一种27.5kV可视化接地刀闸状态识别方法及装置制造方法及图纸

本发明专利技术提出一种27.5kV可视化接地刀闸状态识别方法及装置，包括采用受非线性脉冲神经P系统启发的识别网络、将识别网络中的首层特征提取滤波器设置为7

【技术实现步骤摘要】
一种27.5kV可视化接地刀闸状态识别方法及装置


[0001]本专利技术涉及刀闸状态识别
，尤其涉及一种27.5kV可视化接地刀闸状态识别方法及装置。

技术介绍

[0002]伴随着计算机技术的不断发展，可视化接地装置（可视化接地刀闸）已经逐渐成了主要的接地操作的首选方式。可视化接地装置极大地简化了检修作业手动挂接地线的繁琐工作，直接提高了检修作业生产效率。27.5kV可视化接地刀闸在铁道电气化的主要构成之一。目前的城市轨道交通接触网检修通常采用人工挂拆地线的方式，效率低、检修人员工作强度大，并且由于人工方式，存在很大的不稳定性，有错误挂设、遗漏拆除地线等可能。因此，一种更高效、更稳定、更安全、更智能的可视化接地装置在当前铁道电气化过程中具有很大的需求。
[0003]近年来，越来越多的可视化接地装置状态识别方法相关研究被提出，例如现有技术“公开号（CN111026006 A）公开了一种便于观察的地铁可视化接地管理装置及安装工法”，此专利技术的目的在于解决常规地铁检修过程中采用人工挂接地线的方法进行人工接地时的安全问题，检修人员可以通过远程操作的方式，完成人工接地操作。利用显示灯与监控摄像头，监控室内管理员可以直接观察到刀闸接地情况。
[0004]基于现有技术发现，在刀闸状态识别部分，仍然依赖人工，为了确保接地刀闸的状态与操作目标状态的一致性，除系统自动确认接地装置返回的刀闸状态外，还需人工查看对应的视频图像，确认接地刀闸的状态，对人工检查确认存在依赖，如果接地装置故障导致返回信号错误，同时人工疏忽未进行视频确认，将可能导致系统无法正常运行，甚至出现安全事故，相比较于通过计算机数字图像技术而言，存在不稳定因素，因此本专利技术提出一种27.5kV可视化接地刀闸状态识别方法及装置以解决现有技术中存在的问题。

技术实现思路

[0005]针对上述问题，本专利技术的目的在于提出一种27.5kV可视化接地刀闸状态识别方法及装置，该种27.5kV可视化接地刀闸状态识别方法及装置具有基于卷积神经网络识别的优点，解决现有技术中存在的问题。
[0006]为实现本专利技术的目的，本专利技术通过以下技术方案实现：一种27.5kV可视化接地刀闸状态识别方法包括以下步骤：
[0007]步骤一：采用受非线性脉冲神经P系统启发的识别网络，对可视化接地装置刀闸状态进行识别分类，用于识别刀闸的三类状态图像，分别为刀闸闭合、刀闸断开与刀闸异常；
[0008]步骤二：将识别网络中的首层特征提取滤波器设置为7
×
7，再提出一个新的组合型非线性激活函数S_ReLU；
[0009]步骤三：对原始27.5kV可视化接地刀闸状态数据集采用了数据增强操作，并利用深度学习中迁移学习技术，提升识别网络的特征提取能力。
[0010]进一步改进在于：所述步骤一中，识别网络构建具体步骤为：
[0011]A1：利用非线性脉冲神经P系统，构建了一个SRCBlock，再利用SRCBlock对识别网络进行搭建；
[0012]A2：根据生物神经元的非线性脉冲机制来构建数字模型，其公式表达为：
[0013][0014]式中，是神经元的输入，是神经元的输出，为突触权重，并且为偏置。
[0015]进一步改进在于：所述SRCBlock包括三个层，分别为步骤二中的激活函数S_ReLU层、Batch Normalization层以及卷积层。
[0016]进一步改进在于：所述步骤二中，组合型非线性激活函数S_ReLU公式表达为：
[0017][0018]式中，其中表示输入信号。
[0019]进一步改进在于：所述步骤三中，提升特征提取能力的具体步骤为：
[0020]S1：利用深度学习技术，通过训练学习的方式，对所提出的识别网络进行训练，采用的数据集为实地采集数据集，并将该数据集分为训练集和验证集；
[0021]S2：使用迁移学习技术，通过借助在ImageNet上已经成功训练的权重参数作为指导，来对识别网络的部分网络进行训练，提取图像的初步特征；
[0022]S3：通过验证集对训练的结果进行验证。
[0023]一种27.5kV可视化接地刀闸状态识别装置，包括可视化接地装置和部署主机，所述可视化接地装置与部署主机电连接，所述部署主机内设有监控模块、状态识别模块和信号处理模块。
[0024]进一步改进在于：所述可视化接地装置包括可视化摄像头和接地刀闸。
[0025]进一步改进在于：所述部署主机内还设有管理员界面。
[0026]本专利技术的有益效果为：该种27.5kV可视化接地刀闸状态识别方法及装置通过采用受非线性脉冲神经P系统启发的识别网络，对可视化接地装置刀闸状态进行识别分类，通过利用卷积核大小为7
×
7的卷积层，提取了更细微的特征，还引入了新型组合型激活函数S_ReLU，提升模型处理非线性的能力，进一步解决了“神经元死亡”问题。利用深度学习的技术，在对ResCNSNP识别方法训练前，使用数据增强技术对数据集进行预处理，扩充了数据集数量，提升了模型的泛化性。同时，引入迁移学习技术，使模型的训练时间大幅缩短，实验结果表明，本专利技术在刀闸状态识别上取得了99.7%的识别精度，具有更强的鲁棒性，相较于其他模型取得了更好的分类效果，模型判断出的刀闸状态信息能够为地铁检修作业人员提供可靠参考。
附图说明
[0027]图1是本专利技术的识别网络结构示意图。
[0028]图2是本专利技术的27.5kV可视化接地刀闸装置结构示意图。
[0029]图3是本专利技术的27.5kV可视化接地刀闸装置电子设备结构示意图。
具体实施方式
[0030]为了加深对本专利技术的理解，下面将结合实施例对本专利技术做进一步详述，本实施例仅用于解释本专利技术，并不构成对本专利技术保护范围的限定。
[0031]实施例一
[0032]根据图1
‑
图2所示，本实施例提出了一种27.5kV可视化接地刀闸状态识别方法，包括以下步骤：
[0033]步骤一：采用受非线性脉冲神经P系统启发的识别网络，对可视化接地装置刀闸状态进行识别分类，用于识别刀闸的三类状态图像，分别为刀闸闭合、刀闸断开与刀闸异常，其中识别网络构建具体步骤为：
[0034]A1：利用非线性脉冲神经P系统，构建了一个SRCBlock，再利用SRCBlock对识别网络进行搭建；
[0035]A2：根据生物神经元的非线性脉冲机制来构建数字模型，其公式表达为：
[0036][0037]式中，是神经元的输入，是神经元的输出，为突触权重，并且为偏置；
[0038]SRCBlock包括三个层，分别为步骤二中的激活函数S_ReLU层、Batch Normalization层以及卷积层；
[0039]步骤二：将识别网络中的首层特征提取滤波器设置为7
×
7，再提出一个新的组合型非线性激活函数S_ReLU，其中组合型非线性激活函数S_Re本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种27.5kV可视化接地刀闸状态识别方法，其特征在于：包括以下步骤：步骤一：采用受非线性脉冲神经P系统启发的识别网络，对可视化接地装置刀闸状态进行识别分类，用于识别刀闸的三类状态图像，分别为刀闸闭合、刀闸断开与刀闸异常；步骤二：将识别网络中的首层特征提取滤波器设置为7
×
7，再提出一个新的组合型非线性激活函数S_ReLU；步骤三：对原始27.5kV可视化接地刀闸状态数据集采用了数据增强操作，并利用深度学习中迁移学习技术，提升识别网络的特征提取能力。2.根据权利要求1所述的一种27.5kV可视化接地刀闸状态识别方法，其特征在于：所述步骤一中，识别网络构建具体步骤为：A1：利用非线性脉冲神经P系统，构建了一个SRCBlock，再利用SRCBlock对识别网络进行搭建；A2：根据生物神经元的非线性脉冲机制来构建数字模型，其公式表达为：式中，是神经元的输入，是神经元的输出，为突触权重，并且为偏置。3.根据权利要求2所述的一种27.5kV可视化接地刀闸状态识别方法，其特征在于：所述SRCBlock包括三个层，分别为步骤二中的激活函数S_ReLU层、Batch Normalization层以及卷积层。4.根据权利要求1所述的一种27.5kV可视化接地...

【专利技术属性】
技术研发人员：彭宏，王军，黎兴源，孙章，
申请(专利权)人：西华大学，
类型：发明
国别省市：