CN108288055B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108288055B CN108288055B CN201810210517.1A CN201810210517A CN108288055B CN 108288055 B CN108288055 B CN 108288055B CN 201810210517 A CN201810210517 A CN 201810210517A CN 108288055 B CN108288055 B CN 108288055B
- Authority
- CN
- China
- Prior art keywords
- pantograph
- arc
- picture
- detection
- electric arc
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Current-Collector Devices For Electrically Propelled Vehicles (AREA)
- Image Analysis (AREA)
Abstract
本发明公开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,包括:采集视频,并提取受电弓图片及其电弧和疑似电弧图片,分类作为神经网络训练样本集;分别建立可在CPU实现实时检测受电弓和检测电弧的卷积神经网络;对卷积神经网络用训练样本进行训练分别得到受电弓检测模型和电弧检测模型和电弧检测模型;利用改进型YOLO算法检测受电弓作为第一级检测,截取受电弓所在区域的局部图片,采用相邻帧预测方法进行提速;在受电弓局部图片内进一步利用改进型YOLO算法检测电弧作为第二级检测,保存异常图片。本发明能利用深度学习的方法快速而准确的检测到受电弓电弧,对潜在的危险进行预警,便于车辆故障检查并保障运行安全。
Description
技术领域
本发明属于计算机数字图像处理与模式识别技术领域,特别涉及一种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。
背景技术
随着我国以高铁为代表的电气化铁路的快速发展,对牵引供电系统的安全性提出了更高的要求。作为牵引供电系统重要组成部分的受电弓—接触网关系,是电气化铁路的主要供电设备,对电气化铁路运营起着极其重要的作用。在正常状态下,空气是良好的绝缘体,但如果在气体两端施加足够大的电压,空气间隙将被击穿,导致气体两端的电流导通,这种现象称为气体放电。当受电弓在接触导线上滑动受电时,由于接触导线的不平顺、接触网悬挂设备的硬点、受电弓运行时弓头的振动和接触网波动、轨道平顺度等多种因素的影响,导致弓网分离而产生的气体放电现象称为弓网电弧。列车速度越高,越容易产生弓网电弧。EN 50137:2002《轨道交通受流系统受电弓与接触网动态相互作用的测试要求和测量确认》将弓网电弧定义为:“击穿滑板(接触板)和接触线之间空气间隙的电流,通常表现为强烈放光现象”。
受电弓滑行过程中出现电弧:容易产生如下不良影响:
(1)电弧熄灭瞬间产生幅值很高的过电压,影响电力机车安全运行;
(2)烧蚀受电弓碳滑板和接触导线,缩短其使用寿命。严重时将导致接触线断线,造成行车事故;
(3)产生电磁辐射和干扰。
现有的接触网检测主要是采用人工巡检的方式,在接触网沿线布设红外测温仪,由工作人员定时检测接触网的温度,取得了一定的效果,但是这种方法不具有实时性,而且人力损耗较大,属于单点式静态检测,存在很多盲点,无法有效及时发现铁路动态运行中的隐患。
对于接触网系统中的受电弓状态检测方法主要包括入库静态检测和机载检测系统。入库静态检测要求接触网必须在受电弓检测前断电,且通常只能在机车入库停车后才能检测,不能实现受电弓的在线自动检测。在实际运作中要投入大规模的人力、成本较高。
机载受电弓检测方法属于一种在线自动检测方法。主要包括两种方式,一种是通过在机车上安装光、电、力学等多种传感器采集受电弓位置、碳滑板损耗,以及受电弓弓头左右偏移量状态等信息对受电弓进行检测,但传感器获取的受电弓运行状态信息容易受机车运行过程中产生的振动干扰;另一种是将光纤内埋式磨损传感器嵌入受电弓滑板中,当受电弓滑板受到接触网的冲击作用而产生磨损或缺失时,传感器给出相应的磨损信号。该方法的主要缺点是对材料的要求比较高,要在受电弓滑板中内嵌传感器,材料工艺要求高,受电弓滑板材料结构的改变可能会降低受电弓的使用寿命,提高了成本。
随着监控设备成像技术的提高,近年来国内外出现了许多基于在线获取图像的接触网和受电弓检测方法。首先通过监控摄像头进行接触网和受电弓的图像采集,然后进行识别分析。
2013年10月10日公布的申请号为201310217622.5的中国发明专利申请,公布了一种“基于主动形状模型的受电弓自动检测方法”;该发明基于主动形状模型来完成对受电弓碳滑板厚度的线上自动定量检测,具有一定的检测分析效果,但缺陷在于,检测方法基于单幅图像分析,未充分利用受电弓系统内安装的监控摄像头所采集视频的帧间关联性,对动态运行过程中接触网和受电弓产生的电弧没有进行分析识别。
2013年1月30日公布的申请号为201210359596.5的中国发明专利申请,公布了一种“一种电气化铁路接触网电弧捕捉及定位方法”,该发明集成高精度GPS/IMU定位定向装置和高速数码成像设备对电气化铁路接触网电弧捕捉及定位。该发明方法包括:基于高精度GPS/IMU定位定向技术和高速数码成像技术的电气化铁路接触网电弧捕捉及定位方法。该方法采用高速数码成像设备,聚焦与电力机车受电弓与接触网触电位置,连续记录拍摄运动中的影像,但是缺少关键的电弧分析方法,并且高速数码成像设备尤其是热红外高速数码成像设备价格昂贵,不属于电力机车的受电弓监控系统配套设备,实际应用具有很大局限性。
深度学习近年来快速发展,其概念由Hinton等人于2006年提出,起源于对人工神经网络的研究,旨在模拟人脑来获取和辨别、学习外部事物、知识等。其特点是通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示,在视觉、语音等多个领域深度学习相比于传统方法都表现出了极大的优势。
YOLO算法是一种基于深度学习的目标检测算法,由Joseph Redmon,SantoshDivvala,Ross Girshick,Ali Farhadi在2015年提出,详见文献Redmon J,Divvala S,Girshick R,et al.You only look once:Unified,real-time object detection[J].arXiv preprint arXiv:1506.02640,2015.作为基于深度学习的经典目标检测算法之一,相比于其他算法其主要特点是使用深度学习中的卷积神经网络技术的同时保持了很快的检测速度,使其精度上远高于传统算法而速度上又快于其他深度学习算法。
卷积神经网络是近几年发展起来的一种高效识别方法,20世纪60年代,Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性,继而提出了卷积神经网络。卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。
发明内容
本发明的目的在于提供一种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,在机车正常行驶过程中,能够对电弧进行检测记录及报警,以解决上述现有技术的不足。
为了实现上述目的,本发明采用如下技术方案:
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,其特征在于,包括以下步骤:
步骤1:通过安装在火车受电弓前方的在线拍照系统采集视频,并在视频中提取受电弓图片及其电弧和疑似电弧图片,并分类作为神经网络训练样本集;
步骤2:分别建立能够在CPU实现实时检测受电弓和检测电弧的卷积神经网络;
步骤3:对卷积神经网络用训练样本进行训练分别得到受电弓检测模型和电弧检测模型;
步骤4:实时采集视频中的帧并利用改进型YOLO算法在图片内检测受电弓作为第一级检测,截取受电弓所在区域的局部图片;
步骤5:在步骤4截取的局部图片内进一步利用改进型YOLO算法检测电弧作为第二级检测,保存异常图片获得检测结果。
进一步的,步骤1在视频中提取受电弓图片及电弧和疑似电弧图片作为训练样本,其中受电弓样本不含负样本;电弧样本按照电弧和疑似电弧图片分为正样本和负样本,正样本为真实的电弧图片,负样本为疑似电弧图片,分为太阳、横梁、顶灯、房顶四类。
进一步的,步骤2建立的神经网络包括检测受电弓所对应的网络结构和检测电弧所对应的网络结构,两种卷积神经网络结构和参数类似,但检测受电弓所对应的网络检测仅检测受电弓一类物体,检测电弧所对应的网络检测电弧和太阳、横梁、顶灯、房顶共五类物体,输出层数量也因此而不同。具体方法为在darknet框架下创建后缀为.cfg的文件开始对网络进行定义;采用的网络包括7个卷积层和5个最大池化层以及全连接层;分布顺序为前十层为卷积层和最大池化层交替,接着是两个卷积层,最后是全连接层;即整体结构为第1、3、5、7、9、11、12层为卷积层,每个卷积层对应的卷积核数量分别为8、16、32、64、128、512、128个,卷积核大小均为3×3,步长均为1,激活函数为Leaky ReLU函数;第2、4、6、8、10层为最大池化层,卷积核大小均为2×2,步长均为2,第13层为全连接层,检测受电弓的网络输出为539,检测电弧的网络输出为735。
进一步的,步骤3使用步骤1提取到的训练样本对步骤2建立的卷积神经网络进行训练,分别得到受电弓测试模型和电弧测试模型;具体方法为:首先将训练样本数据集制作成PASCAL VOC格式,然后再利用YOLO自带脚本制作成YOLO算法需要的格式,此时会生成归一化的人工标注的位置信息以及图片的路径列表和训练和交叉验证列表,接着使用darknet框架下的partial命令生成和步骤2创建的.cfg配置文件配套的初始权重模型文件,然后运行训练命令加载.cfg配置文件和初始权重文件开始对网络进行训练,训练命令具体为“./darknet yolo train配置文件初始权重文件”,后两项为配置文件位置和初始权重文件位置;训练迭代4万次,初始学习率为0.0005;采用受电弓图片数据集训练生成受电弓测试模型;采用电弧和疑似电弧图片数据集训练训练生成电弧测试模型。
进一步的,步骤4具体包括:使用步骤3中生成的受电弓检测模型对受电弓进行测试并截取受电弓区域的局部图片,并采用相邻帧预测方法进行提速;整个过程在YOLO算法源码基础上借助opencv工具修改实现,具体方法是:检测程序检测到受电弓以后记录受电弓区域的位置,并利用记录的受电弓位置信息对图片进行截取,保留截取的受电弓局部图片并作为电弧的检测图片;此外,每次检测受电弓并保存受电弓位置以后,利用受电弓短时间内不会出现大幅变化的特点,在相邻的若干帧以内不再对受电弓进行检测而是直接使用先前保存的位置作为目标位置并对图片进行截取,加快整体的检测速度。
进一步的,步骤5具体包括:将步骤4截取到的受电弓局部图片再次通过电弧检测模型对电弧进行检测,并保存检测结果为电弧的图片;具体方法是在步骤4完成后会得到截取的受电弓局部图片,然后进一步将此时得到的受电弓局部图片经过检测电弧的电弧检测模型对电弧进行检测,阈值设定为0.35;检测时得到电弧、太阳、横梁、顶灯、房顶五类检测结果,检测结果为电弧时则认定为异常并保存异常图片。
相对于现有技术,本发明具有以下有益效果:本发明能够仅仅依靠安装在受电弓前的在线拍照系统和工控机自动对受电弓状态进行实时监测,不仅能够定位受电弓还能够精确检测电弧并截取电弧图片,火花检出率达到85%;同时无需其他价格昂贵的设备辅助,节约了成本。
附图说明
图1是本发明实施例的基于深度学习YOLO算法方法检测流程(步骤4和5)示意图;
图2是本发明整体检测方法的示意图:
图3是部分受电弓训练样本图片;
图4是对电弧及其疑似电弧物体的分类后各类相应的部分训练样本图片;
图5是网络结构示意图。图中:卷积层下数字表示卷积核大小和滤波器数量;最大池化层下数字表示滤波器宽高尺寸和步长;
图6是电弧检测结果图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施列用于说明本发明,但不用来限制本发明的范围。
请参阅图2所示,本发明一种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,包括如下步骤:
步骤1:视频中提取受电弓图片及其电弧和疑似电弧图片,并分类作为神经网络训练样本集;
本实例中采集的受电弓图片及其电弧和疑似电弧图片用于训练卷积神经网络。具体通过安装在高铁受电弓前方的在线拍照系统采集的视频中提取图片来实现,受电弓的提取包含了多种场景下的受电弓图片,不包含负样本,共计图片4686张。电弧图片则由人工在视频中对出现电弧和其他疑似电弧的帧进行提取,具体步骤为观察受电弓的监控视频,在出现电弧和疑似电弧物体时记录出现的时间,视频结束后根据所有记录的时间点对该时间周围出现电弧和疑似电弧物体时间段的帧全部提取,然后再在其中筛选具体出现电弧或者疑似电弧物体的图片,对提取到的电弧以及疑似电弧物体进行分类,区分开电弧和其他疑似物体。具体方法是在所有样本中挑选出电弧作为正样本,疑似电弧的物体作为负样本,负样本分为太阳、横梁、顶灯、房顶四类;负样本与电弧形态相似、易对电弧检测结果产生混淆,通过加入负样本的方式使得神经网络判断检测结果是负样本所对应的情况还是真正的电弧,筛除负样本所对应的情况,以此方法减少误检。也即正负样本一共分为5类,包含电弧和四类负样本,使得训练的神经网络能够区分电弧和其他物体,降低误检率。电弧样本共计图片3038张,其中正样本1620张,负样本共计1418张。
步骤2:分别建立能够在CPU实现实时检测受电弓和检测电弧的卷积神经网络;
本实例建立了训练和测试所使用的神经网络结构,检测受电弓的网络结构和检测电弧的网络结构基本相同,区别在于检测受电弓所对应的网络检测仅检测受电弓一类物体,检测电弧所对应的网络检测电弧和太阳、横梁、顶灯、房顶共五类物体,输出层数量也因此而不同。具体方法为在darknet框架下创建后缀为.cfg的文件开始对网络进行定义。本实例所采用的网络包括7个卷积层和5个最大池化层以及全连接层。分布顺序为前十层为卷积层和最大池化层交替,接着是两个卷积层,最后是全连接层。即整体结构为第1、3、5、7、9、11、12层为卷积层,每个卷积层对应的卷积核数量分别为8、16、32、64、128、512、128个,卷积核大小均为3×3,步长均为1,激活函数为Leaky ReLU函数;第2、4、6、8、10层为最大池化层,卷积核大小均为2×2,步长均为2,第13层为全连接层,检测受电弓的网络输出为539,检测电弧的网络输出为735。两种检测网络均采用减少卷积核数量和减少网络层数的方法来加快检测速度。输入图片以后首先将图片变换尺寸为112×112大小,然后经过上述卷积层、池化层、全连接层完成提取特征、分类工作。
步骤3:在YOLO算法框架下对卷积神经网络用训练样本进行训练分别得到受电弓检测模型和电弧检测模型;
本实例使用步骤1提取到的训练样本对步骤2建立的卷积神经网络进行训练,分别得到受电弓测试模型和电弧测试模型。具体方法是首先将受电弓图片数据集、电弧和疑似电弧图片数据集全部制作成PASCAL VOC格式,然后再利用YOLO自带脚本制作成YOLO算法需要的格式,此时会生成归一化的人工标注的位置信息以及图片的路径列表和训练和交叉验证列表,接着使用darknet框架下的partial命令生成和步骤2创建的.cfg配置文件配套的初始权重模型文件,然后运行训练命令加载.cfg配置文件和初始权重文件开始对网络进行训练,训练命令具体为“./darknet yolo train配置文件初始权重文件”,后两项为配置文件位置和初始权重文件位置。训练迭代4万次,初始学习率为0.0005。使用此方法分别对受电弓检测网络和电弧检测网络进行训练,训练受电弓检测网络时加载受电弓数据集和受电弓检测网络的配置文件,训练电弧检测网络时加载电弧和疑似电弧数据集和电弧检测网络的配置文件,最终分别生成受电弓检测模型和电弧检测模型用作测试。
步骤4:实时采集视频中的帧并利用改进型YOLO算法检测受电弓作为第一级检测,截取受电弓所在区域的局部图片,采用相邻帧预测方法进行提速。
本实例使用步骤3中生成的受电弓检测模型对受电弓进行测试并截取受电弓区域的局部图片,并采用相邻帧预测方法进行提速。整个过程在YOLO算法源码基础上借助opencv工具修改实现,具体方法是:检测程序检测到受电弓以后记录受电弓区域的位置,位置信息包括受电弓区域的左上点坐标和受电弓区域的宽和高,并利用记录的受电弓位置信息对图片进行截取,保留截取的受电弓局部图片并作为电弧的检测图片。利用局部图片检测电弧可以减少电弧检测时间并且减少整图环境中所带来的干扰。此外,每次检测受电弓并保存受电弓位置以后,利用受电弓短时间内不会出现大幅变化的特点,在相邻的24帧以内不再对受电弓进行检测而是直接使用先前保存的位置作为目标位置并对图片进行截取,也即每秒检测一次受电弓,加快整体的检测速度。
步骤5:在步骤4截取的受电弓局部图片内进一步利用改进型YOLO算法检测电弧作为第二级检测,保存异常图片;
本实例将步骤4截取到的受电弓局部图片通过步骤3生成的电弧检测模型对电弧进行检测,并保存检测结果为电弧的图片。具体方法是在步骤4完成后会得到截取的受电弓局部图片,然后再次将此时得到的受电弓局部图片经过检测电弧的电弧检测模型对电弧进行检测,经过多次试验最终将阈值设定为0.35。检测时会得到电弧、太阳、横梁、顶灯、房顶五类检测结果,检测结果为电弧时则认定为异常并保存异常图片。步骤4和步骤5均在YOLO算法源码基础上修改并在同一个函数内实现,函数运行时同时加载受电弓检测和电弧检测的网络结构配置文件以及受电弓检测模型和电弧检测模型,然后按照步骤4到步骤5也即先检测受电弓再检测电弧的顺序完成整个检测过程。
实验结果表明,通过本技术方案,可以在高铁运行的复杂场景下,对受电弓进行准确定位,同时对随机出现的电弧作出精确的捕获和定位,在CPU上以大于25帧每秒的处理速度实现对电弧的精准检测,检出率(检出电弧数量/实际电弧数量)大于85%同时误检率(误检结果/全部检出结果)小于10%。本发明充分发挥了深度学习检测方法的优点,保持了高精度和好的鲁棒性,同时又通过精简网络提升速度实现实时检测,能够快速而精确地对电电弧进行预警。
Claims (2)
1.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,其特征在于,包括以下步骤:
步骤1:通过安装在火车受电弓前方的在线拍照系统采集视频,并在视频中提取受电弓图片及其电弧和疑似电弧图片,并分类作为神经网络训练样本集;
步骤2:分别建立能够在CPU实现实时检测受电弓和检测电弧的卷积神经网络;
步骤3:对卷积神经网络用训练样本进行训练分别得到受电弓检测模型和电弧检测模型;
步骤4:实时采集视频中的帧并利用改进型YOLO算法在图片内检测受电弓作为第一级检测,截取受电弓所在区域的局部图片;
步骤5:在步骤4截取的局部图片内进一步利用改进型YOLO算法检测电弧作为第二级检测,保存异常图片获得检测结果;
步骤1在视频中提取受电弓图片及电弧和疑似电弧图片作为训练样本,其中受电弓样本不含负样本;电弧样本按照电弧和疑似电弧图片分为正样本和负样本,正样本为真实的电弧图片,负样本为疑似电弧图片,分为太阳、横梁、顶灯、房顶四类;
步骤2建立的神经网络包括检测受电弓所对应的网络结构和检测电弧所对应的网络结构;检测受电弓所对应的网络结构仅检测受电弓一类物体,检测电弧所对应的网络结构检测电弧、太阳、横梁、顶灯和房顶共五类物体;两种卷积神经网络结构和参数类似,仅有输出层数量不同;具体建立方法为:darknet框架下创建后缀为.cfg的文件开始对网络进行定义;采用的网络包括7个卷积层和5个最大池化层以及全连接层;分布顺序为前十层为卷积层和最大池化层交替,接着是两个卷积层,最后是全连接层;即整体结构为第1、3、5、7、9、11、12层为卷积层,每个卷积层对应的卷积核数量分别为8、16、32、64、128、512、128个,卷积核大小均为3×3,步长均为1,激活函数为Leaky ReLU函数;第2、4、6、8、10层为最大池化层,卷积核大小均为2×2,步长均为2,第13层为全连接层,检测受电弓的网络输出为539,检测电弧的网络输出为735;
步骤3使用步骤1提取到的训练样本对步骤2建立的卷积神经网络进行训练,分别得到受电弓测试模型和电弧测试模型;具体方法为:首先将训练样本数据集制作成PASCAL VOC格式,然后再利用YOLO自带脚本制作成YOLO算法需要的格式,此时会生成归一化的人工标注的位置信息以及图片的路径列表和训练和交叉验证列表,接着使用darknet框架下的partial命令生成和步骤2创建的.cfg配置文件配套的初始权重模型文件,然后运行训练命令加载.cfg配置文件和初始权重模型文件开始对网络进行训练;训练迭代4万次,初始学习率为0.0005;采用受电弓图片数据集训练生成受电弓测试模型;采用电弧和疑似电弧图片数据集训练训练生成电弧测试模型;
步骤4具体包括:使用步骤3中生成的受电弓检测模型对受电弓进行测试并截取受电弓区域的局部图片,并采用相邻帧预测方法进行提速;整个过程在YOLO算法源码基础上借助opencv工具修改实现,具体方法为:检测程序检测到受电弓以后记录受电弓区域的位置,并利用记录的受电弓位置信息对图片进行截取,保留截取的受电弓局部图片并作为电弧的检测图片;此外,每次检测受电弓并保存受电弓位置以后,利用受电弓短时间内不会出现大幅变化的特点,在相邻的若干帧以内不再对受电弓进行检测而是直接使用先前保存的位置作为目标位置并对图片进行截取,加快整体的检测速度。
2.根据权利要求1所述的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,其特征在于,步骤5具体包括:将步骤4截取到的受电弓局部图片进一步通过电弧检测模型对电弧进行检测,并保存检测结果为电弧的图片;具体方法为:在步骤4完成后会得到截取的受电弓局部图片,然后进一步将此时得到的受电弓局部图片经过检测电弧的电弧检测模型对电弧进行检测,阈值设定为0.35;检测时得到电弧、太阳、横梁、顶灯、房顶五类检测结果,检测结果为电弧时则认定为异常并保存异常图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810210517.1A CN108288055B (zh) | 2018-03-14 | 2018-03-14 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810210517.1A CN108288055B (zh) | 2018-03-14 | 2018-03-14 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108288055A CN108288055A (zh) | 2018-07-17 |
CN108288055B true CN108288055B (zh) | 2020-09-22 |
Family
ID=62833450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810210517.1A Active CN108288055B (zh) | 2018-03-14 | 2018-03-14 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288055B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658387B (zh) * | 2018-11-27 | 2023-10-13 | 北京交通大学 | 电力列车的受电弓碳滑板缺陷的检测方法 |
CN109598054A (zh) * | 2018-11-29 | 2019-04-09 | 台州智必安科技有限责任公司 | 可在开发板实现的电力机车受电弓及电弧快速检测方法 |
CN112348159A (zh) * | 2019-08-07 | 2021-02-09 | 青岛鼎信通讯股份有限公司 | 一种故障电弧神经网络优化训练方法 |
CN110781758A (zh) * | 2019-09-29 | 2020-02-11 | 同济大学 | 一种受电弓结构异常动态视频监测方法及装置 |
CN111079540B (zh) * | 2019-11-19 | 2024-03-19 | 北航航空航天产业研究院丹阳有限公司 | 一种基于目标特性的分层可重构车载视频目标检测方法 |
CN111242898A (zh) * | 2019-12-31 | 2020-06-05 | 武汉中创融科科技股份有限公司 | 基于深度神经网络的列车受电弓磨损检测方法及系统 |
CN111091565B (zh) * | 2020-01-02 | 2022-02-08 | 西南交通大学 | 一种自适应运动特征匹配与识别的弓网接触点检测方法 |
CN113324864B (zh) * | 2020-02-28 | 2022-09-20 | 南京理工大学 | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 |
CN113192019A (zh) * | 2021-04-25 | 2021-07-30 | 台州智必安科技有限责任公司 | 一种基于紫外摄像头的列车受电弓检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203537A (zh) * | 2016-08-31 | 2016-12-07 | 成都铁安科技有限责任公司 | 一种受电弓升降状态检测方法和装置 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
CN107368890A (zh) * | 2016-05-11 | 2017-11-21 | Tcl集团股份有限公司 | 一种以视觉为中心的基于深度学习的路况分析方法及系统 |
CN107527053A (zh) * | 2017-08-31 | 2017-12-29 | 北京小米移动软件有限公司 | 目标检测方法及装置 |
CN107563412A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度学习的红外图像电力设备实时检测方法 |
CN107633266A (zh) * | 2017-09-07 | 2018-01-26 | 西安交通大学 | 一种电力机车接触网受电弓电弧检测方法 |
CN107633267A (zh) * | 2017-09-22 | 2018-01-26 | 西南交通大学 | 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法 |
CN107742093A (zh) * | 2017-09-01 | 2018-02-27 | 国网山东省电力公司电力科学研究院 | 一种红外图像电力设备部件实时检测方法、服务器及系统 |
-
2018
- 2018-03-14 CN CN201810210517.1A patent/CN108288055B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368890A (zh) * | 2016-05-11 | 2017-11-21 | Tcl集团股份有限公司 | 一种以视觉为中心的基于深度学习的路况分析方法及系统 |
CN106203537A (zh) * | 2016-08-31 | 2016-12-07 | 成都铁安科技有限责任公司 | 一种受电弓升降状态检测方法和装置 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
CN107563412A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度学习的红外图像电力设备实时检测方法 |
CN107527053A (zh) * | 2017-08-31 | 2017-12-29 | 北京小米移动软件有限公司 | 目标检测方法及装置 |
CN107742093A (zh) * | 2017-09-01 | 2018-02-27 | 国网山东省电力公司电力科学研究院 | 一种红外图像电力设备部件实时检测方法、服务器及系统 |
CN107633266A (zh) * | 2017-09-07 | 2018-01-26 | 西安交通大学 | 一种电力机车接触网受电弓电弧检测方法 |
CN107633267A (zh) * | 2017-09-22 | 2018-01-26 | 西南交通大学 | 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法 |
Non-Patent Citations (2)
Title |
---|
Overview of Non-contact Pantograph-Catenary Arc Detection Based on Image Processing;Shizhe Huang 等;《International Symposium for Intelligent Transportation and Smart City (ITASC)》;20170407;第279-289页 * |
基于卷积神经网络的光学遥感图像目标检测;卢艺帆 等;《中国科技论文》;20170731;第12卷(第14期);第2.2、2.3节,图2 * |
Also Published As
Publication number | Publication date |
---|---|
CN108288055A (zh) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288055B (zh) | 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 | |
CN110059631B (zh) | 接触网非接触式监测缺陷识别方法 | |
CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN106919978B (zh) | 一种高铁接触网支撑装置零部件识别检测方法 | |
CN105809679B (zh) | 一种基于视觉分析的山区铁路边坡落石检测方法 | |
CN107633266B (zh) | 一种电力机车接触网受电弓电弧检测方法 | |
CN102129564B (zh) | 基于无人飞行器的接触网故障检测与诊断方法 | |
CN105844659B (zh) | 运动部件的跟踪方法和装置 | |
CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测系统 | |
CN110569841A (zh) | 基于卷积神经网络的接触网关键部件目标检测方法 | |
CN109409404A (zh) | 一种基于深度学习的高铁接触网防风拉线故障检测方法 | |
CN112183313A (zh) | 一种基于SlowFast的电力作业现场动作识别方法 | |
CN115527340A (zh) | 一种基于无人机与监控摄像的智慧工地安全监测系统及方法 | |
CN111784656A (zh) | 一种铁路接触网故障检测方法、装置、电子设备及存储介质 | |
CN113947731A (zh) | 一种基于接触网安全巡检的异物识别方法及系统 | |
CN109389146A (zh) | 基于神经网络图像分类算法的设备状态反馈方法及系统 | |
CN110705414A (zh) | 基于深度学习的输电线路施工机械隐患检测方法 | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
AlNaimi et al. | IoT based on-the-fly visual defect detection in railway tracks | |
CN115184269A (zh) | 一种轨道巡检系统及方法 | |
Liu et al. | An improved faster R-CNN for UAV-based catenary support device inspection | |
CN112873218B (zh) | 一种变电站巡检机器人及巡检方法 | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN109598054A (zh) | 可在开发板实现的电力机车受电弓及电弧快速检测方法 | |
CN117372677A (zh) | 一种高速铁路接触网紧固件开口销健康状态检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |