CN110781758A - 一种受电弓结构异常动态视频监测方法及装置 - Google Patents
一种受电弓结构异常动态视频监测方法及装置 Download PDFInfo
- Publication number
- CN110781758A CN110781758A CN201910934442.6A CN201910934442A CN110781758A CN 110781758 A CN110781758 A CN 110781758A CN 201910934442 A CN201910934442 A CN 201910934442A CN 110781758 A CN110781758 A CN 110781758A
- Authority
- CN
- China
- Prior art keywords
- pantograph
- picture
- bracket
- monitoring
- video
- 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
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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种受电弓结构异常动态视频监测方法及装置,其中方法包括:步骤S1:获取训练集监控视频,提取受电弓图片,识别出受电弓和受电弓支架,并根据识别出的受电弓和受电弓支架标记各受电弓图片;步骤S2:将标记好的受电弓图片作为训练集数据,建立并训练SSD目标检测模型;步骤S3:采集受电弓监控视频,并基于采集的受电弓监控视频提取受电弓图片,并将得到的受电弓图片输入训练好的SSD目标检测模型得到检测结果。与现有技术相比,本发明提高了检测的泛化性和稳定性。
Description
技术领域
本发明涉及电力机车受电弓故障检测领域,尤其是涉及一种受电弓结构异常动态视频监测方法及装置。
背景技术
受电弓位于电动机车车顶,从接触网中提取能量,为车辆提供电能。在机车运行过程中,受电弓可能会出现结构异常、异物入侵、弓网电火花、滑板偏磨等问题。由于当前电力机车采用大电流供电,受电弓出现问题,会影响设备的寿命和性能,引起车辆损坏和系统故障,造成较大的损失。
现有的通过视频对受电弓相关故障进行图像检测的方法,主要采用YOLO算法和Faster R-CNN算法。YOLO算法虽然运算速度快,但存在定位精度不高的缺点,且难以检测小目标;采用Faster R-CNN算法虽然能提高准确度,但是存在检测速度较慢的缺点。
现有的受电弓故障视频监控系统中算法和训练模型的使用方式,一般是直接在开发板或者视频监控系统中建立并训练,存在以下缺陷:开发板或者视频监控系统中的处理速度和存储空间等性能与计算机相比较弱,限制了模型的训练速度和检测准确度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种受电弓结构异常动态视频监测方法及装置,可以快速且准确地对电力机车受电弓的故障进行图像检测。
本发明的目的可以通过以下技术方案来实现:
一种受电弓结构异常动态视频监测方法,包括:
步骤S1:获取训练集监控视频,提取受电弓图片,识别出受电弓和受电弓支架,并根据识别出的受电弓和受电弓支架标记各受电弓图片;
步骤S2:将标记好的受电弓图片作为训练集数据,建立并训练SSD目标检测模型;
步骤S3:采集受电弓监控视频,并基于采集的受电弓监控视频提取受电弓图片,并将得到的受电弓图片输入训练好的SSD目标检测模型得到检测结果。
所述步骤S1包括:
步骤S11:获取训练集监控视频,并提取得到受电弓图片,其中,每张受电弓图片中包含1个完整的受电弓目标和1个完整的受电弓支架目标;
步骤S12:对于每一张受电弓图片,别出受电弓和受电弓支架,并根据识别出的受电弓和受电弓支架标记各受电弓图片。
所述训练集监控视频拍摄的时间包括白天和夜晚,天气包括雨天、雾天和雪天。
所述步骤S2中使用与受电弓宽高比匹配的锚框来逐步滑动扫描整个图像,并使用GPU、CUDA和cuDNN加快检测速度。
所述步骤S3具体包括:
步骤S31:采集受电弓监控视频,并基于采集的受电弓监控视频提取受电弓图片,并将得到的受电弓图片输入训练好的SSD目标检测模型;
步骤S32:由SSD目标检测模型输出置信度最高的受电弓以及受电弓支架的区域:;
步骤S33:分别对受电弓区域和受电弓支架区域进行灰度化、Canny边缘检测、Hough直线检测,分别得到受电弓和受电弓支架与水平线的倾角,若倾角大于正常值则判定结构异常。
一种受电弓结构异常动态视频监测装置,包括监控摄像头、处理器、存储器,以及存储于存储器中、并由所述处理器执行的程序,所述处理器执行所述程序时实现以下步骤:
步骤S1:获取训练集监控视频,提取受电弓图片,识别出受电弓和受电弓支架,并根据识别出的受电弓和受电弓支架标记各受电弓图片;
步骤S2:将标记好的受电弓图片作为训练集数据,建立并训练SSD目标检测模型;
步骤S3:采集受电弓监控视频,并基于采集的受电弓监控视频提取受电弓图片,并将得到的受电弓图片输入训练好的SSD目标检测模型得到检测结果。
与现有技术相比,本发明具有以下有益效果:
1)监控视频采集的图像种类更多,训练样本集更加丰富,提高了检测的泛化性和稳定性。
2)改进检测算法,在保证检测准确度的同时,提高了检测的速度。
3)能高效、完整地调用训练后的模型,不占用监控系统的资源。
4)检测受电弓和受电弓支架与水平线的倾角,对受电弓故障进行更细致地检测,进一步保证受电弓的健康状况。
附图说明
图1为本发明方法的主要步骤流程示意图;
图2是本发明一种快速准确的受电弓结构异常动态视频监测方法的整体流程图;
图3为本发明实施中使用的SSD目标检测网络结构图;
图4为本发明实施中使用的SSD目标检测网络的高层特征提取示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种受电弓结构异常动态视频监测方法,该方法由计算机系统实现,如图1和图2所示,包括:
步骤S1:获取训练集监控视频,提取受电弓图片,识别出受电弓和受电弓支架,并根据识别出的受电弓和受电弓支架标记各受电弓图片,包括:
步骤S11:获取训练集监控视频,并提取得到受电弓图片,其中,每张受电弓图片中包含1个完整的受电弓目标和1个完整的受电弓支架目标,其中,训练集监控视频拍摄的时间包括白天和夜晚,天气包括雨天、雾天和雪天;
步骤S12:对于每一张受电弓图片,别出受电弓和受电弓支架,并根据识别出的受电弓和受电弓支架标记各受电弓图片。
具体的,首先通过可视化图像标定工具Labellmg处理视频监控采集的每一帧图片,标注受电弓与支架,生成PASCAL VOC格式的.xml文件,然后通过编写一个.py脚本文件将.xml文件批量转换为TFRecord格式文件,统一存储数据并生成训练样本集。
步骤S2:将标记好的受电弓图片作为训练集数据,建立并训练SSD目标检测模型,其中,使用与受电弓宽高比匹配的锚框来逐步滑动扫描整个图像,并使用GPU、CUDA和cuDNN加快检测速度。
具体的,主要包括如下步骤:
步骤S21:需要建立SSD目标检测模型并进行改进提速,采用基本SSD模型和MobileNet网络结合的方法对中型占比目标进行检测。
首先如图3所示,基本的SSD模型是在VGG网络模型的基础上增加了新的网络层,并通过特征金字塔进行特征逐层提取,融合不同的卷积层特征图增强网络对特征的表达能力,并采用多尺度卷积检测进行目标检测,提高检测速度。多尺度算法的公式如下。
Tn=Sn(Tn-1)=Sn(Sn-1(…S1(I))) (1)
R=D(dn(Tn),…dn-k(Tn-k)),n>k>0 (2)
式中,Tn表示第n层特征图,Sn表示第n-1层特征图经过非线性运算得到的第n层特征图,S1(I)表示输入图像I经过非线性运算得到的第一层特征图;dn(.)表示第n层特征图上检测的结果,D(.)表示集合化所有检测的中间结果得到最终结果。
其次,要对获取到各层特征信息的金字塔层进行目标的分类和定位,主要使用两个损失算法:分类损失Lconf和预测框的定位损失Lloc,具体公式如下。
在公式中,N表示与默认框匹配的预测框的数量,α是用于调整置信度损失和位置损失之间的比例,默认为1,i表示第i个默认框,j表示第j个真实框,p表示第p个类,g表示真实框,I表示预测框,d表示默认框,为第i个预测框匹配到了第j个类别为p的真实框,c为置信度,l为模型输出的预测框,w为预测框的宽度。
在模型训练时,真实框与预测框按如下方式进行匹配:(1)寻找与每一个真实框存在最大交并比的预测框,保证每一个真实框与唯一一个预测框对应起来。(2)没有配对的预测框与任意真实框尝试配对,若交并比大于阈值,即可以完成配对(3)成功与真实框配对的认定为正样本,没有配对的认定为负样本。
再次,本发明应用的SSD和MobileNet结合网络模型针对于中型占比的目标进行检测,需要提取多个高层特征层信息,对参数再训练来提高对中等目标的检测能力。如图3所示,分别获取SSD模型中的Fc7层,Conv8_2层,Conv9_2层,Conv10_2层Conv11_2层特征图信息,通过处理策略对检测结果进行筛选并输出,同时基于再训练的参数进行特征提取,通过多轮迭代以及参数调整优化模型。
步骤S22:离线使用Tensorflow框架训练模型。
在Ubuntu16.04系统下搭建Anaconda+IDE+TensorFlow集成环境和GPU+CUDA+cuDNN加速训练环境,训练迭代50000次,初始学习率为0.0002,并采用衰减学习率,对目标检测网络模型进行离线训练,充分利用计算机资源与时间资源,提高训练效率。
其中,计算机的硬件配置为:处理器(CPU)型号为Inter Core i5-9400F显卡(GPU)型号为Geforce GTX 1660Ti;各软件版本为:CUDA10.1,cuDNN7.6.2,python3.6,Tensorflow-gpu1.13。
步骤S23:将训练好的SSD模型保存为.pb文件,并存储在动态视频监控系统的SD卡中。然后,通过C++编程文件调用视频监控,采集每一帧图像。同时,调用OpenCV DNN模块加载训练好的网络模型,将采集的图像数据喂入SSD网络模型,执行前向传播过程,实现实时检测。
步骤S3:控制监控摄像头采集受电弓监控视频,并基于采集的受电弓监控视频提取受电弓图片,并将得到的受电弓图片输入训练好的SSD目标检测模型得到检测结果,具体的,包括:
步骤S31:采集受电弓监控视频,并基于采集的受电弓监控视频提取受电弓图片,并将得到的受电弓图片输入训练好的SSD目标检测模型;
步骤S32:由SSD目标检测模型输出置信度最高的受电弓以及受电弓支架的区域:;
步骤S33:首先对步骤S4检测到的置信度最高的受电弓和受电弓支架区域进行灰度化处理。
然后通过Canny算法进行边缘检测。先通过高斯模糊去除噪声,降低伪边缘识别;再计算梯度幅值和方向,用边缘差分算子算出水平和垂直方向的差分Gx和Gy,计算出梯度的模和方向。算法公式如下所示。
θ=atan2(Gy,Gx) (2)
梯度的角度θ范围为-π到π,可以分割成水平、垂直、两个对角线四个方向;计算完梯度幅值和方向后,进行非最大值抑制来细化边缘;再采用高低双阈值来区分边缘像素,边缘梯度值大于高阈值为强边缘点,小于高阈值大于低阈值为弱边缘点,小于低阈值则抑制掉;最后进行滞后边界跟踪,检查弱边缘点连通区域是否有强边缘点存在,若有,则可以作为真边缘保留。
检测出边缘后,通过霍夫变换(Hough)进行直线检测,得到受电弓和受电弓支架各自的直线段。先得到图像边缘信息;然后对边缘上的每一个点在方程y0=kx0+b的参数空间(k,b)中画出直线,直线的交点即为平面X-Y中的直线段,每有一条直线穿过该交点则该点的值累计加一;最后,遍历参数空间(k,b)并找出局部最大值的点,其k,b值确定原图像的直线段。
最后,测量计算受电弓和受电弓支架与水平线之间的弧度大小,将弧度转换为角度,判断角度是否超出正常范围,如果超出,则发生结构异常,输出报警。弧度转角度公式如下:
Claims (10)
1.一种受电弓结构异常动态视频监测方法,其特征在于,包括:
步骤S1:获取训练集监控视频,提取受电弓图片,识别出受电弓和受电弓支架,并根据识别出的受电弓和受电弓支架标记各受电弓图片;
步骤S2:将标记好的受电弓图片作为训练集数据,建立并训练SSD目标检测模型;
步骤S3:采集受电弓监控视频,并基于采集的受电弓监控视频提取受电弓图片,并将得到的受电弓图片输入训练好的SSD目标检测模型得到检测结果。
2.根据权利要求1所述的一种受电弓结构异常动态视频监测方法,其特征在于,所述步骤S1包括:
步骤S11:获取训练集监控视频,并提取得到受电弓图片,其中,每张受电弓图片中包含1个完整的受电弓目标和1个完整的受电弓支架目标;
步骤S12:对于每一张受电弓图片,别出受电弓和受电弓支架,并根据识别出的受电弓和受电弓支架标记各受电弓图片。
3.根据权利要求2所述的一种受电弓结构异常动态视频监测方法,其特征在于,所述训练集监控视频拍摄的时间包括白天和夜晚,天气包括雨天、雾天和雪天。
4.根据权利要求1所述的一种受电弓结构异常动态视频监测方法,其特征在于,所述步骤S2中使用与受电弓宽高比匹配的锚框来逐步滑动扫描整个图像,并使用GPU、CUDA和cuDNN加快检测速度。
5.根据权利要求1所述的一种受电弓结构异常动态视频监测方法,其特征在于,所述步骤S3具体包括:
步骤S31:采集受电弓监控视频,并基于采集的受电弓监控视频提取受电弓图片,并将得到的受电弓图片输入训练好的SSD目标检测模型;
步骤S32:由SSD目标检测模型输出置信度最高的受电弓以及受电弓支架的区域:;
步骤S33:分别对受电弓区域和受电弓支架区域进行灰度化、Canny边缘检测、Hough直线检测,分别得到受电弓和受电弓支架与水平线的倾角,若倾角大于正常值则判定结构异常。
6.一种受电弓结构异常动态视频监测装置,其特征在于,包括监控摄像头、处理器、存储器,以及存储于存储器中、并由所述处理器执行的程序,所述处理器执行所述程序时实现以下步骤:
步骤S1:获取训练集监控视频,提取受电弓图片,识别出受电弓和受电弓支架,并根据识别出的受电弓和受电弓支架标记各受电弓图片;
步骤S2:将标记好的受电弓图片作为训练集数据,建立并训练SSD目标检测模型;
步骤S3:采集受电弓监控视频,并基于采集的受电弓监控视频提取受电弓图片,并将得到的受电弓图片输入训练好的SSD目标检测模型得到检测结果。
7.根据权利要求6所述的一种受电弓结构异常动态视频监测装置,其特征在于,所述步骤S1包括:
步骤S11:获取训练集监控视频,并提取得到受电弓图片,其中,每张受电弓图片中包含1个完整的受电弓目标和1个完整的受电弓支架目标;
步骤S12:对于每一张受电弓图片,别出受电弓和受电弓支架,并根据识别出的受电弓和受电弓支架标记各受电弓图片。
8.根据权利要求7所述的一种受电弓结构异常动态视频监测装置,其特征在于,所述训练集监控视频拍摄的时间包括白天和夜晚,天气包括雨天、雾天和雪天。
9.根据权利要求6所述的一种受电弓结构异常动态视频监测装置,其特征在于,所述步骤S2中使用与受电弓宽高比匹配的锚框来逐步滑动扫描整个图像,并使用GPU、CUDA和cuDNN加快检测速度。
10.根据权利要求6所述的一种受电弓结构异常动态视频监测装置,其特征在于,所述步骤S3具体包括:
步骤S31:采集受电弓监控视频,并基于采集的受电弓监控视频提取受电弓图片,并将得到的受电弓图片输入训练好的SSD目标检测模型;
步骤S32:由SSD目标检测模型输出置信度最高的受电弓以及受电弓支架的区域:;
步骤S33:分别对受电弓区域和受电弓支架区域进行灰度化、Canny边缘检测、Hough直线检测,分别得到受电弓和受电弓支架与水平线的倾角,若倾角大于正常值则判定结构异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910934442.6A CN110781758A (zh) | 2019-09-29 | 2019-09-29 | 一种受电弓结构异常动态视频监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910934442.6A CN110781758A (zh) | 2019-09-29 | 2019-09-29 | 一种受电弓结构异常动态视频监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110781758A true CN110781758A (zh) | 2020-02-11 |
Family
ID=69384743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910934442.6A Pending CN110781758A (zh) | 2019-09-29 | 2019-09-29 | 一种受电弓结构异常动态视频监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781758A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487561A (zh) * | 2021-07-02 | 2021-10-08 | 成都唐源电气股份有限公司 | 基于灰度梯度异常投票的受电弓异物检测方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104316782A (zh) * | 2014-09-26 | 2015-01-28 | 苏州华兴致远电子科技有限公司 | 受电弓监测方法及系统 |
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 |
JP2016192863A (ja) * | 2015-03-31 | 2016-11-10 | 公益財団法人鉄道総合技術研究所 | パンタグラフの異状検出装置、検出方法、及び、パンタグラフ異状検出時の対処方法 |
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 |
CN108288055A (zh) * | 2018-03-14 | 2018-07-17 | 台州智必安科技有限责任公司 | 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 |
CN109376609A (zh) * | 2018-09-27 | 2019-02-22 | 易讯科技股份有限公司 | 受电弓磨耗的识别方法、装置及智能终端 |
EP3450244A1 (en) * | 2016-04-27 | 2019-03-06 | Hitachi, Ltd. | Electric railway vehicle driving system and vehicle driving method |
CN110059631A (zh) * | 2019-04-19 | 2019-07-26 | 中铁第一勘察设计院集团有限公司 | 接触网非接触式监测缺陷识别方法 |
CN110135273A (zh) * | 2019-04-19 | 2019-08-16 | 中铁第一勘察设计院集团有限公司 | 接触网视频图像云端智能监测与故障识别方法 |
-
2019
- 2019-09-29 CN CN201910934442.6A patent/CN110781758A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104316782A (zh) * | 2014-09-26 | 2015-01-28 | 苏州华兴致远电子科技有限公司 | 受电弓监测方法及系统 |
JP2016192863A (ja) * | 2015-03-31 | 2016-11-10 | 公益財団法人鉄道総合技術研究所 | パンタグラフの異状検出装置、検出方法、及び、パンタグラフ異状検出時の対処方法 |
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 |
EP3450244A1 (en) * | 2016-04-27 | 2019-03-06 | Hitachi, Ltd. | Electric railway vehicle driving system and vehicle driving method |
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 |
CN108288055A (zh) * | 2018-03-14 | 2018-07-17 | 台州智必安科技有限责任公司 | 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 |
CN109376609A (zh) * | 2018-09-27 | 2019-02-22 | 易讯科技股份有限公司 | 受电弓磨耗的识别方法、装置及智能终端 |
CN110059631A (zh) * | 2019-04-19 | 2019-07-26 | 中铁第一勘察设计院集团有限公司 | 接触网非接触式监测缺陷识别方法 |
CN110135273A (zh) * | 2019-04-19 | 2019-08-16 | 中铁第一勘察设计院集团有限公司 | 接触网视频图像云端智能监测与故障识别方法 |
Non-Patent Citations (2)
Title |
---|
LUONAN CHANG 等: "On-line Detection of Pantograph Offset Based on Deep Learning", 《2018 IEEE 3RD OPTOELECTRONICS GLOBAL CONFERENCE (OGC)》 * |
赵环宇: "车载接触网运行状态检测装置研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487561A (zh) * | 2021-07-02 | 2021-10-08 | 成都唐源电气股份有限公司 | 基于灰度梯度异常投票的受电弓异物检测方法及装置 |
CN113487561B (zh) * | 2021-07-02 | 2023-06-30 | 成都唐源电气股份有限公司 | 基于灰度梯度异常投票的受电弓异物检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
CN109344753A (zh) | 一种基于深度学习的航拍图像输电线路细小金具识别方法 | |
CN109489724B (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
Zhou et al. | Exploring faster RCNN for fabric defect detection | |
CN111080691A (zh) | 一种光伏组件红外热斑检测方法、装置 | |
CN114049624B (zh) | 一种基于机器视觉的船舶舱室智能检测方法及系统 | |
CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
CN112419261B (zh) | 具有异常点去除功能的视觉采集方法及装置 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN114187505A (zh) | 输电线路防振锤脱落的检测方法、装置、介质及终端设备 | |
CN114494161A (zh) | 基于图像对比的受电弓异物检测方法、设备及存储介质 | |
Hao et al. | Detection of bird nests on power line patrol using single shot detector | |
CN113962973A (zh) | 一种基于卫星技术的输电线路无人机智能巡检系统及方法 | |
CN114842243A (zh) | 一种基于大跨度巡线机器人的故障检测方法、系统及设备 | |
CN114863311A (zh) | 一种变电站机器人巡检目标自动跟踪方法及系统 | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN107767366B (zh) | 一种输电线路拟合方法及装置 | |
CN110781758A (zh) | 一种受电弓结构异常动态视频监测方法及装置 | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN116309407A (zh) | 一种铁路接触网螺栓异常状态的检测方法 | |
CN115272284A (zh) | 基于图像质量评估的输电线路缺陷识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200211 |
|
RJ01 | Rejection of invention patent application after publication |