CN114266770B - 通过神经网络学习方法检测高铁接触网吊弦缺陷的方法 - Google Patents
通过神经网络学习方法检测高铁接触网吊弦缺陷的方法 Download PDFInfo
- Publication number
- CN114266770B CN114266770B CN202210195215.8A CN202210195215A CN114266770B CN 114266770 B CN114266770 B CN 114266770B CN 202210195215 A CN202210195215 A CN 202210195215A CN 114266770 B CN114266770 B CN 114266770B
- Authority
- CN
- China
- Prior art keywords
- dropper
- image
- neural network
- bump
- tangent slope
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种通过神经网络学习方法检测高铁接触网吊弦缺陷的方法、系统及电子设备。本发明的方法包括:步骤S101、获取待检测图像,待检测图像中含有吊弦;步骤S102、将待检测图像输入到目标识别模型中,筛选出吊弦上带有凸起的图像;步骤S103、根据带有凸起的图像,获取与凸起突变点预设距离内正常吊弦的切线斜率,并将该正常吊弦的切线斜率输入到神经网络模型中,获得凸起突变点处理想的吊弦的切线斜率;步骤S104、根据凸起突变点处理想的吊弦的切线斜率判断凸起是毛刺还是硬弯。本发明能够通过利用凸起突变点处吊弦的切线斜率就能够检测出凸起是硬弯还是毛刺,兼顾了检测效率和检测准确度,硬弯和毛刺的检测精度能够达到99%以上。
Description
技术领域
本发明涉及图像检测技术领域,尤其是涉及一种通过神经网络学习方法检测高铁接触网吊弦缺陷的方法、系统及电子设备。
背景技术
吊弦有普通吊弦和整体吊弦,普通环节吊弦以直径4mm(一般称为8号铁线)的镀锌铁线制成。整体吊弦种类也比较多,老的整体吊弦采用不锈钢直吊弦,一般由两段构成,中间增加调节螺扣,方便长度调节,现在普遍采用软铜铰线载流整体吊弦,有可调节和一次压死两种形式,吊弦两端均有载流环。高速普遍采用压死不可调整体吊弦,这样可增加系统的稳定性。
通过调整吊弦可调整接触线的弛度,改善接触悬挂的弹性,保证接触线与受电弓之间良好滑擦,提高电力机车受电弓取流质量,因此吊弦在整个铁路接触网中起着非常重要的作用。随着我国列车的不断提速,接触网吊弦硬弯事故时有发生,其中吊弦因垂直于接触网和承力索,平直均匀受力,如果吊弦平直度不佳,则称之为吊弦硬弯。因此及时准确地检测到吊弦硬弯,对指导实施维修具有非常重要的意义。
目前的接触网吊弦硬弯检测方案,不能在保证准确率的前提下还保证简易性。基于计算机视觉的接触网吊弦硬弯检测,只需要随车安装2C或4C设备,无需巡检车的介入。利用计算机取代了人工,将分析人员从大量的重复性工作中解放出来。但是由于计算机视觉方法的学习能力较差,导致对一些异常出现误判以及漏判,例如会将吊弦上的毛刺误判为硬弯,从而导致检测效率降低。
因此,有必要研究一种能够识别吊弦上毛刺和硬弯的方法,以提高吊弦检测效率及检测准确度,提高检测方法的适应性。
发明内容
针对上述现有技术中存在的问题,本发明提供一种通过神经网络学习方法检测高铁接触网吊弦缺陷的方法、系统及电子设备。
为了实现上述目的,第一方面,本发明提供一种通过神经网络学习方法检测高铁接触网吊弦缺陷的方法,其包括以下步骤:
步骤S101、获取待检测图像,待检测图像中包含吊弦;
步骤S102、将待检测图像输入到目标识别模型中,筛选出吊弦上带有凸起的图像;
步骤S103、根据带有凸起的图像,获取与凸起突变点预设距离内正常吊弦的切线斜率,并将与凸起突变点预设距离内正常吊弦的切线斜率输入到神经网络模型中,获得凸起突变点处理想的吊弦的切线斜率;
步骤S104、根据凸起突变点处理想的吊弦的切线斜率判断凸起是毛刺还是硬弯。
第二方面,本发明提供一种通过神经网络学习方法检测高铁接触网吊弦缺陷的系统。该系统包括:
获取待检测图像的模型;
将待检测图像输入到目标识别模型中,筛选出带有凸起的图像的模型;
根据带有凸起的图像获取与凸起突变点预设距离内正常吊弦的切线斜率,并将与凸起突变点预设距离内正常吊弦的切线斜率输入到神经网络模型中,获得凸起突变点处理想的吊弦的切线斜率的模型;
根据凸起突变点处理想的吊弦的切线斜率判断凸起是毛刺还是硬弯的模型。
第三方面,本发明提供一种电子设备,其包括:存储器,处理器;
存储器用于存储处理器可执行指令;
处理器用于根据存储器存储的可执行指令,实现第一方面的通过神经网络学习方法检测高铁接触网吊弦缺陷的方法。
第四方面,本发明提供一种计算机可读存储介质,该计算机可读存储介质存储有执行指令,计算机执行指令被处理器执行时用于实现如第一方面的通过神经网络学习方法检测高铁接触网吊弦缺陷的方法。
本发明的通过神经网络学习方法检测高铁接触网吊弦缺陷的方法、系统及电子设备所具有的有益效果包括:
(1)本发明提供的方法利用简单的神经网络模型就能够识别出正常的吊弦和带有凸起的吊弦;
(2)本发明提供的方法通过利用凸起处吊弦的切线斜率能够检测出凸起为硬弯还是毛刺,兼顾了检测效率和检测准确度,硬弯和毛刺的检测精度能够达到99%以上;
(3)本发明提供的方法流程精炼,不需借助大量样本用于网络模型训练,计算效率高。
附图说明
图1是本发明通过神经网络学习方法检测高铁接触网吊弦缺陷的方法的过程流程图;
图2是接触网上一个吊弦硬弯的照片图;
图3是本发明通过神经网络学习方法检测高铁接触网吊弦缺陷的系统的结构示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前基于计算机视觉的接触网吊弦硬弯检测,只需要随车安装2C或4C设备,无需巡检车的介入。利用计算机取代了人工,将分析人员从大量的重复性工作中解放出来。但是由于计算机视觉方法的学习能力有待进一步改善,导致对一些异常出现误判以及漏判,例如由于在拍照过程中,拍摄角度等问题可能会将图像中吊弦上的毛刺误判为硬弯,这时还需要工作人员到现场检查,从而降低检测效率,浪费了人力成本。
因此,为了能够对毛刺和硬弯进行精确的检测,本发明提供一种通过神经网络学习方法检测高铁接触网吊弦缺陷的方法。
具体地,如图1所示,该方法可以包括以下步骤:
步骤S101、获取待检测图像,待检测图像中包含吊弦。
在本发明的一个具体实施方式中,步骤S101还可以包括以下子步骤:
步骤S101-1,采集高铁接触网上的图像;
具体地,通过摄像机拍摄的多幅包含高铁接触网的图像,例如拍摄至少一万张图像,且该图像来自拍摄角度不同的至少两台摄像机。
一般的获得方法为,将至少两个摄像机布置在移动设备上,该移动设备能够沿着高铁线路运行,可以是普通高铁列车,也可以是专用设备,从而能够实时拍摄接触网。
优选地,两个摄像机朝向不同方位,从而使其能够从两个角度拍摄接触网,优选为相反的两个方向。
在该移动设备沿着高铁轨道移动时,保持速度一致,并且尽快调节摄像机的焦距,尽量保持焦距不变,从而使得获得的图像清晰度和大小一致,方便后续处理;另外,为了使得数据充分,需要在至少两个高铁线路上分别拍摄。
步骤S101-2,将图像裁剪为含有吊弦的待检测图像。
具体地,将采集到的图像进行裁剪,裁剪后的图像中仅保留原图像的吊弦和吊弦附近的部件。
经研究发现,通过上述子步骤能够极大地缩减后续图像处理的工作量,能够快速形成针对吊弦缺陷检测的数据库。
在本发明的一个优选实施方式中,通过目标识别模型识别待检测图像中吊弦的位置,以去除待检测图像中除吊弦外其他背景。其中目标识别模型优选为CNN模型。
其中,CNN模型选自现有的CNN模型,例如现有的VGGNet、Faster R-CNN与Mask R-CNN卷积神经网络,其训练方法与现有的训练方法一致,本领域技术人员根据现有的训练方法可以对CNN模型进行训练,在本发明中对CNN模型的训练不作具体限制。
例如,VGGNet卷积神经网络的模型结构可以参考如论文:“Simonyan K,Zisserman A. Very Deep Convolutional Networks for Large-Scale ImageRecognition[J]. Computer Science, arXiv:1409.1556, 2015.”所述。Faster R-CNN卷积神经网络的模型结构可以参考如文献“Ren S, He K, Girshick R, et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J].IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, 39(6):1137-1149.”所述。Mask R-CNN卷积神经网络的模型结构可以参考如文献“He K, GkioxariG, P Dollár, et al. Mask R-CNN[J]. IEEE Transactions on Pattern Analysis andMachine Intelligence, 2018, 42(2):386-397.”所述。
在本发明的另一个优选实施方式中,还可以通过现有的技术识别出图像中的吊弦,例如:
(1)对高铁接触网上的图像进行预处理;优选地,采用图像缩放和均值滤波方式对图像进行预处理。
(2)利用GABOR滤波器组对预处理的图像进行GABOR变换。
其中,GABOR是一种生物启发式的特征,本身模拟生物视觉系统。GABOR变换是通过多尺度多方向GABOR滤波器组对图像滤波后得到的形状信息。GABOR滤波器组在图像处理中使用广泛,主要目的是提取图像的不同尺度不同方向的轮廓细节,在本发明中,尺度选择3个,方向选择8个。同时GABOR滤波器本身是加窗傅立叶变换,为了加快计算速度,本发明先把图像变换到频域,与GABOR核做卷积,然后变换回时域得到轮廓信息。GABOR滤波器组采用如下公式:
G(x,y)=s(x,y)*w(x,y);
其中(x,y)表示高铁接触网上的图像中各个像素点的坐标,s(x,y)为正弦函数,w(x,y)为高斯函数。
(3)对GABOR变换后的图像进行动态二值化处理。
在本发明中,动态二值化优选采用OTSU算法,也称最大类间差法。
在该算法中,首先遍历图像像素,统计每个像素值出现的次数,即255个bin,统计每个bin像素值的个数;
然后遍历0到255每个像素,以i像素值为当前分类的阈值,在(0~i)范围内计算像素平均灰度u0(假设像素值在此范围的像素叫做前景像素),前景像素点所占比例w0;在(i~255)计算像素平均灰度u1(假设像素值在此范围的像素叫做背景像素),背景像素点所占比例w1;
最后计算当前类间方差varValueI=w0*w1*(u1-u0)*(u1-u0);并选择最大类间方差varValueI时的i像素阈值作为区分前景与背景的最佳阈值。
根据上述过程从而得出GABOR变换后的图像中白色点。
(4)计算二值化处理后的图像中白色点的面积,如果面积大于预设面积阈值,则判断为吊弦。
在本发明中,预设面积阈值优选取值范围为0.8~0.9,当面积大于预设面积阈值,判断为吊弦。优选地,预设面积阈值为0.8,能满足对吊弦识别的漏检率低于1%,远高于目前已有的吊弦识别方法。
步骤S102、将待检测图像输入到目标识别模型中,筛选出吊弦上带有凸起的图像。
其中,吊弦因垂直于接触网和承力索,平直均匀受力,如果吊弦平直度不佳,则称之为吊弦硬弯。如图2所示,吊弦硬弯一般表现为带有角度的弯折,因此,吊弦上带有凸起可能是由吊弦硬弯引起的。同时,由于吊弦的长时间曝露在空气中,即长时间的老化,吊弦上可能会产生一些毛刺。
在本发明中,将硬弯和毛刺统一为凸起,先将凸起识别出来,然后再对凸起是硬弯还是毛刺进行判断,从而有利于对吊弦的缺陷进行准确的检测。其中,本发明中凸起部分的吊弦认为非正常吊弦,其余部分的吊弦均认为正常吊弦。
由于CNN模型能准确的识别出吊弦是否有凸起,没有凸起的则认为正常吊弦,有凸起的则认为是存在硬弯或毛刺的吊弦,后续将对凸起是硬弯还是毛刺进行检测。其中带有硬弯的吊弦可以认为是吊弦的骨架结构实质发生了改变,其需要尽快进行维修或更换,带有毛刺的吊弦可以认为是吊弦的骨架结构实质未发生改变,可以经过一段时间后再进行维修或更换。如果此时将毛刺识别成硬弯,就需要工作人员现场对该吊弦进行检测,从而导致了人力和成本的浪费。
其中,现有的CNN模型能够共享卷积核,处理高维数据无压力;以及自动进行特征提取,并且根据现有的CNN模型训练方法就能得到训练好的CNN模型,无需对CNN模型的构造进行改进,提高了识别效率。
步骤S103、根据带有凸起的图像,获取与凸起突变点预设距离内正常吊弦的切线斜率,并与凸起突变点预设距离内正常吊弦的切线斜率输入到神经网络模型中,获得凸起突变点处理想的吊弦的切线斜率。
经研究发现,由于带有硬弯的吊弦可以认为是吊弦的骨架结构实质发生了改变,因此吊弦的切线斜率在硬弯突变点处会发生突变,而带有毛刺的吊弦可以认为是吊弦的骨架结构实质未发生改变,因此吊弦的切线斜率在毛刺突变点处不会发生突变。所以本发明通过测定吊弦的切线斜率变化就可以判定出该凸起是硬弯还是毛刺。
其中,凸起突变点包括凸起的一个或两个端部突变点,和/或至少一个非端部突变点。如图2所示,凸起为一段弯折,凸起突变点包括凸起的两个端部突变点(a点和b点)和至少一个非端部突变点(c点)。在本发明中,为了能够提高计算的效率以及便捷,凸起突变点优选为凸起的一个或两个端部突变点,更优选为一个端部突变点。
在本发明中,神经网络模型优选为BP神经网络。为了提高检测的准确性和计算效率,本发明优选将与端部突变点预设距离内的正常吊弦上多个点或者该整段正常吊弦的切线斜率作为BP神经网络的输入,BP神经网络就能够准确的输出对应端部突变点处理想的吊弦的切线斜率,从而进一步就能判定该凸起是硬弯还是吊弦。
其中,现有的BP神经网络具有较强的非线性映射能力;高度自学习和自适应的能力;以及具有将学习成果应用于新知识的能力。并且根据现有的BP神经网络训练方法就能得到训练好的BP神经网络,无需对BP神经网络的构造进行改进,提高了检测效率。另外可以根据端部突变点预设距离内的正常吊弦内或外轮廓的切线斜率的数量来设置隐藏层的数目,从而获得较精确的BP神经网络。
值得注意的是,由于吊弦上凸起的产生是随机的,即一条吊弦上可能出现多个凸起,而两个相邻凸起之间的距离也可能不相同,凸起的尺寸大小也可能不相同。为了能够进一步准确的得到一条吊弦上所有凸起的情况,因此可以根据凸起的数量、尺寸以及两个相邻凸起之间的距离等实际情况来确定预设距离的值。
为了减少计算量,优选预设距离为0.05~1.2cm,更优选为0.1~0.5cm,例如0.3或0.17cm。经研究发现,将预设距离设置为上述参数时,能够准确的获得除凸起外对应的正常吊弦,进一步将其切线斜率作为BP神经网络的输入,从而提高检测精度。
对于步骤S102识别出了吊弦上带有凸起的图像,可以进一步识别出吊弦的内或外轮廓。可以采用已知方式进行,例如,根据图像处理识别出吊弦的轮廓,优选如下文献所述方式:(1)侯宾, 张文志, 戴源成, 等. 基于OpenCV的目标物体颜色及轮廓的识别方法[J]. 现代电子技术, 2014, 37(24):5;或(2)CN202111110795.8。
然后,根据吊弦的内或外轮廓计算出与一个端部突变点预设距离内正常吊弦上多个点或者该整段正常吊弦内或外轮廓的切线斜率,将其作为神经网络模型的输入,最后输出该端部突变点处理想的吊弦内或外轮廓的切线斜率,从而能够对凸起进行准确的判定。
步骤S104、根据凸起突变点处理想的吊弦的切线斜率判断凸起是毛刺还是硬弯。
在本发明中,吊弦发生硬弯时,吊弦内或外轮廓的切线斜率在硬弯突变点处会发生突变,也就是在硬弯突变点处吊弦内或外轮廓的切线斜率与该对应点理想的吊弦内或外轮廓的切线斜率变化会较大,但是毛刺突变点处吊弦内或外轮廓的切线斜率与该对应点理想的吊弦内或外轮廓的切线斜率变化较小,即使发生变化也是微小的变化,因此可以通过切线斜率的变化来判断该凸起是硬弯还是毛刺。而选择吊弦内或外轮廓时,优选选择与凸起相对一侧的轮廓。
在本发明的一个优选实施方式中,若凸起突变点处理想的吊弦的切线斜率与凸起突变点处实际的吊弦的切线斜率之间的变化率小于预设阈值,则凸起为毛刺,否则凸起为硬弯。
值得注意的是,在拍照过程中,由于天气(风向)原因、拍照角度或者吊弦使用情况等实际情况的影响,吊弦内或外轮廓整体的切线斜率可能会发生微小变化,或者端部突变点处吊弦内或外轮廓的切线斜率会发生较小波动,为了提高检测的准确性和计算效率,设定一个较小的阈值,优选为0.05~0.5%,更优选为0.09~0.3%,例如0.11%,比较一个端部突变点处理想的吊弦内或外轮廓的切线斜率和与该端部突变点实际的吊弦内或外轮廓的切线斜率之间的变化率是否小于0.11%,从而判断该凸起是毛刺还是硬弯。
在本发明中,利用简单的目标识别模型就能够识别出正常的吊弦和带有凸起的吊弦;并通过利用凸起突变点处吊弦的切线斜率就能够准确的检测出该凸起是硬弯还是毛刺,从而减低了将毛刺误判为硬弯的可能性,提高了硬弯和毛刺检测的准确性,降低了人力和成本的浪费。
第二方面,本发明提供一种通过神经网络学习方法检测高铁接触网吊弦缺陷的系统。
具体地,如图3所示,该系统可以包括:
获取待检测图像的模型301;
将待检测图像输入到目标识别模型中,筛选出带有凸起的图像的模型302;
根据带有凸起的图像获取与凸起突变点预设距离内正常吊弦的切线斜率,并与凸起突变点预设距离内正常吊弦的切线斜率输入到神经网络模型中,获得凸起突变点处理想的吊弦的切线斜率的模型303;
根据凸起突变点处理想的吊弦的切线斜率判断凸起是毛刺还是硬弯的模型304。
本发明提供的通过神经网络学习方法检测高铁接触网吊弦缺陷的系统,可用于执行上述第一方面描述的一种通过神经网络学习方法检测高铁接触网吊弦缺陷的方法,其实现原理和技术效果类似,在此不再赘述。
优选地,本发明一种通过神经网络学习方法检测高铁接触网吊弦缺陷的系统中各模块可直接在硬件中、在由处理器执行的软件模块中或在两者的组合中。
软件模块可驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可装卸盘、CD-ROM或此项技术中已知的任何其它形式的存储介质中。示范性存储介质耦合到处理器,使得处理器可从存储介质读取信息和向存储介质写入信息。
处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)、现场可编程门阵列(英文:Field Programmable Gate Array,简称:FPGA)或其它可编程逻辑装置、离散门或晶体管逻辑、离散硬件组件或其任何组合等。通用处理器可以是微处理器,但在替代方案中,处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可实施为计算装置的组合,例如DSP与微处理器的组合、多个微处理器、结合DSP核心的一个或一个以上微处理器或任何其它此类配置。在替代方案中,存储介质可与处理器成一体式。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替代方案中,处理器和存储介质可作为离散组件驻留在用户终端中。
第三方面,本发明提供一种电子设备,其包括:存储器,处理器;
存储器用于存储处理器可执行指令;
处理器用于根据存储器存储的可执行指令,实现第一方面的通过神经网络学习方法检测高铁接触网吊弦缺陷的方法。
第四方面,本发明提供一种计算机可读存储介质,其计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如第一方面的通过神经网络学习方法检测高铁接触网吊弦缺陷的方法。
第五方面,一种程序产品,程序产品包括计算机程序,计算机程序存储在可读存储介质中,至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使执行如第一方面的通过神经网络学习方法检测高铁接触网吊弦缺陷的方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
实施例
调取京沪高铁沿线的接触网含有吊弦的照片1万张,将其裁剪成仅含有吊弦以及吊弦周围部分零件的待检测图像。
将待检测图像输入到Mask R-CNN卷积神经网络(He K, Gkioxari G, P Dollár,et al. Mask R-CNN[J]. IEEE Transactions on Pattern Analysis and MachineIntelligence, 2018, 42(2):386-397所述)中,筛选出6523张吊弦上带有凸起的图像。
对于该6523张图像,根据CN202111110795.8实施例1的S1~S3步骤分别获取这6523张图像中吊弦的外轮廓,其中图像中吊弦是上下延伸的,然后分别计算每张图像中与上端部突变点距离0.17cm内正常吊弦外轮廓的切线斜率,并将每张图像中与上端部突变点距离0.17cm内正常吊弦外轮廓的切线斜率输入到BP神经网络(DE Rumelhart, Hinton G E,Williams R J. Learning Representations by Back Propagating Errors[J]. Nature,1986, 323(6088):533-536.所述,其中BP神经网络隐藏层为2层,第一层隐藏层的节点为3个,第二层隐藏层的节点为2个)中,获得每张图像中该端部突变点处理想的吊弦外轮廓的切线斜率。
若该端部突变点理想的吊弦外轮廓的切线斜率与该端部突变点实际的吊弦外轮廓的切线斜率变化率小于0.11%,则凸起为毛刺,否则凸起为硬弯。
最终识别出6523张吊弦上带有凸起的图像中有6348张图像中存在吊弦出现硬弯的情况,而另外175张图像为吊弦出现毛刺的情况,该结果与工作人员经现场勘查结果相同。由此可见,本方法能够准确的识别出吊弦硬弯,从而便于工作人员能够对吊弦进行尽快的维护或更换。
以上结合具体实施方式和范例性实例对本发明进行了详细说明,不过这些说明并不能理解为对本发明的限制。本领域技术人员理解,在不偏离本发明精神和范围的情况下,可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本发明的范围内。
Claims (9)
1.一种通过神经网络学习方法检测高铁接触网吊弦缺陷的方法,其特征在于,包括以下步骤:
步骤S101、获取待检测图像,所述待检测图像中含有吊弦;
步骤S102、将待检测图像输入到目标识别模型中,筛选出吊弦上带有凸起的图像;
步骤S103、根据所述带有凸起的图像,获取与凸起突变点预设距离内正常吊弦的切线斜率,并将与凸起突变点预设距离内正常吊弦的切线斜率输入到神经网络模型中,获得凸起突变点处理想的吊弦的切线斜率;
步骤S104、根据所述凸起突变点处理想的吊弦的切线斜率判断所述凸起是毛刺还是硬弯;
所述步骤S104包括:
若所述凸起突变点处理想的吊弦的切线斜率与所述凸起突变点处实际的吊弦的切线斜率之间的变化率小于预设阈值,则所述凸起为毛刺,否则所述凸起为硬弯。
2.根据权利要求1所述的通过神经网络学习方法检测高铁接触网吊弦缺陷的方法,其特征在于,所述步骤S101的过程,包括:
采集高铁接触网上的图像;
将图像裁剪为含有吊弦的待检测图像。
3.根据权利要求1所述的通过神经网络学习方法检测高铁接触网吊弦缺陷的方法,其特征在于:所述目标识别模型为CNN模型。
4.根据权利要求1所述的通过神经网络学习方法检测高铁接触网吊弦缺陷的方法,其特征在于:所述神经网络模型为BP神经网络。
5.根据权利要求2所述的通过神经网络学习方法检测高铁接触网吊弦缺陷的方法,其特征在于,还包括:
利用目标识别模型判断待检测图像中吊弦的位置,以去除待检测图像中除吊弦外其它背景。
6.根据权利要求3所述的通过神经网络学习方法检测高铁接触网吊弦缺陷的方法,其特征在于:
凸起突变点包括凸起的一个或两个端部突变点和/或至少一个非端部突变点。
7.一种通过神经网络学习方法检测高铁接触网吊弦缺陷的系统,其特征在于,包括:
获取待检测图像的模型;
将待检测图像输入到目标识别模型中,筛选出带有凸起的图像的模型;
根据带有凸起的图像获取与凸起突变点预设距离内正常吊弦的切线斜率,并将凸起预设距离内正常吊弦的切线斜率输入到神经网络模型中,获得凸起突变点处理想的吊弦的切线斜率的模型;
根据所述凸起突变点处理想的吊弦的切线斜率判断所述凸起是毛刺还是硬弯的模型;
其中,若所述凸起突变点处理想的吊弦的切线斜率与所述凸起突变点处实际的吊弦的切线斜率之间的变化率小于预设阈值,则所述凸起为毛刺,否则所述凸起为硬弯。
8.一种电子设备,其特征在于,包括:存储器,处理器;
所述存储器用于存储所述处理器可执行指令;
所述处理器用于根据所述存储器存储的可执行指令,实现如权利要求1至6中任一项所述的通过神经网络学习方法检测高铁接触网吊弦缺陷的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如权利要求1至6中任一项所述的通过神经网络学习方法检测高铁接触网吊弦缺陷的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210195215.8A CN114266770B (zh) | 2022-03-02 | 2022-03-02 | 通过神经网络学习方法检测高铁接触网吊弦缺陷的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210195215.8A CN114266770B (zh) | 2022-03-02 | 2022-03-02 | 通过神经网络学习方法检测高铁接触网吊弦缺陷的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114266770A CN114266770A (zh) | 2022-04-01 |
CN114266770B true CN114266770B (zh) | 2022-05-17 |
Family
ID=80833939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210195215.8A Active CN114266770B (zh) | 2022-03-02 | 2022-03-02 | 通过神经网络学习方法检测高铁接触网吊弦缺陷的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266770B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115841497B (zh) * | 2023-02-21 | 2023-04-18 | 广州鲁邦通物联网科技股份有限公司 | 分界线的检测方法、电动扶梯区域入侵检测方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002156339A (ja) * | 2000-11-20 | 2002-05-31 | Aiyoshi Sangyo Kk | スティックバー不良検査装置 |
CN102129564A (zh) * | 2011-02-14 | 2011-07-20 | 西南交通大学 | 基于无人飞行器的接触网故障检测与诊断方法 |
CN108615233A (zh) * | 2018-04-17 | 2018-10-02 | 成都唐源电气股份有限公司 | 一种吊弦图像处理方法、基于线阵相机的吊弦抓拍系统 |
CN110310261A (zh) * | 2019-06-19 | 2019-10-08 | 河南辉煌科技股份有限公司 | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 |
CN111402214A (zh) * | 2020-03-07 | 2020-07-10 | 西南交通大学 | 基于神经网络的接触网吊弦载流环断裂缺陷自动检测方法 |
CN114030395A (zh) * | 2021-11-05 | 2022-02-11 | 中铁工程设计咨询集团有限公司 | 一种接触悬挂吊弦区域异物检测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11375984B2 (en) * | 2018-08-31 | 2022-07-05 | Seno Medical Instruments, Inc. | Method and system for managing feature reading and scoring in ultrasound and/or optoacoustic images |
CN112669302B (zh) * | 2020-12-30 | 2023-07-28 | 北京市商汤科技开发有限公司 | 吊弦缺陷检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-03-02 CN CN202210195215.8A patent/CN114266770B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002156339A (ja) * | 2000-11-20 | 2002-05-31 | Aiyoshi Sangyo Kk | スティックバー不良検査装置 |
CN102129564A (zh) * | 2011-02-14 | 2011-07-20 | 西南交通大学 | 基于无人飞行器的接触网故障检测与诊断方法 |
CN108615233A (zh) * | 2018-04-17 | 2018-10-02 | 成都唐源电气股份有限公司 | 一种吊弦图像处理方法、基于线阵相机的吊弦抓拍系统 |
CN110310261A (zh) * | 2019-06-19 | 2019-10-08 | 河南辉煌科技股份有限公司 | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 |
CN111402214A (zh) * | 2020-03-07 | 2020-07-10 | 西南交通大学 | 基于神经网络的接触网吊弦载流环断裂缺陷自动检测方法 |
CN114030395A (zh) * | 2021-11-05 | 2022-02-11 | 中铁工程设计咨询集团有限公司 | 一种接触悬挂吊弦区域异物检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
V形焊缝轮廓特征点的有效提取;余卓骅等;《焊接技术》;20161228(第12期);第17-20页 * |
基于峭度表征的接触网吊弦缺陷检测算法;陈云莎 等;《机械制造与自动化》;20210630;第50卷(第3期);第167-170页 * |
电气化铁路弓网故障原因分析及对策;刘云洲;《郑铁科技》;20170315(第01期);第10-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114266770A (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109454006B (zh) | 基于化纤丝锭绊丝缺陷在线检测和分级的装置的检测分级方法 | |
CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
CN110930357A (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN108734704B (zh) | 基于灰度方差归一化的输电导线断股检测方法 | |
CN114266770B (zh) | 通过神经网络学习方法检测高铁接触网吊弦缺陷的方法 | |
CN116433666B (zh) | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 | |
CN109993154A (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
CN115330790B (zh) | 基于图像的电缆绞线质量检测方法及系统 | |
TW202127371A (zh) | 基於圖像的瑕疵檢測方法及電腦可讀存儲介質 | |
CN115272852A (zh) | 一种输电线路保护区隐患识别方法、设备及介质 | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
CN111127381B (zh) | 一种受电弓滑板不平行检测方法 | |
CN110782411A (zh) | 一种基于图像处理的防震锤滑移识别方法 | |
CN111950606B (zh) | 一种刀闸状态识别方法、装置、设备和存储介质 | |
CN111862023A (zh) | 一种基于计算机视觉的受电弓结构异常检测方法 | |
CN113763379B (zh) | 吊弦断股检测方法、装置、计算机设备及存储介质 | |
CN103996266A (zh) | 基于视频分析的尾矿库安全监测装置 | |
CN114266719B (zh) | 一种基于霍夫变换的产品检测方法 | |
CN111325708A (zh) | 一种输电线路检测方法和服务器 | |
CN113066041A (zh) | 一种基于栈稀疏自编码深度学习的路面裂缝检测方法 | |
CN116434258A (zh) | 一种表格数据的自动识别方法 | |
CN113643234B (zh) | 一种复合绝缘子破损检测方法、终端设备及可读存储介质 | |
CN114596439A (zh) | 一种基于图像的车险智能定损及核损方法、装置和电子设备 | |
CN110070520B (zh) | 基于深度神经网络的路面裂缝检测模型构建及检测方法 | |
CN111017728A (zh) | 一种基于机器视觉的起重机制动器健康状态评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |