一种高铁接触网供电设备裂损自动检测方法技术

一种高铁接触网供电设备裂损自动检测方法，包括：建立数据样本库、训练两个深度卷积神经网络进行数据学习和训练。本发明专利技术针对现有设备外观异常检测方法单一或者数据量较少等缺陷，本发明专利技术利用基于深度学习的特征识别模型，集合正常样本实现对外观异常设备的准确检测。

【技术实现步骤摘要】
一种高铁接触网供电设备裂损自动检测方法
本专利技术公开一种高铁接触网供电设备裂损自动检测方法，属于图像识别设备缺陷的

技术介绍
近些年来，我国铁路运输高速持续发展，动车和高铁在国民经济发展中起着不可替代的作用。随着我国高铁的全面开通，高铁线路巡检显得尤其重要。传统的高铁线路设备巡检工作，依靠固定位置的摄像头定点拍摄照片，再传回至地面，由工作人员通过对视频图像分析判断设备缺陷。随着海量检测数据的生成，只靠工作人员人眼识别势必造成大量强度较高的重复性劳动，以及视觉疲劳造成的识别率下降和漏检率上升，因此急需采用一种方法，既能高于人眼的识别率，又能长时间保持一个效率，极大降低误检率，实践证明使用基于深度学习的特征识别模型是一个很好的选择。然而现有的设备外观异常检测方法需要采集设备外观异常数据，而异常数据样本一般难以获取，导致深度学习样本少，学习训练模型准确率降低。因此在
中，怎样利用正常样本实现对外观异常设备的准确检测，成为较为棘手的技术问题。
技术实现思路
针对现有技术的不足，本专利技术公开一种高铁接触网供电设备裂损自动检测方法。本专利技术的技术方案如下：一种高铁接触网供电设备裂损自动检测方法，其特征在于，包括：1)建立数据样本库：首先，采集高铁用电系统中的设备定位器底座区域图像，人工标注所诉图像对应设备的类型及位置坐标，形成第一训练数据(图像、图像对应设备的类型、设备所处位置坐标)；其次，对所述第一训练数据中的设备所处位置坐标进行处理：对所述图像中的设备定位器底座进行框选，形成图形框，其中图形框的一个短点的坐标为x,y，则令所述图形框的位置标签为[x:(x+w)，y:(y+h)]，其中，w、h分别为该图形框的宽度和高度；形成第二训练数据(图形框、[x:(x+w)，y:(y+h)])；2)训练两个深度卷积神经网络：其中一个是：目标检测深度卷积神经网络用于将步骤1)中的第一训练数据得到设备定位器底座目标检测模型另一个是：采用UNet结构的网络架构，用于将步骤2)中的得到的第一训练数据得到不同设备底座的图像重构模型；3)开始测试：实时采集被测高铁用电系统中的设备定位器底座图像，并将其导入步骤2)中的目标检测模型中，得到：被测设备的类型及设备所处位置坐标；对本步骤中的所述设备定位器底座图像ROI区域做以下预处理：将设备所处位置坐标根据获得的区域大小向外扩大原图像的1.1倍，并对该扩大后的图像进行Ostu阈值分割使得设备区域为1，背景区域为0；其中，Ostu是指大津法，最大类间方差法；然后以设备区域为中心对图像进行二次裁剪，使得设备位于图像的正中间；4)对设备区域进行设备外观异常检测，通过将裁剪得到的设备区域放到步骤2)得到不同设备底座的图像重构模型中，并输出重构后的新设备图像Y。根据本专利技术优选的，所述的二次裁剪的步骤如下：a)设备所处位置坐标Xmin、Ymin以及图像宽高分别为w,h，根据此信息获得的设备图像为X，为了使得提取的设备图像完整包含了设备信息，需要在原检测图像(实时采集被测高铁用电系统中的设备定位器底座图像)中找出新的坐标点newXmin、newYmin及图像宽高，其计算公式为：newXmin＝Xmin-0.05*wnewYmin＝Ymin-0.05*h其中，new_w＝1.1*w；new_h＝1.1*h；b)获得第一次裁剪的设备图像X1，对X1进行常规的滤波和二值化操作得到设备区域和背景区域；c)记录设备区域为的最大最小横向坐标和纵向坐标：x1min,x1max,y1min,y1max,并计算该区域的宽高w1＝x1max-x1min，h1＝y1max-y1min；将计算得到该宽高与new_w,new_h作比值计算：如果不小于0.7，则以(w1/2，h1/2)为中心向外扩w/2,h/2进行设备区域二次裁剪，获得设备区域X_new；如果比值小于0.7，则重复进行步骤c)，直到得到的比值不小于0.7。根据本专利技术优选的，将重构后的新设备图像Y与X_new做一个减法运算得到重构后的差值图像：Ydif＝Y-X_new。根据本专利技术优选的，对所述重构后的差值图像进行逐像素值比较：如果该位置处像素值大于100的区域，则为设备外观异常区域。根据本专利技术优选的，在确认设备外观异常区域后，再根据该像素点坐标获得裂损位置。本专利技术的技术优势在于：本专利技术针对现有设备外观异常检测方法单一或者数据量较少等缺陷，本专利技术利用基于深度学习的特征识别模型，集合正常样本实现对外观异常设备的准确检测。附图说明图1是本专利技术所述方法中模型训练流程图；图2是本专利技术所述方法的流程图；图3是本专利技术实施例中的实际场景监测流程信息图，对正常设备进行监测的图像；图4是本专利技术实施例中的实际场景监测流程信息图，对异常设备进行监测的图像；图5是本专利技术中二次裁剪的步骤流程图。具体实施方式下面结合实施例和说明书附图做详细的说明，但不限于此。实施例、如图1、2、5所示。一种高铁接触网供电设备裂损自动检测方法，包括：1)建立数据样本库：首先，采集高铁用电系统中的设备定位器底座区域图像，人工标注所诉图像对应设备的类型及位置坐标，形成第一训练数据(图像、图像对应设备的类型、设备所处位置坐标)；其次，对所述第一训练数据中的设备所处位置坐标进行处理：对所述图像中的设备定位器底座进行框选，形成图形框，其中图形框的一个短点的坐标为x,y，则令所述图形框的位置标签为[x:(x+w)，y:(y+h)]，其中，w、h分别为该图形框的宽度和高度；形成第二训练数据(图形框、[x:(x+w)，y:(y+h)])；2)训练两个深度卷积神经网络：其中一个是：目标检测深度卷积神经网络用于将步骤1)中的第一训练数据得到设备定位器底座目标检测模型另一个是：采用UNet结构的网络架构，用于将步骤2)中的得到的第一训练数据得到不同设备底座的图像重构模型；3)开始测试：实时采集被测高铁用电系统中的设备定位器底座图像，并将其导入步骤2)中的目标检测模型中，得到：被测设备的类型及设备所处位置坐标；对本步骤中的所述设备定位器底座图像ROI区域做以下预处理：将设备所处位置坐标根据获得的区域大小向外扩大原图像的1.1倍，并对该扩大后的图像进行Ostu阈值分割使得设备区域为1，背景区域为0；其中，Ostu是指大津法，最大类间方差法；然后以设备区域为中心对图像进行二次裁剪，使得设备位于图像的正中间；4)对设备区域进行设备外观异常检测，通过将裁剪得到的设备区域放到步骤2)得到不同设备底座的图像重构模型中，并输出重构后的新设备图像Y。所述的二次裁剪的步骤如下：a)设备所处位置坐标Xmin、Ymin以及图像宽高本文档来自技高网...

【技术保护点】
1.一种高铁接触网供电设备裂损自动检测方法，其特征在于，包括：/n1)建立数据样本库：/n首先，采集高铁用电系统中的设备定位器底座区域图像，人工标注所诉图像对应设备的类型及位置坐标，形成第一训练数据(图像、图像对应设备的类型、设备所处位置坐标)；/n其次，对所述第一训练数据中的设备所处位置坐标进行处理：对所述图像中的设备定位器底座进行框选，形成图形框，其中图形框的一个短点的坐标为x,y，则令所述图形框的位置标签为[x:(x+w)，y:(y+h)]，其中，w、h分别为该图形框的宽度和高度；形成第二训练数据(图形框、[x:(x+w)，y:(y+h)])；/n2)训练两个深度卷积神经网络：/n其中一个是：目标检测深度卷积神经网络

【技术特征摘要】
1.一种高铁接触网供电设备裂损自动检测方法，其特征在于，包括：
1)建立数据样本库：
首先，采集高铁用电系统中的设备定位器底座区域图像，人工标注所诉图像对应设备的类型及位置坐标，形成第一训练数据(图像、图像对应设备的类型、设备所处位置坐标)；
其次，对所述第一训练数据中的设备所处位置坐标进行处理：对所述图像中的设备定位器底座进行框选，形成图形框，其中图形框的一个短点的坐标为x,y，则令所述图形框的位置标签为[x:(x+w)，y:(y+h)]，其中，w、h分别为该图形框的宽度和高度；形成第二训练数据(图形框、[x:(x+w)，y:(y+h)])；
2)训练两个深度卷积神经网络：
其中一个是：目标检测深度卷积神经网络用于将步骤1)中的第一训练数据得到设备定位器底座目标检测模型
另一个是：采用UNet结构的网络架构，用于将步骤2)中的得到的第一训练数据得到不同设备底座的图像重构模型；
3)开始测试：
实时采集被测高铁用电系统中的设备定位器底座图像，并将其导入步骤2)中的目标检测模型中，得到：被测设备的类型及设备所处位置坐标；
对本步骤中的所述设备定位器底座图像ROI区域做以下预处理：
将设备所处位置坐标根据获得的区域大小向外扩大原图像的1.1倍，并对该扩大后的图像进行Ostu阈值分割使得设备区域为1，背景区域为0；其中，Ostu是指大津法，最大类间方差法；然后以设备区域为中心对图像进行二次裁剪，使得设备位于图像的正中间；
4)对设备区域进行设备外观异常检测，通过将裁剪得到的设备区域放到步骤2)得到不同设备底座的图像重构模型中，并输出重构后的新设备图像Y。


2.根据权利要求1所述的一种高铁接触网供电设...

【专利技术属性】
技术研发人员：张方恒，石会莹，吴勇，王志强，杨习习，吉越，王丕，李阳，陶可猛，张继洲，张焕兵，隋金雁，
申请(专利权)人：和远智能科技股份有限公司，
类型：发明
国别省市：山东;37