公开(公告)号：CN113128555B

公开(公告)日：2022-05-31

申请号：CN202110258195.X

申请日：2021-03-09

Applicant: 西南交通大学

Inventor： 秦娜 ,  周重合 ,  黄德青 ,  张宗泓 ,  刘龙凯 ,  宋晨健

IPC: G06K9/62 ,  G06V10/774 ,  G06V10/75 ,  G06V10/22 ,  G06N3/04

Abstract: 本发明公开了一种用于列车闸片部件异常检测的方法，步骤如下：步骤一、将采集到的闸片数据进行图像预处理；步骤二、利用Yo l oV4‑t i ny目标检测模型加载训练好的权重文件，对闸片图片进行钩子部件定位以及销子部件的异常检测，Yo l oV4‑t i ny目标检测模型对销子进行一步到位检测并输出检测结果；步骤三、同时利用Yo l oV4‑t i ny目标检测模型对钩子部件定位，将钩子部件区域截出，再使用改进的OC‑CNN异常检测网络对钩子截图进行检测；步骤四、通过OC‑CNN检测钩子截图得到异常分数，判断钩子是否存在异常并输出检测结果；步骤五、综合Yo l oV4‑t i ny以及改进OC‑CNN的检测结果，得到整个闸片的详细异常信息。本发明Yo l oV4‑t i ny与OC‑CNN组成一个完整的闸片异常检测模型，能够快速，准确，高效完成闸片的异常检测。

公开(公告)号：CN111291806A

公开(公告)日：2020-06-16

申请号：CN202010078108.8

申请日：2020-02-02

Applicant: 西南交通大学

Inventor： 秦娜 ,  刘龙凯 ,  黄德青 ,  吴比 ,  张宗泓

IPC: G06K9/62 ,  G06K9/38 ,  G06K9/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及工业检测技术领域，具体涉及一种基于卷积神经网络工业产品标签号的识别方法，包括训练建立模型和标签号识别，利用深层神经网络VGG-16完成图像识别任务，通过精确地对工件数字标签分类，有效的提高了分辨故障模具的精确率，相比较传统图像分类方法，采用深度学习，准确率高，鲁棒性强；利用神经网络剪枝中的通道剪枝的方法对VGG-16进行压缩和推理加速，能够将训练好的模型压缩约25倍，并且将浮点操作运算减少约4倍，因而能够将模型部署到嵌入式设备中，相对于采用云计算方式，极大的减少成本预算，同时也避免了延迟，能够实时处理分析数据。

公开(公告)号：CN113362302B

公开(公告)日：2023-04-07

申请号：CN202110620998.5

申请日：2021-06-03

Applicant: 西南交通大学

Inventor： 黄德青 ,  张宗泓 ,  秦娜 ,  刘龙凯

IPC: G06T7/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及列车故障检测技术领域，涉及一种基于图像识别的地铁列车电气箱盖的故障检测方法，包括：1、通过线扫相机获取电气箱盖部件的正负样本数据集；2、对数据集进行预处理，转换为伪彩色图；3、用正样本的数据集用于Nanodet的训练；4、通过裁剪得到分类正样本集；负样本上经过翻转，加入噪声进行数据增强，对负样本的数目进行扩充，定位后裁剪，得到分类负样本集；5、将分类负样本集与分类正样本集一起训练，最终得到故障检测模型；6、将待检测样本输入故障检测模型进行测试。本发明能够有效地检测出电气箱盖部件出现的故障，准确率高。

公开(公告)号：CN113128555A

公开(公告)日：2021-07-16

申请号：CN202110258195.X

申请日：2021-03-09

Applicant: 西南交通大学

Inventor： 秦娜 ,  周重合 ,  黄德青 ,  张宗泓 ,  刘龙凯 ,  宋晨健

IPC: G06K9/62 ,  G06K9/20 ,  G06N3/04

Abstract: 本发明公开了一种用于列车闸片部件异常检测的方法，步骤如下：步骤一、将采集到的闸片数据进行图像预处理；步骤二、利用Yo l oV4‑t i ny目标检测模型加载训练好的权重文件，对闸片图片进行钩子部件定位以及销子部件的异常检测，Yo l oV4‑t i ny目标检测模型对销子进行一步到位检测并输出检测结果；步骤三、同时利用Yo l oV4‑t i ny目标检测模型对钩子部件定位，将钩子部件区域截出，再使用改进的OC‑CNN异常检测网络对钩子截图进行检测；步骤四、通过OC‑CNN检测钩子截图得到异常分数，判断钩子是否存在异常并输出检测结果；步骤五、综合Yo l oV4‑t i ny以及改进OC‑CNN的检测结果，得到整个闸片的详细异常信息。本发明Yo l oV4‑t i ny与OC‑CNN组成一个完整的闸片异常检测模型，能够快速，准确，高效完成闸片的异常检测。

公开(公告)号：CN113362302A

公开(公告)日：2021-09-07

申请号：CN202110620998.5

申请日：2021-06-03

Applicant: 西南交通大学

Inventor： 黄德青 ,  张宗泓 ,  秦娜 ,  刘龙凯

IPC: G06T7/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及列车故障检测技术领域，涉及一种基于图像识别的地铁列车电气箱盖的故障检测方法，包括：1、通过线扫相机获取电气箱盖部件的正负样本数据集；2、对数据集进行预处理，转换为伪彩色图；3、用正样本的数据集用于Nanodet的训练；4、通过裁剪得到分类正样本集；负样本上经过翻转，加入噪声进行数据增强，对负样本的数目进行扩充，定位后裁剪，得到分类负样本集；5、将分类负样本集与分类正样本集一起训练，最终得到故障检测模型；6、将待检测样本输入故障检测模型进行测试。本发明能够有效地检测出电气箱盖部件出现的故障，准确率高。