本发明专利技术公开了一种利用类脑技术识别受电弓缺陷的装置，包括图像视频采集设备、边缘处理板、存储单元和供电模块，图像视频采集设备采集列车在运行状态下的图像视频，通过传输系统传输至边缘处理板中进行处理并识别特征，并将识别结果通过数据输出。本发明专利技术采用国产类脑处理器灵汐KA200，利用脉冲神经网络SNN技术通过图像识别检测受电弓的各种缺陷，具有小样本学习、高速动态响应和检测率高等特点，相比传统深度学习技术更适合复杂环境的受电弓环境，可结合其他设备对受电弓进行多模态应用；将现场采集和拍摄的高清可见光视频和热红外的视频，传输给边缘侧处理板，利用训练好后的SNN模型进行智能分析，以实现自动判定受电弓故障的目的。目的。目的。
【技术实现步骤摘要】
一种利用类脑技术识别受电弓缺陷的装置
[0001]本专利技术涉及属于轨道交通行业，涉及受电弓和人工智能图像识别
，具体涉及一种利用类脑技术识别受电弓缺陷的装置。
技术介绍
[0002]机车受电弓是电气化铁路电力机车从接触网上受取电流的装置。受电弓状态的好坏直接影响到列车的安全、可靠运营，其故障甚至可能造成运输中断。
[0003]目前在实际电气化线路上仅仅实现了受电弓的视频监控及故障的人工识别，而未完全实现故障的自动识别。由于人工识别效率低、工作量大、不能检测运行中的受电弓，逐渐被基于图像自动识别的自动化检测所代替。
[0004]现有的自动化检测是基于传统深度学习的算法和架构，实际应用时因为现场环境复杂、训练异常样本少等问题导致自动化检测精度不高。
技术实现思路
[0005]为解决上述技术问题，本专利技术提供一种利用类脑技术识别受电弓缺陷的装置，包括图像视频采集设备、边缘处理板、存储单元和供电模块，图像视频采集设备采集列车在运行状态下的图像视频，通过传输系统传输至边缘处理板中进行处理并识别特征，并将识别结果通过数据输出。
[0006]优选的：所述存储单元与边缘处理板连接，为边缘处理板提供存储空间，用于存储图像文件和视频文件，存储单元采用NVR硬盘。
[0007]优选的：所述供电模块用于对边缘处理板进行供电，供电模块使用UPS稳压器。
[0008]优选的：所述图像视频采集设备可采用高清可见光相机、热红外相机。
[0009]优选的：所述边缘处理板采用灵汐KA200类脑处理板，其自带视频图像编解码和图像预处理功能模块，通过基于SNN架构的图像处理和识别算法模型，对AI识别进行硬件加速。
[0010]优选的：所述边缘处理板通过将图像视频采集设备采集到的图片文件和视频文件进行视频图像编解码、图像预处理后提取目标区域，再提取目标特征，并进行特征识别，判断受电弓状态，并将结果输出。
[0011]优选的：所述受电弓状态包括受电弓正常、受电弓出现裂纹、受电弓倾斜、受电弓磨损。
[0012]优选的：所述装置处理过程可分为SNN推理流程和SNN训练流程。
[0013]优选的：所述SNN推理流程包括：
[0014](1)视频图像采集，图像视频采集设备采集在不同场景下的列车运行的视频，采集数据阶段，可以直接存储成JPG图片；
[0015]图像视频采集设备由拍摄触发同步单元、视频拍摄单元、控制单元、数据传输单元、供电单元、照明单元和视频数据存储单元等构成，视频图像采集可以输出H.264、H.265、
VP9、MPEG4标准格式视频数据流，用于后续的人工智能识别和NVR存储；
[0016](2)灵汐KA200芯片处理：
[0017]使用KA200芯片自带的图像预处理模块，对视频和图像完成编解码以及前期的图像预处理，并对图片进行识别；
[0018]1)Host到Device通信，即H2D：视频数据由CPU输入，经过PCle接口输入到Device侧，PCle接口可实现数据输入输出；
[0019]2)预处理：将图像视频数据进行预处理，并转化为APU模块支持的数据格式；
[0020]3)SNN推理：数据进入APU模块进行推理；
[0021]4)后处理：推理结果返回CPU进行处理；
[0022]5)Device到Host通信，即D2H：推理结果经过PCle接口，返回Host CPU端；
[0023](3)SNN模型推理过程：
[0024]使用训练好的模型根据输入的数据完成模型推理，并输出推理结果，可针对视频完成目标检测和预警。
[0025]优选的：所述SNN训练流程包括：
[0026](1)模型搭建：使用LIF搭建AI识别模型；
[0027](2)数据标准：受电弓图像使用专用的图像标注软件标注出受电弓轮廓、接触导线的轮廓以及受电弓特殊位置的点区域轮廓，得到原始的数据集和标注的label数据集，作为训练集；
[0028](3)模型训练与适配：利用标注好的数据去训练SNN模型，SNN神经网络模型训练好后，将训练好的SNN神经网络适配成灵汐KA200上的加速网络，验证模型的识别准确率、识别速度是否满足要求，调到最优后即可；
[0029](4)最后生成模型文件，并放到KA200的模型运行文件内。
[0030]本专利技术的技术效果和优点：
[0031]1、本专利技术采用国产类脑处理器灵汐KA200，利用脉冲神经网络SNN技术通过图像识别检测受电弓的各种缺陷，具有小样本学习、高速动态响应和检测率高等特点，相比传统深度学习技术更适合复杂环境的受电弓环境，可结合其他设备对受电弓进行多模态应用。
[0032]2、本专利技术将现场采集和拍摄的高清可见光视频和热红外的视频，传输给边缘侧处理板，利用训练好后的SNN模型进行智能分析，以实现自动判定受电弓故障的目的。
附图说明
[0033]图1是本申请实施例提供的一种利用类脑技术识别受电弓缺陷的装置示意图；
[0034]图2是本申请实施例提供的一种利用类脑技术识别受电弓缺陷的装置中SNN推理流程的流程图；
[0035]图3是本申请实施例提供的一种利用类脑技术识别受电弓缺陷的装置中SNN训练流程的流程图；
[0036]图4是本申请实施例提供的一种利用类脑技术识别受电弓缺陷的装置中灵汐KA200芯片处理过程示意图；
[0037]图5是本申请实施例提供的一种利用类脑技术识别受电弓缺陷的装置中SNN模型推理过程示意图；
[0038]图6是本申请实施例提供的一种利用类脑技术识别受电弓缺陷的装置中SNN训练流程中模型搭建示意图；
[0039]图7是本申请实施例提供的一种利用类脑技术识别受电弓缺陷的装置中SNN训练流程中模型文件运行示意图；
[0040]图8是本申请实施例提供的一种利用类脑技术识别受电弓缺陷的装置中神经网络模型示意图；
[0041]图9是本申请实施例提供的一种利用类脑技术识别受电弓缺陷的装置中SNN计算流程图。
具体实施方式
[0042]下面结合附图和具体实施方式对本专利技术作进一步详细的说明。本专利技术的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本专利技术限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本专利技术的原理和实际应用，并且使本领域的普通技术人员能够理解本专利技术从而设计适于特定用途的带有各种修改的各种实施例。
[0043]灵汐KA200是首款具有通用编程能力的SNN/ANN深度融合的类脑计算芯片，采用异构融合众核、存算一体的芯片架构，单芯片可支持25万神经元、10亿突触以上规模的脉冲神经网络计算，并可高效支持卷积脉冲神经网络，支持新型类脑算法。
[0044]KA200芯片针对神经网络的连接稀疏性、事件稀疏性，对脑仿真执行效率进行高度优化，较典型的冯诺依本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种利用类脑技术识别受电弓缺陷的装置，其特征在于，包括图像视频采集设备、边缘处理板、存储单元和供电模块，图像视频采集设备采集列车在运行状态下的图像视频，通过传输系统传输至边缘处理板中进行处理并识别特征，并将识别结果通过数据输出。2.根据权利要求1所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述存储单元与边缘处理板连接，为边缘处理板提供存储空间，用于存储图像文件和视频文件，存储单元采用NVR硬盘。3.根据权利要求1所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述供电模块用于对边缘处理板进行供电，供电模块使用UPS稳压器。4.根据权利要求1所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述图像视频采集设备可采用高清可见光相机、热红外相机。5.根据权利要求1所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述边缘处理板采用灵汐KA200类脑处理板，其自带视频图像编解码和图像预处理功能模块，通过基于SNN架构的图像处理和识别算法模型，对Al识别进行硬件加速。6.根据权利要求5所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述边缘处理板通过将图像视频采集设备采集到的图片文件和视频文件进行视频图像编解码、图像预处理后提取目标区域，再提取目标特征，并进行特征识别，判断受电弓状态，并将结果输出。7.根据权利要求6所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述受电弓状态包括受电弓正常、受电弓出现裂纹、受电弓倾斜、受电弓磨损。8.根据权利要求1所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述装置处理过程可分为SNN推理流程和SNN训练流程。9.根据权利要求8所述的一种利用类脑技术识别受电弓缺陷的装置，其特征在于，所述SNN推理流程包括：(1)视频图像采集，图像视...
【专利技术属性】
技术研发人员：郗汭，贾荣，李波，黄思俊，
申请(专利权)人：北京天睿视迅科技有限公司武汉尚易星通科技有限公司，
类型：发明
国别省市：
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。