【技术实现步骤摘要】
一种图库联合的高铁绝缘子巡检图像识别方法
本专利技术专利涉及到轨道交通领域,尤其涉及一种图库联合的高铁绝缘子巡检图像识别方法。
技术介绍
随着我国电气化铁路的快速发展和建设,对牵引供电系统中接触网供电的安全性、可靠性要求不断提高。绝缘子作为接触网上使带电部件保持电气绝缘的元器件之一,在电气化铁路安全运行方面有着举足轻重的作用。目前对接触网上绝缘子的识别方法主要有人工巡视法和电磁特性检测法,人工巡视法识别效率不高、巡视周期长;电磁特性检测法例如电压分布法、超声波检测、红外检测、无线电波检测等,都存在着操作繁琐、容易受电磁干扰的问题。随着图像处理技术的发展,基于图像处理的绝缘子图像识别技术成为了一种比较高效的新型识别方法,该方法可以在某些特定条件下实现对绝缘子的快速定位识别,从而及时发现缺陷、排除险情。绝缘子图像识别技术主要可分为以下三类:第一类是基于方向梯度直方图(HOG,HistogramofOrientedGradient)特征和支持向量机(SVM,SupportVectorMachine)分类器的绝缘子识别与定位,该类技术虽然误识别率低,但识别精度不高,且当图像背景较为复杂或需要识别的绝缘子数量较大时,检测准确率会大幅降低,很难满足实际工程中的需求;第二类是基于Haar特征和Adaboost级联分类器的绝缘子特征识别技术,该类技术虽然识别精度较高,但存在严重的误识别问题,且误识别对象主要以图像中的黑色背景为主,通过增加负样本以及优化程序也很难降低误识别率;第三类是结合深度学习及机器视觉的新型检测技术,该类技术适用范围广,检测效率高,可用于检测大量图像, ...
【技术保护点】
1.一种图库联合的高铁绝缘子巡检图像识别方法,其特征在于,具体处理方法如下:(1)巡检图像的采集和感兴趣区域划分高速铁路车载安全巡检采集系统先利用安装在车顶的高清摄像头拍摄铁路沿线视频,将实时数据传输到控制中心进行信息处理,然后通过视频软件将采集的视频处理成每一帧图像,并实时显示当前帧图像的录像时间,方便对故障零部件的杆号及公里标号定位,最后将巡检图像格式转换为处理软件需要的格式;划分感兴趣区域时先将巡检图像十字划分,再选取包含绝缘子的感兴趣区域进行预处理;(2)ROI区域的图像预处理采用色相(H,Hue)、饱和度(S,Saturation)、明度(V,Value)颜色空间模型的颜色编码方法来对采集到的图像进行灰度化处理,设(r ROI,g ROI,b ROI)分别为巡检图像感兴趣区域中一个像素的坐标,max ROI等价于这些值中的最大者,minROI等价于最小者,该转换过程就是要求HSV颜色模型颜色空间对应像素点的(h ROI,s ROI,lROI)值,计算公式为:
【技术特征摘要】
1.一种图库联合的高铁绝缘子巡检图像识别方法,其特征在于,具体处理方法如下:(1)巡检图像的采集和感兴趣区域划分高速铁路车载安全巡检采集系统先利用安装在车顶的高清摄像头拍摄铁路沿线视频,将实时数据传输到控制中心进行信息处理,然后通过视频软件将采集的视频处理成每一帧图像,并实时显示当前帧图像的录像时间,方便对故障零部件的杆号及公里标号定位,最后将巡检图像格式转换为处理软件需要的格式;划分感兴趣区域时先将巡检图像十字划分,再选取包含绝缘子的感兴趣区域进行预处理;(2)ROI区域的图像预处理采用色相(H,Hue)、饱和度(S,Saturation)、明度(V,Value)颜色空间模型的颜色编码方法来对采集到的图像进行灰度化处理,设(rROI,gROI,bROI)分别为巡检图像感兴趣区域中一个像素的坐标,maxROI等价于这些值中的最大者,minROI等价于最小者,该转换过程就是要求HSV颜色模型颜色空间对应像素点的(hROI,sROI,lROI)值,计算公式为:对灰度化后的图像采用Gamma变换将图像增强处理,并选用了小波去噪法对感兴趣区域进行去噪处理,具体步骤是:首先针对巡检图像的特点,选取Haar小波进行分解,分解层次为N,再由此计算出从信号S到第N层的分解,为1~N每一层的高频系数选择一个阈值进行量化,最后选用表现更优的软阈值对其进行去噪处理;(3)感兴趣区域正负样本数据库的建立从30000多张巡检图像中随机抽取12000张进行标记工作,建立了含3000张图片的正样本库和1000张图片的负样本库,图片大小为64*64;(4)巡检图像感兴趣区域的分层次识别处理本发明提出了一种分层次识别策略,先识别绝缘子所在区域,再对区域内绝缘子进行提取,从原图中剪裁出目标区域时需根据区域内目标检测的像素精度要求来缩放,以此来提高对感兴趣区域中绝缘子的识别精度;(5)针对巡检图像感兴趣区域错误集的微调优化本发明的部分训练集采用了一种针对错误集的微调策略:首先用未标注测试集对模型进行测试,再根据检测出的区域数量判断缺少的区域,将缺少不同区域的图片分类存储,然后对缺少N号区域的图片标注N号区域,将其他部分处理为黑色,形成错误集,最后利用处理好的错误集在原有网络模型的基础上进行微调;(6)基于卷积神经网络的Pa-CNN模型本发明将Pa-CNN模型定义为卷积神经网络每一层输出的特征图上的像素点在原始图像上映射的区域大小,Pa-CNN模型含有多层神经网络,它的每一层包含多个二维平面,而每个二维平面又包含多个独立的神经元,其在网络结构上采用了卷积层、采样层交替结构,卷积层利用不同的卷积核进行卷积运算,增强原信号特征,降低噪音,通过局部感知场,抽取一些类似有向边角的基本视觉特征,构成一幅输入图像的特征图,卷积层中通常包含多个具有不同权值向量的特征图,使得在同一个位置能够获得多种不同的特征;(7)不同网络层数对Pa-CNN模型的影响通过大量对比实验探索了隐层数与模型好坏的关系,卷积层和池化层是Pa-CNN模型中特有的网络结构,且池化层通常...
【专利技术属性】
技术研发人员:屈志坚,朱丹,张靖,赖立,衣晚卓,
申请(专利权)人:华东交通大学,
类型:发明
国别省市:江西,36
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。