CN117985489B - 基于图像识别的车厢溜车检测装置及方法 - Google Patents
基于图像识别的车厢溜车检测装置及方法 Download PDFInfo
- Publication number
- CN117985489B CN117985489B CN202410398163.3A CN202410398163A CN117985489B CN 117985489 B CN117985489 B CN 117985489B CN 202410398163 A CN202410398163 A CN 202410398163A CN 117985489 B CN117985489 B CN 117985489B
- Authority
- CN
- China
- Prior art keywords
- carriage
- car
- sliding
- result
- real
- 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 50
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004044 response Effects 0.000 claims abstract description 28
- 230000003993 interaction Effects 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000003213 activating effect Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005096 rolling process Methods 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000000178 monomer Substances 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种基于图像识别的车厢溜车检装置及方法,包括:交互模块:建立与翻车机的数据交互获取检测车厢信息根据检测车厢信息生成控制响应信息;解析模块:解析控制响应信息获得翻车机的实时控制数据;读取模块:读取实时控制数据获得翻车机的实时车厢控制类型;采集模块:根据实时车厢控制类型激活图像采集设备执行翻车机内部图像采集,建立内部图像集;识别模块:通过实时控制数据和内部图像集进行车厢的存在判定,若存在车厢,则基于内部图像集进行区域位置点图像特征识别;判别模块:将特征识别结果输入溜车判别模型,生成溜车判别结果;判定模块:判断实时控制数据和溜车判别结果的校验结果是否一致,若一致,则判定检测车厢溜车。
Description
技术领域
本申请涉及数据处理技术领域,具体为一种基于图像识别的车厢溜车检测装置及方法。
背景技术
翻车机是一种重要的工业设备,广泛用于铁路和采矿等领域,用于翻转列车车厢,以进行维修、卸货或其他操作。在翻车机的工作过程中,车厢的稳定性是至关重要的。如果车厢在翻转过程中发生溜车现象,可能导致事故发生,造成人员伤亡和财产损失。因此,对翻车机内车厢进行溜车检测具有重要的意义。目前,对车厢溜车的检测主要采用传统的机械传感器检测方法。该方法需要在车厢上安装机械传感器,通过感知车厢的位置变化来判断是否发生溜车。然而,该方法易受环境因素和机械故障的影响,且需要定期维护和校准,可靠性不高。
发明内容
本申请提供一种基于图像识别的车厢溜车检测装置及方法,解决了现有技术中车厢溜车检测准确率较低的技术问题。
本申请解决其技术问题所采用的技术方案是:一种基于图像识别的车厢溜车检测装置,包括:
交互模块:用于建立与翻车机的数据交互获取检测车厢信息,根据检测车厢信息生成控制响应信息,检测车厢信息包括检测车厢的位置、速度、加速度和状态,控制响应信息包括翻车机的控制指令、状态信息和警告信息;
解析模块:用于解析控制响应信息,获得翻车机的实时控制数据,实时控制数据包括翻车机当前状态和运行情况数据;
读取模块:用于读取实时控制数据,获得翻车机的实时车厢控制类型;
采集模块:用于根据实时车厢控制类型激活图像采集设备,控制图像采集设备执行翻车机内部图像采集,建立内部图像集,其中,内部图像集带有位置标识;
识别模块:用于通过实时控制数据和内部图像集进行车厢的存在判定,若存在车厢,则基于内部图像集进行区域位置点图像特征识别;
判别模块:用于将特征识别结果输入溜车判别模型,生成溜车判别结果;
判定模块:用于判断实时控制数据和溜车判别结果的校验结果是否一致,若一致,则判定检测车厢溜车。
本申请还提供一种基于图像识别的车厢溜车检测方法,包括:
S1:建立与翻车机的数据交互获取检测车厢信息,根据检测车厢信息生成控制响应信息,检测车厢信息包括检测车厢的位置、速度、加速度和状态,控制响应信息包括翻车机的控制指令、状态信息和警告信息,控制指令包括开启或关闭翻车机、调整翻转速度和调整翻转角度,用于直接控制翻车机的操作;状态信息包括车厢的位置、速度、加速度以及车厢的状态,例如是否处于安全位置、是否发生故障,用于反馈车厢的当前状态和表现;警告信息则可以在检测到任何异常或故障时发送,通知操作员或***管理员进行处理;
S2:解析控制响应信息,获得翻车机的实时控制数据,实时控制数据包括翻车机当前状态和运行情况数据,实时控制数据是指通过与翻车机的实时交互,获取到的表示翻车机当前状态和运行情况的数据,包括车厢的位置、速度、加速度等实时信息,以及控制指令的执行情况、设备故障等信息。通过实时控制数据,可以了解翻车机的当前状态和运行情况,例如是否处于安全位置、是否发生故障等;
S3:读取实时控制数据,获得翻车机的实时车厢控制类型,根据控制响应信息中的控制指令,可以解析出翻车机应该执行的操作,控制指令包括开启或关闭翻车机、调整翻转速度、调整翻转角度等,解析后可以得到相应的操作参数;
S4:根据实时车厢控制类型激活图像采集设备,控制图像采集设备执行翻车机内部图像采集,建立内部图像集,其中,内部图像集带有位置标识;
S5:通过S2中得到的实时控制数据和S4中得到的内部图像集进行车厢的存在判定,若存在车厢,则基于S4中得到的内部图像集进行区域位置点图像特征识别;
S6:将特征识别结果输入溜车判别模型,生成溜车判别结果;
S7:判断实时控制数据和溜车判别结果的校验结果是否一致,若一致,则判定检测车厢溜车。
作为优选,S5中特征识别包括:将内部图像集输入预设图像识别卷积核进行区域位置点图像特征识别,得到每个图像识别的车厢定位特征的特征坐标,将所有特征坐标整理得到每个车厢在翻车机内部的区域位置点信息作为内部图像集进行区域位置点图像特征识别的结果,根据解析出的实时控制数据和执行特征识别的结果,进行车厢的存在判定,如果实时控制数据中存在车厢位置和状态信息,并且特征识别结果中也识别出了车厢的存在和位置信息,则可以判定车厢存在;否则,可以判定车厢不存在。通过实时控制数据和内部图像集进行车厢的存在判定,并及时发现和处理异常情况,确保翻车机的安全和稳定运行。
作为优选,预设图像识别卷积核根据车厢定位特征集配置,车厢定位特征集的组成方法包括:采集不同类型的车厢样本图像数据,每个车厢样本图像数据包括车厢内外各个同角度的图像,将每个车厢样本图像数据预处理后进行定位特征提取,将提取出的定位特征形成一个特征集,特征集包含若干个特征向量,每个特征向量代表一个特定类型车厢的特征。
作为优选,根据特征识别结果中的区域位置点信息调控翻车机的操作,实现更加智能化和精确化的管理。
作为优选,特征识别结果输入溜车判别模型后,溜车判别模型调用基准位置特征,将特征识别结果与基准位置特征进行映射位置的基准比对得到初步溜车判别结果;
基准比对包括:
A1:通过单***置约束执行基准比对生成第一判别结果;
A2:基于累计位置约束执行基准比对生成第二判别结果;
A3:根据第一判别结果和第二判别结果生成初步溜车判别结果。
作为优选,配置内部图像集的时序采集间隔,对同位置的内部图像集进行特征识别结果的特征比对,获得位置比对结果,根据位置比对结果进行时序累计溜车值计算,并通过时序采集间隔对计算结果补偿,生成第三判别结果,根据第三判别结果对初步溜车判别结果进行补偿得到最终的溜车判别结果。
作为优选,计算时序累计溜车值包括:在开始进行溜车判别之前,初始化一个空的时序累计溜车值,溜车值是一个速度值,表示车厢在不同时间点的运动趋势,根据每个时间点的位置比对结果,计算相应的溜车值,将每个时间点的溜车值累加得到时序累计溜车值。
作为优选,通过时序采集间隔对计算结果补偿包括;根据采集间隔的大小,对时序累计溜车值进行加权平均处理,采集间隔越大,对应的权重越小;采集间隔越小,对应的权重越大。
作为优选,配置位置触发传感器,执行图像采集时同步执行位置触发传感器的触发采集,根据触发采集结果生成辅助验证信息,基于辅助验证信息进行区域位置点图像识别结果的结果补偿,以完成溜车判别结果的更新输出,从而提高溜车判别的准确性和可靠性。
本申请的实质性效果是:
1.本基于图像识别的车厢溜车检测方法首先与翻车机建立数据交互,以便能够基于数据交互生成控制响应信息,这些控制响应信息被解析后,可以获取到翻车机的实时控制数据,接下来,通过控制图像采集设备执行翻车机内部图像采集,从而建立了一个带有位置标识的内部图像集,这个图像集可以进行车厢的存在判定,如果存在车厢,就会基于带有位置标识的内部图像集进行区域位置点图像识别,识别结果会被输入到溜车判别模型中,生成溜车判别结果,最后,通过比较实时控制数据和溜车判别结果的校验结果,如果两者一致,那么就会报出车厢溜车异常,解决了现有技术中车厢溜车检测准确率较低的技术问题,实现了实时精准检测溜车的技术效果;
2.本基于图像识别的车厢溜车检测方法利用识别出的区域位置点信息调控翻车机的操作,实现更加智能化和精确化的管理。
附图说明
图1是本申请实施例一的装置模块图;
图2是本申请实施例二的步骤流程图。
具体实施方式
下面通过具体实施例,对本申请的技术方案作进一步的具体说明。
实施例一
如图1所示,一种基于图像识别的车厢溜车检测装置,包括:
交互模块:建立一个通信接口或网络连接,以便能够从翻车机中获取检测车厢信息,检测车厢信息包括检测车厢的位置、速度、加速度和状态等信息。通过这个通信接口或网络连接还可以将控制指令发送给翻车机,从而对检测车厢进行控制,通过该通信接口或网络连接与翻车机的数据交互获取检测车厢信息,根据检测车厢信息生成控制响应信息,检测车厢信息包括检测车厢的位置、速度、加速度和状态,控制响应信息包括翻车机的控制指令、状态信息和警告信息;
解析模块:解析控制响应信息,获得翻车机的实时控制数据,实时控制数据包括翻车机当前状态和运行情况数据,实时控制数据是指通过与翻车机的实时交互,获取到的表示翻车机当前状态和运行情况的数据;
读取模块:读取实时控制数据进行解析和处理,从中提取出关于车厢控制类型的指令或信号,获得翻车机的实时车厢控制类型;
采集模块:根据实时车厢控制类型激活图像采集设备,控制图像采集设备执行翻车机内部图像采集,建立内部图像集,其中,内部图像集带有位置标识;
识别模块:通过实时控制数据和内部图像集进行车厢的存在判定,若存在车厢,则基于内部图像集进行区域位置点图像特征识别;
判别模块:将特征识别结果输入溜车判别模型,生成溜车判别结果;
判定模块:判断实时控制数据和溜车判别结果的校验结果是否一致,若一致,则判定检测车厢溜车。
本基于图像识别的车厢溜车检测装置首先与翻车机建立数据交互,以便能够基于数据交互生成控制响应信息,这些控制响应信息被解析后,可以获取到翻车机的实时控制数据,接下来,通过控制图像采集设备执行翻车机内部图像采集,从而建立了一个带有位置标识的内部图像集,这个图像集可以进行车厢的存在判定,如果存在车厢,就会基于带有位置标识的内部图像集进行区域位置点图像识别,识别结果会被输入到溜车判别模型中,生成溜车判别结果,最后,通过比较实时控制数据和溜车判别结果的校验结果,如果两者一致,那么就会报出车厢溜车异常,解决了现有技术中车厢溜车检测准确率较低的技术问题,实现了实时精准检测溜车的技术效果。
实施例二
如图2所示,一种基于图像识别的车厢溜车检测方法,包括:
S1:建立与翻车机的数据交互获取检测车厢信息,根据检测车厢信息生成控制响应信息:首先需要建立一个通信接口或网络连接,这个通信接口或网络连接还可以将控制指令发送给翻车机,从而对检测车厢进行控制。接收到检测车厢信息后,使用基于PID的控制算法生成控制响应信息,根据检测车厢的当前位置和目标位置之间的误差计算出最佳的控制指令,从而使检测车厢更接近目标位置。控制响应信息包括翻车机的控制指令、状态信息和警告信息,其中,控制指令可以是开启或关闭翻车机、调整翻转速度、调整翻转角度等,用于直接控制翻车机的操作;状态信息可以包括车厢的位置、速度、加速度等实时信息,以及车厢的状态,例如是否处于安全位置、是否发生故障等,用于反馈车厢的当前状态和表现;警告信息则可以在检测到任何异常或故障时发送,通知操作员或***管理员进行处理。
S2:解析控制响应信息,获得翻车机的实时控制数据:在生成控制响应信息后,根据控制响应信息中的控制指令,可以解析出翻车机应该执行的操作,控制指令包括开启或关闭翻车机、调整翻转速度、调整翻转角度等,解析后可以得到相应的操作参数。状态信息包括车厢的位置、速度、加速度等实时信息,以及车厢的状态,例如是否处于安全位置、是否发生故障等。通过解析状态信息,可以得到车厢的当前状态和表现。警告信息可以在检测到任何异常或故障时发送,通知操作员或***管理员进行处理。通过解析警告信息,可以得到警告的类型和内容,以便及时处理和应对。将解析出的控制指令、状态信息和警告信息等数据进行组合和整理,得到关于翻车机的实时控制数据。实时控制数据是指通过与翻车机的实时交互,获取到的表示翻车机当前状态和运行情况的数据,包括车厢的位置、速度、加速度等实时信息,以及控制指令的执行情况、设备故障等信息。通过实时控制数据,可以了解翻车机的当前状态和运行情况,例如是否处于安全位置、是否发生故障等。
S3:读取实时控制数据,获得翻车机的实时车厢控制类型:对获取到的实时控制数据进行解析和处理,从中提取出关于车厢控制类型的指令或信号。这些指令或信号可以是开启或关闭翻车机、调整翻转速度、调整翻转角度等,用于指示车厢的控制类型。根据解析出的车厢控制类型指令或信号,确定需要执行的车厢控制操作。例如,如果指令是开启翻车机并调整翻转速度,则需要将翻车机设置为相应的操作状态。
S4:根据实时车厢控制类型激活图像采集设备,控制图像采集设备执行翻车机内部图像采集,建立内部图像集,其中,内部图像集带有位置标识:在确定车厢控制类型后,可以通过相应的指令或信号激活图像采集设备,准备进行翻车机内部图像采集。图像采集设备可以选择高清晰度摄像头或图像传感器,以便能够清晰地采集到翻车机内部图像,图像采集设备安装在翻车机的合适位置,以便能够获取到翻车机内部的图像。根据需要采集的图像数量和范围,控制图像采集设备执行翻车机内部图像采集的任务。同时,将这些图像存储起来,建立一个内部图像集,内部图像集是指通过图像采集设备采集到的翻车机内部的一系列图像,可以用于后续的车厢存在判定、区域位置点图像识别和溜车判别等操作。在建立内部图像集时,可以为每个图像添加位置标识。这个位置标识可以是通过传感器获取的,例如通过使用激光测距仪或GPS等传感器获取翻车机内部图像的位置信息。也可以是通过算法计算出来的,例如通过计算机视觉算法对图像进行分析和处理,从而获取到每个图像对应的位置信息。
S5:通过S2中得到的实时控制数据和S4中得到的内部图像集进行车厢的存在判定,若存在车厢,则基于S4中得到的内部图像集进行区域位置点图像特征识别:根据解析出的实时控制数据和执行特征识别的结果,进行车厢的存在判定,如果实时控制数据中存在车厢位置和状态信息,并且特征识别结果中也识别出了车厢的存在和位置信息,则可以判定车厢存在;否则,可以判定车厢不存在。通过实时控制数据和内部图像集进行车厢的存在判定,并及时发现和处理异常情况,确保翻车机的安全和稳定运行。
在车厢存在的情况下,获取S4中得到的内部图像集,其中每个图像都带有位置标识和时间信息。根据车厢的位置标识和时间信息,确定车厢在翻车机内部的区域位置点。区域位置点是一个预定义的坐标系中的点,例如一个二维平面上的点或一个三维空间中的点。
将S4中得到的内部图像集作为输入,通过图像识别卷积核进行特征识别:
首先建立不同类型的车厢定位特征集,并依据车厢定位特征集配置图像识别卷积核;然后根据图像采集设备的激活结果调用对应的图像识别卷积核,执行内部图像集的特征识别;再根据特征识别结果记录特征坐标;将特征坐标记为区域位置点识别结果。
根据实际应用场景和需求,确定需要识别的车厢类型。例如,不同类型的车厢可能具有不同的颜色、形状、纹理等特征,需要根据这些特征建立相应的车厢定位特征集。为了建立车厢定位特征集,需要采集不同类型的车厢样本图像数据,包括车厢的正面、侧面、顶部等不同角度的图像,以便能够涵盖不同类型的车厢特征。对采集的样本数据进行预处理,例如去除背景噪声、增强对比度等,并提取出与车厢定位相关的特征,包括颜色、形状、纹理等,并可以使用计算机视觉和图像处理技术进行提取。将提取出的车厢定位特征组织成一个特征集。特征集是一个包含多个特征向量的集合,每个特征向量都代表一个特定类型车厢的特征。根据建立好的车厢定位特征集,配置相应的图像识别卷积核。这些卷积核是一些预训练的深度学习模型,例如卷积神经网络(CNN),它们可以用于从图像中识别和提取出与车厢定位相关的特征。
使用车厢定位特征集和配置好的图像识别卷积核,对内部图像集中与区域位置点相对应的图像进行特征识别。具体可以使用深度学习技术进行实现,例如使用CNN进行特征提取和分类。在执行特征识别后,可以得到每个图像中识别出的车厢定位特征的坐标信息。将这些坐标信息记录下来,作为特征坐标。将每个图像中的特征坐标进行整合和整理,得到每个车厢在翻车机内部的区域位置点信息,包括车厢的位置、姿态、速度等,以及与翻车机的操作相关的信息。将整理好的区域位置点信息作为内部图像集的特征识别结果,并进行记录和分析。这些信息可以用于后续的车厢存在判定、区域位置点图像识别和溜车判别等操作。
需要说明的是,可以利用识别出的区域位置点信息调控翻车机的操作,实现更加智能化和精确化的管理。
S6:将S5得到的特征识别结果输入溜车判别模型,生成溜车判别结果:从S5特征识别结果中获取识别出的区域位置点信息,包括车厢的位置、速度、加速度等,以及与翻车机的操作相关的信息。将特征识别结果作为输入,输入到溜车判别模型中。溜车判别模型可以是一个深度学习模型,例如卷积神经网络(CNN)。溜车判别模型根据输入的区域位置点识别结果进行计算和分析,生成相应的溜车判别结果。溜车判别结果是指根据采集到的图像或传感器数据,通过图像处理、模式识别等技术对车厢是否发生溜车进行判断的结果。通过上述方法,将区域位置点识别结果输入溜车判别模型,并生成相应的溜车判别结果,用于及时发现和处理溜车现象,确保翻车机的安全和稳定运行。
具体的,特征识别结果输入溜车判别模型后,溜车判别模型调用基准位置特征,将特征识别结果与基准位置特征进行映射位置的基准比对得到初步溜车判别结果;
基准比对包括:
A1:通过单***置约束执行基准比对生成第一判别结果;
A2:基于累计位置约束执行基准比对生成第二判别结果;
A3:根据第一判别结果和第二判别结果生成初步溜车判别结果。
从溜车判别模型中提取基准位置特征,这些特征是在训练过程中使用的位置特征集合或预设的位置特征集合。将区域位置点识别结果与基准位置特征进行比对,找到相应的映射位置。具体来说,包括使用相似度计算、距离计算或其他匹配算法来确定映射位置。基于映射位置和单***置约束进行溜车判别,生成第一判别结果。单***置约束是基于单个位置点进行判别的,它将区域位置点识别结果与基准位置特征进行比对,以确定是否存在溜车现象。例如,如果某个区域位置点识别结果显示车厢位置偏离了基准位置,那么单***置约束可能会倾向于判断存在溜车现象。第一判别结果是指基于单***置约束执行基准比对的溜车判别结果。基于映射位置和累计位置约束进行溜车判别,生成第二判别结果。累计位置约束可以基于一段时间内多个区域位置点识别结果进行计算和分析。通过对这些结果的累加和计算,可以获得更准确的溜车判别结果。例如,如果多个位置点都显示车厢在某个方向上存在移动趋势,那么累计位置约束可能会更倾向于判断存在溜车现象,即使单***置约束的结果并不明显。第二判别结果是指基于累计位置约束执行基准比对的溜车判别结果。根据第一判别结果和第二判别结果,综合判断是否存在溜车现象。如果第一判别结果和第二判别结果都表示存在溜车的可能性,则可以输出溜车判别结果为真;否则,输出溜车判别结果为假。将第一判别结果和第二判别结果进行综合分析,可以提高溜车判别的准确性和可靠性,确保翻车机的安全和稳定运行。
为了进一步提升初步溜车判别结果的准确性,配置内部图像集的时序采集间隔,对同位置的内部图像集进行特征识别结果的特征比对,获得位置比对结果,根据位置比对结果进行时序累计溜车值计算,并通过时序采集间隔对计算结果补偿,生成第三判别结果,根据第三判别结果对初步溜车判别结果进行补偿得到最终的溜车判别结果。
根据实际应用场景和需求,确定内部图像集的时序采集间隔。时序采集间隔是一个预设的时间值,例如每秒钟采集一次图像,或者根据车厢的运行速度和监控需求进行调整。根据确定的采集间隔,设定内部图像集的采集时间点。采集时间点可以是在一个时间序列中的等间隔点,例如从开始时间到结束时间的等间隔时间点。在设定的采集时间点,激活相应的图像采集设备,准备进行内部图像集的采集。使用激活的图像采集设备在设定的采集时间点进行内部图像集的采集。
从S5得到的特征识别结果中提取出每个图像的区域位置点识别结果。将不同时间点的区域位置点识别结果进行比对,找到相应的映射位置,具体来说,可使用相似度计算、距离计算或其他匹配算法来确定映射位置。根据映射位置和位置约束进行位置比对结果的计算。位置比对结果是一个差异值或一个相似度值,表示车厢在不同时间点的位置变化情况。根据位置比对结果,计算时序累计溜车值。具体来说,在开始进行溜车判别之前,初始化一个空的时序累计溜车值,用于存储每个时间点的溜车值,其中溜车值是一个速度值,表示车厢在不同时间点的运动趋势。根据每个时间点的位置比对结果,计算相应的溜车值。将每个时间点的溜车值累加到时序累计溜车值中。时序累计溜车值是指根据位置比对结果,计算每个时间点的溜车值,并将这些溜车值累加起来得到的一个累积值,可以反映车厢在整个时间序列上的运动趋势和变化情况。
根据确定的时序采集间隔,对时序累计溜车值进行补偿。示例性的,根据采集间隔的大小,对时序累计溜车值进行加权平均处理。采集间隔越大,对应的权重越小;采集间隔越小,对应的权重越大。通过这种方法,可以平衡不同采集间隔造成的影响,得到更平滑的时序累计溜车值曲线。根据补偿后的时序累计溜车值,生成第三判别结果。第三判别结果是指根据位置比对结果进行时序累计溜车值计算,并通过时序采集间隔对计算结果补偿后得到的溜车判别结果。第三判别结果对初步溜车判别结果的进一步补偿和综合判断,它考虑了位置比对结果和时序采集间隔的影响,可以提供更准确和可靠的溜车判别结果。
初步溜车判别结果结合第三判别结果,进行综合判断和补偿。可以根据实际情况选择合适的权重分配和逻辑判断方式,例如加权平均、逻辑或等,以得到最终的溜车判别结果。根据补偿后的溜车判别结果,输出最终的溜车判别结果。
S7:判断实时控制数据和溜车判别结果的校验结果是否一致,若一致,则判定检测车厢溜车:如果实时控制数据和溜车判别结果一致,说明溜车判别的结果是正确的。当实时控制数据和溜车判别结果的校验结果一致时,***会判断出发生了车厢溜车异常,并通过报出的方式提醒操作人员进行相应的处理,以确保翻车机的安全和稳定运行。
还需要说明的是,为了提高溜车判别的准确性和可靠性,配置位置触发传感器,当执行图像采集时同步执行位置触发传感器的触发采集,根据触发采集结果生成辅助验证信息,基于辅助验证信息对S5的行区域位置点图像特征识别结果进行结果补偿,以完成溜车判别结果的更新输出。
根据实际应用场景和需求,确定位置触发传感器的安装位置。这个位置可以是在车厢或轨道上,也可以是其他适合进行位置测量的位置。将位置触发传感器与图像采集设备进行连接,具体可以通过物理信号线或无线网络等方式进行连接,确保两者能够同步触发采集。根据实际需求,配置位置触发传感器的触发采集参数,包括触发方式、触发条件、采集时间等,以确保传感器能够在需要时同步触发图像采集设备进行采集。在配置好位置触发传感器后,当需要执行图像采集时,可以通过操作图像采集设备或位置触发传感器,使两者同步触发采集。从位置触发传感器获取触发采集结果,包括触发时刻的位置信息、时间戳等。根据触发采集结果,生成相应的辅助验证信息,包括触发时刻的位置信息、时间戳、采集图像的唯一标识等,用于后续的溜车判别和结果补偿。根据辅助验证信息中的位置信息和时间戳等,对区域位置点识别结果进行补偿。这个补偿可以是对识别结果的修正、过滤或加权处理等,以减小误差和提高准确度。根据补偿后的区域位置点识别结果,更新初步溜车判别结果。这个更新可以是直接替换之前的初步溜车判别结果,也可以是加权平均或其他逻辑判断方式进行处理。根据更新后的溜车判别结果,输出最终的初步溜车判别结果。通过以上步骤,可以实现配置位置触发传感器进行图像采集的同步触发,并根据触发采集结果生成辅助验证信息进行区域位置点识别结果的结果补偿,以完成溜车判别结果的更新输出,从而提高溜车判别的准确性和可靠性。
以上所述的实施例只是本申请的一种较佳的方案,并非对本申请作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (10)
1.一种基于图像识别的车厢溜车检测装置,其特征在于,包括:
交互模块:用于建立与翻车机的数据交互获取检测车厢信息,根据检测车厢信息生成控制响应信息,检测车厢信息包括检测车厢的位置、速度、加速度和状态,控制响应信息包括翻车机的控制指令、状态信息和警告信息;
解析模块:用于解析控制响应信息,获得翻车机的实时控制数据,实时控制数据包括翻车机当前状态和运行情况数据;
读取模块:用于读取实时控制数据,获得翻车机的实时车厢控制类型;
采集模块:用于根据实时车厢控制类型激活图像采集设备,控制图像采集设备执行翻车机内部图像采集,建立内部图像集,其中,内部图像集带有位置标识;
识别模块:用于通过实时控制数据和内部图像集进行车厢的存在判定,若存在车厢,则基于内部图像集进行区域位置点图像特征识别;
判别模块:用于将特征识别结果输入溜车判别模型,生成溜车判别结果;
判定模块:用于判断实时控制数据和溜车判别结果的校验结果是否一致,若一致,则判定检测车厢溜车。
2.一种基于图像识别的车厢溜车检测方法,用于如权利要求1所述的基于图像识别的车厢溜车检测装置进行车厢溜车检测,其特征在于,包括:
S1:建立与翻车机的数据交互获取检测车厢信息,根据检测车厢信息生成控制响应信息,检测车厢信息包括检测车厢的位置、速度、加速度和状态,控制响应信息包括翻车机的控制指令、状态信息和警告信息;
S2:解析控制响应信息,获得翻车机的实时控制数据,实时控制数据包括翻车机当前状态和运行情况数据;
S3:读取实时控制数据,获得翻车机的实时车厢控制类型;
S4:根据实时车厢控制类型激活图像采集设备,控制图像采集设备执行翻车机内部图像采集,建立内部图像集,其中,内部图像集带有位置标识;
S5:通过S2中得到的实时控制数据和S4中得到的内部图像集进行车厢的存在判定,若存在车厢,则基于S4中得到的内部图像集进行区域位置点图像特征识别;
S6:将特征识别结果输入溜车判别模型,生成溜车判别结果;
S7:判断实时控制数据和溜车判别结果的校验结果是否一致,若一致,则判定检测车厢溜车。
3.根据权利要求2所述基于图像识别的车厢溜车检测方法,其特征在于,S5中特征识别包括:将内部图像集输入预设图像识别卷积核进行区域位置点图像特征识别,得到每个图像识别的车厢定位特征的特征坐标,将所有特征坐标整理得到每个车厢在翻车机内部的区域位置点信息作为内部图像集进行区域位置点特征识别的结果。
4.根据权利要求3所述基于图像识别的车厢溜车检测方法,其特征在于,预设图像识别卷积核根据车厢定位特征集配置,车厢定位特征集的组成方法包括:采集不同类型的车厢样本图像数据,每个车厢样本图像数据包括车厢内外各个同角度的图像,将每个车厢样本图像数据预处理后进行定位特征提取,将提取出的定位特征形成一个特征集,特征集包含若干个特征向量,每个特征向量代表一个特定类型车厢的特征。
5.根据权利要求3所述基于图像识别的车厢溜车检测方法,其特征在于,根据特征识别结果中的区域位置点信息调控翻车机的操作。
6.根据权利要求2或4所述基于图像识别的车厢溜车检测方法,其特征在于,特征识别结果输入溜车判别模型后,溜车判别模型调用基准位置特征,将特征识别结果与基准位置特征进行映射位置的基准比对得到初步溜车判别结果;
基准比对包括:
A1:通过单***置约束执行基准比对生成第一判别结果;
A2:基于累计位置约束执行基准比对生成第二判别结果;
A3:根据第一判别结果和第二判别结果生成初步溜车判别结果。
7.根据权利要求6所述基于图像识别的车厢溜车检测方法,其特征在于,配置内部图像集的时序采集间隔,对同位置的内部图像集进行特征识别结果的特征比对,获得位置比对结果,根据位置比对结果进行时序累计溜车值计算,并通过时序采集间隔对计算结果补偿,生成第三判别结果,根据第三判别结果对初步溜车判别结果进行补偿得到最终的溜车判别结果。
8.根据权利要求7所述基于图像识别的车厢溜车检测方法,其特征在于,计算时序累计溜车值包括:在开始进行溜车判别之前,初始化一个空的时序累计溜车值,溜车值是一个速度值,表示车厢在不同时间点的运动趋势,根据每个时间点的位置比对结果,计算相应的溜车值,将每个时间点的溜车值累加得到时序累计溜车值。
9.根据权利要求8所述基于图像识别的车厢溜车检测方法,其特征在于,通过时序采集间隔对计算结果补偿包括;根据采集间隔的大小,对时序累计溜车值进行加权平均处理,采集间隔越大,对应的权重越小;采集间隔越小,对应的权重越大。
10.根据权利要求2所述基于图像识别的车厢溜车检测方法,其特征在于,配置位置触发传感器,执行图像采集时同步执行位置触发传感器的触发采集,根据触发采集结果生成辅助验证信息,基于辅助验证信息进行区域位置点图像识别结果的结果补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410398163.3A CN117985489B (zh) | 2024-04-03 | 2024-04-03 | 基于图像识别的车厢溜车检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410398163.3A CN117985489B (zh) | 2024-04-03 | 2024-04-03 | 基于图像识别的车厢溜车检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117985489A CN117985489A (zh) | 2024-05-07 |
CN117985489B true CN117985489B (zh) | 2024-06-07 |
Family
ID=90891383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410398163.3A Active CN117985489B (zh) | 2024-04-03 | 2024-04-03 | 基于图像识别的车厢溜车检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117985489B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013086578A1 (en) * | 2011-12-15 | 2013-06-20 | Multiskilled Resources Australia Pty Ltd | Rail car operating condition and identity monitoring system |
CN103600752A (zh) * | 2013-09-18 | 2014-02-26 | 大连华锐重工集团股份有限公司 | 专用敞车车辆挂钩错误自动检测装置及其检测方法 |
CN210102997U (zh) * | 2019-04-25 | 2020-02-21 | 秦皇岛秦热发电有限责任公司 | 翻车机内火车车厢的溜车检测装置 |
CN112776773A (zh) * | 2021-02-27 | 2021-05-11 | 重庆长安汽车股份有限公司 | 一种防溜车安全控制方法、***及汽车 |
CN114132707A (zh) * | 2021-12-23 | 2022-03-04 | 无锡易泽赛尔智能装备有限公司 | 一种母排贴胶上料工作站 |
-
2024
- 2024-04-03 CN CN202410398163.3A patent/CN117985489B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013086578A1 (en) * | 2011-12-15 | 2013-06-20 | Multiskilled Resources Australia Pty Ltd | Rail car operating condition and identity monitoring system |
CN103600752A (zh) * | 2013-09-18 | 2014-02-26 | 大连华锐重工集团股份有限公司 | 专用敞车车辆挂钩错误自动检测装置及其检测方法 |
CN210102997U (zh) * | 2019-04-25 | 2020-02-21 | 秦皇岛秦热发电有限责任公司 | 翻车机内火车车厢的溜车检测装置 |
CN112776773A (zh) * | 2021-02-27 | 2021-05-11 | 重庆长安汽车股份有限公司 | 一种防溜车安全控制方法、***及汽车 |
CN114132707A (zh) * | 2021-12-23 | 2022-03-04 | 无锡易泽赛尔智能装备有限公司 | 一种母排贴胶上料工作站 |
Also Published As
Publication number | Publication date |
---|---|
CN117985489A (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3196668B1 (en) | Object tracking system with radar/vision fusion for automated vehicles | |
CN103069796B (zh) | 用于计数目标的方法和使用多个传感器的装置 | |
CN102806913B (zh) | 一种车道线偏离检测方法及装置 | |
US9990376B2 (en) | Methods for identifying a vehicle from captured image data | |
US10178382B2 (en) | Method for performing diagnosis of a camera system of a motor vehicle, camera system and motor vehicle | |
JP5287392B2 (ja) | 物体識別装置 | |
CN103975343B (zh) | 用于通过融合人类检测模态的结果来增强人类计数的***和方法 | |
CN112132896A (zh) | 一种轨旁设备状态检测方法及*** | |
CN109858456A (zh) | 一种铁路车辆状态故障分析*** | |
CN105022987B (zh) | 用于车道感测传感器的偏差纠正和诊断功能的方法 | |
CN103473925B (zh) | 一种道路车辆检测***的验证方法 | |
CN117985489B (zh) | 基于图像识别的车厢溜车检测装置及方法 | |
US20210240991A1 (en) | Information processing method, information processing device, non-transitory computer-readable recording medium recording information processing program, and information processing system | |
CN117115752A (zh) | 一种高速公路视频监控方法及*** | |
US20220309776A1 (en) | Method and system for determining ground level using an artificial neural network | |
US11654927B2 (en) | Method for monitoring a vehicle system for detecting an environment of a vehicle | |
CN115238904A (zh) | 用于在车辆中创建训练数据的方法、设备和计算机程序 | |
CN111626334B (zh) | 一种车载高级辅助驾驶***的关键控制目标选择方法 | |
CN116331289B (zh) | 一种基于图像分析的轨道状态检测***及方法 | |
CN219996516U (zh) | 车辆合车检测设备和车辆合车监测*** | |
CN113507685B (zh) | 一种基于蓝牙技术的物联网应用*** | |
CN117451849B (zh) | 在役车轴智能超声探伤装置 | |
CN116494255B (zh) | 一种基于强化学习的空间机械臂路径规划*** | |
CN114078227B (zh) | 一种智能ai识别报警***及方法 | |
CN113419075B (zh) | 基于双目视觉的船舶测速方法、***、装置和介质 |
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 | ||
GR01 | Patent grant |