CN106203537A - 一种受电弓升降状态检测方法和装置 - Google Patents

一种受电弓升降状态检测方法和装置 Download PDF

Info

Publication number
CN106203537A
CN106203537A CN201610796182.7A CN201610796182A CN106203537A CN 106203537 A CN106203537 A CN 106203537A CN 201610796182 A CN201610796182 A CN 201610796182A CN 106203537 A CN106203537 A CN 106203537A
Authority
CN
China
Prior art keywords
local feature
pantograph
state
image
status image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610796182.7A
Other languages
English (en)
Other versions
CN106203537B (zh
Inventor
高晓蓉
杨凯
王黎
赵全轲
王泽勇
彭建平
张渝
彭朝勇
廖伟
谢利明
向波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHENGDU TIEAN TECHNOLOGY Co Ltd
Original Assignee
CHENGDU TIEAN TECHNOLOGY Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CHENGDU TIEAN TECHNOLOGY Co Ltd filed Critical CHENGDU TIEAN TECHNOLOGY Co Ltd
Priority to CN201610796182.7A priority Critical patent/CN106203537B/zh
Publication of CN106203537A publication Critical patent/CN106203537A/zh
Application granted granted Critical
Publication of CN106203537B publication Critical patent/CN106203537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种受电弓升降状态检测方法和装置。该方法获取受电弓的状态图像，继而提取状态图像中的局部特征，并基于预先建立的人工神经网络模型对所述局部特征进行识别，以判断受电弓的升降弓状态以及对所述人工神经网络模型进行更新。本发明采用人工神经网络模型对受电弓状态图像进行识别的方式确定受电弓的升降状态，与现有技术采用信号传感器的方式相比，本发明不受外部信号的干扰，提高了受电弓的状态检测精度。

Description

一种受电弓升降状态检测方法和装置
技术领域
本申请涉及列车安全检测领域，更具体地说，涉及一种受电弓升降弓状态检测方法和装置。
背景技术
受电弓是指列车(含动车、机车、车辆、地铁、有轨电车等)顶部与供电导线接触，以获取电力驱动列车运行的关键部件，其工作状态直接影响列车运行安全。对受电弓升降弓状态进行监控能够有效避免因为升降弓问题而引起的行车安全事故。
目前通常利用信号传感器对受电弓升降弓状态进行监控，如当信号传感器输出第一感应信号时，确定受电弓为升弓状态；当信号传感器输出第二感应信号时，确定手电工为降弓状态。由于信号传感器容易受到外部信号的干扰，因而当前的受电弓升降状态的检测精度较低。
发明内容
有鉴于此，本申请提供一种受电弓升降弓状态检测方法和装置，以提高受电弓升降状态的检测精度。
为了实现上述目的，现提出的方案如下：
一种受电弓升降弓状态检测方法，包括：
获取受电弓的状态图像；
提取所述状态图像中的局部特征；
基于预先建立的人工神经网络模型对所述局部特征进行识别，并根据识别结果判断受电弓的升降弓状态以及对所述人工神经网络模型进行更新。
优选的，所述获取受电弓的状态图像，包括：
获取受电弓的二维状态图像。
优选的，所述获取受电弓的状态图像包括：
获取受电弓的三维状态图像。
优选的，所述提取所述状态图像中的局部特征，包括：
提取受电弓二维状态图像的sift特征、边缘特征、亮度结构等局部信息。
优选的，所述提取所述状态图像中的局部特征，包括：
提取受电弓三维状态图像的深度信息、边缘结构信息、目标梯度信息。
优选的，所述基于预先建立的人工神经网络模型对所述局部特征进行识别，并根据识别结果判断受电弓的升降弓状态以及对所述人工神经网络模型进行更新，包括：
比较所述人工神经网络模型的预设局部特征与所述状态图像的局部特征，其中所述预设局部特征包括预设升弓状态局部特征和预设降弓状态局部特征；
当所述状态图像的局部特征与所述预设升弓状态局部特征的相似度达到预设阈值时，确定所述受电弓为升弓状态；
基于所述状态图像的局部特征对所述人工神经网络模型的预设升弓状态局部特征进行更新；
当所述状态图像的局部特征与所述预设降弓状态局部特征的相似度达到预设阈值时，确定所述受电弓为降弓状态；
基于所述状态图像的局部特征对所述人工神经网络模型的预设降弓状态局部特征进行更新。
一种受电弓升降状态检测装置，包括：
图像采集单元，用于获取受电弓的状态图像；
特征提取单元，用于提取所述状态图像中的局部特征；
图像识别单元，用于基于预先建立的人工神经网络模型对所述局部特征进行识别，并根据识别结果判断受电弓的升降弓状态以及对所述人工神经网络模型进行更新。
优选的，所述图像采集单元包括：二维图像采集模块和/或三维图像采集模块。
优选的，当所述状态图像为二维图像时，所述特征提取单元用于提取受电弓二维状态图像的sift特征、边缘特征、亮度结构等局部信息。
当所述状态图像为三维图像时，所述特征提取单元用于提取受电弓三维状态图像的深度信息、边缘结构信息、目标梯度信息。
优选的，所述图像识别单元包括：
比较模块，用于比较所述人工神经网络模型的预设局部特征与所述状态图像的局部特征，其中所述预设局部特征包括预设升弓状态局部特征和预设降弓状态局部特征；
受电弓状态检测模块，用于当所述状态图像的局部特征与所述预设升弓状态局部特征的相似度达到预设阈值时，确定所述受电弓为升弓状态；
当所述状态图像的局部特征与所述预设降弓状态局部特征的相似度达到预设阈值时，确定所述受电弓为降弓状态；
人工神经网络模型更新模块，用于基于所述状态图像的局部特征对所述人工神经网络模型的预设局部特征进行更新。
经由上述技术方案可知，本申请公开了一种受电弓升降状态检测方法和装置。该方法获取受电弓的状态图像，继而提取状态图像中的局部特征，并基于预先建立的人工神经网络模型对所述局部特征进行识别，以判断受电弓的升降弓状态以及对所述人工神经网络模型进行更新。本发明采用人工神经网络模型对受电弓状态图像进行识别的方式确定受电弓的升降状态，与现有技术采用信号传感器的方式相比，本发明不受外部信号的干扰，提高了受电弓的状态检测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1示出了本发明一个实施例公开的一种受电弓升降弓状态检测方法的流程示意图；
图2示出了本发明另一个实施例公开的一种受电弓升降弓状态检测方法的流程示意图；
图3示出了本发明另一个实施例公开的一种受电弓升降弓状态检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1示出了本发明一个实施例公开的一种受电弓升降弓状态检测方法的流程示意图。
由图1可知，该方法包括：
S101：获取受电弓的状态图像。
采用检测相机拍摄列车受电弓图像，以获得受电弓的状态图像。其中，该状态图像可为二维状态图像，也可以是三维状态图像。
S102：提取所述状态图像中的局部特征。
当获取到的状态图像为二维状态图像时，提取受电弓二维状态图像的sift特征、边缘特征、亮度结构等局部信息。
当获取到的状态图像为三维状态图像时，提取受电弓三维状态图像的深度信息、边缘结构信息、目标梯度信息。
S103：基于预先建立的人工神经网络模型对所述局部特征进行识别，并根据识别结果判断受电弓的升降弓状态以及对所述人工神经网络模型进行更新。
预先建立人工神经网络模型，其中所述人工神经网络模型中包括预设升弓状态局部特征和预设降弓状态局部特征。在实际应用中为了保证人工神经网络模型的稳定性，需要实时对人工神经网络模型中的预设升弓状态局部特征和预设降弓状态局部特征进行更新。
由上述技术方案可知，本申请公开了一种受电弓升降状态检测方法和装置。该方法获取受电弓的状态图像，继而提取状态图像中的局部特征，并基于预先建立的人工神经网络模型对所述局部特征进行识别，以判断受电弓的升降弓状态以及对所述人工神经网络模型进行更新。本发明采用人工神经网络模型对受电弓状态图像进行识别的方式确定受电弓的升降状态，与现有技术采用信号传感器的方式相比，本发明不受外部信号的干扰，提高了受电弓的状态检测精度。
参见图2示出了本发明另一个实施例公开的一种受电弓升降弓状态检测方法的流程示意图。
由图2可知，该方法包括：
S201：获取受电弓的状态图像。
采用检测相机拍摄列车受电弓图像，以获得受电弓的状态图像。其中，该状态图像可为二维状态图像，也可以是三维状态图像。
S202：提取所述状态图像中的局部特征。
当获取到的状态图像为二维状态图像时，提取受电弓二维状态图像的sift特征、边缘特征、亮度结构等局部信息。
当获取到的状态图像为三维状态图像时，提取受电弓三维状态图像的深度信息、边缘结构信息、目标梯度信息。
S203：比较人工神经网络模型的预设局部特征与所述状态图像的局部特征。
S204：当所述状态图像的局部特征与人工神经网络模型的预设升弓状态局部特征的相似度达到预设阈值时，确定所述受电弓为升弓状态。
S205：当所述状态图像的局部特征与所述预设降弓状态局部特征的相似度达到预设阈值时，确定所述受电弓为降弓状态。
S206：基于所述状态图像的局部特征对所述人工神经网络模型的预设局部特征进行更新。
如，当确定受电弓的状态为降弓状态，且受电弓的状态图像和预设人工神经网络模型的预设降弓状态局部特征中同时存在局部特征A时，对人工神经网络模型的参数进行更新，以增加局部特征A的权重。
参见图3示出了本发明另一个实施例公开的一种受电弓升降弓状态检测装置的结构示意图。
由图3可知，该装置包括：图像采集单元1、特征提取单元2、图像识别单元3。
其中，图像采集单元1用于获取受电弓的状态图像并将获取到的状态图像发送至特征提取单元2中。
可选的，该图像采集单元包括：二维图像采集模块21和/或三维图像采集模块22。
特征提取单元2接收图像采集单元1发送的状态图像，并提取所述状态图像中的局部特征。
具体的，当所述状态图像为二维图像时，所述特征提取单元用于提取受电弓二维状态图像的sift特征、边缘特征、亮度结构等局部信息。
当所述状态图像为三维图像时，所述特征提取单元用于提取受电弓三维状态图像的深度信息、边缘结构信息、目标梯度信息。
图像识别单元3用于基于预先建立的人工神经网络模型对所述局部特征进行识别，并根据识别结果判断受电弓的升降弓状态以及对所述人工神经网络模型进行更新。
可选的，在本发明公开的其他装置实施例汇中，该图像识别单元3具体包括：比较模块31、受电弓状态检测模块32以及人工神经网络更新模块33。
其中，比较模块31用于比较所述人工神经网络模型的预设局部特征与所述状态图像的局部特征。所述预设局部特征包括预设升弓状态局部特征和预设降弓状态局部特征。
受电弓状态检测模块32用于当所述状态图像的局部特征与所述预设升弓状态局部特征的相似度达到预设阈值时，确定所述受电弓为升弓状态；当所述状态图像的局部特征与所述预设降弓状态局部特征的相似度达到预设阈值时，确定所述受电弓为降弓状态。
人工神经网络模型更新模块33用于基于所述状态图像的局部特征对所述人工神经网络模型的预设局部特征进行更新。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种受电弓升降弓状态检测方法，其特征在于，包括：
获取受电弓的状态图像；
提取所述状态图像中的局部特征；
基于预先建立的人工神经网络模型对所述局部特征进行识别，并根据识别结果判断受电弓的升降弓状态以及对所述人工神经网络模型进行更新。
2.根据权利要求1所述的方法，其特征在于，所述获取受电弓的状态图像，包括：
获取受电弓的二维状态图像。
3.根据权利要求1所述的方法，其特征在于，所述获取受电弓的状态图像包括：
获取受电弓的三维状态图像。
4.根据权利要求2所述的方法，其特征在于，所述提取所述状态图像中的局部特征，包括：
提取受电弓二维状态图像的sift特征、边缘特征、亮度结构等局部特征信息。
5.根据权利要求3所述的方法，其特征在于，所述提取所述状态图像中的局部特征，包括：
提取受电弓三维状态图像的深度信息、边缘结构信息、目标梯度信息。
6.根据权利要求1所述的方法，其特征在于，所述基于预先建立的人工神经网络模型对所述局部特征进行识别，并根据识别结果判断受电弓的升降弓状态以及对所述人工神经网络模型进行更新，包括：
比较所述人工神经网络模型的预设局部特征与所述状态图像的局部特征，其中所述预设局部特征包括预设升弓状态局部特征和预设降弓状态局部特征；
当所述状态图像的局部特征与所述预设升弓状态局部特征的相似度达到预设阈值时，确定所述受电弓为升弓状态；
基于所述状态图像的局部特征对所述人工神经网络模型的预设升弓状态局部特征进行更新；
当所述状态图像的局部特征与所述预设降弓状态局部特征的相似度达到预设阈值时，确定所述受电弓为降弓状态；
基于所述状态图像的局部特征对所述人工神经网络模型的预设降弓状态局部特征进行更新。
7.一种受电弓升降状态检测装置，其特征在于，包括：
图像采集单元，用于获取受电弓的状态图像；
特征提取单元，用于提取所述状态图像中的局部特征；
图像识别单元，用于基于预先建立的人工神经网络模型对所述局部特征进行识别，并根据识别结果判断受电弓的升降弓状态以及对所述人工神经网络模型进行更新。
8.根据权利要求7所述的装置，其特征在于，所述图像采集单元包括：二维图像采集模块和/或三维图像采集模块。
9.根据权利要求8所述的装置，其特征在于，当所述状态图像为二维图像时，所述特征提取单元用于提取受电弓二维状态图像的sift特征、边缘特征、亮度结构等局部信息；
当所述状态图像为三维图像时，所述特征提取单元用于提取受电弓三维状态图像的深度信息、边缘结构信息、目标梯度信息。
10.根据权利要求7所述的装置，其特征在于，所述图像识别单元包括：
比较模块，用于比较所述人工神经网络模型的预设局部特征与所述状态图像的局部特征，其中所述预设局部特征包括预设升弓状态局部特征和预设降弓状态局部特征；
受电弓状态检测模块，用于当所述状态图像的局部特征与所述预设升弓状态局部特征的相似度达到预设阈值时，确定所述受电弓为升弓状态；
当所述状态图像的局部特征与所述预设降弓状态局部特征的相似度达到预设阈值时，确定所述受电弓为降弓状态；
人工神经网络模型更新模块，用于基于所述状态图像的局部特征对所述人工神经网络模型的预设局部特征进行更新。
CN201610796182.7A 2016-08-31 2016-08-31 一种受电弓升降状态检测方法和装置 Active CN106203537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610796182.7A CN106203537B (zh) 2016-08-31 2016-08-31 一种受电弓升降状态检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610796182.7A CN106203537B (zh) 2016-08-31 2016-08-31 一种受电弓升降状态检测方法和装置

Publications (2)

Publication Number Publication Date
CN106203537A true CN106203537A (zh) 2016-12-07
CN106203537B CN106203537B (zh) 2019-06-04

Family

ID=58087020

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610796182.7A Active CN106203537B (zh) 2016-08-31 2016-08-31 一种受电弓升降状态检测方法和装置

Country Status (1)

Country Link
CN (1) CN106203537B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288055A (zh) * 2018-03-14 2018-07-17 台州智必安科技有限责任公司 基于深度网络与分级测试的电力机车受电弓及电弧检测方法
CN108528400A (zh) * 2017-09-15 2018-09-14 北京新联铁集团股份有限公司 机车车辆车顶的整备作业方法
CN113049595A (zh) * 2019-12-27 2021-06-29 苏州华兴致远电子科技有限公司 一种受电弓磨损测量方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050033095A (ko) * 2003-10-04 2005-04-12 기아자동차주식회사 자동차용 팬토 그래프 잭
CN101506843A (zh) * 2006-08-14 2009-08-12 微软公司 图像中的对象的自动分类
CN102129564A (zh) * 2011-02-14 2011-07-20 西南交通大学 基于无人飞行器的接触网故障检测与诊断方法
CN102402621A (zh) * 2011-12-27 2012-04-04 浙江大学 一种基于图像分类的图像检索方法
CN105564460A (zh) * 2016-01-25 2016-05-11 成都国铁电气设备有限公司 受电弓意外降弓识别检测方法及系统
CN105652154A (zh) * 2016-01-25 2016-06-08 成都国铁电气设备有限公司 接触网运行状态安全监测分析系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050033095A (ko) * 2003-10-04 2005-04-12 기아자동차주식회사 자동차용 팬토 그래프 잭
CN101506843A (zh) * 2006-08-14 2009-08-12 微软公司 图像中的对象的自动分类
CN102129564A (zh) * 2011-02-14 2011-07-20 西南交通大学 基于无人飞行器的接触网故障检测与诊断方法
CN102402621A (zh) * 2011-12-27 2012-04-04 浙江大学 一种基于图像分类的图像检索方法
CN105564460A (zh) * 2016-01-25 2016-05-11 成都国铁电气设备有限公司 受电弓意外降弓识别检测方法及系统
CN105652154A (zh) * 2016-01-25 2016-06-08 成都国铁电气设备有限公司 接触网运行状态安全监测分析系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108528400A (zh) * 2017-09-15 2018-09-14 北京新联铁集团股份有限公司 机车车辆车顶的整备作业方法
CN108288055A (zh) * 2018-03-14 2018-07-17 台州智必安科技有限责任公司 基于深度网络与分级测试的电力机车受电弓及电弧检测方法
CN108288055B (zh) * 2018-03-14 2020-09-22 台州智必安科技有限责任公司 基于深度网络与分级测试的电力机车受电弓及电弧检测方法
CN113049595A (zh) * 2019-12-27 2021-06-29 苏州华兴致远电子科技有限公司 一种受电弓磨损测量方法及系统

Also Published As

Publication number Publication date
CN106203537B (zh) 2019-06-04

Similar Documents

Publication Publication Date Title
CN103500322B (zh) 基于低空航拍图像的车道线自动识别方法
CN104091171B (zh) 基于局部特征的车载远红外行人检测系统及方法
CN103700217A (zh) 基于人眼及行车轨迹特征的疲劳驾驶检测系统及方法
CN105023014B (zh) 一种无人机巡检输电线路图像内的杆塔目标提取方法
CN106203537A (zh) 一种受电弓升降状态检测方法和装置
CN106127137A (zh) 一种基于3d轨迹分析的目标检测识别算法
CN109858372A (zh) 一种车道级精度自动驾驶结构化数据分析方法
CN103280052B (zh) 应用于长距离轨道线路智能视频监控的入侵检测方法
CN103198523A (zh) 一种基于多深度图的非刚体三维重建方法及系统
CN109726699A (zh) 基于人工智能的电动自行车占用机动车道识别方法
CN103489314B (zh) 实时路况显示方法及装置
CN107369291A (zh) 基于深度学习的高压线路防外力破坏预警系统及方法
CN106251363A (zh) 一种智慧金睛识别人流人数统计方法和装置
CN110386065A (zh) 车辆盲区的监控方法、装置、计算机设备及存储介质
CN103745484A (zh) 一种电力设施带电作业的人员目标安全预警方法
CN103905824A (zh) 视频语义检索与压缩同步的摄像系统与方法
CN103985128A (zh) 一种基于颜色内相关和自适应支撑权重的立体匹配方法
CN206865650U (zh) 一种具有人员追踪功能的电动汽车充电桩装置
CN107169473A (zh) 一种人脸识别控制系统
CN106677094A (zh) 一种道闸控制方法及装置
CN103824074A (zh) 一种基于背景减除和纹理特征的人群密度估计方法及系统
CN101877135B (zh) 一种基于背景重构的运动目标检测方法
CN103617608B (zh) 通过双目图像获得深度图的方法
CN106093924B (zh) 通信与雷达协同感知的运动状态信息提取方法
CN104143189B (zh) 输电设备的3d点云数据的空间特征提取方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant