基于HALCON的钢轨表面缺陷检测技术研究

针对当前检测钢轨表面缺陷存在的效率低、易漏检误检问题,提出一种基于HALCON图像处理软件开发的钢轨表面缺陷检测方法,实现测量过程中对缺陷图像的识别和处理。通过钢轨模拟检测平台采集钢轨表面图像,利用HALCON软件对获取的原始图像进行预处理、边缘检测、目标特征提取,计算相关几何特征信息并定位钢轨表面缺陷。实验表明,该方法具有较高的测量精度和测量效率,能够满足实际应用,为钢轨表面缺陷在线检测提供了新的途径。     

基于2阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法

基于高铁接触网悬挂运行状态监测图像,分析监测图像与普通图像的区别;将紧固件缺陷检测问题转换为紧固件检测和运行状态精细识别2个过程,提出基于2阶级联卷积神经网络的紧固件缺陷识别方法。首先,设计紧固件检测网络,由轻量级特征提取网络、全局注意力模块及相互增强的分类器和检测器组成,实现目标紧固件实例的高效检测;然后,搭建1个包含4个卷积层、2个池化层、1个全连接层和1个输出层的多标签分类网络,完成紧固件运行状态的精细分类,实现缺陷识别。运用紧固体缺陷识别方法,对某高铁线路接触网状态监测图像数据进行试验分析,结果表明:2阶级联卷积神经网络的方法可以快速准确地检测紧固件的缺陷,紧固件定位平均检出率达98.2%,紧固件缺陷平均识别精度达95.8%,较单一检测网络提高约21.5%。     

一种多通道信息融合的横向减振器性能退化阶段辨别方法

对于转向架这样复杂的系统,分布在系统不同位置的传感器可以实时检测大量数据。这些数据能够反映高速列车运行过程中转向架关键部件的性能退化状态,但单一通道的振动信号存在着信息缺失、信噪比低等缺陷,无法据此实现转向架关键部件性能退化阶段的精确辨识。因此,本文以横向减振器为研究对象,通过对转向架振动数据相关性分析,提出了车体和转向架上多个通道的振动信号共同用于横向减振器性能退化阶段辨识的方法。并通过构建基于CNN的多通道信息融合模型,将多个通道信息进行融合,实现了横向减振器性能退化特征的自适应提取与阶段辨识。将该方法与基于单个通道的方法进行比较,结果表明,该方法能够精确实现横向减振器间隔10%的性能退化阶段辨识。     

动车组主要关键部件安装状态图像检测系统的设计与实现

动车组关键部件安装状态图像检测系统(SEDS)以图像自动识别技术为核心,采集动车组关键部位(闸片及其附件、裙板三角锁、底板螺栓等)可视部位图像,自动检测动车组关键部位的安装状态,对关键部位安装状态的异常图像进行预警。文章还对安装在南昌西动车所出入库咽喉处的SEDS系统的应用情况进行了分析。     

一种智能机器人系统在动车组一级修作业中的应用

文章介绍一种基于图像及声学自动识别技术的智能机器人综合探测系统,可实现动车组关键部件状态准确分析、异音诊断及故障分级预警,部分关键技术填补了国内相关领域技术空白,系统成功应用到全国各铁路局部分动车所一级修检修基地,有效提升了动车组一级修作业智能化水平和故障检修效率并减轻了人工作业的劳动强度,实现动车组一级修从“人检人修”到“机检人修”的跨越。     

用于动车组故障检测的图像识别算法

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。     

基于卷积神经网络的动车组行车安全图像缺陷检测与分割

动车组运行故障动态图像检测系统TEDS在客运专线安装部署,为动车组安全运行提供保障。针对TEDS缺陷自动检测精度低的问题,提出基于卷积神经网络的TEDS缺陷检测与分割模型,采用特征金字塔网络提取缺陷的多尺度融合特征,采用可改变感受野的可变形卷积DCN适应缺陷形态的多样性。TEDS缺陷检测任务中缺陷数量远小于背景数量,采用在线困难样本挖掘OHEM筛选出困难样本,重新输入预测网络以平衡正负样本的比例。通过对几个动车段的TEDS图像数据进行试验分析,结果表明该模型的准确率、召回率优于传统方法。另外,迁移学习试验结果验证了模型的泛化能力,且该模型可以实现缺陷的精准分割。     

基于线阵相机扫描的地铁车顶关键部件检测研究

文章提出了基于线阵相机扫描的状态监测方法,采用3台线阵相机对车顶图像进行扫描,根据实时采集的车速信息对图像矫正后拼接成全局图,利用HOUGH不规则形状检测实现对关键部件进行定位,再针对不同部件使用不同算法分析当前状态与历史状态的差异,重点对受电弓滑板和绝缘瓷瓶进行了算法分析,结果表明,可以较好地实现异常状态的判定。     

基于深度学习的TFDS货车故障图像智能识别算法研究

货车关键部件故障的准确识别对车辆的运用工作非常重要。目前主要依靠动态检车员基于TFDS系统所获取的图像进行人工分析,耗费大量人力、物力,分析效率较低,并且易出现故障漏报,对车辆的运行安全造成隐患。文章提出了基于深度学习的目标检测加部件故障识别的两阶段车辆故障识别算法,通过对标注的图像进行模型训练,实现车辆故障的智能识别。该算法已经在中国铁路郑州局集团郑州北车辆段完成有效性的验证,结果表明,该算法可实现对车辆部件的准确定位、故障自动识别及结果的综合分析,有效提升了TFDS系统的故障识别准确率,大幅降低了漏报率,对于提高货车车辆运用工作的智能化水平,保障运行安全具有重大意义。     

基于改进YOLOv2的动车组裙板螺栓检测

目前,动车组运行故障图像检测系统(TEDS)采集的动车组关键部位图像主要由人工判别,为提高裙板螺栓检测效率,提出一种基于改进YOLOv2的运行动车组裙板螺栓丢失检测方法.首先,通过K-Means聚类分析待检测螺栓区域目标框尺寸;其次,针对目标区域尺寸相似且较小的情况,在单尺度检测的YOLOv2模型中增加Spa-tial...     

基于深度学习的地铁列车走行部关键部件温度检测系统

地铁列车走行部的良好运行状态是列车安全运行的保障。针对其关键部件发热故障的检测问题，研发了基于深度学习的地铁列车走行部关键部件温度检测系统。该系统采用红外热像仪获取走行部热成像图，引入注意力机制模块和CIoU损失函数，改进YOLOv5目标检测模型，识别、定位出关键部件；对关键部件图像进行灰度化处理和自适应阈值分割等操作，提取温度。基于实验室的Pytorch深度学习平台，在南京地铁运营公司马群车辆段对所研发的系统进行实验。实验结果表明，该系统可以获取走行部热成像图，准确定位关键部件并提取其温度信息。     

基于长短期记忆网络的动车组轴箱轴承故障诊断预测模型研究

动车组轴箱轴承是动车组转向架的关键部件,其运行品质直接影响动车组的运营安全.以深度学习算法为基础,利用轴承振动信号时间序列的特点和LSTM(长短期记忆网络)擅长处理时间序列的优势,通过构建LSTM模型对轴承的故障状态进行识别,开发了基于深度学习的轴承故障诊断预测软件,实现了轴承故障早期的分类与诊断.模型的仿真和试验表明...     

基于视觉注意力和PLSA模型的钢轨表面缺陷检测

针对目前钢轨表面缺陷检测的速度,精度较低,分类较难的现状,提出一种基于视觉注意力和PLSA模型的钢轨表面缺陷检测方法;结合亮度和纹理特征的视觉注意力模型检测钢轨表面缺陷,提取原图像的缺陷区域,并采用PLSA模型对提取的缺陷进行分类。实验结果表明:所提出的方法提高了检测及分类的速度与精度,能满足钢轨表面缺陷检测的要求。     

炭素制品X射线图像的缺陷特征选择

针对炭素制品X射线检测图像的特点,对缺陷特征提取与选择技术进行了研究。为排除噪声干扰的影响,采用数学形态学和迭代阈值分割相结合的方法从原始图像中提取缺陷区域。在此基础上,从缺陷样本中提取19个特征值。为提高缺陷模式识别对各种噪声及干扰的鲁棒性,提出以特征组合分类能力数学模型为适合度函数,设计基于遗传算法的特征选择策略,实现了对缺陷原始特征量的优化选择。利用BP神经网络分类器及选择的特征值对缺陷进行模式分类。研究结果表明,所提出的选择方法可以用于缺陷的识别与分类。     

高速铁路ATP车载设备健康状态监测及智能诊断系统研究

为解决高速铁路列车自动防护（ATP,Automatic Train Protection）系统车载设备故障定位困难、人工检查任务繁重等问题,研制高速铁路ATP车载设备健康状态监测及智能诊断系统。该系统由轨旁检测设备、车载诊断记录单元和地面维护中心设备构成。车载诊断记录单元自动采集ATP车载设备各单元应用软件的日志数据及关键部件电气特征数据,并通过车–地无线传输通道将数据传输至地面维护中心;轨旁检测设备根据不同车型,准确地采集动车组车外ATP车载设备的图像及安装测量数据。该系统能够自动识别ATP车载设备的外观缺陷和安装异常,提供ATP车载设备健康状态监测和故障分析诊断功能,有助于提高ATP车载设备维护效率。     

图像处理技术在钢轨表面缺陷检测和分类中的应用

采用图像处理、模式识别及机器视觉等理论,对现役钢轨缺陷进行检测和分类.完成自动提取缺陷图像和最小化缺陷图像,以减少处理量并降低存储空间需求,自动判断缺陷类别.文章对采集到的缺陷图像进行处理,实验结果证明该方法能够正确实现检测轨道表面缺陷检测,并具有一定的适用性.此方法可以克服人工检测方法的许多弊端,提高检测速度和精度.     

电气化铁路弓网综合检测数据分析方法

针对电气化铁路弓网综合检测数据分析及现场运行维护需求,运用数据分析工具介绍接触网主要结构形式在弓网综合检测数据中的典型特征和利用典型特征进行缺陷定位的方法,结合接触网局部缺陷诊断与综合状态评价的分析应用,提出阈值管理、图像辅助、重复对比、图形化、数据综合、数据融合等分析方法,并以实例验证了该分析方法排查接触网设备缺陷的实际效果。基于接触网检测数据分析提出的分析方法,为提升接触网检测数据分析质量,深入挖掘检测数据价值,推动电气化铁路接触网精准维修提供支撑。     

基于目标识别与跟踪的嵌入式铁路异物侵限检测算法研究

铁路线路异物侵限是威胁行车安全的一个重要隐患。基于机器视觉与嵌入式技术设计了异物侵限自动检测系统,利用FPGA和ARM芯片实现了图像采集处理硬件平台。提出异物目标分类和运动行为分析相结合的嵌入式异物侵限检测算法。算法采用两级判别结构,首先利用支持向量机及一组特征向量对背景差分图像得到的异物目标进行分类,根据分类结果滤除大部分行进列车目标,之后运用Kalman滤波器设计目标跟踪算法,对其余目标进行行为和运动趋势分析,滤除其中非侵限干扰信息提高报警准确率,并对有侵限趋势的异物提前预警。实验表明,该系统能够有效地识别检测区域内的异物目标,系统侵限报警准确率达到97.11%,平均检测频率达13帧/s。     

关于动车组故障轨边图像检测系统的设计

说明了图像检测技术在动车组故障检测上应用的必要性,在介绍目前成熟的客车故障轨边图像检测系统原理的基础上,结合动车组图像检测范围和动车组物理构造,对动车组图像检测内容进行分析。在详细描述了系统采用的关键技术后,给出了动车组故障轨边图像检测设备的设计方案,并对西安动车所系统的应用情况和故障进行了简单的展示,最后提出了未来动车组故障图像检测技术发展的前景。     

动车组入所在线智能检测系统图像自动识别的研究与实现

介绍了新型动车组入所在线智能检测系统的组成,提出并实现了基于图像自动识别算法的智能检测方案,结果表明动车组入所在线智能检测系统具有较高的检测识别率和精度。