CN110490342B - 一种基于Faster R-CNN的接触网静态几何参数检测方法 - Google Patents

一种基于Faster R-CNN的接触网静态几何参数检测方法 Download PDF

Info

Publication number
CN110490342B
CN110490342B CN201910884794.5A CN201910884794A CN110490342B CN 110490342 B CN110490342 B CN 110490342B CN 201910884794 A CN201910884794 A CN 201910884794A CN 110490342 B CN110490342 B CN 110490342B
Authority
CN
China
Prior art keywords
value
cnn
locator
contact
angle
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
Application number
CN201910884794.5A
Other languages
English (en)
Other versions
CN110490342A (zh
Inventor
曾晓红
李奇
高仕斌
陈维荣
谢生波
赵志刚
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.)
Jiangsu Xinlyuneng Science & Technology Co ltd
Original Assignee
Jiangsu Xinlyuneng Science & 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 Jiangsu Xinlyuneng Science & Technology Co ltd filed Critical Jiangsu Xinlyuneng Science & Technology Co ltd
Priority to CN201910884794.5A priority Critical patent/CN110490342B/zh
Publication of CN110490342A publication Critical patent/CN110490342A/zh
Application granted granted Critical
Publication of CN110490342B publication Critical patent/CN110490342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/03—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring coordinates of points
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/26—Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于Faster R‑CNN的接触网静态几何参数检测方法。该方法通过检测装置的线扫描激光传感器以及相机装置对接触网进行图像数据采集，根据采集到的三维图像数据，利用Faster R‑CNN模型对图像关键部件进行有效识别。在识别出接触网定位器、定位器接触点、电线杆及电线杆的支撑杆所在区域后，利用坐标变换计算得到拉出值、导高值、定位器角度值以及线岔高差值，以此获取接触网静态几何参数，进而识别接触网是否发生故障。与现有检测方法相比，本发明的接触网静态几何参数检测方法能够较为精确地识别接触网关键部件，接触网几何参数检测耗时短且结果可靠度高。

Description

一种基于Faster R-CNN的接触网静态几何参数检测方法
技术领域
本发明涉及铁路接触网领域，特别涉及接触网静态几何参数检测方法。
背景技术
在各行各业中，安全始终是一个永恒的话题。随着国内外电气化铁路事业的蓬勃发展，其安全性和可靠性问题也得到了越来越多的关注。为了减少甚至杜绝危险事故的发生，需要开展相应设备检测技术，以此对铁路运行中潜在的问题进行及早排查，切实维护广大人民群众的生命财产安全。
电气化铁路中，接触网是电气化铁路的重要设备，接触网由接触悬挂、支持装置、定位装置、支柱与基础几部分组成。为保证铁路机车的正常运行，需要定期对接触网进行检修维护。当前，我国对铁路机车的接触网进行检测需要进行断电检修，且检修时需要接触式检修方法，检修工作繁琐。随着中国以及世界铁路网上的铁路公路运输的发展，货物及乘客运输的速度不断提高，要求整个铁路运输设备必须具有安全性和可靠性，传统的接触网检测方法已经不适应铁路事业的高速发展。
目前国内外对接触网静态几何参数的检测方法，除人工监控方法外，主要思路是应用工业相机对接触网进行图像获取，在此基础之上利用图像处理等先进技术得出接触网各项参数，并将所得结果与相应指标进行比对，以此判断接触网性能是否良好。这种方式可以极大地减少维护人员的劳动量，但目前已有的接触网静态参数检测方法，大都存在关于精度较低、耗时较长以及操作难度较大等问题，为进一步提高电气化铁路事业，接触网静态几何参数检测技术方面，需要进一步地探索。
发明内容
为了解决上述问题，本发明提供了一种基于Faster R-CNN的接触网静态几何参数检测方法，利用改进的快速区域卷积神经网络对于图像识别方面的优势，对接触网图像信息进行精确快速识别，从而提升检测速度以及检测精度。
为解决上述技术问题，本发明采用以下技术方案：
一种基于Faster R-CNN的接触网静态几何参数检测方法，包括步骤：
步骤(1)：利用接触网静态几何参数检测装置所包含的线扫描激光传感器以及相机装置对接触网进行图像数据采集工作，并将所获取的接触网三维图像数据反馈至计算机进行进一步数据处理；
步骤(2)：通过步骤(1)所获取的图像资料，建立Faster R-CNN模型对待检测图片进行特征提取工作，识别图片中的定位器、定位器接触点、电线杆以及电线杆支撑杆的位置信息，
Faster R-CNN使用轮流训练方法，该训练方法为：
a.输入接触网训练集图像，使用ImageNet预训练模型初始化各层参数，调整RPN网络参数用于候选区域的提取；
b.根据步骤a生成的候选区域，训练Faster R-CNN检测网络；
c.根据步骤b训练好的检测网络训练RPN网络，网络中的共享卷积层固定不变；
d.保持共享卷积层的固定，根据RPN网络重新生成候选区域，继续微调Faster R-CNN的其他层；
对于RPN网络的训练，RPN设置固定尺寸的滑动空间窗口，在共享卷积层输出的卷积特征映射上滑动，每滑动一次窗口都将窗内的高维特征向量映射成低维向量，在此基础之上进行卷积运算，并输出带有目标得分的候选区域集合，采用反向传播法和随机梯度下降进行端到端的训练，损失函数为分类误差和回归误差之和；
对于Faster R-CNN网络的训练，Faster R-CNN网络首先利用输入的任意尺寸图片，向前传播到共享卷积层，然后卷积层一方面将特征映射传入RPN网络，另一方面在Faster R-CNN网络内继续向前传播，得到更高维度的特征映射，对于筛选过后的候选区域和高维特征映射，其将会被传入RoI池化层，在RoI池化层内提取对应区域的特征后，对图像进行卷积运算得到一个特征映射，最后将该卷积运算得到的特征映射和全连接层连接输出目标分类和得分，以及bounding box目标定位框回归值，Faster R-CNN同样采用反向传播法和随机梯度下降法进行训练，通过分类误差和回归误差构成的损失函数进行联合训练；
步骤(3)：根据步骤(2)所识别定位器、定位器接触点、电线杆以及电线杆支撑杆的位置信息，经过坐标变换计算得到拉出值、导高值、定位器角度值以及线岔高差值，以此获取接触网静态几何参数，进而识别接触网是否发生故障；
识别出定位器、定位器接触点、电线杆及电线杆的支撑杆后，用opencv函数库中的findContours函数和drawContours函数识别图像轮廓并提取坐标信息；对于所获取的接触网关键部件坐标信息，其相应拉出值、导高值、定位器角度值以及线岔高差值的计算方法如下：
(1)计算导高值
导高值的含义是接触点到轨道平面的距离，其计算过程为：1、识别出接触点的坐标信息；2、提取y值；3、根据坐标系转换计算出实际数值并输出，
y′＝y×k
其中，y′为实际导高值，y为坐标值，k为y轴对比尺；
(2)计算拉出值
拉出值的含义是接触点到轨道中心点的距离，因为轨道中心点的位置是已知值，所以其计算过程为：1、识别出接触点的坐标信息；2、提取x值；3、根据坐标系转换计算出实际数值并与轨道中心点的数值相减，
x′＝(x-x1)×k1
其中，x′为实际拉出值，x为接触点的坐标值，x1为轨道中心点的坐标值，k1为x轴对比尺，
(3)计算定位器角度
定位器角度的计算过程为：1、拟合直线；2、取得斜率；3、角度补偿校正，因为图片有一定程度的倾斜角度，所以图中的角度并不是现实世界中的角度，要获得坡度需要经过一次角度补偿校正，
a.拟合直线并取得斜率
拟合方法选择最小二乘法，因为已经取得了定位器的坐标信息，所以拟合多项式为：
yi＝axi+b
式中，xi代表定位器在图像坐标系中的横坐标，yi代表定位器在图像坐标系中的纵坐标，a，b是常数，
平方偏差和为：
Figure GDA0004128524490000041
式中，n代表待拟合数据的总个数，
对a、b求偏导：
Figure GDA0004128524490000042
对上式进行求解即可获得a，b数值，若设相机拍摄仰角为δ，则其计算方式如下：
δ＝arccos(b/a)
b.角度补偿校正
根据定位器角度定义，定位器实际坡度值与图像中测量得到的坡度值之间存在如下关系：
Figure GDA0004128524490000043
其中，α补偿后定位器角度，β为所采集图像中测量得到的坡度值；
(4)计算线岔高差值
线岔高差是在要换线的时候两个要换线的电线杆上的接触点的导高值之差，所以其计算过程为：1、识别出需要计算线岔高度差的图像；2、识别出两个电线杆上接触点的坐标信息；3、提取y1、y2值；3、根据坐标系转换计算出实际值并输出：
Y＝(y1-y2)×k
其中，Y为实际高度差值，y1、y2分别为两接触点的坐标值，k为y轴对比尺。
所述步骤(1)中，激光传感器用于发射激光脉冲，通过检测发射脉冲时间以及脉冲经过障碍物后反射脉冲到达的时间，计算出障碍物距离设备的距离；相机装置选用线阵传感器摄像机，用于获取待检测目标的三维图像，通过二者的共同工作，利用计算机算法获得待检测目标的精确三维数据图像。
与现有技术相比，本发明具有以下优点：
1.本发明利用线扫描激光传感器以及相机装置对接触网进行图像数据采集工作，可以获取接触网三维图像数据，可以获取更为全面的图像资料。
2.利用Faster R-CNN模型进行接触网关键部件的识别检测，通过结合RPN网络以改进Faster R-CNN，可以获取更为准确的检测结果，识别检验可靠性得到了一定的提升。
3.结合opencv函数库，可以更加准确可靠地提取目标部件的坐标信息，进一步提升接触网静态几何参数识别精度，且操作复杂程度低。
附图说明
图1所示为根据本发明的实施例采用的流程图。
图2所示为根据本发明的实施例Faster R-CNN网络训练过程。
图3所示为根据本发明的实施例Faster R-CNN网络处理流程。
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。
如图1，一种基于Faster R-CNN的接触网静态几何参数检测方法，包括步骤：
步骤(1)：利用接触网静态几何参数检测装置所包含的线扫描激光传感器以及相机装置对接触网进行图像数据采集工作，并将所获取的接触网三维图像数据反馈至计算机进行进一步数据处理；
步骤(2)：通过步骤(1)所获取的图像资料，建立Faster R-CNN模型对待检测图片进行特征提取工作，识别图片中的定位器、定位器接触点、电线杆以及电线杆支撑杆的位置信息，
如图2，Faster R-CNN使用轮流训练方法，该训练方法为：
a.输入接触网训练集图像，使用ImageNet预训练模型初始化各层参数，调整RPN网络参数用于候选区域的提取；
b.根据步骤a生成的候选区域，训练FasterR-CNN检测网络；
c.根据步骤b训练好的检测网络训练RPN网络，网络中的共享卷积层固定不变；
d.保持共享卷积层的固定，根据RPN网络重新生成候选区域，继续微调Faster R-CNN的其他层；
对于RPN网络的训练，RPN设置固定尺寸的滑动空间窗口，在共享卷积层输出的卷积特征映射上滑动，每滑动一次窗口都将窗内的高维特征向量映射成低维向量，在此基础之上进行卷积运算，并输出带有目标得分的候选区域集合，采用反向传播法和随机梯度下降进行端到端的训练，损失函数为分类误差和回归误差之和；
如图3，对于Faster R-CNN网络的训练，Faster R-CNN网络首先利用输入的任意尺寸图片，向前传播到共享卷积层，然后卷积层一方面将特征映射传入RPN网络，另一方面在FasterR-CNN网络内继续向前传播，得到更高维度的特征映射，对于筛选过后的候选区域和高维特征映射，其将会被传入RoI池化层，在RoI池化层内提取对应区域的特征后，对图像进行卷积运算得到一个特征映射，最后将该卷积运算得到的特征映射和全连接层连接输出目标分类和得分，以及bounding box目标定位框回归值，Faster R-CNN同样采用反向传播法和随机梯度下降法进行训练，通过分类误差和回归误差构成的损失函数进行联合训练；
步骤(3)：根据步骤(2)所识别定位器、定位器接触点、电线杆以及电线杆支撑杆的位置信息，经过坐标变换计算得到拉出值、导高值、定位器角度值以及线岔高差值，以此获取接触网静态几何参数，进而识别接触网是否发生故障；
识别出定位器、定位器接触点、电线杆及电线杆的支撑杆后，用opencv函数库中的findContours函数和drawContours函数识别图像轮廓并提取坐标信息；对于所获取的接触网关键部件坐标信息，其相应拉出值、导高值、定位器角度值以及线岔高差值的计算方法如下：
(1)计算导高值
导高值的含义是接触点到轨道平面的距离，其计算过程为：1、识别出接触点的坐标信息；2、提取y值；3、根据坐标系转换计算出实际数值并输出，
y′＝y×k
其中，y′为实际导高值，y为坐标值，k为y轴对比尺；
(2)计算拉出值
拉出值的含义是接触点到轨道中心点的距离，因为轨道中心点的位置是已知值，所以其计算过程为：1、识别出接触点的坐标信息；2、提取x值；3、根据坐标系转换计算出实际数值并与轨道中心点的数值相减，
x′＝(x-x1)×k1
其中，x′为实际拉出值，x为接触点的坐标值，x1为轨道中心点的坐标值，k1为x轴对比尺，
(3)计算定位器角度
定位器角度的计算过程为：1、拟合直线；2、取得斜率；3、角度补偿校正，因为图片有一定程度的倾斜角度，所以图中的角度并不是现实世界中的角度，要获得坡度需要经过一次角度补偿校正，
a.拟合直线并取得斜率
拟合方法选择最小二乘法，因为已经取得了定位器的坐标信息，所以拟合多项式为：
yi＝axi+b
式中，xi代表定位器在图像坐标系中的横坐标，yi代表定位器在图像坐标系中的纵坐标，a，b是常数，
平方偏差和为：
Figure GDA0004128524490000081
式中，n代表待拟合数据的总个数，
对a、b求偏导：
Figure GDA0004128524490000082
对上式进行求解即可获得a，b数值，若设相机拍摄仰角为δ，则其计算方式如下：
δ＝arccos(b/a)
b.角度补偿校正
根据定位器角度定义，定位器实际坡度值与图像中测量得到的坡度值之间存在如下关系：
Figure GDA0004128524490000083
其中，α补偿后定位器角度，β为所采集图像中测量得到的坡度值；
(4)计算线岔高差值
线岔高差是在要换线的时候两个要换线的电线杆上的接触点的导高值之差，所以其计算过程为：1、识别出需要计算线岔高度差的图像；2、识别出两个电线杆上接触点的坐标信息；3、提取y1、y2值；3、根据坐标系转换计算出实际值并输出：
Y＝(y1-y2)×k
其中，Y为实际高度差值，y1、y2分别为两接触点的坐标值，k为y轴对比尺。
所述步骤(1)中，激光传感器用于发射激光脉冲，通过检测发射脉冲时间以及脉冲经过障碍物后反射脉冲到达的时间，计算出障碍物距离设备的距离；相机装置选用线阵传感器摄像机，用于获取待检测目标的三维图像，通过二者的共同工作，利用计算机算法获得待检测目标的精确三维数据图像。

Claims (2)

1.一种基于Faster R-CNN的接触网静态几何参数检测方法，其特征在于，包括步骤：
步骤(1)：利用接触网静态几何参数检测装置所包含的线扫描激光传感器以及相机装置对接触网进行图像数据采集工作，并将所获取的接触网三维图像数据反馈至计算机进行进一步数据处理；
步骤(2)：通过步骤(1)所获取的图像资料，建立Faster R-CNN模型对待检测图片进行特征提取工作，识别图片中的定位器、定位器接触点、电线杆以及电线杆支撑杆的位置信息，
Faster R-CNN使用轮流训练方法，该训练方法为：
a.输入接触网训练集图像，使用ImageNet预训练模型初始化各层参数，
调整RPN网络参数用于候选区域的提取；
b.根据步骤a生成的候选区域，训练FasterR-CNN检测网络；
c.根据步骤b训练好的检测网络训练RPN网络，网络中的共享卷积层固定不变；
d.保持共享卷积层的固定，根据RPN网络重新生成候选区域，继续微调Faster R-CNN的其他层；
对于RPN网络的训练，RPN设置固定尺寸的滑动空间窗口，在共享卷积层输出的卷积特征映射上滑动，每滑动一次窗口都将窗内的高维特征向量映射成低维向量，在此基础之上进行卷积运算，并输出带有目标得分的候选区域集合，采用反向传播法和随机梯度下降进行端到端的训练，损失函数为分类误差和回归误差之和；
对于Faster R-CNN网络的训练，Faster R-CNN网络首先利用输入的任意尺寸图片，向前传播到共享卷积层，然后卷积层一方面将特征映射传入RPN网络，另一方面在Faster R-CNN网络内继续向前传播，得到更高维度的特征映射，对于筛选过后的候选区域和高维特征映射，其将会被传入RoI池化层，在RoI池化层内提取对应区域的特征后，对图像进行卷积运算得到一个特征映射，最后将该卷积运算得到的特征映射和全连接层连接输出目标分类和得分，以及bounding box目标定位框回归值，Faster R-CNN同样采用反向传播法和随机梯度下降法进行训练，通过分类误差和回归误差构成的损失函数进行联合训练；
步骤(3)：根据步骤(2)所识别定位器、定位器接触点、电线杆以及电线杆支撑杆的位置信息，经过坐标变换计算得到拉出值、导高值、定位器角度值以及线岔高差值，以此获取接触网静态几何参数，进而识别接触网是否发生故障；
识别出定位器、定位器接触点、电线杆及电线杆的支撑杆后，用opencv函数库中的findContours函数和drawContours函数识别图像轮廓并提取坐标信息；对于所获取的接触网关键部件坐标信息，其相应拉出值、导高值、定位器角度值以及线岔高差值的计算方法如下：
(1)计算导高值
导高值的含义是接触点到轨道平面的距离，其计算过程为：1、识别出接触点的坐标信息；2、提取y值；3、根据坐标系转换计算出实际数值并输出，
y′＝y×k
其中，y′为实际导高值，y为坐标值，k为y轴对比尺；
(2)计算拉出值
拉出值的含义是接触点到轨道中心点的距离，因为轨道中心点的位置是已知值，所以其计算过程为：1、识别出接触点的坐标信息；2、提取x值；3、根据坐标系转换计算出实际数值并与轨道中心点的数值相减，
x′＝(x-x1)×k1
其中，x′为实际拉出值，x为接触点的坐标值，x1为轨道中心点的坐标值，k1为x轴对比尺，
(3)计算定位器角度
定位器角度的计算过程为：1、拟合直线；2、取得斜率；3、角度补偿校正，因为图片有一定程度的倾斜角度，所以图中的角度并不是现实世界中的角度，要获得坡度需要经过一次角度补偿校正，
a.拟合直线并取得斜率
拟合方法选择最小二乘法，因为已经取得了定位器的坐标信息，所以拟合多项式为：
yi＝axi+b
式中，xi代表定位器在图像坐标系中的横坐标，yi代表定位器在图像坐标系中的纵坐标，a，b是常数，
平方偏差和为：
Figure FDA0004128524480000031
式中，n代表待拟合数据的总个数，
对a、b求偏导：
Figure FDA0004128524480000032
对上式进行求解即可获得a，b数值，若设相机拍摄仰角为δ，则其计算方式如下：
δ＝arccos(b/a)
b.角度补偿校正
根据定位器角度定义，定位器实际坡度值与图像中测量得到的坡度值之间存在如下关系：
Figure FDA0004128524480000033
其中，α补偿后定位器角度，β为所采集图像中测量得到的坡度值；
(4)计算线岔高差值
线岔高差是在要换线的时候两个要换线的电线杆上的接触点的导高值之差，所以其计算过程为：1、识别出需要计算线岔高度差的图像；2、识别出两个电线杆上接触点的坐标信息；3、提取y1、y2值；3、根据坐标系转换计算出实际值并输出：
Y＝(y1-y2)×k
其中，Y为实际高度差值，y1、y2分别为两接触点的坐标值，k为y轴对比尺。
2.根据权利要求1所述的一种基于Faster R-CNN的接触网静态几何参数检测方法，其特征在于，所述步骤(1)中，激光传感器用于发射激光脉冲，通过检测发射脉冲时间以及脉冲经过障碍物后反射脉冲到达的时间，计算出障碍物距离设备的距离；相机装置选用线阵传感器摄像机，用于获取待检测目标的三维图像，通过二者的共同工作，利用计算机算法获得待检测目标的精确三维数据图像。
CN201910884794.5A 2019-09-19 2019-09-19 一种基于Faster R-CNN的接触网静态几何参数检测方法 Active CN110490342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910884794.5A CN110490342B (zh) 2019-09-19 2019-09-19 一种基于Faster R-CNN的接触网静态几何参数检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910884794.5A CN110490342B (zh) 2019-09-19 2019-09-19 一种基于Faster R-CNN的接触网静态几何参数检测方法

Publications (2)

Publication Number Publication Date
CN110490342A CN110490342A (zh) 2019-11-22
CN110490342B true CN110490342B (zh) 2023-05-02

Family

ID=68558579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910884794.5A Active CN110490342B (zh) 2019-09-19 2019-09-19 一种基于Faster R-CNN的接触网静态几何参数检测方法

Country Status (1)

Country Link
CN (1) CN110490342B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113295143B (zh) * 2020-03-12 2023-04-25 广东中科如铁技术有限公司 一种接触网定位器坡度的动态测量方法
CN113095142A (zh) * 2021-03-15 2021-07-09 中联重科股份有限公司 用于工程设备的作业监控方法、系统及工程设备
CN115993091B (zh) * 2021-10-18 2024-05-14 合肥中车轨道交通车辆有限公司 接触网拉出值检测方法及装置
CN114895139A (zh) * 2022-03-31 2022-08-12 北京南凯自动化系统工程有限公司 一种接触网馈线的故障定位、处理方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175219A (zh) * 2011-01-31 2011-09-07 中国铁道科学研究院基础设施检测研究所 基于视频分析的高速接触网定位器坡度检测方法及设备
CN105674896A (zh) * 2016-01-29 2016-06-15 东莞市诺丽电子科技有限公司 基于三角测量的接触网几何参数动态检测方法
CN106504233A (zh) * 2016-10-18 2017-03-15 国网山东省电力公司电力科学研究院 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统
CN106679567A (zh) * 2017-02-14 2017-05-17 成都国铁电气设备有限公司 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
CN106919978A (zh) * 2017-01-18 2017-07-04 西南交通大学 一种高铁接触网支撑装置零部件识别检测方法
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
CN108009591A (zh) * 2017-12-14 2018-05-08 西南交通大学 一种基于深度学习的接触网关键部件识别方法
CN109360204A (zh) * 2018-11-28 2019-02-19 燕山大学 一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法
CN109407105A (zh) * 2018-10-15 2019-03-01 北京航天控制仪器研究所 一种接触网几何参数在线巡检系统的伺服控制装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102175219A (zh) * 2011-01-31 2011-09-07 中国铁道科学研究院基础设施检测研究所 基于视频分析的高速接触网定位器坡度检测方法及设备
CN105674896A (zh) * 2016-01-29 2016-06-15 东莞市诺丽电子科技有限公司 基于三角测量的接触网几何参数动态检测方法
CN106504233A (zh) * 2016-10-18 2017-03-15 国网山东省电力公司电力科学研究院 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统
CN106919978A (zh) * 2017-01-18 2017-07-04 西南交通大学 一种高铁接触网支撑装置零部件识别检测方法
CN106679567A (zh) * 2017-02-14 2017-05-17 成都国铁电气设备有限公司 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
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
CN108009591A (zh) * 2017-12-14 2018-05-08 西南交通大学 一种基于深度学习的接触网关键部件识别方法
CN109407105A (zh) * 2018-10-15 2019-03-01 北京航天控制仪器研究所 一种接触网几何参数在线巡检系统的伺服控制装置
CN109360204A (zh) * 2018-11-28 2019-02-19 燕山大学 一种基于Faster R-CNN的多层金属点阵结构材料内部缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于深度学习的高铁接触网定位器检测与识别;陈东杰等;《中国科学技术大学学报》;20171231;第320-327页 *
基于级联Ｆａｓｔｅｒ Ｒ－ＣＮＮ的高铁接触网支撑装置等电位线故障检测;李长江等;《铁道学报》;20190630;第68-73页 *

Also Published As

Publication number Publication date
CN110490342A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN110490342B (zh) 一种基于Faster R-CNN的接触网静态几何参数检测方法
Liu et al. A review of applications of visual inspection technology based on image processing in the railway industry
Zhangyu et al. A camera and LiDAR data fusion method for railway object detection
CN109489584B (zh) 一种基于3d技术的隧道限界检测系统及隧道限界识别方法
CN108846331B (zh) 一种动车组底盘螺丝紧固件是否脱落的视频识别方法
CN111598952B (zh) 一种多尺度合作靶标设计与在线检测识别方法及系统
CN115482195B (zh) 一种基于三维点云的列车部件变形检测方法
CN103837087B (zh) 基于主动形状模型的受电弓自动检测方法
CN110736999B (zh) 基于激光雷达的铁路道岔检测方法
CN111768417B (zh) 基于单目视觉3d重建技术的铁路货车超限检测方法
CN107703513A (zh) 一种基于图像处理的新型非接触式接触网相对位置检测方法
CN113267135B (zh) 一种轨旁设备限界快速自动测量的装置及方法
CN111754460A (zh) 一种转辙机缺口自动检测方法、系统及存储介质
CN113448333A (zh) 基于传感器组合的底部巡检定位方法、装置及电子设备
CN110793501A (zh) 一种地铁隧道限界检测方法
Liu et al. Automatic detection and segmentation of laser stripes for industrial measurement
Zheng et al. Rail detection based on LSD and the least square curve fitting
CN115857040A (zh) 一种机车车顶异物动态视觉检测装置及方法
CN116626706A (zh) 轨道交通隧道侵限检测方法及系统
Ma et al. WeldNet: A deep learning based method for weld seam type identification and initial point guidance
CN113673011A (zh) 基于点云数据智能识别运营期隧道侵界的方法
CN116681912A (zh) 铁路道岔的轨距检测方法及装置
Liu et al. Research on security of key algorithms in intelligent driving system
CN116699643A (zh) 盾构隧道的错台检测方法、装置、设备及存储介质
CN110827240B (zh) 钢轨轮廓的定位方法及装置

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