一、货车心盘螺栓松动的原因分析及改进建议(论文文献综述)
陈甲伟[1](2021)在《机电产品包装箱的性能分析与状态监测》文中研究说明随着我国经济的快速稳定发展,机电产品的需求也迅速增长,机电产品包装箱作为机电产品运输过程中不可或缺的物件承担着保护机电产品不被外力损坏的重任,包装箱的使用已经得到越来越多的重视,关于机电产品包装箱的结构性能分析研究逐渐增加,目前针对机电产品包装箱的结构性能分析大部分基于包装箱在静态环境下的载荷受力状态,而包装箱在运输过程中,由于路面不平整等因素长期处于周期性的振动载荷作用,由此引发的结构失效可能导致产品的严重破坏。针对这一问题,本课题开展了机电产品包装箱的性能分析与状态监测研究,对机电产品包装箱在运输途中的安全保障具有重要的理论意义和实用价值,具体完成了以下主要内容:(1)研究了机电产品包装箱整体结构在周期性振动载荷作用下的性能。首先以机电产品包装箱实物为研究对象,通过Solidworks软件建立了包装箱的三维实体模型,并对模型进行网格划分。其次,设计了五种受力情况模拟包装箱在运输过程中的状态,受力情况包括单面受力与多面同时受力。最后,基于木材山毛榉的材料参数,在有限元分析软件Abaqus中进行参数设置并进行分析,获得了机电产品包装箱在周期性振动载荷各种作用情况下的性能表现,结果说明包装箱螺栓连接结构在承受横向载荷时更加容易失效。(2)研究了包装箱螺栓连接结构在横向载荷作用下的松动性能。首先采用有限元分析方法,建立了较为精细的、带有螺纹升角特征的螺栓连接结构网格模型。其次,通过Abaqus软件进行有限元分析。最后,利用分析结果研究了松动过程中螺纹接触面及螺头接触面的接触状态变化规律,并且比较了各种因素对松动性能产生的影响,包括载荷幅值、载荷频率、载荷作用位置、材料属性。(3)利用计算机视觉技术研究了木结构螺栓连接松动小角度的监测方法。首先设计了不同的松动角度识别方案。其次,开展了监测模型训练,通过比较不同方案的结果得到了最好的角度识别效果。接着,进行了最小松动角度识别的精度测试,结果表明最小识别角度可达到1度。最后,研究了多个螺栓情况下的螺栓松动角度监测情况,结果证明该方法可以同时监测多个螺栓的松动角度,说明该方法实施成本低,可以做到高效监测。
徐恒[2](2021)在《基于深度学习的铁路客车转向架隐患图像检测研究》文中进行了进一步梳理铁路客车转向架作为承载车体的主要部件,是确保客车运行安全的关键因素,因此对其进行动态隐患检测尤为重要。目前,我国已借助高速摄像机建立覆盖整个铁路网络的客车可视化TVDS系统,列检员需从拍摄到的图像中查找隐患,此方法需要其在短时间内完成上千部位的隐患检测任务,这对列检员业务能力有极高要求并且长时间人工作业无法保证检测准确率。因此,利用计算机视觉中的目标检测技术对拍摄图像进行隐患自动检测是一项十分有意义的工作。本文通过对收集到的TVDS图像整理得到5类隐患分别为:螺栓丢失、开口销丢失、连接线断开、部件漏油和夹带异物,以此为研究对象结合深度学习的目标检测算法实现隐患图像自动检测。主要工作如下:(1)深度学习算法训练时需要大量样本,本文采用数据增强方式扩充隐患样本以满足模型训练需求,将扩充后的2226张隐患样本制作成Pascal VOC的格式并命名为TL_Dataset数据集。通过实验Faster R-CNN算法对5类隐患部件的均值平均精度为74.94%,相较原数据集训练出的模型Map值提高17.35%。(2)针对螺栓、开口销两类小目标隐患检测效果不佳的情况,提出对Faster R-CNN算法从3个方面进行优化。首先将算法中的基准网络替换为Det Net-59并对网络后4层输出融合为多尺度特征图;其次使用K-means++算法对标注框聚类将得到的结果作为新的锚框方案;最后采用Pr ROI pooling作为感兴趣区域的池化操作。用本文优化后的算法在测试集上实验并与原算法结果对比,螺栓和开口销隐患的检测准确率分别提升38.02%和8.36%,且5类隐患的均值平均精度提升11.2%。(3)基于优化后的Faster R-CNN算法,采用Django框架设计客车转向架隐患检测预警系统。根据调研情况,将系统设计为5个主要模块与“双确认”机制的结构,实现对TVDS拍摄图像的自动化检测和隐患管理,最后结合相关规定划分隐患等级,提出对应隐患等级的处置方案。本文利用基于深度学习的Faster R-CNN目标算法实现了客车转向架区域螺栓丢失、开口销丢失、连接线断开、部件漏油和夹带异物5类隐患部件的自动检测,并依托优化后的算法设计了客车转向架隐患检测预警系统,为后续完善铁路客车隐患自动化、智能化检测提供了研究思路和技术手段。
宋鑫鑫[3](2019)在《基于图像处理技术的列车部件异常自动检测方法研究及应用》文中研究说明随着我国铁路列车的不断发展,铁路列车承担着全国交通运输重大责任,铁路列车的安全运行也受到越来越多的关注。列车结构复杂,零部件多,人工对列车检查需要大量的时间和人力,而目前广泛使用的基于图像的列车部件故障检测系统只能对列车的某些关键部位进行故障检测,无法完成列车的零部件检测。因此,对列车零部件故障检测的研究也是不可缺少的。为了有效完成零部件故障检测,本文以列车闸瓦螺栓、闸瓦插销和沙壶部件作为研究对象,运用相关图像处理技术的方法实现了列车闸瓦螺栓、闸瓦插销和沙壶部件异常自动检测。本文的主要内容分为以下三个方面:1、建立了基于GS-SIFT特征描述子的列车闸瓦螺栓丢失识别方法。首先对闸瓦图像进行预处理;由于SIFT算法自身的缺陷,通过对比分析,得出GS-SIFT算法在不同场景中,对待测闸瓦图像和模板闸瓦图像进行特征匹配时,有更强的适应性;进而又通过RANSAC算法筛选得到精确匹配点;对待测闸瓦图像进行旋转和缩放矫正;分割目标区域;最后取正常螺栓图像作为模板遍历目标区域图像,判断螺栓是否丢失。本算法运行稳定,准确率达到96%。2、建立了基于Canny的列车闸瓦插销开角故障识别方法。首先依据闸瓦螺栓和插销的固定位置的区域结构,初步定位分割插销目标区域;预处理插销区域;阐述了本文采用的Canny边缘检测算法对插销区域进行边缘检测有更好的效果;通过Hough变换的线段检测算法检测插销引脚,计算插销引脚夹角,并对结果进行分析。检测结果满足识别率要求。3、建立了基于改进LBP特征的沙壶图像沙管裂纹异常检测和链条异常检测方法。首先利用Canny-Hough算法对沙壶图像进行倾斜矫正;提出了基于改进的LBP模板特征提取,能够很好的定位沙管目标区域;遍历目标区域找到像素跳跃区域,实现裂纹检查;依据沙壶图像中沙管和链条的固定位置结构,对沙管和链条连接处进行阈值化处理,检测链条区域异常。该算法获得的综合评价指标为97.7%,达到预期目标。
陈健雄[4](2019)在《基于实例分割的中低速磁浮接触轨紧固件松动识别》文中研究说明中低速磁浮是一种缓解城市交通压力的优质方案,其具备悬浮、导向和牵引三大功能,能够避免列车与走行轨之间的机械接触,降低车轨的维修成本。保证中低速磁浮列车的平稳受流是维持上述功能的前提。中低速磁浮列车的受流是通过受流靴与线路两侧的接触轨直接接触的方式,在长期的相互作用后,接触轨紧固件容易出现松动等故障,影响靴轨之间的正常受流。因此,需要对接触轨紧固件的状态进行有效地识别。现有的识别方法主要是人工巡检和技术人员查看图像的方式,这两种方法存在工作量大、效率低和准确率难以保证的问题。因此,接触轨紧固件松动识别的自动化势在必行。本文依据现有的长沙中低速磁浮接触轨成像装置拍摄的图像,提出了一种基于实例分割的紧固件松动识别方法,并完成了相应识别系统的设计与开发。论文的主要工作如下:首先,考虑到接触轨紧固件尺寸微小,先将其分布的区域从图中提出。本文对现有的目标检测算法进行深入研究,利用部分接触轨图像建立各类算法所需的样本库,根据初定位任务的特点选择基于回归的目标检测网络—YOLO v2,实现底座和连接板两处紧固件分布区域的定位。随后,本文采用实例分割网络Mask R-CNN,在定位后的两处关键区域图像中,实现了对底座螺栓连接的螺母和螺杆和对连接板区域的连接板及连接板螺钉头部的分割。利用分割结果对不同紧固件设计相应识别判据。对于底座螺栓连接,将螺母掩膜和螺杆掩膜间的相对位置关系作为松动识别的依据;对于连接板螺钉连接,将连接板螺钉头部掩膜与连接板掩膜的距离作为松动判据,实现紧固件的松动识别。最后,基于PyQt5图形用户界面库、Tensorflow深度学习框架和OpenCV计算机视觉库实现了中低速磁浮紧固件松动识别系统算法和界面的开发。并在接触轨成像装置于不同时段拍摄的图像上进行测试,验证了本文算法的有效性和系统的可靠性。
陈经纬,王东星,曹舜,宋学毅,韩硕[5](2018)在《转向架轴端端盖螺栓的防松脱解决措施》文中指出本文针对车辆在运用中发生转向架轴端端盖螺栓松脱问题,从防松脱的角度出发,设计了三种防松脱方案;通过对三种方案的对比分析,优选了其中的一种方案进行了推广验证。经过推广验证,考核效果良好,将该方案扩大装车考核范围,基本解决了现有车辆轴端端盖螺栓松脱的问题。
刘盛亚[6](2018)在《复杂背景下列车关键部件故障实时图像检测算法研究》文中认为伴随着当今计算机技术和机器视觉理论的快速发展,列车关键部件故障图像检测方法在铁路领域扮演着越来越重要的角色。由铁道部推广的TFDS(Trouble of moving freight car detection system)列车运行故障在线动态检测系统正逐渐代替人工巡检,以解决传统人工巡检方式的诸多不足,并向着自动化、智能化、无人化方向发展。本文基于列车运行动态故障检测系统(TFDS),结合背景结构化模型、置信度图谱、相关滤波、稀疏组合学习等众多新颖理论技术对锁紧板偏转故障、手制动机链条丢失故障以及心盘螺栓缺失故障的智能实时图像检测进行相关研究。论文的主要内容及相关成果包括:1.研究基于背景结构化模型的锁紧板偏转状态异常检测,针对复杂背景下锁紧板偏转状态异常问题,提出采用中心变换特征描述子构建结构化背景模型,有效减少图像中的冗余信息,形成图像数据的稀疏表示。同时,考虑到复杂多变的光照以及物体周边区域存在强烈的纹理噪声干扰,进一步依据结构显着性原则构建层次化检测框架,结合置信度图谱和相关滤波技术实现锁紧板实时可靠定位。在此基础上基于二维姿态判别,通过区域分割提取图像边缘,并以梯度加权去除边缘干扰结合radon变换实现锁紧板偏转状态的准确检测。2.研究基于稀疏组合学习的手制动机链条丢失故障检测,针对在传统稀疏表示过程中过完备原子字典表示信号时,从冗余的空间寻找合适的原子基组合造成大量时间的浪费,使得检测速度远远达不到实际应用要求的问题,本文依据手制动机链条的结构特点,通过构建相应的结构模型并以时空梯度来表示每部分结构的模式特征,结合主成分分析法实现图像数据更好的稀疏表示。以稀疏组合学习代替传统字典搜索,将学习到的组合集中有限的基向量组合对测试数据进行稀疏重构,大大提高了检测的速度。同时,考虑到学习到的基向量组合对当前数据重构过程中存在滞后性,采用组合集在线实时更新策略,提高了检测系统的可靠性。3.研究基于异常检测理论的心盘螺栓缺失故障检测,针对传统投影变换结合模板匹配方法检测的可靠性较低以及用神经网络对心盘螺栓检测过程中耗费大量时间的问题,本文根据心盘螺栓图像自身的结构特点提出采用中心变换构建背景结构化模型。考虑到其复杂多变的背景噪声干扰,依据层次化检测框架,在置信图谱和相关滤波的理论基础上实现心盘区域的实时定位。进一步依据渐进式区域分割方法对螺栓进行准确定位并结合稀疏组合学习实现了心盘螺栓实时可靠检测。
冯映科[7](2018)在《心盘螺栓和闸瓦钎故障图像检测算法研究》文中研究表明我国铁路货运呈现重载、行车密度大、运行环境复杂的特点,因此对货车安全运营提出更高的要求。货车运行故障动态检测系统动态检测在线运营车辆,可及时检测和排除铁路货车存在的故障,为铁路货运安全提供有效的保障。然而现阶段的货车运行故障动态检测系统主要是人机结合的工作模式,仍依靠人的视觉判断故障图像来完成货车的列检。计算机自动识别故障图像是货车运行故障动态检测系统发展的必然趋势,该技术的实现将快速提升铁路货运安全检测能力,更有力地保证货车的安全运营。本文选取货车运行故障动态检测系统的心盘螺栓故障、闸瓦钎故障为研究对象,运用机器视觉、图像处理及机器学习等相关理论,设计出相应的自动检测算法。针对心盘螺栓故障图像的检测,将其分类且归纳异同处,设计故障图像的检测算法。在故障图像定位方面,利用图像特征共同点,定位制动横梁和制动拉杆得到其交叉点,并通过投影制动拉杆一端的区别特征来分类图像类型。当为A类型图像时,通过交叉点定位加强筋所在的区域,且经边缘检测、投影得到准确位置,最后根据加强筋与螺栓之间的几何关系确定螺栓位置;当为B类型图像时,提取无遮挡区域螺栓的差分激励图像,通过投影定位螺栓纵向坐标,并由基于滑动窗口的支持向量机定位分类器沿着直线检测出该区域的两个螺栓位置,最后确定剩下的螺栓位置。在故障图像识别方面,提取螺栓部位的韦伯局部描述符与局部相位量化联合的特征向量,导入支持向量机故障识别分类器以获得检测结果,从而提高螺栓故障识别率。针对闸瓦钎故障图像的检测,首先定位制动梁位置,然后确定闸瓦钎可能出现的区域,通过图像处理,提取到疑似闸瓦钎区域。采用韦伯局部描述符与局部相位量化联合的特征向量描述疑似区域图像,导入支持向量机定位分类器以定位闸瓦钎区域。再次使用定位后的闸瓦钎区域特征向量,导入支持向量机故障识别分类器以获得闸瓦钎故障检测结果。最后,优化故障检测算法以提高对故障检测的性能,并采用最新数据测试故障图像检测算法,分析其结果。测试结果表明,本文故障检测算法具有良好的检测性能,可满足货车运行故障动态检测系统自动检测的实际需求。
张蜀红[8](2015)在《垫板钻孔用气动夹具设计》文中进行了进一步梳理随着铁路货车车辆的高速行驶,货车上下心盘成为车辆的重要连接受力部件之一,心盘的质量与货车配件的疲劳、损坏有直接的关系,针对心盘顶板使用中存在的问题,结合车间实际情况,研制了一种新型气动夹紧装置,投入使用后取得了预期的工作、经济和安全效果。
李静[9](2015)在《机车车底关键螺栓故障检测技术研究》文中指出机车零部件中,螺栓起着固定各个部件与车体的重要作用。在机车运行过程中,车体振动、外力冲击和疲劳锈蚀等因素的作用,螺栓可能出现丢失、松动等故障,危及行车安全。为了保障机车运行安全,除了利用定期检修的方式,还可在铁路轨道自动化设备进行列车实时图像状态监测,应用于列车日常检修。但由于车底部件结构复杂,对于关键螺栓故障的排查仍需人工判别,排查效率和可靠性极大地依赖于检修人员的工作状态,检修质量无法保持稳定的水平,且难以评估。而目前,图像识别技术已广泛运用于人脸识别、行人检测和车辆检测等领域,取得了一定成效,其对于机车运行故障图像检测的意义是可以预见的。本文基于结合数字图像处理技术和图像识别算法,针对HXD2C型货车车底关键螺栓进行了检测算法的研究,实现了螺栓丢失故障识别系统功能,对于提高机车运行故障自动检测水平具有指导参考的意义。本文首先在调研图像识别技术和螺栓故障检测技术的国内外研究现状基础上,对车底图像进行了图像预处理算法研究,对两类螺栓区域图像进行了定位算法的研究和实现,为实现螺栓检测算法制备了分类样本库。其次,本文重点研究了两种基于图像识别原理的螺栓检测算法,分别是基于梯度直方图(HOG)特征的支持向量机(SVM)螺栓检测算法和基于Haar特征的Adaboost分类器螺栓检测算法,并采用两种算法实现了对钩缓装置挡板螺栓和心盘螺栓的检测。最后,在对比分析两类算法性能的基础上,实现了螺栓丢失故障识别系统设计,并进行了故障识别系统测试,结果表明:采用HOG-SVM螺栓检测算法的螺栓丢失故障识别系统识别率在90%以上。本文的研究为实现关键螺栓故障自动检测提供了算法依据,并整合螺栓检测算法实现了故障识别系统设计,测试表明其针对螺栓丢失故障识别准确率达到了预期,具有良好的应用前景。
蒋利容[10](2013)在《机车底部故障图像识别技术研究》文中指出在机车故障诊断的各项检修中,主要的方式有:人工肉眼判别、基于机器视觉的图像自动识别。机车底部部件结构复杂度高,细小部件多,仅靠人工检查,很难准确记住所有部件的正常状态和形式,易由视觉疲劳造成漏检,尤其在高速运行状态下的列车任何一个细小、细微的故障,都可能引发重大事故。机器视觉图像技术作为智能自动识别已经广泛应用于各个行业,对提高铁路车辆安全检测技术水平,具有重要意义。本论文旨在应用图像分割、特征描绘等图像处理技术实现列车底部心盘故障图像的自动识别,减少人为影响误差,提高检测效率。论文在研究目前铁路故障轨边图像检测系统和图像处理技术的基础上,分析了图像特征提取的各种方法和性质。然后结合机车底部心盘图像特有的结构特性,首先定义五个分割特征,利用线性加窗灰度投影进行粗分割,定位出待检测螺栓的目标区域,然后根据特征定义间关系分割得到各个螺栓图。对分割得到的螺栓图经过滤波、灰度直方均衡增强、面积阈值法二值图像、提取面积大小与故障特征疑似的区域判别、建立封闭矩形描绘子等图像处理技术,最终实现机车底部心盘螺栓丢失故障图像识别算法模型的设计。最后,设计了机车底部图像采集的方案,实现方案搭建和图像采集实验,并用实际图像对建立的算法模型进行了验证。该算法能够准确自动识别螺栓丢失故障,满足代替人作业的要求,提高列车检修效率。本课题对类似故障识别的案例或者自动检测系统的研发也具指导作用。
二、货车心盘螺栓松动的原因分析及改进建议(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、货车心盘螺栓松动的原因分析及改进建议(论文提纲范文)
(1)机电产品包装箱的性能分析与状态监测(论文提纲范文)
致 谢 |
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究背景 |
1.1.1 课题来源 |
1.1.2 课题研究目的与意义 |
1.2 相关国内外研究现状 |
1.2.1 机电产品包装箱结构的研究现状 |
1.2.1.1 机电产品包装箱性能的研究现状 |
1.2.1.2 机电产品包装箱螺栓连接失效研究现状 |
1.2.2 螺栓连接松动状态监测的研究现状 |
1.3 课题研究的主要内容与技术路线 |
1.3.1 课题研究的主要内容 |
1.3.2 课题研究的技术路线 |
1.4 论文的组织结构 |
第二章 机电产品包装箱整体结构的性能分析 |
2.1 包装箱几何模型的建立 |
2.2 机电产品包装箱整体结构的有限元模型建立 |
2.2.1 包装箱有限元模型的建立 |
2.2.2 模型分析方法 |
2.3 机电产品包装箱整体结构的有限元模型分析 |
2.4 本章小结 |
第三章 机电产品包装箱螺栓连接结构的松动性能分析 |
3.1 研究问题描述 |
3.2 包装箱螺栓连接结构有限元模型的建立 |
3.2.1 木结构单螺栓模型的建立 |
3.2.2 螺栓螺纹模型的建立 |
3.2.3 模型分析方法 |
3.3 包装箱螺栓连接结构有限元模型的分析 |
3.3.1 螺栓连接松动过程分析 |
3.3.2 不同因素对松动产生的影响 |
3.3.2.1 横向载荷幅值对松动的影响 |
3.3.2.2 横向载荷作用位置对松动的影响 |
3.3.2.3 横向载荷加载频率对松动的影响 |
3.3.2.4 不同材料属性对松动的影响 |
3.4 本章小结 |
第四章 机电产品包装箱的松动状态监测试验研究 |
4.1 基于计算机视觉的状态监测 |
4.1.1 图片采集及松动角度计算方法 |
4.1.2 螺栓松动角度监测模型训练 |
4.2 基于计算机视觉的状态监测结果分析 |
4.2.1 状态监测结果比较 |
4.2.2 最小识别角度精度测试 |
4.2.3 多螺栓识别效果 |
4.3 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
攻读学位期间发表的学术成果 |
参考文献 |
(2)基于深度学习的铁路客车转向架隐患图像检测研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 铁路客车转向架区域隐患研究现状 |
1.2.2 目标检测算法研究现状 |
1.2.3 研究现状问题总结 |
1.3 研究内容和技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
2 卷积神经网络理论及客车隐患分析 |
2.1 卷积神经网络概述 |
2.1.1 卷积神经网络基本结构 |
2.1.2 卷积神经网络参数训练 |
2.2 卷积网络模型介绍 |
2.2.1 LeNet5 |
2.2.2 AlexNet |
2.2.3 VGGNet |
2.2.4 ResNet |
2.3 客车转向架区域主要隐患剖析 |
2.3.1 转向架区域底部主要隐患 |
2.3.2 转向架区域侧部主要隐患 |
2.4 本章小结 |
3 基于Faster R-CNN的转向架区域隐患检测 |
3.1 Faster R-CNN算法 |
3.1.1 Fast R-CNN模块 |
3.1.2 RPN模块 |
3.1.3 模型训练方法 |
3.2 数据集建立 |
3.2.1 数据集采集 |
3.2.2 数据集增强 |
3.2.3 数据集标注 |
3.3 隐患检测实验设置与结果分析 |
3.3.1 实验环境配置 |
3.3.2 模型性能评价指标 |
3.3.3 实验结果分析 |
3.3.4 数据增强结果对比分析 |
3.4 本章小结 |
4 基于优化Faster R-CNN的隐患检测 |
4.1 优化特征提取网络 |
4.1.1 DetNet-59网络结构 |
4.1.2 多尺度特征融合 |
4.2 优化RPN参数 |
4.2.1 K-means++聚类算法流程 |
4.2.2 K-means++聚类结果分析 |
4.3 优化感兴趣区域层 |
4.3.1 ROI pooling层 |
4.3.2 Precise ROI pooling层 |
4.4 实验对比与结果分析 |
4.4.1 优化特征提取网络结果分析 |
4.4.2 优化RPN参数与感兴趣区域结果分析 |
4.4.3 整体模型实验结果对比分析 |
4.5 本章小结 |
5 基于目标检测的隐患预警系统设计 |
5.1 系统需求分析与总体设计 |
5.1.1 系统需求分析 |
5.1.2 系统总体设计 |
5.2 隐患预警系统功能设计 |
5.2.1 功能模块设计 |
5.2.2 系统各模块功能实现 |
5.3 隐患预警分级及处置方案 |
5.3.1 隐患预警等级划分 |
5.3.2 隐患处置方案 |
5.4 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
附录1 作者在读期间研究成果 |
致谢 |
(3)基于图像处理技术的列车部件异常自动检测方法研究及应用(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 列车故障检测研究现状 |
1.2.1 列车检测系统研究现状 |
1.2.2 基于数字图像处理的检测技术现状 |
1.3 本文的研究内容与安排 |
第二章 相关方法介绍 |
2.1 基于点特征图像匹配方法 |
2.1.1 点特征提取算子 |
2.1.2 SIFT算子 |
2.1.3 性能比较 |
2.2 异常识别算法 |
2.3 霍夫变换 |
2.4 本文算法思路与框架结构 |
2.5 本章小结 |
第三章 列车闸瓦螺栓异常检测 |
3.1 列车闸瓦螺栓异常检测难点分析和算法设计 |
3.1.1 闸瓦螺栓部件检测的难点分析 |
3.1.2 螺栓异常检测算法设计 |
3.2 图像预处理 |
3.2.1 图像灰度化 |
3.2.2 灰度拉伸 |
3.3 基于GS-SIFT的闸瓦螺栓特征提取和匹配 |
3.3.1 GS-SIFT算法 |
3.3.2 GS-SIFT特征描述子生成和匹配 |
3.3.3 闸瓦特征提取匹配的实验结果及性能分析 |
3.4 列车闸瓦螺栓异常识别方法 |
3.4.1 旋转和缩放矫正 |
3.4.2 目标区域分割 |
3.4.3 螺栓标记和故障显示结果分析 |
3.5 本章小结 |
第四章 列车闸瓦插销异常检测 |
4.1 闸瓦插销定位和分割 |
4.2 预处理闸瓦插销图像 |
4.2.1 闸瓦插销区域拉伸变换 |
4.2.2 插销区域分段线性灰度化处理 |
4.3 边缘提取 |
4.3.1 常见的边缘检测算子 |
4.3.2 Canny算子边缘检测 |
4.4 检测插销角度结果和分析 |
4.4.1 基于Hough变换的插销角度检测 |
4.4.2 结果分析 |
4.5 本章小结 |
第五章 列车沙壶异常检测 |
5.1 列车沙壶异常检测需求分析和算法设计 |
5.1.1 需求分析 |
5.1.2 算法设计 |
5.2 沙管倾斜矫正 |
5.2.1 灰度图像转换 |
5.2.2 基于Canny-hough的倾斜矫正 |
5.3 基于改进LBP模板的目标区域定位 |
5.4 列车沙壶故障识别和结果分析 |
5.4.1 沙管故障识别 |
5.4.2 链条故障识别 |
5.4.3 沙壶故障识别结果分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读硕士期间获得的成果 |
致谢 |
(4)基于实例分割的中低速磁浮接触轨紧固件松动识别(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 接触式紧固件松动检测研究现状 |
1.2.2 基于图像的紧固件松动检测研究现状 |
1.3 中低速磁浮接触轨及其成像装置介绍 |
1.4 研究内容及结构安排 |
第2章 接触轨关键区域检测方法研究 |
2.1 基于机器学习的检测定位 |
2.2 基于卷积神经网络的目标检测 |
2.2.1 卷积神经网络概述 |
2.2.2 基于区域候选的目标检测 |
2.2.3 基于回归的目标检测 |
2.3接触轨关键区域定位实验 |
2.3.1 样本库搭建 |
2.3.2 实验及结果分析 |
2.4 本章小结 |
第3章 紧固件状态识别 |
3.1 紧固件松动状态简介 |
3.2 紧固件分割 |
3.2.1 实例分割网络结构 |
3.2.2 实例分割网络训练 |
3.2.3 紧固件实例分割 |
3.3 紧固件松动识别 |
3.3.1 底座螺栓连接松动识别 |
3.3.2 连接板螺钉连接松动识别 |
3.4 紧固件松动识别实验与分析 |
3.5 本章小结 |
第4章 接触轨紧固件松动识别系统实现 |
4.1 系统功能及总体设计 |
4.2 系统模块说明 |
4.2.1 接触轨关键图像提取模块 |
4.2.2 紧固件松动识别模块 |
4.2.3 界面显示与分析模块 |
4.3 实际数据测试 |
4.4 本章小结 |
总结与展望 |
致谢 |
参考文献 |
攻读硕士学位期间发表的论文 |
(5)转向架轴端端盖螺栓的防松脱解决措施(论文提纲范文)
1 故障调查分析 |
1.1 故障描述 |
1.2 故障统计分析 |
1.3 故障原因初步分析 |
2 螺栓防松方案 |
2.1 螺栓防松方案A |
2.2 螺栓防松方案B |
2.3 螺栓防松方案C |
3 改造方案对比验证及优选和推广 |
3.1 试验验证 |
3.2 防松方案对比分析 |
3.3 推广验证分析 |
4 结束语 |
(6)复杂背景下列车关键部件故障实时图像检测算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题背景及研究意义 |
1.2 国内外研究现状 |
1.2.1 图像特征提取方法的概述 |
1.2.2 故障检测算法的概述 |
1.3 目前存在的问题 |
1.4 本论文研究的主要内容及章节安排 |
1.5 课题来源 |
第二章 列车关键部件故障图像检测的总体方案 |
2.1 列车运行故障在线动态检测系统(TFDS)简介 |
2.1.1 TFDS系统的整体结构 |
2.1.2 TFDS系统轨边图像检测设备 |
2.1.3 TFDS系统检测的典型故障图像特点 |
2.2 基于背景结构化模型的锁紧板偏转故障检测算法整体框架 |
2.3 基于稀疏组合学习的手制动机链条丢失故障检测算法整体框架 |
2.4 基于异常检测理论的心盘螺栓缺失故障检测算法整体框架 |
2.5 本章小结 |
第三章 基于背景结构化模型的锁紧板偏转故障检测 |
3.1 特征提取方法的分析 |
3.1.1 基于形态学边缘特征提取 |
3.1.2 中心变换特征提取 |
3.2 目标区域定位算法研究 |
3.2.1 构建目标背景结构化模型 |
3.2.2 基于分层检测机制的目标定位 |
3.3 二维姿态判别 |
3.3.1 锁紧板图像边缘处理 |
3.3.2 基于局部方向的Radon变换 |
3.4 实验结果及分析 |
3.5 本章小结 |
第四章 基于稀疏组合学习的手制动机链条丢失故障检测 |
4.1 手制动机链条图像特点 |
4.2 手制动机链条丢失故障检测算法研究 |
4.2.1 特征提取方法分析 |
4.2.2 稀疏组合学习算法分析 |
4.2.3 稀疏组合学习过程 |
4.2.4 稀疏组合测试 |
4.3 组合在线扩展更新 |
4.4 实验结果及分析 |
4.5 本章小结 |
第五章 基于异常检测方法的心盘螺栓丢失故障检测 |
5.1 心盘螺栓图像特点 |
5.2 基于背景结构化模型的心盘区域定位 |
5.3 采用渐进式区域分割提取螺栓位置 |
5.3.1 心盘区域图像的边缘特征提取 |
5.3.2 基于随机hough变换的螺栓位置定位 |
5.4 基于异常检测方法的目标识别 |
5.5 实验结果及分析 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 论文展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的论文及其他科研成果 |
(7)心盘螺栓和闸瓦钎故障图像检测算法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题背景及研究意义 |
1.2 铁路货车故障图像自动检测研究现状 |
1.2.1 机器视觉发展及检测研究现状 |
1.2.2 TFDS发展及故障检测研究现状 |
1.2.3 心盘螺栓和闸瓦钎故障检测研究现状 |
1.3 论文主要研究内容 |
1.4 论文组织结构 |
2 故障图像处理相关理论 |
2.1 图像预处理 |
2.1.1 图像去噪 |
2.1.2 镜像变换 |
2.1.3 直方图均衡化 |
2.2 图像定位 |
2.2.1 投影 |
2.2.2 边缘检测 |
2.2.3 类间最大方差法 |
2.3 图像描述 |
2.3.1 韦伯局部描述符 |
2.3.2 局部相位量化 |
2.4 故障识别 |
2.4.1 支持向量机 |
2.5 本章小结 |
3 心盘螺栓故障图像检测算法设计 |
3.1 心盘螺栓图像去噪 |
3.2 心盘螺栓区域图像定位 |
3.2.1 制动横梁定位 |
3.2.2 制动拉杆定位 |
3.2.3 图像类型分类 |
3.2.4 A型心盘螺栓定位 |
3.2.5 B型心盘螺栓定位 |
3.3 心盘螺栓区域图像描述 |
3.4 心盘螺栓区域图像故障识别 |
3.5 本章小结 |
4 闸瓦钎故障图像检测算法设计 |
4.1 闸瓦钎图像去噪 |
4.2 闸瓦钎区域图像定位 |
4.3 闸瓦钎区域图像描述 |
4.4 闸瓦钎区域图像故障识别 |
4.5 本章小结 |
5 故障图像检测算法优化及分析 |
5.1 心盘螺栓故障图像检测算法优化及分析 |
5.1.1 心盘螺栓区域图像定位实验分析 |
5.1.2 心盘螺栓图像故障识别实验分析及优化 |
5.1.3 心盘螺栓故障图像检测算法实验分析 |
5.2 闸瓦钎故障图像检测算法优化及分析 |
5.2.1 闸瓦钎区域定位实验分析 |
5.2.2 闸瓦钎图像故障识别实验分析及优化 |
5.2.3 闸瓦钎故障图像检测算法实验分析 |
5.3 本章小结 |
结论 |
致谢 |
参考文献 |
攻读学位期间的研究成果 |
(8)垫板钻孔用气动夹具设计(论文提纲范文)
0前言 |
1心盘垫板存在的问题 |
2原有夹具使用中存在的问题 |
1)旧工件在电焊加修过程中产生变形 |
2)剪板机剪裁中变形 |
3)钻孔的辅助步骤繁琐 |
4)加工效率低,造成占地面积大 |
5)采用螺栓紧固,夹具落后 |
3改进措施 |
1)气动夹紧装置作用力计算 |
2)气动夹紧装置的制作 |
4取得的预期效果 |
(9)机车车底关键螺栓故障检测技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 引言 |
1.2 图像识别方法研究现状 |
1.3 螺栓故障检测方法国内外研究现状 |
1.3.1 铁路列车运行故障图像检测系统 |
1.3.2 螺栓故障图像检测技术研究 |
1.4 课题主要工作内容和结构 |
1.4.1 研究内容 |
1.4.2 结构安排 |
第2章 机车车底图像及螺栓区域图像定位 |
2.1 HXD 2C型机车概述 |
2.2 机车车底图像概述 |
2.2.1 车底图像采集 |
2.2.2 车底图像信息 |
2.3 螺栓区域分割方法研究 |
2.3.1 图像灰度投影分析 |
2.3.2 车钩边界定位 |
2.3.3 螺栓区域分割 |
2.4 图像预处理 |
2.4.1 Gamma校正 |
2.4.2 图像增强 |
2.5 螺栓样本制作 |
2.6 本章小结 |
第3章 基于HOG-SVM的螺栓检测算法 |
3.1 HOG特征提取 |
3.1.1 HOG特征计算 |
3.1.2 HOG积分图 |
3.2 机器学习理论 |
3.2.1 机器学习理论概述 |
3.2.2 统计学习理论 |
3.3 支持向量机理论 |
3.3.1 SVM原理 |
3.3.2 线性SVM |
3.3.3 广义最优分类面 |
3.4 螺栓检测的实现 |
3.4.1 螺栓HOG特征提取 |
3.4.2 SVM分类器训练 |
3.4.3 螺栓图像检测 |
3.4.4 两种螺栓检测效果对比 |
3.5 本章小结 |
第4章 基于Harr特征的Adaboost分类器检测算法 |
4.1 Haar特征 |
4.1.1 Haar特征介绍 |
4.1.2 Haar特征计算 |
4.2 分类器训练算法 |
4.2.1 Adaboost训练算法简介 |
4.2.2 Adaboost算法具体描述 |
4.2.3 具体训练流程 |
4.3 螺栓检测的实现 |
4.3.1 Adaboost分类器训练过程 |
4.3.2 Adaboost分类器检测过程 |
4.4 本章小结 |
第5章 螺栓故障检测系统和结果分析 |
5.1 典型螺栓故障识别系统设计 |
5.2 螺栓检测算法性能分析 |
5.2.1 训练样本对Adaboost检测性能的影响 |
5.2.2 图像预处理对HOG-SVM检测效果的影响 |
5.2.3 不同检测算法的性能对比 |
5.3 螺栓丢失故障检测实验结果分析 |
5.3.1 螺栓丢失故障识别系统实现 |
5.3.2 实验结果分析 |
5.4 本章小结 |
总结与展望 |
1. 论文工作总结 |
2. 未来工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间发表的论文及科研成果 |
(10)机车底部故障图像识别技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题的研究背景和意义 |
1.2 故障诊断技术的发展概况 |
1.2.1 列车故障诊断技术与应用 |
1.3 机器视觉与故障识别 |
1.3.1 机器视觉简介 |
1.3.2 铁路列车故障检测调研 |
1.4 课题主要工作内容和结构 |
第2章 数字图像处理基础 |
2.1 CCD图像获取原理 |
2.2 图像基础 |
2.3 图像预处理 |
2.3.1 图像噪声处理 |
2.3.2 图像灰度直方均衡化 |
2.3.3 图像分割 |
2.4 连通区域提取 |
2.5 Hough变换 |
2.6 图像特征提取技术 |
3.6.1 基于模板的特征提取 |
2.6.2 尺度不变特征提取 |
2.6.3 主成分分析特征提取 |
2.6.4 基于独立分量分析特征提取 |
2.7 小结 |
第3章 机车底部图像处理 |
3.1 基于加窗灰度投影的线性分割 |
3.1.1 基于矩形的加窗灰度投影理论 |
3.1.2 图像特征分析 |
3.2 图像心盘区域定位 |
3.2.1 图像特征 |
3.2.2 心盘螺栓区域分割策略 |
3.2.3 实验结果和分析 |
3.3 螺栓区域提取 |
3.4 小结 |
第4章 基于螺栓的故障图像识别 |
4.1 引言 |
4.2 螺栓图像特征分析 |
4.3 基于螺栓特征的识别策略 |
4.4 故障螺栓图像识别 |
4.4.1 滤波 |
4.4.2 图像灰度直方图均衡化 |
4.4.3 面积阈值分割法 |
4.4.4 连通区域提取 |
4.4.5 封闭连通区域形状描述子 |
4.5 小结 |
第5章 机车车底图像采集与算法结果分析 |
5.1 CCD摄像头 |
5.2 图像采集软件实现 |
5.3 图像采集系统系统设计 |
5.3.1 采集要求 |
5.3.2 图像采集整体方案设计 |
5.3.3 图像采集实验 |
5.4 算法实验结果和分析 |
5.5 小结 |
结论 |
致谢 |
参考文献 |
附录 |
攻读硕士期间发表论文及成果 |
四、货车心盘螺栓松动的原因分析及改进建议(论文参考文献)
- [1]机电产品包装箱的性能分析与状态监测[D]. 陈甲伟. 南京林业大学, 2021
- [2]基于深度学习的铁路客车转向架隐患图像检测研究[D]. 徐恒. 西安建筑科技大学, 2021(01)
- [3]基于图像处理技术的列车部件异常自动检测方法研究及应用[D]. 宋鑫鑫. 长安大学, 2019(01)
- [4]基于实例分割的中低速磁浮接触轨紧固件松动识别[D]. 陈健雄. 西南交通大学, 2019(03)
- [5]转向架轴端端盖螺栓的防松脱解决措施[J]. 陈经纬,王东星,曹舜,宋学毅,韩硕. 铁道运营技术, 2018(03)
- [6]复杂背景下列车关键部件故障实时图像检测算法研究[D]. 刘盛亚. 江苏大学, 2018(05)
- [7]心盘螺栓和闸瓦钎故障图像检测算法研究[D]. 冯映科. 兰州交通大学, 2018(01)
- [8]垫板钻孔用气动夹具设计[J]. 张蜀红. 液压气动与密封, 2015(05)
- [9]机车车底关键螺栓故障检测技术研究[D]. 李静. 西南交通大学, 2015(01)
- [10]机车底部故障图像识别技术研究[D]. 蒋利容. 西南交通大学, 2013(11)