针对铁路货车故障轨边图像检测系统(TFDS,Trouble of moving Freight car Detection System)传统人工检车模式存在的效率低、质量与效率矛盾突出等问题,提出基于大模型技术的TFDS故障智能识别方案。文章采用“中心训练−边缘推理”分布...针对铁路货车故障轨边图像检测系统(TFDS,Trouble of moving Freight car Detection System)传统人工检车模式存在的效率低、质量与效率矛盾突出等问题,提出基于大模型技术的TFDS故障智能识别方案。文章采用“中心训练−边缘推理”分布式架构,融合大模型预训练、层次化识别及工作流集成技术,解决复杂场景下故障识别精度与样本不均衡问题。通过多源数据构建样本库,结合半自动化标注与正反向迭代训练优化模型,并采用数据增强、局部检测框等策略提升推理性能。实验结果及现场试用表明,该方案对A、B、C类故障识别率分别达100%、99.91%、99.85%,现场测试的误报率与识别时长均优于行业标准;作业效率提升43%,减员28.6%,验证了该方案在铁路货车智能化检测中的有效性与实用性。展开更多
分析了旋转目标的微多普勒特性与微运动参数的关系,指出其微多普勒信号为三参数的正弦调频信号。针对这一信号形式,推导了多分量正弦调频信号的时频分布特性,提出了一种在时频图上检测三参数正弦曲线的Hough变换方法,进而提出了一种基于...分析了旋转目标的微多普勒特性与微运动参数的关系,指出其微多普勒信号为三参数的正弦调频信号。针对这一信号形式,推导了多分量正弦调频信号的时频分布特性,提出了一种在时频图上检测三参数正弦曲线的Hough变换方法,进而提出了一种基于TFD-Hough(time frequency distribution-Hough)变换的微运动参数提取算法。仿真实验和外场试验数据处理表明了该方法的有效性和鲁棒性。展开更多
文摘针对铁路货车故障轨边图像检测系统(TFDS,Trouble of moving Freight car Detection System)传统人工检车模式存在的效率低、质量与效率矛盾突出等问题,提出基于大模型技术的TFDS故障智能识别方案。文章采用“中心训练−边缘推理”分布式架构,融合大模型预训练、层次化识别及工作流集成技术,解决复杂场景下故障识别精度与样本不均衡问题。通过多源数据构建样本库,结合半自动化标注与正反向迭代训练优化模型,并采用数据增强、局部检测框等策略提升推理性能。实验结果及现场试用表明,该方案对A、B、C类故障识别率分别达100%、99.91%、99.85%,现场测试的误报率与识别时长均优于行业标准;作业效率提升43%,减员28.6%,验证了该方案在铁路货车智能化检测中的有效性与实用性。
文摘分析了旋转目标的微多普勒特性与微运动参数的关系,指出其微多普勒信号为三参数的正弦调频信号。针对这一信号形式,推导了多分量正弦调频信号的时频分布特性,提出了一种在时频图上检测三参数正弦曲线的Hough变换方法,进而提出了一种基于TFD-Hough(time frequency distribution-Hough)变换的微运动参数提取算法。仿真实验和外场试验数据处理表明了该方法的有效性和鲁棒性。
