CN113487561A - 基于灰度梯度异常投票的受电弓异物检测方法及装置 - Google Patents
基于灰度梯度异常投票的受电弓异物检测方法及装置 Download PDFInfo
- Publication number
- CN113487561A CN113487561A CN202110749763.6A CN202110749763A CN113487561A CN 113487561 A CN113487561 A CN 113487561A CN 202110749763 A CN202110749763 A CN 202110749763A CN 113487561 A CN113487561 A CN 113487561A
- Authority
- CN
- China
- Prior art keywords
- edge curve
- image
- gray gradient
- section
- pantograph
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于灰度梯度异常投票的受电弓异物检测方法及装置。该方法包括获取碳滑板模板图像,碳滑板上边缘已绘制第一边缘曲线;计算第一边缘曲线所在模板图像位置的灰度梯度绝对值;获取连续帧检测图像,计算每一帧检测图像和模板图像的映射矩阵,并将第一边缘曲线映射到检测图像,记为第二边缘曲线;计算第二边缘曲线所在检测图像位置的灰度梯度绝对值,将第一边缘曲线和第二边缘曲线进行相同分段,并与第一边缘曲线所在模板图像位置的灰度梯度对比;若某区段的灰度梯度变化值超过阈值,则该区段记一票;连续M帧图像某区段的得票数超过阈值,则判定为该区段存在异物。本方法可提供受电弓异物在线识别准确率。
Description
技术领域
本发明涉及轨道交通接触网检测技术领域,尤其一种基于灰度梯度异常投票的受电弓异物检测方法及装置。
背景技术
受电弓安全性的重要程度不言而喻,在实际运行过程中,偶有塑料袋、气球等漂浮物挂在受电弓上,极易引发重大安全事故。在弓网视频类监测方案中,“受电弓滑板监测装置”(5C)安装在电力机车或高速铁路的车站、车站咽喉区和动车段、机务段出入库线路上,采用高速、高分辨率、非接触式图像分析测量技术,实现了对受电弓滑板的损坏、断裂等重要隐患的动态自动检测和车顶异物及关键部件状态的室内可视化观测,广泛适用于国内各型机车、动车组、地铁车辆。但5C设备数量有限,不具有实时性。当前的3C和地铁弓网产品中对于受电弓异物识别多使用机器学习或深度学习方案。此类方案会训练相应的模型并识别入侵受电弓的异物,但是由于异物类型、大小、位置、颜色等未知,所以模型的训练样本难以提前获取并导致模型的识别率以及误报率均不理想。
发明内容
为了克服上述现有技术中存在的缺陷和不足,本发明提供了一种基于灰度梯度异常投票的受电弓异物检测方法及装置。
为了解决上述现有技术中存在的问题,本发明是通过下述技术方案实现的:
一种基于灰度梯度异常投票的受电弓异物检测方法,包括:
S1,获取模板图像,所述模板图像为碳滑板图像,且碳滑板上边缘已绘制第一边缘曲线;
S2,计算所述第一边缘曲线所在模板图像位置的灰度梯度绝对值;
S3,获取连续帧检测图像,计算每一帧检测图像和模板图像的映射矩阵,并将所述第一边缘曲线映射到所述检测图像,记为第二边缘曲线;
S4,计算第二边缘曲线所在检测图像位置的灰度梯度绝对值,将所述第一边缘曲线和第二边缘曲线进行相同分段,并与所述第一边缘曲线所在模板图像位置的灰度梯度对比;
S5,若某区段的灰度梯度变化值超过预设阈值,则该区段记一票;
S6,统计连续M帧图像,若某区段的得票数超过第一预设阈值,则判定为该区段存在异物。
进一步的,步骤S4中,分段后每个区段的尺寸小于待检测异物尺寸。
进一步的,步骤S6为:统计连续M帧图像,若某区段的得票数超过第一预设阈值,且该区段的左和/或右区段的得票数超过第二预设阈值,则判定为该区段存在异物;所述第二预设阈值小于第一预设阈值。
进一步的,步骤S2计算所述第一边缘曲线所在模板图像位置的灰度梯度以及步骤S4计算第二边缘曲线所在检测图像位置的灰度梯度后均按照最大值进行归一化处理。
进一步的,步骤S4中:分别在模板图像和检测图像中计算分段后的各区段内的灰度梯度总和;步骤S5为:若某区段的灰度梯度总和变化值超过预设阈值,则该区段记一票。
进一步的,步骤S6中:第一预设阈值为0.3M,第二预设阈值为0.2M。
进一步的,步骤S5中,若某区段的灰度梯度总和变化值超过5或6,则该区段记一票。
本发明的另一方面提供一种基于灰度梯度异常投票的受电弓异物检测装置,包括:
模板获取模块,其用于获取模板图像,所述模板图像为碳滑板图像,且碳滑板上边缘已绘制第一边缘曲线;
模板灰度梯度提取模块,其用于计算所述第一边缘曲线所在模板图像位置的灰度梯度绝对值;
边缘曲线映射模块,其用于获取连续帧检测图像,计算每一帧检测图像和模板图像的映射矩阵,并将所述第一边缘曲线映射到所述检测图像,记为第二边缘曲线;
图像灰度梯度异常提取模块,计算第二边缘曲线所在检测图像位置的灰度梯度绝对值,将所述第一边缘曲线和第二边缘曲线进行相同分段,并与所述第一边缘曲线所在模板图像位置的灰度梯度对比;
异常投票模块,其用于识别灰度梯度变化值超过预设阈值的区段,则将该区段记一票;
异物判别模块,其用于统计连续M帧图像,若某区段的得票数超过第一预设阈值,则判定为该区段存在异物。
本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,执行上述的基于灰度梯度异常投票的受电弓异物检测方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于灰度梯度异常投票的受电弓异物检测方法的步骤。
与现有技术相比,本发明所带来的有益的技术效果表现在:
本发明区别于通常采用机器学习/深度学习方式的受电弓异物判别方法,采用图像处理方式,基于受电弓异物的灰度梯度异常特征进行疑似受电弓异物初次识别,并采用投票法综合连续帧检测图像中的异物初次识别结果,实现受电弓异物在线识别。
本发明不受外界光照变化的干扰,仅和当前检测图像的灰度梯度以及模板图像的灰度梯度变化有关(由于仅和灰度梯度有关,因此不收外界光照变化的干扰)。对于每一帧图像,无需过多关注异物尺寸类型颜色,也无需关注图像曝光度等外界信息,仅需提取边缘曲线位置的灰度梯度。
此外,由于不同路段、不同光照条件下的梯度变化比较剧烈,本发明采用划分区段后计算归一化总梯度的方法识别灰度梯度异常,提高了在复杂环境条件下的受电弓异物识别准确率。
附图说明
图1为本发明实施例基于灰度梯度异常投票的受电弓异物检测方法流程图;
图2为本发明实施例某帧检测图像原图;
图3为本发明实施例边缘曲线映射到检测图像示意图;
图4为本发明实施例灰度梯度投影图;
图5为本发明实施例灰度梯度归一化结果;
图6为本发明实施例各区段灰度梯度总和结果;
图7为本发明实施例各区域灰度梯度总和较模板图像的差值结果;
图8为本发明实施例灰度梯度总和超过阈值得一票示意图;
图9为本发明实施例连续多帧图像无异物得票特征;
图10为本发明实施例连续多帧图像有异物得票特征。
具体实施方式
下面结合说明书附图,对本发明的技术方案作出进一步详细地阐述。
本实施例提供一种基于灰度梯度异常投票的受电弓异物检测方法,如图1所示,包括:
S1,获取模板图像,所述模板图像为碳滑板图像,且碳滑板上边缘已绘制第一边缘曲线;
S2,计算所述第一边缘曲线所在模板图像位置的灰度梯度绝对值;
S3,获取连续帧检测图像,计算每一帧检测图像和模板图像的映射矩阵,并将所述第一边缘曲线映射到所述检测图像,记为第二边缘曲线;
S4,计算第二边缘曲线所在检测图像位置的灰度梯度绝对值,将所述第一边缘曲线和第二边缘曲线进行相同分段,并与所述第一边缘曲线所在模板图像位置的灰度梯度对比;
S5,若某区段的灰度梯度变化值超过预设阈值,则该区段记一票;
S6,统计连续M帧图像,若某区段的得票数超过第一预设阈值,则判定为该区段存在异物。
步骤S4中,分段后每个区段的尺寸小于待检测异物尺寸。
步骤S6为:统计连续M帧图像,若某区段的得票数超过第一预设阈值,且该区段的左和/或右区段的得票数超过第二预设阈值,则判定为该区段存在异物;所述第二预设阈值小于第一预设阈值。
步骤S2计算所述第一边缘曲线所在模板图像位置的灰度梯度以及步骤S4计算第二边缘曲线所在检测图像位置的灰度梯度后均按照最大值进行归一化处理。
步骤S4中:分别在模板图像和检测图像中计算分段后的各区段内的灰度梯度总和;步骤S5为:若某区段的灰度梯度总和变化值超过预设阈值,则该区段记一票。
步骤S6中:第一预设阈值为0.3M,第二预设阈值为0.2M。
步骤S5中,若某区段的灰度梯度总和变化值超过5或6,则该区段记一票。
如图2为检测图像原图,图3为模板图像映射至检测图像示意图,箭头所示位置即为模板图像中的第一边缘曲线映射至检测图像中的第二边缘曲线位置。图3-10分别为本实施例方法的中间结果图,其中图8为某帧检测图像的灰度梯度异常的区段超过阈值得一票的示意图,图9为连续M帧图像无异物的得票特征结果图,图10为连续M帧图像有异物的得票特征结果图。
检测图像中有异物的灰度投影,异物处的灰度变化比较剧烈,因此采用梯度图处理。计算梯度后,发现在不同光照不同路段时,梯度变化比较剧烈,没有统一标准,因此将梯度进行归一化处理。归一化之后,经常会在某个固定的位置有最大的梯度,但是最大梯度处的左右区域的梯度都比较小,因此采用划分区域后计算总梯度的方法,提高识别准确率。计算各区域总梯度后,和标准图像的各区域梯度做差值比较,发现无异物时的各区域梯度变化值不超过6,因此把此值作为变化阈值。超过此阈值的,说明该区域有可能有异物。连续统计多帧图像,累计各区域的可能有异物的情况。当此区域累计数量超过了统计数量的30%且此区域左右两侧区域的有异物的情况大于统计数量的20%,则此区域有异物。
本实施例还提供一种基于灰度梯度异常投票的受电弓异物检测装置,包括:
模板获取模块,其用于获取模板图像,所述模板图像为碳滑板图像,且碳滑板上边缘已绘制第一边缘曲线;
模板灰度梯度提取模块,其用于计算所述第一边缘曲线所在模板图像位置的灰度梯度绝对值;
边缘曲线映射模块,其用于获取连续帧检测图像,计算每一帧检测图像和模板图像的映射矩阵,并将所述第一边缘曲线映射到所述检测图像,记为第二边缘曲线;
图像灰度梯度异常提取模块,计算第二边缘曲线所在检测图像位置的灰度梯度绝对值,将所述第一边缘曲线和第二边缘曲线进行相同分段,并与所述第一边缘曲线所在模板图像位置的灰度梯度对比;
异常投票模块,其用于识别灰度梯度变化值超过预设阈值的区段,则将该区段记一票;
异物判别模块,其用于统计连续M帧图像,若某区段的得票数超过第一预设阈值,则判定为该区段存在异物。
本实施例基于灰度梯度异常投票的受电弓异物检测装置中的各功能模块用于实现上述的基于灰度梯度异常投票的受电弓异物检测方法的各个步骤。
本实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,执行上述的基于灰度梯度异常投票的受电弓异物检测方法的步骤。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于灰度梯度异常投票的受电弓异物检测方法的步骤。
在本实施例中处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
Claims (10)
1.一种基于灰度梯度异常投票的受电弓异物检测方法,其特征在于,包括:
S1,获取模板图像,所述模板图像为碳滑板图像,且碳滑板上边缘已绘制第一边缘曲线;
S2,计算所述第一边缘曲线所在模板图像位置的灰度梯度绝对值;
S3,获取连续帧检测图像,计算每一帧检测图像和模板图像的映射矩阵,并将所述第一边缘曲线映射到所述检测图像,记为第二边缘曲线;
S4,计算第二边缘曲线所在检测图像位置的灰度梯度绝对值,将所述第一边缘曲线和第二边缘曲线进行相同分段,并与所述第一边缘曲线所在模板图像位置的灰度梯度对比;
S5,若某区段的灰度梯度变化值超过预设阈值,则该区段记一票;
S6,统计连续M帧图像,若某区段的得票数超过第一预设阈值,则判定为该区段存在异物。
2.根据权利要求1所述的受电弓异物检测方法,其特征在于,步骤S4中,分段后每个区段的尺寸小于待检测异物尺寸。
3.根据权利要求1所述的受电弓异物检测方法,其特征在于,步骤S6为:统计连续M帧图像,若某区段的得票数超过第一预设阈值,且该区段的左和/或右区段的得票数超过第二预设阈值,则判定为该区段存在异物;所述第二预设阈值小于第一预设阈值。
4.根据权利要求1所述的受电弓异物检测方法,其特征在于,步骤S2计算所述第一边缘曲线所在模板图像位置的灰度梯度以及步骤S4计算第二边缘曲线所在检测图像位置的灰度梯度后均按照最大值进行归一化处理。
5.根据权利要求3所述的受电弓异物检测方法,其特征在于,步骤S4中:分别在模板图像和检测图像中计算分段后的各区段内的灰度梯度总和;步骤S5为:若某区段的灰度梯度总和变化值超过预设阈值,则该区段记一票。
6.根据权利要求4所述的受电弓异物检测方法,其特征在于,步骤S6中:第一预设阈值为0.3M,第二预设阈值为0.2M。
7.根据权利要求4所述的受电弓异物检测方法,其特征在于,步骤S5中,若某区段的灰度梯度总和变化值超过5或6,则该区段记一票。
8.一种基于灰度梯度异常投票的受电弓异物检测装置,其特征在于,包括:
模板获取模块,其用于获取模板图像,所述模板图像为碳滑板图像,且碳滑板上边缘已绘制第一边缘曲线;
模板灰度梯度提取模块,其用于计算所述第一边缘曲线所在模板图像位置的灰度梯度绝对值;
边缘曲线映射模块,其用于获取连续帧检测图像,计算每一帧检测图像和模板图像的映射矩阵,并将所述第一边缘曲线映射到所述检测图像,记为第二边缘曲线;
图像灰度梯度异常提取模块,计算第二边缘曲线所在检测图像位置的灰度梯度绝对值,将所述第一边缘曲线和第二边缘曲线进行相同分段,并与所述第一边缘曲线所在模板图像位置的灰度梯度对比;
异常投票模块,其用于识别灰度梯度变化值超过预设阈值的区段,则将该区段记一票;
异物判别模块,其用于统计连续M帧图像,若某区段的得票数超过第一预设阈值,则判定为该区段存在异物。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,执行上述权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749763.6A CN113487561B (zh) | 2021-07-02 | 2021-07-02 | 基于灰度梯度异常投票的受电弓异物检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749763.6A CN113487561B (zh) | 2021-07-02 | 2021-07-02 | 基于灰度梯度异常投票的受电弓异物检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487561A true CN113487561A (zh) | 2021-10-08 |
CN113487561B CN113487561B (zh) | 2023-06-30 |
Family
ID=77940283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110749763.6A Active CN113487561B (zh) | 2021-07-02 | 2021-07-02 | 基于灰度梯度异常投票的受电弓异物检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487561B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067106A (zh) * | 2022-01-12 | 2022-02-18 | 西南交通大学 | 基于帧间对比的受电弓形变检测方法、设备及存储介质 |
CN116468729A (zh) * | 2023-06-20 | 2023-07-21 | 南昌江铃华翔汽车零部件有限公司 | 一种汽车底盘异物检测方法、***及计算机 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101982835A (zh) * | 2010-11-12 | 2011-03-02 | 西安电子科技大学 | Sar图像机场道路边缘检测水平集方法 |
WO2012137511A1 (ja) * | 2011-04-07 | 2012-10-11 | パナソニック株式会社 | 画像処理装置および画像処理方法 |
CN105158257A (zh) * | 2015-05-21 | 2015-12-16 | 苏州华兴致远电子科技有限公司 | 滑板测量方法及装置 |
WO2016183225A2 (en) * | 2015-05-12 | 2016-11-17 | Lawrence Livermore National Security, Llc | Identification of uncommon objects in containers |
CN106919943A (zh) * | 2015-12-25 | 2017-07-04 | 北京搜狗科技发展有限公司 | 一种数据处理方法和装置 |
CN108694349A (zh) * | 2017-04-07 | 2018-10-23 | 成都唐源电气股份有限公司 | 一种基于线阵相机的受电弓图像提取方法及装置 |
CN208745762U (zh) * | 2018-07-25 | 2019-04-16 | 成都永贵东洋轨道交通装备有限公司 | 一种分段式受电弓碳滑板 |
CN110378897A (zh) * | 2019-07-25 | 2019-10-25 | 中车青岛四方机车车辆股份有限公司 | 一种基于视频的受电弓运行状态实时监测方法及装置 |
CN110781758A (zh) * | 2019-09-29 | 2020-02-11 | 同济大学 | 一种受电弓结构异常动态视频监测方法及装置 |
CN111127381A (zh) * | 2018-10-15 | 2020-05-08 | 西南交通大学 | 一种受电弓滑板不平行检测方法 |
CN111260629A (zh) * | 2020-01-16 | 2020-06-09 | 成都地铁运营有限公司 | 基于图像处理的受电弓结构异常检测算法 |
CN111738342A (zh) * | 2020-06-24 | 2020-10-02 | 西南交通大学 | 一种受电弓异物检测方法、存储介质及计算机设备 |
CN111862023A (zh) * | 2020-07-14 | 2020-10-30 | 苏州华启智能科技有限公司 | 一种基于计算机视觉的受电弓结构异常检测方法 |
CN112330678A (zh) * | 2021-01-07 | 2021-02-05 | 中科慧远视觉技术(北京)有限公司 | 产品边缘缺陷检测方法 |
-
2021
- 2021-07-02 CN CN202110749763.6A patent/CN113487561B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101982835A (zh) * | 2010-11-12 | 2011-03-02 | 西安电子科技大学 | Sar图像机场道路边缘检测水平集方法 |
WO2012137511A1 (ja) * | 2011-04-07 | 2012-10-11 | パナソニック株式会社 | 画像処理装置および画像処理方法 |
WO2016183225A2 (en) * | 2015-05-12 | 2016-11-17 | Lawrence Livermore National Security, Llc | Identification of uncommon objects in containers |
CN105158257A (zh) * | 2015-05-21 | 2015-12-16 | 苏州华兴致远电子科技有限公司 | 滑板测量方法及装置 |
CN106919943A (zh) * | 2015-12-25 | 2017-07-04 | 北京搜狗科技发展有限公司 | 一种数据处理方法和装置 |
CN108694349A (zh) * | 2017-04-07 | 2018-10-23 | 成都唐源电气股份有限公司 | 一种基于线阵相机的受电弓图像提取方法及装置 |
CN208745762U (zh) * | 2018-07-25 | 2019-04-16 | 成都永贵东洋轨道交通装备有限公司 | 一种分段式受电弓碳滑板 |
CN111127381A (zh) * | 2018-10-15 | 2020-05-08 | 西南交通大学 | 一种受电弓滑板不平行检测方法 |
CN110378897A (zh) * | 2019-07-25 | 2019-10-25 | 中车青岛四方机车车辆股份有限公司 | 一种基于视频的受电弓运行状态实时监测方法及装置 |
CN110781758A (zh) * | 2019-09-29 | 2020-02-11 | 同济大学 | 一种受电弓结构异常动态视频监测方法及装置 |
CN111260629A (zh) * | 2020-01-16 | 2020-06-09 | 成都地铁运营有限公司 | 基于图像处理的受电弓结构异常检测算法 |
CN111738342A (zh) * | 2020-06-24 | 2020-10-02 | 西南交通大学 | 一种受电弓异物检测方法、存储介质及计算机设备 |
CN111862023A (zh) * | 2020-07-14 | 2020-10-30 | 苏州华启智能科技有限公司 | 一种基于计算机视觉的受电弓结构异常检测方法 |
CN112330678A (zh) * | 2021-01-07 | 2021-02-05 | 中科慧远视觉技术(北京)有限公司 | 产品边缘缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
张振琛;顾桂梅;李占斌;: "基于图像处理的弓网燃弧检测方法", 兰州交通大学学报 * |
李兵祖;宋超;武莹;薛晓利;: "基于多尺度深度学习的接触网吊弦异常检测及应用", 电气化铁道 * |
王忠立;蔡伯根;: "一种基于几何约束的轨道提取方法研究", 交通运输***工程与信息 * |
甘玉坤;丁跃浇;罗振威;吴雪婷;李旭东;: "低对比度工况下轴安装间隙提取方法研究", 计算机技术与发展 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114067106A (zh) * | 2022-01-12 | 2022-02-18 | 西南交通大学 | 基于帧间对比的受电弓形变检测方法、设备及存储介质 |
CN114067106B (zh) * | 2022-01-12 | 2022-04-15 | 西南交通大学 | 基于帧间对比的受电弓形变检测方法、设备及存储介质 |
CN116468729A (zh) * | 2023-06-20 | 2023-07-21 | 南昌江铃华翔汽车零部件有限公司 | 一种汽车底盘异物检测方法、***及计算机 |
CN116468729B (zh) * | 2023-06-20 | 2023-09-12 | 南昌江铃华翔汽车零部件有限公司 | 一种汽车底盘异物检测方法、***及计算机 |
Also Published As
Publication number | Publication date |
---|---|
CN113487561B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN202793389U (zh) | 一种高铁接触网在线巡检装置 | |
CN110298300B (zh) | 一种检测车辆违章压线的方法 | |
CN109238756B (zh) | 货车运行故障动态图像检测设备及检测方法 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN113487561B (zh) | 基于灰度梯度异常投票的受电弓异物检测方法及装置 | |
CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
CN112967252B (zh) | 一种轨道车辆机感吊架组装螺栓丢失检测方法 | |
CN109858456A (zh) | 一种铁路车辆状态故障分析*** | |
CN112330646A (zh) | 一种基于二维图像的动车车底异常检测方法 | |
CN112381014A (zh) | 一种基于城市道路的违停车辆检测及管理方法及*** | |
CN111898491A (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
CN110793501A (zh) | 一种地铁隧道限界检测方法 | |
CN115600124A (zh) | 地铁隧道巡检***及巡检方法 | |
Zheng et al. | Rail detection based on LSD and the least square curve fitting | |
CN113903180B (zh) | 一种高速公路检测车辆超速的方法及*** | |
Koh et al. | Autonomous road potholes detection on video | |
Doycheva et al. | Computer vision and deep learning for real-time pavement distress detection | |
CN112132088B (zh) | 一种巡检点位漏巡识别方法 | |
Song et al. | Modeling and optimization of semantic segmentation for track bed foreign object based on attention mechanism | |
CN111582075A (zh) | 一种列车底部转向架的螺丝松动和异物检测方法和*** | |
CN114882452B (zh) | 轨道线路安全监测方法、列车运行控制方法及控制*** | |
CN115497303A (zh) | 一种复杂检测条件下的高速公路车速检测方法及*** | |
CN104504713A (zh) | 一种动车组运行状态图像监控故障自动识别方法 | |
CN107993446A (zh) | 一种交通禁停区域违章停车监测装置 | |
CN114005097A (zh) | 基于图像语义分割的列车运行环境实时检测方法及*** |
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 |