一种受电弓拉弧自动检测方法技术

本发明专利技术公开了一种受电弓拉弧自动检测方法，具体为：1)用摄像机拍摄拉弧目标区域的图像；2)使用二值化方法，将图像中像素亮度超过阈值的像素点设置为全白，将未达到阈值的像素点设置为全黑；3)使用基于高斯混合前背景分割法，将图像高差异部分的前景与图像低差异部分的背景进行分离，将前景像素点设置为全白，将背景像素点设置为全黑；4)将步骤2)、步骤3)输出的结果进行“与”运算后，得到的图像为拉弧目标检测轮廓；5)对拉弧目标检测轮廓的图像进行截取后，使用CNN卷积神经网络对检测区域进行判定，对满足判定条件的图片识别为拉弧图像。本发明专利技术可提升受电弓拉弧检测的可靠性和准确性，提升了受电弓拉弧检测效率。提升了受电弓拉弧检测效率。提升了受电弓拉弧检测效率。

【技术实现步骤摘要】
一种受电弓拉弧自动检测方法


[0001]本专利技术涉及一种轨道交通
，尤其是一种基于计算机视觉和机器学习的受电弓拉弧自动检测方法。

技术介绍

[0002]随着信息技术的发展，越来越多的设备制造商探索将在线检测设备应用到城市轨道交通行业中，近几年投入运营的电动客车基本都安装了受电弓视频监控装置，但大多数仅能对视频画面进行记录，无法对视频画面中拉弧画面进行检测和识别，只能通过人工回看视频的方式对拉弧画面进行识别，同时受电弓工作状态检测对保障城市轨道交通安全运营具有重要的意义。因此，能够对受电弓监控视频进行准确、高效和智能分析的需求日渐迫切。

技术实现思路

[0003]针对现有技术存在的问题，本专利技术的目的在于提供一种准确性稿、效率高的受电弓拉弧自动检测方法。
[0004]为实现上述目的，本专利技术一种受电弓拉弧自动检测方法，具体为：
[0005]1)用摄像机拍摄拉弧目标区域的图像；
[0006]2)使用二值化方法，将图像中像素亮度超过阈值的像素点设置为全白，将未达到阈值的像素点设置为全黑，对高亮区域进行强化；
[0007]3)使用基于高斯混合前背景分割法，将图像高差异部分的前景与图像低差异部分的背景进行分离，将前景像素点设置为全白，将背景像素点设置为全黑；
[0008]4)将步骤2)、步骤3)输出的结果进行“与”运算后，得到的图像为拉弧目标检测轮廓；
[0009]5)对拉弧目标检测轮廓的图像进行截取后，使用CNN卷积神经网络对检测区域进行判定，对满足判定条件的图片识别为拉弧图像。
[0010]进一步，所述步骤2)中，二值化方法的实现公式为：
[0011][0012]其中，dst(x，y)为处理后图像中坐标为x，y像素点的灰度值，value(x，y)为输入图像中作为表x，y像素点的灰度值，thresh为设定的阈值。
[0013]进一步，所述阈值为254。
[0014]进一步，所述步骤3)中，高斯混合前背景分割法运用混合高斯背景建模，图像的每一个像素点按照不同权值的多个高斯分布的叠加来建模，每种高斯分布模型对应一个可能产生像素点所呈现的颜色状态，各个高斯分布的权值和分布参数随时间更新，设x
t
为t时刻的像素样本，其中包含RGB三通道颜色值，使用向量进行表示：
[0015]x
t
＝[x
tR x
tG
x
tB
][0016]其中，x
tR
为t时刻的R通道的像素样本，x
tG
为t时刻的G通道的像素样本，x
tB
为t时刻的B通道的像素样本。
[0017]其服从的混合高斯分布概率密度函数为：
[0018][0019][0020]其中，K为分布模式总数，η(x
t
，μ
i，t
，τ
i，t
)为t时刻的第i个高斯分布，μ
i，t
为其RGB三颜色通道的均值矩阵，τ
i，t
为RGB三颜色通道值协方差组成的对角矩阵，w
i，t
为t时刻第i个高斯分布的权重。式中涉及到矩阵计算，“T”表示对矩阵进行转置操作，
“‑
1”表示对矩阵的逆运算。
[0021]进一步，所述步骤3)的具体步骤为：
[0022]A、每个新的像素样本x
t
同当前K个模型进行比较，直到找到匹配新的像素样本的分布模型；
[0023]B、如果所匹配的模型符合背景要求，则判定该像素属于背景，否则属于前景；
[0024]C、如果判断属于背景，计算权值增量后对各模型的权值进行更新，如果判断为前景，则按照新的像素样本x
t
建立模型，并赋予较小的权重值；
[0025]D、对各模型权重进行归一化；
[0026]F、往复步骤A
‑
D，实现动态视频的前背景持续分离。
[0027]进一步，所述步骤4)中，对运算后的图像进行滤波处理，滤波方式采用滑动窗口中值滤波法，具体为：
[0028]F)取出图像中第1个像素，及以第1个像素为中心周围3x3范围内的像素点颜色值；
[0029]G)将取出的9个像素值的颜色值进行排序，取中间数；
[0030]H)将中间数的数值赋予第1个像素的颜色值上；
[0031]I)对第2个像素采用相同的处理方法，以此类推对图片中所有的像素进行处理。
[0032]进一步，所述步骤5)中基于CNN卷积神经网络的机器学习模型，通过CNN卷积提取图片特征，通过神经网络建立识别模型，实现对拉弧图像与非拉弧图像的区分。
[0033]进一步，所述CNN卷积神经网络包括3层：
[0034]1)卷积层：用于对图像特征的提取；
[0035]2)池化层：将卷积层输出的矩阵分割成若干小块，并将每块中的最大值提取；
[0036]3)全连接层：经过卷积层和池化层的处理后形成特征值，按照神经元模型设定的权重值对特征值进行求和，对输出结果进行判断。
[0037]进一步，所述神经网络建立识别模型，包括：
[0038]模型的第一部分：前2个卷积层均是32个3
×
3的卷积核，滑动步长取1，输出32个特征图，大小为64
×
64，采用ReLU激活函数激活处理，其次接1个核大小为2
×
2的最大池化层，特征图大小变为32
×
32，其次接Dropout层，随机丢弃25％的信息；
[0039]模型的第二部分：最后2个卷积层均是64个3
×
3的卷积核，滑动步长取1，输出64个
特征图，大小为32
×
32，采用ReLU激活函数激活处理，其次接1个最大池化层，核大小为2
×
2，特征图大小变为16
×
16，其次接Dropout层，随机丢弃25％的信息；
[0040]模型的第三部分：将卷积层的数据经Flatten层处理后，接全连接层，其次接Dropout层，随机丢弃25％的信息后，接全连接层，最终输出二分类的拉弧识别结果。
[0041]进一步，所述全连接层中使用2个神经元模型权重。
[0042]本专利技术受电弓拉弧自动检测方法，可提升受电弓拉弧检测的可靠性和准确性，还极大提升了受电弓拉弧检测效率。
附图说明
[0043]图1为本专利技术流程示意图；
[0044]图2为经过二值化处理后的图像；
[0045]图3为经过高斯混合前背景分割法后的效果图；
[0046]图4为拉弧目标检测轮廓示意图；
[0047]图5为本专利技术的机器学习模型；
[0048]图6为模型精度及损失变化趋势示意图。
具体实施方式
[0049]下面将结合附图，对本专利技术的技术方案进行清楚、完整地描述，显然，所描本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种受电弓拉弧自动检测方法，其特征在于，该检测方法具体为：1)用摄像机拍摄拉弧目标区域的图像；2)使用二值化方法，将图像中像素亮度超过阈值的像素点设置为全白，将未达到阈值的像素点设置为全黑，对高亮区域进行强化；3)使用基于高斯混合前背景分割法，将图像高差异部分的前景与图像低差异部分的背景进行分离，将前景像素点设置为全白，将背景像素点设置为全黑；4)将步骤2)、步骤3)输出的结果进行“与”运算后，得到的图像为拉弧目标检测轮廓；5)对拉弧目标检测轮廓的图像进行截取后，使用CNN卷积神经网络对检测区域进行判定，对满足判定条件的图片识别为拉弧图像。2.如权利要求1所述的受电弓拉弧自动检测方法，其特征在于，所述步骤2)中，二值化方法的实现公式为：其中，dst(x,y)为处理后图像中坐标为x,y像素点的灰度值，value(x,y)为输入图像中作为表x,y像素点的灰度值，thresh为设定的阈值。3.如权利要求2所述的受电弓拉弧自动检测方法，其特征在于，所述阈值为254。4.如权利要求1所述的受电弓拉弧自动检测方法，其特征在于，所述步骤3)中，高斯混合前背景分割法运用混合高斯背景建模，图像的每一个像素点按照不同权值的多个高斯分布的叠加来建模，每种高斯分布模型对应一个可能产生像素点所呈现的颜色状态，各个高斯分布的权值和分布参数随时间更新，设x
t
为t时刻的像素样本，其中包含RGB三通道颜色值，使用向量进行表示：x
t
＝[x
tR x
tG
x
tB
]其服从的混合高斯分布概率密度函数为：服从的混合高斯分布概率密度函数为：其中，K为分布模式总数，η(x
t
,μ
i,t
,τ
i,t
)为t时刻的第i个高斯分布，μ
i,t
为其RGB三颜色通道的均值矩阵，τ
i,t
为RGB三颜色通道值协方差组成的对角矩阵，w
i,t
为t时刻第i个高斯分布的权重。式中涉及到矩阵计算，“T”表示对矩阵进行转置操作，
“‑
1”表示对矩阵的逆运算。5.如权利要求1所述的受电弓拉弧自动检测方法，其特征在于，所述步骤3)的具体步骤为：A、每个新的像素样本x
t
同当前K个模型进行比较，直到找到匹配新的像素样本的分布模型；B、如果所匹配的模型符合背景要求，则判定该像素属于背景，否则属于前景；C、如果判断属于背景，计算...

【专利技术属性】
技术研发人员：时宝雯，周姜，
申请(专利权)人：北京京港地铁有限公司，
类型：发明
国别省市：