共查询到20条相似文献,搜索用时 93 毫秒
1.
针对货车运用工作存在问题,西安铁路局安装了货车运行故障动态图像检测系统(TFDS),该系统采用高速摄像机对货车进行在线监测,提取关键部位的图像,通过网络传输到列检分析中心,采用人机结合的方式对图像进行分析,及时发现故障,提高了列检效率,改善了作业条件。现介绍该系统在西安铁路局的基本使用情况及取得效果,对下步工作提出意见和建议。 相似文献
2.
货车故障轨边图像检测系统(TFDS)是利用轨边图像自动采集系统动态检查发现列车运行中车辆故障的安全保障设施,是确保铁路运输安全的重要行车设备。本文仅对TFDS运用中出现的问题及改进措施进行了简要探讨。 相似文献
3.
针对货车故障轨旁图像检测系统(TFDS,Trouble of moving Freight car Detection System)探测站存在的作业量不均衡、作业关系未有效利用、作业质量差异较大等问题,基于数据传输、数据挖掘、智能判别等技术,将多套TFDS采集的图像和列车信息进行统一存储和任务的智能分配,实现智能管理、作业联控、信息传递等功能。该系统在中国铁路郑州局集团有限公司上线以来,运行效果良好,故障发现效率提升20%以上,为车辆系统深化改革创造了条件,为专业化管理提供了技术支持。 相似文献
4.
针对采用面阵相机的货车故障轨边图像检测系统(TFDS)存在的不足,研究了线阵扫描技术在TFDS系统中应用的原理和构成,并进行了现场运用分析。 相似文献
5.
6.
7.
针对货车运行故障动态图像检测(TFDS)系统中的图像识别问题,提出一种基于Relief算法的解决方案.该方案采用梯度-共生矩阵的数字特征来描述一幅图像,然后通过Relief算法进行有效的特征选择,根据这些特征,通过模板匹配技术,最终检测出关门车故障.现场运用表明,该方案具有很高的实用性. 相似文献
8.
根据铁道部运装货车[2011]333号文件提出的,TFDS系统自动识别技术要求,按照”重点故障率先突破,识别范围不断扩大”的技术发展思路,研发了货车TFDS图像自动识别系统,基本实现了拦停类故障自动识别。安全关键部位自动识别,以及影响动态检查类效率类故障动识别。 相似文献
9.
10.
11.
介绍了铁路货车故障轨边图像检测系统(TFDS)的组成、原理和功能,并对该系统在实际运用中存在的问题,提出了采用彩色高像素数字摄像机、改进抗阳光成套技术、加装防雨和吹尘装置、增加智能判断货车车辆故障功能相应的对策,以完善系统的各项功能,提高保安全能力。 相似文献
12.
13.
针对货车故障轨旁图像检测系统(TFDS)中锁紧板偏转故障,提出一种基于霍夫变换、Canny边缘检测和形状模板相结合的HCRD(Hough-Canny-Right angle Detection)方法.通过霍夫变化及数学几何模型定位转向架锁紧板部位,再对Canny边缘检测后的边缘图像进行角度特征的检测,整个识别只需要一个形状模板就能实现锁紧板偏转图像高精度自动识别,具有很好的判别能力.采用python编程,平均每张图像识别时间为0.067 s.且锁紧板下边缘处是否有角度特征作为锁紧板是否偏转的判断依据,具有很高的可靠性.实验证明,HCRD方法能精确检测出锁紧板的非正常范围(>5°)的偏转,且具有较好的鲁棒性和抗噪能力.该方法为TFDS故障图像识别提供了一种新的思路. 相似文献
14.
根据铁路货车运行故障动态图像检测系统(TFDS)的分布特点,本文提出采用网页采集信息技术获取TFDS动态检车员作业信息,通过作业信息比对实现作业质量抽查功能. 相似文献
15.
任崇巍 《现代城市轨道交通》2019,(6)
针对货车故障轨边图像检测系统(TFDS)中的图像光照不均匀问题,提出一种基于双边滤波和Retinex算法的货车图像预处理方法。该方法首先利用双边滤波法把图像分成两部分(粗略图像和细节图像),然后利用Retinex算法对图像的粗略部分进行增强,最后把细节部分与处理好的粗略部分进行合成,以达到最佳的图像视觉效果。实验结果表明,该方法在保留图像细节的同时很好地克服了光照不均匀对图像的影响。 相似文献
16.
17.
18.
19.
动车组运行故障动态图像检测系统(TEDS)通过比对现场图像与其历史图像,实现列车运行状态的实时监测和自动报警。由于不同时间采集的图像存在一定程度的差异性,使得单纯基于SIFT特征匹配的故障识别算法误报率较高。为此,本文提出一种自适应融合局部和全局匹配的图像故障识别算法:将图像以车厢为基准对齐配准;基于SIFT特征匹配,通过局部比对粗略定位故障区域;以上述区域为模板,搜寻历史图像以精准定位故障位置。实验结果表明,本算法能有效地分析和预警运行动车组的异常情况,使得系统用户可及时发现重大故障,提升动车运营质量。 相似文献
20.
高速铁路车辆(简称:车辆)运行条件恶劣多变,车辆悬挂系统的可靠性关系到行车安全和乘坐舒适性。当车辆的悬挂系统发生故障时,振动信号呈现非线性、非平稳的特征。为此,提出了一种基于卷积神经网络(CNN,Convolutional Neural Network)-长短时记忆(LSTM,Long Short-Term Memory)模型的车辆悬挂系统故障识别方法。通过SIMPACK平台建立了包含悬挂系统的车辆-轨道耦合动力学模型,获得了车辆系统各部件在健康状态及各类故障状态下的振动信号;以与故障元件关联部件的振动加速度信号作为模型输入,通过构建的CNN-LSTM模型对时序信号进行特征提取和分类预测,进而实现对车辆悬挂系统的故障识别;通过构建不同工况的故障数据集对该方法进行评估。试验结果表明,该方法在速度等级相同的情况下,故障识别准确率可达98%;在速度等级不同的情况下,故障识别准确率可达99%,验证了该方法的有效性。 相似文献