基于FWA和SM的高速铁路线缆检测方法技术

本发明专利技术公开了一种基于FWA和SM的高速铁路线缆检测方法，包括：基于烟花算法创建样本搜索模型；初始化采样样本参数，优化样本搜索模型参数；采用样本搜索模型搜索得到若干个候选样本，采用轮盘赌选择策略从搜索得到的若干个候选样本中随机选择其中部分候选样本，生成候选样本集；对候选样本集进行筛选，过滤背景信息；采用单纯形法对候选样本稀疏区域进行局部搜索，优化候选样本集；对优化后的候选样本集中的候选样本进行连接，完成线缆检测。本发明专利技术对于高速铁路的连接线缆实现了高效率高精度的定位检测，为线缆后期缺陷、损坏的检测完成了关键的一步。

Detection method of high speed railway cable based on FWA and SM

【技术实现步骤摘要】
基于FWA和SM的高速铁路线缆检测方法
本专利技术涉及人工智能
，具体而言涉及一种基于FWA和SM的高速铁路线缆检测方法，实现复杂环境下高速铁路线缆的检测。
技术介绍
高速铁路系统中设备繁多、构造复杂，随着服役时间的增加，高速设备的服役性态也在发生着变化，其中一些性能的恶化威胁着高速铁路的安全运行，因此，需要合理维护系统安全，确保其高可靠性，这对铁路的正常运输组织有着重要作用。尽管中国高速铁路系统的设计、制造和集成技术已具有世界先进水平，然而，各项系统的运营维护管理仍面临着巨大挑战。其中，系统中各路线缆的连接对高速铁路运营，具有最为直接的影响，线缆在长期服役过程中出现的性能劣化将产生严重的后果，比如发生短路、断线等线路故障。如何有效利用监测所获取的海量数据，掌握线缆故障状态和性能的劣化规律，并在此基础上开展状态维修，仍然是一个具有挑战性的亟待解决的重大现实问题。解决这种挑战性问题的有效手段是在监测数据分析的基础上,掌握线缆故障状态特征的劣化规律，并针对性地开展状态维修工作。由于线缆的边缘特征较为明显，目前对于各种线缆的检测方案中，本文档来自技高网...

【技术保护点】
1.一种基于FWA和SM的高速铁路线缆检测方法，其特征在于，所述检测方法包括：/nS1：基于烟花算法创建样本搜索模型，所述样本搜索模型结合多点爆炸式搜索和变异搜索以实现候选样本的位置更新；/n初始化采样样本参数，优化样本搜索模型参数；/nS2：采用样本搜索模型搜索得到若干个候选样本，采用轮盘赌选择策略从搜索得到的若干个候选样本中随机选择其中部分候选样本，生成候选样本集；/nS3：以是否含有线缆边缘信息为基准，对候选样本集进行筛选，过滤背景信息；/nS4：采用单纯形法对候选样本稀疏区域进行局部搜索，优化候选样本集；/nS5：对优化后的候选样本集中的候选样本进行连接，完成线缆检测。/n

【技术特征摘要】
1.一种基于FWA和SM的高速铁路线缆检测方法，其特征在于，所述检测方法包括：
S1：基于烟花算法创建样本搜索模型，所述样本搜索模型结合多点爆炸式搜索和变异搜索以实现候选样本的位置更新；
初始化采样样本参数，优化样本搜索模型参数；
S2：采用样本搜索模型搜索得到若干个候选样本，采用轮盘赌选择策略从搜索得到的若干个候选样本中随机选择其中部分候选样本，生成候选样本集；
S3：以是否含有线缆边缘信息为基准，对候选样本集进行筛选，过滤背景信息；
S4：采用单纯形法对候选样本稀疏区域进行局部搜索，优化候选样本集；
S5：对优化后的候选样本集中的候选样本进行连接，完成线缆检测。


2.根据权利要求1所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，步骤S1中，所述初始化采样样本参数，优化样本搜索模型参数的过程包括：
S11：设置样本搜索模型的初始候选样本数num、空间维度D、迭代优化次数it；设置相似性度量阈值ρ0；设置距离阈值fds；
S12：读取一帧图像的数据信息，确定选取一部分线缆图像[Tx,Ty,width,high]作为采样图像，其中，(Tx,Ty)为采样样本的左上角像素点的坐标值，width为采样样本宽度，high为采样样本高度；
S13：生成num个初始候选样本的左上角坐标位置，作为初始烟花的位置信息。


3.根据权利要求2所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，所述初始候选样本的左上角坐标位置表示为：
xi＝(xi1,xi2,...,xij,...xiD)(1≤i≤num,1≤j≤D)
其中，xi是第i个候选样本的左上角位置坐标，可得：
xi＝(xmax-xmin)·rand(1,D)+xmin
其中，xij表示第i个初始样本在第j维的分量，分量的区间为[xmin,xmax]，即为搜索空间的下界和上界，rand(1,D)是由[0,1]之间的随机数组成的D维向量。


4.根据权利要求1所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，步骤S2中，所述采用样本搜索模型搜索得到若干个候选样本的过程包括：
S21：根据样本搜索模型参数中随机产生的候选样本的左上角的位置，在各个位置上截取与采样样本大小相同的图像块作为候选样本，计算候选样本与采样样本的相似性度量值；
S22：通过模拟烟花在空中爆炸的现象进行多点同时爆炸式搜索，以及变异搜索操作，实现候选样本的位置更新；
S23：将与采样样本之间的相似性度量值大于相似度阈值的候选样本位置及相似性度量信息保存。


5.根据权利要求4所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，步骤S21中，所述计算候选样本与采样样本的相似性度量值的过程包括：
提取候选样本的HOG特征，将它们作为随机变量，获得候选样本和采样样本之间的相似性度量值：



其中，D(·)表示方差，Cov(·)表示协方差，M代表采样样本的HOG特征，N代表候选样本的HOG特征，ρ(M,N)的取值范围是[-1,1]；当ρ(M,N)的绝对值越大，说明M与N相关度越高，候选样本和采样样本的相似性就越大，反之，则相似性就越小。


6.根据权利要求4所述的基于FWA和SM的高速铁路线缆检测方法，其特征在于，步骤S22中，所述通过模拟烟花在空中爆炸的现象进行多点同时爆炸式搜索的过程包括：
结合每个候选样本的左上角位置坐标xi，根据以下公式计算每个候选样本的新位置信息：






其中，Si是产生新位置的数量，Ai是搜索步长距离，Mii和Aii是常数，用来调整新位置的数量和搜索步长；ρ...

【专利技术属性】
技术研发人员：张秀娇，王士昭，
申请(专利权)人：江苏君英天达人工智能研究院有限公司，
类型：发明
国别省市：江苏;32