CN114549440A - 接触网动态几何参数检测方法、装置及电子设备 - Google Patents
接触网动态几何参数检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114549440A CN114549440A CN202210133799.6A CN202210133799A CN114549440A CN 114549440 A CN114549440 A CN 114549440A CN 202210133799 A CN202210133799 A CN 202210133799A CN 114549440 A CN114549440 A CN 114549440A
- Authority
- CN
- China
- Prior art keywords
- contact line
- line
- contact
- slide plate
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000011218 segmentation Effects 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000013135 deep learning Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims description 79
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011897 real-time detection Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000003137 locomotive effect Effects 0.000 description 13
- 238000005259 measurement Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 239000000725 suspension Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000256247 Spodoptera exigua Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000001931 thermography 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
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开一种接触网动态几何参数检测方法、装置及电子设备，该方法包括：通过基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割，得到对应的受电弓滑板实例和接触线实例；实例分割模型是利用样本数据集进行训练得到的，样本数据集包括多帧样本拍摄图像，以及每帧样本拍摄图像中受电弓滑板和接触线分别对应的图像区域标注；从受电弓滑板实例中提取出接触网的导高线；根据接触线实例确定接触线的直线方程；根据接触网的导高线和接触线的直线方程确定接触网动态几何参数。实施本申请实施例，能够有效应对复杂场景的干扰，从而提高实时检测接触网动态几何参数的精度。
Description
技术领域
本申请涉及铁路接触网领域，具体涉及一种接触网动态几何参数检测方法、装置及电子设备。
背景技术
接触网是沿铁路线上空“之”字形架设的、向电力机车供电的特殊形式的输电线路。电力机车通过接触网获取电能，受电弓与接触网的相对位置关系会直接影响电力机车的取流性能。因此，对接触网的几何参数进行在线检测，能及早发现或者预防弓网中存在的安全隐患。
目前，现有的检测接触网几何参数的技术主要利用工业相机对接触网进行图像获取，再通过传统的图像处理算法和标定参数的方式计算得到接触网的几何参数。但是现有技术只能解决某些特定场景下的图像处理任务，无法应对电气化铁道中接触网的复杂场景对于图像质量的影响，例如隧道、桥梁、山体、建筑、植物等复杂场景的干扰会导致图像的对比度下降，使得对图像的细节分辨能力变差，因此现有技术对于复杂场景的抗干扰能力较弱。
发明内容
本申请实施例公开了一种接触网动态几何参数检测方法、装置及电子设备，能够有效应对复杂场景的干扰，提高了实时检测接触网动态几何参数的精度。
本申请实施例公开一种接触网动态几何参数检测方法，其特征在于，所述方法包括：
通过基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割，得到对应的受电弓滑板实例和接触线实例；所述实例分割模型是利用样本数据集进行训练得到的，所述样本数据集包括多帧样本拍摄图像，以及每帧所述样本拍摄图像中受电弓滑板和接触线分别对应的图像区域标注；
从所述受电弓滑板实例中提取出所述接触网的导高线；
根据所述接触线实例确定所述接触线的直线方程；
根据所述接触网的导高线和所述接触线的直线方程确定所述接触网动态几何参数。
作为一种可选的实施方式，所述从所述受电弓滑板实例中提取出所述导高线，包括：
根据所述受电弓滑板实例确定所述接触网的导高线在所述受电弓滑板实例对应的滑板二值化掩码图中的滑板位置坐标；
根据所述受电弓滑板实例对应的滑板二值化掩码图和所述滑板位置坐标确定所述受电弓滑板的检测区域；所述检测区域包括多个包含滑板像素点的像素行；
根据所述检测区域包括的滑板像素点总数和所述检测区域包括的像素行总数确定所述检测区域中像素行对应的滑板像素点平均值，并根据所述滑板像素点平均值确定数量阈值；
若在所述检测区域中存在连续多个像素行，所述连续多个像素行中每一行包括的滑板像素点个数均大于所述数量阈值，则将所述检测区域中所述连续多个像素行的第一行的图像位置确定为所述接触网的导高线在所述滑板二值化掩码图中的图像位置。
作为一种可选的实施方式，所述根据所述接触线实例确定所述接触线的直线方程，包括：
利用距离变换函数从所述接触线实例对应的接触线二值化掩码图中获取梯度灰度图；
对所述梯度灰度图分别沿第一方向和第二方向取像素最大值进行二值化处理，并生成对应的二值化图；所述第一方向与所述第二方向相互垂直；
根据所述二值化图确定所述接触线的直线方程。
作为一种可选的实施方式，所述根据所述二值化图确定所述接触线的直线方程，包括：
对所述二值化图进行直线检测，并生成对应的直线检测结果；
若所述直线检测结果中包括的直线参数信息符合参数规定，则将直线检测结果确定为所述接触线的直线方程；若所述直线检测结果中包括的直线参数信息不符合参数规定，则通过对所述接触线二值化掩码图进行直线拟合确定所述接触线的直线方程。
作为一种可选的实施方式，在所述通过基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割之前，所述方法还包括：
获取样本数据集；
将所述样本数据集包括的多帧样本拍摄图像输入至待训练的实例分割模型，得到所述待训练的实例分割模型输出的受电弓滑板样本实例和接触线样本实例；
根据所述受电弓滑板样本实例、所述接触线样本实例以及所述样本数据集包括的每帧所述样本拍摄图像中受电弓滑板和接触线分别对应的图像区域标注计算训练损失，并根据所述训练损失对所述待训练的实例分割模型的权重参数进行调整，以得到基于深度学习训练完成的实例分割模型。
作为一种可选的实施方式，所述几何参数包括所述拍摄图像中接触线的拉出值；所述根据所述接触网的导高线和所述接触线的直线方程确定所述接触网动态几何参数，包括：
当所述接触网中存在双支接触线时，根据所述接触网的导高线和所述接触线的直线方程计算所述受电弓滑板和所述接触线的交点坐标；
根据所述交点坐标计算所述双支接触线中每支接触线的拉出值和倾斜角度；
从所述双支接触线中选取出与参考接触线之间的拉出值差值和倾斜角度差值最小的第一接触线；所述参考接触线是在检测到所述接触网中存在所述双支接触线之前跟踪的单支接触线；
将所述第一接触线的拉出值确定为所述拍摄图像中接触线的拉出值。
作为一种可选的实施方式，在所述将所述第一接触线的拉出值确定为所述拍摄图像中接触线的拉出值之后，所述方法还包括：
将所述双支接触线中除了所述第一接触线以外的另一支接触线确定为第二接触线；
若所述第一接触线的拉出值在记录时间区间内的变化量超过拉出值阈值，或所述第一接触线的倾斜角度在所述记录时间区间内的变化量超过角度阈值，则将所述第二接触线的拉出值确定为所述拍摄图像中接触线的拉出值。
本申请实施例公开一种接触网动态几何参数检测装置，所述装置包括：
分割模块，用于通过基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割，得到对应的受电弓滑板实例和接触线实例；
提取模块，用于从所述受电弓滑板实例中提取出所述接触网的导高线；
确定模块，用于根据所述接触线实例确定所述接触线的直线方程；
参数模块，用于根据所述接触网的导高线和所述接触线的直线方程确定所述接触网动态几何参数。
本申请实施例公开一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现本申请实施例公开的任意一种接触网动态几何参数检测方法。
本申请实施例公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本申请实施例公开的任意一种接触网动态几何参数检测方法。
与相关技术相比，本申请实施例具有以下有益效果：
利用基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割；根据实例分割的结果生成对应的受电弓滑板实例和接触线实例，并从中分别提取出接触网的导高线以及接触线的直线方程；结合接触网的导高线和接触线的直线方程确定接触网动态几何参数。可见，本申请实施例基于深度学习算法，通过实例分割模型对拍摄图像进行实例分割，在拍摄图像处于低像素、低对比度等条件下依然能够准确识别受电弓、接触网的结构，从而提高实时检测接触网动态几何参数的精度，可以有效地应对复杂场景的干扰，具有很强的抗干扰能力。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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是本申请实施例公开的一种接触网动态几何参数检测方法的流程示意图；
图2是本申请实施例公开的另一种接触网动态几何参数检测方法的流程示意图；
图3是本申请实施例公开的一种Mask R-CNN检测算法的流程示意图；
图4是本申请实施例公开的另一种接触网动态几何参数检测方法的流程示意图；
图5是本申请实施例公开的另一种接触网动态几何参数检测方法的流程示意图；
图6是本申请实施例公开的一种接触网动态几何参数检测装置的结构示意图；
图7是本申请实施例公开的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例及附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在相关技术中，可以利用三角测量法检测接触网动态几何参数，通过多个线扫描摄像头采集接触线的图像，利用图像处理技术对多个摄像头采集图像中的接触线进行定位和匹配，再根据相机标定参数进行空间坐标变换和分析计算，获得接触线高度、拉出值等参数。该方案检测精度较高，但是设备安装复杂，标定困难，并且系统成本高。
除此之外，还可以利用激光雷达测量法检测接触网动态几何参数，通过扫描方式对断面内的接触线几何位置进行测量。虽然激光扫描雷达设备结构简单，但存在测量速度较低、测量精度不高、易受环境和被测物体表面反射率影响等问题。
对于基于光学成像的视觉测量法，传统图像算法虽然能够解决某些特定场景下的图像处理任务，但是其泛化能力及鲁棒性较差，无法应对电气化铁道中接触网的复杂场景以及光照条件对于采集图像质量的影响，比如，当采集的接触网图像背景为隧道、桥梁、山体、建筑、植物等，或者在夜晚、阴雨天气等光照条件差的背景环境中，传统图像算法无法准确从低像素、低对比度的采集图像中准确获取接触网动态几何参数。
本申请实施例公开了一种接触网动态几何参数检测方法、装置及电子设备，能够有效应对复杂场景的干扰，提高了实时检测接触网动态几何参数的精度。以下分别进行详细说明。
请参阅图1，图1是本申请实施例公开的一种接触网动态几何参数检测方法的流程示意图。其中，图1所描述的接触网动态几何参数检测方法可以应用于个人电脑、工业计算机等电子设备，本申请实施例不做限定。如图1所示，该接触网动态几何参数检测方法可以包括以下步骤：
101、通过基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割，得到对应的受电弓滑板实例和接触线实例。
电子设备可以通过基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割，得到对应的受电弓滑板实例和接触线实例。
接触网是沿铁路线上空“之”字形架设的，向电力机车供电的特殊形式的输电线路。其由接触悬挂、支持装置、定位装置、支柱与基础几部分组成。
受电弓滑板是电力机车从供电接触网获取电能的关键部件，安装在受电弓的最上部，直接与接触网中的接触线接触。
接触线是接触网中重要的组成部分，接触线通过与电力机车上的受电弓滑板摩擦直接向电力机车输送电流，其性能直接影响电力机车的受流质量和机车的安全运行。
待处理的拍摄图像是通过工业相机进行拍摄获取的，工业相机可以是红外热像仪，也可以是可见光相机等，具体不作限定。工业相机可以安装在电力机车的车顶，采集弓网运行状态下的拍摄图像。可选的，待处理的拍摄图像可以是红外图像，也可以是可见光图像，但不限于此。
基于深度学习训练完成的实例分割模型是利用样本数据集进行训练得到的，样本数据集包括多帧样本拍摄图像，以及每帧样本拍摄图像中受电弓滑板和接触线分别对应的图像区域标注。
其中，对于样本拍摄图像的帧数不作限定，示例性的，可以选取6000帧样本拍摄图像作为深度学习实例分割模型训练的样本数据集，对所有样本拍摄图像的受电弓滑板区域和接触线区域进行实例级别的标注，其中受电弓滑板区域可以采用轮廓点标注方式，例如采用多边形进行标注；接触线区域可以采用固定宽度的直线进行标注，例如当图像尺寸为640*480，固定宽度可设为5像素。然后将标注后生成的标注文件转化为受电弓滑板和接触线对应的前景掩码，将前景掩码作为受电弓滑板和接触线分别对应的图像区域标注，从而获得带图像区域标注的样本数据集。
实例分割可以从图像中用目标检测方法框出不同实例，再用语义分割方法在不同实例区域内进行逐像素标记。因此实例分割方法可以区别属于相同类别的不同实例，从而能够精确地识别出图像中的各个目标对象。
通过基于深度学习训练完成的实例分割模型对红外热像仪采集的待处理的拍摄图像进行受电弓滑板和接触线的实例分割，从而获得受电弓滑板实例和接触线实例，以及受电弓滑板实例和接触线实例分别对应的图像区域标注，通过二值化处理获取每个受电弓滑板实例和接触线滑板实例所在区域的二值化掩码图及位置坐标(x,y,w,h)。位置坐标中的x和y可以分别表示每个受电弓滑板实例和接触线滑板实例所在区域中心点的横坐标和纵坐标，w可以表示区域宽度，h可以表示区域高度。其中，二值化所采用的阈值可以是0.5，具体不作限定。
检测接触网动态几何参数的方法可以是在受电弓顶部安装工业相机等传感器，当接触线在传感器上方滑过时，利用计算机对传感器产生的脉冲信号进行处理，并输出相应的接触网几何参数。而检测接触网静态几何参数的方法是由人工检测出接触线距离线路中心的水平距离以及距离轨面高度等各种实际测量值，再将各种实际测量值代入到特定的计算公式中计算出接触网的几何参数。静态测量接触网几何参数的方法会受测量工具误差、测量和计算的精度等因素影响，而且一般是在无风或者微风的情况下进行测量，无法应对接触线与轨平面处于相对运动的情况。而动态测量接触网几何参数的方法能够解决静态测量存在的上述问题，更好地反映出接触线与受电弓、车体以及线路之间的动态关系，在工业环境下达到实时性检测的要求。
102、从受电弓滑板实例中提取出接触网的导高线。
电子设备可以根据受电弓滑板实例对应的二值化掩码图和滑板位置坐标确定接触网的导高线。作为一种可选的实施方式，可以通过对受电弓滑板实例对应的二值化掩码图进行直线检测，确定接触网的导高线。
103、根据接触线实例确定接触线的直线方程。
电子设备可以对接触线实例对应的二值化掩码图进行直线检测，并生成对应的直线检测结果，从而根据直线检测结果确定接触线的直线方程。
104、根据接触网的导高线和接触线的直线方程确定接触网动态几何参数。
电子设备可以根据接触网的导高线和接触线的直线方程确定接触网动态几何参数。其中，接触网动态几何参数包括接触线的导高值、拉出值和双支接触线间的水平距离，但不限于此。
导高值是接触线悬挂点高度的简称，可以指接触线在悬挂点处距离铁轨平面的高度。拉出值是在悬挂点处接触线偏移受电弓滑板中心的距离。接触线直接与电力机车的受电弓接触且发生摩擦，为了保证受电弓和接触线可靠接触、不脱线和保证受电弓磨耗均匀，接触线在悬挂点处可以与电力机车受电弓滑板中心有一定偏移量。
根据接触网的导高线和接触线的直线方程确定拍摄图像中接触线的导高值和拉出值。在一些实施例中，当接触网的线岔和锚段关节处存在双支接触线时，可以将双支接触线与受电弓滑板在拍摄图像中交点的横坐标值进行相减，得到拍摄图像中双支接触线之间的水平距离。根据从拍摄图像坐标到真实世界坐标变换的标定，可以对拍摄图像中接触线的导高值、拉出值以及双支接触线间的水平距离进行坐标变换，获取真实世界中接触网动态几何参数。其中，真实世界中接触网动态几何参数可以包括接触线的导高、拉出值以及双支接触线间的水平距离等。
由于红外热成像受像素及成像原理限制，当受电弓及接触网拍摄的背景环境中存在其他干扰，容易导致拍摄图像的对比度下降，细节分辨能力变差。本申请实施例基于深度学习算法，通过实例分割模型对拍摄图像进行实例分割，在拍摄图像处于低像素、低对比度等条件下依然能够准确识别受电弓、接触网的结构，从而提高实时检测接触网动态几何参数的精度，可以有效地应对复杂场景的干扰，具有很强的抗干扰能力。
需要说明的是，前述实施例公开的接触网动态几何参数检测方法可应用于通过对接触网上的受电弓滑板和接触线的识别，以计算出接触网的导高值和拉出值等几何参数。在一些可能的实施例中，前述的接触网动态几何参数检测方法也可通过基于深度学习训练完成的实例分割模型对定位器、定位管、平腕臂、斜腕臂等接触网的关键零部件进行检测定位，并在此基础上计算定位器坡度、腕臂倾角、接触线垂直距离、支撑杆倾角等接触网几何参数，具体不做限定。
请参阅图2，图2是本申请实施例公开的另一种接触网动态几何参数检测方法的流程示意图。如图2所示，该方法包括以下步骤：
201、获取样本数据集。
其中，样本数据集包括的多帧样本拍摄图像可以通过红外热像仪获取。通过对样本数据集中所有样本拍摄图像的受电弓滑板区域和接触线区域进行实例级别的标注，可以获得带图像区域标注的样本数据集。
202、将样本数据集包括的多帧样本拍摄图像输入至待训练的实例分割模型，得到待训练的实例分割模型输出的受电弓滑板样本实例和接触线样本实例。
受电弓滑板样本实例和接触线样本实例是通过待训练的实例分割模型对样本数据集包括的多帧样本拍摄图像进行实例分割获得的。
203、根据受电弓滑板样本实例、接触线样本实例以及样本数据集包括的每帧样本拍摄图像中受电弓滑板和接触线分别对应的图像区域标注计算训练损失，并根据训练损失对待训练的实例分割模型的权重参数进行调整，以得到基于深度学习训练完成的实例分割模型。
对于受电弓滑板和接触线的实例分割，可采用不同的深度学习实例分割模型实现。首先选取基于深度学习的实例分割模型框架，实例分割模型可以包括Mask R-CNN、YOLCAT++、PolarMask、SOLOv2、BlendMask等，具体不作限定。将样本数据集划分为训练集和验证集，利用模型训练方法训练实例分割模型，根据训练损失调整权重参数，以获得权重参数最优的模型，从而得到基于深度学习训练完成的实例分割模型。其中，模型训练的优化方法可以是随机梯度下降(Stochastic Gradient Descent,SGD)算法，也可以是自适应矩估计(Adaptive Moment Estimation,Adam)算法，但不限于此；计算的训练损失可以是L1损失、L2损失、交叉熵损失等，但不限于此。
示例性的，选取Mask R-CNN作为实例分割模型，请参阅图3，图3是本申请实施例公开的一种Mask R-CNN检测算法的流程示意图。如图3所示，该Mask R-CNN检测算法可以包括以下步骤：
(1)首先，利用OpenCV库函数对拍摄图像进行预处理，将原始图像转为灰度图像，并进行图像大小的重置以及归一化，使其满足深度学习模型的输入要求；
(2)将拍摄图像输入到特征提取网络ResNet50-FPN(主干网络和特征金字塔网络)得到多层特征图；
(3)对多层特征图中的每一个像素位置设定不同尺寸固定个数的Anchor，然后将这些区域送入区域候选网络(RPN)进行前景和背景的二分类以及位置坐标的回归(x,y,w,h)；
(4)对上一步中获得的感兴趣区域(ROI)进行对齐操作(ROIAlign)，即先将输入图像和特征图的像素点对应起来，然后将特征图和固定的特征对应起来；
(5)最后，对这些ROI区域通过全连接进行多类别分类、候选框回归，实现类别预测和边界框预测，以及通过全卷积生成掩码(Mask)，实现掩码预测，从而完成实例分割任务。
Mask R-CNN的多任务损失函数为：L＝Lcls+Lbox+Lmask，其中Lcls为分类误差，Lbox为边界框回归误差，Lmask为分割误差。将带有图像区域标注的样本数据集划分为训练集和验证集，其中训练集设为5000张图像，验证集为1000张图像，利用反向传播和梯度下降算法优化损失函数L，迭代训练该实例分割模型，获得最优模型权重；通过对电力机车上红外热成像仪实时采集的100000张拍摄图像进行测试，受电弓滑板的检测率为99.6％，接触线的检测率为94.8％。
204、通过基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割，得到对应的受电弓滑板实例和接触线实例。
205、根据受电弓滑板实例确定接触网的导高线在受电弓滑板实例对应的滑板二值化掩码图中的滑板位置坐标。
其中，接触网的导高线对应受电弓滑板实例在滑板二值化掩码图中的滑板上边界的y轴坐标。
206、根据受电弓滑板实例对应的滑板二值化掩码图和滑板位置坐标确定受电弓滑板的检测区域。
检测区域包括多个包含滑板像素点的像素行。通过获取受电弓滑板实例所在区域中心的x轴坐标、y轴坐标、区域宽度和区域高度，可以从滑板二值化掩码图中确定出受电弓滑板的检测区域。
207、根据检测区域包括的滑板像素点总数和检测区域包括的像素行总数确定检测区域中像素行对应的滑板像素点平均值，并根据滑板像素点平均值确定数量阈值。
数量阈值可以是滑板像素点平均值与比例系数的乘积，其中，比例系数可以是1/2，具体不作限定。
208、若在检测区域中存在连续多个像素行，连续多个像素行中每一行包括的滑板像素点个数均大于数量阈值，则将检测区域中连续多个像素行的第一行的图像位置确定为接触网的导高线在滑板二值化掩码图中的图像位置。
示例性的，根据受电弓滑板实例对应的二值化掩码图及滑板位置坐标确定受电弓滑板的检测区域(x,y,w,h)，统计检测区域内所有像素行中滑板像素点个数的平均值A，再从上往下判定每个像素行中滑板像素点个数是否连续三行大于1/2*A，若是，则该行所在的位置为接触网的导高线。
209、根据接触线实例确定接触线的直线方程；
210、根据接触网的导高线和接触线的直线方程确定接触网动态几何参数。
在工业环境下，使用本申请实施例的方法能够实时、准确地识别出受电弓及接触网，并提高实时检测接触网动态几何参数的精度。其中，深度学习实例分割模型每帧运算时间约为10ms，在进行导高检测、接触线检测及几何参数计算等操作后，系统最大输出帧为60fps，在工业环境下能够达到实时性检测的要求。
请参阅图4，图4是本申请实施例公开的另一种接触网动态几何参数检测方法的流程示意图。
401、通过基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割，得到对应的受电弓滑板实例和接触线实例。
402、从受电弓滑板实例中提取出接触网的导高线。
403、利用距离变换函数从接触线实例对应的接触线二值化掩码图中获取梯度灰度图。
采用距离变换函数对接触线实例对应的二值化掩码图计算从距离中心到外部的梯度，转化为灰度图，从而获得梯度灰度图。
404、对梯度灰度图分别沿第一方向和第二方向取像素最大值进行二值化处理，并生成对应的二值化图。
其中，第一方向与第二方向相互垂直。比如，第一方向可以是x轴方向，第二方向可以是y轴方向。由于实例分割模型输出的接触线实例对应的二值化掩码图具有一定的像素宽度，可以先进行细化，从而更准确地拟合接触线所在直线的中心。示例性的，可以先利用OpenCV中的距离变换函数对每个接触线实例的二值化掩码图计算接触线像素点区域从距离中心到外部的梯度，将其转换成梯度灰度图；再对梯度灰度图分别沿x轴(列)和y轴(行)取最大值进行二值化，获得待拟合线条的二值化图。
采用距离变换函数将接触线实例对应的二值化掩码图转换为梯度灰度图，并对梯度灰度图分别沿x轴(列)和y轴(行)取最大值进行二值化，更易于获取接触线所在直线的中心位置，使得计算的拉出值更准确。
405、对二值化图进行直线检测，并生成对应的直线检测结果。
其中，直线检测的方法可以包括Hough直线检测算法、Freeman直线检测算法、尺蠖蠕行算法等，但不限于此。
406、判断直线检测结果中包括的直线参数信息是否符合参数规定。
电气化铁道接触网在实际的应用中，需要结合行车速度、行车界限等多方面因素对接触线的参数进行规定。因此可以根据预先设定的参数规定排除在直线检测结果中直线参数信息不符合参数规定的直线，比如通过长度、高度、角度等直线参数信息判断出明显不符合参数规定的直线。
407、若直线检测结果中包括的直线参数信息符合参数规定，则将直线检测结果确定为接触线的直线方程。
示例性的，若对二值化图进行hough变换直线检测结果中包括的直线参数信息符合参数规定，则可以提取接触线的直线方程。
408、若直线检测结果中包括的直线参数信息不符合参数规定，则通过对接触线二值化掩码图进行直线拟合确定接触线的直线方程。
其中直线拟合的方法可以包括最小二乘法、梯度下降法、高斯牛顿法等，具体不作限定。示例性的，可以通过最小二乘法从接触线的二值化掩码图直接拟合出一条直线，并将该直线确定为接触线的直线方程。
409、根据接触网的导高线和接触线的直线方程确定接触网动态几何参数。
本申请实施例可以通过实例分割模型对拍摄图像进行实例分割，将受电弓滑板和接触线等接触网的关键零部件的检测问题转化为像素级的实例分割问题，并采用深度学习方法建模，极大的提高了接触网动态几何参数测量精度，并且可以有效地应对复杂场景的干扰，具有很强的鲁棒性。
请参阅图5，图5是本申请实施例公开的另一种接触网动态几何参数检测方法的流程示意图。
501、通过基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割，得到对应的受电弓滑板实例和接触线实例。
502、从受电弓滑板实例中提取出接触网的导高线。
503、根据接触线实例确定接触线的直线方程。
504、当接触网中存在双支接触线时，根据接触网的导高线和接触线的直线方程计算受电弓滑板和接触线的交点坐标。
在一些实施例中，当接触网中只存在单支接触线时，根据接触网的导高线和单支接触线的直线方程计算受电弓滑板和接触线的交点坐标。
当接触网中存在双支接触线时，根据接触网的导高线和双支接触线中每支接触线的直线方程计算受电弓滑板和每支接触线的交点坐标。
需要进一步说明的是，可以将从滑板二值化掩码图中提取的接触网的导高线以及从接触线二值化掩码图中确定的接触线的直线方程映射到原始的拍摄图像中，获取受电弓滑板与接触线在拍摄图像中的交点坐标，进而计算出拍摄图像中的接触线的导高和拉出值。
505、根据交点坐标计算双支接触线中每支接触线的拉出值和倾斜角度。
拉出值可以通过受电弓滑板和每支接触线的交点坐标计算获取，倾斜角度可以通过接触线与x轴方向的夹角获取。
506、从双支接触线中选取出与参考接触线之间的拉出值差值和倾斜角度差值最小的第一接触线。
参考接触线是在检测到接触网中存在双支接触线之前跟踪的单支接触线。需要进一步说明的是，在接触网的线岔和锚段关节处存在双支接触线时，需判定双支接触线中与受电弓滑板相接触的接触线，将与受电弓滑板相接触的接触线的拉出值确定为拍摄图像中接触线的拉出值。具体过程可以包括：首先在单支接触线的情况下，实时记录该单支接触线的拉出值及其倾斜角度，并对该单支接触线进行跟踪；将该单支接触线确定为参考接触线；在出现双支接触线的情况时，将当前双支接触线分别与前一时刻跟踪的参考接触线的拉出值和倾斜角度进行对比，并从双支接触线中选取出与参考接触线之间拉出值差值和倾斜角度差值最小的接触线作为与受电弓滑板相接触的第一接触线。
507、将第一接触线的拉出值确定为拍摄图像中接触线的拉出值。
508、将双支接触线中除了第一接触线以外的另一支接触线确定为第二接触线。
509、若第一接触线的拉出值在记录时间区间内的变化量超过拉出值阈值，则将第二接触线的拉出值确定为拍摄图像中接触线的拉出值。
作为一种可选的实施方式，可以判断第一接触线的倾斜角度在记录时间区间内的变化量是否超过角度阈值，若第一接触线的倾斜角度在记录时间区间内的变化量超过角度阈值，则将第二接触线的拉出值确定为拍摄图像中接触线的拉出值。
需要进一步说明的是，当第一接触线的拉出值或倾斜角度在上下时刻出现较大的变化并超过对应的阈值时，可以视为双支接触线的轨道切换，选取第二接触线作为即将与受电弓滑板相接触的接触线，并将第二接触线的拉出值确定为拍摄图像中接触线的拉出值。
本申请实施例中基于深度学习的接触网动态几何参数检测方法可以准确地提取受电弓滑板轮廓，可以准确地区分接触线、承力索、吊弦及加强线等，提高了对接触线的识别精度；并且鲁棒性强，不受拍摄时接触网的复杂背景以及图像成像质量的干扰；另外，对设备性能的要求不高，设备安装简单，成本较低，适合工业应用场景。
请参阅图6，图6是本申请实施例公开的一种接触网动态几何参数检测装置的结构示意图。该装置可以应用于个人电脑、工业计算机等电子设备，具体不做限定。如图6所示，接触网动态几何参数检测装置600可包括：分割模块610、提取模块620、确定模块630、参数模块640。
分割模块610，用于通过基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割，得到对应的受电弓滑板实例和接触线实例；
提取模块620，用于从受电弓滑板实例中提取出接触网的导高线；
确定模块630，用于根据接触线实例确定接触线的直线方程；
参数模块640，用于根据接触网的导高线和接触线的直线方程确定接触网动态几何参数。
在一个实施例中，提取模块620，还用于根据受电弓滑板实例确定接触网的导高线在受电弓滑板实例对应的滑板二值化掩码图中的滑板位置坐标；根据受电弓滑板实例对应的滑板二值化掩码图和滑板位置坐标确定受电弓滑板的检测区域；根据检测区域包括的滑板像素点总数和检测区域包括的像素行总数确定检测区域中像素行对应的滑板像素点平均值，并根据滑板像素点平均值确定数量阈值；若在检测区域中存在连续多个像素行，连续多个像素行中每一行包括的滑板像素点个数均大于数量阈值，则将检测区域中连续多个像素行的第一行的图像位置确定为接触网的导高线在滑板二值化掩码图中的图像位置。
在一个实施例中，确定模块630，可包括：获取单元、二值化单元、直线确定单元；
获取单元，用于利用距离变换函数从所述接触线实例对应的接触线二值化掩码图中获取梯度灰度图；
二值化单元，用于对梯度灰度图分别沿第一方向和第二方向取像素最大值进行二值化处理，并生成对应的二值化图；
直线确定单元，用于根据二值化图确定接触线的直线方程。
在一个实施例中，直线确定单元还用于对所述二值化图进行直线检测，并生成对应的直线检测结果；若直线检测结果中包括的直线参数信息符合参数规定，则将直线检测结果确定为接触线的直线方程；若直线检测结果中包括的直线参数信息不符合参数规定，则通过对接触线二值化掩码图进行直线拟合确定接触线的直线方程。
在一个实施例中，该接触网动态几何参数检测装置600还包括训练单元；
训练单元，用于获取样本数据集；将样本数据集包括的多帧样本拍摄图像输入至待训练的实例分割模型，得到待训练的实例分割模型输出的受电弓滑板样本实例和接触线样本实例；根据受电弓滑板样本实例、接触线样本实例以及样本数据集包括的每帧样本拍摄图像中受电弓滑板和接触线分别对应的图像区域标注计算训练损失，并根据训练损失对待训练的实例分割模型的权重参数进行调整，以得到基于深度学习训练完成的实例分割模型。
在一个实施例中，参数模块640，还用于当接触网中存在双支接触线时，根据接触网的导高线和接触线的直线方程计算受电弓滑板和接触线的交点坐标；根据交点坐标计算双支接触线中每支接触线的拉出值和倾斜角度；从双支接触线中选取出与参考接触线之间的拉出值差值和倾斜角度差值最小的第一接触线；将第一接触线的拉出值确定为拍摄图像中接触线的拉出值；将双支接触线中除了第一接触线以外的另一支接触线确定为第二接触线；若第一接触线的拉出值在记录时间区间内的变化量超过拉出值阈值，或第一接触线的倾斜角度在记录时间区间内的变化量超过角度阈值，则将第二接触线的拉出值确定为拍摄图像中接触线的拉出值。
请参阅图7，图7是本申请实施例公开的一种电子设备的结构示意图。
如图7所示，该电子设备700可以包括：
存储有可执行程序代码的存储器710；
与存储器710耦合的处理器720；
其中，处理器720调用存储器710中存储的可执行程序代码，执行本申请实施例公开的任意一种接触网动态几何参数检测方法。
本申请实施例公开一种计算机可读存储介质，其存储计算机程序，其中，计算机程序被所述处理器执行时，使得所述处理器实现本申请实施例公开的任意一种接触网动态几何参数检测方法。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在本申请的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
上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单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可获取的存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本申请的各个实施例上述方法的部分或全部步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本申请实施例公开的一种接触网动态几何参数检测方法、装置及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种接触网动态几何参数检测方法，其特征在于，所述方法包括：
通过基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割，得到对应的受电弓滑板实例和接触线实例；所述实例分割模型是利用样本数据集进行训练得到的，所述样本数据集包括多帧样本拍摄图像，以及每帧所述样本拍摄图像中受电弓滑板和接触线分别对应的图像区域标注；
从所述受电弓滑板实例中提取出所述接触网的导高线；
根据所述接触线实例确定所述接触线的直线方程；
根据所述接触网的导高线和所述接触线的直线方程确定所述接触网动态几何参数。
2.根据权利要求1所述的方法，其特征在于，所述从所述受电弓滑板实例中提取出所述导高线，包括：
根据所述受电弓滑板实例确定所述接触网的导高线在所述受电弓滑板实例对应的滑板二值化掩码图中的滑板位置坐标；
根据所述受电弓滑板实例对应的滑板二值化掩码图和所述滑板位置坐标确定所述受电弓滑板的检测区域；所述检测区域包括多个包含滑板像素点的像素行；
根据所述检测区域包括的滑板像素点总数和所述检测区域包括的像素行总数确定所述检测区域中像素行对应的滑板像素点平均值，并根据所述滑板像素点平均值确定数量阈值；
若在所述检测区域中存在连续多个像素行，所述连续多个像素行中每一行包括的滑板像素点个数均大于所述数量阈值，则将所述检测区域中所述连续多个像素行的第一行的图像位置确定为所述接触网的导高线在所述滑板二值化掩码图中的图像位置。
3.根据权利要求1所述的方法，其特征在于，所述根据所述接触线实例确定所述接触线的直线方程，包括：
利用距离变换函数从所述接触线实例对应的接触线二值化掩码图中获取梯度灰度图；
对所述梯度灰度图分别沿第一方向和第二方向取像素最大值进行二值化处理，并生成对应的二值化图；所述第一方向与所述第二方向相互垂直；
根据所述二值化图确定所述接触线的直线方程。
4.根据权利要求3所述的方法，其特征在于，所述根据所述二值化图确定所述接触线的直线方程，包括：
对所述二值化图进行直线检测，并生成对应的直线检测结果；
若所述直线检测结果中包括的直线参数信息符合参数规定，则将直线检测结果确定为所述接触线的直线方程；若所述直线检测结果中包括的直线参数信息不符合参数规定，则通过对所述接触线二值化掩码图进行直线拟合确定所述接触线的直线方程。
5.根据权利要求1所述的方法，其特征在于，在所述通过基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割之前，所述方法还包括：
获取样本数据集；
将所述样本数据集包括的多帧样本拍摄图像输入至待训练的实例分割模型，得到所述待训练的实例分割模型输出的受电弓滑板样本实例和接触线样本实例；
根据所述受电弓滑板样本实例、所述接触线样本实例以及所述样本数据集包括的每帧所述样本拍摄图像中受电弓滑板和接触线分别对应的图像区域标注计算训练损失，并根据所述训练损失对所述待训练的实例分割模型的权重参数进行调整，以得到基于深度学习训练完成的实例分割模型。
6.根据权利要求1所述的方法，其特征在于，所述几何参数包括所述拍摄图像中接触线的拉出值；所述根据所述接触网的导高线和所述接触线的直线方程确定所述接触网动态几何参数，包括：
当所述接触网中存在双支接触线时，根据所述接触网的导高线和所述接触线的直线方程计算所述受电弓滑板和所述接触线的交点坐标；
根据所述交点坐标计算所述双支接触线中每支接触线的拉出值和倾斜角度；
从所述双支接触线中选取出与参考接触线之间的拉出值差值和倾斜角度差值最小的第一接触线；所述参考接触线是在检测到所述接触网中存在所述双支接触线之前跟踪的单支接触线；
将所述第一接触线的拉出值确定为所述拍摄图像中接触线的拉出值。
7.根据权利要求6所述的方法，其特征在于，在所述将所述第一接触线的拉出值确定为所述拍摄图像中接触线的拉出值之后，所述方法还包括：
将所述双支接触线中除了所述第一接触线以外的另一支接触线确定为第二接触线；
若所述第一接触线的拉出值在记录时间区间内的变化量超过拉出值阈值，或所述第一接触线的倾斜角度在所述记录时间区间内的变化量超过角度阈值，则将所述第二接触线的拉出值确定为所述拍摄图像中接触线的拉出值。
8.一种接触网动态几何参数检测装置，其特征在于，包括：
分割模块，用于通过基于深度学习训练完成的实例分割模型对待处理的拍摄图像中的受电弓滑板和接触线进行实例分割，得到对应的受电弓滑板实例和接触线实例；
提取模块，用于从所述受电弓滑板实例中提取出所述接触网的导高线；
确定模块，用于根据所述接触线实例确定所述接触线的直线方程；
参数模块，用于根据所述接触网的导高线和所述接触线的直线方程确定所述接触网动态几何参数。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1至7任一所述的方法。
10.一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如权利要求1至7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210133799.6A CN114549440A (zh) | 2022-02-11 | 2022-02-11 | 接触网动态几何参数检测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210133799.6A CN114549440A (zh) | 2022-02-11 | 2022-02-11 | 接触网动态几何参数检测方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114549440A true CN114549440A (zh) | 2022-05-27 |
Family
ID=81673686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210133799.6A Pending CN114549440A (zh) | 2022-02-11 | 2022-02-11 | 接触网动态几何参数检测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114549440A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116331289A (zh) * | 2023-03-16 | 2023-06-27 | 北京运达华开科技有限公司 | 一种基于图像分析的轨道状态检测系统及方法 |
| CN117408957A (zh) * | 2023-10-13 | 2024-01-16 | 中车工业研究院有限公司 | 一种非接触式弓网偏移状态监测方法及装置 |
| CN117788965A (zh) * | 2024-02-28 | 2024-03-29 | 四川拓及轨道交通设备股份有限公司 | 一种柔性接触网吊弦的检测及高清成像方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120013743A1 (en) * | 2010-07-07 | 2012-01-19 | Alstom Transport Sa | Device for Monitoring Condition of a Railway Supply Line |
| CN107014294A (zh) * | 2017-05-09 | 2017-08-04 | 中国铁道科学研究院 | 一种基于红外图像的接触网几何参数检测方法及系统 |
| CN110910443A (zh) * | 2019-12-04 | 2020-03-24 | 成都唐源电气股份有限公司 | 基于单监控相机的接触网几何参数实时测量方法及装置 |
| CN112132789A (zh) * | 2020-08-30 | 2020-12-25 | 南京理工大学 | 基于级联式神经网络的受电弓在线检测装置及方法 |
| CN112985263A (zh) * | 2021-02-09 | 2021-06-18 | 中国科学院上海微系统与信息技术研究所 | 一种弓网几何参数检测方法、装置及设备 |
-
2022
- 2022-02-11 CN CN202210133799.6A patent/CN114549440A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120013743A1 (en) * | 2010-07-07 | 2012-01-19 | Alstom Transport Sa | Device for Monitoring Condition of a Railway Supply Line |
| CN107014294A (zh) * | 2017-05-09 | 2017-08-04 | 中国铁道科学研究院 | 一种基于红外图像的接触网几何参数检测方法及系统 |
| CN110910443A (zh) * | 2019-12-04 | 2020-03-24 | 成都唐源电气股份有限公司 | 基于单监控相机的接触网几何参数实时测量方法及装置 |
| CN112132789A (zh) * | 2020-08-30 | 2020-12-25 | 南京理工大学 | 基于级联式神经网络的受电弓在线检测装置及方法 |
| CN112985263A (zh) * | 2021-02-09 | 2021-06-18 | 中国科学院上海微系统与信息技术研究所 | 一种弓网几何参数检测方法、装置及设备 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116331289A (zh) * | 2023-03-16 | 2023-06-27 | 北京运达华开科技有限公司 | 一种基于图像分析的轨道状态检测系统及方法 |
| CN116331289B (zh) * | 2023-03-16 | 2023-10-17 | 北京运达华开科技有限公司 | 一种基于图像分析的轨道状态检测系统及方法 |
| CN117408957A (zh) * | 2023-10-13 | 2024-01-16 | 中车工业研究院有限公司 | 一种非接触式弓网偏移状态监测方法及装置 |
| CN117408957B (zh) * | 2023-10-13 | 2024-06-11 | 中车工业研究院有限公司 | 一种非接触式弓网偏移状态监测方法及装置 |
| CN117788965A (zh) * | 2024-02-28 | 2024-03-29 | 四川拓及轨道交通设备股份有限公司 | 一种柔性接触网吊弦的检测及高清成像方法 |
| CN117788965B (zh) * | 2024-02-28 | 2024-05-10 | 四川拓及轨道交通设备股份有限公司 | 一种柔性接触网吊弦的检测及高清成像方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114549440A (zh) | 接触网动态几何参数检测方法、装置及电子设备 | |
| CN110399816B (zh) | 一种基于Faster R-CNN的高速列车车底异物检测方法 | |
| CN105652154B (zh) | 接触网运行状态安全监测分析系统 | |
| CN112766274B (zh) | 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统 | |
| CN104567684B (zh) | 一种接触网几何参数检测方法及装置 | |
| CN110766979A (zh) | 一种用于自动驾驶车辆的泊车车位检测方法 | |
| KR102346676B1 (ko) | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 | |
| CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
| CN112215125A (zh) | 一种基于YOLOv3的水位识别方法 | |
| CN109360188A (zh) | 一种高铁接触网等电位线不良状态的检测方法 | |
| Huang et al. | A deep learning augmented vision-based method for measuring dynamic displacements of structures in harsh environments | |
| CN111780744A (zh) | 移动机器人混合导航方法、设备及存储装置 | |
| CN117079252A (zh) | 一种基于改进YOLOv5的交通标志检测与测距方法 | |
| CN115713654A (zh) | 基于2d与3d激光图像的轨道扣件螺栓松动自动检测方法 | |
| CN117877011A (zh) | 一种基于神经网络的仪表动态追踪与识别方法和系统 | |
| Zhai et al. | Development of an iterative Otsu method for vision-based structural displacement measurement under low-light conditions | |
| CN117315547A (zh) | 一种解决动态物体大占比的视觉slam方法 | |
| CN115797411B (zh) | 一种利用机器视觉在线识别水电站电缆桥架形变的方法 | |
| KR100532058B1 (ko) | 카메라 캘리브레이션을 이용한 교통정보 추출 방법 및 장치 | |
| CN109879170A (zh) | 一种起重机吊臂旁弯位移实时检测系统 | |
| Kye et al. | Feasibility study for the fine crack width estimation of concrete structures based on fiducial markers | |
| CN112232271B (zh) | 一种基于激光的人流检测方法以及设备 | |
| CN111914699B (zh) | 一种基于摄像机视频流的行人定位及轨迹获取方法 | |
| CN114581889A (zh) | 一种融合方法、装置、设备、介质及产品 | |
| CN115205827A (zh) | 一种道路检测用图像识别方法、装置、电子设备及介质 |
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 |