CN109376609A - 受电弓磨耗的识别方法、装置及智能终端 - Google Patents
受电弓磨耗的识别方法、装置及智能终端 Download PDFInfo
- Publication number
- CN109376609A CN109376609A CN201811128978.0A CN201811128978A CN109376609A CN 109376609 A CN109376609 A CN 109376609A CN 201811128978 A CN201811128978 A CN 201811128978A CN 109376609 A CN109376609 A CN 109376609A
- Authority
- CN
- China
- Prior art keywords
- pantograph
- recognized
- images
- target detection
- detection model
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Current-Collector Devices For Electrically Propelled Vehicles (AREA)
Abstract
本发明提供了一种受电弓磨耗的识别方法、装置及智能终端,涉及受电弓磨耗识别技术领域,该方法包括:获取待识别图像;将待识别图像输入至预先训练得到的目标检测模型;通过目标检测模型检测待识别图像中的受电弓的位置信息;基于待识别图像中的受电弓的位置信息,对待识别图像中的受电弓进行磨耗识别,得到磨耗识别结果。本发明通过目标检测模型检测出待识别图像中的受电弓位置后,再对其进行受电弓磨耗识别,有助于提高识别受电弓磨耗的精度。
Description
技术领域
本发明涉及受电弓磨耗识别技术领域,尤其是涉及一种受电弓磨耗的识别方法、装置及智能终端。
背景技术
地铁利用车顶的受电弓从接触网获得电能,牵引列车运行,即受电弓是电力机车充接触网接触导线上受取电流的一种受流装置。当受电弓升起时,受电弓的滑板与接触网导线直接接触,从接触网导线上受取电流,并将电流通过车顶母线传送至列车内部,供列车使用。如果受电弓发生磨耗,将会导致列车发生事故,因此需要准确识别受电弓的磨耗位置及磨耗严重程度,这就使得对受电弓磨耗识别的要求越来越高,而现有的受电弓磨耗识别技术还具有发展空间。
发明内容
有鉴于此,本发明的目的在于提供一种受电弓磨耗的识别方法、装置及智能终端,能够有助于提升受电弓磨耗的识别精度。
第一方面,本发明实施例提供了一种受电弓磨耗的识别方法,包括:获取待识别图像;将待识别图像输入至预先训练得到的目标检测模型;通过目标检测模型检测待识别图像中的受电弓的位置信息;基于待识别图像中的受电弓的位置信息,对待识别图像中的受电弓进行磨耗识别,得到磨耗识别结果。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,上述获取待识别图像的步骤,包括:当监测到地铁进入至预设的图像采集区域时,触发位于图像采集区域的摄像设备地铁的图像,将地铁的图像作为待识别图像;其中,地铁的顶部设置有受电弓。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,上述目标检测模型的训练过程,包括:获取训练数据集;其中,训练数据集中包含有预设数量的携带有受电弓位置标签的地铁图像;将训练数据集输入至目标检测模型,基于反向传播算法对目标检测模型进行训练,直至目标检测模型的损失函数值收敛至预设阈值后停止训练;判断经训练得到的目标检测模型是否达到预设评估标准;如果是,确定目标检测模型训练成功。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,上述目标检测模型为两阶段检测模型。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,上述基于待识别图像中的受电弓的位置信息,对待识别图像中的受电弓进行磨耗识别,得到磨耗识别结果的步骤,包括:获取待识别图像中的受电弓的位置信息中的受电弓边界曲线和受电弓像素;根据受电弓边界曲线和受电弓像素确定待识别图像中的受电弓的厚度值;将厚度值中的最小厚度值确定为待识别图像中的受电弓的磨耗识别结果。
第二方面,本发明实施例还提供一种受电弓磨耗的识别装置,包括:图像获取模块,用于获取待识别图像;输入模块,用于将待识别图像输入至预先训练得到的目标检测模型;位置检测模块,用于通过目标检测模型检测待识别图像中的受电弓的位置信息;磨耗识别模块,用于基于待识别图像中的受电弓的位置信息,对待识别图像中的受电弓进行磨耗识别,得到磨耗识别结果。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,上述图像获取模块还用于:当监测到地铁进入至预设的图像采集区域时,触发位于图像采集区域的摄像设备地铁的图像,将地铁的图像作为待识别图像;其中,地铁的顶部设置有受电弓。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,上述装置还用于:获取训练数据集;其中,训练数据集中包含有预设数量的携带有受电弓位置标签的地铁图像;将训练数据集输入至目标检测模型,基于反向传播算法对目标检测模型进行训练,直至目标检测模型的损失函数值收敛至预设阈值后停止训练;判断经训练得到的目标检测模型是否达到预设评估标准;如果是,确定目标检测模型训练成功。
第三方面,本发明实施例还提供一种智能终端,包括处理器和存储器;存储器上存储有计算机程序,计算机程序在被所述处理器运行时执行如第一方面至第一方面的第四种可能的实施方式任一项的方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述第一方面至第一方面的第四种可能的实施方式任一项的方法的步骤。
本发明实施例带来了以下有益效果:
本发明实施例提供了一种受电弓磨耗的识别方法、装置及智能设备,能够获取待识别图像,并将该待识别图像输入至预先训练得到的目标检测模型中,由该目标检测模型识别出待识别图像中的受电弓位置,进而可以基于受电弓位置对受电弓的磨耗进行识别,得到磨耗识别结果。本发明通过目标检测模型检测出待识别图像中的受电弓位置后,再对其进行受电弓磨耗识别,有助于提高识别受电弓磨耗的精度。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种受电弓磨耗的识别方法的流程图;
图2为本发明实施例提供的另一种受电弓磨耗的识别方法的流程图;
图3为本发明实施例提供的一种受电弓磨耗识别装置的结构示意图;
图4为本发明实施例提供的一种智能终端的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
受电弓作为一种向电力机车输送电力的装置,若发生磨耗,极有可能导致列车发生故障,但是目前的受电弓磨耗识别手段还具有较大的发展空间,基于此,本发明实施例提供的一种受电弓磨耗的识别方法、装置及智能终端,有助于提升受电弓磨耗的识别精度。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种受电弓磨耗的方法进行详细介绍,参见图1所示的一种受电弓磨耗的识别方法的流程图,该方法具体包括以下步骤:
步骤S102,获取待识别图像。
其中,待识别图像可由摄像设备拍摄得到。考虑到受电弓一般安装于地铁的顶部,所以在地铁隧道内上方位置安装高速高清相机,通过来车检测信号触发高速高清相机的拍摄功能,以拍摄地铁顶部的受电弓,进而得到待识别图像。
步骤S104,将待识别图像输入至预先训练得到的目标检测模型。
考虑到在进行受电弓磨耗识别之前,需要确定受电弓在上述待识别图像中所在的位置,所以需要将待识别图像输入至目标检测模型,由目标检测模型检测得到受电弓位置。进一步的,因为磨耗识别主要是针对受电弓的碳滑板进行识别,可以通过目标检测模型对待识别图像中的碳滑板部分所处的位置进行检测。
步骤S106,通过目标检测模型检测待识别图像中的受电弓的位置信息。
其中,目标检测模型可以为卷积神经网络模型,并且应用在卷积神经网络中的目标检测算法主要为R-CNN(Region-Convolutional Neural Network,区域卷积神经网络),SPP-Net(spatial pyramid pooling network,空间金字塔池化网络),Faster R-CNN,YOLO(You Only Look Once,单个神经网络目标检测)和SSD(Single Shot MultiBox Detector,单发多盒目标检测)。以R-CNN目标检测算法为例,R-CNN目标检测算法在对待识别图像进行目标检测时,主要分为三个步骤:
(1)对一帧图像采用选择性搜索(Selective Search)算法进行搜索,得到最有可能是目标的2000个左右的候选区域(Region Proposals)。
(2)采用神经网络抽取图像目标中的卷积特征。具体的,R-CNN会将上述2000张候选区域进行大小尺寸的归一化处理,得到像素大小为227*227的候选区域,进而在卷积层对每一个候选区域进行复杂的卷积计算,完成每个候选区域的特征抽取,并将全连接层的输出直接作为候选区域的特征信息。
(3)根据上述特征信息,并利用支持向量机将待识别图像进行划分,得到目标检测结果。
在另一种实施方式中,可以选择Tensorflow学习神经网络的方式对待识别图像进行受电弓的目标检测。
步骤S108,基于待识别图像中的受电弓的位置信息,对待识别图像中的受电弓进行磨耗识别,得到磨耗识别结果。
通常情况下,得到的受电弓位置信息是以方框的形式在待识别图像中将受电弓标注出来,已得知受电弓的具体位置,并根据受电弓位置信息对该受电弓进行磨耗识别。磨耗识别方法可以采用光学三角测量法、超声波检测法和图像检测法,通过上述磨耗识别方法对受电弓的磨耗进行识别,得到该受电弓的磨耗识别结果。
本发明实施例提供了一种受电弓磨耗的识别方法,能够获取待识别图像,并将该待识别图像输入至预先训练得到的目标检测模型中,由该目标检测模型识别出待识别图像中的受电弓位置,进而可以基于受电弓位置对受电弓的磨耗进行识别,得到磨耗识别结果。本发明通过目标检测模型检测出待识别图像中的受电弓位置后,再对其进行受电弓磨耗识别,有助于提高识别受电弓磨耗的精度。
为便于对上述实施例提供的受电弓磨耗的识别方法进行理解,本发明实施例还提供了另一种受电弓磨耗的识别方法,以磨耗识别方法采用图像检测方法为例,参见图2所示的另一种受电弓磨耗的识别方法的流程图,该方法具体包括以下步骤:
步骤S202,当监测到地铁进入至预设的图像采集区域时,触发位于图像采集区域的摄像设备地铁的图像,将地铁的图像作为待识别图像。
其中,地铁的顶部设置有受电弓。为了提高对受电弓位置识别的准确度,可以在地铁进入到预设的图像采集区域时,通过摄像设备拍摄多张地铁图像,并将所拍摄的所有地铁图像均作为待识别图像。
步骤S204,将待识别图像输入至预先训练得到的目标检测模型。
本发明实施例进一步给出了训练目标检测模型的具体过程,可以参见如下步骤:
(1)获取训练数据集。其中,训练数据集中包含有预设数量的携带有受电弓位置标签的地铁图像。
(2)将训练数据集输入至目标检测模型,基于反向传播算法对目标检测模型进行训练,直至目标检测模型的损失函数值收敛至预设阈值后停止训练。
其中,BP(Backpropagation algorithm,反向传播算法)算法主要由激励传播环节和权重更新环节这两个环节反复循环迭代,直至神经网络网络对输入的响应达到预定的目标范围为止。并且BP算法的学习过程是由正向传播过程和反向传播过程组成。在正向传播过程中,输入的训练数据集通过输入层经隐含层,逐步处理并传向输出层。若在输出层得不到期待的输出值,则取输出与期望的误差的平方作为目标函数,转入反向传播,逐层求出目标函数对各神经元权值的偏导数,构成目标函数对权值向量的梯量,并将梯量作为修改权值的依据,目标检测网络的学习在权值修改过程中完成。当目标检测函数的损失函数值收敛至预设阈值时,目标检测函数的训练停止。
优选的,为了提高目标检测函数检测受电弓位置的精确度,目标检测模型可以采用两阶段检测模型,其中,两阶段检测模型主要分为两个部分,一个是作为预测主体的神经网络模型,另一个是用于消除或减弱预测结果不确定性的证据理论,最终得到目标位置信息。在具体实施时,首先用神经网络模型做出预测,得到可能为受电弓的多个预选框,再通过证据理论对预测结果进行修正,最终得到受电弓位置的目标框。采用两阶段检测模型可以有效提高受电弓位置的检测准确度。
(3)判断经训练得到的目标检测模型是否达到预设评估标准。
其中,可以通过向训练后的目标检测模型输入测试数据集来检测该训练后的目标检测函数是否达到预设的评估标准。
(4)当训练得到的目标检测模型达到预设的评估标准时,确定该目标检测模型训练成功。
另外,还可以采用迁移学习方法或十折交叉验证法对目标检测函数进行训练。迁移学习方法包括开发模型方法和预训练模型方法,预训练模型方法是深度学习领域常用的方法。在十折交叉验证法中,将数据集分成10份,轮流将其中9份作为训练数据,1份作为测试数据,进行实验,每次实验都会得出相应的正确率。10次的验证结果的正确率的平均值作为对算法精度的估计。优选的,可以进行多次十折交叉验证,使得到目标检测模型在检测受电弓时的准确度更高。
步骤S206,通过目标检测模型检测待识别图像中的受电弓的位置信息。
步骤S208,获取待识别图像中的受电弓的位置信息中的受电弓边界曲线和受电弓像素。
在具体实施时,可以通过图片的形式展示受电弓的位置信息,即将上述目标框中的信息仍然保存为图片形式,并对得到的受电弓的位置信息进行图像处理,得到待识别图像中受电弓位置信息中的受电弓边界曲线和受电弓像素。
对于受电弓边界曲线,可以通过图像处理中的图像边缘、轮廓检测方法,常用的方法包括采用Laplacian函数、Sobel函数和Scharr函数,将图片中受电弓的轮廓转换为其他颜色的曲线,并将受电弓非边缘部分转换为黑色。考虑到上述方法可能因为噪声导致对边缘的误判,所以可以采用Canny边缘检测方法,有效减少噪声对受电弓边缘的影响,进而得到更为准确的受电弓边界曲线。考虑到需要受电弓厚度的确定需要通过计算受电弓上下边界间的像素个数,所以还需要获取图像中的受电弓像素,进一步的,需要获取图像中受电弓像素的个数。
步骤S210,根据受电弓边界曲线和受电弓像素确定待识别图像中的受电弓的厚度值。
具体的,计算受电弓上边界曲线与受电弓下边界曲线中的对应位置的像素个数,并基于像素个数算出实际受电弓的厚度。优选的,为了减少计算量,可以仅计算受电弓中碳滑板部分的厚度。
步骤S212,将厚度值中的最小厚度值确定为待识别图像中的受电弓的磨耗识别结果。
可以理解的,碳滑板的厚度在未收到磨损时,碳滑板上的厚度基本是一致的,并随着碳滑板的使用,磨损严重程度也逐渐出现差异,严重程度较大的位置的厚度也相对较小,所以可以将最小厚度值作为受电弓的磨耗识别结果。
本发明实施例提供了一种受电弓磨耗的识别方法,当监测到地铁进入到预设的图像采集区域时,触发摄像功能得到待识别图像,并将该待识别图像输入至通过反向传播算法训练得到的目标检测模型中,由该目标检测模型识别出待识别图像中的受电弓位置,进而可以基于受电弓位置得到受电弓的上下边界以及像素,然后通过编辑以及像素对受电弓的磨耗进行识别,得到磨耗识别结果。本发明通过目标检测模型检测出待识别图像中的受电弓位置后,再对其进行受电弓磨耗识别,有助于提高识别受电弓磨耗的精度。
对于前述受电弓磨耗的识别方法,本发明实施例还提供了一种受电弓磨耗的识别装置,参见图3所示的一种受电弓磨耗识别装置的结构示意图,该装置包括以下部分:
图像获取模块302,用于获取待识别图像。
输入模块304,用于将待识别图像输入至预先训练得到的目标检测模型。
位置检测模块306,用于通过目标检测模型检测待识别图像中的受电弓的位置信息。
磨耗识别模块308,用于基于待识别图像中的受电弓的位置信息,对待识别图像中的受电弓进行磨耗识别,得到磨耗识别结果。
本发明实施例提供的一种受电弓磨耗的识别装置,能够通过图像获取模块获取待识别图像,并由输入模块将该待识别图像输入至预先训练得到的目标检测模型中,由位置检测模块得到待识别图像中的受电弓位置,进而通过磨耗识别模块基于受电弓位置对受电弓的磨耗进行识别,得到磨耗识别结果。本发明通过目标检测模型检测出待识别图像中的受电弓位置后,再对其进行受电弓磨耗识别,有助于提高识别受电弓磨耗的精度。
进一步的,上述图像获取模块还用于当监测到地铁进入至预设的图像采集区域时,触发位于图像采集区域的摄像设备所述地铁的图像,将地铁的图像作为待识别图像。
另外,上述装置还用于获取训练数据集;其中,训练数据集中包含有预设数量的携带有受电弓位置标签的地铁图像;将训练数据集输入至目标检测模型,基于反向传播算法对目标检测模型进行训练,直至目标检测模型的损失函数值收敛至预设阈值后停止训练;判断经训练得到的目标检测模型是否达到预设评估标准;如果是,确定目标检测模型训练成功。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
该设备为一种智能终端,具体的,该智能终端包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图4为本发明实施例提供的一种智能终端的结构示意图,该智能终端100包括:处理器40,存储器41,总线42和通信接口43,所述处理器40、通信接口43和存储器41通过总线42连接;处理器40用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序,所述处理器40在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中,或者由处理器40实现。
处理器40可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器41中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的受电弓磨耗的识别方法、装置及电子设备的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统具体工作过程,可以参考前述实施例中的对应过程,在此不再赘述。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种受电弓磨耗的识别方法,其特征在于,包括:
获取待识别图像;
将所述待识别图像输入至预先训练得到的目标检测模型;
通过所述目标检测模型检测所述待识别图像中的受电弓的位置信息;
基于所述待识别图像中的受电弓的位置信息,对所述待识别图像中的受电弓进行磨耗识别,得到磨耗识别结果。
2.根据权利要求1所述的方法,其特征在于,所述获取待识别图像的步骤,包括:
当监测到地铁进入至预设的图像采集区域时,触发位于所述图像采集区域的摄像设备所述地铁的图像,将所述地铁的图像作为待识别图像;其中,所述地铁的顶部设置有受电弓。
3.根据权利要求1所述的方法,其特征在于,所述目标检测模型的训练过程,包括:
获取训练数据集;其中,所述训练数据集中包含有预设数量的携带有受电弓位置标签的地铁图像;
将所述训练数据集输入至所述目标检测模型,基于反向传播算法对所述目标检测模型进行训练,直至所述目标检测模型的损失函数值收敛至预设阈值后停止训练;
判断经训练得到的所述目标检测模型是否达到预设评估标准;
如果是,确定所述目标检测模型训练成功。
4.根据权利要求1所述的方法,其特征在于,所述目标检测模型为两阶段检测模型。
5.根据权利要求1所述的方法,其特征在于,所述基于所述待识别图像中的受电弓的位置信息,对所述待识别图像中的受电弓进行磨耗识别,得到磨耗识别结果的步骤,包括:
获取所述待识别图像中的受电弓的位置信息中的受电弓边界曲线和受电弓像素;
根据所述受电弓边界曲线和所述受电弓像素确定所述待识别图像中的受电弓的厚度值;
将所述厚度值中的最小厚度值确定为所述待识别图像中的受电弓的磨耗识别结果。
6.一种受电弓磨耗的识别装置,其特征在于,包括:
图像获取模块,用于获取待识别图像;
输入模块,用于将所述待识别图像输入至预先训练得到的目标检测模型;
位置检测模块,用于通过所述目标检测模型检测所述待识别图像中的受电弓的位置信息;
磨耗识别模块,用于基于所述待识别图像中的受电弓的位置信息,对所述待识别图像中的受电弓进行磨耗识别,得到磨耗识别结果。
7.根据权利要求6所述的装置,其特征在于,所述图像获取模块还用于:
当监测到地铁进入至预设的图像采集区域时,触发位于所述图像采集区域的摄像设备所述地铁的图像,将所述地铁的图像作为待识别图像;其中,所述地铁的顶部设置有受电弓。
8.根据权利要求6所述的装置,其特征在于,所述装置还用于:
获取训练数据集;其中,所述训练数据集中包含有预设数量的携带有受电弓位置标签的地铁图像;
将所述训练数据集输入至所述目标检测模型,基于反向传播算法对所述目标检测模型进行训练,直至所述目标检测模型的损失函数值收敛至预设阈值后停止训练;
判断经训练得到的所述目标检测模型是否达到预设评估标准;
如果是,确定所述目标检测模型训练成功。
9.一种智能终端,其特征在于,包括处理器和存储器;
所述存储器上存储有计算机程序,所述计算机程序在被所述处理器运行时执行如权利要求1至5任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行上述权利要求1至5任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811128978.0A CN109376609A (zh) | 2018-09-27 | 2018-09-27 | 受电弓磨耗的识别方法、装置及智能终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811128978.0A CN109376609A (zh) | 2018-09-27 | 2018-09-27 | 受电弓磨耗的识别方法、装置及智能终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109376609A true CN109376609A (zh) | 2019-02-22 |
Family
ID=65402810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811128978.0A Pending CN109376609A (zh) | 2018-09-27 | 2018-09-27 | 受电弓磨耗的识别方法、装置及智能终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376609A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111006592A (zh) * | 2019-12-02 | 2020-04-14 | 西安宝利铁路器材有限公司 | 一种机车车钩高度监测装置及方法 |
CN111860303A (zh) * | 2020-07-17 | 2020-10-30 | 成都铁安科技有限责任公司 | 列车受电弓图像采集系统及其控制方法 |
CN111896044A (zh) * | 2020-06-09 | 2020-11-06 | 山东信通电子股份有限公司 | 一种铁路接触网补偿装置的监测方法及设备 |
CN112078413A (zh) * | 2020-09-16 | 2020-12-15 | 青岛维感科技有限公司 | 一种电车顶部充电配准的方法、装置、系统及存储介质 |
WO2021043388A1 (en) * | 2019-09-03 | 2021-03-11 | Schweizerische Bundesbahnen Sbb | Device and method for detecting wear and/or damage on a pantograph |
CN112991318A (zh) * | 2021-03-31 | 2021-06-18 | 中车青岛四方机车车辆股份有限公司 | 一种动车组受电弓故障检测方法、装置及存储介质 |
WO2023046376A1 (de) * | 2021-09-21 | 2023-03-30 | Siemens Mobility GmbH | System zur zustandsüberwachung von elektrisch angetriebenen fahrzeugen |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957069A (zh) * | 2016-04-25 | 2016-09-21 | 北京铁道工程机电技术研究所有限公司 | 一种受电弓检测方法、装置及系统 |
CN107742288A (zh) * | 2017-10-11 | 2018-02-27 | 成都国铁电气设备有限公司 | 一种受电弓打弓缺陷检测方法及系统 |
-
2018
- 2018-09-27 CN CN201811128978.0A patent/CN109376609A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957069A (zh) * | 2016-04-25 | 2016-09-21 | 北京铁道工程机电技术研究所有限公司 | 一种受电弓检测方法、装置及系统 |
CN107742288A (zh) * | 2017-10-11 | 2018-02-27 | 成都国铁电气设备有限公司 | 一种受电弓打弓缺陷检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
冯倩 等: "受电弓滑板磨耗测量算法的研究", 《铁道学报》 * |
韦璞 等: "面向监控视频的受电弓与接触网支柱检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021043388A1 (en) * | 2019-09-03 | 2021-03-11 | Schweizerische Bundesbahnen Sbb | Device and method for detecting wear and/or damage on a pantograph |
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 |
CN111006592A (zh) * | 2019-12-02 | 2020-04-14 | 西安宝利铁路器材有限公司 | 一种机车车钩高度监测装置及方法 |
CN111896044A (zh) * | 2020-06-09 | 2020-11-06 | 山东信通电子股份有限公司 | 一种铁路接触网补偿装置的监测方法及设备 |
CN111860303A (zh) * | 2020-07-17 | 2020-10-30 | 成都铁安科技有限责任公司 | 列车受电弓图像采集系统及其控制方法 |
CN112078413A (zh) * | 2020-09-16 | 2020-12-15 | 青岛维感科技有限公司 | 一种电车顶部充电配准的方法、装置、系统及存储介质 |
CN112991318A (zh) * | 2021-03-31 | 2021-06-18 | 中车青岛四方机车车辆股份有限公司 | 一种动车组受电弓故障检测方法、装置及存储介质 |
WO2023046376A1 (de) * | 2021-09-21 | 2023-03-30 | Siemens Mobility GmbH | System zur zustandsüberwachung von elektrisch angetriebenen fahrzeugen |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376609A (zh) | 受电弓磨耗的识别方法、装置及智能终端 | |
TWI742382B (zh) | 透過電腦執行的、用於車輛零件識別的神經網路系統、透過神經網路系統進行車輛零件識別的方法、進行車輛零件識別的裝置和計算設備 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN108985359B (zh) | 一种商品识别方法、无人售货机及计算机可读存储介质 | |
CN108256506B (zh) | 一种视频中物体检测方法及装置、计算机存储介质 | |
JP6547069B2 (ja) | 物体検出のためのサブカテゴリ認識機能付き畳み込みニューラルネットワーク | |
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN108154508A (zh) | 产品缺陷检测定位的方法、装置、存储介质及终端设备 | |
CN108182383B (zh) | 一种车窗检测的方法及设备 | |
CN111178161B (zh) | 一种基于fcos的车辆追踪方法及系统 | |
CN112801008A (zh) | 行人重识别方法、装置、电子设备及可读存储介质 | |
US11574500B2 (en) | Real-time facial landmark detection | |
CN109598298B (zh) | 图像物体识别方法和系统 | |
CN111666800A (zh) | 一种行人重识别模型训练方法及行人重识别方法 | |
CN111144398A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN115082752A (zh) | 基于弱监督的目标检测模型训练方法、装置、设备及介质 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN110751005B (zh) | 融合深度感知特征和核极限学习机的行人检测方法 | |
WO2021068589A1 (zh) | 一种图像中物体及其关键点的确定方法和装置 | |
CN113112479A (zh) | 基于关键区块提取的渐进式目标检测方法和装置 | |
CN111914671A (zh) | 一种安全带检测方法、装置、电子设备及存储介质 | |
CN116994049A (zh) | 全自动针织横机及其方法 | |
CN112183554A (zh) | 一种自动化道路边界轮廓提取方法 | |
CN115298705A (zh) | 车牌识别方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |