KR102017870B1 - 실시간 선로 결함 검측 시스템 - Google Patents
실시간 선로 결함 검측 시스템 Download PDFInfo
- Publication number
- KR102017870B1 KR102017870B1 KR1020170111444A KR20170111444A KR102017870B1 KR 102017870 B1 KR102017870 B1 KR 102017870B1 KR 1020170111444 A KR1020170111444 A KR 1020170111444A KR 20170111444 A KR20170111444 A KR 20170111444A KR 102017870 B1 KR102017870 B1 KR 102017870B1
- Authority
- KR
- South Korea
- Prior art keywords
- rail
- defect
- sleeper
- fastener
- data
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 147
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 241001669679 Eleotris Species 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 9
- 102100024405 GPI-linked NAD(P)(+)-arginine ADP-ribosyltransferase 1 Human genes 0.000 claims description 8
- 101000981252 Homo sapiens GPI-linked NAD(P)(+)-arginine ADP-ribosyltransferase 1 Proteins 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L23/00—Control, warning or like safety means along the route or between vehicles or trains
- B61L23/04—Control, warning or like safety means along the route or between vehicles or trains for monitoring the mechanical state of the route
- B61L23/042—Track changes detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G06T5/002—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
- G01N2021/889—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques providing a bare video image, i.e. without visual measurement aids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/10—Scanning
- G01N2201/102—Video camera
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
본 발명의 실시간 선로 결함 검측 시스템은, 철도차량의 하부에 설치되며, 상기 철도차량의 운행 중에 상기 철도차량의 하부에 위치한 레일 표면, 침목 및 체결구의 상태 정보들을 포함하는 레일 데이터들을 실시간으로 취득하는 레일데이터 취득부; 및 상기 레일데이터 취득부로부터 전송되는 레일 표면, 침목 및 체결구의 상태 정보들을 포함하는 레일 데이터들을 실시간으로 수집하고, 수집된 상기 레일 데이터들을 이용하여 레일 표면, 침목 및 체결구 각각에 대해 결함 검출 및 분석하여 결함 종합정보를 제공하는 레일정보 통합관리서버를 포함하는 기술을 제공함에 기술적 특징이 있다.
Description
본 발명은 실시간 선로 결함 검측 시스템에 관한 것으로, 더욱 상세하게는 철도차량의 하부에 설치되며, 상기 철도차량의 운행 중에 상기 철도차량의 하부에 위치한 레일 표면, 침목 및 체결구의 상태 정보들을 포함하는 레일 데이터들을 실시간으로 취득하는 레일데이터 취득부 및 상기 레일데이터 취득부로부터 전송되는 레일 표면, 침목 및 체결구의 상태 정보들을 포함하는 레일 데이터들을 실시간으로 수집하고, 수집된 상기 레일 데이터들을 이용하여 레일 표면, 침목 및 체결구 각각에 대해 결함 검출 및 분석하여 결함 종합정보를 제공하는 레일정보 통합관리서버를 포함함으로써, 레일 표면, 침목 및 체결구의 고해상도 이미지를 고속 운행 시에 취득 가능하고, 3차원(3D) 이미지 분석을 통해 레일 표면, 침목 및 체결구 각각에 대한 결함 종합정보를 자동으로 유지보수 업무 담당자에게 제공하여 보다 효율적인 유지보수 업무를 수행할 수 있도록 해주는, 실시간 선로 결함 검측 시스템에 관한 것이다.
열차는 고도의 안전성이 최우선적으로 확보되어야 하는 대량 운송 교통 수단으로, 열차와 승객의 안전을 확보하고 운행 효율을 높이며 운전 편리성을 향상시키기 위해 많은 장치들이 지속적으로 개발되어 왔다.
ATP, ATC, ATO 등과 같은 열차운행 제어장치들은 열차의 안전을 확보하고 운행 효율을 높이며 운전 편리성을 향상시키는 대표적인 장치이다.
이러한 열차운행 제어장치는 선행하는 열차의 선로 점유 상태를 검출하여 열차의 운행을 제어함으로써 열차의 안전을 확보하고, 더 나아가 열차 운행에 관한 정보를 교환하여 무인 자동운전을 가능하게 하여 주는 장치이다.
기술이 더욱 발전하여 열차의 속도가 높아지고 운행 회수가 많아지며 승객 운송 량이 증가함에 따라 안전이 더욱 중요해짐은 물론 안전에 대한 개념이 열차 자체에 대한 안전에서 열차 주변 여건에 대한 안전으로 진일보하였다.
열차가 직접 운행되는 레일에 대한 안전은 사고 시 열차의 탈선, 전복 등과 같은 대형 참사를 야기하게 되는 중요한 안전 요인으로 무엇보다 우선 시 되어야 할 사항이다.
이러한 레일에 대한 안전 점검은 레일 탐상기나 레일 탐상차 등을 이용하여 이루어진다.
레일 탐상기는 숙련자가 레일을 따라 이동하며 레일의 결함 여부를 직접 검측하는 장비로 하루 약 2Km의 작업능력을 갖고 있다.
레일 탐상차는 상기 레일 탐상기를 이용한 작업에서 발생되는 작업 능력과 안전성에 대한 문제점을 해소하기 위한 장비로, 좌우에 설치된 탐촉자(PROBE)가 물이 뿌려진 레일 위를 밀착 진행하며 초음파를 레일 표면에 발사하고, 반사하는 초음파를 분석하여 결함의 종류, 크기 및 위치 등을 보고서로 기록하고, 레일의 두부, 저부, 복부의 상태를 그래프로 표시하며, 결함이 발견된 곳에는 페인트를 분사하여 보수를 용이하게 하는 장비로 시간당 약 20Km의 작업 능력을 갖고 있다.
하지만 상기와 같은 종래의 레일 검측 방법은 작업 속도가 느리고, 숙련자의 숙련 정도에 좌우되며, 레일의 상태나 탐촉자의 상태 등에 따라 측정값이 달라진다는 문제점이 있었다.
본 발명이 해결하고자 하는 기술적 과제는, 철도차량의 몸체 좌우 측면에 설치되며, 상기 철도차량의 운행 중에 상기 철도차량의 하부에 위치한 레일 표면, 침목 및 체결구의 상태 정보들을 포함하는 레일 데이터들을 실시간으로 취득하는 레일데이터 취득부 및 상기 레일데이터 취득부로부터 전송되는 레일 표면, 침목 및 체결구의 상태 정보들을 포함하는 레일 데이터들을 실시간으로 수집하고, 수집된 상기 레일 데이터들을 이용하여 레일 표면, 침목 및 체결구 각각에 대해 결함 검출 및 분석하여 결함 종합정보를 제공하는 레일정보 통합관리서버를 포함함으로써, 레일 표면, 침목 및 체결구의 고해상도 이미지를 고속 운행 시에 취득 가능하고, 3차원(3D) 이미지 분석을 통해 레일 표면, 침목 및 체결구 각각에 대한 결함 종합정보를 자동으로 유지보수 업무 담당자에게 제공하여 보다 효율적인 유지보수 업무를 수행할 수 있도록 해주는, 레일 결함 실시간 검측 시스템을 제공하는데 있다.
상기 기술적 과제를 이루기 위한 본 발명에 따른 실시간 선로 결함 검측 시스템은, 철도차량의 하부에 설치되며, 상기 철도차량의 운행 중에 상기 철도차량의 하부에 위치한 레일 표면, 침목 및 체결구의 상태 정보들을 포함하는 레일 데이터들을 실시간으로 취득하는 레일데이터 취득부; 및 상기 레일데이터 취득부로부터 전송되는 레일 표면, 침목 및 체결구의 상태 정보들을 포함하는 레일 데이터들을 실시간으로 수집하고, 수집된 상기 레일 데이터들을 이용하여 레일 표면, 침목 및 체결구 각각에 대해 결함 검출 및 분석하여 결함 종합정보를 제공하는 레일정보 통합관리서버를 포함하는 기술을 제공한다.
본 발명은 레일 표면, 침목 및 체결구의 고해상도 이미지를 고속 운행 시에 취득 가능하고, 3차원(3D) 이미지 분석을 통해 레일 표면, 침목 및 체결구 각각에 대한 결함 종합정보를 자동으로 유지보수 업무 담당자에게 제공하여 보다 효율적인 유지보수 업무를 수행할 수 있도록 해주는 기술적 효과가 있다.
도 1a는 본 발명에 따른 실시예로, 철도차량에 부착된 레일데이터 취득부 및 레일데이터 취득부를 이용하여 촬영된 좌우측 레일 이미지를 나타낸 것이다.
도 1b는 본 발명에 따른 레일데이터 취득부와 레일정보 통합관리서버 간의 관계를 계략적으로 나타낸 것이다.
도 2는 본 발명에 따른 레일정보 통합관리서버의 구성을 상세히 나타낸 것이다.
도 3은 본 발명에 따른 실시예로, 레일정보 통합관리서버에서 분석된 레일 결함들의 종합 정보를 나타낸 것이다.
도 4는 본 발명에 따른 레일정보 통합관리서버를 이용한 레일 결함들의 분석 및 유지보수 과정을 순서도로 나타낸 것이다.
도 1b는 본 발명에 따른 레일데이터 취득부와 레일정보 통합관리서버 간의 관계를 계략적으로 나타낸 것이다.
도 2는 본 발명에 따른 레일정보 통합관리서버의 구성을 상세히 나타낸 것이다.
도 3은 본 발명에 따른 실시예로, 레일정보 통합관리서버에서 분석된 레일 결함들의 종합 정보를 나타낸 것이다.
도 4는 본 발명에 따른 레일정보 통합관리서버를 이용한 레일 결함들의 분석 및 유지보수 과정을 순서도로 나타낸 것이다.
이하에서는 본 발명의 구체적인 실시예를 도면을 참조하여 상세히 설명하도록 한다.
도 1a는 본 발명에 따른 실시예로, 철도차량에 부착된 레일데이터 취득부 및 레일데이터 취득부를 이용하여 촬영된 좌우측 레일 이미지를 나타낸 것이고, 도 1b는 본 발명에 따른 레일데이터 취득부와 레일정보 통합관리서버 간의 관계를 계략적으로 나타낸 것이다.
도 1a를 참조하면, 본 발명은 철도차량(T10)의 몸체의 좌우 측면에 설치된 레일데이터 취득부(100)를 구비하여, 철도차량(T10)이 고속으로 운행하면서 레일(10)의 형상을 촬영하여 레일 데이터를 취득할 수 있도록 해준다.
여기서 레일 데이터는 레일(10)을 구성하는 레일 표면(11), 침목(12) 및 체결구(13)의 상태 정보를 의미하는데, 이를테면, 레일 표면(11)의 크랙, 패임 등의 상태, 침목(12)의 손상 및 균열 상태, 체결구(13)의 각각의 종류(이를테면, e클립, fast 클립, 보슬로 등)에 따른 파손, 탈락 여부 등의 상태 정보를 포함할 수 있다.
도 1b를 참조하면, 레일데이터 취득부(100)는 카메라부(110), 레이저부(120), 조명부(130) 및 조도 감지부(140)를 포함한다.
카메라부(110)는 고속촬영 및 고해상도의 성능을 가진 3D 레일 카메라를 구비하고, 레일 표면들을 촬영하여 레일 데이터를 취득하는데, 취득된 레일 데이터는 내부의 메모리에 저장되거나 네트워크(5)를 통해 외부의 레일정보 통합관리서버(200)로 실시간으로 전송된다.
레이저부(120)는 라인 레이저를 구비하며, 상기 3D 레일 카메라가 촬영하고자 하는 레일 표면에 레이저 빔을 조사하고, 반사된 빔을 분석하여 깊이(depth) 정보를 취득할 수 있도록 해준다.
이하 깊이(depth) 정보를 이용하여 레일의 결함을 검출하는 방식에 대해 간단히 설명한다.
우선, 라인 레이저를 통해 취득된 데이터는 레이저 삼각측정법을 이용하여 기준위치에서의 거리를 구해 그래프로 표현할 수 있고, 같은 방식으로 매 프레임(frame)을 촬영하여 데이터를 결합하게 되면, 완전한 3D 형태의 레인지 맵(Range Map)을 생성할 수 있게 된다.
이 경우 얻어진 레인지 맵(Range Map)에는 레일 표면의 깊이 값이 모두 포함되어 있기 때문에 이를 이용하여 결함의 검출을 시도할 수도 있겠으나, 단지 그것만을 위해서 3D 데이터를 직접 이용하는 것은 계산량에 있어서 매우 비효율적이다.
따라서 획득된 3D 데이터를 다시 XY 평면에 투사하여 2차원 이미지를 만들고 이를 활용하여 처리하는 것이 보다 효과적이다.
다만, 3차원 데이터를 2차원 평면에 투사하게 되면 깊이 값이 모두 사라지게 되므로, 이를 해결하기 위해 깊이 값을 각기 다른 색으로 표시하여 2차원 이미지에서도 각각의 깊이 값을 활용할 수 있게 한다.
한편 3D 프로파일을 이용한 표면 결함의 검출에는 각각의 단면에서 이동평균을 이용하여 결함을 검출해 누적시켜 결함의 범위를 구하는 방법과, 프로파일 이미지를 Depth Map 이미지로 변환하여 Blob Labeling을 이용하여 결함의 면적을 구하는 두 가지 방법이 있는데, 이하 보다 상세히 설명한다.
첫째, 이동평균 이용 방법은 하나의 단면에 일부만이 살짝 패인 형태의 결함일 경우, 주변의 높이에 비해 갑자기 낮아진 지점을 찾아내어 이를 결함으로 추출하는 방법으로, 이를테면, 단면의 결함을 검출하고 다음 단면의 이미지로 넘어가 같은 방식으로 결함을 검사했을 때 이전 결함과 연결된 위치에 결함이 있을 경우 이를 누적시켜 연결된 결함의 넓이를 구할 수 있다.
둘째, Depth Map 이미지 이용 방법은 취득된 프로파일 데이터를 이용하여 깊이 값이 밝기의 차이로 표현되는 깊이 지도 이미지(Depth Map Image)를 생성할 수 있는데, 이 이미지를 이용하여 최적의 문턱값(Threshold)을 이용한 이진(Binary) 이미지를 만들고, 생성된 이진(Binary) 이미지를 이용하여 인접한 화소가 같은 값을 가지는 영역에 번호를 붙이는 Blob Labeling을 수행하여 결함의 영역과 넓이를 구할 수 있다.
다음으로, 조명부(130)는 2D 이미지 취득용 조명으로써, 이를테면 3D 취득용 카메라와 2D 취득용 카메라를 별도로 구성할 수 있은데, 이 경우 3D 취득용 카메라 또는 2D 취득용 카메라를 통해 일정한 조도의 빛을 레일 들을 향해 발광함으로써, 야간이나 기상악화 등 환경에 구애 받지 않고 상기 3D 레일 카메라 또는 상기 라인 레이저를 통한 레일 데이터의 취득이 용이하도록 해준다.
조도 감지부(140)는 조도 센서를 구비하여 레일 들에 비춰지는 빛의 밝기를 감지하여, 감지된 조도 값에 따라 상기 조명부(130)의 조명이 일정한 밝기의 빛을 발광할 수 있도록 해준다.
레일정보 통합관리서버(200)는 철도차량(T10)의 내부 또는 원격의 외부에 설치되어 운영될 수 있으며, 네트워크(5)를 통해 상기 레일데이터 취득부(100)가 전송한 레일 데이터를 수집하고, 수집된 레일 데이터를 이용하여 레일 표면/침목/체결구 각각에 대한 결함을 검출 및 분석하여 결함들에 대한 종합 정보를 제공하여, 보다 효율적인 레일 유지보수 업무가 진행될 수 있도록 해주는데, 이에 대한 상세한 설명은 도 2에서 후술한다.
여기서 네트워크(5)는 외부와 무선통신을 수행할 수 있는 인터페이스를 제공하는데, 이를테면 와이파이(WiFi), 지그비(Zigbee), 알에프(RF), 3G, 4G, LTE, LTE-A, 와이브로(Wireless Broadband Internet) 등을 사용할 수 있다.
도 2는 본 발명에 따른 레일정보 통합관리서버의 구성을 상세히 나타낸 것이다.
도 2를 참조하면, 본 발명에 따른 레일정보 통합관리서버(200)는 레일 데이터 수집부(210), 통신부(220), 데이터베이스 부(230), 레일 결함검출부(240), 결함 종합정보 제공부(250), 유지보수 관리부(260) 및 통합 제어부(270)를 포함한다.
레일 데이터 수집부(210)는 상기 레일데이터 취득부(100)로부터 실시간으로 전송된 레일 데이터들을 수신하여, 레일 표면 상태정보, 침목 상태정보 및 체결구 상태 정보를 각각 수집한다.
통신부(220)는 상기 레일데이터 취득부(100) 또는 외부의 단말(이를테면, 유지보수 관리자 단말 등)과 통신을 수행할 수 있는 인터페이스를 제공하는데, 이를테면, 와이파이(WiFi), 지그비(Zigbee), 알에프(RF), 3G, 4G, LTE, LTE-A, 와이브로(Wireless Broadband Internet) 등의 무선통신, PLC 유선통신 또는 인터넷, SNS(Social Network Service) 등을 사용할 수 있다.
데이터베이스 부(230)는 이를테면, 철도차량(T10)의 각종 관리를 위해 필요한 각종 운영 프로그램을 내부에 미리 저장하고 있거나, 통합 제어부(270)를 통해 처리한 각종 정보들을(이를테면, 레일 데이터들, 레일 표면/침목/체결구의 결함정보 등) 일정한 저장매체를 사용하여 저장한다.
이 경우 저장매체로는 이를테면, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 등을 사용할 수 있다.
레일 결함 검출부(240)는 레일표면 결함 검출부(241), 침목 결함 검출부(242) 및 체결구 결함 검출부(243)를 포함하는데, 이 경우 레일표면/침목/체결구 각각의 특성이 반영된 결함 검출 알고리즘을 사용하여 레일표면/침목/체결구 각각의 결함 여부, 결함 정도 등을 체크하는데, 이하 이에 대해 상세히 설명한다.
레일표면 결함 검출부(241)는 수집된 레일 표면 데이터들을 분석하여, 레일 표면의 결함 유무 및 결함 정도를 체크한다.
이를 부연설명하면, 본 발명의 경우 레일 표면의 결함을 검출하기 위하여, 레일 표면 결함 샘플 이미지를 이용하였고, 아래와 같은 영상처리 과정을 수행하였다.
우선, 입력데이터의 노이즈(Noise)를 제거하기 위해 가우시안 필터(Gaussian filter)를 이용하여 블러링(Blurring)을 수행하였고, 다음으로 이진화 문턱값(Binary threshold)을 이용하여 세그먼테이션(segmentation)을 수행하였으며, 그 후 침식(Erosion) 연산을 통해 세그먼테이션(segmentation)한 부분의 노이즈(Noise)를 제거하였고, 마지막으로 세그먼테이션(segmentation)한 부분의 영역 넓이(pixel)에 임계값을 주어 레일 표면의 결함을 검출하였고, 이 결과를 하기 표1에 나타내었다.
하기 표1은 고속철도(300 km/h) 및 일반철도에서 취득한 레일 표면 데이터를 이용하여 단계별로 결함정도를 분류한 것을 나타낸 것이다.
표1을 참조하면, 레일 표면의 결함의 크기(pixel)에 따라 Class1 ~ Class4로 분류되며, 분류 등급의 숫자가 클수록 유지보수의 긴급 정도가 높음을 확인할 수 있다.
다음으로, 침목 결함 검출부(242)는 수집된 침목 데이터들과 미리 구축된 침목 테스트 베드(test bed)를 비교 분석하는 방식 및 침목결함 검출 알고리즘으로 ART2 신경망 모델을 사용하여 침목의 결함 유무 및 결함 정도를 체크한다.
여기서 침목 테스트 베드(test bed)를 이용하여 데이터베이스를 구축하는 이유는 실제 결함을 포함한 침목을 포함한 영상을 데이터베이스로 구축하는 것은 매우 어렵기 때문이다.
우선 정상 침목 영상을 획득 후 임의로 만든 크랙 영상을 합성하여 데이터베이스를 구축하는 침목 테스트 베드(test bed) 데이터베이스 구축 과정에 대해 설명한다.
① 침목 영상 취득 과정
침목 테스트 베드(test bed)를 구축하기 위해 마련된 실험실에서, 침목과 수직인 상태에서 레일을 달리며 촬영하며, 촬영 시 침목과 카메라 렌즈의 높이는 135cm로 일정하게 유지하며 촬영하는데, 실제 촬영된 영상은 침목 영역만을 분리하여 저장한다.
이를테면, 7개의 정상 침목에 대해 7번 촬영함으로 총 49개의 정상 침목 영상이 취득된다.
② 크랙 영상 합성 과정
상기 ① 침목 영상 취득 과정에서 사용된 정상 침목 7개의 첫 번째 촬영 영상을 사용하여 크랙을 포함한 콘크리트 균열 영상을 이용하여 크랙 영상을 만들고, 침목 영역만을 분리한 이진화 영상에 합성한다.
정상 침목 영상에 크랙 영상을 합성하는 방법은 각 기준별 2개의 크랙 영상을 선정하여, 균열의 위치를 침목의 3군데(왼쪽(L), 가운데(M), 오른쪽(R))로 나누어 각각 합성하여 침목 크랙 영상을 생성한다.
③ 데이터베이스 구축 과정
침목 결함을 등급별로 분류하기 위해 결함면적을 기준으로 4등급(Class A~D)으로 분류한다.
다음으로 각 결합 등급 분류 기준에 맞추어 콘크리트 균열 영상에서 크랙 영상을 추출한다.
1개의 정상 침목 영상을 이용하여 3영역(L, M, R 영역)에 각 등급(4등급, Class A, B, C, D)별로 2개의 크랙 영상을 각각 합성하여 침목 결함 데이터베이스를 구축한다.
이 경우 구축되는 침목결함 데이터 총 수는 아래와 같이 계산된다.
침목결함 데이터 총 수 = [정상 침목 영상 개수(7(침목개수)×7(촬영회수)= 49개)] + [결함 침목 영상 개수(49(침목개수)×4(크랙결함 등급)×3(크랙 위치 영역)×2(크랙 종류) = 1176개] = 1225 개
다음으로, 침목결함 검출 알고리즘으로 사용된 ART2 신경망 모델에 대해 설명한다.
가장 단순한 형태의 침목 결함 검출 방법으로는, 이를테면, 침목영역의 어두운 부분을 결함으로 탐지하여 면적을 계산한 후 결함을 판단하고, 결함 면적에 따라 등급을 나누는 방법을 사용한다.
이 방법은 간단한 방법으로 처리시간이 빠르며, 결함의 면적을 구해서 면적별로 분류할 수 있다는 장점을 가지고 있다.
한편 침목 패턴은 직사각형 형태임을 이용하여 침목 영역을 추출하여 추출한 영역에서 침목 결함 검사를 수행한다.
실외에서 획득하는 침목 영상의 경우 영상의 촬영 각도나, 밝기, 주위 조명 등의 영향에 의해 동일한 침목 영상일지라도 여러 가지 색상으로 보이거나 형태가 변형되어 보이게 되므로, 여러 가지 상황에 적응적으로 대응할 수 있고, 스스로 계속적인 학습을 하는 신경 회로망(이를테면, ART2 신경망 등)을 이용한 침목 결함 검사 방법을 적용한다.
여기서 ART2 신경망은 학습되지 않은 패턴이 들어오면 새로운 클러스터를 형성함으로써, 이미 학습된 패턴에 영향을 주지 않는 장점이 있는 실시간적인 학습이 가능한 신경망 모델이다.
ART2 신경망의 연결 가중치 변화는 모든 입력 패턴의 평균값을 취함으로써 클러스터 생성에 고르게 반응하게 되는데, 연결 가중치는 입력 벡터가 들어오는 경우 특징이 서로 다른 유사한 기존의 클러스터가 갱신되는 경우가 발생하고, 이로 인해서 입력 벡터가 연결 가중치 벡터와 평균에 의해 가중치의 특징을 감소시키는 원인이 되기도 한다.
ART2 신경망에 침목 영상 패턴을 훈련하기 위해서는 침목 영상을 일정한 크기로 정규화(Normalization) 한 후, 패턴 데이터를 생성하여 학습한다.
ART2는 패턴 검사 경계 파라미터와 침목의 종류에 따라 서로 약간씩 다르므로, 서로 다른 클러스터로 나누어진다.
훈련과정에서 경계 파라미터 값을 여러 단계로 나누어 학습을 시킨 후, 각각의 클러스터에 침목 패턴이 인식되는 임계값을 찾는다.
실제로 적용하였을 때는 학습을 하지 않고, 클러스터링을 수행하여 경계파라미터를 초과하여 새로운 클러스터가 생성되어야 하는 경우에는 침목 영상이 아닌 결함으로 판단 한다.
이하 상기 과정을 훈련 과정과 분류 과정으로 나누어 부연 설명한다.
우선 훈련과정은 이미지 삽입 단계 --> 처음 이미지를 클러스터 기준으로 설정하는 단계 ---> 클러스터와의 거리를 계산하는 단계 ---> 데이터를 훈련시키는 단계---> 훈련된 데이터를 저장하는 단계를 갖는다.
다음으로, 분류 과정은 훈련 데이터를 불러오는 단계 ---> 이미지를 삽입하는 단계 ---> 클러스터와의 거리를 계산하는 단계 ----> 클러스터 중 가장 가까운 거리를 찾는 단계 ----> 이미지 등급을 결정하는 단계를 갖는다.
마지막으로 체결구 결함 검출부(243)는 수집된 체결구 표면 데이터들에 대해 전처리를 통해 라인 추출을 통해 배경과 시설물을 분리한 후, 프로젝션을 통해 관심영역(ROI)을 지정하며, 지정된 관심영역(ROI) 안에서 체결구 요소 시설물에 대한 패턴 매칭을 수행 후, 인식된 요소 시설물에 대한 결과를 토대로 체결구 종류에 따른 체결구 결함을 체크한다.
이 경우 패턴 매칭은 수집된 체결구(이를테면, e클립, fast 클립, 보슬로 등)의 형태, 크기, 설치 위치 등이 정형화 된 점을 고려해, 사전에 미리 저장된 테스트 패턴과의 매칭을 통해, 즉 패턴들의 상호 매칭 정도에 따라 결함의 유무 및 정도를 체크함을 의미한다.
다시 도 2를 참조하면, 결함 종합정보 제공부(250)는 상기 레일표면 결함 검출부(241), 상기 침목 결함 검출부(242) 및 상기 체결구 결함 검출부(243) 각각이 검출한 레일표면/침목/체결구 결함에 대한 종합정보를 제공하는데, 이에 대해서는 이하 도 3에서 설명한다.
도 3은 본 발명에 따른 실시예로, 레일정보 통합관리서버에서 분석된 레일 결함들의 종합 정보를 나타낸 것이다.
이 경우 도 3의 상단 그림은 레일 표면에 대한 결함 종합정보를 항목별로 나타낸 것이고, 도 3의 중단 그림은 침목에 대한 결함 종합정보를 항목별로 나타낸 것이며, 도 3의 하단 그림은 체결구에 대한 결함 종합정보를 항목별로 나타낸 것이다.
여기서 결함 종합정보는 이를테면, 레일표면/침목/체결구 각각에 대한 객체종류(크랙/패임/탈락 등), 선로위치(우측/중앙/좌측), 거리(KPR), 폭(mm), 높이(mm), 크기(면적, mm2), 취득날짜(2016.05. 27), 결함 이미지(3D) 등을 포함할 수 있다.
다음으로, 유지보수 관리부(260)는 상기 결함 종합정보 제공부(250)가 제공하는 레일표면/침목/체결구 각각에 대한 결함 종합정보를 토대로 레일관련 유지 보수 업무의 스케줄, 우선순위, 유지보수 가이드, 담당 업무자 정보 등을 생성하여 보다 효율적인 레일관련 유지 보수 업무가 수행될 수 있도록 해준다.
마지막으로, 통합 제어부(270)는 레일 데이터 수집부(210), 통신부(220), 데이터베이스 부(230), 레일 결함검출부(240), 결함 종합정보 제공부(250) 및 유지보수 관리부(260)를 통합적으로 제어한다.
도 4는 본 발명에 따른 레일정보 통합관리 서버를 이용한 레일 결함들의 분석 및 유지보수 과정을 순서도로 나타낸 것이다.
이하 도 2 및 도 4를 참조하여, 본 발명에 따른 레일정보 통합관리 서버를 이용한 레일 결함들의 분석 및 유지보수 과정을 설명한다.
우선 레일정보 통합관리서버(200)의 레일 데이터 수집부(210)는 레일데이터 취득부(100)로부터 실시간으로 전송된 레일 데이터들을 수신하는 제1 과정(S10)을 갖는다.
다음으로, 상기 제1 과정(S10)에서 수집된 레일표면/침목/체결구 각각에 대한 레일 데이터들에 대해 전처리 과정을 수행하는 제2 과정(S20)을 갖는다.
여기서 전처리 과정은 수집된 레일표면/침목/체결구 각각에 대한 레일 데이터들의 특성을 고려하여, 불필요한 배경 제거, 관심영역 선택, 명암 조정 등의 영상처리 과정을 의미한다.
다음으로, 레일표면 결함 검출부(241), 침목 결함 검출부(242) 및 체결구 결함 검출부(243) 각각은 결함 검출 알고리즘을 이용하여 레일표면/침목/체결구 각각의 결함들을 조사하는 제3 과정(S30)을 갖는다.
다음으로, 결함 종합정보 제공부(250)는 상기 레일표면 결함 검출부(241), 상기 침목 결함 검출부(242) 및 상기 체결구 결함 검출부(243) 각각이 검출한 레일표면/침목/체결구 결함에 대한 종합정보를 제공하는 제4 과정(S40)을 갖는다.
마지막으로, 유지보수 관리부(260)는 상기 결함 종합정보 제공부(250)가 제공하는 레일표면/침목/체결구 각각에 대한 결함 종합정보를 토대로 레일관련 유지 보수 업무의 스케줄, 우선순위, 유지보수 가이드, 담당 업무자 정보 등을 생성하여 결함정도에 따라 해당 유지보수 업무 담당자의 단말로 유지보수 명령을 전송하는 제5 과정(S50)을 갖는다.
이상에서는 본 발명에 대한 기술사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시 예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구나 본 발명의 기술적 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.
100 : 레일 데이터 취득부
110 : 카메라부 120 : 레이저부
130 : 조명부 140 : 조도 감지부
200 : 레일정보 통합관리서버
210 : 레일 데이터 수집부 220 : 통신부 230 : 데이터베이스 부
240 : 레일 결함 검출부
241 : 레일표면 결함 검출부 242 : 침목 결함 검출부
243 : 체결구 결함 검출부
250 : 결함 종합정보 제공부
260 : 유지보수 관리부
270 : 통합 제어부
10 : 레일
11 : 레일 표면
12 : 침목
13 : 체결구
T10 : 철도차량
110 : 카메라부 120 : 레이저부
130 : 조명부 140 : 조도 감지부
200 : 레일정보 통합관리서버
210 : 레일 데이터 수집부 220 : 통신부 230 : 데이터베이스 부
240 : 레일 결함 검출부
241 : 레일표면 결함 검출부 242 : 침목 결함 검출부
243 : 체결구 결함 검출부
250 : 결함 종합정보 제공부
260 : 유지보수 관리부
270 : 통합 제어부
10 : 레일
11 : 레일 표면
12 : 침목
13 : 체결구
T10 : 철도차량
Claims (11)
- 철도차량의 하부에 설치되며, 상기 철도차량의 운행 중에 상기 철도차량의 하부에 위치한 레일 표면, 침목 및 체결구의 상태 정보들을 포함하는 레일 데이터들을 실시간으로 취득하는 레일데이터 취득부; 및 상기 레일데이터 취득부로부터 전송되는 레일 표면, 침목 및 체결구의 상태 정보들을 포함하는 레일 데이터들을 실시간으로 수집하고, 수집된 상기 레일 데이터들을 이용하여 레일 표면, 침목 및 체결구 각각에 대해 결함 검출 및 분석하여 결함 종합정보를 제공하는 레일정보 통합관리서버를 포함하고;
상기 레일정보 통합관리서버는, 레일 데이터 수집부에서 수집한 침목 데이터들을 분석하여 침목의 결함 유무 및 결함 정도를 체크하는 침목 결함 검출부를 포함하며; 침목 결함 검출부는, 수집된 침목 데이터들과 미리 구축된 침목 테스트 베드(test bed)를 비교 분석하는 방식 및 ART2 신경망 모델을 사용하여 침목의 결함 유무 및 결함 정도를 체크하고; 침목 테스트 베드(test bed)는, 1개의 정상 침목 영상을 3개의 영역(L, M, R 영역)으로 구분하고, 각각의 영역(L, M, R 영역)에 4등급(Class A, B, C, D) 별로 2개의 크랙 영상을 각각 합성하여 생성된 것을 특징으로 하는 실시간 선로 결함 검측 시스템. - 제 1항에 있어서, 상기 레일데이터 취득부는,
고속촬영 및 고해상도의 성능을 가진 레일 카메라를 구비하며, 상기 철도차량의 하부에 위치한 레일 표면, 침목 및 체결구의 촬영 이미지를 제공하는 카메라부; 및
라인 레이저를 구비하며, 상기 레일 카메라가 촬영하는 레일 주변에 레이저 빔을 조사하고, 반사된 빔의 분석을 통해 레일 표면, 침목 및 체결구 각각에 대해 결함 검출을 위한 깊이(depth) 정보를 취득케 해주는 레이저부를 포함하는 것을 특징으로 하는 실시간 선로 결함 검측 시스템.
- 제 1항에 있어서, 상기 레일정보 통합관리서버는,
상기 레일데이터 취득부로부터 실시간으로 전송된 레일 데이터들을 수신하여, 레일 표면 상태정보, 침목 상태정보 및 체결구 상태 정보를 각각 수집하는 레일 데이터 수집부;
상기 레일 데이터 수집부에서 수집한 레일 표면 데이터들을 분석하여, 레일 표면의 결함 유무 및 결함 정도를 체크하는 레일표면 결함 검출부;
상기 레일 데이터 수집부에서 수집한 체결구 데이터들을 분석하여 체결구의 결함 유무 및 결함 정도를 체크하는 체결구 결함 검출부를 포함하는 것을 특징으로 하는 실시간 선로 결함 검측 시스템. - 제 3항에 있어서, 상기 레일표면 결함 검출부는,
상기 레일 표면 데이터들에 대해 제1 영상처리 과정을 수행한 후, 사전에 구축된 레일 표면 결함 샘플 이미지와의 비교를 통해 레일 표면의 결함 유무 및 결함 정도를 체크하는 것을 특징으로 하는 실시간 선로 결함 검측 시스템. - 제 4항에 있어서, 상기 제1 영상처리 과정은,
입력 데이터의 노이즈(noise)를 제거하기 위해 가우시안 필터(Gaussian filter)를 이용하여 블러링(blurring)을 수행하는 제1 과정;
이진화 문턱값(binary threshold)을 이용하여 세그먼테이션(segmentation)을 수행하는 제2 과정;
침식(erosion) 연산을 통해 세그먼테이션(segmentation)한 부분의 노이즈(noise)를 제거하는 제3 과정; 및
상기 세그먼테이션(segmentation)한 부분의 영역 넓이(pixel)에 임계값을 주고, 상기 임계값과의 비교를 통해 레일 표면의 결함을 검출하는 제4 과정을 포함하는 것을 특징으로 하는 실시간 선로 결함 검측 시스템. - 삭제
- 삭제
- 제 3항에 있어서, 상기 체결구 결함 검출부는,
수집된 체결구 데이터들과 사전에 미리 구축된 테스트 패턴과의 매칭 정도를 고려하여 체결구의 결함 유무 및 결함 정도를 체크하는 것을 특징으로 하는 실시간 선로 결함 검측 시스템. - 제 8항에 있어서, 상기 테스트 패턴은,
체결구의 종류, 형태, 크기 및 설치 위치 정보를 포함하는 것을 특징으로 하는 실시간 선로 결함 검측 시스템. - 제 3항에 있어서,
상기 레일표면 결함 검출부, 상기 침목 결함 검출부 및 상기 체결구 결함 검출부 각각이 검출한 레일 표면, 침목 및 체결구 각각의 결함 종합정보를 제공하는 결함 종합정보 제공부를 더 포함하는 것을 특징으로 하는 실시간 선로 결함 검측 시스템. - 제 10항에 있어서, 상기 결함 종합정보는,
레일 표면, 침목 및 체결구 각각에 대한 결함 종류, 결함 위치, 결함 크기(폭/높이/면적), 3D 결함 이미지 및 결함 취득날짜 정보를 포함하는 것을 특징으로 하는 실시간 선로 결함 검측 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170111444A KR102017870B1 (ko) | 2017-08-31 | 2017-08-31 | 실시간 선로 결함 검측 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170111444A KR102017870B1 (ko) | 2017-08-31 | 2017-08-31 | 실시간 선로 결함 검측 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190024447A KR20190024447A (ko) | 2019-03-08 |
| KR102017870B1 true KR102017870B1 (ko) | 2019-09-03 |
Family
ID=65801715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170111444A KR102017870B1 (ko) | 2017-08-31 | 2017-08-31 | 실시간 선로 결함 검측 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102017870B1 (ko) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044645A (zh) * | 2019-05-07 | 2019-07-23 | 中国铁道科学研究院集团有限公司 | 接触轨防护罩状态检测***及方法 |
| KR102315405B1 (ko) * | 2019-11-21 | 2021-10-21 | 한국철도기술연구원 | 선로 검사 장치 및 선로 검사 방법 |
| CN111311560B (zh) * | 2020-02-10 | 2023-09-12 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 钢轨扣件状态的检测方法及装置 |
| CN112061171B (zh) * | 2020-09-02 | 2022-08-23 | 成都国铁电气设备有限公司 | 一种基于嵌入式gpu的轨道缺陷在线巡检方法与巡检装置 |
| CN113781537B (zh) * | 2021-09-17 | 2023-07-25 | 南昌工程学院 | 一种轨道弹条扣件缺陷识别方法、装置和计算机设备 |
| CN117011212B (zh) * | 2022-06-21 | 2024-02-27 | 南通市科睿轨道科技有限公司 | 一种轨道工务段紧固件连接状态监测分析*** |
| KR102655507B1 (ko) * | 2022-12-16 | 2024-04-08 | 주식회사 세이프웍스 | 철도구조물의 다차원 형상 관리시스템 |
| CN116881530B (zh) * | 2023-06-20 | 2024-02-02 | 南京晓庄学院 | 一种基于深度学习的器件表面缺陷检测*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4675958B2 (ja) * | 2004-06-30 | 2011-04-27 | ジヨージタウン・レール・エクイツプメント・カンパニー | 鉄道線路を検査するためのシステムおよび方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090085214A (ko) | 2008-02-04 | 2009-08-07 | 명관 이 | 레일 모니터링 시스템 및 방법 |
| KR101111569B1 (ko) * | 2010-07-08 | 2012-02-13 | 서울특별시도시철도공사 | 궤도차량을 이용한 철도시설물 감시시스템 및 방법 |
-
2017
- 2017-08-31 KR KR1020170111444A patent/KR102017870B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4675958B2 (ja) * | 2004-06-30 | 2011-04-27 | ジヨージタウン・レール・エクイツプメント・カンパニー | 鉄道線路を検査するためのシステムおよび方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190024447A (ko) | 2019-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102017870B1 (ko) | 실시간 선로 결함 검측 시스템 | |
| Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
| AU2018224073B2 (en) | Broken wheel detection system | |
| US11620743B2 (en) | Systems and methods for determining defects in physical objects | |
| CN102628814B (zh) | 一种基于数字图像处理的钢轨光带异常自动检测方法 | |
| AU2018247817B2 (en) | Method for recognising an object of a mobile unit | |
| CN109242035B (zh) | 车底故障检测装置及方法 | |
| CN102759347A (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其构成的高铁接触网检测*** | |
| Karaduman et al. | Experimental fuzzy diagnosis algorithm based on image processing for rail profile measurement | |
| CN102346844A (zh) | 一种货车下心盘螺栓丢失故障识别装置及其识别方法 | |
| CN101424510B (zh) | 列车超限的检测方法及*** | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测***及其检测方法 | |
| CN115600124A (zh) | 地铁隧道巡检***及巡检方法 | |
| Wang et al. | Automated shape-based pavement crack detection approach | |
| CN110503048B (zh) | 刚性接触网悬挂装置的识别***和方法 | |
| Wolf et al. | Asset Detection in Railroad Environments using Deep Learning-based Scanline Analysis. | |
| JP2019142304A (ja) | 落下物検出装置及び落下物検出方法 | |
| CN113504243A (zh) | 接触网弹性吊索与承力索连接区域成像装置及成像方法 | |
| Dai et al. | Railway fastener detection method based on 3D images | |
| Posada Moreno et al. | Cargo wagon structural health estimation using computer vision | |
| JP7384083B2 (ja) | トロリ線検測装置及びトロリ線検測方法 | |
| Petitjean et al. | A top-down approach for automatic dropper extraction in catenary scenes | |
| Breuss et al. | VADAR: A Vision-based Anomaly Detection Algorithm for Railroads | |
| CN115131377A (zh) | 铁路道岔间距检测方法、装置及*** | |
| CN117557570A (zh) | 一种轨道车辆异常检测方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |