CN113837992B - 基于实例分割的碳刷盒运行检测方法、装置及可读介质 - Google Patents

基于实例分割的碳刷盒运行检测方法、装置及可读介质 Download PDF

Info

Publication number
CN113837992B
CN113837992B CN202110797016.XA CN202110797016A CN113837992B CN 113837992 B CN113837992 B CN 113837992B CN 202110797016 A CN202110797016 A CN 202110797016A CN 113837992 B CN113837992 B CN 113837992B
Authority
CN
China
Prior art keywords
carbon brush
brush box
included angle
difference value
region
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
Application number
CN202110797016.XA
Other languages
English (en)
Other versions
CN113837992A (zh
Inventor
魏秋新
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.)
Fujian Electronic Port Co ltd
Original Assignee
Fujian Electronic Port 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 Fujian Electronic Port Co ltd filed Critical Fujian Electronic Port Co ltd
Priority to CN202110797016.XA priority Critical patent/CN113837992B/zh
Publication of CN113837992A publication Critical patent/CN113837992A/zh
Application granted granted Critical
Publication of CN113837992B publication Critical patent/CN113837992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于实例分割的碳刷盒运行检测方法、装置及可读介质，通过实时获取碳刷盒运行状态图像，将碳刷盒运行状态图像输入目标检测模型，得到感兴趣区域图像；将感兴趣区域图像输入实例分割模型，得到感兴趣区域图像中n个碳刷盒分别所对应的分割掩码；再基于分割掩码获取每个碳刷盒的最小外接矩形，并确定每个碳刷盒的最小外接矩形的下边缘的中心点；计算中心点中的最低点和其它中心点的连线与最低点所在的水平线之间的夹角方差以及相邻两个中心点的x轴坐标的n‑1阶差值，结合夹角方差和/或n‑1阶差值分析碳刷盒的运行情况。本发明可实时获取碳刷盒运行状态图像对碳刷盒运行情况进行检测，并且检测准确度高、成本低。

Description

基于实例分割的碳刷盒运行检测方法、装置及可读介质
技术领域
本发明涉及图像识别领域，具体涉及一种基于实例分割的碳刷盒运行检测方法、装置及可读介质。
背景技术
滑触线是用来保证移动设备在移动过程中保持导电接触的装置，它一般由固定的导体和跟随设备一起移动的集电器及碳刷组成。目前滑触线已经在各类起重设备、物流行业、汽车行业、港口机械及游乐设备等输送领域被广泛应用。
碳刷作为一种滑动接触件，在许多需要移动运行，且位移精度要求高的机械设备得到广泛的应用。碳刷的材质主要有石墨、浸脂石墨、金属(含铜，银)石墨。碳刷一般装在碳刷盒内，移动设备中包含多个碳刷盒，多个碳刷盒同时跟随移动设备移动保持移动过程中保持导电接触，若有部分碳刷盒运行异常，则会影响移动设备的稳定供电及运行。
目前对于滑触线碳刷的运行异常的检测通常需要人为观察判断，滑触线碳刷在移动过程中容易造成误判或漏盘，最终导致机械设备故障。人工检测滑触线耗费大量人力和时间，且在对高层架体检测时，存在很大安全隐患。申请号为CN202010936318.6的专利提到一种滑触线检测装置及滑触线检测系统，通过集电器组件、动力机构以及接合组件等机械结构检测滑触线是否出现变形和偏移等缺陷，该方法需要对滑触线进行拆线并安装在滑触线检测装置中，无法做到实时检测，并且费时费力。为了保障移动设备运行过程中电力输送的安全运行，滑触线碳刷的正常工作运行尤为重要，及时的异常检测可以减少故障带来的额外损失，进一步可以保障工作人员的安全。
有鉴于此，研究一种可实时检测、成本低的碳刷盒运行检测方法及装置是非常具有意义的。
发明内容
针对上述背景技术提到的问题。本申请的实施例的目的在于提出了一种基于实例分割的碳刷盒运行检测方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。
第一方面，本申请的实施例提供了一种基于实例分割的碳刷盒运行检测方法，包括以下步骤：
S1，获取碳刷盒运行状态图像，将碳刷盒运行状态图像输入目标检测模型，得到感兴趣区域图像；
S2，将感兴趣区域图像输入实例分割模型，得到感兴趣区域图像中n个碳刷盒分别所对应的分割掩码；
S3，基于分割掩码获取每个碳刷盒的最小外接矩形，并确定每个碳刷盒的最小外接矩形的下边缘的中心点；以及
S4，计算中心点中的最低点和其它中心点的连线与最低点所在的水平线之间的夹角方差以及相邻两个中心点的x轴坐标的n-1阶差值，结合夹角方差和/或n-1阶差值分析碳刷盒的运行情况。
在一些实施例中，目标检测模型采用基于YOLOv5的单阶段目标检测模型。
在一些实施例中，步骤S4中结合夹角方差和/或n-1阶差值分析碳刷盒的运行情况具体包括：将夹角方差和n-1阶差值分别与对应的阈值进行比较，根据比较结果判断碳刷盒运行是否正常。
在一些实施例中，夹角方差通过下式计算：
Figure GDA0004146350360000021
Figure GDA0004146350360000022
其中，xi为中心点中的最低点和其余第i个碳刷盒的最小外接矩形的下边缘的中心点的连线与最低点所在的水平线之间的夹角，u为夹角平均值，Dx为夹角方差。
在一些实施例中，通过将相邻两个中心点的x轴坐标相减得到一阶差值，再将相邻两个一阶差值继续相减，重复相减n-1次后得到n-1阶差值。
在一些实施例中，实例分割模型采用Mask RCNN模型，步骤S2具体包括：将感兴趣区域图像输入ResNet50_FPN深度神经网络得到深度特征图，将深度特征图输入到RPN网络中得到每个碳刷盒的粗定位候选区域，将粗定位候选区域与深度特征图结合通过ROIAlign获得每个碳刷盒对应的固定尺寸的候选区域，将候选区域输入FCN网络，得到每个碳刷盒对应的分割掩码。
在一些实施例中，将粗定位候选区域与深度特征图结合通过ROI Align获得每个碳刷盒对应的固定尺寸的候选区域具体包括：通过ROI Align将粗定位候选区域与深度特征图进行像素级对应，并采用双线性插值的处理方式生成每个碳刷盒对应的固定尺寸的候选区域。
第二方面，本申请的实施例提供了一种基于实例分割的碳刷盒运行检测装置，包括：
目标检测模块，被配置为获取碳刷盒运行状态图像，将碳刷盒运行状态图像输入目标检测模型，得到感兴趣区域图像；
实例分割模块，被配置为将感兴趣区域图像输入实例分割模型，得到感兴趣区域图像中n个碳刷盒分别所对应的分割掩码；
中心点确定模块，被配置为基于分割掩码获取每个碳刷盒的最小外接矩形，并确定每个碳刷盒的最小外接矩形的下边缘的中心点；以及
分析判断模块，被配置为计算中心点中的最低点和其它中心点的连线与最低点所在的水平线之间的夹角方差以及相邻两个中心点的x轴坐标的n-1阶差值，结合夹角方差和/或n-1阶差值分析碳刷盒的运行情况。
第三方面，本申请的实施例提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请的实施例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如第一方面中任一实现方式描述的方法。
本发明公开了一种基于实例分割的碳刷盒运行检测方法、装置及可读介质，通过实时获取碳刷盒运行状态图像，将碳刷盒运行状态图像输入目标检测模型，得到感兴趣区域图像；将感兴趣区域图像输入实例分割模型，得到感兴趣区域图像中n个碳刷盒分别所对应的分割掩码；再基于分割掩码获取每个碳刷盒的最小外接矩形，并确定每个碳刷盒的最小外接矩形的下边缘的中心点；计算中心点中的最低点和其它中心点的连线与最低点所在的水平线之间的夹角方差以及相邻两个中心点的x轴坐标的n-1阶差值，结合夹角方差和/或n-1阶差值分析碳刷盒的运行情况。因此可以通过实时获取碳刷盒运行状态图像对碳刷盒运行情况进行检测，通过实例分割对碳刷盒运行状态图像中的每个碳刷盒进行分割，并且根据在不同视角的相对位置和运行状态之间存在的关系判断碳刷盒的运行状态，检测准确度高、成本低。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本发明的实施例的基于实例分割的碳刷盒运行检测方法的流程示意图；
图3为本发明的实施例的基于实例分割的碳刷盒运行检测方法中获取的碳刷盒运行状态图；
图4为本发明的实施例的基于实例分割的碳刷盒运行检测方法的目标检测模型的检测结果图；
图5为本发明的实施例的碳刷盒运行检测异常的示意图；
图6为本发明的实施例的碳刷盒运行检测正常的示意图；
图7为本发明的实施例的基于实例分割的碳刷盒运行检测装置的示意图；
图8是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于实例分割的碳刷盒运行检测方法或基于实例分割的碳刷盒运行检测装置的示例性装置架构100。
如图1所示，装置架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的基于实例分割的碳刷盒运行检测方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，基于实例分割的碳刷盒运行检测装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种基于实例分割的碳刷盒运行检测方法，包括以下步骤：
S1，获取碳刷盒运行状态图像，将碳刷盒运行状态图像输入目标检测模型，得到感兴趣区域图像。
在具体的实施例中，如图3所示为通过该摄像头实时获取到的碳刷盒运行状态图像，将该碳刷盒运行状态图像输入目标检测模型中，目标检测模型用于检测碳刷盒主要的感兴趣区域。在优选的实施例中，目标检测模型采用基于YOLOv5的单阶段目标检测模型。在其他可选的实施例中，也可以采用其他目标检测模型。最终得到如图4所示的感兴趣区域图像。
S2，将感兴趣区域图像输入实例分割模型，得到感兴趣区域图像中n个碳刷盒分别所对应的分割掩码。
在具体的实施例中，实例分割模型采用Mask RCNN模型。步骤S2具体包括：
S21：将感兴趣区域图像输入ResNet50_FPN深度神经网络得到深度特征图；
S22：将深度特征图输入到RPN网络中得到每个碳刷盒的粗定位候选区域，将粗定位候选区域与深度特征图结合通过ROI Align获得每个碳刷盒对应的固定尺寸的候选区域，具体地，通过ROI Align将粗定位候选区域与深度特征图进行像素级对应，并采用双线性插值的处理方式生成每个碳刷盒对应的固定尺寸的候选区域；
S23：将候选区域输入FCN网络，得到每个碳刷盒对应的分割掩码。
具体地，需要对候选区域进行目标分类，检测和分割，最终输出更为准确的目标定位检测，分割掩码以及对应的类别，其中分割掩码分支采用FCN网络，定位检测和类别分支采用全连接层。由于该碳刷盒的检测类别只有一个，输出的类别只是用来确定所检测到的目标是属于碳刷盒类，因此可以准确获取检测到的碳刷盒的分割掩码。分割掩码分支采用FCN网络(全卷积网络)，其生成的分割掩码是低分辨率，并且是由浮点数表示的软掩码，相对于二进制掩码有更多的细节。分割掩码的小尺寸属性有助于保持分割掩分支网络的轻量性。针对每一个目标有一个分割掩码。采用Mask RCNN模型作为实例分割模型可以提高模型检测的准确度。
S3，基于分割掩码获取每个碳刷盒的最小外接矩形，并确定每个碳刷盒的最小外接矩形的下边缘的中心点。
在具体的实施例中，采用opencv工具对分割掩码中每个碳刷盒都设置一个最小外接矩形，用于获取碳刷盒的下边缘以及下边缘的中心点，采用每个碳刷盒的最小外接矩形的下边缘的中心点方便计算，方便后续的碳刷盒的运行状态判断。
S4，计算中心点中的最低点和其它中心点的连线与最低点所在的水平线之间的夹角方差以及相邻两个中心点的x轴坐标的n-1阶差值，结合夹角方差和/或n-1阶差值分析碳刷盒的运行情况。
在具体的实施例中，步骤S4中结合夹角方差和/或n-1阶差值分析碳刷盒的运行情况具体包括：将所述夹角方差和n-1阶差值分别与对应的阈值进行比较，根据比较结果判断所述碳刷盒运行是否正常。
具体地，将夹角方差和n-1阶差值分别与对应的阈值进行比较，若夹角方差和n-1阶差值中至少其中一个超过对应的阈值，则判断碳刷盒运行存在异常，否则碳刷盒运行正常。夹角方差对应第一阈值，n-1阶差值对应第二阈值，分别判断夹角方差是否大于第一阈值以及n-1阶差值是否大于第二阈值，若其中有一个大于阈值或两个都大于阈值，则说明碳刷盒运行存在异常，若两者均未超过阈值，则说明碳刷盒运行正常。当然，可以根据实际测试情况限定判断夹角方差和n-1阶差值是大于阈值或小于阈值。
以碳刷盒的掉落检测为例，最终的检测结果如图5和图6所示，通过步骤S1-S3获取到4个碳刷盒的最小外接矩形，进一步获取到4个碳刷盒的下边缘的中心点p1、p2、p3、p4，假设以最低点p1的水平线作为x轴，则p2p1连线、p3p1连线、p4p1连线与该水平线都存在一个夹角，如果碳刷盒运行正常，那么夹角应该都是接近相同的，此时夹角方差较小，如果碳刷盒运行异常，那么夹角是不相同的，此时夹角方差较大，因此通过夹角方差与第一阈值进行比较得到第一结果。
在具体的实施例中，夹角方差通过下式计算：
Figure GDA0004146350360000071
Figure GDA0004146350360000072
其中，xi为中心点中的最低点和其余第i个碳刷盒的最小外接矩形的下边缘的中心点的连线与最低点所在的水平线之间的夹角，u为夹角平均值，Dx为夹角方差。
在具体的实施例中，通过将相邻两个中心点的x轴坐标相减得到一阶差值，再将相邻两个一阶差值继续相减，重复相减n-1次后得到n-1阶差值。
具体地，针对p1，p2，p3，p4四个点都存在对应的x轴坐标x1，x2，x3，x4。第一步计算一阶差值，d21＝x2-x1，d32＝x3-x2，d43＝x4-x3；第二步计算二阶差值，D1＝d32-d21，D2＝d43-d32，最后计算D2-D1的值作为最终的判断指标，与第二阈值进行比较，得到第二结果。具体的，预设的阈值根据具体的实际异常情况测试进行设置。
在其中一个实施例中，假设实际掉落测试的夹角方差所对应的第一阈值设置10，差值所对应的第二阈值设置为15，对实际测试的两个结果进行判断，其中任何一个结果大于这两个阈值即为异常。如图5所示，夹角方差为24.47大于10，差值为8小于15，则判断为碳刷盒掉落异常。如图6所示，夹角方差为1.27小于10，差值为5小于15，则判断为碳刷盒运行正常。
进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种基于实例分割的碳刷盒运行检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本申请的实施例提供了一种基于实例分割的碳刷盒运行检测装置，包括：
目标检测模块1，被配置为获取碳刷盒运行状态图像，将碳刷盒运行状态图像输入目标检测模型，得到感兴趣区域图像；
实例分割模块2，被配置为将感兴趣区域图像输入实例分割模型，得到感兴趣区域图像中n个碳刷盒分别所对应的分割掩码；
中心点确定模块3，被配置为基于分割掩码获取每个碳刷盒的最小外接矩形，并确定每个碳刷盒的最小外接矩形的下边缘的中心点；以及
分析判断模块4，被配置为计算中心点中的最低点和其它中心点的连线与最低点所在的水平线之间的夹角方差以及相邻两个中心点的x轴坐标的n-1阶差值，结合夹角方差和/或n-1阶差值分析碳刷盒的运行情况。
本申请的实施例提出了一种基于实例分割的碳刷盒运行检测方法、装置及可读介质，通过实时获取碳刷盒运行状态图像，将碳刷盒运行状态图像输入目标检测模型，得到感兴趣区域图像；将感兴趣区域图像输入实例分割模型，得到感兴趣区域图像中n个碳刷盒分别所对应的分割掩码；再基于分割掩码获取每个碳刷盒的最小外接矩形，并确定每个碳刷盒的最小外接矩形的下边缘的中心点；计算中心点中的最低点和其它中心点的连线与最低点所在的水平线之间的夹角方差以及相邻两个中心点的x轴坐标的n-1阶差值，结合夹角方差和/或n-1阶差值分析判断碳刷盒的运行情况。因此可以通过实时获取碳刷盒运行状态图像对碳刷盒运行情况进行检测，通过实例分割对碳刷盒运行状态图像中的每个碳刷盒进行分割，并且根据在不同视角的相对位置和运行状态之间存在的关系，采用每个碳刷盒的最小外接矩形的下边缘的中心点方便计算，该方法检测准确度高、成本低。
下面参考图8，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，计算机装置800包括中央处理单元(CPU)801和图形处理器(GPU)802，其可以根据存储在只读存储器(ROM)803中的程序或者从存储部分809加载到随机访问存储器(RAM)804中的程序而执行各种适当的动作和处理。在RAM 804中，还存储有装置800操作所需的各种程序和数据。CPU 801、GPU802、ROM 803以及RAM804通过总线805彼此相连。输入/输出(I/O)接口806也连接至总线805。
以下部件连接至I/O接口806：包括键盘、鼠标等的输入部分807；包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分808；包括硬盘等的存储部分809；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分810。通信部分810经由诸如因特网的网络执行通信处理。驱动器811也可以根据需要连接至I/O接口806。可拆卸介质812，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器811上，以便于从其上读出的计算机程序根据需要被安装入存储部分809。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分810从网络上被下载和安装，和/或从可拆卸介质812被安装。在该计算机程序被中央处理单元(CPU)801和图形处理器(GPU)802执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取碳刷盒运行状态图像，将碳刷盒运行状态图像输入目标检测模型，得到感兴趣区域图像；将感兴趣区域图像输入实例分割模型，得到感兴趣区域图像中n个碳刷盒分别所对应的分割掩码；基于分割掩码获取每个碳刷盒的最小外接矩形，并确定每个碳刷盒的最小外接矩形的下边缘的中心点；计算中心点中的最低点和其它中心点的连线与最低点所在的水平线之间的夹角方差以及相邻两个中心点的x轴坐标的n-1阶差值，结合夹角方差和/或n-1阶差值分析碳刷盒的运行情况。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种基于实例分割的碳刷盒运行检测方法，其特征在于，包括以下步骤：
S1，获取碳刷盒运行状态图像，将所述碳刷盒运行状态图像输入目标检测模型，得到感兴趣区域图像；
S2，将所述感兴趣区域图像输入实例分割模型，得到所述感兴趣区域图像中n个碳刷盒分别所对应的分割掩码；
S3，基于所述分割掩码获取每个碳刷盒的最小外接矩形，并确定每个碳刷盒的最小外接矩形的下边缘的中心点；以及
S4，计算所述中心点中的最低点和其它中心点的连线与最低点所在的水平线之间的夹角方差以及计算相邻两个中心点的x轴坐标的n-1阶差值，所述夹角方差通过下式计算：
Figure FDA0004146350350000011
Figure FDA0004146350350000012
其中，xi为所述中心点中的最低点和其余第i个碳刷盒的最小外接矩形的下边缘的中心点的连线与最低点所在的水平线之间的夹角，u为夹角平均值，Dx为夹角方差，通过将相邻两个中心点的x轴坐标相减得到一阶差值，再将相邻两个一阶差值继续相减，重复相减n-1次后得到所述n-1阶差值，结合所述夹角方差和/或n-1阶差值分析所述碳刷盒的运行情况，具体包括：将所述夹角方差和n-1阶差值分别与对应的阈值进行比较，根据比较结果判断所述碳刷盒运行是否正常。
2.根据权利要求1所述的基于实例分割的碳刷盒运行检测方法，其特征在于，所述目标检测模型采用基于YOLOv5的单阶段目标检测模型。
3.根据权利要求1所述的基于实例分割的碳刷盒运行检测方法，其特征在于，所述实例分割模型采用Mask RCNN模型，所述步骤S2具体包括：将所述感兴趣区域图像输入ResNet50_FPN深度神经网络得到深度特征图，将所述深度特征图输入到RPN网络中得到每个碳刷盒的粗定位候选区域，将所述粗定位候选区域与所述深度特征图结合通过ROIAlign获得每个碳刷盒对应的固定尺寸的候选区域，将所述候选区域输入FCN网络，得到每个碳刷盒对应的分割掩码。
4.根据权利要求3所述的基于实例分割的碳刷盒运行检测方法，其特征在于，将所述粗定位候选区域与所述深度特征图结合通过ROIAlign获得每个碳刷盒对应的固定尺寸的候选区域具体包括：通过ROIAlign将所述粗定位候选区域与所述深度特征图进行像素级对应，并采用双线性插值的处理方式生成每个碳刷盒对应的固定尺寸的候选区域。
5.一种基于实例分割的碳刷盒运行检测装置，其特征在于，包括：
目标检测模块，被配置为获取碳刷盒运行状态图像，将所述碳刷盒运行状态图像输入目标检测模型，得到感兴趣区域图像；
实例分割模块，被配置为将所述感兴趣区域图像输入实例分割模型，得到所述感兴趣区域图像中n个碳刷盒分别所对应的分割掩码；
中心点确定模块，被配置为基于所述分割掩码获取每个碳刷盒的最小外接矩形，并确定每个碳刷盒的最小外接矩形的下边缘的中心点；以及
分析判断模块，被配置为计算所述中心点中的最低点和其它中心点的连线与最低点所在的水平线之间的夹角方差以及计算相邻两个中心点的x轴坐标的n-1阶差值，所述夹角方差通过下式计算：
Figure FDA0004146350350000021
Figure FDA0004146350350000022
其中，xi为所述中心点中的最低点和其余第i个碳刷盒的最小外接矩形的下边缘的中心点的连线与最低点所在的水平线之间的夹角，u为夹角平均值，Dx为夹角方差，通过将相邻两个中心点的x轴坐标相减得到一阶差值，再将相邻两个一阶差值继续相减，重复相减n-1次后得到所述n-1阶差值，结合所述夹角方差和/或n-1阶差值分析所述碳刷盒的运行情况，具体包括：将所述夹角方差和n-1阶差值分别与对应的阈值进行比较，根据比较结果判断所述碳刷盒运行是否正常。
6.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
7.一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，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN202110797016.XA 2021-07-14 2021-07-14 基于实例分割的碳刷盒运行检测方法、装置及可读介质 Active CN113837992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110797016.XA CN113837992B (zh) 2021-07-14 2021-07-14 基于实例分割的碳刷盒运行检测方法、装置及可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110797016.XA CN113837992B (zh) 2021-07-14 2021-07-14 基于实例分割的碳刷盒运行检测方法、装置及可读介质

Publications (2)

Publication Number Publication Date
CN113837992A CN113837992A (zh) 2021-12-24
CN113837992B true CN113837992B (zh) 2023-06-02

Family

ID=78962823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110797016.XA Active CN113837992B (zh) 2021-07-14 2021-07-14 基于实例分割的碳刷盒运行检测方法、装置及可读介质

Country Status (1)

Country Link
CN (1) CN113837992B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104458233A (zh) * 2014-12-03 2015-03-25 上海博泽电机有限公司 碳刷架检测装置及其检测碳刷架中插片松紧度的方法
CN110378897A (zh) * 2019-07-25 2019-10-25 中车青岛四方机车车辆股份有限公司 一种基于视频的受电弓运行状态实时监测方法及装置
CN112297957A (zh) * 2020-09-08 2021-02-02 北京京东乾石科技有限公司 滑触线检测装置及滑触线检测系统
CN112710671A (zh) * 2021-01-08 2021-04-27 广州南沙珠江啤酒有限公司 吊运小车天轨滑触线缺陷视觉智能巡检装置及检查方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6935350B2 (ja) * 2018-03-19 2021-09-15 日立建機株式会社 監視装置およびトロリー式車両

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104458233A (zh) * 2014-12-03 2015-03-25 上海博泽电机有限公司 碳刷架检测装置及其检测碳刷架中插片松紧度的方法
CN110378897A (zh) * 2019-07-25 2019-10-25 中车青岛四方机车车辆股份有限公司 一种基于视频的受电弓运行状态实时监测方法及装置
CN112297957A (zh) * 2020-09-08 2021-02-02 北京京东乾石科技有限公司 滑触线检测装置及滑触线检测系统
CN112710671A (zh) * 2021-01-08 2021-04-27 广州南沙珠江啤酒有限公司 吊运小车天轨滑触线缺陷视觉智能巡检装置及检查方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
E-RTG集电小车掉碳刷检测的探索;陈启祥;《机电信息》;第33卷;第80-81页 *

Also Published As

Publication number Publication date
CN113837992A (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
JP7138753B2 (ja) 画像欠陥検出方法、装置、電子機器、記憶媒体および製品
CN109711508B (zh) 图像处理方法和装置
CN113436100B (zh) 用于修复视频的方法、装置、设备、介质和产品
CN112863187B (zh) 感知模型的检测方法、电子设备、路侧设备和云控平台
CN113947571A (zh) 车辆损伤检测模型的训练方法及车辆损伤识别方法
CN113378696A (zh) 图像处理方法、装置、设备及存储介质
CN109960959B (zh) 用于处理图像的方法和装置
CN112989987A (zh) 用于识别人群行为的方法、装置、设备以及存储介质
CN116152208A (zh) 缺陷检测方法、装置、设备及存储介质
CN115311469A (zh) 图像标注方法、训练方法、图像处理方法以及电子设备
CN112967191B (zh) 图像处理方法、装置、电子设备和存储介质
CN113837992B (zh) 基于实例分割的碳刷盒运行检测方法、装置及可读介质
CN113674322A (zh) 一种运动状态检测方法及相关装置
CN113780294B (zh) 文本字符分割的方法和装置
CN113962955A (zh) 一种从图像中识别目标对象的方法、装置及电子设备
CN112183554A (zh) 一种自动化道路边界轮廓提取方法
CN114581890B (zh) 确定车道线的方法、装置、电子设备和存储介质
CN115861321B (zh) 应用于工业互联网的生产环境检测方法及系统
CN111768410B (zh) 图像处理方法和装置
CN116883880B (zh) 一种基于ar技术的起重机识别方法、装置和电子设备
CN114612480A (zh) 检测防振锤弯曲状态的方法、装置、设备、介质及产品
CN117974635A (zh) 电缆通道检测方法、装置、电子设备与计算机可读介质
CN118092654A (zh) 用于运维业的虚拟现实应用方法、系统、终端及存储介质
CN113963322A (zh) 一种检测模型训练方法、装置及电子设备
CN115049882A (zh) 模型的训练方法、图像多标签分类方法、装置及电子设备

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