[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111079748A - 铁路货车滚轴承甩油故障检测方法 - Google Patents

铁路货车滚轴承甩油故障检测方法 Download PDF

Info

Publication number
CN111079748A
CN111079748A CN201911272538.7A CN201911272538A CN111079748A CN 111079748 A CN111079748 A CN 111079748A CN 201911272538 A CN201911272538 A CN 201911272538A CN 111079748 A CN111079748 A CN 111079748A
Authority
CN
China
Prior art keywords
unit
image
group
rolling bearing
fault
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.)
Pending
Application number
CN201911272538.7A
Other languages
English (en)
Inventor
孙晶
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.)
Harbin Kejia General Mechanical and Electrical Co Ltd
Original Assignee
Harbin Kejia General Mechanical and Electrical 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 Harbin Kejia General Mechanical and Electrical Co Ltd filed Critical Harbin Kejia General Mechanical and Electrical Co Ltd
Priority to CN201911272538.7A priority Critical patent/CN111079748A/zh
Publication of CN111079748A publication Critical patent/CN111079748A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Image Analysis (AREA)

Abstract

铁路货车滚轴承甩油故障检测方法，本发明涉及铁路货车故障检测方法。本发明的目的是为了解决现有铁路货车滚轴承甩油故障检测准确率差，效率低的问题。过程为：一、线阵图像获取；二、粗定位；三、数据集图像预处理；四、故障目标分类：四一：搭建神经网络分类模型；四二：把预处理后的数据集图像归一化作为训练集输入到神经网络分类模型中；四三：神经网络分类模型损失函数是所有三预处理后的数据集图像的交叉熵损失函数的平均值；四四：更新神经网络分类模型的权重参数；四五：获得训练好的神经网络分类模型；五、判断待测铁路货车线阵图像是否为滚动轴承甩油故障图像。本发明用于货车滚轴承甩油故障检测领域。

Description

铁路货车滚轴承甩油故障检测方法
技术领域
本发明涉及铁路货车故障检测方法。
背景技术
随着中国经济迅速发展，人们对物流的需求也日益增加。其中铁路货车运输在物流发展中起到了至关重要的作用，而铁路货车滚动轴承甩油故障影响了物流运输的安全和速度。滚动轴承甩油时，会导致轴承内部的有效润滑作用降低，使得轴承保持架和滚子之间的摩擦力和冲击力增大，容易导致轴承保持架出现破损，进而影响物流运输安全。长期采用人工重复检查滚动轴承甩油故障图像，存在工作枯燥，容易分神，效率低下的问题，无法保证准确率。
发明内容
本发明的目的是为了解决现有铁路货车滚轴承甩油故障检测准确率差，效率低的问题，而提出铁路货车滚轴承甩油故障检测方法。
铁路货车滚轴承甩油故障检测方法具体过程为：
步骤一、线阵图像获取；
步骤二、粗定位；
步骤三、数据集图像预处理；
步骤四、故障目标分类；具体过程为：
步骤四一：搭建神经网络分类模型，包括特征提取网络、多尺度融合单元、分类层；
步骤四二：把步骤三预处理后的数据集图像归一化到512*512，作为训练集输入到步骤四一搭建好的神经网络分类模型中；
步骤四三：假设某个样本的真实标签为yt，该样本的yt＝1的概率为yp，则该样本的交叉熵损失函数如下式所示：
log(yt|yp)＝-(yt×log(yp)+(1-yt)log(1-yp))
神经网络分类模型损失函数是所有步骤三预处理后的数据集图像的交叉熵损失函数的平均值；
步骤四四：根据交叉熵损失函数进行误差反向传播和梯度下降，并更新神经网络分类模型的权重参数；
步骤四五：重复步骤四三到四四，直至损失函数逐渐收敛并稳定，确定目前神经网络分类模型权重参数为训练好的神经网络的分类模型权重参数，进而获得训练好的深度学习滚动轴承甩油故障神经网络分类模型；
步骤五、判断待测铁路货车线阵图像是否为滚动轴承甩油故障图像。
本发明的有益效果为：
本发明通过对行驶中的货车进行拍摄，获取动车全车图像。结合图像处理、模式识别和深度学习等领域的知识。实现甩油故障自动识别及报警，人工只需对报警结果进行确认，最终实现机检作业代替人检作业，不仅能节约单位的人力成本，还能提高作业质量和作业效率。
利用线阵相机(也称线扫描相机)，对高速运动的货车进行拍摄，拍摄货车的两侧图像。根据轴距信息和甩油故障位置的先验信息，在线阵图像大图中获得包含甩油故障的感兴趣区域。对甩油故障的感兴趣区域进行数据扩增，构建多标签神经网络训练集，搭建稠密神经网络分类模型，训练神经网络模型至模型收敛，并转换分类模型参数权重的精度。在实际应用中，加载转换进度的神经网络分类权重，对拍摄到的部件图像判断是否为甩油故障图像，并对甩油故障区进行报警。
采用图像自动识别代替人工检测滚动轴承甩油故障，滚动轴承甩油故障识别标准统一，不受工作人员职业素质和责任心影响。基于深度学习的滚动轴承甩油故障检测方法比传统的手工标准特征提取的机器视觉检测方法具有高的灵活性、准确性和鲁棒性。采用多标签数据集比单标签数据集误报少，采用稠密网络比普通网络准确率高。采用模型精度转换能加速滚动轴承甩油的识别速度，实现实时检测。
附图说明
图1为本发明整体流程图；
图2a为转向架K2正常示意图；
图2b为转向架K2甩油示意图；
图2c为转向架K5正常示意图；
图2d为转向架K5甩油示意图；
图2e为转向架K6正常示意图；
图2f为转向架K6甩油示意图；
图3为稠密块(Dense Block)单元图；
图4为分类网络结构图。
具体实施方式
具体实施方式一：结合图1说明本实施方式，本实施方式铁路货车滚轴承甩油故障检测方法具体过程为：
步骤一、线阵图像获取；
步骤二、粗定位；
步骤三、数据集图像预处理；
步骤四、故障目标分类；具体过程为：
步骤四一：由于滚动轴承甩油的故障区域较大并占感兴趣区域的比例较大，本发明采用基于稠密网络DenseNet的目标分类方法；由于在货车自动识别检测中对于检测的精度要求较高，针对滚动轴承甩油故障的精度问题，本发明采用稠密网络DenseNet作为特征提取网络，稠密网络过程保证在加深网络层数的基础上保证网络层之间的联系，同时加入多尺度特征，具有更多的底层的滚动轴承甩油的纹理信息，以此保证检测精度。
搭建神经网络分类模型，包括特征提取网络、多尺度融合单元、分类层；
步骤四二：把步骤三预处理后的数据集图像归一化到512*512，作为训练集输入到步骤四一搭建好的神经网络分类模型中；
步骤四三：损失函数，将损失函数为二元交叉熵，对于样本(x,y)来讲，x为样本y为对应的标签；
在二分类问题中，样本取值的集合可能为{0，1}，假设某个样本的真实标签为yt，该样本的yt＝1的概率为yp，则该样本的交叉熵损失函数如下式所示：
log(yt|yp)＝-(yt×log(yp)+(1-yt)log(1-yp))
神经网络分类模型损失函数是所有步骤三预处理后的数据集图像的交叉熵损失函数的平均值；
步骤四四：根据交叉熵损失函数进行误差反向传播和梯度下降，并更新神经网络分类模型的权重参数；
步骤四五：重复步骤四三到四四，对多组滚动轴承甩油训练样本图片进行多轮训练，直至损失函数逐渐收敛并稳定，确定目前神经网络分类模型权重参数为训练好的神经网络的分类模型权重参数，进而获得训练好的深度学习滚动轴承甩油故障神经网络分类模型。
步骤五、判断待测铁路货车线阵图像是否为滚动轴承甩油故障图像。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一中线阵图像获取；具体过程为：
利用固定设备搭载线阵相机，对高速运动的铁路货车进行拍摄，拍摄铁路货车的上部、两侧及底部的全车图像；
针对于线阵相机(也称线扫描相机)，通过被测物的移动速度计算线阵相机的拍摄频率，进行连续的多次拍照，将所拍下的多幅“条”形图象，合并成一张完整的图像，这样可实现无缝拼接，生成视野大，精度高的二维图象。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤二中粗定位；具体过程为：
根据硬件的轴距信息和滚动轴承甩油位置等先验知识，从全车的完整的图像信息中裁剪出感兴趣区域，以此减少计算量并提高识别的速度。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤三中数据集图像预处理；具体过程为：
步骤三一：建立原始数据集；
根据粗定位获得待识别部件的感兴趣区域图像，建立原始的数据集；
步骤三二：对步骤三一建立的原始的数据集采用对比度增强、直方图均衡化、随机缩放的图像处理方式进行数据扩增操作；
由于列车车速、室外阳光、雨雪等干扰因素的影响，行驶中的货车线阵图像可能会出现对比度不同，图像拉伸等问题，针对自动识别部件图像的具体问题，采用对比度增强、直方图均衡化、随机缩放的图像增强方法，不仅能获得更多的训练数据，还能增加模型的鲁棒性。
步骤三三：数据标记：
由于转向架的不同类型，滚动轴承甩油的故障形态不同，如果不分类转向架类型只分类正常和甩油，分类滚动轴承甩油的效果不好，这里采用多标签分类数据集，多标签包含转向架类型和是否甩油，数据和标签如图2a、2b、2c、2d、2e、2f所示，此多标签分类能获得更好的甩油分类效果。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述步骤四一中由于滚动轴承甩油的故障区域较大并占感兴趣区域的比例较大，本发明采用基于稠密网络DenseNet的目标分类方法；由于在货车自动识别检测中对于检测的精度要求较高，针对滚动轴承甩油故障的精度问题，本发明采用稠密网络DenseNet作为特征提取网络，稠密网络过程保证在加深网络层数的基础上保证网络层之间的联系，同时加入多尺度特征，具有更多的底层的滚动轴承甩油的纹理信息，以此保证检测精度。
搭建神经网络分类模型，包括特征提取网络、多尺度融合单元、分类层；具体过程为：
基准特征提取部分网络，如图3、图4所示，稠密网络DenseNet在加深网络层数的基础上保证各网络层之间的联系，加快网络的训练速度，模型的准确率也会大大提高，在没有增加计算复杂性的前提下，解决普通串行深度前馈网络特征丢失问题，充分利用上下文信息，在4个阶段(Stage)的内部使用稠密块(Dense Block)能复用更多的滚动轴承甩油故障的底层纹理特征，形成层级内的高速通路。
所述的特征提取网络采用4个下采样的稠密块1(Dense Block1)、稠密块2(DenseBlock2)、稠密块3(Dense Block3)、稠密块4(Dense Block4)单元；
稠密块1单元包含六组卷积单元，每组卷积单元包含1*1和3*3的卷积，其中第一组卷积单元的输出作为第二组、第三组、第四组、第五组、第六组的卷积单元输入，其中第二组卷积单元的输出作为第三组、第四组、第五组、第六组的卷积单元输入，其中第三组卷积单元的输出作为第四组、第五组、第六组的卷积单元输入，其中第四组卷积单元的输出作为第五组、第六组的卷积单元输入，其中第五组卷积单元的输出作为第六组的卷积单元输入；
稠密块2单元与稠密块1单元相同；
稠密块3单元与稠密块1单元相同；
稠密块4单元与稠密块1单元相同；
多尺度特征融合过程如图3、图4所示，多尺度融合单元就是把第一个子尺度特征提取单元、第二个子尺度特征提取单元、第三个子尺度特征提取单元的不同层级的输出直接拼接到最后的输出，形成每个阶段层级间的高速通路；
所述第一个子尺度特征提取单元是由稠密块1的输出先经过一个下采样单元，下采样单元由一个最大池化层组成，下采样层的输出再经过一个1*1的卷积，最后经过一个连接操作输出到第二个子尺度特征单元；
所述第二个子尺度特征提取单元是由稠密块2的输出先经过一个下采样单元，下采样单元由一个最大池化层组成，下采样层的输出和第一个子尺度特征单元再经过一个1*1的卷积，最后经过一个连接操作输出到第三个子尺度特征单元；
所述第三个子尺度特征提取单元是由稠密块3的输出先经过一个下采样单元，下采样单元由一个最大池化层组成，下采样层的输出和第二个子尺度特征单元再经过一个1*1的卷积，最后经过一个连接操作输出和Dense Block4融合输入到最后的分类层；
所述的分类层采用sigmoid函数代替常规的softmax激活函数，因为我们采用的是多标签分类的每个类别之间有交叉，每个类别之间不是互斥，sigmoid函数如下式所示：
Figure BDA0002314591650000061
sigmoid二分类函数：将得分结果转换为概率进行分类；
输入x属于任意实数值，输出范围是0到1；
本发明提出的分类网络，在每个阶段(stage)的内部使用稠密块(dense block)单元去复用底层的滚动轴承甩油特征形成层级内高速通路，将每个阶段(stage)的输出降采样后的特征直接拼接到最后的输出形成层级间高速通路，层级内高速通路和层级间高速通路结合能加强滚动轴承甩油的底层特征在最后分类层中的比重，提高分类滚动轴承甩油的准确性。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述步骤五中判断待测铁路货车线阵图像是否为滚动轴承甩油故障图像；
步骤五一：针对在货车自动识别检测中对于检测的实时性要求较高，针对滚动轴承甩油故障的实时性问题，使用加速推理引擎进行模型转化，把训练好的神经网络的分类模型权重精度从32位转换成16位精度，减少神经网络的计算量，进而达到加速目的；
步骤五二：神经网络预测；
获得待测铁路货车线阵图像，输入转换成16位精度的神经网络分类模型中，进行分类预测；
步骤五三：根据预测结果，若为滚动轴承甩油故障图像，将滚动轴承甩油故障的信息，上传报警平台；若不为滚动轴承甩油故障图像，则检测下一幅待测铁路货车线阵图像。
其它步骤及参数与具体实施方式一至五之一相同。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.铁路货车滚轴承甩油故障检测方法，其特征在于：所述方法具体过程为：
步骤一、线阵图像获取；
步骤二、粗定位；
步骤三、数据集图像预处理；
步骤四、故障目标分类；具体过程为：
步骤四一：搭建神经网络分类模型，包括特征提取网络、多尺度融合单元、分类层；
步骤四二：把步骤三预处理后的数据集图像归一化到512*512，作为训练集输入到步骤四一搭建好的神经网络分类模型中；
步骤四三：假设某个样本的真实标签为yt，该样本的yt＝1的概率为yp，则该样本的交叉熵损失函数如下式所示：
log(yt|yp)＝-(yt×log(yp)+(1-yt)log(1-yp))
神经网络分类模型损失函数是所有步骤三预处理后的数据集图像的交叉熵损失函数的平均值；
步骤四四：根据交叉熵损失函数进行误差反向传播和梯度下降，并更新神经网络分类模型的权重参数；
步骤四五：重复步骤四三到四四，直至损失函数逐渐收敛并稳定，确定目前神经网络分类模型权重参数为训练好的神经网络的分类模型权重参数，进而获得训练好的深度学习滚动轴承甩油故障神经网络分类模型；
步骤五、判断待测铁路货车线阵图像是否为滚动轴承甩油故障图像。
2.根据权利要求1所述铁路货车滚轴承甩油故障检测方法，其特征在于：所述步骤一中线阵图像获取；具体过程为：
利用固定设备搭载线阵相机，对运动的铁路货车进行拍摄，拍摄铁路货车的上部、两侧及底部的全车图像；
通过被测物的移动速度计算线阵相机的拍摄频率，进行连续的拍照，将所拍下的条形图象，合并成一张完整的图像。
3.根据权利要求1或2所述铁路货车滚轴承甩油故障检测方法，其特征在于：所述步骤二中粗定位；具体过程为：
根据硬件的轴距信息和滚动轴承甩油位置先验知识，从全车的完整的图像信息中裁剪出感兴趣区域。
4.根据权利要求3所述铁路货车滚轴承甩油故障检测方法，其特征在于：所述步骤三中数据集图像预处理；具体过程为：
步骤三一：建立原始数据集；
根据粗定位获得待识别部件的感兴趣区域图像，建立原始的数据集；
步骤三二：对步骤三一建立的原始的数据集采用对比度增强、直方图均衡化、随机缩放的图像处理方式进行数据扩增操作；
步骤三三：数据标记：
采用多标签分类数据集，多标签包含转向架类型和是否甩油。
5.根据权利要求4所述铁路货车滚轴承甩油故障检测方法，其特征在于：所述步骤四一中搭建神经网络分类模型，包括特征提取网络、多尺度融合单元、分类层；具体过程为：
所述的特征提取网络采用4个下采样的稠密块1、稠密块2、稠密块3、稠密块4单元；
稠密块1单元包含六组卷积单元，每组卷积单元包含1*1和3*3的卷积，其中第一组卷积单元的输出作为第二组、第三组、第四组、第五组、第六组的卷积单元输入，其中第二组卷积单元的输出作为第三组、第四组、第五组、第六组的卷积单元输入，其中第三组卷积单元的输出作为第四组、第五组、第六组的卷积单元输入，其中第四组卷积单元的输出作为第五组、第六组的卷积单元输入，其中第五组卷积单元的输出作为第六组的卷积单元输入；
稠密块2单元与稠密块1单元相同；
稠密块3单元与稠密块1单元相同；
稠密块4单元与稠密块1单元相同；
多尺度融合单元就是把第一个子尺度特征提取单元、第二个子尺度特征提取单元、第三个子尺度特征提取单元的不同层级的输出直接拼接到最后的输出，形成每个阶段层级间的高速通路；
所述第一个子尺度特征提取单元是由稠密块1的输出先经过一个下采样单元，下采样单元由一个最大池化层组成，下采样层的输出再经过一个1*1的卷积，最后经过一个连接操作输出到第二个子尺度特征单元；
所述第二个子尺度特征提取单元是由稠密块2的输出先经过一个下采样单元，下采样单元由一个最大池化层组成，下采样层的输出和第一个子尺度特征单元再经过一个1*1的卷积，最后经过一个连接操作输出到第三个子尺度特征单元；
所述第三个子尺度特征提取单元是由稠密块3的输出先经过一个下采样单元，下采样单元由一个最大池化层组成，下采样层的输出和第二个子尺度特征单元再经过一个1*1的卷积，最后经过一个连接操作输出和Dense Block4融合输入到最后的分类层；
所述的分类层采用sigmoid函数，sigmoid函数如下式所示：
Figure FDA0002314591640000031
sigmoid函数：将得分结果转换为概率进行分类；
输入x属于任意实数值，输出范围是0到1。
6.根据权利要求5所述铁路货车滚轴承甩油故障检测方法，其特征在于：所述步骤五中判断待测铁路货车线阵图像是否为滚动轴承甩油故障图像；
步骤五一：把训练好的神经网络的分类模型权重精度从32位转换成16位精度；
步骤五二：神经网络预测；
获得待测铁路货车线阵图像，输入转换成16位精度的神经网络分类模型中，进行分类预测；
步骤五三：根据预测结果，若为滚动轴承甩油故障图像，将滚动轴承甩油故障的信息，上传报警平台；若不为滚动轴承甩油故障图像，则检测下一幅待测铁路货车线阵图像。
CN201911272538.7A 2019-12-12 2019-12-12 铁路货车滚轴承甩油故障检测方法 Pending CN111079748A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911272538.7A CN111079748A (zh) 2019-12-12 2019-12-12 铁路货车滚轴承甩油故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911272538.7A CN111079748A (zh) 2019-12-12 2019-12-12 铁路货车滚轴承甩油故障检测方法

Publications (1)

Publication Number Publication Date
CN111079748A true CN111079748A (zh) 2020-04-28

Family

ID=70314050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911272538.7A Pending CN111079748A (zh) 2019-12-12 2019-12-12 铁路货车滚轴承甩油故障检测方法

Country Status (1)

Country Link
CN (1) CN111079748A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111665819A (zh) * 2020-06-08 2020-09-15 杭州电子科技大学 一种基于深度学习多模型融合的复杂化工过程故障诊断方法
CN111738367A (zh) * 2020-08-17 2020-10-02 成都中轨轨道设备有限公司 一种基于图像识别的零件分类方法
CN112001123A (zh) * 2020-08-27 2020-11-27 杭州电子科技大学 一种基于深度卷积网络特征融合的化工过程性能评测方法
CN112364925A (zh) * 2020-11-16 2021-02-12 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的滚动轴承甩油故障识别方法
CN112633132A (zh) * 2020-12-18 2021-04-09 合肥工业大学 基于二维振动图像增强的轴承故障诊断方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272048A (zh) * 2018-09-30 2019-01-25 北京工业大学 一种基于深度卷积神经网络的模式识别方法
CN109376683A (zh) * 2018-11-09 2019-02-22 中国科学院计算技术研究所 一种基于稠密图的视频分类方法和系统
CN109409222A (zh) * 2018-09-20 2019-03-01 中国地质大学（武汉） 一种基于移动端的多视角人脸表情识别方法
CN109614869A (zh) * 2018-11-10 2019-04-12 天津大学 一种基于多尺度压缩奖惩网络的病理图像分类方法
CN110084292A (zh) * 2019-04-18 2019-08-02 江南大学 基于DenseNet和多尺度特征融合的目标检测方法
CN110231825A (zh) * 2019-06-21 2019-09-13 中国神华能源股份有限公司 车辆智能巡检系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409222A (zh) * 2018-09-20 2019-03-01 中国地质大学（武汉） 一种基于移动端的多视角人脸表情识别方法
CN109272048A (zh) * 2018-09-30 2019-01-25 北京工业大学 一种基于深度卷积神经网络的模式识别方法
CN109376683A (zh) * 2018-11-09 2019-02-22 中国科学院计算技术研究所 一种基于稠密图的视频分类方法和系统
CN109614869A (zh) * 2018-11-10 2019-04-12 天津大学 一种基于多尺度压缩奖惩网络的病理图像分类方法
CN110084292A (zh) * 2019-04-18 2019-08-02 江南大学 基于DenseNet和多尺度特征融合的目标检测方法
CN110231825A (zh) * 2019-06-21 2019-09-13 中国神华能源股份有限公司 车辆智能巡检系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
WATERSINK: "《DenseNet解读》", 《HTTPS://BLOG.CSDN.NET/QQ_14845119/ARTICLE/DETAILS/79272082》 *
小小将: "《DenseNet：比ResNet更优的CNN模型》", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/37189203》 *
张江勇: ""基于深度学习的动车关键部位故障图像检测"", 《万方数据知识服务平台》 *
打着灯笼摸黑: "《动手学深度学习》第二十三天---稠密连接网络（DenseNet）", 《HTTPS://BLOG.CSDN.NET/QQ_32166627/ARTICLE/DETAILS/82956735》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111665819A (zh) * 2020-06-08 2020-09-15 杭州电子科技大学 一种基于深度学习多模型融合的复杂化工过程故障诊断方法
CN111738367A (zh) * 2020-08-17 2020-10-02 成都中轨轨道设备有限公司 一种基于图像识别的零件分类方法
CN111738367B (zh) * 2020-08-17 2020-11-13 成都中轨轨道设备有限公司 一种基于图像识别的零件分类方法
CN112001123A (zh) * 2020-08-27 2020-11-27 杭州电子科技大学 一种基于深度卷积网络特征融合的化工过程性能评测方法
CN112364925A (zh) * 2020-11-16 2021-02-12 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的滚动轴承甩油故障识别方法
CN112364925B (zh) * 2020-11-16 2021-06-04 哈尔滨市科佳通用机电股份有限公司 一种基于深度学习的滚动轴承甩油故障识别方法
CN112633132A (zh) * 2020-12-18 2021-04-09 合肥工业大学 基于二维振动图像增强的轴承故障诊断方法及系统

Similar Documents

Publication Publication Date Title
CN111079748A (zh) 铁路货车滚轴承甩油故障检测方法
CN111652227B (zh) 铁路货车底部地板破损故障检测方法
CN111091555B (zh) 闸瓦折断目标检测方法
CN113436169B (zh) 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统
CN103279765B (zh) 基于图像匹配的钢丝绳表面损伤检测方法
CN111080609B (zh) 一种基于深度学习的闸瓦插销丢失检测方法
CN111080617B (zh) 一种铁路货车制动梁支柱圆销丢失故障识别方法
CN110047070B (zh) 一种轨道磨损程度的识别方法及系统
CN112330591A (zh) 少样本学习的钢轨表面缺陷检测方法及装置
CN106290388A (zh) 一种绝缘子故障自动检测方法
CN111311567A (zh) 对轨道线路图像进行扣件和钢轨病害识别的方法
CN111080612B (zh) 一种货车轴承破损检测方法
CN113436157B (zh) 一种用于受电弓故障的车载图像识别方法
CN102346844B (zh) 一种货车下心盘螺栓丢失故障识别装置及其识别方法
CN113837007B (zh) 一种基于桥梁监控视频中车辆匹配深度学习的桥梁荷载分布识别方法
US11495022B2 (en) Method for recognizing an object of a mobile unit
CN111080607B (zh) 一种基于图像识别的滚动轴承甩油故障检测方法
CN116823800A (zh) 一种基于深度学习的复杂背景下桥梁混凝土裂缝检测方法
CN112115770A (zh) 一种用于架空线路无人机自主巡检缺陷识别的方法及系统
CN111768417A (zh) 基于单目视觉3d重建技术的铁路货车超限检测方法
CN111079629A (zh) 铁路货车心盘脱出故障图像识别方法
CN108648210B (zh) 一种静态复杂场景下快速多目标检测方法及装置
CN116579992A (zh) 一种用于无人机巡检的小目标螺栓缺陷检测方法
CN107392313B (zh) 一种基于深度学习的钢轨识别方法
CN115424128A (zh) 一种货车转向架下拉杆故障图像检测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200428

RJ01 Rejection of invention patent application after publication