CN110570415B - 一种高铁接触网吊弦不受力异常检测方法 - Google Patents
一种高铁接触网吊弦不受力异常检测方法 Download PDFInfo
- Publication number
- CN110570415B CN110570415B CN201910858970.8A CN201910858970A CN110570415B CN 110570415 B CN110570415 B CN 110570415B CN 201910858970 A CN201910858970 A CN 201910858970A CN 110570415 B CN110570415 B CN 110570415B
- Authority
- CN
- China
- Prior art keywords
- dropper
- extracting
- picture
- training
- skeleton
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高铁接触网吊弦不受力异常检测方法,包括以下步骤:提取吊弦主体图片,采用骨架获取算法提取吊弦骨架图;提取吊弦骨架图的关键点,计算相邻关键点组成的向量,计算相邻向量之间的余弦值;对计算的若干组余弦值使用优化算法训练获得训练模型,采用该模型进行吊弦异常检测。解决了使用霍夫变换直线拟合检测吊弦异常时精度低、易受阈值影响的问题,对于解决正负样本不平衡、训练数据匮乏等问题具有重要应用价值。
Description
技术领域
本发明涉及图像处理和模式识别技术领域,尤其是一种高铁接触网吊弦不受力异常检测方法。
背景技术
高速接触悬挂包括接触线、吊弦、承力索以及连接零件。吊弦是高铁接触网的重要组成部分,接触线通过吊弦悬挂在承力索上,利用调节吊弦的长度来保证接触线距轨面的高度,改善接触悬挂的弹性,调整接触线的弛度,以提高受电质量。高铁在运行过程中,由于受电弓与输电线的长期摩擦会导致经吊弦长期振荡,从而出现异常情况,包括吊弦不受力、吊弦散股、吊弦脱落等。吊弦缺陷将会对铁路的安全运行产生重大影响。因此,定期对吊弦的检测显得尤为重要。
4C检测车在夜间以较低的速度在高铁线路上行驶,监测车上的高清相机会从不同角度对接触网吊弦进行拍照。通过人工对拍摄的照片进行观察,可实现对异常吊弦进行定位与分析,形成维修建议,指导故障隐患的消缺,是接触网异常检测的重大突破。然而,现有的方法完全依赖人工对4C检测车所采集的图像进行观察吊弦人工巡检接触网耗时耗力。存在如下问题:(1)效率低,使用人工观察吊弦,需要首先将吊弦放在图像中间,然后操作图像使其放大,再进行观察,观察一张照片将花费3秒左右,非常耗时。(2)准确率低,使用人工观察时,准确率会受到人的主观误差影响,另外,人眼在长时间观察时,会存在疲劳,因而导致误差。
图像处理手段对吊弦的不受力检测是一个判断吊弦是否弯曲的问题,现阶段的研究通常使用霍夫变换来进行直线拟合,但霍夫变换是一个粗粒度的检测方法,检测的精度受限于阈值的选取。
发明内容
本发明的目的是提供一种高铁接触网吊弦不受力异常检测方法。解决了使用霍夫变换直线拟合检测吊弦异常时精度低、易受阈值影响的问题,对于解决正负样本不平衡、训练数据匮乏等问题具有重要应用价值。
为实现上述目的,本发明采用下述技术方案:
本发明提供了一种高铁接触网吊弦不受力异常检测方法,包括以下步骤:
提取吊弦主体图片,采用骨架获取算法提取吊弦骨架图;
提取吊弦骨架图的关键点,计算相邻关键点组成的向量,计算相邻向量之间的余弦值;
对计算的若干组余弦值使用优化算法训练获得训练模型,采用该模型进行吊弦异常检测。
进一步地,所述提取吊弦主体图片,采用骨架获取算法提取吊弦骨架图步骤之前,还包括:
对输入的吊弦图片进行缩放预处理;
对缩放预处理后的图片采用去噪算法和均衡算法。
进一步地,所述提取吊弦主体图片,采用骨架获取算法提取吊弦骨架图,具体包括:
对去噪后图片进行阈值分割,分离吊弦和背景,提取吊弦主体;
对吊弦主体图片依次采用距离变换、水平投影和垂直投影获取吊弦骨架图。
进一步地,所述对吊弦主体图片依次采用距离变换、水平投影和垂直投影获取吊弦骨架图,具体包括:
使用第一局部掩模和第二局部掩模对吊弦主体图像进行距离变换;
从左到右,遍历每一列像素,记录每一列像素最大值的坐标,该像素点记为水平投影点;
从上到下,遍历每一行像素,并记录每一行像素值最大的点,该点记为垂直投影点;
将获取的水平投影点和垂直投影点的像素值进行叠加,若像素值超过255,则将该点的像素值设置为255;
设定分割阈值点,通过阈值分割得到吊弦骨架图。
进一步地,所述提取吊弦骨架图的关键点,计算相邻关键点组成的向量,计算相邻向量之间的余弦值,具体包括:
间隔设置像素值N从上往下提取关键点,记录像素值为255的关键点坐标;
计算每两个相邻关键点组成的向量,设关键点K1=(u1,v1),K2=(u2,v2),K3=(u3,v3),由K1,K2,K3可以得出两个向量V1,V2,其中,V1=(u2-u1,v2-v1),V2=(u3-u2,v3-v2);
计算相邻向量之间的余弦夹角C1,C1=cos<V1,V2>。
进一步地,所述对计算的若干组余弦值使用优化算法训练获得训练模型,具体包括:
使用K-means算法将数据集中的若干组余弦值划分为K个不相交的子集;
对4C检测车自动采集的M个样本手工分类,正负样本数量比为1:1,训练SVM分类器,将吊弦正常的正样本标注为1,吊弦不受力的负样本标注为0;
进一步地,所述对4C检测车自动采集的M个样本手工分类,正负样本数量比为1:1,训练SVM分类器,具体包括:
将M个样本经过预处理、骨架提取、计算夹角余弦值和进行K-means聚类后得到M个长度为K的一维特征向量;
实例化sklearn中的SVM类,部分属性如下:kernel=‘rbf’,使用径向基函数作为核函数;shrinking=True,使用收缩启发式方法来加速训练;tol=1e-3,停止训练误差设置为10-3;
使用svm.SVC类中的fit(features,labels)方法开启SVM训练,其中features是M个长度为K的一维特征向量,labels是M个特征向量对应的标签;
待SVM模型收敛后,用joblib.dump()方法将模型保存,SVM模型训练完成。
进一步地,所述采用该模型进行吊弦异常检测,具体包括:
将输入图片经过预处理、骨架提取、计算夹角余弦值和进行K-means聚类后得到长度为K的一维特征向量;
使用joblib.load()方法加载训练好的SVM模型;
使用svm.SVC类中的predict()方法得到预测结果,输出值为1表示吊弦正常,输出值为0表示吊弦出现不受力异常。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
本发明提出了基于骨架的吊弦不受力检测方法,首先对图像进行预处理来降噪声和低光照的影响,对吊弦采用图像滤波,直方图均衡化来提高图像的质量;接下来,使用距离变换、水平投影和垂直投影获取吊弦的骨架图,解决了使用霍夫变换直线拟合检测吊弦异常时精度低、易受阈值影响的问题。
本发明获取吊弦的关键点,计算相邻关键点的组成向量的夹角余弦并使用k-means算法进行聚类;最后,使用SVM对聚类之后的特征进行分类,判断吊弦是否处于异常。该方法对于解决正负样本不平衡、训练数据匮乏等问题具有重要应用价值。采用实施例方法,在11456张样本中随机抽取1000张图片测试,最终该方法检测的精度为97.6%,每张图片的检测时间约为0.15s。本发明提出的方案具有极高的检测精度和检测速度,相较于现有技术,本发明具有突出的实质性特点和显著的技术进步。
附图说明
图1是本发明实施例一方法流程图;
图2是本发明实施例二方法流程图;
图3是实施例二步骤S3方法流程图;
图4是实施例二步骤S32方法流程图;
图5是掩模形状示意图;
图6是实施例二步骤S4方法流程图;
图7是实施例二步骤S5方法流程图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例一
如图1所示,一种高铁接触网吊弦不受力异常检测方法,包括以下步骤:
S1、提取吊弦主体图片,采用骨架获取算法提取吊弦骨架图;
S2、提取吊弦骨架图的关键点,计算相邻关键点组成的向量,计算相邻向量之间的余弦值;
S3、对计算的若干组余弦值使用优化算法训练获得训练模型,采用该模型进行吊弦异常检测。
实施例二
如图2所示,一种高铁接触网吊弦不受力异常检测方法,包括以下步骤:
S1、对输入的吊弦图片进行缩放预处理。
S2、对缩放预处理后的图片采用去噪算法和均衡算法。
S3、提取吊弦主体图片,采用骨架获取算法提取吊弦骨架图。
S4、提取吊弦骨架图的关键点,计算相邻关键点组成的向量,计算相邻向量之间的余弦值。
S5、对计算的若干组余弦值使用优化算法训练获得训练模型,采用该模型进行吊弦异常检测。
步骤S1中,对输入的吊弦图片进行缩放预处理,具体包括:对输入吊弦图片进行预处理,将图片缩放至150*450分辨率。保证吊弦原有比例,又保证了算法的计算效率。
步骤S2中,对缩放预处理后的图片采用去噪算法和均衡算法,具体包括:对图像使用高斯滤波滤去图片噪声,使用直方图均衡化解决光照变化在吊弦不受力异常检测中的影响。
另一个实施例里,使用双边滤波去除图片噪声,使图像在正常高斯滤波后很模糊的边缘信息得以保持清晰,并且图像边缘更加平滑。具体公式如下,
Wij为当前像素权值,Pij为当前像素信息,Pi为当前像素领域均值;Cij为当前像素位置信息,Ci为当前像素的平均位置信息,σ1与σ2分别为当前像素信息和当前像素的标准差。
直方图均衡化,把原始图的直方图变换为均匀分布的形式,增加像素灰度值的动态范围,从而达到增强图像整体对比度的效果,从而提高检测的结果。直方图均衡化可以用以下公式表示,
其中,MN为图像像素总数,nk是灰度为rk的像素个数,L是图像灰度级数量(例如对于8比特图像L=256),通过该式,输出图像中像素的灰度值可由输入图像中像素灰度rk映射为sk后得到。
如图3所示,步骤S3中,所述提取吊弦主体图片,采用骨架获取算法提取吊弦骨架图,具体包括:
S31、对去噪后图片进行阈值分割,分离吊弦和背景,提取吊弦主体;
S32、对吊弦主体图片依次采用距离变换、水平投影和垂直投影获取吊弦骨架图。
步骤S31中,对去噪后图片进行阈值分割,分离吊弦和背景,提取吊弦主体,由于目标和背景有较强对比,本发明中采用的方法是固定阈值分割,设原始图像f(x,y),T为阈值,分割图像时则满足下式:
其中,阈值T在设置为3,表示像素的灰度值大于等于3的全部置为255,表示吊弦像素;其余的全部置为0,表示背景。
如图4所示,步骤S32中,对吊弦主体图片依次采用距离变换、水平投影和垂直投影获取吊弦骨架图,具体包括:
S321、使用第一局部掩模和第二局部掩模对吊弦主体图像进行距离变换。
图像距离变换,距离变换实现了像素与图像区域的距离变换,使得最后生成的图像在该元素位置处的灰度值为0,临近的像素具有较小的值,且随着距离的增大,灰度值增大。
该方法使用两个如下图所示的局部掩模进行距离变换。第一遍利用掩模1,左上角开始,从左往右,从上往下。第二遍利用第二个掩模,右下角开始,从右往左,从下往上。掩模形状如图5所示,
本方法首先定p,q集合,
p∈{1,2,4,7,x|·x=坐标像素值},q∈{3,6,8,9,x|x=坐标像素值}
使用街区距离,其表达式如下,D4(x,y)=|u1-u2|+|v1-v2|
其中x像素坐标为(u1,v1),y的像素坐标为(u2,v2)。符号D4中的4表示像素点是4邻接的,即每个点只与它的上、下、左、右相邻的4个点之间的距离为1,与其他点的距离为0。
按照上述D4距离对大小M*N的图像中的区域块作距离变换,算法过程如下:
1.建立一个大小为M*N的数组F,将区域块中的元素设置为0,其余元素设置为无穷。
2.利用掩膜1,从左上角开始,从左往右从上往下遍历数组,将掩膜中P点对应的元素值做以下更新:
3.利用掩膜2,右下角开始,从右往左从下往上遍历数组,将掩膜中P点对应的元素做如下更新:
最终得到更新后的数组即为距离变换的结果。
S322、从左到右,遍历每一列像素,记录每一列像素最大值的坐标,该像素点记为水平投影点;
S323、从上到下,遍历每一行像素,并记录每一行像素值最大的点,该点记为垂直投影点;
水平和垂直投影来提取阈值分割图中吊弦的骨架。经过距离变换后,阈值分割图中的吊弦区域会的像素值不再全部是255,像素值会从吊弦中间向两侧逐渐减少。
S324、将获取的水平投影点和垂直投影点的像素值进行叠加,若像素值超过255,则将该点的像素值设置为255;
S325、设定分割阈值点,通过阈值分割得到吊弦骨架图。
本实施例里设置阈值为5,得到吊弦的骨架图,骨架图每行或者每列的像素值为255的像素个数为1。
如图6所示,步骤S4中,所述提取吊弦骨架图的关键点,计算相邻关键点组成的向量,计算相邻向量之间的余弦值,具体包括:
S41、间隔设置像素值15从上往下提取关键点,记录像素值为255的关键点坐标。
本实施例设置每隔15个像素提取一个关键点,表示如下,K=(0}∪{15i-1,··i=1,2,····,30)其中K表示关键点集合,为像素坐标,i为设置的间隔,值为15。如果选取的间隔过小,会导致夹角余弦值的计算值偏大,从而导致算法的灵敏度太高,会将一些正常的分类错误。如果间隔太大,会导致灵敏度太低,会降低检测的精度。经过多次试验,间隔设置为15是一个合理的值。
提取关键点,从上往遍历每一行像素,如果该行的像素值为255的像素个数为1,记录该像素值为255的像素坐标。为按照上述公式,提取下一个关键点,算法完成时,一共可以得到30个关键点。
S42、计算每两个相邻关键点组成的向量,设关键点K1=(u1,v1),K2=(u2,v2),K3=(u3,v3),由K1,K2,K3可以得出两个向量V1,V2,其中,V1=(u2-u1,v2-v1),V2=(u3-u2,v3-v2);
S43、计算相邻向量之间的余弦夹角C1,C1=cos<V1,V2>。
提取出的30个关键点可以计算出29个向量,29个向量计算每两个相邻向量的余弦值,一共可以得出28个夹角余弦值。
如图7所示,步骤S5中,所述对计算的若干组余弦值使用优化算法训练获得训练模型,具体包括:
S51、使用K-means算法将数据集中的28个余弦值划分为10个不相交的子集;
算法描述如下,已知观测集(x1,x2,…,xn),其中每个观测是一个d维实向量。K-means要把这n个观测划分到k个集合中(k≤n),使得组内平方和最小。目标是找到使得下式满足聚类Si
其中μi是Si中所有点的均值,这里的k设置为10。
S52、对4C检测车自动采集的2000个样本手工分类,正负样本数量比为1:1训练SVM分类器,将吊弦正常的正样本标注为1,吊弦不受力的负样本标注为0。
具体的,将2000个样本经过预处理、骨架提取、计算夹角余弦值和进行K-means聚类后得到M个长度为10的一维特征向量;
实例化sklearn中的SVM类,部分属性如下:kernel=‘rbf’,使用径向基函数作为核函数;shrinking=True,使用收缩启发式方法来加速训练;tol=1e-3,停止训练误差设置为10-3;
使用svm.SVC类中的fit(features,labels)方法开启SVM训练,其中features是2000个长度为10的一维特征向量,labels是2000个特征向量对应的标签;
待SVM模型收敛后,用joblib.dump()方法将模型保存,SVM模型训练完成。
步骤S5中,所述采用该模型进行吊弦异常检测,具体包括:
将输入图片经过预处理、骨架提取、计算夹角余弦值和进行K-means聚类后得到长度为10的一维特征向量;
使用joblib.load()方法加载训练好的SVM模型;
使用svm.SVC类中的predict()方法得到预测结果,输出值为1表示吊弦正常,输出值为0表示吊弦出现不受力异常。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (1)
1.一种高铁接触网吊弦不受力异常检测方法,其特征是,包括以下步骤:
提取吊弦主体图片,采用骨架获取算法提取吊弦骨架图;
提取吊弦骨架图的关键点,计算相邻关键点组成的向量,计算相邻向量之间的余弦值;
对计算的若干组余弦值使用优化算法训练获得训练模型,采用该模型进行吊弦异常检测;
所述提取吊弦主体图片,采用骨架获取算法提取吊弦骨架图步骤之前,还包括:
对输入的吊弦图片进行缩放预处理;
对缩放预处理后的图片采用去噪算法和均衡算法;
所述提取吊弦主体图片,采用骨架获取算法提取吊弦骨架图,具体包括:
对去噪后图片进行阈值分割,分离吊弦和背景,提取吊弦主体;
对吊弦主体图片依次采用距离变换、水平投影和垂直投影获取吊弦骨架图;
所述对吊弦主体图片依次采用距离变换、水平投影和垂直投影获取吊弦骨架图,具体包括:
使用第一局部掩模和第二局部掩模对吊弦主体图像进行距离变换;
从左到右,遍历每一列像素,记录每一列像素最大值的坐标,该像素点记为水平投影点;
从上到下,遍历每一行像素,并记录每一行像素值最大的点,该点记为垂直投影点;
将获取的水平投影点和垂直投影点的像素值进行叠加,若像素值超过255,则将该点的像素值设置为255;
设定分割阈值点,通过阈值分割得到吊弦骨架图;
所述提取吊弦骨架图的关键点,计算相邻关键点组成的向量,计算相邻向量之间的余弦值,具体包括:
间隔设置像素值N从上往下提取关键点,记录像素值为255的关键点坐标;
计算每两个相邻关键点组成的向量,设关键点K1=(u1,v1),K2=(u2,v2),K3=(u3,v3),由K1,K2,K3可以得出两个向量V1,V2,其中,V1=(u2-u1,v2-v1),V2=(u3-u2,v3-v2);
计算相邻向量之间的余弦夹角C1,C1=cos<V1,V2>;
所述对计算的若干组余弦值使用优化算法训练获得训练模型,具体包括:
使用K-means算法将数据集中的若干组余弦值划分为K个不相交的子集;
对4C检测车自动采集的M个样本手工分类,正负样本数量比为1∶1,训练SVM分类器,将吊弦正常的正样本标注为1,吊弦不受力的负样本标注为0;
所述对4C检测车自动采集的M个样本手工分类,正负样本数量比为1∶1,训练SVM分类器,具体包括:
将M个样本经过预处理、骨架提取、计算夹角余弦值和进行K-means聚类后得到M个长度为K的一维特征向量;
实例化sklearn中的SVM类,部分属性如下:kernel=‘rbf’,使用径向基函数作为核函数;shrinking=True,使用收缩启发式方法来加速训练;tol=1e-3,停止训练误差设置为10-3;
使用svm.SVC类中的fit(features,labels)方法开启SVM训练,其中features是M个长度为K的一维特征向量,labels是M个特征向量对应的标签;
待SVM模型收敛后,用joblib.dump()方法将模型保存,SVM模型训练完成;
所述采用该模型进行吊弦异常检测,具体包括:
将输入图片经过预处理、骨架提取、计算夹角余弦值和进行K-means聚类后得到长度为K的一维特征向量;
使用joblib.load()方法加载训练好的SVM模型;
使用svm.SVC类中的predict()方法得到预测结果,输出值为1表示吊弦正常,输出值为0表示吊弦出现不受力异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910858970.8A CN110570415B (zh) | 2019-09-11 | 2019-09-11 | 一种高铁接触网吊弦不受力异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910858970.8A CN110570415B (zh) | 2019-09-11 | 2019-09-11 | 一种高铁接触网吊弦不受力异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570415A CN110570415A (zh) | 2019-12-13 |
CN110570415B true CN110570415B (zh) | 2023-04-07 |
Family
ID=68779222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910858970.8A Active CN110570415B (zh) | 2019-09-11 | 2019-09-11 | 一种高铁接触网吊弦不受力异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570415B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669302B (zh) * | 2020-12-30 | 2023-07-28 | 北京市商汤科技开发有限公司 | 吊弦缺陷检测方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866865A (zh) * | 2015-05-11 | 2015-08-26 | 西南交通大学 | 一种基于dhog和离散余弦变换的接触网平衡线故障检测方法 |
CN105550710A (zh) * | 2015-12-17 | 2016-05-04 | 西安电子科技大学 | 基于非线性拟合的接触网运行异常状态智能检测方法 |
CN108256483A (zh) * | 2018-01-18 | 2018-07-06 | 湖南华宏铁路高新科技开发有限公司 | 一种基于图像处理的电气化铁路接触网吊弦检测方法 |
CN108734687A (zh) * | 2017-04-21 | 2018-11-02 | 游诚曦 | 一种斜拉线不受力缺陷识别方法及装置 |
CN109813722A (zh) * | 2019-03-12 | 2019-05-28 | 武汉武大卓越科技有限责任公司 | 接触网吊弦缺陷检测方法 |
-
2019
- 2019-09-11 CN CN201910858970.8A patent/CN110570415B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866865A (zh) * | 2015-05-11 | 2015-08-26 | 西南交通大学 | 一种基于dhog和离散余弦变换的接触网平衡线故障检测方法 |
CN105550710A (zh) * | 2015-12-17 | 2016-05-04 | 西安电子科技大学 | 基于非线性拟合的接触网运行异常状态智能检测方法 |
CN108734687A (zh) * | 2017-04-21 | 2018-11-02 | 游诚曦 | 一种斜拉线不受力缺陷识别方法及装置 |
CN108256483A (zh) * | 2018-01-18 | 2018-07-06 | 湖南华宏铁路高新科技开发有限公司 | 一种基于图像处理的电气化铁路接触网吊弦检测方法 |
CN109813722A (zh) * | 2019-03-12 | 2019-05-28 | 武汉武大卓越科技有限责任公司 | 接触网吊弦缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
《高速铁路接触网系统参数及腕臂和定位装置优化研究》;罗健;《工程科技Ⅱ辑》;20181215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110570415A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972329B (zh) | 基于图像处理的表面缺陷检测仪的图像增强方法及系统 | |
CN110543837B (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
CN109800824B (zh) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 | |
CN110334706B (zh) | 一种图像目标识别方法及装置 | |
CN110264448B (zh) | 一种基于机器视觉的绝缘子故障检测方法 | |
CN108009518A (zh) | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 | |
CN109840483B (zh) | 一种滑坡裂缝检测与识别的方法及装置 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN109785301B (zh) | 一种基于图像处理的钢轨波磨周期评估方法 | |
CN111311567A (zh) | 对轨道线路图像进行扣件和钢轨病害识别的方法 | |
CN111027377B (zh) | 一种双流神经网络时序动作定位方法 | |
CN111079821A (zh) | 一种脱轨自动制动拉环脱落故障图像识别方法 | |
CN114581692B (zh) | 一种基于智能图形识别的防振锤故障检测方法及系统 | |
Lin et al. | Image segmentation using the k-means algorithm for texture features | |
CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
CN114648806A (zh) | 一种多机制自适应的眼底图像分割方法 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN110570415B (zh) | 一种高铁接触网吊弦不受力异常检测方法 | |
CN116030396A (zh) | 一种用于视频结构化提取的精确分割方法 | |
CN112668725A (zh) | 一种基于改进特征的金属洗手盆缺陷目标训练方法 | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN116188786B (zh) | 一种肝胆管及胆道结石的图像分割系统 | |
CN116977931A (zh) | 一种基于深度学习的高空抛物识别方法 | |
CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
CN116524269A (zh) | 一种视觉识别检测系统 |
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 |