CN111402241A - 接触网数据的处理方法、装置、计算机设备和存储介质 - Google Patents

接触网数据的处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111402241A
CN111402241A CN202010194883.XA CN202010194883A CN111402241A CN 111402241 A CN111402241 A CN 111402241A CN 202010194883 A CN202010194883 A CN 202010194883A CN 111402241 A CN111402241 A CN 111402241A
Authority
CN
China
Prior art keywords
goodness
fit
image data
bow net
threshold
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
Application number
CN202010194883.XA
Other languages
English (en)
Inventor
林云志
李磊
祁静静
罗金
赖一雄
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.)
China Railway Electrification Engineering Group Co Ltd
Original Assignee
China Railway Electrification Engineering Group 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 China Railway Electrification Engineering Group Co Ltd filed Critical China Railway Electrification Engineering Group Co Ltd
Priority to CN202010194883.XA priority Critical patent/CN111402241A/zh
Publication of CN111402241A publication Critical patent/CN111402241A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Library & Information Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种接触网数据的处理方法、装置、计算机设备和存储介质。所述方法包括：获取接触网检测装置采集的弓网图像数据；根据预设标准对所述弓网图像数据进行校验，得到第一吻合度，其中，所述第一吻合度表示所述弓网图像数据与所述预设标准的匹配程度；获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库；对存入所述类别数据库中的弓网图像数据进行归类分析，得到图像统计结果。采用本方法能够全面直观的反馈接触网的状态，便于接触网的优化设计和安全运营。

Description

接触网数据的处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及接触网故障检测技术领域，特别是涉及一种接触网数据的处理方法、装置、计算机设备和存储介质。
背景技术
随着轨道交通在城市客运中发挥的作用逐渐增强，接触网作为电气化列车唯一的无备用供电载体，其安全性对保障城市轨道正常运营起到非常重要的作用。因此，对接触网参数进行故障检测及综合评价分析，对保障城市轨道交通的运营安全起到至关重要的作用。
目前主要通过安装车载接触网检测装置进行故障检测，并将检测到的参数经过数据处理显示在可视化界面上，实现对接触网状态的连续实时测量。然而，目前的接触网数据处理方法只产生了缺陷表和一些波形图，并不能对数据的缺陷类型、缺陷程度等信息进行全面深入的分析，导致分析结果不全面、不精确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够全面直观的对接触网参数进行分析和归类的接触网数据的处理方法、装置、计算机设备和存储介质。
一种接触网数据的处理方法，所述方法包括：
获取接触网检测装置采集的弓网图像数据；
根据预设标准对所述弓网图像数据进行校验，得到第一吻合度，其中，所述第一吻合度表示所述弓网图像数据与所述预设标准的匹配程度；
获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库；
对存入所述类别数据库中的弓网图像数据进行归类分析，得到图像统计结果。
在其中一个实施例中，所述预设标准包括预设标准图像；
所述根据预设标准对所述弓网图像数据进行校验，得到第一吻合度包括：
将所述弓网图像数据与所述预设标准图像进行比对，得到图像比对结果；
将所述图像比对结果作为所述第一吻合度。
在其中一个实施例中，所述预设标准包括预设阈值；
所述根据预设标准对所述弓网图像数据进行校验，得到第一吻合度包括：
提取所述弓网图像数据的特征值；其中，所述特征值用于表征所述弓网图像数据的特征信息；
获取所述特征值与所述预设阈值的差值，将所述差值作为所述第一吻合度。
在其中一个实施例中，所述类别数据库包括缺陷数据库；
所述获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库包括：
若所述第一吻合度小于所述第一吻合阈值，则通过预设条件检测外界因素；
若非外界因素，则将所述弓网图像数据存入所述缺陷数据库。
在其中一个实施例中，将所述弓网图像数据存入所述缺陷数据库之后，还包括：根据等级评定标准，对存储在所述缺陷数据库的弓网图像数据进行等级划分。
在其中一个实施例中，所述等级评定标准包括预设标准图像；
所述根据等级评定标准，对存储在所述缺陷数据库的弓网图像数据进行等级划分包括：
将存储在所述缺陷数据库的弓网图像数据与所述预设标准图像进行比对，得到图像比对结果，并将所述图像比对结果作为第二吻合度，其中，所述第二吻合度表示存储在所述缺陷数据库的弓网图像数据与所述等级评定标准的匹配程度；
根据所述第二吻合度、第二吻合阈值及第三吻合阈值，将存储在所述缺陷数据库的弓网图像数据进行等级划分。
在其中一个实施例中，所述根据所述第二吻合度、第二吻合阈值及第三吻合阈值，将存储在所述缺陷数据库的弓网图像数据进行等级划分包括：
若所述第二吻合度大于所述第二吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为轻度缺陷等级；
若所述第二吻合度小于或等于所述第二吻合阈值且所述第二吻合度大于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为中度缺陷等级；
若所述第二吻合度小于或等于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为重度缺陷等级。
在其中一个实施例中，所述等级评定标准包括预设阈值；
所述根据等级评定标准，对存储在所述缺陷数据库的弓网图像数据进行等级划分包括：
获取存储在所述缺陷数据库的弓网图像数据的特征值与预设阈值的差值，得到第三吻合度；
根据所述第三吻合度、第二吻合阈值及第三吻合阈值，将存储在所述缺陷数据库的弓网图像数据进行等级划分。
在其中一个实施例中，所述根据所述第三吻合度、第二吻合阈值及第三吻合阈值，将存储在所述缺陷数据库的弓网图像数据进行等级划分包括：
若所述第三吻合度大于所述第二吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为轻度缺陷等级；
若所述第三吻合度小于或等于所述第二吻合阈值且所述第三吻合度大于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为中度缺陷等级；
若所述第三吻合度小于或等于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为重度缺陷等级。
在其中一个实施例中，所述类别数据库还包括无效数据库；
所述获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库包括：
若所述第一吻合度小于所述第一吻合阈值，则通过预设条件检测外界因素；
若存在外界因素，则将所述弓网图像数据存入所述无效数据库。
在其中一个实施例中，所述类别数据库还包括预测数据库；
所述获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库包括：
若所述第一吻合度大于或等于所述第一吻合阈值，则将所述弓网图像数据存入所述预测数据库。
在其中一个实施例中，所述对存入所述类别数据库中的弓网图像数据进行归类分析，得到图像统计结果包括：
对存入所述预测数据库的弓网图像数据进行标准化处理；
对存入所述预测数据库的弓网图像数据进行聚类分析及线性回归分析；
根据标准化处理结果、聚类分析结果及线性回归分析结果，得到所述图像统计结果。
一种接触网数据的处理装置，所述装置包括：
弓网图像数据获取模块，用于获取接触网检测装置采集的弓网图像数据；
检验模块，用于根据预设标准对所述弓网图像数据进行校验，得到第一吻合度，其中，所述第一吻合度表示所述弓网图像数据与所述预设标准的匹配程度；
存储模块，用于获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库；
归类分析模块，用于对存入所述类别数据库中的弓网图像数据进行归类分析，得到图像统计结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
一种接触网数据的处理方法，所述方法包括：
获取接触网检测装置采集的弓网图像数据；
根据预设标准对所述弓网图像数据进行校验，得到第一吻合度，其中，所述第一吻合度表示所述弓网图像数据与所述预设标准的匹配程度；
获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库；
对存入所述类别数据库中的弓网图像数据进行归类分析，得到图像统计结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
一种接触网数据的处理方法，所述方法包括：
获取接触网检测装置采集的弓网图像数据；
根据预设标准对所述弓网图像数据进行校验，得到第一吻合度，其中，所述第一吻合度表示所述弓网图像数据与所述预设标准的匹配程度；
获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库；
对存入所述类别数据库中的弓网图像数据进行归类分析，得到图像统计结果。
上述接触网数据的处理方法、装置、计算机设备和存储介质，通过将获取到的弓网图像数据进行校验和吻合度比对，将该弓网图像数据存入相应的类别数据库，并对类别数据库中存储的弓网图像数据进行统计分析，能够全面直观的反馈接触网的状态，提前进行故障预警，便于接触网的优化设计和安全运营。
附图说明
图1为一个实施例中接触网数据的处理方法的应用环境图；
图2为一个实施例中接触网数据的处理方法的流程示意图；
图3为一个实施例中等级划分步骤的流程示意图；
图4为另一个实施例中等级划分的流程示意图；
图5为另一个实施例中等级划分步骤的流程示意图；
图6为另一个实施例中预测数据处理的流程示意图；
图7为一个实施例中数据处理装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的接触网数据的处理方法，可以应用于如图1所示的应用环境中。其中，接触网检测装置12通过网络与终端14进行通信。接触网检测装置14从接触网中采集弓网图像数据，并将采集到的弓网图像数据传送至终端14进行校验，终端14根据吻合度比对结果将该弓网图像数据存入对应的类别数据库，终端14进一步对类别数据库中的弓网图像数据进行归类分析。其中，终端14可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
在一个实施例中，如图2所示，提供了一种接触网数据的处理方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤102，获取接触网检测装置采集的弓网图像数据。
其中，弓网图像数据指的是经过灰度化处理后的弓网图像数据。具体地，终端从接触网检测装置中采集弓网原始图像，并对采集到的原始图像进行灰度化处理，得到该弓网图像数据。
步骤104，根据预设标准对所述弓网图像数据进行校验，得到第一吻合度。
其中，所述预设标准包括预设标准图像和预设阈值；所述第一吻合度表示所述弓网图像数据与所述预设标准的匹配程度。具体地，终端根据预设标准对步骤102中的弓网数据图像进行校验，得到该弓网图像数据与预设标准的匹配程度。
步骤106，获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库。
其中，所述类别数据库包括缺陷数据库、无效数据库和预测数据库。具体地，终端获取步骤104中的第一吻合度，并将该第一吻合度与第一吻合阈值进行比较，根据比较结果将弓网图像数据进行分类，并根据分类结果将该弓网图像数据存入对应的类别数据库。可选的，可以根据接触网的运营需求设定第一吻合阈值，此处不做具体限定。
步骤108，对存入所述类别数据库中的弓网图像数据进行归类分析，得到图像统计结果。
具体地，终端可以采用数学建模、数值分类学或数理统计学等方式对存入类别数据库的弓网图像数据的等级及规律分布进行归类分析，得到图像统计结果。
本实施例中，通过将获取到的弓网图像数据进行校验和吻合度比对，将该弓网图像数据存入相应的类别数据库，并对类别数据库中存储的弓网图像数据进行统计分析，能够全面直观的反馈接触网的状态，提前进行故障预警，相关工作人员可以根据缺陷统计分析结果，从大量信息中筛选出自己关注的信息，不仅为检修人员提供检修依据，还为管理人员提供检修规划。
在其中一个实施例中，步骤104包括：
步骤1042a，将所述弓网图像数据与所述预设标准图像进行比对，得到图像比对结果。
具体地，终端将步骤102中的弓网图像数据与预设标准图像进行吻合度比对，得到图像比对结果。
步骤1044a，将所述图像比对结果作为所述第一吻合度。
具体地，终端将步骤1042a中的图像比对结果作为步骤102中的弓网图像数据与预设标准的匹配程度。
在其中一个实施例中，步骤104还包括：
步骤1042b，提取所述弓网图像数据的特征值。
其中，所述特征值用于表征所述弓网图像数据的特征信息。具体地，终端通过Gamma变换的方式对经过灰度化处理的弓网图像数据的灰度值进行非线性操作，并用阈值化处理对该弓网图像数据进行分割，从该弓网图像数据中提取特征值。
步骤1044b，获取所述特征值与所述预设阈值的差值，将所述差值作为所述第一吻合度。
具体地，终端将步骤1042b中提取的特征值与预设阈值进行差值计算，并将计算结果作为步骤102中的弓网图像数据与预设标准的匹配程度。可选的，可以根据接触网的运营需求设定预设阈值，此处不做具体限定。
本实施例中，通过弓网图像数据与预设标准图像的比对结果进行校验，或通过提取到的弓网图像数据的特征值与预设阈值的比对结果进行校验，从而得到弓网图像数据与预设标准的吻合度，能够提高校验速度和校验效率。
在其中一个实施例中，步骤106包括：
步骤1062a，若所述第一吻合度小于所述第一吻合阈值，则通过预设条件检测外界因素。
具体地，若弓网图像数据与预设标准的吻合度小于第一吻合阈值，则终端进行外界因素检测，判断是否由于外界因素(例如：振动补偿装置或补光灯损坏)导致数据突变，造成图像无法识别。
步骤1064a，若非外界因素，则将所述弓网图像数据存入所述缺陷数据库。
具体地，若不存在外界因素导致数据突变的情况，则终端判定该弓网图像数据为缺陷数据，并将其存入缺陷数据库。
在其中一个实施例中，步骤106还包括：
步骤1062b，若所述第一吻合度小于所述第一吻合阈值，则通过预设条件检测外界因素。
具体地，若弓网图像数据与预设标准的吻合度小于第一吻合阈值，则终端进行外界因素检测，判断是否由于外界因素(例如：振动补偿装置或补光灯损坏)导致数据突变，造成图像无法识别。
步骤1064b，若存在外界因素，则将所述弓网图像数据存入所述无效数据库。
具体地，若存在外界因素导致数据突变的情况，则终端判定该弓网图像数据为无效数据，终端进行相应的报警处理，通知接触网检测装置重新获取一组弓网图像数据，并将标记为无效数据的弓网图像数据存入缺陷数据库。
在其中一个实施例中，步骤106还包括：若所述第一吻合度大于或等于所述第一吻合阈值，则将所述弓网图像数据存入所述预测数据库。
具体地，若弓网图像数据与预设标准的吻合度大于或等于第一吻合阈值，则终端将该弓网图像数据存入预测数据库。
本实施例中，根据第一吻合度和第一吻合阈值的比较结果，将弓网图像数据存储在对应的类别数据库中，能够便于工作人员再次查看相关状态，并根据分类存储结果，对接触网进行优化设计。
在其中一个实施例中，将所述弓网图像数据存入所述缺陷数据库之后，该方法还包括：根据等级评定标准，对存储在所述缺陷数据库的弓网图像数据进行等级划分。
其中，所述等级评定标准包括预设标准图像和预设阈值。具体地，如图3所示，包括以下步骤：
步骤202，将存储在所述缺陷数据库的弓网图像数据与所述预设标准图像进行比对，得到图像比对结果，并将所述图像比对结果作为第二吻合度。
其中，所述第二吻合度表示存储在所述缺陷数据库的弓网图像数据与所述等级评定标准的匹配程度。具体地，终端将存储在缺陷数据库的弓网图像数据与预设标准图像再次进行吻合度比对，得到图像比对结果，并将该图像比对结果作为存储在缺陷数据库的弓网图像数据与等级评定标准的匹配程度。
步骤204，根据所述第二吻合度、第二吻合阈值及第三吻合阈值，将存储在所述缺陷数据库的弓网图像数据进行等级划分。
具体地，如图4所示，终端分别将第二吻合度N、第二阈值N2和第三阈值N3进行对比，根据对比结果将存储在缺陷数据中的弓网图像数据进行等级划分，从而实现缺陷数据库的等级评定。可选的，可以根据接触网的运营需求设定第二阈值和第三阈值，此处不做具体限定。
在其中一个实施例中，步骤204包括：
步骤2042，若所述第二吻合度大于所述第二吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为轻度缺陷等级。
具体地，请继续参阅图4，若第二吻合度N大于第二阈值N2，则终端将该弓网图像数据的等级评定为轻度缺陷等级。
步骤2044，若所述第二吻合度小于或等于所述第二吻合阈值且所述第二吻合度大于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为中度缺陷等级。
具体地，请继续参阅图4，若第二吻合度N小于或等于第二阈值N2且大于第三阈值N3，则终端将该弓网图像数据的等级评定为中度缺陷等级。
步骤2066，若所述第二吻合度小于或等于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为重度缺陷等级。
具体地，请继续参阅图4，若第二吻合度N小于或等于第三阈值N3，则终端将该弓网图像数据的等级评定为重度缺陷等级。
本实施例中，根据存储在缺陷数据库中的弓网图像数据与预设标准图像的匹配程度，实现缺陷数据库的缺陷等级评定，便于检修人员根据缺陷评定等级的不同进行不同程度的维修，能够提高维修质量和维修效率。
作为一种可选的实施方式，如图5所示，还包括：
步骤302，获取存储在所述缺陷数据库的弓网图像数据的特征值与预设阈值的差值，得到第三吻合度。
具体地，终端将储在缺陷数据库的弓网图像数据的特征值与预设阈值进行差值计算，并将计算结果作为第三吻合度。可选的，可以根据接触网的运营需求设定预设阈值，此处不做具体限定。
步骤304，根据所述第三吻合度、第二吻合阈值及第三吻合阈值，将存储在所述缺陷数据库的弓网图像数据进行等级划分。
具体地，请继续参阅图4，终端分别将第三吻合度N、第二阈值N2和第三阈值N3进行对比，根据对比结果将存储在缺陷数据中的弓网图像数据进行等级划分，从而实现缺陷数据库的等级评定。可选的，可以根据接触网的运营需求设定第二阈值和第三阈值，此处不做具体限定。
在其中一个实施例中，步骤304包括：
步骤3042，若所述第三吻合度大于所述第二吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为轻度缺陷等级。
具体地，请继续参阅图4，若第三吻合度N大于第二阈值N2，则终端将该弓网图像数据的等级评定为轻度缺陷等级。
步骤3044，若所述第三吻合度小于或等于所述第二吻合阈值且所述第三吻合度大于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为中度缺陷等级。
具体地，请继续参阅图4，若第三吻合度N小于或等于第二阈值N2且大于第三阈值N3，则终端将该弓网图像数据的等级评定为中度缺陷等级。
步骤3046，若所述第三吻合度小于或等于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为重度缺陷等级。
具体地，请继续参阅图4，若第三吻合度N小于或等于第三阈值N3，则终端将该弓网图像数据的等级评定为重度缺陷等级。
本实施例中，根据存储在缺陷数据库中的弓网图像数据的特征值与预设阈值的吻合度，实现缺陷数据库的缺陷等级评定，便于检修人员根据缺陷评定等级的不同进行不同程度的维修，能够提高维修质量和维修效率。
在其中一个实施例中，步骤108包括：
步骤1082，对存入所述预测数据库的弓网图像数据进行标准化处理。
具体地，如图6所示，首先，终端对预测数据库中的弓网图像数据进行数据清洗，即完成重复数据和遗漏数据的处理及数据类型的转换；其次，终端采用维规约进行数据规约，即检测并删除不相关、弱相关及冗余的属性或维，从而能够减少计算量，提高处理速度，保持原始数据的完整性；最后，终端采用公式(1)对弓网数据进行中心化处理，完成相平移变换，采用公式(2)进行无量纲化处理，完成数据压缩，使得每个变量的方差均为1：
Figure BDA0002417247250000111
其中，xij *为平移后坐标；xij为平移前坐标；xj为列向量中心值。
Figure BDA0002417247250000112
其中，sj为xj的方差，即sj＝Var(xj)。
步骤1084，对存入所述预测数据库的弓网图像数据进行聚类分析及线性回归分析。
具体地，请继续参阅图6，终端采用K-means聚类算法和层次聚类算法相结合的方法对预测数据库中的弓网图像数据进行聚类分析，即先采用层次聚类算法得到类的数目和初始原型，再采用K-means聚类算法得到聚类结果，并用公式(1)进行验证：
Figure BDA0002417247250000121
其中，a(i)表示一个类的第i个点到同一类中的其它点间的平均距离；b(i,k)表示一个类的第i个点到另一个类(第k个类)的所有点的平均距离。
进一步，为了达到较好的聚类效果，采用K-means聚类算法进行聚类的过程中需要不断调整层次聚类中闽值的大小。
具体地，请继续参阅图4，终端采用最小二乘法进行回归分析，通过线性回归方程建立数学模型，得到接触网动态参数之间的关系(例如：硬点与接触网高度、网压及车速之间的关系)，从而实现对一个区段运行状况的评估和接触网的故障预测。
步骤1086，根据标准化处理结果、聚类分析结果及线性回归分析结果，得到所述图像统计结果。
具体地，终端将经过标准化处理、聚类分析及线性回归处理后的弓网图像数据在可视化界面进行显示，其中，可视化界面包括警告模块和多屏显示模块，警告模块用于显示缺陷预警信息；多屏显示模块用于显示接触网监控信息、在线列车检测信息(例如：接触线拉出值、接触线高度、接触压力、悬挂硬点、线岔的检测、列车速度等)、优化信息(例如：相关缺陷统计及接触网相关动态参数间关系)和定位信息(例如：线路名称编号、隧道名称编号、供电段名称编号及网工区)。
可选的，用于进行可视化显示的数据可以是图像、数值或曲线中任何一种直观全面的展现形式，此处不做具体限定。
本实施例中，通过对预测数据库中的数据进行数据处理，挖掘接触网动态参数之间的关系，从而能够发现接触网运营过程中的潜在隐患，进行故障预测，使检修人员能够直观、便捷地根据显示的接触网工作状态，对缺陷部位进行维护及后续的系统优化。
作为一种可选的实施方式，终端可以采用并行处理技术进行分类和存储，例如：终端先将预测数据库中的弓网图像数据进行存储，在数据处理完成后再进行统计分析等操作，从而提高运算速度，保证检测数据的实时性。
作为一种可选的实施方式，终端可以将步骤108中的图像统计结果以报告的形式输出，也可以采用图像、数值或曲线形式在可视化界面展示。
可选的，终端根据所选择的部门提供相应的数据结果。例如：若选择的部门为接触网工区部门，则报告中提供的数据结果包括导线高度、拉出值、定位器坡度等；若选择的部门为技术管理部门，则报告中提供的数据包括缺陷类型、缺陷等级、规律分布等统计信息。
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种接触网数据的处理装置，包括：弓网图像数据获取模块401、检验模块402、存储模块403和归类分析模块404，其中：
弓网图像数据获取模块401，用于获取接触网检测装置采集的弓网图像数据；
检验模块402，用于根据预设标准对所述弓网图像数据进行校验，得到第一吻合度，其中，所述第一吻合度表示所述弓网图像数据与所述预设标准的匹配程度；
存储模块403，用于获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库；
归类分析模块404，用于对存入所述类别数据库中的弓网图像数据进行归类分析，得到图像统计结果。
在其中一个实施例中，检验模块402，具体用于将所述弓网图像数据与所述预设标准图像进行比对，得到图像比对结果；将所述图像比对结果作为所述第一吻合度。
在其中一个实施例中，检验模块402，具体用于提取所述弓网图像数据的特征值；其中，所述特征值用于表征所述弓网图像数据的特征信息；获取所述特征值与所述预设阈值的差值，将所述差值作为所述第一吻合度。
在其中一个实施例中，存储模块403，具体用于若所述第一吻合度小于所述第一吻合阈值，则通过预设条件检测外界因素；若非外界因素，则将所述弓网图像数据存入所述缺陷数据库。
在其中一个实施例中，存储模块403，具体用于若所述第一吻合度小于所述第一吻合阈值，则通过预设条件检测外界因素；若存在外界因素，则将所述弓网图像数据存入所述无效数据库。
在其中一个实施例中，存储模块403，具体用于若所述第一吻合度大于或等于所述第一吻合阈值，则将所述弓网图像数据存入所述预测数据库。
在其中一个实施例中，归类分析模块404，具体用于对存入所述预测数据库的弓网图像数据进行标准化处理；对存入所述预测数据库的弓网图像数据进行聚类分析及线性回归分析；根据标准化处理结果、聚类分析结果及线性回归分析结果，得到所述图像统计结果。
在其中一个实施例中，还包括等级划分模块405，用于根据等级评定标准，对存储在所述缺陷数据库的弓网图像数据进行等级划分。
在其中一个实施例中，等级划分模块405，具体用于将存储在所述缺陷数据库的弓网图像数据与所述预设标准图像进行比对，得到图像比对结果，并将所述图像比对结果作为第二吻合度，其中，所述第二吻合度表示存储在所述缺陷数据库的弓网图像数据与所述等级评定标准的匹配程度；根据所述第二吻合度、第二吻合阈值及第三吻合阈值，将存储在所述缺陷数据库的弓网图像数据进行等级划分。
在其中一个实施例中，等级划分模块405，具体用于若所述第二吻合度大于所述第二吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为轻度缺陷等级；若所述第二吻合度小于或等于所述第二吻合阈值且所述第二吻合度大于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为中度缺陷等级；若所述第二吻合度小于或等于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为重度缺陷等级。
在其中一个实施例中，等级划分模块405，具体用于获取存储在所述缺陷数据库的弓网图像数据的特征值与预设阈值的差值，得到第三吻合度；根据所述第三吻合度、第二吻合阈值及第三吻合阈值，将存储在所述缺陷数据库的弓网图像数据进行等级划分。
在其中一个实施例中，等级划分模块405，具体用于若所述第三吻合度大于所述第二吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为轻度缺陷等级；若所述第三吻合度小于或等于所述第二吻合阈值且所述第三吻合度大于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为中度缺陷等级；若所述第三吻合度小于或等于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为重度缺陷等级。
关于接触网数据的处理装置的具体限定可以参见上文中对于接触网数据的处理方法的限定，在此不再赘述。上述接触网数据的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储接触网数据的处理数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种接触网数据的处理方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取接触网检测装置采集的弓网图像数据；
根据预设标准对所述弓网图像数据进行校验，得到第一吻合度，其中，所述第一吻合度表示所述弓网图像数据与所述预设标准的匹配程度；
获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库；
对存入所述类别数据库中的弓网图像数据进行归类分析，得到图像统计结果。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取接触网检测装置采集的弓网图像数据；
根据预设标准对所述弓网图像数据进行校验，得到第一吻合度，其中，所述第一吻合度表示所述弓网图像数据与所述预设标准的匹配程度；
获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库；
对存入所述类别数据库中的弓网图像数据进行归类分析，得到图像统计结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (15)

1.一种接触网数据的处理方法，其特征在于，所述方法包括：
获取接触网检测装置采集的弓网图像数据；
根据预设标准对所述弓网图像数据进行校验，得到第一吻合度，其中，所述第一吻合度表示所述弓网图像数据与所述预设标准的匹配程度；
获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库；
对存入所述类别数据库中的弓网图像数据进行归类分析，得到图像统计结果。
2.根据权利要求1所述的方法，其特征在于，所述预设标准包括预设标准图像；
所述根据预设标准对所述弓网图像数据进行校验，得到第一吻合度包括：
将所述弓网图像数据与所述预设标准图像进行比对，得到图像比对结果；
将所述图像比对结果作为所述第一吻合度。
3.根据权利要求1所述的方法，其特征在于，所述预设标准包括预设阈值；
所述根据预设标准对所述弓网图像数据进行校验，得到第一吻合度包括：
提取所述弓网图像数据的特征值；其中，所述特征值用于表征所述弓网图像数据的特征信息；
获取所述特征值与所述预设阈值的差值，将所述差值作为所述第一吻合度。
4.根据权利要求1所述的方法，其特征在于，所述类别数据库包括缺陷数据库；
所述获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库包括：
若所述第一吻合度小于所述第一吻合阈值，则通过预设条件检测外界因素；
若非外界因素，则将所述弓网图像数据存入所述缺陷数据库。
5.根据权利要求4所述的方法，其特征在于，将所述弓网图像数据存入所述缺陷数据库之后，还包括：根据等级评定标准，对存储在所述缺陷数据库的弓网图像数据进行等级划分。
6.根据权利要求5所述的方法，其特征在于，所述等级评定标准包括预设标准图像；
所述根据等级评定标准，对存储在所述缺陷数据库的弓网图像数据进行等级划分包括：
将存储在所述缺陷数据库的弓网图像数据与所述预设标准图像进行比对，得到图像比对结果，并将所述图像比对结果作为第二吻合度，其中，所述第二吻合度表示存储在所述缺陷数据库的弓网图像数据与所述等级评定标准的匹配程度；
根据所述第二吻合度、第二吻合阈值及第三吻合阈值，将存储在所述缺陷数据库的弓网图像数据进行等级划分。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第二吻合度、第二吻合阈值及第三吻合阈值，将存储在所述缺陷数据库的弓网图像数据进行等级划分包括：
若所述第二吻合度大于所述第二吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为轻度缺陷等级；
若所述第二吻合度小于或等于所述第二吻合阈值且所述第二吻合度大于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为中度缺陷等级；
若所述第二吻合度小于或等于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为重度缺陷等级。
8.根据权利要求5所述的方法，其特征在于，所述等级评定标准包括预设阈值；
所述根据等级评定标准，对存储在所述缺陷数据库的弓网图像数据进行等级划分包括：
获取存储在所述缺陷数据库的弓网图像数据的特征值与预设阈值的差值，得到第三吻合度；
根据所述第三吻合度、第二吻合阈值及第三吻合阈值，将存储在所述缺陷数据库的弓网图像数据进行等级划分。
9.根据权利要求8所述的方法，其特征在于，所述根据所述第三吻合度、第二吻合阈值及第三吻合阈值，将存储在所述缺陷数据库的弓网图像数据进行等级划分包括：
若所述第三吻合度大于所述第二吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为轻度缺陷等级；
若所述第三吻合度小于或等于所述第二吻合阈值且所述第三吻合度大于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为中度缺陷等级；
若所述第三吻合度小于或等于所述第三吻合阈值，则将存储在所述缺陷数据库的弓网图像数据评定为重度缺陷等级。
10.根据权利要求1所述的方法，其特征在于，所述类别数据库还包括无效数据库；
所述获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库包括：
若所述第一吻合度小于所述第一吻合阈值，则通过预设条件检测外界因素；
若存在外界因素，则将所述弓网图像数据存入所述无效数据库。
11.根据权利要求1所述的方法，其特征在于，所述类别数据库还包括预测数据库；
所述获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库包括：
若所述第一吻合度大于或等于所述第一吻合阈值，则将所述弓网图像数据存入所述预测数据库。
12.根据权利要求11所述的方法，其特征在于，所述对存入所述类别数据库中的弓网图像数据进行归类分析，得到图像统计结果包括：
对存入所述预测数据库的弓网图像数据进行标准化处理；
对存入所述预测数据库的弓网图像数据进行聚类分析及线性回归分析；
根据标准化处理结果、聚类分析结果及线性回归分析结果，得到所述图像统计结果。
13.一种接触网数据的处理装置，其特征在于，所述装置包括：
弓网图像数据获取模块，用于获取接触网检测装置采集的弓网图像数据；
检验模块，用于根据预设标准对所述弓网图像数据进行校验，得到第一吻合度，其中，所述第一吻合度表示所述弓网图像数据与所述预设标准的匹配程度；
存储模块，用于获取所述第一吻合度与第一吻合阈值的比较结果，并将所述弓网图像数据存入与所述比较结果对应的类别数据库；
归类分析模块，用于对存入所述类别数据库中的弓网图像数据进行归类分析，得到图像统计结果。
14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述方法的步骤。
15.一种计算机可读存储介质，其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执行时实现权利要求1至12中任一项所述的方法的步骤。
CN202010194883.XA 2020-03-19 2020-03-19 接触网数据的处理方法、装置、计算机设备和存储介质 Pending CN111402241A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010194883.XA CN111402241A (zh) 2020-03-19 2020-03-19 接触网数据的处理方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010194883.XA CN111402241A (zh) 2020-03-19 2020-03-19 接触网数据的处理方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN111402241A true CN111402241A (zh) 2020-07-10

Family

ID=71413561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010194883.XA Pending CN111402241A (zh) 2020-03-19 2020-03-19 接触网数据的处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111402241A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668130A (zh) * 2020-12-30 2021-04-16 广州轨道交通建设监理有限公司 一种用于地铁区间隧道供电专业中的接触网建模方法
CN113657258A (zh) * 2021-08-16 2021-11-16 前景智能交通科技(苏州)有限公司 一种基于图像处理的接触网故障识别系统和识别方法
CN114897197A (zh) * 2022-07-14 2022-08-12 中铁电气化勘测设计研究院有限公司 基于缺陷统计和预测的接触网维修策略调整方法
CN116109987A (zh) * 2023-04-07 2023-05-12 中铁电气化局集团有限公司 基于深度学习的接触网悬挂部件故障检测方法和装置
CN117875936A (zh) * 2023-12-28 2024-04-12 中国人民解放军陆军装甲兵学院 一种基于不同修理方法的多种装备维修管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104833386A (zh) * 2015-04-03 2015-08-12 苏州华兴致远电子科技有限公司 一种弓网系统监测方法及系统
RU2681779C1 (ru) * 2018-05-30 2019-03-12 Открытое Акционерное Общество "Российские Железные Дороги" Система для контроля и диагностики инфраструктуры высокоскоростного железнодорожного транспорта
US20190362490A1 (en) * 2018-05-25 2019-11-28 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for inspecting corrosion defect of ladle

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104833386A (zh) * 2015-04-03 2015-08-12 苏州华兴致远电子科技有限公司 一种弓网系统监测方法及系统
US20190362490A1 (en) * 2018-05-25 2019-11-28 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for inspecting corrosion defect of ladle
RU2681779C1 (ru) * 2018-05-30 2019-03-12 Открытое Акционерное Общество "Российские Железные Дороги" Система для контроля и диагностики инфраструктуры высокоскоростного железнодорожного транспорта

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668130A (zh) * 2020-12-30 2021-04-16 广州轨道交通建设监理有限公司 一种用于地铁区间隧道供电专业中的接触网建模方法
CN113657258A (zh) * 2021-08-16 2021-11-16 前景智能交通科技(苏州)有限公司 一种基于图像处理的接触网故障识别系统和识别方法
CN114897197A (zh) * 2022-07-14 2022-08-12 中铁电气化勘测设计研究院有限公司 基于缺陷统计和预测的接触网维修策略调整方法
CN114897197B (zh) * 2022-07-14 2022-10-04 中铁电气化勘测设计研究院有限公司 基于缺陷统计和预测的接触网维修策略调整方法
CN116109987A (zh) * 2023-04-07 2023-05-12 中铁电气化局集团有限公司 基于深度学习的接触网悬挂部件故障检测方法和装置
CN117875936A (zh) * 2023-12-28 2024-04-12 中国人民解放军陆军装甲兵学院 一种基于不同修理方法的多种装备维修管理系统

Similar Documents

Publication Publication Date Title
CN111402241A (zh) 接触网数据的处理方法、装置、计算机设备和存储介质
Moradzadeh et al. Hybrid CNN-LSTM approaches for identification of type and locations of transmission line faults
CN110378869B (zh) 一种样本自动标注的钢轨扣件异常检测方法
Feng et al. Automatic fastener classification and defect detection in vision-based railway inspection systems
JP7048499B2 (ja) データセットの半自動ラベル付け
CN110543903B (zh) 一种gis局部放电大数据系统的数据清洗方法及系统
CN107248062B (zh) 一种人才评估与推荐系统
EP3191905B1 (en) Gas turbine failure prediction utilizing supervised learning methodologies
CN108241836A (zh) 用于安检的方法及装置
WO2020090770A1 (ja) 異常検出装置、異常検出方法、およびプログラム
CN114254879B (zh) 多传感器信息融合的电力设备安全诊断方法和装置
Liu et al. Damage assessment with state–space embedding strategy and singular value decomposition under stochastic excitation
CN110781380A (zh) 信息推送方法、装置、计算机设备和存储介质
CN114996258A (zh) 一种基于数据仓库的接触网故障诊断方法
CN116581874A (zh) 一种基于知识图谱的故障处置方案快速生成方法及系统
CN117331790A (zh) 一种用于数据中心的机房故障检测方法及装置
US8000995B2 (en) System and method for assessing customer segmentation strategies
CN114312930B (zh) 基于日志数据的列车运行异常诊断方法和装置
CN113379314B (zh) 一种基于推理算法的年度生产计划智能监管方法
CN114298590A (zh) 一种医疗机构院感管理质量评估系统及方法
KR102470856B1 (ko) 인공지능을 이용한 크라우드 아웃소싱 작업 검수 방법 및 그 장치
CN114185739A (zh) 一种基于人工智能深度学习的监管数据处理实现方法
KR20220161601A (ko) 딥러닝 모델을 이용한 영상검사 대상체의 결함 판정시스템
CN113515560A (zh) 车辆故障的分析方法、装置、电子设备及存储介质
CN116757336B (zh) 基于数据驱动的轨道交通风险的预测方法及系统

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