CN113192019A - 一种基于紫外摄像头的列车受电弓检测方法及系统 - Google Patents
一种基于紫外摄像头的列车受电弓检测方法及系统 Download PDFInfo
- Publication number
- CN113192019A CN113192019A CN202110448480.8A CN202110448480A CN113192019A CN 113192019 A CN113192019 A CN 113192019A CN 202110448480 A CN202110448480 A CN 202110448480A CN 113192019 A CN113192019 A CN 113192019A
- Authority
- CN
- China
- Prior art keywords
- pantograph
- model
- detecting
- ultraviolet camera
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000013138 pruning Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Current-Collector Devices For Electrically Propelled Vehicles (AREA)
Abstract
本发明公开了一种基于紫外摄像头的列车受电弓检测方法及系统,所述方法包括以下步骤:将待检测图像输入训练好的检测器,抽帧检测受电弓的位置以及是否异常,获得检测结果;通过紫外摄像头提取待检测图像中受电弓取电时火花异常的位置,获得提取结果;结合所述检测结果和所述提取结果,获得最终受电弓异常的位置,完成检测。本发明的方法或系统用于列车受电弓检测时,具有误检率较低、召回率较高、受光照影响较小的优点。
Description
技术领域
本发明属于计算机数字图像处理与模式识别技术领域,涉及列车受电弓检测领域,特别涉及一种基于紫外摄像头的列车受电弓检测方法及系统。
背景技术
高铁运行速度逐渐提高,高铁的安全性越来越引起人们的重视;在高铁的高速运行过程中,全车的动力依靠于外车厢顶部的受电装置获取。因此,受电装置对高铁的运行起着至关重要的作用。目前主要依靠人工登车检查和人工监控检查的方式来确保高铁受电装置的正常工作,这种方式既增加了人力成本又会因人工检查的弊端而带来一些安全隐患。
随着深度学习的发展,基于计算机视觉的智能监控已经逐渐应用在生活中的各个领域,将深度学习技术应用到高铁受电装置的智能监控中,能够解放人力同时为高铁的运行安全保驾护航。
目前已有的基于神经网络或图像检测方法的可靠性较差,具体包括:误检率较高、召回率较低、容易受到光照的影响。
综上,亟需一种新的基于紫外摄像头的列车受电弓检测方法及系统。
发明内容
本发明的目的在于提供一种基于紫外摄像头的列车受电弓检测方法及系统,以解决上述存在的一个或多个技术问题。本发明的方法或系统用于列车受电弓检测时,具有误检率较低、召回率较高、受光照影响较小的优点。
为达到上述目的,本发明采用以下技术方案:
本发明的一种基于紫外摄像头的列车受电弓检测方法,包括以下步骤:
将待检测图像输入训练好的检测器,抽帧检测受电弓的位置以及是否异常,获得检测结果;
通过紫外摄像头提取待检测图像中受电弓取电时火花异常的位置,获得提取结果;
结合所述检测结果和所述提取结果,获得最终受电弓异常的位置,完成检测。
本发明的进一步改进在于,所述训练好的检测模型的获取步骤包括:
获取检测受电弓的学习样本集;
基于所述学习样本集训练深度神经网络,获得训练好的检测器;其中,所述深度神经网络为YOLO、Fast-RCNN、Faster-RCNN或SSD。
本发明的进一步改进在于,所述获取检测受电弓的学习样本集的步骤具体包括:
通过视觉摄像头得到受电弓的图像;
对得到的图像进行属性和位置标注,获得样本集;其中,所述属性包括弓型正常和弓型异常;
将所述样本集转化为VOC或COCO标准数据集格式,获得学习样本集。
本发明的进一步改进在于,所述基于所述学习样本集训练深度神经网络,获得训练好的检测器的过程中,在基于所述学习样本集训练深度神经网络之后还包括:
对训练好的深度神经网络模型利用netadapt方法进行剪枝搜索;再将模型转换为ONNX格式后进行量化,得到RKNN模型。
本发明的进一步改进在于,所述将模型转换为ONNX格式后进行量化,得到RKNN模型的步骤具体包括:
将剪枝搜索后的模型转换为ONNX格式,并将模型参数量化为int8类型,获得量化后的模型;
将量化后的模型通过RKNNtoolkit转化为RKNN格式,获得RKNN模型。
本发明的进一步改进在于,所述通过训练好的检测器,抽帧检测受电弓的位置以及是否异常的步骤具体包括:
采用嵌入式设备通过训练好的检测器,每1秒获取一次受电弓的位置;其中,中间帧使用上一次检测的位置。
本发明的进一步改进在于,在获得最终受电弓异常的位置之后,还包括:根据检测到火花的频率,提示不同程度的警告。
本发明的进一步改进在于,所述根据检测到火花的频率,提示不同程度的警告的步骤具体包括:
通过前100帧产生火花的图片进行计数,若0~25帧产生了火花,预警级别为正常;若25~50帧产生了火花,预警级别为预警;若50~75帧产生了火花,预警级别为报警;若75~100帧产生了火花,预警级别为告警。
本发明的一种基于紫外摄像头的列车受电弓检测系统,包括:
检测结果获取模块,用于将待检测图像输入训练好的检测器,抽帧检测受电弓的位置以及是否异常,获得检测结果;
提取结果获取模块,用于通过紫外摄像头提取待检测图像中受电弓取电时火花异常的位置,获得提取结果;
受电弓异常位置获取模块,用于结合所述检测结果和所述提取结果,获得最终受电弓异常的位置,完成检测。
与现有技术相比,本发明具有以下有益效果:
本发明中,基于训练好的模型获得检测结果,结合紫外线摄像头的提取结果和检测结果获得最终的受电弓产生火花的位置,具有误检率较低、召回率较高、受光照影响较小的优点。
本发明中,基于紫外摄像头的列车受电弓检测方法包括:训练检测受电弓位置的轻量化模型;抽帧检测受电弓的位置,保证检测的速度;结合紫外线摄像头和视觉摄像头提取受电弓异常火花的位置;根据异常火花产生的频率产生不同程度的警告。本发明通过结合视觉摄像头和紫外摄像头的图像确定受电弓产生火花的位置,并通过火花产生的频率进行不同程度的预警,方便运维人员进行查看和警告,并将产生火花的图片保存下来方便车辆运行后的分析。
本发明中,还包括对检测模型进行搜索和量化,并将其部署在智能前端上;其中,对训练好的网络模型进行量化和剪枝,能够满足使用智能前端设备对受电弓的位置和属性进行检测的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种基于紫外摄像头的列车受电弓检测方法的流程示意图;
图2是本发明实施例中,紫外摄像头的示意图;
图3是本发明实施例中,受电弓异常的检测实例示意图;
图4是本发明实施例中,系统预警情况的示意图;
图5是本发明实施例中,系统查询异常图片情况的示意图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚,下面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,所描述的实施例是本发明一部分实施例。基于本发明公开的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例,都应属于本发明保护的范围。
请参阅图1,本发明实施例的一种基于紫外摄像头的列车受电弓检测方法,包括以下步骤:
步骤1:获取检测受电弓的学习样本集;
步骤2:训练检测受电弓位置的轻量化模型;其中,本发明实施例方法优选可以采用的深度神经网络有YOLO、Fast-RCNN、Faster-RCNN、SSD,将训练好的网络模型保存到本地硬盘上;
步骤3:对训练好的网络模型利用netadapt方法进行剪枝搜索,搜索结束后将模型转换为ONNX格式再进行量化,得到RKNN模型;
步骤4:直接从摄像头或者从本地硬盘上的视频文件获取图像,使用训练好的网络模型每隔1秒获取一次受电弓的位置;
步骤5:通过紫外摄像头获取到火花的位置;
步骤6:结合紫外摄像头提取的位置和受电弓检测的位置确定最终受电弓异常的位置;
步骤7:根据检测到火花的频率,提示不同程度的警告。
根据本发明实施例,所述基于紫外摄像头的列车受电弓检测方法包括:对检测模型进行轻量化设计;对检测模型进行搜索和量化,并将其部署在智能前端上;结合紫外线摄像头和视觉摄像头提取受电弓异常火花的位置;根据异常火花产生的频率产生不同程度的警告。本发明通过结合视觉摄像头和紫外摄像头的图像确定受电弓产生火花的位置,并通过火花产生的频率进行不同程度的预警,方便运维人员进行查看和警告,并将产生火花的图片保存下来方便车辆运行后的分析;本发明的方法用于列车受电弓检测时,具有误检率较低、召回率较高、受光照影响较小的优点。
本发明实施例优选的,步骤1中,获取检测受电弓的学习样本集,包括:
通过安装在列车上的视觉摄像头,可以得到每一帧受电弓的图像,得到图片后对其进行属性和位置标注,数据包括弓型正常的图片和弓型异常的图片。将其作为VOC或者COCO数据集,方便后续的检测模型的训练任务。
本发明实施例优选的,步骤2中,训练检测受电弓位置的轻量化模型,包括:
首先选择一种检测模型,可以选择YOLO、SSD、FasterRCNN等。由于检测受电弓是一个比较简单的检测任务,可以将模型进行一定的简化。以YOLO为例,可以减小输入图片的尺寸,可以减少检测网络中滤波器的数量。这样的话可以在保证受电弓正确检测的前提下,提高检测网络的速度。
本发明实施例优选的,步骤3中,对训练好的网络模型利用netadapt方法进行剪枝搜索,搜索结束后将模型转换为ONNX格式再进行量化,得到RKNN模型,包括:
首先通过步骤2训练得到的检测模型,进行netadapt方法进行剪枝搜索,进一步减少模型的参数量。搜索之后将模型转换成ONNX格式并量化,得到能够在智能前端上运行的RKNN模型。
申请号为201810210517.1的中国发明专利申请,公布了一种“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”;该发明基于改进的YOLO检测算法进行受电弓的火花检测,有一定的检测效果。但缺陷在于,该方法需要一个检测受电弓的检测模型,还需要一个检测火花的模型;本发明实施例的方法只需要一个检测受电弓的模型即可,火花的位置由紫外摄像头提取。另外,该方法也没有将模型部署在智能前端上,智能前端相对于一般的服务器来说更加的方便部署,且价格更便宜。
本发明实施例优选的,步骤4中,直接从摄像头或者从本地硬盘上的视频文件获取图像,使用训练好的网络模型每隔1秒获取一次受电弓的位置,包括:
模型会每隔1秒检测受电弓的位置,在这1秒的间隔的每一帧,会延用之前检测好的位置,在列车运行的过程中,受电弓在摄像机里的位置基本上是不变的,因此可以根据时序的信息来判断弓的位置,这样也可以提高检测弓的速度。
步骤5中,通过紫外摄像头获取到火花的位置,包括:
紫外摄像头能够捕捉到受电弓接电异常时产生的火花,结合步骤4提取到的受电弓的位置,能够更准确的定位到火花的位置。
示例性的,首先步骤4能够提取到受电弓的位置,在这个步骤中,让紫外摄像头去捕捉受电弓图像区域内的紫外光线,以来确定异常火花的位置。本发明技术方案中这样做的好处包括:提取受电弓的位置,能够将受电弓外紫外线较强的物体,如灯光,太阳等误检为异常火花;使用紫外摄像头去捕捉异常火花能够抑制可见光对检测结果的影响。如果用视觉摄像头去检测异常火花,很容易发声误检火花的现象。示例性的,所述检测结果表示的是深度学习模型检测到的受电弓位置;所述提取结果表示的是紫外摄像头提取受电弓位置中的紫外光线,以来确定火花异常的位置。
步骤6中,根据检测到火花的频率,提示不同程度的警告,包括:
通过前100帧产生火花的图片进行计数,若0-25帧产生了火花,预警级别为正常;若25-50帧产生了火花,预警级别为预警;若50-75帧产生了火花,预警级别为报警;若75-100帧产生了火花,预警级别为告警。
本发明实施例上述技术方案,可以使得易于部署的智能前端设备进行受电弓的检测,通过量化,搜索,抽帧的方法进一步加快检测的速度,结合视觉摄像头和紫外摄像头提取异常火花的位置,并通过产生火花的频率进行报警,将异常的图片进行保存,方便了运维人员的查询和维护。具体的,申请号为201710802474.1的中国发明专利申请公开了“一种电力机车接触网受电弓电弧检测方法”,其基于Adaboost级联分类器和传统的图像处理算法进行受电弓的火花检测,能够获得一定的检测效果;其依然存在的缺陷包括:该方法使用的传统图像处理算法误检率(误检结果/全部检出结果)为25%,而本发明实施例公开的方法可以做到10%以下;该方法算法召回率(检出电弧数量/实际电弧数量)为80%,本发明实施例公开的方法可以做到85%以上。同时该方法容易受到光照的影响,而本发明实施例的方法基于紫外线提取火花,相比来说受到光照的影响更小。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (9)
1.一种基于紫外摄像头的列车受电弓检测方法,其特征在于,包括以下步骤:
将待检测图像输入训练好的检测器,抽帧检测受电弓的位置以及是否异常获得检测结果;
通过紫外摄像头提取待检测图像中受电弓取电时火花异常的位置,获得提取结果;
基于所述检测结果和所述提取结果,获得最终受电弓异常的位置,完成检测。
2.根据权利要求1所述的一种基于紫外摄像头的列车受电弓检测方法,其特征在于,所述训练好的检测模型的获取步骤包括:
获取检测受电弓的学习样本集;
基于所述学习样本集训练深度神经网络,获得训练好的检测器;其中,所述深度神经网络为YOLO、Fast-RCNN、Faster-RCNN或SSD。
3.根据权利要求2所述的一种基于紫外摄像头的列车受电弓检测方法,其特征在于,所述获取检测受电弓的学习样本集的步骤具体包括:
通过视觉摄像头得到受电弓的图像;
对得到的图像进行属性和位置标注,获得样本集;其中,所述属性包括弓型正常和弓型异常;
将所述样本集转化为VOC或COCO标准数据集格式,获得学习样本集。
4.根据权利要求2所述的一种基于紫外摄像头的列车受电弓检测方法,其特征在于,所述基于所述学习样本集训练深度神经网络,获得训练好的检测器的过程中,在基于所述学习样本集训练深度神经网络之后还包括:
对训练好的深度神经网络模型利用netadapt方法进行剪枝搜索;再将模型转换为ONNX格式后进行量化,得到RKNN模型。
5.根据权利要求4所述的一种基于紫外摄像头的列车受电弓检测方法,其特征在于,所述将模型转换为ONNX格式后进行量化,得到RKNN模型的步骤具体包括:
将剪枝搜索后的模型转换为ONNX格式,并将模型参数量化为int8类型,获得量化后的模型;
将量化后的模型通过RKNNtoolkit转化为RKNN格式,获得RKNN模型。
6.根据权利要求1所述的一种基于紫外摄像头的列车受电弓检测方法,其特征在于,通过训练好的检测器抽帧检测受电弓的位置以及是否异常的步骤具体包括:
采用嵌入式设备通过训练好的检测器,每1秒获取一次受电弓的位置;其中,中间帧使用上一次检测的位置。
7.根据权利要求1所述的一种基于紫外摄像头的列车受电弓检测方法,其特征在于,在获得最终受电弓异常的位置之后,还包括:根据检测到火花的频率,提示不同程度的警告。
8.根据权利要求7所述的一种基于紫外摄像头的列车受电弓检测方法,其特征在于,所述根据检测到火花的频率,提示不同程度的警告的步骤具体包括:
通过前100帧产生火花的图片进行计数,若0~25帧产生了火花,预警级别为正常;若25~50帧产生了火花,预警级别为预警;若50~75帧产生了火花,预警级别为报警;若75~100帧产生了火花,预警级别为告警。
9.一种基于紫外摄像头的列车受电弓检测系统,其特征在于,包括:
检测结果获取模块,用于将待检测图像输入训练好的检测器,抽帧检测受电弓的位置以及是否异常,获得检测结果;
提取结果获取模块,用于通过紫外摄像头提取待检测图像中受电弓取电时火花异常的位置,获得提取结果;
受电弓异常位置获取模块,用于结合所述检测结果和所述提取结果,获得最终受电弓异常的位置,完成检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110448480.8A CN113192019A (zh) | 2021-04-25 | 2021-04-25 | 一种基于紫外摄像头的列车受电弓检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110448480.8A CN113192019A (zh) | 2021-04-25 | 2021-04-25 | 一种基于紫外摄像头的列车受电弓检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113192019A true CN113192019A (zh) | 2021-07-30 |
Family
ID=76978763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110448480.8A Pending CN113192019A (zh) | 2021-04-25 | 2021-04-25 | 一种基于紫外摄像头的列车受电弓检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192019A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109143001A (zh) * | 2018-10-18 | 2019-01-04 | 北京华开领航科技有限责任公司 | 受电弓检测系统 |
CN109934172A (zh) * | 2019-03-14 | 2019-06-25 | 中南大学 | 高速列车受电弓免gps全运行线故障视觉检测定位方法 |
CN110458126A (zh) * | 2019-08-16 | 2019-11-15 | 上海仁童电子科技有限公司 | 一种受电弓状态监测方法及装置 |
CN112165600A (zh) * | 2020-08-26 | 2021-01-01 | 苏宁云计算有限公司 | 一种溺水的识别方法、装置、摄像头及计算机系统 |
-
2021
- 2021-04-25 CN CN202110448480.8A patent/CN113192019A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109143001A (zh) * | 2018-10-18 | 2019-01-04 | 北京华开领航科技有限责任公司 | 受电弓检测系统 |
CN109934172A (zh) * | 2019-03-14 | 2019-06-25 | 中南大学 | 高速列车受电弓免gps全运行线故障视觉检测定位方法 |
CN110458126A (zh) * | 2019-08-16 | 2019-11-15 | 上海仁童电子科技有限公司 | 一种受电弓状态监测方法及装置 |
CN112165600A (zh) * | 2020-08-26 | 2021-01-01 | 苏宁云计算有限公司 | 一种溺水的识别方法、装置、摄像头及计算机系统 |
Non-Patent Citations (2)
Title |
---|
TIEN-JU YANG 等: "NetAdapt: Platform-Aware Neural Network Adaptation for Mobile Applications", 《ARXIV:1804.03230V2》 * |
杨恒 等: "基于图像处理弓网燃弧检测研究", 《铁道科学与工程学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
CN111080598B (zh) | 一种钩尾销安全吊的螺栓、螺母缺失检测方法 | |
CN107782733A (zh) | 金属表面缺陷的图像识别无损检测装置及方法 | |
CN110543857A (zh) | 基于图像分析的违禁物识别方法、装置、系统和存储介质 | |
CN107392197A (zh) | 一种机车车号识别及机车部件故障检测方法及系统 | |
CN104573680B (zh) | 图像检测方法、图像检测装置以及交通违法检测系统 | |
CN110790101A (zh) | 基于大数据分析的电梯困人误报识别方法 | |
CN107633266B (zh) | 一种电力机车接触网受电弓电弧检测方法 | |
CN108009574B (zh) | 一种轨道扣件检测方法 | |
CN108776452B (zh) | 一种特种设备现场维保监控方法及系统 | |
CN110084987A (zh) | 一种面向轨道交通的异物检查系统及方法 | |
CN113298059A (zh) | 受电弓异物入侵检测方法、装置、计算机设备、系统及存储介质 | |
CN110008804B (zh) | 基于深度学习的电梯监控关键帧获取及检测方法 | |
CN111680613A (zh) | 一种实时检测手扶电梯乘客摔倒行为的方法 | |
CN104378539A (zh) | 场景自适应的视频结构化语义提取摄像机及其方法 | |
CN104077568A (zh) | 一种高精度的驾驶员行为识别与监控方法及系统 | |
CN105809219B (zh) | 一种隧道预制管片生产线的预制管片质量检测统计系统和方法 | |
CN103049762A (zh) | 一种用于检测心盘螺栓丢失故障的方法和装置 | |
CN113673614B (zh) | 基于机器视觉的地铁隧道异物入侵检测装置及方法 | |
CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
CN110674900A (zh) | 基于rfid的无人机巡检杆塔缺陷的方法及装置 | |
CN110263622A (zh) | 列车火情监测方法、装置、终端及存储介质 | |
CN111563886B (zh) | 基于非监督特征学习的隧道钢轨表面病害检测方法及装置 | |
CN113191273A (zh) | 基于神经网络的油田井场视频目标检测与识别方法及系统 | |
CN105741503A (zh) | 一种现有监控设备下的停车场实时预警方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |