基于深度神经网络的列车受电弓磨损检测方法及系统技术方案

本发明专利技术公开了一种基于深度神经网络的列车受电弓磨损检测方法及系统。所述一种基于深度神经网络的列车受电弓磨损检测方法包括如下步骤：S1、利用列车上的相机大量采集受电弓滑板的图片，并将所述图片标记为样本图片；S2、对所述样本图片进行图像增强处理，得到待训练图片；S3、基于神经网络对所述待训练图片进行训练，并得到受电弓图片磨损状况训练模型；S4、根据所述训练模型对所述受电弓进行磨损检测。本发明专利技术公开的基于深度神经网络的列车受电弓磨损检测方法及系统能够降低检测成本，提高受电弓的检测效率和检测精确度，即进行受电弓检测不需要专业知识和相关检测经验，就可以直接获得是否需要更换受电弓的判断结果。

Wear detection method and system of train pantograph based on depth neural network

【技术实现步骤摘要】
基于深度神经网络的列车受电弓磨损检测方法及系统
本专利技术涉及列车检测领域，特别涉及一种基于深度神经网络的列车受电弓磨损检测方法、系统及存储介质。
技术介绍
受电弓是列车唯一与接触网接触、安装在机车或动车车顶，是电力牵引机车从接触网取得电能的电气设备，受电弓滑板在列车日常运行过程中不断与接触网接触滑动造成磨损；需要定期检测更换以避免弓头与接触网发生机械碰撞造成受电弓故障。因此，及时有效地对受电弓滑板进行检测并更换过度磨损和有故障的受电弓，能够预防各种安全隐患和降低安全事故发生的几率。列车受电弓检测主要分为人工检测、超声检测和基于图像检测。目前国内检测受电弓受损情况，需要让列车停靠并断电且确保安全后，由检修人员查看受电弓滑板磨损情况和有无异常情况。这样的操作不仅效率低，耗时长，且依赖个人对异常情况判断经验。超声波检测是通过超声波传感器发出超声波，当超声波接触受电弓滑板后反射，传感器接收到反射的超声波后，通过结合超声波在空气中传播的速度和测量超声波的发射与接收的时间，就可计算滑板的剩余厚度。但是超声波检测相对激光检测精度较低且对缺陷显示不明显，同时其要求在平滑表面工作。因而现有技术还有待改进和提高。
技术实现思路
鉴于上述现有技术的不足之处，本专利技术的目的在于提供一种基于深度神经网络的列车受电弓磨损检测方法、设备及存储介质，解决现有技术中受电弓检测方法效率低且精度不够的技术问题。为了达到上述目的，本专利技术采取了以下技术方案：一种基于深度神经网络的列车受电弓磨损检测方法，包括如下步骤：S1、利用列车上的相机大量采集受电弓滑板的图片，并将所述图片标记为样本图片；S2、对所述样本图片进行图像增强处理，得到待训练图片；S3、基于神经网络对所述待训练图片进行训练，并得到受电弓图片磨损状况训练模型；S4、根据所述训练模型对所述受电弓进行磨损检测。一种基于深度神经网络的列车受电弓磨损检测系统，包括处理器和存储器；所述存储器上存储有可被所述处理器执行的计算机可读程序；所述处理器执行所述计算机可读程序时实现如上所述的基于深度神经网络的列车受电弓磨损检测方法中的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个多个程序可被一个或者多个处理器执行，以实现如上所述的基于深度神经网络的列车受电弓磨损检测方法中的步骤。相较于现有技术，本专利技术提供的基于深度神经网络的列车受电弓磨损检测方法、设备及存储介质能够降低检测成本，提高受电弓的检测效率和检测精确度，即进行受电弓检测不需要专业知识和相关检测经验，就可以直接获得是否需要更换受电弓的判断结果。附图说明图1为本专利技术提供的基于深度神经网络的列车受电弓磨损检测方法的一较佳实施例的流程图。具体实施方式本专利技术提供一种基于深度神经网络的列车受电弓磨损检测方法、设备及存储介质，为使本专利技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。实施例1请参阅图1，图1为本专利技术提供的基于深度神经网络的列车受电弓磨损检测方法的一较佳实施例的流程图。本专利技术提供的基于深度神经网络的列车受电弓磨损检测方法的流程图，包括如下步骤：S1、利用列车上的相机大量采集受电弓滑板的图片，并将所述图片标记为样本图片；S2、对所述样本图片进行图像增强处理，得到待训练图片；S3、基于神经网络对所述待训练图片进行训练，并得到受电弓图片磨损状况训练模型；S4、根据所述训练模型对所述受电弓进行磨损检测。具体来说，在步骤S1中：所述样本图片包括正样本图片和负样本图片，其中，所述正样本图片为受电弓磨损到需要更换的图片，所述负样本图片为受电弓磨损状况不需要更换的图片。作为优选的实施例，在步骤S2中具体包括：对采集到的图片运用图像增强、形态学图像处理方法进行预处理，具体来说，对所述样本图片进行灰度化和图像增强处理，其中，所述图像增强处理是指不考虑图像降噪的情况下突出图像中感兴趣的区域，可使图像中的轮廓和细节更清晰和明显；对所述样本图片进行数据扩增，得到所述待训练图片，数据扩增方法能够解决训练神经网络时出现的过拟合。作为优选的实施例，在步骤S3中具体包括：通过神经网络提取所述待训练图片的图像特征，并基于逻辑回归判断所述待训练图片中对应的受电弓滑板是否需要更换；基于所述判断结果建立训练模型，其中，当所述判断结果为1时，表示需要更换受电弓滑板，当判断结果为0时，表示不需要更换受电弓滑板。需要说明的是，一旦建立了训练模型，只要列车工作人员在对列车受电弓进行磨损检测时，可以根据相机采集的受电弓滑板图片与训练模型中的训练图片进行对比，然后根据比对的结果来判断该受电弓滑板是否发生磨损。作为优选的实施例，本实施例采用的神经网络为卷积神经网络，更为具体的是，该卷积神经网络为GoogLeNet神经网络。下面具体介绍利用GoogLeNet神经网络对采集的待训练图片建立训练模型方案，该方案利用GoogLeNet神经网络提取图像特征，去掉GoogLeNet的softmax层将其替换为逻辑回归(logisticsregression)，其中逻辑回归用于对输出结果进行判断，即判断输入该神经网络的图片中的受电弓滑板是否需要更换。其判断结果分别为1(需要更换受电弓)、0(不需要更换受电弓)。具体来说，GoogLeNet通过设计一个稀疏网络结构(Inception)，不仅能提升神经网络的表现，又能保证高计算性能。Inception网络将1*1、3*3、5*5的卷积核和3*3的pooling(池化)堆叠在一起，且为避免特征图厚度和计算量太大，在3*3、5*5卷积核前和maxpooling后分别加上1*1的卷积核起到降低特征维度和计算复杂度，同时使用1*1卷积核可以提取更丰富的特征。利用不同尺度同时进行卷积，多个尺度的特征可以被提取且提取更丰富的特征可以让最后的分类判断更准确。网络设置2个辅助分类器(原2个辅助分类器为softmax，本方法改为logisticsregression用于向前传导梯度)，其目的是为了避免梯度消失。其作用是在中间节点分类，将分类结果赋予较小的权重(0.3)并加到最终分类结果中，这样做对整个网络的训练有好处，因为不仅可以额外的尽心正则化而且将反向传播的梯度增加进网络，在实际测试时这两个辅助分类器会被去掉。GoogLeNet为22层网络结构，此处将其分为一般的卷积层和Inception层，原始输入图像为224*224*3，且都进行了零均值化的预处理操作(图像每个像素减去均值)。其第一层卷积层使用7*7的卷积核(滑动步长2，padding为3)，64通道，输出为112*112*64，卷积后进行ReLU操作，经过3*3的ma*pooling(步长为2)，输出为((112本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的列车受电弓磨损检测方法，其特征在于，包括如下步骤：/nS1、利用列车上的相机大量采集受电弓滑板的图片，并将所述图片标记为样本图片；/nS2、对所述样本图片进行图像增强处理，得到待训练图片；/nS3、基于神经网络对所述待训练图片进行训练，并得到受电弓图片磨损状况训练模型；/nS4、根据所述训练模型对所述受电弓进行磨损检测。/n

【技术特征摘要】
1.一种基于深度神经网络的列车受电弓磨损检测方法，其特征在于，包括如下步骤：
S1、利用列车上的相机大量采集受电弓滑板的图片，并将所述图片标记为样本图片；
S2、对所述样本图片进行图像增强处理，得到待训练图片；
S3、基于神经网络对所述待训练图片进行训练，并得到受电弓图片磨损状况训练模型；
S4、根据所述训练模型对所述受电弓进行磨损检测。


2.根据权利要求1所述的基于深度神经网络的列车受电弓磨损检测方法，其特征在于，在步骤S1中：
所述样本图片包括正样本图片和负样本图片，其中，所述正样本图片为受电弓磨损到需要更换的图片，所述负样本图片为受电弓磨损状况不需要更换的图片。


3.根据权利要求1所述的基于深度神经网络的列车受电弓磨损检测方法，其特征在于，在步骤S2中：
对所述样本图片进行灰度化和图像增强处理，其中，所述图像增强处理是指不考虑图像降噪的情况下突出图像中感兴趣的区域；
对所述样本图片进行数据扩增，得到所述待训练图片。


4.根据权利要求1所述的基于深度神经网络的列车受电弓磨损检测方法，其特征在于，在步骤S3中：
通过神经网络提取所述待训练图片的图像特征，并基于逻辑回归判断所述待训练图片中对应的受电弓滑板是否需要更换；
基于所述判断结果建立训练模型。


5.根据权利要求4所述的基于深度神经网络的列车受电弓磨损检测方法，其特征在于，当所述判断结果为1时，表示需要更换受电弓滑板，当判断结果为0时，表示不需要更换受电弓滑板。


6.根据权利要求4所述的基于深度神经网络的列车受电弓磨损检测方法，其特征在于，所述神经网络为卷积神经网络，且所述卷积神经网络包括：
卷积层1：使用7*7的卷积核，其中，滑动步长2，padding为3，64通道，输出为112*112*64，卷积后进行ReLU操作，经过3*3且步长为2的池化，输出为((112-3+1)/2)+1＝56，即56*56*64，再进行ReLU操作；
卷积层2：使用3*3的卷积核，其中，滑动步长为1，padding为1，192通道，输出为56*56*192，卷积后进行ReLU操作，经过3*3的且步长为2的池化，输出为((...

【专利技术属性】
技术研发人员：焦圣棚，
申请(专利权)人：武汉中创融科科技股份有限公司，
类型：发明
国别省市：湖北;42