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

CN111862029A - 一种铁路动车组垂向减震器螺栓部件故障检测方法 - Google Patents

一种铁路动车组垂向减震器螺栓部件故障检测方法 Download PDF

Info

Publication number
CN111862029A
CN111862029A CN202010681856.5A CN202010681856A CN111862029A CN 111862029 A CN111862029 A CN 111862029A CN 202010681856 A CN202010681856 A CN 202010681856A CN 111862029 A CN111862029 A CN 111862029A
Authority
CN
China
Prior art keywords
shock absorber
fault
vertical shock
bolt
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.)
Pending
Application number
CN202010681856.5A
Other languages
English (en)
Inventor
金佳鑫
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 CN202010681856.5A priority Critical patent/CN111862029A/zh
Publication of CN111862029A publication Critical patent/CN111862029A/zh
Pending legal-status Critical Current

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

一种铁路动车组垂向减震器螺栓部件故障检测方法，涉及图像识别技术领域，针对传统的以人为主的检查方式容易造成漏检及效率难以得到保证的问题，包括以下步骤：步骤一：读取TEDS服务器上实时过车图像及过车信息；步骤二：通过过车图像及过车信息提取出垂向减震器部件局部图像；步骤三：对垂向减震器部件局部图像进行均衡化、归一化预处理；步骤四：将预处理后的一部分图像进行PS故障模拟后，再进行样本标记，并构建训练样本集；步骤五：搭建故障检测与分割模型，并利用训练样本集训练该模型；步骤六：利用训练好的故障检测与分割模型进行故障判定。

Description

一种铁路动车组垂向减震器螺栓部件故障检测方法
技术领域
本发明涉及图像识别技术领域，具体为一种铁路动车组垂向减震器螺栓部件故障检测方法。
背景技术
高速动车组列车的运行标志着中国铁路已经跨入世界铁路先进行列，但同时必须时刻保持警惕，勿忘安全，高速运行状态下的动车组任何一个细小、细微的故障都可能引发重大事故，传统的以人为主的检查方式容易造成漏检，检车作业质量和效率难以得到保证，增加了发生动车组运行安全隐患的概率。因此，提高动车组故障的检测能力至关重要，特别是故障自动识别技术越来越成熟，能够有效的降低人工检车带来的弊端，提高了工作效率，为铁路安全提供了又一层保障。
高速动车组垂向减震器通常包括一系垂向减震器和二系垂向减震器，一系垂向减震器安装在轮对与架构之间，吸收轮轨对架构产生的垂向冲击能量；二系垂向减震器安装在车体和转向架之间，抑制转向架和车体之间的垂向运动，以衰减转向架向车体传递的垂向振动能量，提高车辆垂向平稳性和舒适度。因此，垂向减震器是TEDS动车组至关重要的部件，对该部件的重点监控尤为重要。
发明内容
本发明的目的是：针对传统的以人为主的检查方式容易造成漏检及效率难以得到保证的问题，提出本发明为了解决上述技术问题采取的技术方案是：
一种铁路动车组垂向减震器螺栓部件故障检测方法，包括以下步骤：
步骤一：读取TEDS服务器上实时过车图像及过车信息；
步骤二：通过过车图像及过车信息提取出垂向减震器部件局部图像；
步骤三：对垂向减震器部件局部图像进行均衡化、归一化预处理；
步骤四：将预处理后的一部分图像进行PS故障模拟后，再进行样本标记，并构建训练样本集；
步骤五：搭建故障检测与分割模型，并利用训练样本集训练该模型；
步骤六：利用训练好的故障检测与分割模型进行故障判定。
进一步的，所述均衡化预处理通过OpenCV图像处理技术完成。
进一步的，所述步骤五的具体步骤为：
A：配置TensorFlow框架以及相关环境变量，搭建故障检测与分割模型；
B：利用python程序将训练样本集转换成tfrecord格式的训练集和验证集文件，同时准备好训练深度学习模型的配置文件，即类标签文件label_map.pbtxt和训练参数文件train_mask_rcnn_inception_v2.config；
C：训练模型，并实时观察训练过程loss误差下降曲线，直到训练出最优的模型文件mask_rcnn_inception_v2_model.ckpt，然后将ckpt模型导出为pb格式模型作为部件检测模型。
进一步的，所述步骤五的具体步骤为：
A：配置TensorFlow框架以及相关环境变量，搭建故障检测与分割模型；
B：利用python程序将训练样本集转换成tfrecord格式的训练集和验证集文件，同时准备好训练深度学习模型的配置文件，即类标签文件label_map.pbtxt和训练参数文件train_mask_rcnn_inception_v2.config；
C：训练模型，并实时观察训练过程loss误差下降曲线，直到训练出最优的模型文件mask_rcnn_inception_v2_model.ckpt，然后将ckpt模型导出为pb格式模型作为部件检测模型。
进一步的，所述均衡化、归一化预处理的具体步骤为：
首先采用自适应直方图均衡化对垂向减震器部件局部图像的对比度进行调整，均衡化后的图像用函数表示为：
Figure BDA0002586139750000021
其中，xi表示像素值，h(xi)表示直方图中每个灰度级像素的个数，ω和h分别表示图像的宽和高，L表示灰度级，最后将图像归一化为统一尺寸。
进一步的，所述灰度级L为256。
进一步的，所述步骤四中样本标记采用LabelImg和Labelme标记工具。
进一步的，所述步骤四中样本标记的具体步骤为：
首先利用LabelImg工具标记垂向减震器螺栓区域矩形框，生成对应的xml文件，
然后利用Labelme工具标记出垂向减震器螺栓的轮廓，生成json文件，再把json文件转化为png格式的掩模标注文件。
进一步的，所述步骤六中故障判定的具体步骤为：
首先将部件图像输入到故障检测与分割模型中，经过检测和分割后，判定得到的垂向减震器螺栓信息中是否包含部件nomal、垂向减震器螺栓S1和垂向减震器螺栓S2，若全部包含则认为部件无故障，否则，则输出故障信息，认为螺栓丢失。
进一步的，所述步骤六中经过检测和分割后，还包括干扰排除步骤，所述干扰排除步骤具体如下：
设部件nomal的起始坐标为(Xmin_nomal,Ymin_nomal)、(Xmax_nomal,Ymax_nomal)；干扰螺栓E的起始坐标为(Xmin,Ymin)、(Xmax,Ymax)；则排除干扰的判别规则如下：
如果Xmax<Xmin_nomal、Xmax_nomal<Xmin、Ymin_nomal>Ymax、Ymax_nomal<Ymin中满足一条，即将该干扰螺栓E坐标信息排除。
本发明的有益效果是：
1.提出一种动车组部件的自动识别技术，应用于TEDS系统中，降低了人工检车造成漏检的失误风险，提高了工作效率，为铁路安全增添更进一步的安全保障。
2.提出了一种基于传统的opencv图像处理技术和基于改进的Mask Rcnn的深度学习目标检测及实例分割技术相结合的方式，各取优势之处实现故障检测，提高了检测准确度，降低了时间成本。
3.针对模型检测到的报警位置信息，提出了针对垂向减震器螺栓部件的位置判别函数及相近报警框合框机制，降低了误报警的数量，提高了报警准确度。
附图说明
图1为目标螺栓与干扰螺栓示意图；
图2为传统的Mask-RCNN网络结构图；
图3为改进的Mask-RCNN实例分割结构图；
图4为部件位置示意图；
图5为故障识别流程图。
具体实施方式
具体实施方式一：参照图5具体说明本实施方式；
本发明首先通过读取TEDS服务器上实时过车图像及过车信息，提取出垂向减震器部件局部图像；通过OpenCV图像处理技术对局部图像直方图均衡化、归一化，通过PS技术模拟故障图像，整合并建立深度学习训练样本集；采用改进的Mask R-CNN深度学习预训练模型，训练故障检测、分割模型；通过调用训练好的最优模型，实时检测动车组过车垂向减震器部件是否存在故障，针对出现的故障报警信息，及时的上传到TEDS检车平台上。
本发明主要分为以下几个步骤：
1.部件图像处理并搭建模型训练样本集
1)基于OpenCV的图像对比度调整
由于TEDS系统拍摄的动车组过车图像非常复杂，不同时间段、天气环境下拍摄到的图像差异较大，此时需要对图像进行前期的处理，使部件图像更有利于适应深度学习模型的训练，对后期故障的自动识别鲁棒性会更好。
由于拍摄的图像部件区域与背景在灰度上比较接近，为了突出部件区域，首先采用自适应直方图均衡化对图像的对比度进行调整，均衡化后的图像用函数表示为：
Figure BDA0002586139750000041
其中：xi表示像素值，h(xi)表示直方图中每个灰度级像素的个数，ω和h分别表示图像的宽和高，L表示灰度级(L＝256)。
均衡化后的图像增强了局部对比度，突出了部件局部图像细节；最后将图像归一化为统一尺寸后作为训练样本集和故障检测的输入图像。
2)搭建样本集
样本选择上需要保持多样性原则，尽可能多的收集样本，使样本能够包括线上动车组不同时间段、不同环境下的所有过车图像，将收集到的样本经过步骤1)的图像预处理后，整合样本，进行样本集的标记。
本发明采用的是基于Mask R-CNN的深度学习模型，对传统的Mask R-CNN分割模型进行模型结构上的改进，兼顾目标检测和实例分割，因此做样本标记时需要使用LabelImg和Labelme两种标记工具。
LabelImg工具标记垂向减震器螺栓区域矩形框，生成对应的xml文件。
Labelme标记出垂向减震器螺栓的轮廓，生成json文件，再把json文件转化为png格式的掩模标注文件。
最终一个样本对应三种文件：样本原图像(jpg格式)、用于目标检测的矩形标注文件(xml文件)、用于分割的轮廓掩模标注文件(png格式)。
2.搭建深度学习目标检测及实例分割模型
垂向减震器螺栓为六边形，垂向减震器部件区域附近仍有其他类似螺栓的圆形零部件存在，如果仅仅使用传统的目标检测算法，很容易造成误检，对检测垂向减震器螺栓部件故障带来了较大的干扰。因此为了提高检测故障精度，本发明采用了目标检测和实例分割相结合的方式搭建深度学习模型，以Mask R-CNN分割算法为基础，该网络在进行目标检测的同时完成了高质量的实例分割，不仅能够定位到螺栓目标的位置，同时能够精确的分割出螺栓的轮廓，为进一步判断螺栓是否出现故障提供了更多的判别条件和判别信息。
基于改进的Mask R-CNN算法搭建深度学习检测模型：
1)配置TensorFlow框架以及相关环境变量(包括Python、tensorflow这些编译运行环境，安装相应的软件包，运行库等)，搭建改进的深度学习模型；
本发明在模型的创建上，依据螺栓的特点，如图1，垂向减震器螺栓为绿色框中的两处，而红色框中的两处螺栓不是垂向减震器螺栓，属于干扰区域，因此在检测螺栓时需要更加精确的定位螺栓位置、分割出螺栓轮廓。对Mask R-CNN分割算法进行了改进，选用inception_v2作为主干网络进行特征的提取，使整个网络在不影响检测和分割精度的同时运行速度更快，实现了目标检测和目标分割的目的。
传统的Mask R-CNN算法是通过在Faster-RCNN的基础上添加一个mask分支网络，在实现目标检测的同时，把目标进行实例分割。网络结构图如图2所示；本发明基于此网络结构，对其进行了修改，具体改进后的模型步骤如下：
第一步：主干网络backbone的设计
backbone主干网络是一系列的卷积层用于提取特征的feature maps。本文使用Inception v2网络结构提取特征，改进传统Mask R-CNN算法的CNN特征提取网络，相比于resnet残差网络结构，提高了训练、检测的速度，同时目标检测精度和分割精度不受影响。
在Inception_v2网络提取特征后，对提取的特征进行Batch Normalization正则化处理，这样的改进直接将训练的收敛速度提高，深度学习模型自然更高效，可以减少dropout的使用，提高了模型的泛化性。
第二步：RPN区域特征提取网络
主干网络连接RPN网络，进行特征提取，将择优提取出的感兴趣区域作为特征图feature map。
第三步：连接ROI Align层
ROI Align是Mask R-CNN中提出的一种区域特征聚集方式，很好的解决了ROIPooling操作中两次量化造成的区域不匹配问题，在检测任务中将ROI Pooling替换为ROIAlign可以提升检测模型的准确性。
第四步：目标检测分类与回归
连接全连接层，利用第二步RPN网络提取到的感兴趣区域特征进行目标的回归与分类，最终得到目标的类别classes和回归框bounding boxes，用于进一步的检测分割。
第五步：增加mask branch分割分支
在上一步目标检测到ROI感兴趣区域特征的同时增加了mask预测分支，通过FCN(Fully Convolution Network)分割网络来实现，再结合(对每个ROI目标检测得出检测结果假如为A类，同时对该ROI进行mask分割，这样就得到这个ROI目标区域的类别A，同时也分割出了A的轮廓。注：目标检测只是检测出矩形框，mask分割才能更精细的分割出螺栓的具体轮廓，并不一定是矩形)每个ROI感兴趣区域目标检测结果，得到了每个目标的分类和分割效果。
本发明改进后的基于Inception_v2骨干网络的Mask-RCNN深度学习实例分割网络结构如图3所示。
2)利用python程序将数据集转换成tfrecord格式的训练集和验证集文件；同时准备好训练深度学习模型的配置文件，即类标签文件label_map.pbtxt和训练参数文件train_mask_rcnn_inception_v2.config。
3)训练模型并导出模型：多次训练模型，实时观察训练过程loss误差下降曲线，直到训练出最优的模型文件为mask_rcnn_inception_v2_model.ckpt，然后将ckpt模型导出为pb格式模型作为部件检测模型。
4)测试模型的鲁棒性，选择由1000张垂向减震器局部图像组成的测试集数据进行测试，其中测试集包含正常图像和螺栓丢失图像；测试结果应满足识别出螺栓丢失故障的准确率为100％，并且误检概率小于1％，则认为深度学习模型鲁棒性高，可以应用到本发明的垂向减震器螺栓丢失中。至此模型搭建完毕。
3.故障判别方式
首先将部件图像输入到改进的深度学习检测模型中，经过检测和分割，得到垂向减震器螺栓信息，如图4示意图所示：正常检测到的部件区域为nomal、垂向减震器螺栓S1、垂向减震器螺栓S2，如果经过深度学习模型检测后，检测到这三种信息，则认为部件无故障，如果检测到的信息缺失，则输出故障信息，认为螺栓丢失，立即上传到故障显示平台；
在图像检测过程中，针对出现的干扰螺栓E1、E2，本文依据位置坐标信息提出位置判别函数将这种干扰排除，设正常部件nomal的起始坐标为(Xmin_nomal,Ymin_nomal)、(Xmax_nomal,Ymax_nomal)；干扰螺栓E的起始坐标为(Xmin,Ymin)、(Xmax,Ymax)；则排除干扰的判别规则如下：
如果Xmax<Xmin_nomal、Xmax_nomal<Xmin、Ymin_nomal>Ymax、Ymax_nomal<Ymin中满足一条，即将该干扰螺栓E坐标信息排除，这样使检测到的垂向减震器螺栓更加精确，避免因此种类型的螺栓导致故障判别的失准，进一步提高了识别准确率。
同时针对同一部件位置只需要将一条报警信息上传到平台的原则，为了避免重复报警，本文通过编写合框函数，将深度学习模型预测出来的相近报警框进行合并，最终将更加精准的故障识别信息上传到TEDS故障检车平台。
本发明故障识别整体流程图如图5所示。
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)

1.一种铁路动车组垂向减震器螺栓部件故障检测方法，其特征在于包括以下步骤：
步骤一：读取TEDS服务器上实时过车图像及过车信息；
步骤二：通过过车图像及过车信息提取出垂向减震器部件局部图像；
步骤三：对垂向减震器部件局部图像进行均衡化、归一化预处理；
步骤四：将预处理后的一部分图像进行PS故障模拟后，再进行样本标记，并构建训练样本集；
步骤五：搭建故障检测与分割模型，并利用训练样本集训练该模型；
步骤六：利用训练好的故障检测与分割模型进行故障判定。
2.根据权利要求1所述的一种铁路动车组垂向减震器螺栓部件故障检测方法，其特征在于所述均衡化预处理通过OpenCV图像处理技术完成。
3.根据权利要求1所述的一种铁路动车组垂向减震器螺栓部件故障检测方法，其特征在于所述步骤五的具体步骤为：
A：配置TensorFlow框架以及相关环境变量，搭建故障检测与分割模型；
B：利用python程序将训练样本集转换成tfrecord格式的训练集和验证集文件，同时准备好训练深度学习模型的配置文件，即类标签文件label_map.pbtxt和训练参数文件train_mask_rcnn_inception_v2.config；
C：训练模型，并实时观察训练过程loss误差下降曲线，直到训练出最优的模型文件mask_rcnn_inception_v2_model.ckpt，然后将ckpt模型导出为pb格式模型作为部件检测模型。
4.根据权利要求3所述的一种铁路动车组垂向减震器螺栓部件故障检测方法，其特征在于所述深度学习模型为改进的Mask R-CNN深度学习模型，其改进步骤为：
第一步：主干网络backbone的设计
使用Inception v2网络结构替换CNN特征提取网络，对提取出的特征，进行BatchNormalization正则化处理；
第二步：RPN区域特征提取网络
主干网络连接RPN网络进行特征提取，将提取出的感兴趣区域作为特征图featuremap；
第三步：连接ROI Align层
在检测任务中将ROI Pooling层替换为ROIAlign层；
第四步：目标检测分类与回归
连接全连接层，利用第二步RPN网络提取到的ROI感兴趣区域特征feature map进行目标的回归与分类，最终得到目标的类别classes和回归框bounding boxes，并将它们用于进一步的检测分割；
第五步：增加mask branch分割分支
在第四步目标检测到ROI感兴趣区域特征的同时通过FCN分割网络增加mask预测分支，再结合每个ROI感兴趣区域目标检测结果，得到每个目标的分类和分割效果。
5.根据权利要求1所述的一种铁路动车组垂向减震器螺栓部件故障检测方法，其特征在于所述均衡化、归一化预处理的具体步骤为：
首先采用自适应直方图均衡化对垂向减震器部件局部图像的对比度进行调整，均衡化后的图像用函数表示为：
Figure FDA0002586139740000021
其中，xi表示像素值，h(xi)表示直方图中每个灰度级像素的个数，ω和h分别表示图像的宽和高，L表示灰度级，最后将图像归一化为统一尺寸。
6.根据权利要求5所述的一种铁路动车组垂向减震器螺栓部件故障检测方法，其特征在于所述灰度级L为256。
7.根据权利要求1所述的一种铁路动车组垂向减震器螺栓部件故障检测方法，其特征在于所述步骤四中样本标记采用LabelImg和Labelme标记工具。
8.根据权利要求7所述的一种铁路动车组垂向减震器螺栓部件故障检测方法，其特征在于所述步骤四中样本标记的具体步骤为：
首先利用LabelImg工具标记垂向减震器螺栓区域矩形框，生成对应的xml文件，
然后利用Labelme工具标记出垂向减震器螺栓的轮廓，生成json文件，再把json文件转化为png格式的掩模标注文件。
9.根据权利要求1所述的一种铁路动车组垂向减震器螺栓部件故障检测方法，其特征在于所述步骤六中故障判定的具体步骤为：
首先将部件图像输入到故障检测与分割模型中，经过检测和分割后，判定得到的垂向减震器螺栓信息中是否包含部件nomal、垂向减震器螺栓S1和垂向减震器螺栓S2，若全部包含则认为部件无故障，否则，则输出故障信息，认为螺栓丢失。
10.根据权利要求9所述的一种铁路动车组垂向减震器螺栓部件故障检测方法，其特征在于所述步骤六中经过检测和分割后，还包括干扰排除步骤，所述干扰排除步骤具体如下：
设部件nomal的起始坐标为(Xmin_nomal,Ymin_nomal)、(Xmax_nomal,Ymax_nomal)；干扰螺栓E的起始坐标为(Xmin,Ymin)、(Xmax,Ymax)；则排除干扰的判别规则如下：
如果Xmax<Xmin_nomal、Xmax_nomal<Xmin、Ymin_nomal>Ymax、Ymax_nomal<Ymin中满足一条，即将该干扰螺栓E坐标信息排除。
CN202010681856.5A 2020-07-15 2020-07-15 一种铁路动车组垂向减震器螺栓部件故障检测方法 Pending CN111862029A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010681856.5A CN111862029A (zh) 2020-07-15 2020-07-15 一种铁路动车组垂向减震器螺栓部件故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010681856.5A CN111862029A (zh) 2020-07-15 2020-07-15 一种铁路动车组垂向减震器螺栓部件故障检测方法

Publications (1)

Publication Number Publication Date
CN111862029A true CN111862029A (zh) 2020-10-30

Family

ID=72984031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010681856.5A Pending CN111862029A (zh) 2020-07-15 2020-07-15 一种铁路动车组垂向减震器螺栓部件故障检测方法

Country Status (1)

Country Link
CN (1) CN111862029A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508013A (zh) * 2020-12-02 2021-03-16 哈尔滨市科佳通用机电股份有限公司 一种锁扣丢失故障检测方法、系统及装置
CN112613560A (zh) * 2020-12-24 2021-04-06 哈尔滨市科佳通用机电股份有限公司 一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法
CN112634242A (zh) * 2020-12-25 2021-04-09 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制动梁脱落检测方法
CN112733747A (zh) * 2021-01-14 2021-04-30 哈尔滨市科佳通用机电股份有限公司 一种缓解阀拉杆脱落故障的识别方法、系统及装置
CN112907734A (zh) * 2021-03-09 2021-06-04 中南大学 基于虚拟crh380a模型和深度学习的teds故障检测方法
CN113158966A (zh) * 2021-05-08 2021-07-23 浙江浩腾电子科技股份有限公司 基于深度学习的非机动车骑车带人行为识别的检测方法
CN113177571A (zh) * 2020-11-20 2021-07-27 广东电网有限责任公司广州供电局 一种模版驱动的输电塔螺栓定位和异常检测方法
CN115439451A (zh) * 2022-09-09 2022-12-06 哈尔滨市科佳通用机电股份有限公司 一种铁路货车转向架弹簧托板的去噪检测方法
CN116129112A (zh) * 2022-12-28 2023-05-16 深圳市人工智能与机器人研究院 一种核酸检测机器人的口腔三维点云分割方法及机器人
CN118196523A (zh) * 2024-03-28 2024-06-14 北京洛斯达科技发展有限公司 一种电力铁塔地脚螺栓安装不规范智能识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
US20180370027A1 (en) * 2017-06-27 2018-12-27 Fanuc Corporation Machine learning device, robot control system, and machine learning method
CN109284669A (zh) * 2018-08-01 2019-01-29 辽宁工业大学 基于Mask RCNN的行人检测方法
CN110083719A (zh) * 2019-03-29 2019-08-02 杭州电子科技大学 一种基于深度学习的工业制品病疵检测方法
CN110135408A (zh) * 2019-03-26 2019-08-16 北京捷通华声科技股份有限公司 文本图像检测方法、网络以及设备
CN111080603A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车轴端螺栓折断故障检测方法
CN111080604A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车钩提杆折断故障图像识别方法
CN111091545A (zh) * 2019-12-12 2020-05-01 哈尔滨市科佳通用机电股份有限公司 铁路货车滚动轴承轴端螺栓丢失故障的检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
US20180370027A1 (en) * 2017-06-27 2018-12-27 Fanuc Corporation Machine learning device, robot control system, and machine learning method
CN109284669A (zh) * 2018-08-01 2019-01-29 辽宁工业大学 基于Mask RCNN的行人检测方法
CN110135408A (zh) * 2019-03-26 2019-08-16 北京捷通华声科技股份有限公司 文本图像检测方法、网络以及设备
CN110083719A (zh) * 2019-03-29 2019-08-02 杭州电子科技大学 一种基于深度学习的工业制品病疵检测方法
CN111080603A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车轴端螺栓折断故障检测方法
CN111080604A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车钩提杆折断故障图像识别方法
CN111091545A (zh) * 2019-12-12 2020-05-01 哈尔滨市科佳通用机电股份有限公司 铁路货车滚动轴承轴端螺栓丢失故障的检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
任浩等: "深度学习在故障诊断领域中的研究现状与挑战", 《控制与决策》 *
吴琛: "基于图像处理的动车组走行部故障检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
苟先太等: "一种基于改进NMS的牛脸检测方法", 《计算机与现代化》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177571A (zh) * 2020-11-20 2021-07-27 广东电网有限责任公司广州供电局 一种模版驱动的输电塔螺栓定位和异常检测方法
CN112508013A (zh) * 2020-12-02 2021-03-16 哈尔滨市科佳通用机电股份有限公司 一种锁扣丢失故障检测方法、系统及装置
CN112508013B (zh) * 2020-12-02 2021-07-16 哈尔滨市科佳通用机电股份有限公司 一种锁扣丢失故障检测方法、系统及装置
CN112613560A (zh) * 2020-12-24 2021-04-06 哈尔滨市科佳通用机电股份有限公司 一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法
CN112634242A (zh) * 2020-12-25 2021-04-09 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制动梁脱落检测方法
CN112634242B (zh) * 2020-12-25 2021-08-24 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制动梁脱落检测方法
CN112733747A (zh) * 2021-01-14 2021-04-30 哈尔滨市科佳通用机电股份有限公司 一种缓解阀拉杆脱落故障的识别方法、系统及装置
CN112907734A (zh) * 2021-03-09 2021-06-04 中南大学 基于虚拟crh380a模型和深度学习的teds故障检测方法
CN113158966A (zh) * 2021-05-08 2021-07-23 浙江浩腾电子科技股份有限公司 基于深度学习的非机动车骑车带人行为识别的检测方法
CN115439451A (zh) * 2022-09-09 2022-12-06 哈尔滨市科佳通用机电股份有限公司 一种铁路货车转向架弹簧托板的去噪检测方法
CN116129112A (zh) * 2022-12-28 2023-05-16 深圳市人工智能与机器人研究院 一种核酸检测机器人的口腔三维点云分割方法及机器人
CN118196523A (zh) * 2024-03-28 2024-06-14 北京洛斯达科技发展有限公司 一种电力铁塔地脚螺栓安装不规范智能识别方法

Similar Documents

Publication Publication Date Title
CN111862029A (zh) 一种铁路动车组垂向减震器螺栓部件故障检测方法
CN111815605B (zh) 基于分步深度学习的轨枕缺陷检测方法及存储介质
CN111080598B (zh) 一种钩尾销安全吊的螺栓、螺母缺失检测方法
CN111080608A (zh) 铁路货车脱轨自动制动阀塞门手把关闭故障图像识别方法
CN110120036A (zh) 一种多尺度的轮胎x光病疵检测方法
CN111080600A (zh) 一种铁路货车弹簧托板上开口销的故障识别方法
CN111080611A (zh) 一种铁路货车摇枕弹簧折断故障图像识别方法
CN105260744A (zh) 一种货运列车钩尾扁销部位故障的自动在线诊断方法及系统
CN111079631A (zh) 一种铁路货车钩提杆脱落故障识别方法及系统
CN111079734B (zh) 铁路货车三角孔异物检测方法
CN113516629A (zh) Tfds通过作业智能检测系统
CN111080604B (zh) 一种铁路货车钩提杆折断故障图像识别方法
CN111862065B (zh) 基于多任务深度卷积神经网络的输电线路诊断方法和系统
CN118506299B (zh) 一种轨道列车的车体异常检测方法、设备及存储介质
CN113788051A (zh) 列车在站运行状态监测分析系统
CN115965915B (zh) 基于深度学习的铁路货车连接拉杆折断故障识别方法及识别系统
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系统
CN115424128A (zh) 一种货车转向架下拉杆故障图像检测方法及系统
CN114743099A (zh) 列车关键部件故障识别方法、装置
CN112132088B (zh) 一种巡检点位漏巡识别方法
CN112801110B (zh) 轨道列车线阵相机图像畸变校正的目标检测方法及装置
CN115272850A (zh) 一种铁路货车bab型闸调器拉杆头折断故障识别方法
CN106355187A (zh) 视觉信息在电力设备监测中的应用
CN112102280B (zh) 铁路货车小部件承挡键螺母松动和丢失故障检测方法
CN116188449B (zh) 铁路货车缓解阀拉杆开口销丢失故障识别方法及设备

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: 20201030

RJ01 Rejection of invention patent application after publication