《表1 实验所用的数据库:基于深度学习的铁路列车关键零部件图像故障检测》
为验证算法的有效性,实验所用的数据库包含4种故障检测数据集:截断塞门,集尘器,安全链螺栓和挡键。数据库中图像样本数量见表1所示。所有图像的大小为700×512像素,每个训练集图像都根据PASCAL VOC数据集[16]的格式进行标记。如图1(a)所示,截断塞门和集尘器是列车空气制动系统的重要部件,其技术状态的良好和性能的稳定,是保证列车安全运行的主要环节。如图1(b)所示,制动梁安全链是列车制动系统中的关键零部件。从机械故障角度分析,制动梁安全链脱落属于非刚性机械结构形成的故障,脱落后的状态很难用简单而又精确的特征模型去描述,成为故障检测的首要难点。列车一般具有大约400个转向架挡键,是列车中应用最广泛的部件之一。如图1(c)所示,挡键只占图像很小一部分,其主要功能是保持车轮组不与转向架相碰。实际上,利用机器视觉来检测小部件的状态(故障或非故障)是一项非常困难的工作。
图表编号 | XD00115691900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 李萍、吴斌方、刘默耘、张杨、林凯、孙国栋 |
绘制单位 | 湖北工业大学机械工程学院、湖北工业大学机械工程学院、湖北工业大学机械工程学院、华中科技大学机械科学与工程学院、湖北工业大学机械工程学院、南京大学计算机科学与技术系、湖北工业大学机械工程学院、湖北工业大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |