CN108734715A - 一种自适应学习的接触网刚性导线识别方法及装置 - Google Patents
一种自适应学习的接触网刚性导线识别方法及装置 Download PDFInfo
- Publication number
- CN108734715A CN108734715A CN201710270810.2A CN201710270810A CN108734715A CN 108734715 A CN108734715 A CN 108734715A CN 201710270810 A CN201710270810 A CN 201710270810A CN 108734715 A CN108734715 A CN 108734715A
- Authority
- CN
- China
- Prior art keywords
- contact net
- rigid wire
- bar
- bus
- wire
- 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
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及接触网图像处理领域,针对现有技术存在的缺陷,本发明提出一种自适应学习的接触网刚性导线识别方法及装置,该方法或装置能广泛适用不同环境,不同线路的地铁线路接触网刚性导线识别,从而稳定高效地完成几何参数测量。本发明通过对线阵相机采集的包含接触网的图像进行接触网刚性导线定位识别方法,得到接触网刚性导线曲线信息,然后基于灰度投影统计方法对所述接触网刚性导线曲线信息进行处理,得到导线灰度投影曲线;将所述导线灰度投影曲线信息输入导线空间分布模型,根据欧式距离最优解,得到最优导线模型;根据所述最优导线模型,识别得到最优导线轮廓位置信息;最后,基于双目视觉基本原理,计算得到该接触网刚性导线几何参数。
Description
技术领域
本发明涉及接触网图像处理领域,尤其是一种自适应学习的接触网刚性导线识别方法及装置。
背景技术
接触网主要由接触悬挂、支持装置、定位装置、支柱及相关基础设施等构成,是沿铁路线上空架设的一种特殊输电线路。它的功能是通过接触线与受电弓之间的接触,从而为电力机车提供电能。因此,要保证机车行车安全,保证受电弓与接触线良好接触以及稳定受流,除了对接触悬挂的设计施工和运营需要严格要求之外,对接触网各个设施设备进行状态检测也必不可少。
评价接触网受流性能主要参考两个状态类参数:几何参数和动力学参数。几何参数包括:接触线高度、拉出值、定位管坡度、线岔、接触线磨耗和支柱位置等。自上世纪50年代开始,国内外相关研究人员已经对接触网进行研究。德国接触网检测侧重动力学参数测量,对于几何参数测量方面存在部分项目不能够检测;意大利接触网检测侧重利用非接触式检测几何参数,但无法进行动力学参数测量,同时计算复杂度较高,在实时在线检测方面可行性较低;我国接触网检测研究成绩较突出的主要是西南交通大学研制的相关产品,优点是对动态拉出值和导线高度等非接触式检测准确,在实际运用中取得较好效果。
非接触式几何参数检测方法主要采用较传统的图形图像处理分析方法,通过在图像中对接触网刚性导线进行识别定位,来完成几何参数的测量。主要包含对导线成像图像进行增强、滤波等预处理操作,然后利用阈值化、边缘检测算子和相关Blob分析等处理,识别得到导线相关位置信息。这种图像处理分析方法在应用于地铁等线路进行测量时,由于各个线路环境差异导致的相机成像区别较大,因而需要针对不同线路进行较大改动,无法良好的扩展应用。
传统的基于图像处理的几何参数测试方法在地铁线路接触网环境中的缺陷:地铁线路环境复杂,测量结果稳定性和准确性较差;无法同时适应各线路接触网差异性,导致在不同线路需要较长期的开发全新检测测量算法。
发明内容
本发明所要解决的技术问题是:针对传统的几何参数测试方法和基于图像处理的非接触式测试方法所存在的缺陷,而提出一种自适应学习的接触网刚性导线识别方法及装置,该方法或装置能广泛适用不同环境,不同线路的地铁线路接触网刚性导线识别,从而稳定高效地完成几何参数测量。
本发明采用的技术方案如下:
一种自适应学习的接触网刚性导线识别方法包括:
导线灰度投影曲线获取步骤,通过两路线阵相机对同一被测点进行包含汇流排及接触网刚性导线的图像采集,共计n张图像;对所述n张包含汇流排及接触网刚性导线的图像进行接触网刚性导线定位识别方法处理,得到接触网刚性导线左侧汇流排或者右侧汇流排的轮廓信息,然后基于灰度投影算法对所述接触网刚性导线左侧汇流排或者右侧汇流排的轮廓信息进行处理,得到接触网刚性导线定位的灰度投影曲线;
最优导线获取步骤,将所述接触网刚性导线定位的灰度投影曲线结合导线空间分布模型,从导线空间分布模型中,基于欧式距离最优解,选择偏移量方差最小值所对应的m个接触网刚性导线为最优接触网刚性导线;m小于等于n/2;
导线轮廓位置获取步骤,根据所述最优接触网刚性导线,通过接触网刚性导线定位识别方法得到最优接触网刚性导线轮廓;
接触网刚性导线几何参数获取步骤,基于双目视觉基本原理,通过最优接触网刚性导线轮廓,计算该接触网刚性导线几何参数。
进一步的,所述导线空间分布模型获取过程是:基于Ransac算法训练接触网有效数据及无效数据,将所有接触网刚性导线左侧汇流排或右侧汇流排的位置在水平方向分布所对应的有效标定数据,与接触网刚性导线左侧汇流排或右侧汇流排的位置关系进行一一映射存储,形成导线空间分布模型;其中,n张包括汇流排及接触网刚性导线的图像中标记的接触网有效数据和接触网无效数据,接触网有效数据及接触网无效数据加起来等于n*2*2;接触网有效数据占n*2*2的60%及以上。
进一步的,所述接触网有效数据占n*2*2的90%及以上。
进一步的,当某一幅包括汇流排及接触网刚性导线的图像为锚段区间图像,即一幅图像中,既包括了原有刚性导线的尾端,又包括新的刚性导线的首部,则在同一条接触网刚性导线中不能同时存在P1、P2、P3及P4,当原有刚性导线上标记出P3和P4,而新的刚性导线上标记出P1及P2;则偏移量指的是P2与P1的距离;当原有刚性导线上标记出P1和P2,而新的刚性导线上标记出P3及P4;则偏移量指的是P4与P3的距离。
进一步的,一种自适应学习的接触网刚性导线识别方法还包括矫正过程:
对第n+1张包括汇流排及接触网刚性导线的图像进行P1、P2、P3及P4位置标记;
当通过n张包括汇流排及接触网刚性导线的图像数据训练形成导线空间分布模型去训练第n+1张包括汇流排及接触网刚性导线的图像的P1、P2、P3及P4后,
去验证识别第n+1张包括汇流排及接触网刚性导线的图像上P1、P3是否在第n+1张图像的汇流排上,同时验证识别第n+1张包括汇流排及接触网刚性导线的图像上P2、P4是否在第n+1张图像的接触网刚性导线轮廓上,若符合要求,则不需要矫正;否则,将第n+1张包括汇流排及接触网刚性导线的图像标定数据删除。
一种自适应学习的接触网刚性导线识别装置包括:
导线灰度投影曲线获取模块,通过两路线阵相机对同一被测点进行包含汇流排及接触网刚性导线的图像采集,共计n张图像;对所述n张包含汇流排及接触网刚性导线的图像进行接触网刚性导线定位识别方法处理,得到接触网刚性导线左侧汇流排或者右侧汇流排的轮廓信息,然后基于灰度投影算法对所述接触网刚性导线左侧汇流排或者右侧汇流排的轮廓信息进行处理,得到接触网刚性导线定位的灰度投影曲线;
最优导线获取模块,将所述接触网刚性导线定位的灰度投影曲线结合导线空间分布模型,从导线空间分布模型中,基于欧式距离最优解,选择偏移量方差最小值所对应的m个接触网刚性导线为最优接触网刚性导线;m小于等于n/2;
导线轮廓位置获取模块,根据所述最优接触网刚性导线,通过接触网刚性导线定位识别方法得到最优接触网刚性导线轮廓;
接触网刚性导线几何参数获取模块,基于双目视觉基本原理,通过最优接触网刚性导线轮廓,计算该接触网刚性导线几何参数。
进一步的,所述导线空间分布模型获取过程是:
基于Ransac算法训练接触网有效数据及无效数据,将所有接触网刚性导线左侧汇流排或右侧汇流排的位置在水平方向分布所对应的有效标定数据,与接触网刚性导线左侧汇流排或右侧汇流排的位置关系进行一一映射存储,形成导线空间分布模型;其中,n张包括汇流排及接触网刚性导线的图像中标记的接触网有效数据和接触网无效数据,接触网有效数据及接触网无效数据加起来等于n*2*2;接触网有效数据占n*2*2的60%及以上。
进一步的,所述接触网有效数据占n*2*2的90%及以上。
进一步的,当某一幅包括汇流排及接触网刚性导线的图像为锚段区间图像,即一幅图像中,既包括了原有刚性导线的尾端,又包括新的刚性导线的首部,则在同一条接触网刚性导线中不能同时存在P1、P2、P3及P4,当原有刚性导线上标记出P3和P4,而新的刚性导线上标记出P1及P2;则偏移量指的是P2与P1的距离;当原有刚性导线上标记出P1和P2,而新的刚性导线上标记出P3及P4;则偏移量指的是P4与P3的距离。
进一步的,一种自适应学习的接触网刚性导线识别装置还包括矫正过程:
对第n+1张包括汇流排及接触网刚性导线的图像进行P1、P2、P3及P4位置标记;
当通过n张包括汇流排及接触网刚性导线的图像数据训练形成导线空间分布模型去训练第n+1张包括汇流排及接触网刚性导线的图像的P1、P2、P3及P4后,
去验证识别第n+1张包括汇流排及接触网刚性导线的图像上P1、P3是否在第n+1张图像的汇流排上,同时验证识别第n+1张包括汇流排及接触网刚性导线的图像上P2、P4是否在第n+1张图像的接触网刚性导线轮廓上,若符合要求,则不需要矫正;否则,将第n+1张包括汇流排及接触网刚性导线的图像标定数据删除。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
将难度大、环境复杂度更高的刚性接触网刚性导线识别转换为环境单一、简单易识别的导线汇流排边界识别;基于导线汇流排边界与导线的偏移量得到有效数据和无效数据(即空间分布模型训练的正样本和负样本),然后通过Ransac算法(自适应学习算法)进行训练后,离线得到刚性空间分布模型;同时在线实时对采集的导线图像进行导线定位识别方法处理后,生成导线灰度相应;将导线灰度投影曲线的数据在通过导线空间分布模型进行识别,为后续快速准备识别奠定基础。再此处理过程中,首次提出全新的自适应学习机制。通过自适应学习获取地铁线路接触网刚性导线的空间分布模型,以此结合识别算法得到的汇流排边界定位,完成高精度的导线定位处理。
基于欧式距离最优计算得到最优导线空间分布模型,然后利用此模型对刚性接触网导线图像进行识别从而得到导线位置信息。在得到导线位置后,通过双目视觉计算输出接触网刚性导线的几何参数,达到设计目的。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是识别方法基本结构框图。
图2是标定数据示意图。
图3是接触网刚性导线定位识别方法流程图。
图4是本发明总体流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
本发明只是针对接触网刚性导线图像识别进行处理的,不包含对柔性导线进行图像识别等。
本发明相关说明:
1、双目视觉是利用两路线阵相机同时拍摄同一被观测点,拍摄后的两张图包含汇流排及接触网刚性导线,得到同一被观测点的两张接触网刚性导线的识别结果,两张图中像素信息是一一对应关系,计算几何参数。对同一被观测点的包含汇流排及接触网刚性导线的识别结果。
2、理论上接触网汇流排与接触网刚性导线是都是直线,但是由于线阵相机随列车同步水平振动,使得接触网汇流排与接触网刚性导线纵坐标相同的点曲率相等。所以P1、P3位于左侧汇流排线或者右侧汇流排上,P2、P4位于接触网刚性导线线上,P1与P2纵坐标相同;P3与P4纵坐标相同。同一图像中所有接触网汇流排与接触网刚性导线上纵坐标相同点之间的距离相等。例如P2-P1=P4-P3;其中,单条地铁线路两路线阵相机需要标定n张图像(其中,每一路线阵相机拍摄n/2),共计n*4组标定数据,n张数据中标定4个点分别是指的是每张图像中接触网刚性导线成像图像顶部区域的左侧汇流排(或右侧汇流排)位置坐标P1、接触网刚性导线成像图像顶部区域的接触网刚性导线中心位置坐标P2、接触网刚性导线成像图像底部区域的左侧汇流排(右侧汇流排)位置坐标P3及接触网刚性导线成像图像底部区域的接触网刚性导线中心位置坐标P4
标定数据指的是完全标定左侧汇流排L1在水平方向上可能存在的所有位置对应的P1-P2和P3-P4关系;直接理解就是标定所有的水平位置时,左侧汇流排L1与接触网刚性导线L2之间的距离。再将标定后的P1-P2或P3-P4的偏移量(接触网刚性导线与左侧汇流排或右侧汇流排的偏移量)通过Ransac方法进行滤波,选取符合标定数据的导线位置在左轮廓右侧,且偏移关系中方差值对应的数据为有效数据。P1、P3属于汇流排上的点,P2、P4属于接触网刚性导线上的点。
接触网有效标定数据定义:基于接触网刚性导线定位识别方法对n张包括汇流排及接触网刚性导线的图像数据进行处理,识别n张接触网刚性导线左侧汇流排边界位置信息或右侧汇流排边界位置信息,标记n张图像数据中每张图形数据中P1、P2、P3、P4位置信息;然后计算n张接触网刚性导线与左侧或右侧汇流排边界位置的偏移量即P2-P1及P4-P3的信息,因P2与P1的偏移量等于P4到P3的偏移量;故n张图像数据对应m个不同偏移量,根据m个偏移量计算m个方差,方差值从小到大排序,前90%的方差值对应图像数据中的P1、P2、P3及P4为有效数据;剩余图像数据的P1、P2、P3及P4为无效数据。
例如:假设拍摄10000帧图像,接触网刚性导线随列车运行而发生水平运动。理论上,其中可能存在1000帧图像接触网刚性导线的L1的坐标处于X=50这个位置,那么这1000帧图像对应的L1和L2之间距离基本保持不变,但是实际中,数据点P1、P2、P3和P4是由手工标定来输入,这里会存在误差;有可能标定的数据与实际的位置相差较大,故基于Ransac算法来对整个标定数据处理,过滤掉误差大的数据,基本就是过滤人为原因造成的那部分,形成接触网刚性导线空间分布模型。
本发明实现过程:
一、Ransac自适应算法基本原理:
自适应学习算法的核心算法采用Ransac方法,主要对标定数据进行优化,以便输出一个较优的导线空间分布模型。Ransac方法采用迭代方式从一组包含离群的被观测数据中估算出数学模型的参数。
Ransac的基本假设:数据分为两种:有效数据(inliers,也叫内群数据)和无效数据(outliers,也叫离群数据)。Ransac假定,给定一组(通常很小)的有效数据,存在一个模型(程序),这个程序可以估算最佳解释或最适用于这一数据模型的参数。
Ransac数据优化的基本流程:
在数据集中随机选择几个点设定为有效数据;
计算适合有效数据的模型;
将数据集中其余数据点带入刚才建立的模型中,判别是否为有效数据;
记录有效数据集;
重复以上步骤多次;
从众多模型对应的有效数据集中,挑选有效数据量最大的模型,作为最优解。
Ransac自适应算法基本流程
利用图3所示算法流程,计算得到接触网刚性导线左右边界信息(即左右汇流排),记录导线左侧汇流排或右侧汇流排的位置信息;接触网刚性导线定位识别方法具体过程如图3所述,依次包括对线阵相机采集的包括接触网刚性导线的图像进行图像边缘提取、图像边缘滤波平滑、梯度阈值化、Blob分析滤波伪导线处理、基于直方图技术提取边界轮廓直到输出接触网刚性导线定位信息。
也可通过图3得到接触网刚性导线图像进行图像边缘提取、图像边缘滤波平滑、梯度阈值化、Blob分析滤波伪导线处理、基于直方图技术提取接触网刚性导线边界轮廓。
利用Ransac方法对标定数据进行优化,形成导线空间分布模型过程是:1)优化过程:从标定数据集中,不断选取标定数据,判别与上一步计算得到的接触网刚性导线与左侧汇流排或右侧汇流排的偏移关系,从中选取符合标定数据的导线位置在左侧汇流排(左边界直线)右侧或者右侧汇流排左侧,且偏移关系中方差最小的标定数据作为当前标定空间位置的有效标定数据。
2)将所有接触网刚性导线左侧汇流排或右侧汇流排的位置在水平方向分布所对应的有效标定数据,与接触网刚性导线左侧汇流排或右侧汇流排的位置关系进行一一映射存储,形成导线空间分布模型。
二、实时在线检测算法基本流程如图4所示。
图3所示流程功能负责完成接触网刚性导线的边界定位识别,即左侧汇流排或右侧汇流排轮廓定位识别,为图4中的第一个功能模块,图4为整个实时在线检测算法流程,利用图3的汇流排边界定位识别结果和离线自适应学习计算的导线空间分布模型,从而完成整个接触网刚性导线的定位识别。
实时在线检测算法利用图像预处理、边缘检测算子等相关算子模块检测定位汇流排边界定位(左侧汇流排轮廓或右侧汇流排轮廓定位),然后再结合离线训练学习得到的导线空间分布模型,从而识别得到导线精准位置关系,在计算接触网刚性导线的几何参数。
实施例一:本发明实现过程是包括:
1)导线灰度投影曲线获取过程,通过两路线阵相机对同一被测点进行包含汇流排及接触网刚性导线的图像采集,共计n张图像;对所述n张包含汇流排及接触网刚性导线的图像进行接触网刚性导线定位识别方法处理,得到接触网刚性导线左侧汇流排或者右侧汇流排的轮廓信息,然后基于灰度投影算法对所述接触网刚性导线左侧汇流排或者右侧汇流排的轮廓信息进行处理,得到接触网刚性导线定位的灰度投影曲线;(该过程中,接触网刚性导线定位识别方法为如图3所述的方法,对接触网刚性导线左右边界位置,即左侧汇流排或右侧汇流排轮廓进行确定,进而给接触网刚性导线定位提供基础数据);
2)最优导线获取过程,将所述接触网刚性导线定位的灰度投影曲线结合导线空间分布模型,从导线空间分布模型中,基于欧式距离最优解,选择偏移量方差最小值所对应的m个接触网刚性导线为最优接触网刚性导线;m小于等于n/2;
3)导线轮廓位置获取过程,根据所述最优接触网刚性导线,通过接触网刚性导线定位识别方法得到最优接触网刚性导线轮廓(该过程中,最优接触网刚性导线已经不包括汇流排等边界信息了,直接通过该定位识别方法就能得到最有接触网刚性导线轮廓);
4)接触网刚性导线几何参数获取过程,基于双目视觉基本原理,通过最优接触网刚性导线轮廓,计算该接触网刚性导线几何参数。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (10)
1.一种自适应学习的接触网刚性导线识别方法,其特征在于包括:
导线灰度投影曲线获取步骤,通过两路线阵相机对同一被测点进行包含汇流排及接触网刚性导线的图像采集,共计n张图像;对所述n张包含汇流排及接触网刚性导线的图像进行接触网刚性导线定位识别方法处理,得到接触网刚性导线左侧汇流排或者右侧汇流排的轮廓信息,然后基于灰度投影算法对所述接触网刚性导线左侧汇流排或者右侧汇流排的轮廓信息进行处理,得到接触网刚性导线定位的灰度投影曲线;
最优导线获取步骤,将所述接触网刚性导线定位的灰度投影曲线结合导线空间分布模型,从导线空间分布模型中,基于欧式距离最优解,选择偏移量方差最小值所对应的m个接触网刚性导线为最优接触网刚性导线;m小于等于n/2;
导线轮廓位置获取步骤,根据所述最优接触网刚性导线,通过接触网刚性导线定位识别方法得到最优接触网刚性导线轮廓;
接触网刚性导线几何参数获取步骤,基于双目视觉基本原理,通过最优接触网刚性导线轮廓,计算该接触网刚性导线几何参数。
2.根据权利要求1所述的一种自适应学习的接触网刚性导线识别方法,其特征在于所述导线空间分布模型获取过程是:基于Ransac算法训练接触网有效数据及无效数据,将所有接触网刚性导线左侧汇流排或右侧汇流排的位置在水平方向分布所对应的有效标定数据,与接触网刚性导线左侧汇流排或右侧汇流排的位置关系进行一一映射存储,形成导线空间分布模型;其中,n张包括汇流排及接触网刚性导线的图像中标记的接触网有效数据和接触网无效数据,接触网有效数据及接触网无效数据加起来等于n*2*2;接触网有效数据占n*2*2的60%及以上。
3.根据权利要求1所述的一种自适应学习的接触网刚性导线识别方法,其特征在于所述接触网有效数据占n*2*2的90%及以上。
4.根据权利要求2所述的一种自适应学习的接触网刚性导线识别方法,其特征在于当某一幅包括汇流排及接触网刚性导线的图像为锚段区间图像,即一幅图像中,既包括了原有刚性导线的尾端,又包括新的刚性导线的首部,则在同一条接触网刚性导线中不能同时存在P1、P2、P3及P4,当原有刚性导线上标记出P3和P4,而新的刚性导线上标记出P1及P2;则偏移量指的是P2与P1的距离;当原有刚性导线上标记出P1和P2,而新的刚性导线上标记出P3及P4;则偏移量指的是P4与P3的距离。
5.根据权利要求1至4之一所述的一种自适应学习的接触网刚性导线识别方法,其特征在于还包括矫正过程:
对第n+1张包括汇流排及接触网刚性导线的图像进行P1、P2、P3及P4位置标记;
当通过n张包括汇流排及接触网刚性导线的图像数据训练形成导线空间分布模型去训练第n+1张包括汇流排及接触网刚性导线的图像的P1、P2、P3及P4;
去验证识别第n+1张包括汇流排及接触网刚性导线的图像上P1、P3是否在第n+1张图像的汇流排上,同时验证识别第n+1张包括汇流排及接触网刚性导线的图像上P2、P4是否在第n+1张图像的接触网刚性导线轮廓上,若符合要求,则不需要矫正;否则,将第n+1张包括汇流排及接触网刚性导线的图像标定数据删除。
6.基于权利要求1所述的自适应学习的接触网刚性导线识别方法的识别装置,其特征在于包括:
导线灰度投影曲线获取模块,通过两路线阵相机对同一被测点进行包含汇流排及接触网刚性导线的图像采集,共计n张图像;对所述n张包含汇流排及接触网刚性导线的图像进行接触网刚性导线定位识别方法处理,得到接触网刚性导线左侧汇流排或者右侧汇流排的轮廓信息,然后基于灰度投影算法对所述接触网刚性导线左侧汇流排或者右侧汇流排的轮廓信息进行处理,得到接触网刚性导线定位的灰度投影曲线;
最优导线获取模块,将所述接触网刚性导线定位的灰度投影曲线结合导线空间分布模型,从导线空间分布模型中,基于欧式距离最优解,选择偏移量方差最小值所对应的m个接触网刚性导线为最优接触网刚性导线;m小于等于n/2;
导线轮廓位置获取模块,根据所述最优接触网刚性导线,通过接触网刚性导线定位识别方法得到最优接触网刚性导线轮廓;
接触网刚性导线几何参数获取模块,基于双目视觉基本原理,通过最优接触网刚性导线轮廓,计算该接触网刚性导线几何参数。
7.根据权利要求6所述的一种自适应学习的接触网刚性导线识别装置,其特征在于所述导线空间分布模型获取过程是:基于Ransac算法训练接触网有效数据及无效数据,将所有接触网刚性导线左侧汇流排或右侧汇流排的位置在水平方向分布所对应的有效标定数据,与接触网刚性导线左侧汇流排或右侧汇流排的位置关系进行一一映射存储,形成导线空间分布模型;其中,n张包括汇流排及接触网刚性导线的图像中标记的接触网有效数据和接触网无效数据,接触网有效数据及接触网无效数据加起来等于n*2*2;接触网有效数据占n*2*2的60%及以上。
8.根据权利要求7所述的一种自适应学习的接触网刚性导线识别装置,其特征在于所述接触网有效数据占n*2*2的90%及以上。
9.根据权利要求7所述的一种自适应学习的接触网刚性导线识别装置,其特征在于当某一幅包括汇流排及接触网刚性导线的图像为锚段区间图像,即一幅图像中,既包括了原有刚性导线的尾端,又包括新的刚性导线的首部,则在同一条接触网刚性导线中不能同时存在P1、P2、P3及P4,当原有刚性导线上标记出P3和P4,而新的刚性导线上标记出P1及P2;则偏移量指的是P2与P1的距离;当原有刚性导线上标记出P1和P2,而新的刚性导线上标记出P3及P4;则偏移量指的是P4与P3的距离。
10.根据权利要求6至9之一所述的一种自适应学习的接触网刚性导线识别装置,其特征在于还包括矫正过程:
对第n+1张包括汇流排及接触网刚性导线的图像进行P1、P2、P3及P4位置标记;
当通过n张包括汇流排及接触网刚性导线的图像数据训练形成导线空间分布模型去训练第n+1张包括汇流排及接触网刚性导线的图像的P1、P2、P3及P4后,
去验证识别第n+1张包括汇流排及接触网刚性导线的图像上P1、P3是否在第n+1张图像的汇流排上,同时验证识别第n+1张包括汇流排及接触网刚性导线的图像上P2、P4是否在第n+1张图像的接触网刚性导线轮廓上,若符合要求,则不需要矫正;否则,将第n+1张包括汇流排及接触网刚性导线的图像标定数据删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710270810.2A CN108734715B (zh) | 2017-04-24 | 2017-04-24 | 一种自适应学习的接触网刚性导线识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710270810.2A CN108734715B (zh) | 2017-04-24 | 2017-04-24 | 一种自适应学习的接触网刚性导线识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734715A true CN108734715A (zh) | 2018-11-02 |
CN108734715B CN108734715B (zh) | 2020-02-04 |
Family
ID=63933896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710270810.2A Active CN108734715B (zh) | 2017-04-24 | 2017-04-24 | 一种自适应学习的接触网刚性导线识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734715B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503048A (zh) * | 2019-08-26 | 2019-11-26 | 中铁电气化局集团有限公司 | 刚性接触网悬挂装置的识别系统和方法 |
CN110992348A (zh) * | 2019-12-10 | 2020-04-10 | 成都国铁电气设备有限公司 | 一种基于3d结构光相机的地铁接触网磨耗测量方法及系统 |
CN111242052A (zh) * | 2020-01-16 | 2020-06-05 | 成都唐源电气股份有限公司 | 一种接触网刚柔导线自动判别方法及装置 |
CN111723792A (zh) * | 2020-06-24 | 2020-09-29 | 西南交通大学 | 适用于刚柔接触网的实时定位点识别方法 |
CN114199203A (zh) * | 2020-09-17 | 2022-03-18 | 成都唐源电气股份有限公司 | 一种适应地铁刚性及柔性接触网的成像检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150165911A1 (en) * | 2012-09-28 | 2015-06-18 | Siemens Aktiengesellschaft | Non-track-bound vehicle |
CN106156748A (zh) * | 2016-07-22 | 2016-11-23 | 浙江零跑科技有限公司 | 基于车载双目相机的交通场景参与者识别方法 |
-
2017
- 2017-04-24 CN CN201710270810.2A patent/CN108734715B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150165911A1 (en) * | 2012-09-28 | 2015-06-18 | Siemens Aktiengesellschaft | Non-track-bound vehicle |
CN106156748A (zh) * | 2016-07-22 | 2016-11-23 | 浙江零跑科技有限公司 | 基于车载双目相机的交通场景参与者识别方法 |
Non-Patent Citations (1)
Title |
---|
谢力: "《基于图像处理的受电弓状态检测技术研究》", 《WWW.CNKI.NET》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503048A (zh) * | 2019-08-26 | 2019-11-26 | 中铁电气化局集团有限公司 | 刚性接触网悬挂装置的识别系统和方法 |
CN110992348A (zh) * | 2019-12-10 | 2020-04-10 | 成都国铁电气设备有限公司 | 一种基于3d结构光相机的地铁接触网磨耗测量方法及系统 |
CN110992348B (zh) * | 2019-12-10 | 2023-09-19 | 成都国铁电气设备有限公司 | 一种基于3d结构光相机的地铁接触网磨耗测量方法及系统 |
CN111242052A (zh) * | 2020-01-16 | 2020-06-05 | 成都唐源电气股份有限公司 | 一种接触网刚柔导线自动判别方法及装置 |
CN111242052B (zh) * | 2020-01-16 | 2023-08-08 | 成都唐源电气股份有限公司 | 一种接触网刚柔导线自动判别方法及装置 |
CN111723792A (zh) * | 2020-06-24 | 2020-09-29 | 西南交通大学 | 适用于刚柔接触网的实时定位点识别方法 |
CN111723792B (zh) * | 2020-06-24 | 2022-12-06 | 西南交通大学 | 适用于刚柔接触网的实时定位点识别方法 |
CN114199203A (zh) * | 2020-09-17 | 2022-03-18 | 成都唐源电气股份有限公司 | 一种适应地铁刚性及柔性接触网的成像检测方法及装置 |
CN114199203B (zh) * | 2020-09-17 | 2023-07-18 | 成都唐源电气股份有限公司 | 一种适应地铁刚性及柔性接触网的成像检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108734715B (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734715A (zh) | 一种自适应学习的接触网刚性导线识别方法及装置 | |
CN107392964B (zh) | 基于室内特征点和结构线结合的室内slam方法 | |
CN105674880B (zh) | 基于双目原理的接触网几何参数测量方法及系统 | |
CN105741291B (zh) | 一种高速铁路接触网悬挂装置等电位线故障检测方法 | |
CN106679567A (zh) | 基于双目立体视觉的接触网及支柱几何参数检测测量系统 | |
CN105571508B (zh) | 接触网受电弓的形变检测方法及系统 | |
CN106919978A (zh) | 一种高铁接触网支撑装置零部件识别检测方法 | |
CN104361314A (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN104639840A (zh) | 图像处理装置及图像处理方法 | |
CN110097591B (zh) | 弓网状态的检测方法 | |
CN110097574A (zh) | 一种已知刚体的实时位姿估计方法 | |
CN108734691A (zh) | 一种输电线路缺陷图像识别方法 | |
CN105631852A (zh) | 基于深度图像等高线的室内人体检测方法 | |
CN107169951B (zh) | 一种基于图像的斜腕臂末端管帽的缺失检测方法及系统 | |
CN109269403A (zh) | 一种基于机器视觉的接触网导线磨耗测量方法及装置 | |
CN111561967A (zh) | 弓网运行状态实时在线检测方法及系统 | |
CN111242052B (zh) | 一种接触网刚柔导线自动判别方法及装置 | |
CN115690012A (zh) | 一种电能表接错线的检测方法 | |
CN106570877B (zh) | 基于采煤机虚拟样机与真实图像配准的采煤机位姿定位系统及方法 | |
CN110009678A (zh) | 正畸用弓丝弯制检测方法及系统 | |
CN110728269B (zh) | 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法 | |
CN110473223B (zh) | 基于接触网腕臂系统三维点云的二维图像辅助分割方法 | |
CN114030395B (zh) | 一种接触悬挂吊弦区域异物检测方法及系统 | |
CN104598935A (zh) | 一种基于增量子空间学习算法的人脸识别方法 | |
CN110246131A (zh) | 基于卷积神经网络的导线分股缺陷图像识别方法 |
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 |