图像测量技术在汽车轴距差检测中的应用研究

通过采集汽车直行中轮胎印迹图像 ,利用偏差相对测量法 ,即先测出汽车单轴的偏斜量 ,然后计算出汽车轴距左右差。通过开发的检测系统进行试验 ,结果表明 ,检测精度满足汽车轴距左右差在线检测要求。     

图像识别技术在BIM运维管理中的应用研究

针对当前铁路运维管理中利用BIM技术构建的运维管理平台,提出基于图像识别技术维护日常运维的应用方案:将图像识别技术和BIM技术结合应用到运维管理的信息化系统中,通过对比不同的识别技术,提出了应用YOLOV3更新设备状态信息的方法,以提高运维管理工作的效率和质量.     

铁路线路障碍物判识技术及应用

西南铁路沿线环境复杂,降雨、地震时常引发岩石等物体滚落在线路之上,危及高速铁路及普速铁路的行车安全。为保障行车安全,中国铁路成都局集团在沪昆铁路等设立了异物侵限监测报警系统,然而列车临停、小动物上道、人工作业等时常引发系统报警,拦停列车或干扰现场作业。本文介绍了基于三维模式的线路障碍自动监测报警系统,该系统采用三维激光雷达对线路设定的防区进行扫描得到点云数据,线路两边同时增设视频监控设备得到图像数据,通过激光雷达点云数据与图像数据融合,对侵限物体目标实现多类别的识别,过滤报警干扰项,有效地避免了铁路线路限界内障碍物监测报警系统存在无效报警情况,极大地降低了误报对行车的干扰。     

机器视觉在船舶监控系统虚假图像识别中的应用

船舶机舱监控系统利用视频图像采集装置,对机舱内关键设备的运行状态、工作人员的活动等进行实时监控。监控系统的关键技术是进行机舱监控视频图像的处理,剔除虚假图像信号,提取能够表征舰船机舱设备、人员工作状态的信息。本文将重点放在舰船监控系统的虚假图像识别中,充分利用计算机视觉技术从图像的前处理、后处理、虚假图像提取等方面进行详细研究。     

动车组位置追踪系统常见问题影响分析及解决方法

从动车组位置追踪系统的系统原理、系统接口等方面出发,分析了系统日常应用过程中常见问题的影响,并给出了相应的解决方法,为动车段/所位置追踪系统的设计、应用和维护提供了积极的思路。     

图像智能识别技术在舰船电力系统远程设备监控的应用

当前图像智能识别技术在人脸识别、指纹识别等领域获得了非常广泛的应用。舰船电力系统设备是保障舰船作战能力的关键,实现舰船电力系统设备的远程监控具有非常重要的意义。图像智能识别技术需要处理的数据量较大,本文使用了一种基于VB和Matlab混合编程的方法,充分结合了VB和Matlab的优点,设计了舰船电力远程设备监控系统的架构和软件界面,给出了BP神经网络进行图像识别的工作流程。系统能够正确提取图像并识别仪器上的数字,且具有速度快等优点。     

基于无靶标图像的轨道交通隧道内积水检测技术

轨道交通隧道区段轨行区积水影响行车安全甚至引发严重安全事件。本文介绍一种应用于轨道交通隧道内、基于计算机光谱图像的轨行区积水检测系统。通过对积水检测现状的介绍和光谱反射特点的分析,针对轨行区单点式图像积水检测识别范围窄、无法区域化识别的局限性,提出了利用特定激光补光及图像采集分析判别系统实现区域式无靶标积水的有效检测并阐述了该检测系统的工作原理、系统架构和算法构成。在厦门轨道交通1号线试车线隧道区段搭建模拟轨行区积水的场景进行现场测试,结果表明该系统对轨行区积水检测具有良好的识别效果。     

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。     

基于图像识别分析探测隧道火灾的技术与创新

目前,应用火灾探测器系统进行检测隧道火灾时,由于隧道中存在粉尘多、潮气重和风速大等特点,因而存在火灾自动报警设备误报率和漏报率高等问题,针对这些问题,提出了一种基于图像识别分析探测隧道火灾的技术。该技术通过红外、近红外、可见光的多频视频摄像,采集火灾初期的烟雾和火焰图像,提取烟雾和火焰相关物理特性,进行融合计算,形成火灾概率信息并同时输出复合图像信息。通过实验验证,整个系统能够同时复合检测温度、火焰和烟雾等多种在火灾发生时产生的物理量,且探测过程全程可视化,具有较强的实时性、准确性和稳定性。     

山岭隧道爆破效果神经网络评价模型及爆破参数优化决策方法研究

针对山岭隧道爆破开挖普遍存在的超欠挖过大、渣体块度不适等问题，分析了造成这些问题的主要因素，确定了隧道爆破开挖效果评价指标体系，建立了以爆破块度和超欠挖量为预测目标的隧道爆破效果神经网络评价模型，提出了基于深度学习的隧道爆破渣体块度实例分割算法，形成了山岭隧道爆破参数优化决策方法，进而开展了工程应用与验证。结果表明：（1）基于深度学习的隧道爆破渣体块度实例分割算法检测出的块体大小与真实值误差小于6.9%（置信度为95%），实现了隧道渣体块度样本数据的快速获取；（2）经148组工程实践样本数据训练后的隧道爆破效果神经网络评价模型能够较为准确地预测出爆破渣体块度与超挖量；（3）爆破参数优化后试验断面的平均线超挖量均在10%左右，较原方案降低了50%以上；实测得到的渣体块度与超挖值与模型预测结果一致性良好，偏差小于20%。