一种基于深度学习的受电弓检测算法制造技术

本发明专利技术提供了一种基于深度学习的受电弓检测算法，包括：S1：在车厢上架设相机并隔一段时间拍摄一张受电弓图片，之后对受电弓图片进行预处理；S2：对预处理后的受电弓图片依次进行卷积神经网络提取特征和池化处理，得到第一碳滑板识别框、第一左羊角识别框和第一右羊角识别框；S3：提取受电弓图片并人工绘制受电弓的第二左羊角识别框、第二右羊角识别框和第二碳滑板识别框，然后计算交并比；S4：根据第一左羊角识别框和第一右羊角识别框，对左右羊角的姿态进行羊角检测，根据碳滑板识别框对碳滑板进行检测。本发明专利技术解决了受电弓羊角检测和碳滑板检测准确率低、适应性差的问题。适应性差的问题。适应性差的问题。

【技术实现步骤摘要】
一种基于深度学习的受电弓检测算法


[0001]本专利技术涉及图像识别
，尤其涉及一种基于深度学习的受电弓检测算法。

技术介绍

[0002]在轨道交通系统中，安装在机车车顶并与接触网相连的部分称为受电弓。受电弓可以分为单臂受电弓和双臂受电弓两种，主要的组成部分包括：弓头(碳滑板、羊角)、上框架、下臂杆、底架、升弓弹簧等部件。受电弓的主要功能是获取接触线的电能，并将获得的电能传导给机车内部，为机车的行驶提供动力，因此受电弓状态是否稳定是机车安全运行的关键。
[0003]在实际运行环境中，受电弓容易发生各种意外情况，如：羊角缺失和升弓异常、受电弓弓头倾斜等，这些突发情况严重影响机车的安全可靠运行，并极有可能威胁到车内乘客的生命安全，造成无法挽回的人员和经济损失。此外，机车的长时间运行会导致弓头部分的碳滑板磨损，碳滑板的磨损容易导致受电弓与接触线之间的接触不良，进一步影响机车的稳定运行，因此有效地检测碳滑板厚度成为保证机车安全运行的重要部分。
[0004]传统的受电弓姿态监控使用一颗面阵相机作为主要硬件设备并结合人工或模板匹配等图像技术实现对受电弓姿态的判断，并给出相应的告警信息。在传统受电弓姿态监控系统中，相机会实时抓取受电弓的图片并回传给系统，系统会对图片做简单的处理之后推送到网页等客户端进行显示。针对系统推送出来的图片，机车运营单位往往会指派专人去判断受电弓的运行状态，实现对受电弓姿态的监控与预警。之后随着计算机视觉技术的发展，受电弓姿态监控系统引入了模板匹配等图像技术，但这种传统的图像算法存在着准确率低、适应性差等致命缺点，无法满足机车安全稳定运行的要求。针对碳滑板厚度检测部分，传统的方法主要分为人工测量和超声波测量。人工检测的方法存在效率低下、工作量大以及检测结果受人为因素干扰等明显缺点，而超声波检测则需要在碳滑板上安装多个传感器，且受温度和湿度变化影响较大，因此均很难满足实际需求。

技术实现思路

[0005]针对现有技术中所存在的不足，本专利技术提供了一种基于深度学习的受电弓检测算法，其解决了现有技术中存在的受电弓羊角检测和碳滑板检测准确率低、适应性差的问题。
[0006]根据本专利技术的实施例，一种基于深度学习的受电弓检测算法，其包括：
[0007]S1：在车厢上架设相机并隔一段时间拍摄一张受电弓图片，之后对受电弓图片进行预处理；
[0008]S2：对预处理后的受电弓图片依次进行卷积神经网络提取特征和池化处理，得到第一碳滑板识别框、第一左羊角识别框和第一右羊角识别框；
[0009]S3：提取受电弓图片并创建一张与受电弓图片同大小的画布，根据受电弓图片，利用画图软件人工绘制受电弓的第二左羊角识别框、第二右羊角识别框和第二碳滑板识别框，然后将第一羊角识别框、第一碳滑板识别框、第二羊角识别框和第二碳滑板识别框映射
到画布上，分别计算第一左羊角识别框和第二左羊角识别框、第一右羊角识别框和第二右羊角以及第一碳滑板识别框、第二碳滑板识别框之间的交并比；
[0010]S4：根据第一左羊角识别框和第一右羊角识别框，对左右羊角的姿态进行羊角缺失检测、升弓高度检测、中心线偏移检测和受电弓倾角计算，根据碳滑板识别框，采用霍夫直线检测对碳滑板进行检测。
[0011]优选地，所述S1中对受电弓图片的预处理包括：
[0012]S1
‑
1：将受电弓图片转换为单通道灰度图；
[0013]S1
‑
2：对受电弓图片进行亮度检测和判断，若判断为过曝，则自动调整相机的曝光值，之后重新采集受电弓图片；
[0014]S1
‑
3：采用仿射变换的方法对受电弓图片进行缩放，之后将缩放过的受电弓图片进行剪切。
[0015]优选地，所述升弓高度计算和中心线偏移检测的步骤如下：
[0016]以受电弓图片的左上角的像素点为像素坐标系原点，将在像素坐标系下的原点坐标、几何中心点坐标、第一左羊角识别框的几何中心点坐标组合成映射矩阵；
[0017]将映射矩阵带入转换公式中，得到在物理坐标系下第一左羊角识别框的几何中心点的第一左羊角坐标；
[0018]将第一左羊角坐标的X轴坐标值与预设中心线水平范围作对比，若X轴坐标值不在预设中心线水平范围内，则判断第一左羊角出现中心线偏移；
[0019]将第一左羊角坐标的Y轴坐标值与预设升弓高度范围作对比，若Y轴坐标值不在预设升弓高度范围内，则判断第一左羊角升弓高度异常；
[0020]之后利用上述方法对第一右羊角进行升弓高度检测和中心线偏移检测。
[0021]优选地，所述碳滑板检测包括：
[0022]截取第一碳滑板识别框内的图像进行预处理，之后进行霍夫直线检测，得到多条预设线段；
[0023]对预设线段进行过滤后对按预设直线所在高度进行分组，然后对同一组的预设线段进行聚合，得到多条横向延伸的聚合线段并对聚合直线进行过滤；
[0024]以最中心的聚合线段的左右两端的坐标计算碳滑板的倾角，以最上端和最下端聚合线段计算碳滑板的厚度。
[0025]相比于现有技术，本专利技术具有如下有益效果：
[0026]利用不受图片缩放和旋转影响的卷积神经网络对图片进行处理，提取图片中受电弓的特征，之后通过池化处理避免过拟合，得到受电弓的第一左羊角识别框、第一右羊角识别框和第一碳滑板识别框，之后通过与人工绘制的识别框进行交并比计算，剔除误差大的识别框，提高检测的准确性，然后根据第一左羊角识别框、第一右羊角识别框和第一碳滑板识别框对羊角和碳滑板进行全方位的多种检测，提高对异常羊角或碳滑板的判断准确性。
附图说明
[0027]图1为本专利技术实施例的检测算法流程图。
[0028]图2为本专利技术实施例的图像识别结果图。
[0029]图3为本专利技术实施例的直线筛选结果图。
具体实施方式
[0030]下面结合附图及实施例对本专利技术中的技术方案进一步说明。
[0031]如图1所示，本专利技术实施例提出了一种基于深度学习的受电弓检测算法，包括：
[0032]S1：在车厢上架设相机并隔一段时间拍摄一张受电弓图片，之后对受电弓图片进行预处理；
[0033]架设好相机后，还需做一些前期工作，以保证相机能够顺利运行并进行拍摄，首先设计一个主控程序，用于能够自动化运行，控制相机运作和对图片进行处理和判断并输出处理结果。
[0034]主控程序采用json格式文件来保存相应的配置信息，主要包括：相机配置信息、标定参数信息、日志存储信息、视频参数信息、UDP播报信息、其他算法相关参数等。主控程序会根据惯导信息判断机车的行驶状态，当检测到机车启动时，主控程序会优先开启所有的硬件设备：相机、LED光源等，由于硬件设备开启需要固定时间，因此系统会预留30
‑
60秒为硬件设备的启动时间。
[0035]随后系统会加载json配置参数，初始化相机、UDP播报的接收/发送、LED光源等设备，并检查是否本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的受电弓检测算法，其特征在于：包括：S1：在车厢上架设相机并隔一段时间拍摄一张受电弓图片，之后对受电弓图片进行预处理；S2：对预处理后的受电弓图片依次进行卷积神经网络提取特征和池化处理，得到第一碳滑板识别框、第一左羊角识别框和第一右羊角识别框；S3：提取受电弓图片并创建一张与受电弓图片同大小的画布，根据受电弓图片，利用画图软件人工绘制受电弓的第二左羊角识别框、第二右羊角识别框和第二碳滑板识别框，然后将第一羊角识别框、第一碳滑板识别框、第二羊角识别框和第二碳滑板识别框映射到画布上，分别计算第一左羊角识别框和第二左羊角识别框、第一右羊角识别框和第二右羊角以及第一碳滑板识别框、第二碳滑板识别框之间的交并比；S4：根据第一左羊角识别框和第一右羊角识别框，对左右羊角的姿态进行羊角缺失检测、升弓高度检测、中心线偏移检测和受电弓倾角计算，根据碳滑板识别框，采用霍夫直线检测对碳滑板进行检测。2.如权利要求1所述的一种基于深度学习的受电弓检测算法，其特征在于：所述S1中对受电弓图片的预处理包括：S1
‑
1：将受电弓图片转换为单通道灰度图；S1
‑
2：对受电弓图片进行亮度检测和判断，若判断为过曝，则自动调整相机的曝光值，之后重新采集受电弓图片；S1
‑
3：采用仿射变换的方法对受电弓图片进行缩放，之后将缩放过的受电弓图片进行剪切。3.如权利要求2所述的一种基于深度学习的受电弓检测算法，其特征在于：所述S1
‑
2中，亮度检测的步骤包括：将受电弓图片均分为上半部分和下半部分，按行读取该检测区域内每个点的像素值，并计算该检测区域内像素值超过预设的灰度阈值的点的个数占总个数的百分比，...

【专利技术属性】
技术研发人员：吕登登，王奎，赵晓敏，
申请(专利权)人：上海天链轨道交通检测技术有限公司，
类型：发明
国别省市：