CN115272831B - 接触网悬挂状态监测图像的传输方法及系统 - Google Patents

接触网悬挂状态监测图像的传输方法及系统 Download PDF

Info

Publication number
CN115272831B
CN115272831B CN202211181296.2A CN202211181296A CN115272831B CN 115272831 B CN115272831 B CN 115272831B CN 202211181296 A CN202211181296 A CN 202211181296A CN 115272831 B CN115272831 B CN 115272831B
Authority
CN
China
Prior art keywords
image
suspension state
state monitoring
information mining
monitoring image
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
CN202211181296.2A
Other languages
English (en)
Other versions
CN115272831A (zh
Inventor
王威
王迎春
袁智高
林仁辉
唐泰可
苏茂才
廖峪
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.)
Chengdu Zhonggui Track Equipment Co ltd
Original Assignee
Chengdu Zhonggui Track Equipment 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 Chengdu Zhonggui Track Equipment Co ltd filed Critical Chengdu Zhonggui Track Equipment Co ltd
Priority to CN202211181296.2A priority Critical patent/CN115272831B/zh
Publication of CN115272831A publication Critical patent/CN115272831A/zh
Application granted granted Critical
Publication of CN115272831B publication Critical patent/CN115272831B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明提供的接触网悬挂状态监测图像的传输方法及系统，涉及图像处理技术领域。在本发明中，提取到目标时间周期内采集到的每一帧接触网悬挂状态监测图像。利用预先训练形成的图像异常识别神经网络，分别对多帧接触网悬挂状态监测图像中的每一帧接触网悬挂状态监测图像进行图像异常识别处理，以输出每一帧接触网悬挂状态监测图像对应的图像异常识别数据。依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对多帧接触网悬挂状态监测图像进行分类传输处理。基于上述方法，可以在一定程度上提高对接触网悬挂状态监测图像的传输管控效果。

Description

接触网悬挂状态监测图像的传输方法及系统
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种接触网悬挂状态监测图像的传输方法及系统。
背景技术
接触网悬挂状态监测图像是用于对接触网悬挂状态进行分析确定的，在一些应用中，在采集形成接触网悬挂状态监测图像之后，可能需要将接触网悬挂状态监测图像传输给其它设备。但是，在现有技术中，一般是将采集的各接触网悬挂状态监测图像作为一个整体，以一并进行传输，如此，存在对接触网悬挂状态监测图像的传输管控效果的不佳的问题。
发明内容
有鉴于此，本发明的目的在于提供一种接触网悬挂状态监测图像的传输方法及系统，以提高对接触网悬挂状态监测图像的传输管控效果。
为实现上述目的，本发明实施例采用如下技术方案：
一种接触网悬挂状态监测图像的传输方法，包括：
提取到目标时间周期内采集到的每一帧接触网悬挂状态监测图像，以得到多帧接触网悬挂状态监测图像；
利用预先训练形成的图像异常识别神经网络，分别对所述多帧接触网悬挂状态监测图像中的每一帧接触网悬挂状态监测图像进行图像异常识别处理，以输出每一帧接触网悬挂状态监测图像对应的图像异常识别数据；
依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对所述多帧接触网悬挂状态监测图像进行分类传输处理。
在一些优选的实施例中，在上述接触网悬挂状态监测图像的传输方法中，所述提取到目标时间周期内采集到的每一帧接触网悬挂状态监测图像，以得到多帧接触网悬挂状态监测图像的步骤，包括：
以当前时间为终点，提取到目标时间周期内采集到的每一帧原始接触网悬挂状态监测图像，以得到多帧原始接触网悬挂状态监测图像；
对所述多帧原始接触网悬挂状态监测图像进行无效图像的筛除处理，以形成有效的多帧接触网悬挂状态监测图像。
在一些优选的实施例中，在上述接触网悬挂状态监测图像的传输方法中，所述利用预先训练形成的图像异常识别神经网络，分别对所述多帧接触网悬挂状态监测图像中的每一帧接触网悬挂状态监测图像进行图像异常识别处理，以输出每一帧接触网悬挂状态监测图像对应的图像异常识别数据的步骤，包括：
对所述接触网悬挂状态监测图像进行图像单元序列化处理，以形成所述接触网悬挂状态监测图像对应的第一图像单元序列，以及对所述第一图像单元序列包括的每一个第一接触网监测图像单元分别进行特征分布的转换处理，以形成所述第一图像单元序列对应的第一图像单元特征分布序列；
通过所述图像异常识别神经网络包括的第一类信息挖掘神经网络，对所述第一图像单元特征分布序列进行信息挖掘处理，所述第一图像单元特征分布序列对应的第一类图像信息挖掘结果；
通过所述图像异常识别神经网络包括的第二类信息挖掘神经网络对所述第一图像单元特征分布序列进行信息挖掘处理，以输出所述第一图像单元特征分布序列对应的初始信息挖掘结果，再基于预先配置的目标函数关系，对所述初始信息挖掘结果包括的每一个第一信息挖掘结果表征参数进行参数转换处理，以输出每一个所述第一信息挖掘结果表征参数对应的第一信息挖掘结果表征参数转换值，所述目标函数关系不属于具有线性属性的函数关系；基于所述第一信息挖掘结果表征参数转换值，确定出第二类图像信息挖掘结果对应的第二信息挖掘结果表征参数，以构建形成所述第一图像单元特征分布序列对应的第二类图像信息挖掘结果；
对所述第一类图像信息挖掘结果和所述第二类图像信息挖掘结果之间具有相同参数分布位置的每一组图像信息挖掘结果表征参数进行均值计算或加权均值计算，以输出对应的目标图像信息挖掘结果表征参数，再对每一个所述目标图像信息挖掘结果表征参数按照对应的参数分布位置进行合并，以形成对应的目标图像信息挖掘结果；
对所述目标图像信息挖掘结果进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据。
在一些优选的实施例中，在上述接触网悬挂状态监测图像的传输方法中，所述对所述目标图像信息挖掘结果进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据的步骤，包括：
对所述目标图像信息挖掘结果包括的每一个目标图像信息挖掘结果表征参数和预先配置的表征参数参考值进行大小比较处理；
依据所述大小比较处理的结果，将所述目标图像信息挖掘结果包括不大于所述表征参数参考值的每一个目标图像信息挖掘结果表征参数筛除，以形成对应的更新目标图像信息挖掘结果；
依据所述更新目标图像信息挖掘结果进行图像异常识别处理，输出所述接触网悬挂状态监测图像对应的图像异常识别数据。
在一些优选的实施例中，在上述接触网悬挂状态监测图像的传输方法中，所述依据所述更新目标图像信息挖掘结果进行图像异常识别处理，输出所述接触网悬挂状态监测图像对应的图像异常识别数据的步骤，包括：
确定出目标滑窗数量；
依据所述目标滑窗数量，对所述更新目标图像信息挖掘结果包括的目标图像信息挖掘结果表征参数进行滑窗处理，以分别将每一次滑窗处理所选中的目标图像信息挖掘结果表征参数进行组合处理，以形成每一次滑窗处理对应的表征参数组合，每一个所述表征参数组合包括的目标图像信息挖掘结果表征参数的数量等于所述目标滑窗数量；
依据所述表征参数组合进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据。
在一些优选的实施例中，在上述接触网悬挂状态监测图像的传输方法中，所述对所述目标图像信息挖掘结果进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据的步骤，包括：
对所述目标图像信息挖掘结果进行特征整合，以输出所述目标图像信息挖掘结果对应的图像信息特征整合结果；
在依据所述图像信息特征整合结果分析出所述接触网悬挂状态监测图像对应的图像异常识别数据反映出具有异常的情况下，对所述图像信息特征整合结果进行结果维度的更新，输出对应的更新图像信息特征整合结果；
基于所述更新图像信息特征整合结果包括的图像信息挖掘结果表征参数，分析输出所述接触网悬挂状态监测图像中的异常图像单元。
在一些优选的实施例中，在上述接触网悬挂状态监测图像的传输方法中，所述更新图像信息特征整合结果包括的图像信息挖掘结果表征参数用于反映所述第一图像单元特征分布序列中每一个第一图像单元特征分布属于异常图像单元对应的特征分布的预测可能程度，所述基于所述更新图像信息特征整合结果包括的图像信息挖掘结果表征参数，分析输出所述接触网悬挂状态监测图像中的异常图像单元的步骤，包括：
对所述更新图像信息特征整合结果中反映的预测可能程度不小于预先配置的预测可能程度参考值的图像信息挖掘结果表征参数进行标记处理，以形成对应的异常图像信息挖掘结果表征参数；
对所述第一图像单元特征分布序列中所述异常图像信息挖掘结果表征参数对应的第一图像单元特征分布进行标记，以形成对应的异常第一图像单元特征分布，再对所述异常第一图像单元特征分布对应的第一图像单元进行标记处理，以标记出所述接触网悬挂状态监测图像中的异常图像单元。
在一些优选的实施例中，在上述接触网悬挂状态监测图像的传输方法中，所述对所述目标图像信息挖掘结果进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据的步骤，包括：
依据所述目标图像信息挖掘结果进行异常可能程度的确定处理，以分析输出所述接触网悬挂状态监测图像对应的图像异常可能程度；
将所述图像异常可能程度与预先配置的图像异常可能程度参考值进行大小比较处理，以及，在所述图像异常可能程度不小于所述图像异常可能程度参考值的情况下，输出所述接触网悬挂状态监测图像中具有异常图像单元的图像异常识别数据。
在一些优选的实施例中，在上述接触网悬挂状态监测图像的传输方法中，所述依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对所述多帧接触网悬挂状态监测图像进行分类传输处理的步骤，包括：
依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对所述多帧接触网悬挂状态监测图像进行分类处理，以形成至少一个监测图像分类集合，每一个所述监测图像分类集合包括至少一帧接触网悬挂状态监测图像，属于同一个所述监测图像分类集合中的任意两帧接触网悬挂状态监测图像对应的图像异常识别数据相同，属于不同所述监测图像分类集合中的任意两帧接触网悬挂状态监测图像对应的图像异常识别数据不相同；
对于所述至少一个监测图像分类集合中的每一个监测图像分类集合，依据该监测图像分类集合包括的接触网悬挂状态监测图像对应的图像异常识别数据和预先配置的多个监测图像存储设备中的每一个监测图像存储设备存储的历史接触网悬挂状态监测图像对应的图像异常识别数据，从所述多个监测图像存储设备中确定出该监测图像分类集合匹配的监测图像存储设备，以作为该监测图像分类集合对应的监测图像存储设备；
对于所述至少一个监测图像分类集合中的每一个监测图像分类集合，将该监测图像分类集合包括的每一帧接触网悬挂状态监测图像，传输给该监测图像分类集合对应的监测图像存储设备进行存储。
本发明实施例还提供一种接触网悬挂状态监测图像的传输系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的接触网悬挂状态监测图像的传输方法。
本发明实施例提供的一种接触网悬挂状态监测图像的传输方法及系统，可以先提取到目标时间周期内采集到的每一帧接触网悬挂状态监测图像。利用预先训练形成的图像异常识别神经网络，分别对多帧接触网悬挂状态监测图像中的每一帧接触网悬挂状态监测图像进行图像异常识别处理，以输出每一帧接触网悬挂状态监测图像对应的图像异常识别数据。依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对多帧接触网悬挂状态监测图像进行分类传输处理。基于此，可以依据接触网悬挂状态监测图像对应的图像异常识别数据对接触网悬挂状态监测图像进行分类传输处理，使得传输管控的依据更为充分（现有技术中一般是直接传输，不会进行分类传输），从而可以在一定程度上提高对接触网悬挂状态监测图像的传输管控效果，改善现有技术中存在的不足。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的接触网悬挂状态监测图像的传输系统的结构框图。
图2为本发明实施例提供的接触网悬挂状态监测图像的传输方法包括的各步骤的流程示意图。
图3为本发明实施例提供的接触网悬挂状态监测图像的传输装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1所示，本发明实施例提供了一种接触网悬挂状态监测图像的传输系统。其中，所述接触网悬挂状态监测图像的传输系统可以包括存储器和处理器。
具体来说，在一种可以实现的示例中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的接触网悬挂状态监测图像的传输方法。
具体来说，在一种可以实现的示例中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
具体来说，在一种可以实现的示例中，图1所示的结构仅为示意，所述接触网悬挂状态监测图像的传输系统还可包括比图1中所示更多或者更少的组件，或具有与图1所示不同的配置，例如，可以包括用于与其它设备（如图像采集设备或图像存储设备等）进行信息交互的通信单元。
具体来说，在一种可以实现的示例中，所述接触网悬挂状态监测图像的传输系统可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种接触网悬挂状态监测图像的传输方法，可应用于上述接触网悬挂状态监测图像的传输系统。其中，所述接触网悬挂状态监测图像的传输方法有关的流程所定义的方法步骤，可以由所述接触网悬挂状态监测图像的传输系统实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，提取到目标时间周期内采集到的每一帧接触网悬挂状态监测图像，以得到多帧接触网悬挂状态监测图像。
在本发明实施例中，所述接触网悬挂状态监测图像的传输系统可以提取到目标时间周期（具体的周期时长可以预先配置）内采集到的每一帧接触网悬挂状态监测图像，以得到多帧接触网悬挂状态监测图像。
步骤S120，利用预先训练形成的图像异常识别神经网络，分别对所述多帧接触网悬挂状态监测图像中的每一帧接触网悬挂状态监测图像进行图像异常识别处理，以输出每一帧接触网悬挂状态监测图像对应的图像异常识别数据。
在本发明实施例中，所述接触网悬挂状态监测图像的传输系统可以利用预先训练形成的图像异常识别神经网络，分别对所述多帧接触网悬挂状态监测图像中的每一帧接触网悬挂状态监测图像进行图像异常识别处理，以输出每一帧接触网悬挂状态监测图像对应的图像异常识别数据（所述图像异常识别数据可以用于反映接触网悬挂状态监测图像中是否存在异常）。
步骤S130，依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对所述多帧接触网悬挂状态监测图像进行分类传输处理。
在本发明实施例中，所述接触网悬挂状态监测图像的传输系统可以依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对所述多帧接触网悬挂状态监测图像进行分类传输处理。
基于上述的步骤S110、步骤S120和步骤S130，可以依据接触网悬挂状态监测图像对应的图像异常识别数据对接触网悬挂状态监测图像进行分类传输处理，使得传输管控的依据更为充分（现有技术中一般是直接传输，不会进行分类传输），从而可以在一定程度上提高对接触网悬挂状态监测图像的传输管控效果，改善现有技术中存在的不足。
具体来说，在一种可以实现的示例中，对于上述的所述提取到目标时间周期内采集到的每一帧接触网悬挂状态监测图像，以得到多帧接触网悬挂状态监测图像的步骤，可以通过以下具体内容实现：
以当前时间为终点，提取到目标时间周期内采集到的每一帧原始接触网悬挂状态监测图像，以得到多帧原始接触网悬挂状态监测图像；对所述多帧原始接触网悬挂状态监测图像进行无效图像的筛除处理，以形成有效的多帧接触网悬挂状态监测图像。
具体来说，在一种可以实现的示例中，对于上述的所述对所述多帧原始接触网悬挂状态监测图像进行无效图像的筛除处理，以形成有效的多帧接触网悬挂状态监测图像的步骤，可以通过以下具体内容实现：
对所述多帧原始接触网悬挂状态监测图像中相邻的每两帧原始接触网悬挂状态监测图像进行图像相似度的计算；将图像相似度大于预先配置的图像相似度参考值的两帧原始接触网悬挂状态监测图像中的一帧作为无效图像筛除，以形成有效的多帧接触网悬挂状态监测图像。
具体来说，在一种可以实现的示例中，对于上述的所述对所述多帧原始接触网悬挂状态监测图像中相邻的每两帧原始接触网悬挂状态监测图像进行图像相似度的计算的步骤，可以通过以下具体内容实现：
对所述两帧原始接触网悬挂状态监测图像分别进行连通域的识别确定处理（可以采用现有的任意一种连通域确定方式），以输出对应的第一图像连通域集合和第二图像连通域集合，所述第一图像连通域集合包括多个第一图像连通域，所述第二图像连通域集合包括多个第二图像连通域；
依据所述第一图像连通域集合包括的多个第一图像连通域，对对应的一帧所述原始接触网悬挂状态监测图像进行分割处理（即将连通域的区域边界线作为分割线进行分割），以输出对应的第一图像分割块集合，再依据所述第二图像连通域集合包括的多个第二图像连通域，对对应的一帧所述原始接触网悬挂状态监测图像进行分割处理，以输出对应的第二图像分割块集合，所述第一图像分割块集合包括的多个第一图像分割块按照对应的相关位置关系能够拼接形成对应的一帧所述原始接触网悬挂状态监测图像，所述第二图像分割块集合包括的多个第二图像分割块按照对应的相关位置关系能够拼接形成对应的一帧所述原始接触网悬挂状态监测图像；
分别计算所述第一图像分割块集合包括的每一个第一图像分割块和所述第二图像分割块集合包括的每一个第二图像分割块之间的匹配程度，所述匹配程度至少基于所述第一图像分割块和所述第二图像分割块在像素分布位置和像素值两个维度的相似度确定；
依据所述第一图像分割块集合包括的每一个第一图像分割块和所述第二图像分割块集合包括的每一个第二图像分割块之间的匹配程度，将所述第一图像分割块和所述第二图像分割块进行配对处理，使得配对的每一组第一图像分割块和第二图像分割块之间的匹配程度大于或等于预先配置的匹配程度参考值（具体数值不受限制，如0.93、0.95等数值）；
对所述第一图像分割块集合包括的多个第一图像分割块和所述第二图像分割块集合包括的多个第二图像分割块进行融合处理，以形成目标图像分割块（示例性地，可以先对每一个第一图像分割块确定第一最小包围矩形框，并对每一个第二图像分割块确定第二最小包围矩形框，再基于每一个第一最小包围矩形框和每一个第二最小包围矩形框，确定出目标最小包围矩形框，所述目标最小包围矩形框能够包围每一个第一最小包围矩形框和每一个第二最小包围矩形框；以及，将每一个第一图像分割块和每一个第二图像分割块放入到所述目标最小包围矩形框中，再分别计算每一个第一图像分割块和每一个第二图像分割块之间对应像素位置的像素点的像素值的均值，以得到该像素位置在初始的目标图像分割块中具有的像素值，以形成初始的目标图像分割块，然后，将初始的目标图像分割块中无效的像素点筛除，以得到目标图像分割块，其中，无效的像素点可以是指像素值等于0，且与初始的目标图像分割块的边缘线邻接或与边缘线之间的像素点的像素值也等于0，其中，像素值可以是指灰度值）；
对于每一个所述第一图像分割块，依据该第一图像分割块的图像分割块形状和像素值和所述目标图像分割块的图像分割块形状和像素值，计算输出该第一图像分割块和所述目标图像分割块之间的相似系数，以作为该第一图像分割块对应的重要系数（也可以将相似系数的负相关值，作为该第一图像分割块对应的重要系数）；
对于每一个所述第二图像分割块，依据该第二图像分割块的图像分割块形状和像素值和所述目标图像分割块的图像分割块形状和像素值，计算输出该第二图像分割块和所述目标图像分割块之间的相似系数，以作为该第二图像分割块对应的重要系数（也可以将相似系数的负相关值，作为该第二图像分割块对应的重要系数）；
将配对的每一组第一图像分割块和第二图像分割块之间的匹配程度，通过所述第一图像分割块对应的重要系数和第二图像分割块对应的重要系数进行融合（例如，可以先计算配对的所述第一图像分割块对应的重要系数和第二图像分割块对应的重要系数的均值，以作为对所述匹配程度进行加权求和计算的加权值，从而加权求和计算得到所述图像相似度），以输出所述两帧原始接触网悬挂状态监测图像之间的图像相似度。
具体来说，在一种可以实现的示例中，对于上述的所述利用预先训练形成的图像异常识别神经网络，分别对所述多帧接触网悬挂状态监测图像中的每一帧接触网悬挂状态监测图像进行图像异常识别处理，以输出每一帧接触网悬挂状态监测图像对应的图像异常识别数据的步骤，可以通过以下具体内容实现：
对所述接触网悬挂状态监测图像进行图像单元序列化处理，以形成所述接触网悬挂状态监测图像对应的第一图像单元序列，以及对所述第一图像单元序列包括的每一个第一接触网监测图像单元分别进行特征分布的转换处理（也就是说，可以将所述第一接触网监测图像单元具有的图像信息用特征分布的形式来表示，具体的，可以通过编码网络对所述第一接触网监测图像单元具有的图像信息进行编码处理，以形成对应的第一图像单元特征分布），以形成所述第一图像单元序列对应的第一图像单元特征分布序列（示例性地，可以先分别每一个第一接触网监测图像单元进行特征分布的转换处理，以形成对应的第一图像单元特征分布，再将所述第一图像单元特征分布进行排序，以形成对应的第一图像单元特征分布序列）；
通过所述图像异常识别神经网络包括的第一类信息挖掘神经网络，对所述第一图像单元特征分布序列进行信息挖掘处理（示例性地，所述第一类信息挖掘神经网络可以是一种卷积神经网络，所述信息挖掘处理可以是指，对所述第一图像单元特征分布序列进行卷积处理），所述第一图像单元特征分布序列对应的第一类图像信息挖掘结果；
通过所述图像异常识别神经网络包括的第二类信息挖掘神经网络对所述第一图像单元特征分布序列进行信息挖掘处理（示例性地，所述第二类信息挖掘神经网络可以是一种卷积神经网络，对应地，该信息挖掘处理可以是指，对所述第一图像单元特征分布序列进行卷积处理，其中，所述第二类信息挖掘神经网络可以和所述第一类信息挖掘神经网络一起训练形成，并且，所述第二类信息挖掘神经网络可以和所述第一类信息挖掘神经网络具有相同的网络权重，也可以具有不同的网络权重），以输出所述第一图像单元特征分布序列对应的初始信息挖掘结果，再基于预先配置的目标函数关系，对所述初始信息挖掘结果包括的每一个第一信息挖掘结果表征参数进行参数转换处理，以输出每一个所述第一信息挖掘结果表征参数对应的第一信息挖掘结果表征参数转换值，所述目标函数关系不属于具有线性属性的函数关系（示例性地，可以是任意的一种不具有线性属性的函数关系）；基于所述第一信息挖掘结果表征参数转换值，确定出第二类图像信息挖掘结果对应的第二信息挖掘结果表征参数，以构建形成所述第一图像单元特征分布序列对应的第二类图像信息挖掘结果（示例性地，可以直接将所述第二信息挖掘结果表征参数作为所述第二类图像信息挖掘结果中的表征参数，也可以继续对所述第二信息挖掘结果表征参数进行处理，再将处理结果作为所述第二类图像信息挖掘结果，例如，可以先计算所述第二信息挖掘结果表征参数与预先配置的初始参数进行求和，再将求和结果或者求和结果的相关值作为所述第二类图像信息挖掘结果）；
对所述第一类图像信息挖掘结果和所述第二类图像信息挖掘结果之间具有相同参数分布位置的每一组图像信息挖掘结果表征参数进行均值计算或加权均值计算，以输出对应的目标图像信息挖掘结果表征参数，再对每一个所述目标图像信息挖掘结果表征参数按照对应的参数分布位置进行合并，以形成对应的目标图像信息挖掘结果；
对所述目标图像信息挖掘结果进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据。
示例性地，所述第一图像单元序列可以包括多个第一接触网监测图像单元。所述第一接触网监测图像单元可以是对所述接触网悬挂状态监测图像进行图像单元截取处理得到的（如后所述）。所述第一图像单元序列中的第一接触网监测图像单元根据第一接触网监测图像单元在接触网悬挂状态监测图像中的排列顺序进行排序。例如，可以将接触网悬挂状态监测图像A分割为3个第一接触网监测图像单元，从左到右或者从上到下依次分别为第一接触网监测图像单元1、第一接触网监测图像单元2以及第一接触网监测图像单元3，如此，可以将第一图像单元序列中首个第一接触网监测图像单元确定为第一接触网监测图像单元1，尾部的第一接触网监测图像单元确定为第一接触网监测图像单元3。
具体来说，在一种可以实现的示例中，对于上述的所述对所述接触网悬挂状态监测图像进行图像单元序列化处理，以形成所述接触网悬挂状态监测图像对应的第一图像单元序列的步骤，可以通过以下具体内容实现：
在所述接触网悬挂状态监测图像中，截取出待确任接触网监测图像单元（示例性地，截取出的待确任接触网监测图像单元可以是指所述接触网悬挂状态监测图像中的任意一个图像单元，另外，在本示例中，仅对一次截取出的待确任接触网监测图像单元进行说明，实际上，会对所述接触网悬挂状态监测图像进行多次截取，以形成多个待确任接触网监测图像单元，每一个待确任接触网监测图像单元都可以按照后续的方式进行处理，其中，每一个待确任接触网监测图像单元可以包括至少一个像素点，且在包括多个像素点时，该多个像素点可以组合形成一个连通域；另外，该多个像素点的数量和构成的像素区域形状可以是任意的，也可以按照历史上存在异常的历史接触网悬挂状态监测图像的异常图像单元包括的像素点的数量和形状进行确定），再将所述待确任接触网监测图像单元与预先配置的异常历史监测图像单元簇包括的异常历史监测图像单元进行差异性分析（即一致性比较，所述异常历史监测图像单元簇可以包括多个异常历史监测图像单元），以及，在输出的差异性分析结果反映所述待确任接触网监测图像单元和所述异常历史监测图像单元相同的情况下，将所述待确任接触网监测图像单元标记为所述接触网悬挂状态监测图像对应的第一接触网监测图像单元，每一个所述异常历史监测图像单元通过对存在异常的历史接触网悬挂状态监测图像进行图像截取得到；
依据在所述接触网悬挂状态监测图像中的相对位置关系，对所述接触网悬挂状态监测图像对应的每一个第一接触网监测图像单元进行排序（示例性地，可以按照从左到右、从上到下的顺序进行排序），形成所述接触网悬挂状态监测图像对应的第一图像单元序列。
具体来说，在一种可以实现的示例中，对于上述的所述在所述接触网悬挂状态监测图像中，截取出待确任接触网监测图像单元，再将所述待确任接触网监测图像单元与预先配置的异常历史监测图像单元簇包括的异常历史监测图像单元进行差异性分析，以及，在输出的差异性分析结果反映所述待确任接触网监测图像单元和所述异常历史监测图像单元相同的情况下，将所述待确任接触网监测图像单元标记为所述接触网悬挂状态监测图像对应的第一接触网监测图像单元的步骤，可以通过以下具体内容实现：
在所述接触网悬挂状态监测图像中，截取出待确任接触网监测图像单元，再将所述待确任接触网监测图像单元与预先配置的异常历史监测图像单元簇包括的异常历史监测图像单元进行差异性分析；
在输出的差异性分析结果反映所述待确任接触网监测图像单元和所述异常历史监测图像单元相同的情况下，在所述接触网悬挂状态监测图像中提取出所述待确任接触网监测图像单元对应的相邻图像像素点（示例性地，所述相邻图像像素点可以与所述待确任接触网监测图像单元的边缘像素点邻接，另外，所述相邻图像像素点的数量可以不受限制，如1个、2个、3个等），再将所述相邻图像像素点合并到所述待确任接触网监测图像单元中，形成扩展待确任接触网监测图像单元；
在所述扩展待确任接触网监测图像单元与所述异常历史监测图像单元簇包括的异常历史监测图像单元不相同的情况下（即与所述异常历史监测图像单元簇包括的每一个异常历史监测图像单元都不相同），将所述待确任接触网监测图像单元标记为所述接触网悬挂状态监测图像对应的第一接触网监测图像单元，或者，在所述扩展待确任接触网监测图像单元与所述异常历史监测图像单元簇包括的异常历史监测图像单元相同的情况下（即与所述异常历史监测图像单元簇包括的至少一个异常历史监测图像单元相同），将所述扩展待确任接触网监测图像单元标记为所述接触网悬挂状态监测图像对应的第一接触网监测图像单（示例性地，在所述扩展待确任接触网监测图像单元与所述异常历史监测图像单元簇包括的异常历史监测图像单元相同的情况下，也可以通过所述扩展待确任接触网监测图像单元的相邻图像像素点继续对所述扩展待确任接触网监测图像单元进行扩展，并与所述异常历史监测图像单元进行比较，直到在当前得到扩展待确任接触网监测图像单元与所述异常历史监测图像单元簇包括的异常历史监测图像单元不相同的情况下，再将上一次扩展得到的待确任接触网监测图像单元标记为所述接触网悬挂状态监测图像对应的第一接触网监测图像单元）。
具体来说，在一种可以实现的示例中，对于上述的所述对所述接触网悬挂状态监测图像进行图像单元序列化处理，以形成所述接触网悬挂状态监测图像对应的第一图像单元序列的步骤，还可以通过以下具体内容实现：
在输出的差异性分析结果反映所述待确任接触网监测图像单元和所述异常历史监测图像单元不相同的情况下，在所述接触网悬挂状态监测图像中提取出所述待确任接触网监测图像单元对应的边缘图像像素点（示例性地，所述边缘图像像素点可以是指与所述待确任接触网监测图像单元以外的图像像素点距离最小的图像像素点，另外，提取出的边缘图像像素点的数量可以不受限制，如1、2、3等），再将所述边缘图像像素点从所述待确任接触网监测图像单元中筛除，形成收缩待确任接触网监测图像单元；
在所述收缩待确任接触网监测图像单元与所述异常历史监测图像单元簇包括的异常历史监测图像单元不相同的情况下，继续对所述收缩待确任接触网监测图像单元对应的边缘图像像素点进行筛除以进行差异性分析（直到与所述异常历史监测图像单元相同），或者，在所述收缩待确任接触网监测图像单元与所述异常历史监测图像单元簇包括的异常历史监测图像单元相同的情况下，将所述收缩待确任接触网监测图像单元标记为所述接触网悬挂状态监测图像对应的第一接触网监测图像单元。
具体来说，在一种可以实现的示例中，对于上述的所述对所述目标图像信息挖掘结果进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据的步骤，可以通过以下具体内容实现：
对所述目标图像信息挖掘结果包括的每一个目标图像信息挖掘结果表征参数和预先配置的表征参数参考值进行大小比较处理（所述表征参数参考值的具体数值不受限制，示例性地，只要可以用于将等于0的目标图像信息挖掘结果表征参数筛除即可）；
依据所述大小比较处理的结果，将所述目标图像信息挖掘结果包括不大于所述表征参数参考值的每一个目标图像信息挖掘结果表征参数筛除，以形成对应的更新目标图像信息挖掘结果；
依据所述更新目标图像信息挖掘结果进行图像异常识别处理，输出所述接触网悬挂状态监测图像对应的图像异常识别数据。
具体来说，在一种可以实现的示例中，对于上述的所述依据所述更新目标图像信息挖掘结果进行图像异常识别处理，输出所述接触网悬挂状态监测图像对应的图像异常识别数据的步骤，可以通过以下具体内容实现：
确定出目标滑窗数量（如200、300等）；依据所述目标滑窗数量，对所述更新目标图像信息挖掘结果包括的目标图像信息挖掘结果表征参数进行滑窗处理，以分别将每一次滑窗处理所选中的目标图像信息挖掘结果表征参数进行组合处理，以形成每一次滑窗处理对应的表征参数组合，每一个所述表征参数组合包括的目标图像信息挖掘结果表征参数的数量等于所述目标滑窗数量；依据所述表征参数组合进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据（示例性地，可以根据表征参数组合确定接触网悬挂状态监测图像中存在异常图像单元的可能性大小，再根据接触网悬挂状态监测图像中存在异常图像单元的可能性大小确定接触网悬挂状态监测图像对应的图像异常识别数据，也可以对表征参数组合中的表征参数进行加权均值计算，再基于计算结果确定接触网悬挂状态监测图像中存在异常图像单元的可能性大小）。
具体来说，在一种可以实现的示例中，对于上述的所述对所述目标图像信息挖掘结果进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据的步骤，可以通过以下具体内容实现：
对所述目标图像信息挖掘结果进行特征整合（示例性地，可以通过全连接网络将所述目标图像信息挖掘结果进行转化，以形成一维的特征分布，即所述图像信息特征整合结果），以输出所述目标图像信息挖掘结果对应的图像信息特征整合结果；
在依据所述图像信息特征整合结果分析出所述接触网悬挂状态监测图像对应的图像异常识别数据反映出具有异常的情况下，对所述图像信息特征整合结果进行结果维度的更新（该更新的目的，是使得输出的所述更新图像信息特征整合结果与所述第一图像单元特征分布序列的维度可以是相同的，所述第一图像单元特征分布序列的维度可以是指所述第一图像单元特征分布序列包括的第一图像单元特征分布的数量），输出对应的更新图像信息特征整合结果；
基于所述更新图像信息特征整合结果包括的图像信息挖掘结果表征参数，分析输出所述接触网悬挂状态监测图像中的异常图像单元。
具体来说，在一种可以实现的示例中，所述更新图像信息特征整合结果包括的图像信息挖掘结果表征参数用于反映所述第一图像单元特征分布序列中每一个第一图像单元特征分布属于异常图像单元对应的特征分布的预测可能程度，基于此，对于上述的所述基于所述更新图像信息特征整合结果包括的图像信息挖掘结果表征参数，分析输出所述接触网悬挂状态监测图像中的异常图像单元的步骤，可以通过以下具体内容实现：
对所述更新图像信息特征整合结果中反映的预测可能程度不小于预先配置的预测可能程度参考值（示例性地，所述预测可能程度参考值的具体数值可以是0.91、0.92、0.93等数值）的图像信息挖掘结果表征参数进行标记处理，以形成对应的异常图像信息挖掘结果表征参数；
对所述第一图像单元特征分布序列中所述异常图像信息挖掘结果表征参数对应的第一图像单元特征分布进行标记，以形成对应的异常第一图像单元特征分布，再对所述异常第一图像单元特征分布对应的第一图像单元进行标记处理，以标记出所述接触网悬挂状态监测图像中的异常图像单元。
具体来说，在一种可以实现的示例中，对于上述的所述对所述目标图像信息挖掘结果进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据的步骤，可以通过以下具体内容实现：
依据所述目标图像信息挖掘结果进行异常可能程度的确定处理（如将所述目标图像信息挖掘结果中图像信息挖掘结果表征参数反映的预测可能程度进行均值计算，也可以是其它的计算方式，如取最大值等方式，以得到所述接触网悬挂状态监测图像对应的图像异常可能程度），以分析输出所述接触网悬挂状态监测图像对应的图像异常可能程度；
将所述图像异常可能程度与预先配置的图像异常可能程度参考值（所述图像异常可能程度参考值可以是0.91、0.92、0.93、0.95等数值）进行大小比较处理，以及，在所述图像异常可能程度不小于所述图像异常可能程度参考值的情况下，输出所述接触网悬挂状态监测图像中具有异常图像单元的图像异常识别数据。
具体来说，在一种可以实现的示例中，对于上述的所述依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对所述多帧接触网悬挂状态监测图像进行分类传输处理的步骤，可以通过以下具体内容实现：
依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对所述多帧接触网悬挂状态监测图像进行分类处理，以形成至少一个监测图像分类集合，每一个所述监测图像分类集合包括至少一帧接触网悬挂状态监测图像，属于同一个所述监测图像分类集合中的任意两帧接触网悬挂状态监测图像对应的图像异常识别数据相同，属于不同所述监测图像分类集合中的任意两帧接触网悬挂状态监测图像对应的图像异常识别数据不相同；
对于所述至少一个监测图像分类集合中的每一个监测图像分类集合，依据该监测图像分类集合包括的接触网悬挂状态监测图像对应的图像异常识别数据和预先配置的多个监测图像存储设备中的每一个监测图像存储设备存储的历史接触网悬挂状态监测图像对应的图像异常识别数据，从所述多个监测图像存储设备中确定出该监测图像分类集合匹配的监测图像存储设备，以作为该监测图像分类集合对应的监测图像存储设备（如此，可以使得该监测图像分类集合包括的接触网悬挂状态监测图像对应的图像异常识别数据，与该监测图像分类集合对应的监测图像存储设备存储的历史接触网悬挂状态监测图像对应的图像异常识别数据相同）；
对于所述至少一个监测图像分类集合中的每一个监测图像分类集合，将该监测图像分类集合包括的每一帧接触网悬挂状态监测图像，传输给该监测图像分类集合对应的监测图像存储设备进行存储。
结合图3，本发明实施例还提供一种接触网悬挂状态监测图像的传输装置，可应用于上述接触网悬挂状态监测图像的传输系统。其中，所述接触网悬挂状态监测图像的传输装置可以包括：
状态监测图像提取模块，用于提取到目标时间周期内采集到的每一帧接触网悬挂状态监测图像，以得到多帧接触网悬挂状态监测图像；
图像异常识别模块，用于利用预先训练形成的图像异常识别神经网络，分别对所述多帧接触网悬挂状态监测图像中的每一帧接触网悬挂状态监测图像进行图像异常识别处理，以输出每一帧接触网悬挂状态监测图像对应的图像异常识别数据；
分类传输模块，用于依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对所述多帧接触网悬挂状态监测图像进行分类传输处理。
综上所述，本发明提供的一种接触网悬挂状态监测图像的传输方法及系统，可以先提取到目标时间周期内采集到的每一帧接触网悬挂状态监测图像。利用预先训练形成的图像异常识别神经网络，分别对多帧接触网悬挂状态监测图像中的每一帧接触网悬挂状态监测图像进行图像异常识别处理，以输出每一帧接触网悬挂状态监测图像对应的图像异常识别数据。依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对多帧接触网悬挂状态监测图像进行分类传输处理。基于此，可以依据接触网悬挂状态监测图像对应的图像异常识别数据对接触网悬挂状态监测图像进行分类传输处理，使得传输管控的依据更为充分（现有技术中一般是直接传输，不会进行分类传输），从而可以在一定程度上提高对接触网悬挂状态监测图像的传输管控效果，改善现有技术中存在的不足。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种接触网悬挂状态监测图像的传输方法，其特征在于，包括：
提取到目标时间周期内采集到的每一帧接触网悬挂状态监测图像，以得到多帧接触网悬挂状态监测图像；
利用预先训练形成的图像异常识别神经网络，分别对所述多帧接触网悬挂状态监测图像中的每一帧接触网悬挂状态监测图像进行图像异常识别处理，以输出每一帧接触网悬挂状态监测图像对应的图像异常识别数据；
依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对所述多帧接触网悬挂状态监测图像进行分类传输处理；
其中，所述利用预先训练形成的图像异常识别神经网络，分别对所述多帧接触网悬挂状态监测图像中的每一帧接触网悬挂状态监测图像进行图像异常识别处理，以输出每一帧接触网悬挂状态监测图像对应的图像异常识别数据的步骤，包括：
对所述接触网悬挂状态监测图像进行图像单元序列化处理，以形成所述接触网悬挂状态监测图像对应的第一图像单元序列，以及对所述第一图像单元序列包括的每一个第一接触网监测图像单元分别进行特征分布的转换处理，以形成所述第一图像单元序列对应的第一图像单元特征分布序列；
通过所述图像异常识别神经网络包括的第一类信息挖掘神经网络，对所述第一图像单元特征分布序列进行信息挖掘处理，所述第一图像单元特征分布序列对应的第一类图像信息挖掘结果；
通过所述图像异常识别神经网络包括的第二类信息挖掘神经网络对所述第一图像单元特征分布序列进行信息挖掘处理，以输出所述第一图像单元特征分布序列对应的初始信息挖掘结果，再基于预先配置的目标函数关系，对所述初始信息挖掘结果包括的每一个第一信息挖掘结果表征参数进行参数转换处理，以输出每一个所述第一信息挖掘结果表征参数对应的第一信息挖掘结果表征参数转换值，所述目标函数关系不属于具有线性属性的函数关系；基于所述第一信息挖掘结果表征参数转换值，确定出第二类图像信息挖掘结果对应的第二信息挖掘结果表征参数，以构建形成所述第一图像单元特征分布序列对应的第二类图像信息挖掘结果；
对所述第一类图像信息挖掘结果和所述第二类图像信息挖掘结果之间具有相同参数分布位置的每一组图像信息挖掘结果表征参数进行均值计算或加权均值计算，以输出对应的目标图像信息挖掘结果表征参数，再对每一个所述目标图像信息挖掘结果表征参数按照对应的参数分布位置进行合并，以形成对应的目标图像信息挖掘结果；
对所述目标图像信息挖掘结果进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据。
2.如权利要求1所述的接触网悬挂状态监测图像的传输方法，其特征在于，所述提取到目标时间周期内采集到的每一帧接触网悬挂状态监测图像，以得到多帧接触网悬挂状态监测图像的步骤，包括：
以当前时间为终点，提取到目标时间周期内采集到的每一帧原始接触网悬挂状态监测图像，以得到多帧原始接触网悬挂状态监测图像；
对所述多帧原始接触网悬挂状态监测图像进行无效图像的筛除处理，以形成有效的多帧接触网悬挂状态监测图像。
3.如权利要求1所述的接触网悬挂状态监测图像的传输方法，其特征在于，所述对所述目标图像信息挖掘结果进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据的步骤，包括：
对所述目标图像信息挖掘结果包括的每一个目标图像信息挖掘结果表征参数和预先配置的表征参数参考值进行大小比较处理；
依据所述大小比较处理的结果，将所述目标图像信息挖掘结果包括不大于所述表征参数参考值的每一个目标图像信息挖掘结果表征参数筛除，以形成对应的更新目标图像信息挖掘结果；
依据所述更新目标图像信息挖掘结果进行图像异常识别处理，输出所述接触网悬挂状态监测图像对应的图像异常识别数据。
4.如权利要求3所述的接触网悬挂状态监测图像的传输方法，其特征在于，所述依据所述更新目标图像信息挖掘结果进行图像异常识别处理，输出所述接触网悬挂状态监测图像对应的图像异常识别数据的步骤，包括：
确定出目标滑窗数量；
依据所述目标滑窗数量，对所述更新目标图像信息挖掘结果包括的目标图像信息挖掘结果表征参数进行滑窗处理，以分别将每一次滑窗处理所选中的目标图像信息挖掘结果表征参数进行组合处理，以形成每一次滑窗处理对应的表征参数组合，每一个所述表征参数组合包括的目标图像信息挖掘结果表征参数的数量等于所述目标滑窗数量；
依据所述表征参数组合进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据。
5.如权利要求1所述的接触网悬挂状态监测图像的传输方法，其特征在于，所述对所述目标图像信息挖掘结果进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据的步骤，包括：
对所述目标图像信息挖掘结果进行特征整合，以输出所述目标图像信息挖掘结果对应的图像信息特征整合结果；
在依据所述图像信息特征整合结果分析出所述接触网悬挂状态监测图像对应的图像异常识别数据反映出具有异常的情况下，对所述图像信息特征整合结果进行结果维度的更新，输出对应的更新图像信息特征整合结果；
基于所述更新图像信息特征整合结果包括的图像信息挖掘结果表征参数，分析输出所述接触网悬挂状态监测图像中的异常图像单元。
6.如权利要求5所述的接触网悬挂状态监测图像的传输方法，其特征在于，所述更新图像信息特征整合结果包括的图像信息挖掘结果表征参数用于反映所述第一图像单元特征分布序列中每一个第一图像单元特征分布属于异常图像单元对应的特征分布的预测可能程度，所述基于所述更新图像信息特征整合结果包括的图像信息挖掘结果表征参数，分析输出所述接触网悬挂状态监测图像中的异常图像单元的步骤，包括：
对所述更新图像信息特征整合结果中反映的预测可能程度不小于预先配置的预测可能程度参考值的图像信息挖掘结果表征参数进行标记处理，以形成对应的异常图像信息挖掘结果表征参数；
对所述第一图像单元特征分布序列中所述异常图像信息挖掘结果表征参数对应的第一图像单元特征分布进行标记，以形成对应的异常第一图像单元特征分布，再对所述异常第一图像单元特征分布对应的第一图像单元进行标记处理，以标记出所述接触网悬挂状态监测图像中的异常图像单元。
7.如权利要求1所述的接触网悬挂状态监测图像的传输方法，其特征在于，所述对所述目标图像信息挖掘结果进行图像异常识别处理，以输出所述接触网悬挂状态监测图像对应的图像异常识别数据的步骤，包括：
依据所述目标图像信息挖掘结果进行异常可能程度的确定处理，以分析输出所述接触网悬挂状态监测图像对应的图像异常可能程度；
将所述图像异常可能程度与预先配置的图像异常可能程度参考值进行大小比较处理，以及，在所述图像异常可能程度不小于所述图像异常可能程度参考值的情况下，输出所述接触网悬挂状态监测图像中具有异常图像单元的图像异常识别数据。
8.如权利要求1所述的接触网悬挂状态监测图像的传输方法，其特征在于，所述依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对所述多帧接触网悬挂状态监测图像进行分类传输处理的步骤，包括：
依据每一帧接触网悬挂状态监测图像对应的图像异常识别数据，对所述多帧接触网悬挂状态监测图像进行分类处理，以形成至少一个监测图像分类集合，每一个所述监测图像分类集合包括至少一帧接触网悬挂状态监测图像，属于同一个所述监测图像分类集合中的任意两帧接触网悬挂状态监测图像对应的图像异常识别数据相同，属于不同所述监测图像分类集合中的任意两帧接触网悬挂状态监测图像对应的图像异常识别数据不相同；
对于所述至少一个监测图像分类集合中的每一个监测图像分类集合，依据该监测图像分类集合包括的接触网悬挂状态监测图像对应的图像异常识别数据和预先配置的多个监测图像存储设备中的每一个监测图像存储设备存储的历史接触网悬挂状态监测图像对应的图像异常识别数据，从所述多个监测图像存储设备中确定出该监测图像分类集合匹配的监测图像存储设备，以作为该监测图像分类集合对应的监测图像存储设备；
对于所述至少一个监测图像分类集合中的每一个监测图像分类集合，将该监测图像分类集合包括的每一帧接触网悬挂状态监测图像，传输给该监测图像分类集合对应的监测图像存储设备进行存储。
9.一种接触网悬挂状态监测图像的传输系统，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-8任意一项所述的方法。
CN202211181296.2A 2022-09-27 2022-09-27 接触网悬挂状态监测图像的传输方法及系统 Active CN115272831B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211181296.2A CN115272831B (zh) 2022-09-27 2022-09-27 接触网悬挂状态监测图像的传输方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211181296.2A CN115272831B (zh) 2022-09-27 2022-09-27 接触网悬挂状态监测图像的传输方法及系统

Publications (2)

Publication Number Publication Date
CN115272831A CN115272831A (zh) 2022-11-01
CN115272831B true CN115272831B (zh) 2022-12-09

Family

ID=83756289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211181296.2A Active CN115272831B (zh) 2022-09-27 2022-09-27 接触网悬挂状态监测图像的传输方法及系统

Country Status (1)

Country Link
CN (1) CN115272831B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633267A (zh) * 2017-09-22 2018-01-26 西南交通大学 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法
CN108984555A (zh) * 2017-06-01 2018-12-11 腾讯科技（深圳）有限公司 用户状态挖掘和信息推荐方法、装置以及设备
CN110135273A (zh) * 2019-04-19 2019-08-16 中铁第一勘察设计院集团有限公司 接触网视频图像云端智能监测与故障识别方法
CN110288571A (zh) * 2019-06-06 2019-09-27 中南大学 一种基于图像处理的高铁接触网绝缘子异常检测方法
CN110569841A (zh) * 2019-09-02 2019-12-13 中南大学 基于卷积神经网络的接触网关键部件目标检测方法
CN111026915A (zh) * 2019-11-25 2020-04-17 Oppo广东移动通信有限公司 视频分类方法、视频分类装置、存储介质与电子设备
CN111784656A (zh) * 2020-06-28 2020-10-16 京东数字科技控股有限公司 一种铁路接触网故障检测方法、装置、电子设备及存储介质
CN113536032A (zh) * 2020-04-10 2021-10-22 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种视频序列信息挖掘系统、方法及其应用
CN113743607A (zh) * 2021-09-15 2021-12-03 京东科技信息技术有限公司 异常检测模型的训练方法、异常检测方法及装置
CN114140712A (zh) * 2021-11-11 2022-03-04 郑信江 一种自动图像识别分发系统及方法
CN114445746A (zh) * 2022-01-26 2022-05-06 郑州云海信息技术有限公司 模型训练方法、铁路接触网异常检测方法及相关装置
CN114463587A (zh) * 2022-01-30 2022-05-10 中国农业银行股份有限公司 一种异常数据检测方法、装置、设备及存储介质
CN114581388A (zh) * 2022-02-24 2022-06-03 国能包神铁路集团有限责任公司 接触网零部件缺陷检测方法及装置
CN114581422A (zh) * 2022-03-09 2022-06-03 成都诺比侃科技有限公司 一种基于图像处理的承力索接触线异常检测方法与系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI263939B (en) * 2004-09-22 2006-10-11 Lite On Technology Corp Dynamic boot system and method, machine readable medium thereof, and construction method for an operating system image
US10462309B2 (en) * 2017-12-22 2019-10-29 Kyocera Document Solutions Inc. System and method for diagnosing a printing device based on a correlation coefficient between print volume and error rate
CN112291227A (zh) * 2020-04-10 2021-01-29 吴萌萌 基于图像大数据的攻击行为挖掘方法、系统及大数据平台
CN112861929B (zh) * 2021-01-20 2022-11-08 河南科技大学 一种基于半监督加权迁移判别分析的图像分类方法
CN114758424B (zh) * 2022-06-14 2022-09-02 众旅联(浙江)生态科技有限公司 基于多重校验机制的智能支付设备及其支付方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108984555A (zh) * 2017-06-01 2018-12-11 腾讯科技（深圳）有限公司 用户状态挖掘和信息推荐方法、装置以及设备
CN107633267A (zh) * 2017-09-22 2018-01-26 西南交通大学 一种高铁接触网支撑装置腕臂连接件紧固件识别检测方法
CN110135273A (zh) * 2019-04-19 2019-08-16 中铁第一勘察设计院集团有限公司 接触网视频图像云端智能监测与故障识别方法
CN110288571A (zh) * 2019-06-06 2019-09-27 中南大学 一种基于图像处理的高铁接触网绝缘子异常检测方法
CN110569841A (zh) * 2019-09-02 2019-12-13 中南大学 基于卷积神经网络的接触网关键部件目标检测方法
CN111026915A (zh) * 2019-11-25 2020-04-17 Oppo广东移动通信有限公司 视频分类方法、视频分类装置、存储介质与电子设备
CN113536032A (zh) * 2020-04-10 2021-10-22 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种视频序列信息挖掘系统、方法及其应用
CN111784656A (zh) * 2020-06-28 2020-10-16 京东数字科技控股有限公司 一种铁路接触网故障检测方法、装置、电子设备及存储介质
CN113743607A (zh) * 2021-09-15 2021-12-03 京东科技信息技术有限公司 异常检测模型的训练方法、异常检测方法及装置
CN114140712A (zh) * 2021-11-11 2022-03-04 郑信江 一种自动图像识别分发系统及方法
CN114445746A (zh) * 2022-01-26 2022-05-06 郑州云海信息技术有限公司 模型训练方法、铁路接触网异常检测方法及相关装置
CN114463587A (zh) * 2022-01-30 2022-05-10 中国农业银行股份有限公司 一种异常数据检测方法、装置、设备及存储介质
CN114581388A (zh) * 2022-02-24 2022-06-03 国能包神铁路集团有限责任公司 接触网零部件缺陷检测方法及装置
CN114581422A (zh) * 2022-03-09 2022-06-03 成都诺比侃科技有限公司 一种基于图像处理的承力索接触线异常检测方法与系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Data-driven and association rule mining-based fault diagnosis and action mechanism analysis for building chillers;JiangyanLiu等;《Energy and Buildings》;20200416;第216卷;1-10 *
Integration of data mining classification techniques and ensemble learning to identify risk factors and diagnose ovarian cancer recurrence;Chih-JenTseng等;《Artificial Intelligence in Medicine》;20170610;第78卷;47-54 *
基于数据挖掘的航空发动机故障诊断技术;杨海乐;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20220315;C031-358 *
基于深度学习的高铁接触网绝缘子图像分析技术研究;胡立;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20201115;C042-26 *

Also Published As

Publication number Publication date
CN115272831A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN110110799B (zh) 细胞分类方法、装置、计算机设备和存储介质
CN111899246B (zh) 玻片数字化信息质量检测方法、装置、设备及介质
CN115018840B (zh) 精密铸件裂纹检测方法、系统及装置
US20140286527A1 (en) Systems and methods for accelerated face detection
CN114386514B (zh) 基于动态网络环境下的未知流量数据识别方法及装置
CN110826429A (zh) 一种基于景区视频的旅游突发事件自动监测的方法及系统
CN108520215A (zh) 基于多尺度联合特征编码器的单样本人脸识别方法
CN115909215A (zh) 一种基于目标检测的边缘入侵预警方法及系统
KR102261187B1 (ko) 머신 러닝에 기반한 감시 영상 분석 시스템 및 그 방법
CN113065568A (zh) 目标检测、属性识别与跟踪方法及系统
CN117746079B (zh) 一种高光谱图像的聚类预测方法、系统、存储介质及设备
CN114139016A (zh) 一种智慧小区的数据处理方法及系统
CN113902993A (zh) 一种基于环境监测的环境状态分析方法及系统
CN115272831B (zh) 接触网悬挂状态监测图像的传输方法及系统
CN113902412A (zh) 一种基于数据处理的环境监测方法
CN115620243B (zh) 基于人工智能的污染源监测方法、系统及云平台
CN115457652A (zh) 一种基于半监督学习的行人重识别方法、装置及存储介质
CN115484044A (zh) 一种数据状态的监控方法及系统
CN115272972A (zh) 一种基于遥感的人居环境监控方法及系统
CN113780126A (zh) 一种基于rfid识别的安全保护方法及装置
JP6329651B1 (ja) 画像処理装置及び画像処理方法
CN118365973B (zh) 基于多特征信息融合的混架线路状态评估方法及系统
CN114708457B (zh) 用于抗紫边识别的高光谱深度学习识别方法
CN114997343B (zh) 基于空气净化检测的故障原因追溯方法及系统
CN116304182A (zh) 基于ai系统的大数据可视化处理方法及系统

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