CN113012113A - 一种高铁接触网供电设备螺栓松动自动检测方法 - Google Patents

一种高铁接触网供电设备螺栓松动自动检测方法 Download PDF

Info

Publication number
CN113012113A
CN113012113A CN202110227664.1A CN202110227664A CN113012113A CN 113012113 A CN113012113 A CN 113012113A CN 202110227664 A CN202110227664 A CN 202110227664A CN 113012113 A CN113012113 A CN 113012113A
Authority
CN
China
Prior art keywords
bolt
speed rail
power supply
image
supply equipment
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
CN202110227664.1A
Other languages
English (en)
Other versions
CN113012113B (zh
Inventor
张方恒
王志强
石会莹
张文升
李增荣
白树军
吴勇
杨习习
吉越
陶可猛
张继洲
隋金雁
王明晗
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.)
Heyuan Intelligent Technology Co ltd
Original Assignee
Heyuan Intelligent Technology 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 Heyuan Intelligent Technology Co ltd filed Critical Heyuan Intelligent Technology Co ltd
Priority to CN202110227664.1A priority Critical patent/CN113012113B/zh
Publication of CN113012113A publication Critical patent/CN113012113A/zh
Application granted granted Critical
Publication of CN113012113B publication Critical patent/CN113012113B/zh
Active 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
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
    • G06T2207/20—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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

一种高铁接触网供电设备螺栓松动自动检测方法，针对现有高铁接触网中各种供电设备螺栓松动多样性，而参考拧紧状态检测需要对螺栓位置先判断，过程繁琐，本发明利用基于深度学习的特征识别模型，集合自编码网络的稀疏表达向量分类实现对外观异常设备的准确检测。

Description

一种高铁接触网供电设备螺栓松动自动检测方法
技术领域
本发明公开一种高铁接触网螺栓松动自动检测方法，属于图像识别设备缺陷的技术领域。
背景技术
近些年来，我国铁路运输高速持续发展，动车和高铁在国民经济发展中起着不可替代的作用。随着我国高铁的全面开通，高铁线路巡检显得尤其重要。传统的高铁线路设备巡检工作，依靠固定位置的摄像头定点拍摄照片，再传回至地面，由工作人员通过对视频图像分析判断设备缺陷。随着海量检测数据的生成，只靠工作人员人眼识别势必造成大量强度较高的重复性劳动，以及视觉疲劳造成的识别率下降和漏检率上升，因此急需采用一种方法，既能高于人眼的识别率，又能长时间保持一个效率，极大降低误检率，实践证明使用基于深度学习的特征识别模型是一个很好的选择。
现有的螺栓松动方法基于拧紧的螺栓标记为参考标记，通过计算当前螺栓角度与参考螺栓角度差来判断螺栓是否松动。此方法只对固定位置的螺栓图片检测有效，而高压线路巡检中有多处螺栓，需要先对螺栓位置进行判别在进行松动检测，增加了设备异常检测的繁琐。因此在本技术领域中，怎样对高铁接触网中各种供电设备螺栓松动准确检测，成为较为棘手的技术问题。
发明内容
针对现有技术的不足，本发明公开一种高铁接触网供电设备螺栓松动自动检测方法。
本发明的技术方案如下：
一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，包括：
1)建立数据样本库：
首先，采集高铁用电***中的摄像机拍摄照片，通过人工标记出螺栓区域图像位置信息、螺栓松动状态及对应关系，形成训练数据；
优选的，所述螺栓区域图像位置信息包括：螺栓坐标位置信息[x,y]及螺栓图像区域框宽度和高度[w,h]；
优选的，所述螺栓松动状态包括：螺栓正常未松动时，用0表示；螺栓松动时，用1表示；形成训练数据；
2)训练两个深度卷积神经网络：
其中一个是：目标检测深度卷积神经网络Faster-RCNN，用于从步骤1)中的照片得到螺栓区域检测模型
Figure BDA0002957143520000021
该检测模型
Figure BDA0002957143520000022
选用基本的训练流程即可；
另一个是：采用一个自编码器结构的网络架构，将自编码器输出的稀疏表达向量与全连接层相连以实现螺栓松动状态分类，用于将步骤1)中的得到的螺栓区域图像进行重构和分类；
3)开始测试：
实时采集被测高铁用电***中的设备***底座图像X，并将其导入步骤2)中的检测模型
Figure BDA0002957143520000023
中，得到螺栓区域在图中所处位置坐标[Xmin,Ymin,Xmax,Ymax]；
对本步骤中的所述螺栓区域Y进行提取，步骤为：
Y＝X[Xmin:Xmax,Ymin:Ymax]；
4)对设备区域进行设备外观异常检测，通过将裁剪得到的螺栓区域Y放到步骤2)中的自编码网络及全连接层中，得到螺栓松动状态分类结果。
根据本发明优选的，所述高铁接触网供电设备螺栓松动自动检测方法还包括标签制作流程：人工标记出螺栓区域图像位置信息、螺栓松动状态表示。
根据本发明优选的，所述自编码器的编码器包括4个卷积块，其特征层个数分别为[32,64,128,256]，每个卷积块由2个卷积层组成；
其计算公式为：
对于输入图像x，经自编码器结构的网络架构的编码器θ(·)后得到输入图像x的高层次表达θ(x)，则稀疏表达向量z通过对该高层次语义表达进行行列挤压得到。
根据本发明优选的，所述稀疏表达向量z通过对该高层次语义表达进行行列挤压的具体实现步骤为：
先将θ(x)经过一个1×1的卷积层f得到的空间向量f(θ(x))，其大小为256×W×H,再对f(θ(x))分别进行行列求平均，得到一个256×1×1的稀疏表达向量z：
z＝Avg(f(θ(x)))
其中Avg(·)表示行列求平均操作。
根据本发明优选的，与所述编码器对应的解码器包括4个卷积块，其特征层个数分别为[256，128，64，32]，每个卷积块由2个卷积层组成；
则重构后的图像x′通过将z输入解码器φ(·)获得。
根据本发明优选的，所述解码的具体实现步骤为：
先对稀疏表达向量z进行行列扩展，使其扩展为一个256×W×H的空间向量z′，然后将z′经过一个1×1的卷积层f′后再经过解码器φ(·)即可得到重构后的原图像x′：
x′＝φ(z′)＝φ(f′(z′))＝φ(f′(Exp(z)))
其中Exp(·)表示行列扩展操作。
根据本发明优选的，在对螺栓状态分类时，由于稀疏表达向量z包含了输入图像x的关键信息，因此通过将z接入全连接层得到螺栓松动分类结果c′，表达式为：
c′＝fc(z)
其中fc(·)代表全连接层，该全连接层由两个线性层组成，其维度分别为[64,1]。
根据本发明优选的，所述自编码器的损失函数包括：对螺栓状态识别的交叉熵和图像重构的最小均方差，具体实现公式为：
L＝Lce(c,c′)+Lmse(x,x′)
其中c为螺栓真实分类结果，Lce为交叉熵损失，Lmse为图像重构损失。
本发明的技术优势在于：
本发明针对现有高铁接触网中各种供电设备螺栓松动多样性，而参考拧紧状态检测需要对螺栓位置先判断，过程繁琐，本发明利用基于深度学习的特征识别模型，集合自编码网络的稀疏表达向量分类实现对外观异常设备的准确检测。
本发明的检测效果好：流程简单且准确性高，利用基于深度学习的特征识别模型，集合自编码网络的稀疏表达向量分类实现对外观异常设备的准确检测。
此外高铁接触网中各种供电设备的工作环境复杂多变，而深度学习在提取特征时聚焦于螺栓状态本身，可以降低由于光线环境等因素造成的误判率。
附图说明
图1是本发明所述方法中模型训练流程图；
图2是本发明所述方法的流程图；
图3是本发明实施例中的实际场景监测流程信息图，对螺栓正常状态分类结果的图像；
图4是本发明实施例中的实际场景监测流程信息图，对螺栓松动状态分类结果的图像；
图5是本发明中螺栓松动分类的步骤流程图。
具体实施方式
下面结合实施例和说明书附图对本发明做详细的说明，但不限于此。
实施例
如图1、2所示，一种高铁接触网供电设备螺栓松动自动检测方法，包括：
1)建立数据样本库：
首先，采集高铁用电***中的摄像机拍摄照片，通过人工标记出螺栓区域图像位置信息、螺栓松动状态及对应关系，形成训练数据；
还包括标签制作流程：人工标记出螺栓区域图像位置信息、螺栓松动状态表示。
所述螺栓区域图像位置信息包括：螺栓坐标位置信息[x,y]及螺栓图像区域框宽度和高度[w,h]；
所述螺栓松动状态包括：螺栓正常未松动时，用0表示；螺栓松动时，用1表示；形成训练数据；
2)训练两个深度卷积神经网络：
其中一个是：目标检测深度卷积神经网络Faster-RCNN，用于从步骤1)中的照片得到螺栓区域检测模型
Figure BDA0002957143520000041
该检测模型
Figure BDA0002957143520000042
选用基本的训练流程即可；
另一个是：采用一个自编码器结构的网络架构，将自编码器输出的稀疏表达向量与全连接层相连以实现螺栓松动状态分类，用于将步骤1)中的得到的螺栓区域图像进行重构和分类；
3)开始测试：
实时采集被测高铁用电***中的设备***底座图像X，并将其导入步骤2)中的检测模型
Figure BDA0002957143520000043
中，得到螺栓区域在图中所处位置坐标[Xmin,Ymin,Xmax,Ymax]；
对本步骤中的所述螺栓区域Y进行提取，步骤为：
Y＝X[Xmin:Xmax,Ymin:Ymax]；
4)对设备区域进行设备外观异常检测，通过将裁剪得到的螺栓区域Y放到步骤2)中的自编码网络及全连接层中，得到螺栓松动状态分类结果。
所述自编码器的编码器包括4个卷积块，其特征层个数分别为[32,64,128,256]，每个卷积块由2个卷积层组成；
其计算公式为：
对于输入图像x，经自编码器结构的网络架构的编码器θ(·)后得到输入图像x的高层次表达θ(x)，则稀疏表达向量z通过对该高层次语义表达进行行列挤压得到。
所述稀疏表达向量z通过对该高层次语义表达进行行列挤压的具体实现步骤为：
先将θ(x)经过一个1×1的卷积层f得到的空间向量f(θ(x))，其大小为256×W×H,再对f(θ(x))分别进行行列求平均，得到一个256×1×1的稀疏表达向量z：
z＝Avg(f(θ(x)))
其中Avg(·)表示行列求平均操作。
与所述编码器对应的解码器包括4个卷积块，其特征层个数分别为[256，128，64，32]，每个卷积块由2个卷积层组成；
则重构后的图像x′通过将z输入解码器φ(·)获得。
所述解码的具体实现步骤为：
先对稀疏表达向量z进行行列扩展，使其扩展为一个256×W×H的空间向量z′，然后将z′经过一个1×1的卷积层f′后再经过解码器φ(·)即可得到重构后的原图像x′：
x′＝φ(z′)＝φ(f′(z′))＝φ(f′(Exp(z)))
其中Exp(·)表示行列扩展操作。
在对螺栓状态分类时，由于稀疏表达向量z包含了输入图像x的关键信息，因此通过将z接入全连接层得到螺栓松动分类结果c′，表达式为：
c′＝fc(z)
其中fc(·)代表全连接层，该全连接层由两个线性层组成，其维度分别为[64,1]。
所述自编码器的损失函数包括：对螺栓状态识别的交叉熵和图像重构的最小均方差，具体实现公式为：
L＝Lce(c,c′)+Lmse(x,x′)
其中c为螺栓真实分类结果，Lce为交叉熵损失，Lmse为图像重构损失。
结合图5，对现有高铁接触网供电设备进行采集图像，并按本实施例所述方法进行实施检测，如图3、4分别为两个采集到的待测图像：
经检测后，对图3中的原始图像自动识别出，其所包含螺栓的状态分别为松动状态和未松动状态。

Claims (8)

1.一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，包括：
1)建立数据样本库：
首先，采集高铁用电***中的摄像机拍摄照片，通过人工标记出螺栓区域图像位置信息、螺栓松动状态及对应关系，形成训练数据；
2)训练两个深度卷积神经网络：
其中一个是：目标检测深度卷积神经网络Faster-RCNN，用于从步骤1)中的照片得到螺栓区域检测模型
Figure FDA0002957143510000011
该检测模型
Figure FDA0002957143510000012
选用基本的训练流程即可；
另一个是：采用一个自编码器结构的网络架构，将自编码器输出的稀疏表达向量与全连接层相连以实现螺栓松动状态分类，用于将步骤1)中的得到的螺栓区域图像进行重构和分类；
3)开始测试：
实时采集被测高铁用电***中的设备***底座图像X，并将其导入步骤2)中的检测模型
Figure FDA0002957143510000013
中，得到螺栓区域在图中所处位置坐标[Xmin,Ymin,Xmax,Ymax]；
对本步骤中的所述螺栓区域Y进行提取，步骤为：
Y＝X[Xmin:Xmax,Ymin:Ymax]；
4)对设备区域进行设备外观异常检测，通过将裁剪得到的螺栓区域Y放到步骤2)中的自编码网络及全连接层中，得到螺栓松动状态分类结果。
2.根据权利要求1所述的一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，所述自编码器的编码器包括4个卷积块，其特征层个数分别为[32,64,128,256]，每个卷积块由2个卷积层组成；
其计算公式为：
对于输入图像x，经自编码器结构的网络架构的编码器θ(·)后得到输入图像x的高层次表达θ(x)，则稀疏表达向量z通过对该高层次语义表达进行行列挤压得到。
3.根据权利要求2所述的一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，所述稀疏表达向量z通过对该高层次语义表达进行行列挤压的具体实现步骤为：
先将θ(x)经过一个1×1的卷积层f得到的空间向量f(θ(x))，其大小为256×W×H,再对f(θ(x))分别进行行列求平均，得到一个256×1×1的稀疏表达向量z：
z＝Avg(f(θ(x)))
其中Avg(·)表示行列求平均操作。
4.根据权利要求2或3所述的一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，与所述编码器对应的解码器包括4个卷积块，其特征层个数分别为[256，128，64，32]，每个卷积块由2个卷积层组成；
则重构后的图像x′通过将z输入解码器φ(·)获得。
5.根据权利要求4所述的一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，所述解码的具体实现步骤为：
先对稀疏表达向量z进行行列扩展，使其扩展为一个256×W×H的空间向量z′，然后将z′经过一个1×1的卷积层f′后再经过解码器φ(·)即可得到重构后的原图像x′：
x′＝φ(z′)＝φ(f′(z′))＝φ(f′(Exp(z)))
其中Exp(·)表示行列扩展操作。
6.根据权利要求5所述的一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，在对螺栓状态分类时，由于稀疏表达向量z包含了输入图像x的关键信息，因此通过将z接入全连接层得到螺栓松动分类结果c′，表达式为：
c′＝fc(z)
其中fc(·)代表全连接层，该全连接层由两个线性层组成，其维度分别为[64,1]。
7.根据权利要求2所述的一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，所述自编码器的损失函数包括：对螺栓状态识别的交叉熵和图像重构的最小均方差，具体实现公式为：
L＝Lce(c,c′)+Lmse(x,x′)
其中c为螺栓真实分类结果，Lce为交叉熵损失，Lmse为图像重构损失。
8.根据权利要求1所述的一种高铁接触网供电设备螺栓松动自动检测方法，其特征在于，所述高铁接触网供电设备螺栓松动自动检测方法还包括标签制作流程：人工标记出螺栓区域图像位置信息、螺栓松动状态表示。
CN202110227664.1A 2021-03-01 2021-03-01 一种高铁接触网供电设备螺栓松动自动检测方法 Active CN113012113B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110227664.1A CN113012113B (zh) 2021-03-01 2021-03-01 一种高铁接触网供电设备螺栓松动自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110227664.1A CN113012113B (zh) 2021-03-01 2021-03-01 一种高铁接触网供电设备螺栓松动自动检测方法

Publications (2)

Publication Number Publication Date
CN113012113A true CN113012113A (zh) 2021-06-22
CN113012113B CN113012113B (zh) 2023-04-07

Family

ID=76387223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110227664.1A Active CN113012113B (zh) 2021-03-01 2021-03-01 一种高铁接触网供电设备螺栓松动自动检测方法

Country Status (1)

Country Link
CN (1) CN113012113B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115346068A (zh) * 2022-08-02 2022-11-15 哈尔滨市科佳通用机电股份有限公司 一种铁路货运列车螺栓丢失故障图像自动生成方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000049571A9 (en) * 1999-02-15 2001-06-21 Digital Accelerator Corp Method and system of region-based image coding with dynamic streaming of code blocks
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
CN110543888A (zh) * 2019-07-16 2019-12-06 浙江工业大学 一种基于群集递归神经网络的图像分类方法
CN110766011A (zh) * 2019-12-26 2020-02-07 南京智莲森信息技术有限公司 一种基于深度多级优化的接触网螺母异常识别方法
CN111080650A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法
CN111415326A (zh) * 2020-02-18 2020-07-14 中国铁道科学研究院集团有限公司 一种用于铁路接触网螺栓异常状态的检测方法及***
CN112004085A (zh) * 2020-08-14 2020-11-27 北京航空航天大学 一种场景语义分割结果指导下的视频编码方法
CN112364975A (zh) * 2020-10-14 2021-02-12 山东大学 基于图神经网络的终端运行状态预测方法及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000049571A9 (en) * 1999-02-15 2001-06-21 Digital Accelerator Corp Method and system of region-based image coding with dynamic streaming of code blocks
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
CN110543888A (zh) * 2019-07-16 2019-12-06 浙江工业大学 一种基于群集递归神经网络的图像分类方法
CN111080650A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 铁路货车小部件轴承挡键螺母松动和丢失故障检测方法
CN110766011A (zh) * 2019-12-26 2020-02-07 南京智莲森信息技术有限公司 一种基于深度多级优化的接触网螺母异常识别方法
CN111415326A (zh) * 2020-02-18 2020-07-14 中国铁道科学研究院集团有限公司 一种用于铁路接触网螺栓异常状态的检测方法及***
CN112004085A (zh) * 2020-08-14 2020-11-27 北京航空航天大学 一种场景语义分割结果指导下的视频编码方法
CN112364975A (zh) * 2020-10-14 2021-02-12 山东大学 基于图神经网络的终端运行状态预测方法及***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115346068A (zh) * 2022-08-02 2022-11-15 哈尔滨市科佳通用机电股份有限公司 一种铁路货运列车螺栓丢失故障图像自动生成方法

Also Published As

Publication number Publication date
CN113012113B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN108416294B (zh) 一种基于深度学习的风机叶片故障智能识别方法
CN110569841B (zh) 基于卷积神经网络的接触网关键部件目标检测方法
CN112183313B (zh) 一种基于SlowFast的电力作业现场动作识别方法
CN111383209A (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN106920291A (zh) 基于增强现实的结构表面巡检和分析***
CN113112501B (zh) 一种基于深度学习的车载轨道巡检装置及方法
CN113205039B (zh) 基于多dcnn网络的电力设备故障图像识别勘灾***及方法
CN111507975B (zh) 一种牵引变电所户外绝缘子异常检测方法
CN110096945B (zh) 基于机器学习的室内监控视频关键帧实时提取方法
CN113012113B (zh) 一种高铁接触网供电设备螺栓松动自动检测方法
CN110728269B (zh) 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法
CN117372677A (zh) 一种高速铁路接触网紧固件开口销健康状态检测方法
CN109934172B (zh) 高速列车受电弓免gps全运行线故障视觉检测定位方法
Moradi et al. Automated sewer pipeline inspection using computer vision techniques
CN116977909A (zh) 一种基于多模态数据的深度学习火灾强度识别方法及***
Wang et al. Visual defect detection for substation equipment based on joint inspection data of camera and robot
CN112528827B (zh) 一种高铁接触网供电设备裂损自动检测方法
Rakshit et al. Railway Track Fault Detection using Deep Neural Networks
Wang et al. Research on appearance defect detection of power equipment based on improved faster-rcnn
CN112560776A (zh) 一种基于图像识别的智能风机定检方法及***
CN117314896B (zh) 一种基于深度学习的电力***异常检测方法及***
Huang et al. Small Object Detection of Non-standard THT Solder Joints Based on Improved YOLOv3
Li et al. Robust Pantograph-Catenary Contact Point Detection from Infrared Images Based on the YOLOv5 and Corner Detection
Wang et al. Thermal Defect Detection and Location for Power Equipment based on Improved VGG16
CN116109875A (zh) 一种基于生成图像标准库的电力图像数据自动标注方法

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