数据和二维数据的特点，利用两者的特点发挥不同的作用，实现在整个地铁车底复杂环境下稳定实现螺栓定位，分割、计算和识别松动的功能，通过计算相关客观真实数据来判断松动；不仅能够细化螺栓松动程度，还可以解决标记线无法检测螺栓旋转一圈之后的松动程度。
Description
技术领域
本发明属于列车螺栓故障检测领域，尤其涉及一种基于三维的列车螺栓松动检测方法。
背景技术
轨道交通在中国发展中具有极其重要的意义，随着我国经济快速发展，中国铁路轨道的技术水平和建设规模取得了巨大的进步。大量的列车和地铁随之而然会带来行车安全问题，所以建立列车安全保障体系成为铁路***建设中必不可少的一环。传统的人工检测依然是列车检修维护最主要的方式。人工检测不仅效率较低，且容易检测不到一些细节隐患。随着机器学习、深度学习、计算机视觉等技术日益成熟，人工智能出现在更多的领域满足人类的需求。把列车安全与人工智能相结合的智能检测方式，可以一定程度上替代人工检测。
目前计算机视觉主要应用在视频监控、人脸识别、智能驾驶等领域。在故障检测方面可以应用研究的方向主要有三个：（1）模板匹配法，通过待测图片与标准模板之间近似度来判断是否存在异常，此方法对于图像各方面具有很高要求，很多因素都会对结果造成很大的影响。（2）基于统计学的机器学习法，是通过对样本进行特征提取后根据特征分布进行分类。其关键在于特征提取的算法，因为对不同的目标任务开发不同的算法才能保证可靠性，所以泛化性较差。（3）基于深度学习的缺陷和异常检测，为了得到高精度的模型，该方法必须针对每个目标采集大量的数据来训练模型。所以工作量较大以及具有一定的随机性。
目前对于螺栓异常检测方案都主要依赖于二维图片。对于螺栓脱落、损坏等这一类故障检测主要还是依靠基于深度学习的算法训练检测模型，这种方式在正负样本充足的情况表下可以实现不错的效果，但上文已经阐述过其缺点。现有检测螺栓松动的主要方法在螺栓表面手工标记参考线，通过二维视觉检测参考线的状态判断是否发生松动。这种方法一是需要手工画线，费时费力。其次手工画线的质量参差不齐导致检测效率低下。标记线在实际运行中可能被污渍、光照、拍摄角度等因素影响，造成检测出错。还有一个严重的问题就是松动超过一周之后可能从表面无法检测出故障，也无法细化松动程度。普通图像没有记录物体到拍摄设备的距离，只能够通过语义来哪个物体离我们远，哪些离我们近，没有准确的距离数据。虽然三维数据比二维数可靠性更高，当前在计算机视觉研究应用中对于三维数据的使用比较少。一是因为三维算法不够成熟，二是高精度的三维设备价格比较昂贵，三是只依靠深度图或点云在工程应用还有一定难度，例如目标检测会导致计算量剧增且效果不好。
从上诉背景中可以清晰地得到利用计算机视觉进行螺栓松动检测必须要解决的四个关键点是：（1）算法模型必须能够有效抑制环境因素的干扰，如光照、污渍等，具有强鲁棒性，克服普通图片的局限性。（2）算法模型需要在少样本的情况下，依然能够训练出效果满意的模型，有利于实际应用中的方便。（3）算法模型必须具备高精度、高稳定性以及泛化性的特点，这样才能替代人工检修的方式并且还要保证列车行车安全，不然智能检测不具有现实意义。（4）高效率，列车检修的时间只能是运营空期，在这个空期内需要完成对整个列车的检查与维修，因此需检测效率有极高要求，需要算法模型在短时间内准确完成项点的检测。
发明内容
为了实现在整个地铁车底复杂环境下稳定实现螺栓定位，分割、计算和识别松动的功能，通过计算相关客观真实数据来判断松动。不仅能够细化螺栓松动程度，还可以解决标记线无法检测螺栓旋转一圈之后的松动程度的难题。本发明提供一种基于三维的列车螺栓松动检测方法。
本发明的一种基于三维的列车螺栓松动检测方法，包括以下步骤：
步骤1：采用工业三维线扫描相机采集待检修的列车车底的二维图和深度图。
步骤2：对于螺栓定位，采用两步ACF（聚合通道特征）目标检测算法在二维图中定位螺栓位置。
S21：加载mat文件中预先训练好的第一次目标检测检测模型，在全图中定位一个包含目标螺栓的初步感兴趣区域。
S22：加载第二次目标检测模型，将初步感兴趣区域从全图上裁剪下来，并且在这个初步感兴趣区域内定位各个待检测的螺栓。
步骤3：基于RANSAC（随机样本一致性）+SRG（区域种子生长）的区域分割算法计算螺帽厚度。
S31：将二维图中螺栓目标区域映射到采集的深度图中对应区域。
S32：深度图转换为点云数据，使用RANSAC算法检测区域内的全局最优平面，可以剔除噪声的影响，输出所有符合这个平面参数的局内点。
S33：选取检测局内点集中的一个内点作为区域生长点的起始种子点，依靠阈值使用区域生长算法得到一个二值图像，白色目标区域为螺栓下表面区域。
S34：删除二值图像中的小目标区域，然后二值图像反转使得上表面区域为目标区域并计算该区域的质心。
S35：在分割得到上表面的点云中再次检测平面，可以输出上表面平面的局内点。
S36：计算上表面局内点的深度值平均值，索引下表面局内点与上表面的质心的距离，选择距离最近的一部分像素点计算深度值平均值，上表面与下表面的差值就是检测的螺帽厚度h：
其中，p 上 、p 下分别为RANSAC检测到上下最优平面的局内点集，i=1,2,…,n为选取的上表面像素点，j=1,2,…,m为选取的下表面像素点。n、m分别为上下表面像素点总数。
步骤4：螺栓故障检测。
S41：将计算出的螺帽厚度与历史数据和标准数据h’做比较得到差值，对比故障阈值，判断螺栓状态；
其中，T松动表示上限阈值，T损坏表示下限阈值。
S42：计算螺栓松动程度；
其中，ε表示螺栓旋转一圈的厚度变化的标准数值。
本发明的有益技术效果为：
1、本发明利用ACF目标检测算法实现在列车车底中准确定位到小螺栓位置，主要方案是设计两个ACF的组合模型分别进行初步定位和精确定位。这种方法相对一次定位既提高了精度又提高检测速度。解决了在复杂的列车车底定位小部件的难题。
2、本发明在此场景根据深度图的特点，设计了一种结合RANSAC+SRG的区域分割算法，解决了区域生长算法选取初始种子的难题。而且在得到非常不错的分割效果。RANSAC检测点云中平面的方法有效剔除噪声和局外点，还可以消除因采集角度带来的影响，使算法具有很高的鲁棒性。
3、本发明将三维数据和二维数据结合的多信息融合的方法，结合两者特点和互相的映射关系实现相应的功能，有效消除因二维数据的本身局限性和外界干扰如：光照、雨水以及污渍等带来的影响，解决了基于标记线进行模板匹配方法的不足。设计的厚度计算方式保证了检测的准确率。检测的中间过程和结果是比较清晰直观，可以细化每个螺栓的松动程度，返回每个螺栓松动的角度。针对每个螺栓建立的历史数据和标准数据的数据库，使得检测结果更加可靠，避免误报等情况。此方案为列车安全运营提供有力保障。
附图说明
图1为本发明基于三维的列车螺栓松动检测方法的流程图。
具体实施方式
下面结合附图和具体实施方法对本发明做进一步详细说明。
本发明的一种基于三维的列车螺栓松动检测方法如图1所示，包括以下步骤：
步骤1：采用工业三维线扫描相机采集待检修的列车车底二维图和深度图。
三维数据的采集原理是激光三角测量法，采集的数据是一张深度图和一张二维图。二维图和深度图是同时生成的两种类型的数据，这两种图像具有完全相同的尺寸大小且像素点是一一映射的。
步骤2：对于二维图，采用两步ACF目标检测算法定位螺栓位置。
为了实现快速和有效的检测，目标检测的输入是具有纹理和语义信息比较丰富的二维图，用其进行定位目标螺栓可以兼顾两个要求。目标检测使用基于传统机器学习的ACF算法，训练速度快，结构简单。基于多通道特征提取的目标检测算法以ACF的图像特征，构建特征通道金字塔，通过滑动窗口提取图像的ACF特征。在1536*7500像素的车底图中定位一个20*20像素的螺栓比较困难。直接一步定位效果肯定是不足以满足要求的，检测不到目标和检测到错误目标都会导致检测成功率变低。为了解决这个问题，采用两次ACF算法把目标检测拆分为两步完成，第一步先定位一个包含目标螺栓的初步感兴趣区域，然后在这个区域内再进行第二次目标检测定位待检测螺栓精确位置。这种方案不仅比一次定位成功率高很多，且检测速度也会快一些。这是由于两步定位原图和目标之间尺寸差距缩小，每一次提取特征的滑动窗口次数会减少。
步骤3：基于RANSAC+SRG的区域分割算法计算螺帽厚度。
三维数据能反映物体的客观形状属性和位置关系，将基于二维目标检测的目标区域映射到深度图中，有益于区域分割的效果。在点云数据中用RANSAC（随机采样一致性）检测该区域全局最优平面。 RANSAC是一种随机样本参数估计法，可以在一组包含噪声的样本数据集，计算出数据的全局最优数学模型参数，得到有效样本数据（局内点）的算法，常用于检测三维点云中的直线和平面。从检测的平面局内点集中选择一的点作为区域生长算法的种子，区域生长算法通常能将具有相同特征的联通区域分割出来，从种子点开始将相似的相邻像素或者区域与种子点合并，可以将螺栓下表面和其余像素点分割，生成一个二值图像。然后通过删除小对象、二值反转、截取最小包围框等处理方法得到螺栓上表面的区域。计算上表面的质心的坐标，作为第二次的区域生长的种子。第二次生长结果的像素点深度值计算平均值，下表面像素点与上表面质心距离检索最近的一部分，这样保证每次计算的像素点尽量一致。
其中，p 上 、p 下分别为RANSAC检测到上下最优平面的局内点集，i=1,2,…,n为选取的上表面像素点，j=1,2,…,m为选取的下表面像素点。n、m分别为上下表面像素点总数。
步骤4：螺栓故障检测。
将计算出的螺帽厚度与历史数据和标准数据h’做比较到差值。设置合适的阈值，超过上限阈值T松动就是螺栓发生了松动，低于下限阈值T损坏代表可能有损坏。
其中，T松动表示上限阈值，T损坏表示下限阈值。
还可以通过每种螺栓旋转一圈的厚度变化的标准数值，细化螺栓松动程度Δθ。
其中，ε表示螺栓旋转一圈的厚度变化的标准数值。
如果正常就将检测数据作为历史数据上传到数据库。
在列车的现场检修中，利用标记线检测松动的方式不用费时费力，模板匹配的方法也会极其容易受到光照，拍摄角度等变化造成检测错误。而且如果螺栓松动超过360°后检测无法细化松动程度的问题会导致一定的安全隐患。利用二维目标检测结合基于深度图的分割的方案可以很好解决这两个问题，可以适用于车底大部分螺栓检测，具有不错的泛化性。
在相对稳定相似的环境中，输入为7500*1536像素图片训练ACF目标检测模型也只需几分钟。仅依靠100张训练集就能实现目标检测成功率大于95%。两步ACF检测模型在CPU运行下能达到0.5 s的速度，整个算法完成一个区域内螺栓（可以有多个螺栓）松动检测大约所需1.5s，能够实现对螺栓松动进行实时的检测。
设计的RANSAC+SRG分割算法，利用RANSAC检测平面，从随机样本中得到具有一致性的像素点。解决了区域生长自动选取种子的难题，在此场景下应用中具有很好的表现。RANSAC可以有效剔除噪声和局外点，检测出最符合平面的模型参数，避免了噪声数据和螺栓表面毛刺的影响，还可以抑制相机采集角度倾斜带来的影响，大大提高了松动检测的鲁棒性。
相比于深度学***均误差达到0.2mm以内，针对M10的螺栓检测误差可以控制在松动15°以内，对M24的螺栓检测误差可以控制到30°以内，能够满足实际检测标准的要求。
Claims (1)
1.一种基于三维的列车螺栓松动检测方法，其特征在于，包括以下步骤：
步骤1：采用工业三维线扫描相机采集待检修的列车车底二维图和深度图；
步骤2：对于二维图，采用两步聚合通道特征ACF目标检测算法定位螺栓位置；
S21：先定位一个包含目标螺栓的初步感兴趣区域，利用MATLAB软件标签工具在二维图上打第一次初步定位框的标签，得到第一次目标检测训练集；
S22：将第一次打标签的目标区域从全图上裁剪下来，并且在这个初步感兴趣区域内待检测的螺栓打标签，得到第二次目标检测训练集；
S23：基于做好的数据训练集，采用两步聚合通道特征ACF目标检测算法定位待检测螺栓精确位置；
步骤3：基于随机样本一致性RANSAC+区域种子生长SRG的区域分割算法计算上表面与下表面的差值；
S31：将二维图中螺栓目标区域映射到采集的深度图；
S32：使用RANSAC算法检测区域内的最优平面，输出所有符合这个平面的像素点；
S33：选取属于拟合平面的一个内点作为区域生长点的起始种子点，依靠阈值使用区域生长算法得到一个二值图像，白色目标区域为螺栓下表面区域；
S34：删除二值图像中的小目标区域，然后二值图像反转使得上表面区域为目标区域；
S35：计算此时上表面区域的质心作为第二次区域生长的种子，设置阈值得到上表面的像素点；
S36：计算上表面像素点的深度值平均值，索引下表面像素点与上表面的质心的距离，选择距离最近的一部分像素点计算深度值平均值，计算上表面与下表面的差值h；
其中，p 上 、p 下分别为RANSAC检测到上下最优平面的局内点集，i=1,2,…,n为选取的上表面像素点，j=1,2,…,m为选取的下表面像素点；n、m分别为上下表面像素点总数；
步骤4：螺栓故障检测；
S41：将计算出的上表面与下表面的差值h与历史数据和标准数据h’做比较得到差值，对比故障阈值，判断螺栓状态；
其中，T松动表示上限阈值，T损坏表示下限阈值；
S42：计算螺栓松动程度
；
其中，ε表示螺栓旋转一圈的厚度变化的标准数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110548652.9A CN112991347B (zh) | 2021-05-20 | 2021-05-20 | 一种基于三维的列车螺栓松动检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110548652.9A CN112991347B (zh) | 2021-05-20 | 2021-05-20 | 一种基于三维的列车螺栓松动检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112991347A CN112991347A (zh) | 2021-06-18 |
| CN112991347B true CN112991347B (zh) | 2021-08-03 |
Family
ID=76337049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110548652.9A Active CN112991347B (zh) | 2021-05-20 | 2021-05-20 | 一种基于三维的列车螺栓松动检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112991347B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808096B (zh) * | 2021-09-14 | 2024-01-30 | 成都主导软件技术有限公司 | 一种非接触式的螺栓松动检测方法及其*** |
| CN113962961A (zh) * | 2021-10-22 | 2022-01-21 | 常州市新创智能科技有限公司 | 一种基于高速机的螺丝松动检测方法 |
| CN113808133B (zh) * | 2021-11-19 | 2022-01-25 | 西南交通大学 | 一种基于三维点云的地铁闸瓦故障检测方法 |
| CN114627059B (zh) * | 2022-02-27 | 2022-12-13 | 扬州孚泰电气有限公司 | 一种基于数据处理的防震锤螺栓检测方法 |
| CN115063579B (zh) * | 2022-08-19 | 2022-11-04 | 西南交通大学 | 基于二维图像和三维点云投影的列车定位销松动检测方法 |
| CN115222731B (zh) * | 2022-09-07 | 2022-12-02 | 西南交通大学 | 一种基于二维图像到点云映射的列车紧固件异常检测方法 |
| CN115950352B (zh) * | 2022-09-27 | 2023-10-31 | 国网湖北省电力有限公司超高压公司 | 一种激光测振的铁塔螺栓松动检测与识别方法 |
| CN115439480B (zh) * | 2022-11-09 | 2023-02-28 | 成都运达科技股份有限公司 | 基于3d深度图像模板匹配的螺栓异常检测方法及*** |
| CN115598656B (zh) * | 2022-12-14 | 2023-06-09 | 成都运达科技股份有限公司 | 基于悬挂轨道的障碍物检测方法、装置及*** |
| CN116071353B (zh) * | 2023-03-06 | 2023-09-05 | 成都盛锴科技有限公司 | 一种螺栓装配检测方法及*** |
| CN116386016B (zh) * | 2023-05-22 | 2023-10-10 | 杭州睿影科技有限公司 | 一种异物处理方法、装置、电子设备及存储介质 |
| CN117576107B (zh) * | 2024-01-17 | 2024-03-29 | 中数智科(杭州)科技有限公司 | 基于图像匹配和配准的列车底部零部件的松动检测方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9123119B2 (en) * | 2011-12-07 | 2015-09-01 | Telesecurity Sciences, Inc. | Extraction of objects from CT images by sequential segmentation and carving |
| CN106600581B (zh) * | 2016-12-02 | 2019-09-24 | 北京航空航天大学 | 一种基于双目立体视觉的列车运行故障自动检测***及方法 |
| CN108152059B (zh) * | 2017-12-20 | 2021-03-16 | 西南交通大学 | 基于多传感器数据融合的高速列车转向架故障检测方法 |
| CN110223373B (zh) * | 2019-04-23 | 2023-08-01 | 北京建筑大学 | 螺栓球状物几何参数信息的确定方法、装置及设备 |
| CN110186375A (zh) * | 2019-06-06 | 2019-08-30 | 西南交通大学 | 智能化高铁白车身焊接装配特征检测装置及检测方法 |
| CN110796671B (zh) * | 2019-10-31 | 2022-08-26 | 深圳市商汤科技有限公司 | 数据处理方法及相关装置 |
| CN111127409A (zh) * | 2019-12-13 | 2020-05-08 | 西南交通大学 | 基于sift图像配准与余弦相似度的列车部件检测方法 |
| CN112179282B (zh) * | 2020-09-10 | 2021-08-10 | 大连理工大学 | 一种适用于装配间隙数字化测量的点云数据模型虚拟装配方法 |
| CN112381791A (zh) * | 2020-11-13 | 2021-02-19 | 北京图知天下科技有限责任公司 | 一种基于3d点云的螺栓松动检测方法 |
| CN112489212B (zh) * | 2020-12-07 | 2022-05-17 | 武汉大学 | 一种基于多源遥感数据的建筑物智能化三维测图方法 |
-
2021
- 2021-05-20 CN CN202110548652.9A patent/CN112991347B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112991347A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112991347B (zh) | 一种基于三维的列车螺栓松动检测方法 | |
| CN111855664B (zh) | 一种可调节隧道病害三维检测*** | |
| US20200041284A1 (en) | Map road marking and road quality collecting apparatus and method based on adas system | |
| CN108197583A (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
| CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
| CN111781608B (zh) | 一种基于fmcw激光雷达的运动目标检测方法及*** | |
| CN101957309A (zh) | 一种能见度的全天候视频测量方法 | |
| CN113989379B (zh) | 基于线激光旋转扫描的轮毂焊缝三维特征测量装置及方法 | |
| CN109708658B (zh) | 一种基于卷积神经网络的视觉里程计方法 | |
| CN115063579B (zh) | 基于二维图像和三维点云投影的列车定位销松动检测方法 | |
| CN112070756B (zh) | 一种基于无人机倾斜摄影的路面立体病害测量方法 | |
| CN105426868A (zh) | 一种基于自适应感兴趣区域的车道检测方法 | |
| CN112184725B (zh) | 一种沥青路面图像的结构光光条中心提取方法 | |
| CN110910349A (zh) | 一种基于航拍视觉的风电机组状态获取方法 | |
| CN110567383A (zh) | 基于结构森林和亚像素的受电弓磨耗预警***及检测方法 | |
| CN116665126A (zh) | 一种机器人巡检部件缺陷检测方法及其应用 | |
| CN116573017A (zh) | 城市轨道列车行驶限界异物感知方法、***、装置和介质 | |
| CN116958083A (zh) | 基于机器人自适应位姿调整的动车车底螺栓松动检测方法 | |
| CN113643352B (zh) | 一种自然覆冰在线监测运行导线图像覆冰程度评估方法 | |
| Bao | Road distress analysis using 2D and 3D information | |
| CN113091693A (zh) | 一种基于图像超分辨率技术的单目视觉长程测距方法 | |
| CN110717981A (zh) | 小型机器人室内可通行区域获取方法及装置 | |
| CN114283167B (zh) | 一种基于视觉的清扫区域检测方法 | |
| Guo | Analysis of unstructured road information recognition methods for unmanned vehicles | |
| Šeatović et al. | 3D-object recognition, localization and treatment of rumex obtusifolius in its natural environment |
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 |