CN115272287B - 一种铁路货车缓冲器及从板故障检测方法、介质及*** - Google Patents
一种铁路货车缓冲器及从板故障检测方法、介质及*** Download PDFInfo
- Publication number
- CN115272287B CN115272287B CN202210999696.8A CN202210999696A CN115272287B CN 115272287 B CN115272287 B CN 115272287B CN 202210999696 A CN202210999696 A CN 202210999696A CN 115272287 B CN115272287 B CN 115272287B
- Authority
- CN
- China
- Prior art keywords
- buffer
- slave plate
- slave
- straight line
- image
- 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
- G06T2207/30248—Vehicle exterior or interior
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
一种铁路货车缓冲器及从板故障检测方法、介质及***,涉及图像处理技术领域,针对现有技术中人为识别货车缓冲器及从板故障准确率低的问题,本申请使用Faster‑RCNN引入Reasoning‑RCNN训练。将从板与缓冲器之间位置关系,从板与从板破损间位置关系,缓冲器与缓冲器破损间位置关系作为特征引入网络,提高了故障检测准确率。本申请修改canny算子,输出轮点位置同时输出轮廓点梯度方向,改进霍夫变换检测直线方法,引入轮廓点上法线方向参数。提高了检测直线的精度和准确率。
Description
技术领域
本发明涉及图像处理技术领域,具体为基于深度学习的铁路货车缓冲器及从板故障检测方法。
背景技术
货车缓冲器主要由前后从版及缓冲器组成,货车运行过程中由于碰撞等原因,缓冲器容易出现破损,位移等故障。货车缓冲器及从板故障检测,现阶段一般采用人工排查的方式进行故障检修。由检测作业受作业人员的业务素质、责任心、劳动强度等因素影响较大,容易发生漏检或简化作业等情况,进而导致准确率低的问题,而且人工检测工作效率低,一旦出现作业质量问题,不利于查找作业过程中产生问题的原因和问题发生的时间。
发明内容
本发明的目的是:针对现有技术中人为识别货车缓冲器及从板故障准确率低的问题,提出一种铁路货车缓冲器及从板故障检测方法。
本发明为了解决上述技术问题采取的技术方案是:
一种铁路货车缓冲器及从板故障检测方法,包括以下步骤:
步骤一:获取铁路货车缓冲器及从板图像;
步骤二:将铁路货车缓冲器及从板图像中缓冲器位置、从板位置、缓冲器破损位置和从板破损位置进行标记,利用标记后的图像和铁路货车缓冲器及从板图像构建训练集;
步骤三:将Reasoning-RCNN引入FasterRcnn模型得到改进的FasterRcnn模型,并利用训练集训练改进的FasterRcnn模型,得到训练好的改进的FasterRcnn模型;
改进的FasterRcnn模型具体执行如下步骤:
首先,利用FasterRcnn模型的基本检测网络产生每个标记类别的特征,同时生成全局语义池;
然后,将从板与缓冲器之间位置关系、从板与从板破损间位置关系、缓冲器与缓冲器破损间位置关系作为先验知识引入图谱,并定义一个类到类的无向图,对无向图中每条边的先验知识进行编码,对无向图中所有的边进行编码后,得到知识图谱,然后通过在全局语义池中传播知识图谱,并经由全局推理模块产生强化后的特征;
最后,将强化后的特征与基本检测网络产生的特征连接得到新的特征;
步骤四:将待识别图像输入训练好的改进的FasterRcnn模型中,得到图像中缓冲器位置、从板位置、缓冲器破损位置和从板破损位置;
步骤五:根据步骤四中得到的结果判定是否存在故障;
步骤五的具体步骤为:根据得到的图像中缓冲器位置、从板位置、缓冲器破损位置和从板破损位置进行如下判定,若至少一项成立,则判定为故障;
图像中缓冲器位置和从板位置的相对位置小于阈值;
图像中缓冲器位置与缓冲器破损位置重合度超过阈值;
图像中从板位置与从板破损位置重合度超过阈值。
进一步的,方法还包括以下步骤:
若步骤五未检测出故障,则执行步骤六;
步骤六:根据步骤四得到的从板位置截取出从板子图;
步骤七:获取从板子图的轮廓点,并获取轮廓点的位置及梯度方向;
步骤八:根据轮廓点的位置及梯度方向,并结合霍夫变换检测直线方法,判定从板是否发生故障。
进一步的,步骤八的具体步骤为:
步骤八一:在霍夫变换检测直线方法中引入轮廓点的位置及梯度方向,根据轮廓点的位置和梯度方向得到每个轮廓点所在直线上的r和θ,r是原点到直线上最近点的距离,θ是x轴与连接原点和最近点直线之间的夹角;
步骤八二:根据每个轮廓点所在直线上的r和θ构建二维矩阵;
步骤八三:以二维矩阵中最大值所在点为中心,以轮廓点的数量为半径,计算二阶矩,二阶矩最大值点即为从板边界直线的r和θ,最后根据θ得到直线斜率,当直线斜率大于阈值时,判定从板发生故障。
进一步的,直线斜率表示为:
k=-cosθ/sinθ。
进一步的,r表示为:
r=x*cosθ+y*sinθ。
进一步的,步骤七之前还包括对从板子图进行去噪的步骤。
进一步的,去噪通过高斯滤波进行。
进一步的,获取从板子图的轮廓点通过Canny算子进行。
本发明的有益效果是:
1.本申请使用Faster-RCNN引入Reasoning-RCNN训练。将从板与缓冲器之间位置关系,从板与从板破损间位置关系,缓冲器与缓冲器破损间位置关系作为特征引入网络,提高了故障检测准确率。
2.修改canny算子,输出轮点位置同时输出轮廓点梯度方向,改进霍夫变换检测直线方法,引入轮廓点上法线方向参数。提高了检测直线的精度和准确率。
附图说明
图1为本申请的网络结构示意图;
图2为缓冲器及从板示意图。
具体实施方式
需要特别说明的是,在不冲突的情况下,本申请公开的各个实施方式之间可以相互组合。
具体实施方式一:参照图1具体说明本实施方式,本实施方式的一种铁路货车缓冲器及从板故障检测方法,包括以下步骤:
步骤一:获取铁路货车缓冲器及从板图像;
步骤二:将铁路货车缓冲器及从板图像中缓冲器位置、从板位置、缓冲器破损位置和从板破损位置进行标记,利用标记后的图像和铁路货车缓冲器及从板图像构建训练集;
步骤三:将Reasoning-RCNN引入FasterRcnn模型得到改进的FasterRcnn模型,并利用训练集训练改进的FasterRcnn模型,得到训练好的改进的FasterRcnn模型;
改进的FasterRcnn模型具体执行如下步骤:
首先,利用FasterRcnn模型的基本检测网络产生每个标记类别的特征,同时生成全局语义池;
然后,将从板与缓冲器之间位置关系、从板与从板破损间位置关系、缓冲器与缓冲器破损间位置关系作为先验知识引入图谱,并定义一个类到类的无向图,对无向图中每条边的先验知识进行编码,对无向图中所有的边进行编码后,得到知识图谱,然后通过在全局语义池中传播知识图谱,并经由全局推理模块产生强化后的特征;
最后,将强化后的特征与基本检测网络产生的特征连接得到新的特征;
步骤四:将待识别图像输入训练好的改进的FasterRcnn模型中,得到图像中缓冲器位置、从板位置、缓冲器破损位置和从板破损位置;
步骤五:根据步骤四中得到的结果判定是否存在故障。
具体实施方式二:本实施方式是对具体实施方式一的进一步说明,本实施方式与具体实施方式一的区别是方法还包括以下步骤:
若步骤五未检测出故障,则执行步骤六;
步骤六:根据步骤四得到的从板位置截取出从板子图;
步骤七:获取从板子图的轮廓点,并获取轮廓点的位置及梯度方向;
步骤八:根据轮廓点的位置及梯度方向,并结合霍夫变换检测直线方法,判定从板是否发生故障。
具体实施方式三:本实施方式是对具体实施方式二的进一步说明,本实施方式与具体实施方式二的区别是步骤八的具体步骤为:
步骤八一:在霍夫变换检测直线方法中引入轮廓点的位置及梯度方向,根据轮廓点的位置和梯度方向得到每个轮廓点所在直线上的r和θ,r是原点到直线上最近点的距离,θ是x轴与连接原点和最近点直线之间的夹角;
步骤八二:根据每个轮廓点所在直线上的r和θ构建二维矩阵;
步骤八三:以二维矩阵中最大值所在点为中心,以轮廓点的数量为半径,计算二阶矩,二阶矩最大值点即为从板边界直线的r和θ,最后根据θ得到直线斜率,当直线斜率大于阈值时,判定从板发生故障。
具体实施方式四:本实施方式是对具体实施方式三的进一步说明,本实施方式与具体实施方式三的区别是直线斜率表示为:
k=-cosθ/sinθ。
具体实施方式五:本实施方式是对具体实施方式四的进一步说明,本实施方式与具体实施方式四的区别是r表示为:
r=x*cosθ+y*sinθ。
具体实施方式六:本实施方式是对具体实施方式五的进一步说明,本实施方式与具体实施方式五的区别是步骤七之前还包括对从板子图进行去噪的步骤。
具体实施方式七:本实施方式是对具体实施方式六的进一步说明,本实施方式与具体实施方式六的区别是去噪通过高斯滤波进行。
具体实施方式八:本实施方式是对具体实施方式七的进一步说明,本实施方式与具体实施方式七的区别是获取从板子图的轮廓点通过Canny算子进行。
具体实施方式九:一种计算机可读存储介质,介质中设有程序,程序用于执行具体实施方式一至具体实施方式八中的方法。
具体实施方式十:一种铁路货车缓冲器及从板故障检测***,***中设有故障检测模块,故障检测模块具体执行具体实施方式一至具体实施方式八中的方法。
1、改进Faster-RCNN网络模型
训练网络采用Faster-RCNN模型,引入Reasoning-RCNN提高算法准确率。为了提高算法的运行速度,使用VGG16作为骨干特征提取网络。整体训练模型如图1所示。Reasoning-RCNN传统Faster-RCNN做增强,使用一个类别级别的知识图谱去编码存在的语义知识。将从板与缓冲器之间位置关系,从板与从板破损间位置关系,缓冲器与缓冲器破损间位置关系作为先验知识引入图谱,在这个知识谱图中进行演化和传播。实现在检测中就是对分类特征的增强。如图2所示:在图像中缓冲器与从板位于图像中间托板的上下两侧,在图像中处在相近的水平位置,且上下两部分部件在竖直方向上处于相同位置。部件的破损只会出现在对应部件所在的区域上。该方法通过引入外部知识建立自适应全局推理模块。首先,通过收集上一层的分类层权重生成全局语义池,即集成每个类别的高级语义表示;然后,在训练和测试中定义一个类到类的无向图,每条边编码两节点间的一种知识,通过在全局语义池中传播知识图以增强区域特征;最后,将增强的特征与原特征连接得到新的特征用以增强检测效果。
2、训练模型。
截取底部相机拍摄的中间区域图像,同时获取包含从板破损及缓冲器破损的子图,并针对可能出现的破损故障进行大量模拟,标记的车钩缓冲器及从板位置和对应的破损位置。使用改进后的faster-rcnn模型进行训练。输入为缓冲器及从板子图,输出图像中缓冲器及从板位置,缓冲器破损及从板破损故障。
3、判定故障。
在识别过程中截取车钩缓冲器位置子图,输入训练好的faster-rcnn模型中,获取缓冲器及从板在图像中的位置,同时获取可能的破损故障位置。通过计算图像中部件间的相对位置是否小于阈值,当从板与缓冲器相对位置小于阈值时,判定故障有效。当破损故障区域与缓冲器及从板区域重合度超过阈值时,判定破损故障识别有效,输出破损位置。
4、在上面步骤中确认未检测到故障后,截取从板子图。
在火车运行过程中由于受到撞击从板可能会因为折断后产生倾斜变形。变形较小普通轮廓算法难以计算倾斜角度。确认没有从板破损类的故障后,在获取到从板位置后,截取相应子图。
5、从板倾斜角度计算。
原Canny算子在获图像轮廓过程中,只输出轮廓点所在位置,并未输出轮廓点所在方向,修改Canny算子源码,在获取轮廓点位置同时使用sobel算子获取轮廓点梯度方向。
首先使用高斯滤波的方式去除子图中的噪声,然后使用修改后的canny算子获取图像中轮廓点位置和方向。
原霍夫变换图像中的直线为r=x*cosθ+y*sinθ,在公式中并未考虑点(x,y)在途中的梯度方向,此时直线的法线方向为f=sinθ/cosθ,当点在直线上时,其梯度方向与直线法线方向夹角应小于阈值。根据上述原理是以使用canny算子获取的轮廓点位置和方向可反向计算出每个轮廓点所在直线的r和θ所在的区间。所有点的计算结果累加后,可获得r和θ的集合。r和θ组成二位矩阵,计算矩阵各区域的最大值。已最大值所在点为中心,直线上点数阈值为半径,计算二阶矩,二阶矩最大值点即为从板边界直线的r和θ。得到直线的斜率k=-cosθ/sinθ,当直线倾斜角度大于阈值时,判定从板发生故障。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。
Claims (10)
1.一种铁路货车缓冲器及从板故障检测方法,其特征在于包括以下步骤:
步骤一:获取铁路货车缓冲器及从板图像;
步骤二:将铁路货车缓冲器及从板图像中缓冲器位置、从板位置、缓冲器破损位置和从板破损位置进行标记,利用标记后的图像和铁路货车缓冲器及从板图像构建训练集;
步骤三:将Reasoning-RCNN引入FasterRcnn模型得到改进的FasterRcnn模型,并利用训练集训练改进的FasterRcnn模型,得到训练好的改进的FasterRcnn模型;
所述改进的FasterRcnn模型具体执行如下步骤:
首先,利用FasterRcnn模型的基本检测网络产生每个标记类别的特征,同时生成全局语义池;
然后,将从板与缓冲器之间位置关系、从板与从板破损间位置关系、缓冲器与缓冲器破损间位置关系作为先验知识引入图谱,并定义一个类到类的无向图,对无向图中每条边的先验知识进行编码,对无向图中所有的边进行编码后,得到知识图谱,然后通过在全局语义池中传播知识图谱,并经由全局推理模块产生强化后的特征;
最后,将强化后的特征与基本检测网络产生的特征连接得到新的特征;
步骤四:将待识别图像输入训练好的改进的FasterRcnn模型中,得到图像中缓冲器位置、从板位置、缓冲器破损位置和从板破损位置;
步骤五:根据步骤四中得到的结果判定是否存在故障;
所述步骤五的具体步骤为:根据得到的图像中缓冲器位置、从板位置、缓冲器破损位置和从板破损位置进行如下判定,若至少一项成立,则判定为故障;
图像中缓冲器位置和从板位置的相对位置小于阈值;
图像中缓冲器位置与缓冲器破损位置重合度超过阈值;
图像中从板位置与从板破损位置重合度超过阈值。
2.根据权利要求1所述的一种铁路货车缓冲器及从板故障检测方法,其特征在于所述方法还包括以下步骤:
若步骤五未检测出故障,则执行步骤六;
步骤六:根据步骤四得到的从板位置截取出从板子图;
步骤七:获取从板子图的轮廓点,并获取轮廓点的位置及梯度方向;
步骤八:根据轮廓点的位置及梯度方向,并结合霍夫变换检测直线方法,判定从板是否发生故障。
3.根据权利要求2所述的一种铁路货车缓冲器及从板故障检测方法,其特征在于所述步骤八的具体步骤为:
步骤八一:在霍夫变换检测直线方法中引入轮廓点的位置及梯度方向,根据轮廓点的位置和梯度方向得到每个轮廓点所在直线上的r和θ,r是原点到直线上最近点的距离,θ是x轴与连接原点和最近点直线之间的夹角;
步骤八二:根据每个轮廓点所在直线上的r和θ构建二维矩阵;
步骤八三:以二维矩阵中最大值所在点为中心,以轮廓点的数量为半径,计算二阶矩,二阶矩最大值点即为从板边界直线的r和θ,最后根据θ得到直线斜率,当直线斜率大于阈值时,判定从板发生故障。
4.根据权利要求3所述的一种铁路货车缓冲器及从板故障检测方法,其特征在于所述直线斜率表示为:
k=-cosθ/sinθ。
5.根据权利要求4所述的一种铁路货车缓冲器及从板故障检测方法,其特征在于所述r表示为:
r=x*cosθ+y*sinθ。
6.根据权利要求5所述的一种铁路货车缓冲器及从板故障检测方法,其特征在于所述步骤七之前还包括对从板子图进行去噪的步骤。
7.根据权利要求6所述的一种铁路货车缓冲器及从板故障检测方法,其特征在于所述去噪通过高斯滤波进行。
8.根据权利要求7所述的一种铁路货车缓冲器及从板故障检测方法,其特征在于所述获取从板子图的轮廓点通过Canny算子进行。
9.一种计算机可读存储介质,其特征在于所述介质中设有程序,所述程序用于执行权利要求1至权利要求8的方法。
10.一种铁路货车缓冲器及从板故障检测***,其特征在于***中设有故障检测模块,所述故障检测模块具体执行如权利要求1至权利要求8的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210999696.8A CN115272287B (zh) | 2022-08-19 | 2022-08-19 | 一种铁路货车缓冲器及从板故障检测方法、介质及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210999696.8A CN115272287B (zh) | 2022-08-19 | 2022-08-19 | 一种铁路货车缓冲器及从板故障检测方法、介质及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115272287A CN115272287A (zh) | 2022-11-01 |
CN115272287B true CN115272287B (zh) | 2023-04-07 |
Family
ID=83751887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210999696.8A Active CN115272287B (zh) | 2022-08-19 | 2022-08-19 | 一种铁路货车缓冲器及从板故障检测方法、介质及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115272287B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115901299B (zh) * | 2023-02-15 | 2023-06-06 | 慧铁科技有限公司 | 一种列车车钩钩缓部件故障分析处理的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206719224U (zh) * | 2017-04-24 | 2017-12-08 | 宝鸡比优特材料有限公司 | 一种铁路机车车辆自动车钩缓冲器检修工艺装备 |
CN111091543A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车摇枕弹簧丢失故障目标检测方法 |
CN111091558A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车摇枕弹簧窜出故障图像识别方法 |
CN112989354A (zh) * | 2021-01-27 | 2021-06-18 | 中标软件有限公司 | 基于神经网络和焦点损失的攻击检测方法 |
CN113335951A (zh) * | 2021-07-15 | 2021-09-03 | 赵忠卫 | 一种纸箱类智能化装车机器人***及其方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100343103C (zh) * | 2004-04-09 | 2007-10-17 | 北京瑞威世纪软件科技发展有限公司 | 枕木式车辆动态故障检测装置 |
CN103308056B (zh) * | 2013-05-23 | 2015-09-16 | 中国科学院自动化研究所 | 一种道路标线检测方法 |
CN103523043B (zh) * | 2013-10-25 | 2017-01-11 | 齐齐哈尔轨道交通装备有限责任公司大连研发中心 | 一种车钩缓冲器及其用于压缩过载保护的壳体 |
CN105974904A (zh) * | 2016-04-27 | 2016-09-28 | 中铁第四勘察设计院集团有限公司 | 地铁车辆安全防护***及其方法 |
US20190178754A1 (en) * | 2017-12-08 | 2019-06-13 | Jiaxing Broadsens Technology, Ltd. | Method and system for monitoring structural status of railcar draft gear |
CN109359731B (zh) * | 2018-09-27 | 2022-01-28 | 中科物栖(北京)科技有限责任公司 | 一种基于芯片设计缺陷的神经网络处理方法及装置 |
CN110211101A (zh) * | 2019-05-22 | 2019-09-06 | 武汉理工大学 | 一种铁轨表面缺陷快速检测***及方法 |
CN111080614A (zh) * | 2019-12-12 | 2020-04-28 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车轮轮辋及踏面的破损识别方法 |
CN111272405B (zh) * | 2020-03-26 | 2022-08-16 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器机械故障诊断方法及*** |
CN112132820A (zh) * | 2020-09-29 | 2020-12-25 | 江苏新绿能科技有限公司 | 基于YOLOv2算法接触网定位管斜拉线故障检测方法 |
CN113298787B (zh) * | 2021-05-25 | 2022-11-08 | 江门职业技术学院 | 板材封边缺陷检测方法、控制器及计算机可读存储介质 |
CN113724277A (zh) * | 2021-08-27 | 2021-11-30 | 池州学院 | 一种基于Radon变换的电力线检测方法 |
-
2022
- 2022-08-19 CN CN202210999696.8A patent/CN115272287B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206719224U (zh) * | 2017-04-24 | 2017-12-08 | 宝鸡比优特材料有限公司 | 一种铁路机车车辆自动车钩缓冲器检修工艺装备 |
CN111091543A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 铁路货车摇枕弹簧丢失故障目标检测方法 |
CN111091558A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车摇枕弹簧窜出故障图像识别方法 |
CN112989354A (zh) * | 2021-01-27 | 2021-06-18 | 中标软件有限公司 | 基于神经网络和焦点损失的攻击检测方法 |
CN113335951A (zh) * | 2021-07-15 | 2021-09-03 | 赵忠卫 | 一种纸箱类智能化装车机器人***及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115272287A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115272334B (zh) | 用于复杂背景下的钢轨表面微小缺陷检测方法 | |
CN104599249B (zh) | 缆索承重桥梁桥面车辆载荷分布实时检测方法 | |
CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN115272287B (zh) | 一种铁路货车缓冲器及从板故障检测方法、介质及*** | |
CN101087365B (zh) | 一种滤除图像混合噪声的方法 | |
CN111079747A (zh) | 铁路货车转向架侧架断裂故障图像识别方法 | |
RU2010131032A (ru) | Способ и система для идентификации информации о поезде | |
CN111091548B (zh) | 基于深度学习的铁路货车承载鞍错位故障图像识别方法及*** | |
CN105160668A (zh) | 图像分割方法、***与细胞图像分割方法、*** | |
CN111079819A (zh) | 基于图像识别与深度学习的铁路货车钩舌销的状态判断方法 | |
CN113221839B (zh) | 一种货车图像自动识别方法及识别*** | |
CN111768417B (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
CN113516629A (zh) | Tfds通过作业智能检测*** | |
CN112365461A (zh) | 紧固件松动识别方法、***、终端及存储介质 | |
CN114689600A (zh) | 一种桥梁混凝土结构表面裂缝检测方法及*** | |
CN115527170A (zh) | 货车脱轨自动制动装置塞门手把关闭故障识别方法及*** | |
CN111079630B (zh) | 一种铁路货车制动梁安装位置不正确的故障识别方法 | |
CN113553916A (zh) | 一种基于卷积神经网络的轨道危险区域障碍物检测方法 | |
CN108226180A (zh) | 一种针对crts ii型板式轨道的裂缝检测方法 | |
CN112651343B (zh) | 一种基于图像处理的铁路货车制动梁折断故障识别方法 | |
CN104361344B (zh) | 一种基于区间图像的无缝线路钢轨缺陷识别方法 | |
CN114511582A (zh) | 一种古城城垛自动提取方法 | |
CN115238368B (zh) | 基于计算机视觉的桥墩图纸识别自动化建模方法和介质 | |
CN112949644B (zh) | 一种货车下拉杆故障图像识别方法 | |
CN112365481B (zh) | 基于图像处理的横跨梁组装螺栓丢失检测方法 |
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 |