The invention discloses an electric locomotive pantograph and arc detection method based on deep network and grading test, including collecting video, extracting pantograph pictures, arc and suspected arc pictures, classifying as neural network training sample sets, and establishing convolution gods for real-time detection of pantograph and detecting arc in CPU. Through the network, the pantograph detection model, arc detection model and arc detection model are obtained by training samples of the convolution neural network, and the modified YOLO algorithm is used to detect the pantograph as the first stage detection, to intercept the local picture in the area of the pantograph, and to speed up by the adjacent frame prediction method; In the bow local picture, the improved YOLO algorithm is further used to detect the arc as the second level detection and preserve the abnormal picture. The invention can detect the pantograph arc quickly and accurately by the method of deep learning, and early warning of potential danger, which is easy to check the vehicle fault and ensure the safety of operation.
【技术实现步骤摘要】
基于深度网络与分级测试的电力机车受电弓及电弧检测方法
本专利技术属于计算机数字图像处理与模式识别
,特别涉及一种基于深度网络与分级测试的电力机车受电弓及电弧检测方法。
技术介绍
随着我国以高铁为代表的电气化铁路的快速发展,对牵引供电系统的安全性提出了更高的要求。作为牵引供电系统重要组成部分的受电弓—接触网关系,是电气化铁路的主要供电设备,对电气化铁路运营起着极其重要的作用。在正常状态下,空气是良好的绝缘体,但如果在气体两端施加足够大的电压,空气间隙将被击穿,导致气体两端的电流导通,这种现象称为气体放电。当受电弓在接触导线上滑动受电时,由于接触导线的不平顺、接触网悬挂设备的硬点、受电弓运行时弓头的振动和接触网波动、轨道平顺度等多种因素的影响,导致弓网分离而产生的气体放电现象称为弓网电弧。列车速度越高,越容易产生弓网电弧。EN50137:2002《轨道交通受流系统受电弓与接触网动态相互作用的测试要求和测量确认》将弓网电弧定义为:“击穿滑板(接触板)和接触线之间空气间隙的电流,通常表现为强烈放光现象”。受电弓滑行过程中出现电弧:容易产生如下不良影响:(1)电弧熄灭瞬间产生幅值很高的过电压,影响电力机车安全运行;(2)烧蚀受电弓碳滑板和接触导线,缩短其使用寿命。严重时将导致接触线断线,造成行车事故;(3)产生电磁辐射和干扰。现有的接触网检测主要是采用人工巡检的方式,在接触网沿线布设红外测温仪,由工作人员定时检测接触网的温度,取得了一定的效果,但是这种方法不具有实时性,而且人力损耗较大,属于单点式静态检测,存在很多盲点,无法有效及时发现铁路动态运行中的隐患。对 ...
【技术保护点】
1.基于深度网络与分级测试的电力机车受电弓及电弧检测方法,其特征在于,包括以下步骤:步骤1:通过安装在火车受电弓前方的在线拍照系统采集视频,并在视频中提取受电弓图片及其电弧和疑似电弧图片,并分类作为神经网络训练样本集;步骤2:分别建立能够在CPU实现实时检测受电弓和检测电弧的卷积神经网络;步骤3:对卷积神经网络用训练样本进行训练分别得到受电弓检测模型和电弧检测模型;步骤4:实时采集视频中的帧并利用改进型YOLO算法在图片内检测受电弓作为第一级检测,截取受电弓所在区域的局部图片;步骤5:在步骤4截取的局部图片内进一步利用改进型YOLO算法检测电弧作为第二级检测,保存异常图片获得检测结果。
【技术特征摘要】
1.基于深度网络与分级测试的电力机车受电弓及电弧检测方法,其特征在于,包括以下步骤:步骤1:通过安装在火车受电弓前方的在线拍照系统采集视频,并在视频中提取受电弓图片及其电弧和疑似电弧图片,并分类作为神经网络训练样本集;步骤2:分别建立能够在CPU实现实时检测受电弓和检测电弧的卷积神经网络;步骤3:对卷积神经网络用训练样本进行训练分别得到受电弓检测模型和电弧检测模型;步骤4:实时采集视频中的帧并利用改进型YOLO算法在图片内检测受电弓作为第一级检测,截取受电弓所在区域的局部图片;步骤5:在步骤4截取的局部图片内进一步利用改进型YOLO算法检测电弧作为第二级检测,保存异常图片获得检测结果。2.根据权利要求1所述的基于深度网络与分级测试的电力机车受电弓及电弧检测方法,其特征在于,步骤1在视频中提取受电弓图片及电弧和疑似电弧图片作为训练样本,其中受电弓样本不含负样本;电弧样本按照电弧和疑似电弧图片分为正样本和负样本,正样本为真实的电弧图片,负样本为疑似电弧图片,分为太阳、横梁、顶灯、房顶四类。3.根据权利要求1所述的基于深度网络与分级测试的电力机车受电弓及电弧检测方法,其特征在于,步骤2建立的神经网络包括检测受电弓所对应的网络结构和检测电弧所对应的网络结构;检测受电弓所对应的网络结构仅检测受电弓一类物体,检测电弧所对应的网络结构检测电弧、太阳、横梁、顶灯和房顶共五类物体;两种卷积神经网络结构和参数类似,仅有输出层数量不同;具体建立方法为:darknet框架下创建后缀为.cfg的文件开始对网络进行定义;采用的网络包括7个卷积层和5个最大池化层以及全连接层;分布顺序为前十层为卷积层和最大池化层交替,接着是两个卷积层,最后是全连接层;即整体结构为第1、3、5、7、9、11、12层为卷积层,每个卷积层对应的卷积核数量分别为8、16、32、64、128、512、128个,卷积核大小均为3×3,步长均为1,激活函数为LeakyReLU函数;第2、4、6、8、10层为最大池化层,卷积核大小均为2×2,步长均为2,第13层为全连接层,检测受电弓的网络输出为539,检测电弧的网络输出...
【专利技术属性】
技术研发人员:钱学明,宋天源,汪寒雨,侯兴松,邹屹洋,
申请(专利权)人:台州智必安科技有限责任公司,西安交通大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。