CN112950532A - 一种列车受电弓状态检测方法 - Google Patents
一种列车受电弓状态检测方法 Download PDFInfo
- Publication number
- CN112950532A CN112950532A CN202110047361.1A CN202110047361A CN112950532A CN 112950532 A CN112950532 A CN 112950532A CN 202110047361 A CN202110047361 A CN 202110047361A CN 112950532 A CN112950532 A CN 112950532A
- Authority
- CN
- China
- Prior art keywords
- pantograph
- point cloud
- cloud data
- dimensional point
- area
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 61
- 230000007547 defect Effects 0.000 claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000005299 abrasion Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种列车受电弓状态检测方法,包括:获取受电弓的三维点云数据;基于所述三维点云数据提取受电弓区域图像;分割所述受电弓区域图像生成滑板点云数据;提取所述滑板点云数据的缺陷区域并生成检测报告。本发明通过采集受电弓的三维点云数据提取受电弓区域图像后,基于二维的受电弓区域图像和三维点云数据分别提取用于表征滑板区域的二维分割图像和三维点云,通过限定区域置信度并取两者在三维坐标下重合区域的方法提取滑板点云数据,大大提升了滑板图像提取的精确度。并通过提取滑板点云数据缺陷区域图像、缺陷种类信息、滑板磨耗值、滑板姿态并生成所述检测报告,解决了现有的列车受电弓状态检测方法的功能单一、检测精度低的问题。
Description
技术领域
本发明涉及轨道车辆检测技术领域,具体涉及一种列车受电弓状态检测方法。
背景技术
列车运行时,列车的受电弓滑板一直处于高速运动状态,弓网系统出现的任何轻微损伤,如受电弓滑板的过度磨耗、阶梯状磨耗、缺口、凹槽等不仅影响列车的正常供电,由此产生的电弧放电还会进一步加剧受电弓滑板和接触网的磨耗,同时还会产生无线电干扰,导致弓网故障,对轨道交通系统运输生产造成的损失和影响较严重。因此对受电弓状态进行在线检测,掌握滑板的磨耗规律、监控滑板的表面状态、滑板姿态等,在保证机车正常运行和电网安全等方面都具有非常重要的意义。
目前,针对列车受电弓及碳滑板的关键参数检测,传统的方案是采用2D相机来采集图像,但受限于拍摄视场范围及检测方向,通常需要配置较多相机数量及补光灯,使得系统安装、维护复杂。该技术通常通过面阵CCD采集受电弓滑板二维图像,通过边缘提取、形态学图像处理方法等提取碳滑板边缘,通过相机标定实现碳滑板磨耗及剩余磨耗检测,不仅检测精度较低,而且该方法无法实现滑板掉块、凹槽等缺陷检测及受电弓姿态检测。
综上所述,现有的列车受电弓状态检测方法存在功能单一、检测精度低的问题。
发明内容
有鉴于此,本发明提供一种列车受电弓状态检测方法,通过改进检测图像的处理方法,解决了现有的列车受电弓状态检测方法的功能单一、检测精度低的问题。
为解决以上问题,本发明的技术方案为采用一种列车受电弓状态检测方法,包括:S1:获取受电弓的三维点云数据;S2:基于所述三维点云数据提取受电弓区域图像;S3:分割所述受电弓区域图像生成滑板点云数据;S4:提取所述滑板点云数据的缺陷区域并生成检测报告。
可选地,所述S1包括:基于一组采集单元采集受电弓升弓位置区域的第一三维点云数据或受电弓降弓位置区域的第二三维点云数据;或基于两组采集单元同时采集受电弓升弓位置区域的第一三维点云数据和受电弓降弓位置区域的第二三维点云数据。
可选地,所述S1还包括:在基于一组所述采集单元采集的情况下,将所述第一三维点云数据或所述第二三维点云数据作为用于提取所述受电弓区域图像的所述三维点云数据;在基于两组所述采集单元采集的情况下,基于所述第一三维点云数据进行受电弓状态判定,若受电弓为升弓状态,将所述第一三维点云数据作为用于提取所述受电弓区域图像的所述三维点云数据,若受电弓为降弓状态,将所述第二三维点云数据作为用于提取所述受电弓区域图像的所述三维点云数据。
可选地,所述S2包括:基于数据归一化方法将所述三维点云数据转化为灰度图像数据;构建用于二维图像提取的第一网络模型,获取由多张包含受电弓的照片构成的数据集并对每张所述包含受电弓的照片的受电弓区域进行标注,生成由多张包含受电弓区域标记的照片构成的第一训练样本集和第一测试集;基于所述第一训练样本集和所述第一测试集,对所述第一网络模型进行训练并验证,生成用于受电弓区域提取的第一检测模型;将所述灰度图像数据输入第一神经网络单元,基于所述第一检测模型获取受电弓区域提取框并提取所述受电弓区域图像。
可选地,所述S3包括:将所述受电弓区域图像输入用于二维图像分割的第二网络模型,生成用于表征滑板区域的分割图像;将所述三维点云数据输入用于三维点云分割的第三网络模型,生成用于表征滑板区域的三维点云分割数据;提取所述分割图像中置信度高于第一阈值的区域图像和所述三维点云分割数据中置信度高于第一阈值的区域点云数据,计算所述区域图像和所述区域点云数据的重合区域作为所述滑板点云数据。
可选地,生成用于表征滑板区域的分割图像,包括:构建所述第二网络模型,获取由多张受电弓照片构成的数据集并对每张所述受电弓照片的滑板区域进行标注,生成由多张包含滑板区域标记的受电弓照片构成的第二训练样本集和第二测试集;基于所述第二训练样本集和所述第二测试集,对所述第二网络模型进行训练并验证,生成用于滑板区域分割的第一语义分割模型;将所述受电弓区域图像输入第二神经网络单元,基于所述第一语义分割模型获取所述分割图像。
可选地,生成用于表征滑板区域的三维点云分割数据,包括:构建所述第三网络模型,获取由多组受电弓三维点云数据构成的数据集并对每组所述受电弓三维点云数据的滑板区域进行标注,生成由多组包含滑板区域标记的受电弓三维点云数据构成的第三训练样本集和第三测试集;基于所述第三训练样本集和所述第三测试集,对所述第三网络模型进行训练并验证,生成用于滑板区域分割的第二语义分割模型;将所述三维点云数据输入第三神经网络单元,基于所述第二语义分割模型获取所述三维点云分割数据。
可选地,所述S4包括:将所述滑板点云数据转化为二维矩阵图像数据;构建用于提取缺陷区域及缺陷种类的第四网络模型,获取由多张滑板照片构成的数据集并对每张所述滑板照片的缺陷区域及缺陷种类进行标注,生成由多张包含受缺陷区域及种类标记的照片构成的第四训练样本集和第四测试集;基于所述第四训练样本集和所述第四测试集,对所述第四网络模型进行训练并验证,生成用于提取缺陷区域及缺陷种类的第二检测模型;将所述二维矩阵图像数据输入第四神经网络单元,基于所述第二检测模型获取缺陷区域提取框并提取缺陷区域图像及缺陷种类信息。
可选地,所述受电弓状态检测方法还包括:基于所述滑板点云数据与预存储的标准滑板点云数据模板进行模板配准,提取匹配模板,计算所述滑板点云数据与所述匹配模板的高度差均值作为滑板磨耗值;基于所述缺陷区域图像、所述缺陷种类信息和所述滑板磨耗值生成所述检测报告。
可选地,基于所述第一三维点云数据进行受电弓状态判定,包括:遍历所述第一三维点云数据,若提取到所述第一三维点云数据中z轴坐标高于第二阈值的点云数据则判定受电弓为升弓状态,反之则判定受电弓为降弓状态。
本发明的首要改进之处为提供的列车受电弓状态检测方法,通过采集受电弓的三维点云数据提取受电弓区域图像后,基于二维的受电弓区域图像和三维点云数据分别提取用于表征滑板区域的二维分割图像和三维点云,通过限定区域置信度并取两者在三维坐标下重合区域的方法提取滑板点云数据,大大提升了滑板图像提取的精确度。并通过提取滑板点云数据缺陷区域图像、缺陷种类信息和滑板磨耗值生成所述检测报告,解决了现有的列车受电弓状态检测方法的功能单一、检测精度低的问题。
附图说明
图1是本发明的列车受电弓状态检测方法的简化流程图;
图2是本发明的采集单元设置方式的简化装置连接图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1所示,一种列车受电弓状态检测方法,包括:
S1:获取受电弓的三维点云数据。
进一步的,所述S1包括:基于一组采集单元采集受电弓升弓位置区域的第一三维点云数据或受电弓降弓位置区域的第二三维点云数据;或基于两组采集单元同时采集受电弓升弓位置区域的第一三维点云数据和受电弓降弓位置区域的第二三维点云数据。
更进一步的,所述S1还包括:在基于一组所述采集单元采集的情况下,将所述第一三维点云数据或所述第二三维点云数据作为用于提取所述受电弓区域图像的所述三维点云数据;在基于两组所述采集单元采集的情况下,基于所述第一三维点云数据进行受电弓状态判定,若受电弓为升弓状态,将所述第一三维点云数据作为用于提取所述受电弓区域图像的所述三维点云数据,若受电弓为降弓状态,将所述第二三维点云数据作为用于提取所述受电弓区域图像的所述三维点云数据。
更进一步的,一组采集单元可以由一组3D传感器和激光器构成。由于实际应用时,单一3D传感器无法采集全部受电弓可能的所在位置,进而导致检测结果可靠性较低。因此,如图2所示,可以通过设置两组采集单元进行数据采集,两组采集单元由两组3D传感器和激光器构成,以实现受电弓的分别在升弓、降弓状态的三维点云数据的有效采集,从而,所述三维点云数据可以包括受电弓升弓位置区域的第一三维点云数据和受电弓降弓位置区域的第二三维点云数据。其中,两个3D传感器与激光器设置于同一水平面上。
S2:基于所述三维点云数据提取受电弓区域图像。
进一步的,所述S2包括:基于数据归一化方法将所述三维点云数据转化为灰度图像数据;构建用于二维图像提取的第一网络模型,获取由多张包含受电弓的照片构成的数据集并对每张所述包含受电弓的照片的受电弓区域进行标注,生成由多张包含受电弓区域标记的照片构成的第一训练样本集和第一测试集;基于所述第一训练样本集和所述第一测试集,对所述第一网络模型进行训练并验证,生成用于受电弓区域提取的第一检测模型;将所述灰度图像数据输入第一神经网络单元,基于所述第一检测模型获取受电弓区域提取框并提取所述受电弓区域图像。其中,第一网络模型可以是R-CNN、YOLO、SSD等网络模型,本发明不限定网络模型类型,以使用Faster-rcnn网络模型为例,可以基于所述第一训练样本集和所述第一测试集,使用Faster-rcnn网络模型在tensorflow框架下进行训练并验证,生成用于受电弓区域提取的第一检测模型。具体的,由于3D点云数据经过归一化后转化为灰度图像信息后,由其高度值归一化所构筑的灰度图像包含着目标物体的高度特征信息,基于这些高度特征进行受电弓区域提取可以避免环境光或其他造成普通灰度图像异常的干扰,从而提升受电弓区域图像提取的准确度。
S3:分割所述受电弓区域图像生成滑板点云数据。
进一步的,所述S3包括:将所述受电弓区域图像输入用于二维图像分割的第二网络模型,生成用于表征滑板区域的分割图像;将所述三维点云数据输入用于三维点云分割的第三网络模型,生成用于表征滑板区域的三维点云分割数据;提取所述分割图像中置信度高于第一阈值的区域图像和所述三维点云分割数据中置信度高于第一阈值的区域点云数据,计算所述区域图像和所述区域点云数据的重合区域作为所述滑板点云数据。其中,第二网络模型可以是FCN、SegNet、ENet、CRFasRNN、LSTM-CF等网络模型,本发明不限定网络模型类型;第三网络模型可以是VoxelNet、Amodal3Det、PointNet等网络模型,本发明不限定网络模型类型;第一阈值可以是0.95。具体的,在使用第三网络模型生成用于表征滑板区域的三维点云分割数据前,可以通过剔除三维点云数据中高度低于一定阈值的图像区域,剔除掉底板区域以及接触网的图像,防止底部的平面区域干扰连续面提取。具体的,由于将点云映射到二维深度图时,两者的横纵坐标是一一对应的,因此分割出的二维分割图像的坐标与三维点云分割数据的坐标是一一对应的,因此可通过提取两者横纵坐标一致的区域,计算所述区域图像和所述区域点云数据的重合区域作为所述滑板点云数据。
更进一步的,生成用于表征滑板区域的分割图像,包括:构建所述第二网络模型,获取由多张受电弓照片构成的数据集并对每张所述受电弓照片的滑板区域进行标注,生成由多张包含滑板区域标记的受电弓照片构成的第二训练样本集和第二测试集;基于所述第二训练样本集和所述第二测试集,对所述第二网络模型进行训练并验证,生成用于滑板区域分割的第一语义分割模型;将所述受电弓区域图像输入第二神经网络单元,基于所述第一语义分割模型获取所述分割图像。
更进一步的,生成用于表征滑板区域的三维点云分割数据,包括:构建所述第三网络模型,获取由多组受电弓三维点云数据构成的数据集并对每组所述受电弓三维点云数据的滑板区域进行标注,生成由多组包含滑板区域标记的受电弓三维点云数据构成的第三训练样本集和第三测试集;基于所述第三训练样本集和所述第三测试集,对所述第三网络模型进行训练并验证,生成用于滑板区域分割的第二语义分割模型;将所述三维点云数据输入第三神经网络单元,基于所述第二语义分割模型获取所述三维点云分割数据。
S4:提取所述滑板点云数据的缺陷区域并生成检测报告。
进一步的,所述S4包括:将所述滑板点云数据转化为二维矩阵图像数据;构建用于提取缺陷区域及缺陷种类的第四网络模型,获取由多张滑板照片构成的数据集并对每张所述滑板照片的缺陷区域及缺陷种类进行标注,生成由多张包含受缺陷区域及种类标记的照片构成的第四训练样本集和第四测试集;基于所述第四训练样本集和所述第四测试集,对所述第四网络模型进行训练并验证,生成用于提取缺陷区域及缺陷种类的第二检测模型;将所述二维矩阵图像数据输入第四神经网络单元,基于所述第二检测模型获取缺陷区域提取框并提取缺陷区域图像及缺陷种类信息。其中,第四网络模型可以是R-CNN、YOLO、SSD等网络模型,本发明不限定网络模型类型。其中,缺陷类型可以是掉块、凹槽等。
进一步的,所述受电弓状态检测方法还包括:基于所述滑板点云数据与预存储的标准滑板点云数据模板进行模板配准,提取匹配模板,通过计算所述滑板点云数据与所述匹配模板的任意一同位置坐标点的高度差值,获取高度差值分布,并通过剔除掉块、凹槽区域,计算最大高度差值附近区域的高度差值均值,作为磨耗值;基于所述缺陷区域图像、所述缺陷种类信息和所述滑板磨耗值生成所述检测报告。
更进一步的,所述受电弓状态检测方法还包括:提取出匹配模板后,提取所述匹配模板的两个长边界线,基于两条边界线的垂线的两个交点计算俯仰角、基于任意边界线的两个端点计算偏航角、基于任意边界线的两个端点计算翻滚角,基于所述俯仰角、所述偏航角和所述翻滚角生成所述受电弓姿态信息。
本发明通过采集受电弓的三维点云数据提取受电弓区域图像后,基于二维的受电弓区域图像和三维点云数据分别提取用于表征滑板区域的二维分割图像和三维点云,通过限定区域置信度并取两者在三维坐标下重合区域的方法提取滑板点云数据,大大提升了滑板图像提取的精确度。并通过提取滑板点云数据缺陷区域图像、缺陷种类信息和滑板磨耗值生成所述检测报告,解决了现有的列车受电弓状态检测方法的功能单一、检测精度低的问题。
以上对本发明实施例所提供的列车受电弓状态检测方法进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (10)
1.一种列车受电弓状态检测方法,其特征在于,包括:
S1:获取受电弓的三维点云数据;
S2:基于所述三维点云数据提取受电弓区域图像;
S3:分割所述受电弓区域图像生成滑板点云数据;
S4:提取所述滑板点云数据的缺陷区域并生成检测报告。
2.根据权利要求1所述的受电弓状态检测方法,其特征在于,所述S1包括:
基于一组采集单元采集受电弓升弓位置区域的第一三维点云数据或受电弓降弓位置区域的第二三维点云数据;或
基于两组采集单元同时采集受电弓升弓位置区域的第一三维点云数据和受电弓降弓位置区域的第二三维点云数据。
3.根据权利要求2所述的受电弓状态检测方法,其特征在于,所述S1还包括:
在基于一组所述采集单元采集的情况下,将所述第一三维点云数据或所述第二三维点云数据作为用于提取所述受电弓区域图像的所述三维点云数据;
在基于两组所述采集单元采集的情况下,基于所述第一三维点云数据进行受电弓状态判定,若受电弓为升弓状态,将所述第一三维点云数据作为用于提取所述受电弓区域图像的所述三维点云数据,若受电弓为降弓状态,将所述第二三维点云数据作为用于提取所述受电弓区域图像的所述三维点云数据。
4.根据权利要求1所述的受电弓状态检测方法,其特征在于,所述S2包括:
基于数据归一化方法将所述三维点云数据转化为灰度图像数据;
构建用于二维图像提取的第一网络模型,获取由多张包含受电弓的照片构成的数据集并对每张所述包含受电弓的照片的受电弓区域进行标注,生成由多张包含受电弓区域标记的照片构成的第一训练样本集和第一测试集;
基于所述第一训练样本集和所述第一测试集,对所述第一网络模型进行训练并验证,生成用于受电弓区域提取的第一检测模型;
将所述灰度图像数据输入第一神经网络单元,基于所述第一检测模型获取受电弓区域提取框并提取所述受电弓区域图像。
5.根据权利要求1所述的受电弓状态检测方法,其特征在于,所述S3包括:
将所述受电弓区域图像输入用于二维图像分割的第二网络模型,生成用于表征滑板区域的分割图像;
将所述三维点云数据输入用于三维点云分割的第三网络模型,生成用于表征滑板区域的三维点云分割数据;
提取所述分割图像中置信度高于第一阈值的区域图像和所述三维点云分割数据中置信度高于第一阈值的区域点云数据,计算所述区域图像和所述区域点云数据的重合区域作为所述滑板点云数据。
6.根据权利要求5所述的受电弓状态检测方法,其特征在于,生成用于表征滑板区域的分割图像,包括:
构建所述第二网络模型,获取由多张受电弓照片构成的数据集并对每张所述受电弓照片的滑板区域进行标注,生成由多张包含滑板区域标记的受电弓照片构成的第二训练样本集和第二测试集;
基于所述第二训练样本集和所述第二测试集,对所述第二网络模型进行训练并验证,生成用于滑板区域分割的第一语义分割模型;
将所述受电弓区域图像输入第二神经网络单元,基于所述第一语义分割模型获取所述分割图像。
7.根据权利要求5所述的受电弓状态检测方法,其特征在于,生成用于表征滑板区域的三维点云分割数据,包括:
构建所述第三网络模型,获取由多组受电弓三维点云数据构成的数据集并对每组所述受电弓三维点云数据的滑板区域进行标注,生成由多组包含滑板区域标记的受电弓三维点云数据构成的第三训练样本集和第三测试集;
基于所述第三训练样本集和所述第三测试集,对所述第三网络模型进行训练并验证,生成用于滑板区域分割的第二语义分割模型;
将所述三维点云数据输入第三神经网络单元,基于所述第二语义分割模型获取所述三维点云分割数据。
8.根据权利要求1所述的受电弓状态检测方法,其特征在于,所述S4包括:
将所述滑板点云数据转化为二维矩阵图像数据;
构建用于提取缺陷区域及缺陷种类的第四网络模型,获取由多张滑板照片构成的数据集并对每张所述滑板照片的缺陷区域及缺陷种类进行标注,生成由多张包含受缺陷区域及种类标记的照片构成的第四训练样本集和第四测试集;
基于所述第四训练样本集和所述第四测试集,对所述第四网络模型进行训练并验证,生成用于提取缺陷区域及缺陷种类的第二检测模型;
将所述二维矩阵图像数据输入第四神经网络单元,基于所述第二检测模型获取缺陷区域提取框并提取缺陷区域图像及缺陷种类信息。
9.根据权利要求1所述的受电弓状态检测方法,其特征在于,所述受电弓状态检测方法还包括:
基于所述滑板点云数据与预存储的标准滑板点云数据模板进行模板配准,提取匹配模板,计算所述滑板点云数据与所述匹配模板的高度差均值作为滑板磨耗值;
基于所述缺陷区域图像、所述缺陷种类信息和所述滑板磨耗值生成所述检测报告。
10.根据权利要求3所述的受电弓状态检测方法,其特征在于,基于所述第一三维点云数据进行受电弓状态判定,包括:
遍历所述第一三维点云数据,若提取到所述第一三维点云数据中z轴坐标高于第二阈值的点云数据则判定受电弓为升弓状态,反之则判定受电弓为降弓状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110047361.1A CN112950532B (zh) | 2021-01-14 | 2021-01-14 | 一种列车受电弓状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110047361.1A CN112950532B (zh) | 2021-01-14 | 2021-01-14 | 一种列车受电弓状态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950532A true CN112950532A (zh) | 2021-06-11 |
CN112950532B CN112950532B (zh) | 2024-04-16 |
Family
ID=76235327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110047361.1A Active CN112950532B (zh) | 2021-01-14 | 2021-01-14 | 一种列车受电弓状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950532B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658112A (zh) * | 2021-07-27 | 2021-11-16 | 北京交通大学 | 一种基于模板匹配与神经网络算法的弓网异常检测方法 |
CN113808097A (zh) * | 2021-09-14 | 2021-12-17 | 北京主导时代科技有限公司 | 一种列车的关键部件丢失检测方法及其系统 |
CN114638974A (zh) * | 2022-03-29 | 2022-06-17 | 中冶赛迪重庆信息技术有限公司 | 一种目标物识别方法、系统、介质及电子终端 |
CN114972042A (zh) * | 2022-08-01 | 2022-08-30 | 成都唐源电气股份有限公司 | 基于标准模型的受电弓点云拼接方法、系统、设备和介质 |
CN117876368A (zh) * | 2024-03-11 | 2024-04-12 | 成都唐源电气股份有限公司 | 一种接触轨集电靴碳滑板磨耗和裂纹的检测方法及系统 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR200310498Y1 (ko) * | 2003-01-02 | 2003-04-21 | (주)엔텍엔지니어링 | 3차원 영상을 이용한 열차 팬터그래프 습판 자동측정시스템 |
KR20040062228A (ko) * | 2003-01-02 | 2004-07-07 | (주)엔텍엔지니어링 | 3차원 영상을 이용한 열차 팬터그래프 습판자동측정시스템 및 그 제어방법 |
CN104567729A (zh) * | 2014-12-31 | 2015-04-29 | 苏州华兴致远电子科技有限公司 | 受电弓运行状态监测方法及装置 |
CN204495300U (zh) * | 2014-12-31 | 2015-07-22 | 苏州华兴致远电子科技有限公司 | 受电弓运行状态监测装置 |
CN204514361U (zh) * | 2015-01-22 | 2015-07-29 | 苏州华兴致远电子科技有限公司 | 一种弓网运行状态监测系统 |
KR101602376B1 (ko) * | 2015-09-15 | 2016-03-11 | 투아이시스(주) | 열차 결함 모니터링 시스템 |
KR20170087304A (ko) * | 2016-01-20 | 2017-07-28 | 한국철도기술연구원 | 전기철도차량의 팬터그래프 진동 검측 방법 및 장치 |
CN108921164A (zh) * | 2018-06-15 | 2018-11-30 | 西南交通大学 | 一种基于三维点云分割的接触网定位器坡度检测方法 |
CN109345532A (zh) * | 2018-10-11 | 2019-02-15 | 大同新成新材料股份有限公司 | 一种受电弓滑板的检测方法及检测装置 |
CN109374636A (zh) * | 2018-11-29 | 2019-02-22 | 成都铁安科技有限责任公司 | 一种受电弓图像采集系统、检测系统及检测方法 |
CN109658387A (zh) * | 2018-11-27 | 2019-04-19 | 北京交通大学 | 电力列车的受电弓碳滑板缺陷的检测方法 |
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 |
CN110097591A (zh) * | 2019-04-29 | 2019-08-06 | 中国科学院上海微系统与信息技术研究所 | 弓网状态的检测方法 |
CN110455214A (zh) * | 2019-07-30 | 2019-11-15 | 中车青岛四方机车车辆股份有限公司 | 一种受电弓滑板磨耗状态监测系统及方法 |
CN111238393A (zh) * | 2020-01-20 | 2020-06-05 | 成都铁安科技有限责任公司 | 受电弓碳滑板检测系统及其控制方法 |
CN111260797A (zh) * | 2020-01-10 | 2020-06-09 | 西南交通大学 | 一种受电弓图像的三维模板自动匹配方法 |
CN111260629A (zh) * | 2020-01-16 | 2020-06-09 | 成都地铁运营有限公司 | 基于图像处理的受电弓结构异常检测算法 |
CN111609813A (zh) * | 2020-05-26 | 2020-09-01 | 成都唐源电气股份有限公司 | 一种基于3d成像的受电弓磨耗测量方法及系统 |
CN111640155A (zh) * | 2020-05-26 | 2020-09-08 | 成都唐源电气股份有限公司 | 一种基于3d成像的受电弓弓头倾斜角测量方法及系统 |
CN111666947A (zh) * | 2020-05-26 | 2020-09-15 | 成都唐源电气股份有限公司 | 一种基于3d成像的受电弓弓头偏移量测量方法及系统 |
CN111754512A (zh) * | 2020-07-17 | 2020-10-09 | 成都盛锴科技有限公司 | 一种受电弓状态信息采集方法及系统 |
CN111812101A (zh) * | 2020-07-09 | 2020-10-23 | 江苏集萃智能光电系统研究所有限公司 | 受电弓滑板缺陷检测装置及方法 |
-
2021
- 2021-01-14 CN CN202110047361.1A patent/CN112950532B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR200310498Y1 (ko) * | 2003-01-02 | 2003-04-21 | (주)엔텍엔지니어링 | 3차원 영상을 이용한 열차 팬터그래프 습판 자동측정시스템 |
KR20040062228A (ko) * | 2003-01-02 | 2004-07-07 | (주)엔텍엔지니어링 | 3차원 영상을 이용한 열차 팬터그래프 습판자동측정시스템 및 그 제어방법 |
CN104567729A (zh) * | 2014-12-31 | 2015-04-29 | 苏州华兴致远电子科技有限公司 | 受电弓运行状态监测方法及装置 |
CN204495300U (zh) * | 2014-12-31 | 2015-07-22 | 苏州华兴致远电子科技有限公司 | 受电弓运行状态监测装置 |
CN204514361U (zh) * | 2015-01-22 | 2015-07-29 | 苏州华兴致远电子科技有限公司 | 一种弓网运行状态监测系统 |
KR101602376B1 (ko) * | 2015-09-15 | 2016-03-11 | 투아이시스(주) | 열차 결함 모니터링 시스템 |
KR20170087304A (ko) * | 2016-01-20 | 2017-07-28 | 한국철도기술연구원 | 전기철도차량의 팬터그래프 진동 검측 방법 및 장치 |
CN108921164A (zh) * | 2018-06-15 | 2018-11-30 | 西南交通大学 | 一种基于三维点云分割的接触网定位器坡度检测方法 |
CN109345532A (zh) * | 2018-10-11 | 2019-02-15 | 大同新成新材料股份有限公司 | 一种受电弓滑板的检测方法及检测装置 |
CN109658387A (zh) * | 2018-11-27 | 2019-04-19 | 北京交通大学 | 电力列车的受电弓碳滑板缺陷的检测方法 |
CN109374636A (zh) * | 2018-11-29 | 2019-02-22 | 成都铁安科技有限责任公司 | 一种受电弓图像采集系统、检测系统及检测方法 |
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 |
CN110097591A (zh) * | 2019-04-29 | 2019-08-06 | 中国科学院上海微系统与信息技术研究所 | 弓网状态的检测方法 |
CN110455214A (zh) * | 2019-07-30 | 2019-11-15 | 中车青岛四方机车车辆股份有限公司 | 一种受电弓滑板磨耗状态监测系统及方法 |
CN111260797A (zh) * | 2020-01-10 | 2020-06-09 | 西南交通大学 | 一种受电弓图像的三维模板自动匹配方法 |
CN111260629A (zh) * | 2020-01-16 | 2020-06-09 | 成都地铁运营有限公司 | 基于图像处理的受电弓结构异常检测算法 |
CN111238393A (zh) * | 2020-01-20 | 2020-06-05 | 成都铁安科技有限责任公司 | 受电弓碳滑板检测系统及其控制方法 |
CN111609813A (zh) * | 2020-05-26 | 2020-09-01 | 成都唐源电气股份有限公司 | 一种基于3d成像的受电弓磨耗测量方法及系统 |
CN111640155A (zh) * | 2020-05-26 | 2020-09-08 | 成都唐源电气股份有限公司 | 一种基于3d成像的受电弓弓头倾斜角测量方法及系统 |
CN111666947A (zh) * | 2020-05-26 | 2020-09-15 | 成都唐源电气股份有限公司 | 一种基于3d成像的受电弓弓头偏移量测量方法及系统 |
CN111812101A (zh) * | 2020-07-09 | 2020-10-23 | 江苏集萃智能光电系统研究所有限公司 | 受电弓滑板缺陷检测装置及方法 |
CN111754512A (zh) * | 2020-07-17 | 2020-10-09 | 成都盛锴科技有限公司 | 一种受电弓状态信息采集方法及系统 |
Non-Patent Citations (4)
Title |
---|
孟欢;杨雪荣;吕文阁;成思源;: "一种单轨列车受电弓滑板磨耗检测系统的设计", 铁道标准设计, no. 08 * |
孟欢;杨雪荣;吕文阁;成思源;: "一种单轨列车受电弓滑板磨耗检测系统的设计", 铁道标准设计, no. 08, 20 August 2017 (2017-08-20) * |
金光;杨培义;: "基于机器视觉的HXD型机车受电弓滑板缺陷的检测研究", 菏泽学院学报, no. 02 * |
金光;杨培义;: "基于机器视觉的HXD型机车受电弓滑板缺陷的检测研究", 菏泽学院学报, no. 02, 25 April 2020 (2020-04-25) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658112A (zh) * | 2021-07-27 | 2021-11-16 | 北京交通大学 | 一种基于模板匹配与神经网络算法的弓网异常检测方法 |
CN113658112B (zh) * | 2021-07-27 | 2024-03-01 | 北京交通大学 | 一种基于模板匹配与神经网络算法的弓网异常检测方法 |
CN113808097A (zh) * | 2021-09-14 | 2021-12-17 | 北京主导时代科技有限公司 | 一种列车的关键部件丢失检测方法及其系统 |
CN113808097B (zh) * | 2021-09-14 | 2024-04-12 | 北京主导时代科技有限公司 | 一种列车的关键部件丢失检测方法及其系统 |
CN114638974A (zh) * | 2022-03-29 | 2022-06-17 | 中冶赛迪重庆信息技术有限公司 | 一种目标物识别方法、系统、介质及电子终端 |
CN114972042A (zh) * | 2022-08-01 | 2022-08-30 | 成都唐源电气股份有限公司 | 基于标准模型的受电弓点云拼接方法、系统、设备和介质 |
CN114972042B (zh) * | 2022-08-01 | 2022-10-21 | 成都唐源电气股份有限公司 | 基于标准模型的受电弓点云拼接方法、系统、设备和介质 |
CN117876368A (zh) * | 2024-03-11 | 2024-04-12 | 成都唐源电气股份有限公司 | 一种接触轨集电靴碳滑板磨耗和裂纹的检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112950532B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112950532B (zh) | 一种列车受电弓状态检测方法 | |
Dhiman et al. | Pothole detection using computer vision and learning | |
Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
CN111179152B (zh) | 一种道路标识识别方法及装置、介质、终端 | |
CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测系统 | |
CN110349260B (zh) | 一种路面标线自动提取方法及装置 | |
CN111485475B (zh) | 一种路面坑槽识别方法及其装置 | |
CN108986082A (zh) | 一种基于epnp的钢轨廓形检测方法及系统 | |
CN112883820B (zh) | 基于激光雷达点云的道路目标3d检测方法及系统 | |
CN112070756B (zh) | 一种基于无人机倾斜摄影的路面立体病害测量方法 | |
CN113639685B (zh) | 位移检测方法、装置、设备和存储介质 | |
CN111832410B (zh) | 一种基于视觉与激光雷达融合的前向列车检测方法 | |
CN113947731A (zh) | 一种基于接触网安全巡检的异物识别方法及系统 | |
CN110567383A (zh) | 基于结构森林和亚像素的受电弓磨耗预警系统及检测方法 | |
CN109360188A (zh) | 一种高铁接触网等电位线不良状态的检测方法 | |
Camilleri et al. | Detecting road potholes using computer vision techniques | |
CN117115390A (zh) | 一种变电站中变电设备的三维模型布局方法 | |
CN117557570A (zh) | 一种轨道车辆异常检测方法及系统 | |
CN113504545A (zh) | 一种基于激光雷达的接触网数据检测方法 | |
CN111640155B (zh) | 一种基于3d成像的受电弓弓头倾斜角测量方法及系统 | |
CN112395956A (zh) | 一种面向复杂环境的可通行区域检测方法及系统 | |
CN110992345A (zh) | 一种轨道磨损检测方法及装置 | |
CN109934172B (zh) | 高速列车受电弓免gps全运行线故障视觉检测定位方法 | |
CN117058912A (zh) | 巡检车检测异常停车方法、装置、存储介质及电子设备 | |
CN116416589A (zh) | 一种基于铁轨数据与几何性质的轨道点云提取方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No. 389, Wenjia Road, Qingyang District, Chengdu, Sichuan 610000 Applicant after: CHENGDU TIEAN SCIENCE & TECHNOLOGY Co.,Ltd. Address before: 6 Donghai Road, Qingyang Park, Jiaolong industrial port, Bazhong, Sichuan 610000 Applicant before: CHENGDU TIEAN SCIENCE & TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |