CN115294451B - 高压线上异物检测方法及装置 - Google Patents
高压线上异物检测方法及装置 Download PDFInfo
- Publication number
- CN115294451B CN115294451B CN202210919675.0A CN202210919675A CN115294451B CN 115294451 B CN115294451 B CN 115294451B CN 202210919675 A CN202210919675 A CN 202210919675A CN 115294451 B CN115294451 B CN 115294451B
- Authority
- CN
- China
- Prior art keywords
- region
- interest
- target image
- rotated
- tripod
- 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
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种高压线上异物检测方法及装置,属于机器视觉图像处理技术领域,方法包括:通过摄像头采集目标图像;通过目标检测网络获取目标图像中的电线杆以及三角架的位置信息;选取在目标图像中所占的显示面积最大的第一电线架设装置和第二电线架设装置;确定第一电线架设装置在目标图像中对应的第一感兴趣区域和第二电线架设装置在目标图像中对应的第二感兴趣区域;根据第一感兴趣区域与第二感兴趣区域,确定架设于电线杆和三角架上的接触网欲旋转至水平方向的旋转角度;将目标图像、第一感兴趣区域和第二感兴趣区域旋转相应的角度后进行切分,以得到接触网图像;通过孪生网络模型对接触网图像进行分类,以确定接触网图像中是否存在异物。
Description
技术领域
本申请属于机器视觉图像处理技术领域,具体涉及一种高压线上异物检测方法及装置。
背景技术
接触网,是铁路电气化工程的主构架,是沿铁路线上空架设的向电力机车供电的特殊形式的输电线路。一旦接触网上有塑料袋等异物的存在,停留在接触网上的异物被雨水打湿后,容易造成接触网短路,进而烧坏电气设备,给列车运行带来安全隐患。
近年来,针对接触网上的异物检测,有学者尝试使用目标检测的方法进行高铁接触网的异物检测。
发明人在研究过程中发现现有的目标检测技术当前至少存在以下问题:
一方面,现有的目标检测技术往往使用人工提取的特征,对于不同天气、不同光照、不同环境的适应性很差。同时,建模时间、建模难度也会随着所适用环境的多样性的增加而增加。现有的目标检测技术的上限依赖于人工特征提取的好坏,为了提高对不同天气、不同光照、不同环境的适应性,必然要增多数据集的数量,而现有技术又难以对大规模训练样本拥有较好的训练效果。从而导致对于接触网上的异物检测的准确度低。
另一方面,利用目标检测的方法进行高铁接触网的异物检测,由于接触网上存在异物的样本占总体样本的比例很小,如果直接对采集的样本进行处理,不仅检测速度较慢,而且极易出错,导致检测的准确度低。
发明内容
本申请实施例的目的是提供一种高压线上异物检测方法和装置,能够解决目前现有技术对于接触网上的异物的检测准确度低的技术问题。
为了解决上述技术问题,本申请是这样实现的:
第一方面,本申请实施例提供了一种高压线上异物检测方法,包括:应用于铁路接触网,铁路轨道两侧设置有多组电线架设装置,每组电线架设装置包括电线杆以及与电线杆固定连接的三角架,接触网架设于电线杆和三角架上,方法包括:
通过摄像头采集目标图像,目标图像至少包括两组电线架设装置;
通过目标检测网络获取目标图像中的电线杆以及三角架的位置信息;
将每组电线架设装置中的电线杆与三角架进行一一配对;
选取在目标图像中所占的显示面积最大的第一电线架设装置和第二电线架设装置,其中,第一电线架设装置包括第一电线杆以及第一三角架,第二电线架设装置包括第二电线杆以及第二三角架;
确定第一电线架设装置在目标图像中对应的第一感兴趣区域和第二电线架设装置在目标图像中对应的第二感兴趣区域;
根据第一感兴趣区域与第二感兴趣区域,确定架设于电线杆和三角架上的接触网欲旋转至水平方向的旋转角度;
将目标图像、第一感兴趣区域和第二感兴趣区域旋转相应的角度;
根据旋转后的第一感兴趣区域和旋转后的第二感兴趣区域的坐标值对目标图像进行切分,以得到接触网图像;
通过孪生网络模型对接触网图像进行分类,以确定接触网图像中是否存在异物。
进一步地,在通过目标检测网络获取目标图像中的电线杆以及三角架的位置信息之前,还包括:
使用COCO数据集训练深度学习网络,以得到预训练权重;
通过迁移学习微调神经网络,使用人工标注的VOC格式数据集继续训练深度学习网络,以得到目标检测网络。
进一步地,第一三角架的图像区域表示为[xt1,yt1,xt2,yt2],第一电线杆的图像区域表示为[xp1,yp1,xp2,yp2],第二三角架的图像区域表示为[xt3,yt3,xt4,yt4],第二电线杆的图像区域表示为[xp3,yp3,xp4,yp4];
确定第一电线架设装置在目标图像中对应的第一感兴趣区域和第二电线架设装置在目标图像中对应的第二感兴趣区域,具体为:
确定第一电线架设装置在目标图像中的最小外接矩形[X1,yt1,X2,yt2]为第一感兴趣区域,第二电线架设装置在目标图像中的最小外接矩形[X3,yt3,X4,yt4]为第二感兴趣区域,其中,X1=min(xt1,xp1),X2=max(xt2,xp2),X3=min(xt3,xp3),X4=max(xt4,xp4)。
进一步地,根据第一感兴趣区域与第二感兴趣区域,确定架设于电线杆和三角架上的接触网欲旋转至水平方向的旋转角度,具体为:
分别选取第一感兴趣区域和第二感兴趣区域中相对应的坐标值,确定架设于电线杆和三角架上的接触网欲旋转至水平方向的旋转角度;
其中,相对应的坐标值包括:两者的左上角坐标值、右上角坐标值、左下角坐标值、右下角坐标值或者区域中心坐标值。
进一步地,旋转后的第一感兴趣区域为[X′1,y′t1,X′2,y′t2],旋转后的第二感兴趣区域为[X′3,y′t3,X′4,y′t4];
根据旋转后的第一感兴趣区域和旋转后的第二感兴趣区域的坐标值对目标图像进行切分,以得到接触网图像,具体为:
在X′2<X′3的情况下,根据旋转后的第一感兴趣区域的右边界和旋转后的第二感兴趣区域的左边界对目标图像进行切分,以得到接触网图像;
在X′4<X′1的情况下,根据旋转后的第一感兴趣区域的左边界和旋转后的第二感兴趣区域的右边界对目标图像进行切分,以得到接触网图像。
第二方面,本申请实施例提供了一种高压线上异物检测装置,应用于铁路接触网,铁路轨道两侧设置有多组电线架设装置,每组电线架设装置包括电线杆以及与电线杆固定连接的三角架,接触网架设于电线杆和三角架上,异物检测装置包括:
采集模块,用于通过摄像头采集目标图像,目标图像至少包括两组电线架设装置;
获取模块,用于通过目标检测网络获取目标图像中的电线杆以及三角架的位置信息;
配对模块,用于将每组电线架设装置中的电线杆与三角架进行一一配对;
选取模块,用于选取在目标图像中所占的显示面积最大的第一电线架设装置和第二电线架设装置,其中,第一电线架设装置包括第一电线杆以及第一三角架,第二电线架设装置包括第二电线杆以及第二三角架;
确定区域模块,用于确定第一电线架设装置在目标图像中对应的第一感兴趣区域和第二电线架设装置在目标图像中对应的第二感兴趣区域;
确定角度模块,用于根据第一感兴趣区域与第二感兴趣区域,确定架设于电线杆和三角架上的接触网欲旋转至水平方向的旋转角度;
旋转模块,用于将目标图像、第一感兴趣区域和第二感兴趣区域旋转相应的角度;
切分模块,用于根据旋转后的第一感兴趣区域和旋转后的第二感兴趣区域的坐标值对目标图像进行切分,以得到接触网图像;
分类模块,用于通过孪生网络模型对接触网图像进行分类,以确定接触网图像中是否存在异物。
进一步地,异物检测装置还包括:
第一训练模块,用于使用COCO数据集训练深度学习网络,以得到预训练权重;
第二训练模块,用于通过迁移学习微调神经网络,使用人工标注的VOC格式数据集继续训练深度学习网络,以得到目标检测网络。
进一步地,第一三角架的图像区域表示为[xt1,yt1,xt2,yt2],第一电线杆的图像区域表示为[xp1,yp1,xp2,yp2],第二三角架的图像区域表示为[xt3,yt3,xt4,yt4],第二电线杆的图像区域表示为[xp3,yp3,xp4,yp4];
确定区域模块,具体用于确定第一电线架设装置在目标图像中的最小外接矩形[X1,yt1,X2,yt2]为第一感兴趣区域,第二电线架设装置在目标图像中的最小外接矩形[X3,yt3,X4,yt4]为第二感兴趣区域,其中,X1=min(xt1,xp1),X2=max(xt2,xp2),X3=min(xt3,xp3),X4=max(xt4,xp4)。
进一步地,确定角度模块,具体用于:
分别选取第一感兴趣区域和第二感兴趣区域中相互对应的坐标值,确定架设于电线杆和三角架上的接触网欲旋转至水平方向的旋转角度;
其中,相互对应的坐标值包括:两者的左上角坐标值、右上角坐标值、左下角坐标值、右下角坐标值或者区域中心坐标值。
进一步地,旋转后的第一感兴趣区域为[X′1,y′t1,X′2,y′t2],旋转后的第二感兴趣区域为[X′3,y′t3,X′4,y′t4];
切分模块,具体用于:
在X′2<X′3的情况下,根据旋转后的第一感兴趣区域的右边界和旋转后的第二感兴趣区域的左边界对目标图像进行切分,以得到接触网图像;
在X′4<X′1的情况下,根据旋转后的第一感兴趣区域的左边界和旋转后的第二感兴趣区域的右边界对目标图像进行切分,以得到接触网图像。
在本申请实施例中,通过摄像头采集目标图像,目标图像至少需要包括两组电线架设装置,确定第一电线架设装置对应的第一感兴趣区域和第二电线架设装置对应的第二感兴趣区域,根据第一感兴趣区域与第二感兴趣区域对目标图像进行旋转,之后切分得到接触网图像,通过孪生网络模型确定接触网图像中是否存在异物。通过本申请实施例提供的异物检测方法能够高效、准确地检测铁路接触网上是否存在异物,消除列车运行的安全隐患。
附图说明
图1是本申请实施例提供的一种高压线上异物检测方法的流程示意图;
图2是本申请实施例提供的一种图像处理过程示意图之一;
图3是本申请实施例提供的一种图像处理过程示意图之二;
图4是本申请实施例提供的一种图像处理过程示意图之三;
图5是本申请实施例提供的一种图像处理过程示意图之四;
图6是本申请实施例提供的一种图像处理过程示意图之五;
图7是本申请实施例提供的一种高压线上异物检测装置的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例、参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,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,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的高压线上异物检测方法进行详细地说明。
实施例一
参照图1,示出了本申请实施例提供的一种高压线上异物检测方法的流程示意图。
参照图2-6,示出了本申请实施例提供的一种图像处理过程示意图。
本申请提供的一种高压线上异物检测方法,应用于铁路接触网,铁路轨道两侧设置有多组电线架设装置,每组电线架设装置包括电线杆以及与电线杆固定连接的三角架,接触网架设于电线杆和三角架上,高压线上异物检测方法包括:
S101:通过摄像头采集目标图像20,目标图像20至少包括两组电线架设装置。
其中,目标图像20中应当至少包括两根电线杆、两个三脚架。如图2所示,目标图像20中包括第一电线架设装置21和第二电线架设装置22,第一电线架设装置包括第一电线杆211以及第一三脚架212,第二电线架设装置包括第二电线杆221以及第二三脚架222。
进一步地,摄像头可以架设在临近的铁路轨道的电线杆上,以便于清楚地拍摄目标图像。
进一步地,摄像头所拍摄的实时图像应支持实时取流,便于获取实时的目标图像。
S102:通过目标检测网络获取目标图像20中的电线杆以及三角架的位置信息。
其中,位置信息可以以坐标的形式进行展示。
其中,目标检测网络可以通过如下方法进行训练:
S201:使用COCO数据集训练深度学习网络,以得到预训练权重。
可选地,深度学习网络可以选用YOLOv5深度学习网络。
S202:通过迁移学习微调神经网络,使用人工标注的VOC格式数据集继续训练深度学习网络,以得到目标检测网络。
采用以上方法训练出的目标检测网络对电线杆以及三角架的检测精度较高。
S103:将每组电线架设装置中的电线杆与三角架进行一一配对。
其中,在检测出多个电线杆和多个三角架时,对其进行配对,使得一个三角架对应一个电线杆,例如,将第一电线杆211和第一三脚架212进行配对,将第二电线杆221和第二三脚架222进行配对。
可选地,可以根据三角架的位置查找与之相对应的电线杆。
S104:选取在目标图像20中所占的显示面积最大的第一电线架设装置21和第二电线架设装置22。
如图2所示,目标图像20中所占的显示面积最大的电线架设装置为第一电线架设装置21和第二电线架设装置22,其中,第一电线架设装置21包括第一电线杆211以及第一三角架212,第二电线架设装置22包括第二电线杆221以及第二三角架222。
可以理解的是,在目标图像中所占的显示面积越大的电线架设装置距离摄像头越近。也可以说,S104是选取距离摄像头最近的两组电线架设装置。
如图3所示,第一三角架的图像区域312可以表示为[xt1,yt1,xt2,yt2],第一电线杆的图像区域311可以表示为[xp1,yp1,xp2,yp2],第二三角架的图像区域322可以表示为[xt3,yt3,xt4,yt4],第二电线杆的图像区域可321以表示为[xp3,yp3,xp4,yp4]。
S105:确定第一电线架设装置21在目标图像20中对应的第一感兴趣区域41和第二电线架设装置22在目标图像20中对应的第二感兴趣区域42。
可选地,以预设的图形框选出第一感兴趣区域和第二感兴趣区域,预设的图形可以是圆形或者矩形。
进一步地,如图4所示,可以确定第一电线架设装置21在目标图像20中的最小外接矩形[X1,yt1,X2,yt2]为第一感兴趣区域41,第二电线架设装置22在目标图像20中的最小外接矩形[X3,yt3,X4,yt4]为第二感兴趣区域42,其中,X1=min(xt1,xp1),X2=max(xt2,xp2),X3=min(xt3,xp3),X4=max(xt4,xp4)。
S106:根据第一感兴趣区域41与第二感兴趣区域42,确定架设于电线杆和三角架上的接触网欲旋转至水平方向的旋转角度。
可选地,分别选取第一感兴趣区域41和第二感兴趣区域42中相对应的坐标值,确定架设于电线杆和三角架上的接触网欲旋转至水平方向的旋转角度;
其中,相对应的坐标值包括:两者的左上角坐标值、右上角坐标值、左下角坐标值、右下角坐标值或者区域中心坐标值。
如图4所示,根据第一感兴趣区域41的左上角坐标以及第二感兴趣区域42的左上角区域的坐标,可以确定架设于电线杆和三角架上的接触网欲旋转至水平方向的旋转角度γ。
进一步地,可以通过γ=arctan(dy/dx)来计算γ的具体数值。
S107:将目标图像20、第一感兴趣区域41和第二感兴趣区域42旋转相应的角度。
可选地,可以利用opencv里的函数getRotationMatrix2D根据γ角度计算出旋转之后的目标图像与原始图像之间的放射变换矩阵M,根据M计算旋转后图像,计算公式为:
dst(x,y)=src(M11x+M12y+M13,M21x+M22y+M23)
对于第一感兴趣区域51以及第二感兴趣区域52,可以以区域的中心点为圆心旋转γ角度,得到旋转后区域的坐标点,以左上角坐标点为起点沿顺时针方向记录每个区域的四个点的坐标,计算公式为:
x′=M[0][0]*x+M[0][1]*y+M[0][2]
y′=M[1][0]*x+M[1][1]*y+M[1][2]
其中,x′为旋转之后的x坐标,y′为旋转之后的y坐标。
如图5所示,通过此步骤,可以得到旋转后的第一感兴趣区域51和旋转后的第二感兴趣区域52,旋转后的第一感兴趣区域51可以表示为[X′1,y′t1,X′2,y′t2],旋转后的第二感兴趣区域52可以表示为[X′3,y′t3,X′4,y′t4]。
S108:根据旋转后的第一感兴趣区域51和旋转后的第二感兴趣区域52的坐标值对目标图像进行切分,以得到接触网图像60。
可选地,可以根据旋转后的第一感兴趣区域51和旋转后的第二感兴趣区域52重新计算区域的相应的最小外接矩形,之后根据相应的最小外接矩形的边界对目标图像20进行切分,以得到接触网图像60。
可选地,在X′2<X′3的情况下,根据旋转后的第一感兴趣区域51的右边界和旋转后的第二感兴趣区域的左边界52对目标图像20进行切分,以得到接触网图像60;
在X′4<X′1的情况下,根据旋转后的第一感兴趣区域51的左边界和旋转后的第二感兴趣区域的右边界52对目标图像20进行切分,以得到接触网图像60。
通过此步骤可以得到如图6所示的接触网图像60。
S109:通过孪生网络模型对接触网图像60进行分类,以确定接触网图像60中是否存在异物。
其中,可以采用SoftMargin Loss训练孪生网络模型(Siamese Network),在训练好的孪生网络后连接分类器网络,即可实现对于接触网图像60的分类。
可选地,将接触网图像60分为有异物和无异物两类。
可选地,对于有异物的接触网图像60,可以给出提示或者给出其在铁路轨道上的具体位置,以便于对于异物进行清理,消除列车运行的安全隐患。
在本申请实施例中,通过摄像头采集目标图像,目标图像至少需要包括两组电线架设装置,确定第一电线架设装置对应的第一感兴趣区域和第二电线架设装置对应的第二感兴趣区域,根据第一感兴趣区域与第二感兴趣区域对目标图像进行旋转,之后切分得到接触网图像,通过孪生网络模型确定接触网图像中是否存在异物。通过本申请实施例提供的异物检测方法能够高效、准确地检测铁路接触网上是否存在异物,消除列车运行的安全隐患。
实施例二
参照图7,示出了本申请实施例提供的一种高压线上异物检测装置70的结构示意图。
异物检测装置70应用于铁路接触网,铁路轨道两侧设置有多组电线架设装置,每组电线架设装置包括电线杆以及与电线杆固定连接的三角架,接触网架设于电线杆和三角架上,异物检测装置70包括:
采集模块701,用于通过摄像头采集目标图像,目标图像至少包括两组电线架设装置;
获取模块702,用于通过目标检测网络获取目标图像中的电线杆以及三角架的位置信息;
配对模块703,用于将每组电线架设装置中的电线杆与三角架进行一一配对;
选取模块704,用于选取在目标图像中所占的显示面积最大的第一电线架设装置和第二电线架设装置,其中,第一电线架设装置包括第一电线杆以及第一三角架,第二电线架设装置包括第二电线杆以及第二三角架;
确定区域模块705,用于确定第一电线架设装置在目标图像中对应的第一感兴趣区域和第二电线架设装置在目标图像中对应的第二感兴趣区域;
确定角度模块706,用于根据第一感兴趣区域与第二感兴趣区域,确定架设于电线杆和三角架上的接触网欲旋转至水平方向的旋转角度;
旋转模块707,用于将目标图像、第一感兴趣区域和第二感兴趣区域旋转相应的角度;
切分模块708,用于根据旋转后的第一感兴趣区域和旋转后的第二感兴趣区域的坐标值对目标图像进行切分,以得到接触网图像;
分类模块709,用于通过孪生网络模型对接触网图像进行分类,以确定接触网图像中是否存在异物。
进一步地,异物检测装置70还包括:
第一训练模块710,用于使用COCO数据集训练深度学习网络,以得到预训练权重;
第二训练模块711,用于通过迁移学习微调神经网络,使用人工标注的VOC格式数据集继续训练深度学习网络,以得到目标检测网络。
进一步地,第一三角架的图像区域表示为[xt1,yt1,xt2,yt2],第一电线杆的图像区域表示为[xp1,yp1,xp2,yp2],第二三角架的图像区域表示为[xt3,yt3,xt4,yt4],第二电线杆的图像区域表示为[xp3,yp3,xp4,yp4];
确定区域模块705,具体用于确定第一电线架设装置在目标图像中的最小外接矩形[X1,yt1,X2,yt2]为第一感兴趣区域,第二电线架设装置在目标图像中的最小外接矩形[X3,yt3,X4,yt4]为第二感兴趣区域,其中,X1=min(xt1,xp1),X2=max(xt2,xp2),X3=min(xt3,xp3),X4=max(xt4,xp4)。
进一步地,确定角度模块706,具体用于:
分别选取第一感兴趣区域和第二感兴趣区域中相互对应的坐标值,确定架设于电线杆和三角架上的接触网欲旋转至水平方向的旋转角度;
其中,相互对应的坐标值包括:两者的左上角坐标值、右上角坐标值、左下角坐标值、右下角坐标值或者区域中心坐标值。
进一步地,旋转后的第一感兴趣区域为[X′1,y′t1,X′2,y′t2],旋转后的第二感兴趣区域为[X′3,y′t3,X′4,y′t4];
切分模块708,具体用于:
在X′2<X′3的情况下,根据旋转后的第一感兴趣区域的右边界和旋转后的第二感兴趣区域的左边界对目标图像进行切分,以得到接触网图像;
在X′4<X′1的情况下,根据旋转后的第一感兴趣区域的左边界和旋转后的第二感兴趣区域的右边界对目标图像进行切分,以得到接触网图像。
本申请实施例提供的高压线上异物检测装置70能够实现上述方法实施例中实现的各个过程,为避免重复,这里不再赘述。
在本申请实施例中,通过摄像头采集目标图像,目标图像至少需要包括两组电线架设装置,确定第一电线架设装置对应的第一感兴趣区域和第二电线架设装置对应的第二感兴趣区域,根据第一感兴趣区域与第二感兴趣区域对目标图像进行旋转,之后切分得到接触网图像,通过孪生网络模型确定接触网图像中是否存在异物。通过本申请实施例提供的异物检测方法能够高效、准确地检测铁路接触网上是否存在异物,消除列车运行的安全隐患。
本申请实施例中的虚拟装置可以是装置,也可以是终端中的部件、集成电路、或芯片。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。
Claims (10)
1.一种高压线上异物检测方法,应用于铁路接触网,接触网是沿铁路线上空架设的向电力机车供电的高压线,铁路轨道两侧设置有多组电线架设装置,每组所述电线架设装置包括电线杆以及与所述电线杆固定连接的三角架,接触网架设于所述电线杆和所述三角架上,其特征在于,所述方法包括:
通过摄像头采集目标图像,所述目标图像至少包括两组所述电线架设装置;
通过目标检测网络获取所述目标图像中的所述电线杆以及所述三角架的位置信息;
将每组所述电线架设装置中的所述电线杆与所述三角架进行一一配对;
选取在所述目标图像中所占的显示面积最大的第一电线架设装置和第二电线架设装置,其中,所述第一电线架设装置包括第一电线杆以及第一三角架,所述第二电线架设装置包括第二电线杆以及第二三角架;
确定所述第一电线架设装置在所述目标图像中对应的第一感兴趣区域和所述第二电线架设装置在所述目标图像中对应的第二感兴趣区域;
根据所述第一感兴趣区域与所述第二感兴趣区域,确定架设于所述电线杆和所述三角架上的所述接触网欲旋转至水平方向的旋转角度;
将所述目标图像、所述第一感兴趣区域和所述第二感兴趣区域旋转相应的角度;
根据旋转后的第一感兴趣区域和旋转后的第二感兴趣区域的坐标值对所述目标图像进行切分,以得到接触网图像;
通过孪生网络模型对所述接触网图像进行分类,以确定所述接触网图像中是否存在异物。
2.根据权利要求1所述的方法,其特征在于,在所述通过目标检测网络获取所述目标图像中的所述电线杆以及所述三角架的位置信息之前,还包括:
使用COCO数据集训练深度学习网络,以得到预训练权重;
通过迁移学习微调神经网络,使用人工标注的VOC格式数据集继续训练所述深度学习网络,以得到所述目标检测网络。
3.根据权利要求1所述的方法,其特征在于,所述第一三角架的图像区域表示为[xt1,yt1,xt2,yt2],所述第一电线杆的图像区域表示为[xp1,yp1,xp2,yp2],所述第二三角架的图像区域表示为[xt3,yt3,xt4,yt4],所述第二电线杆的图像区域表示为[xp3,yp3,xp4,yp4];
所述确定所述第一电线架设装置在所述目标图像中对应的第一感兴趣区域和所述第二电线架设装置在所述目标图像中对应的第二感兴趣区域,具体为:
确定所述第一电线架设装置在所述目标图像中的最小外接矩形[X1,yt1,X2,yt2]为第一感兴趣区域,所述第二电线架设装置在所述目标图像中的最小外接矩形[X3,yt3,X4,yt4]为第二感兴趣区域,其中,X1=min(xt1,xp1),X2=max(xt2,xp2),X3=min(xt3,xp3),X4=max(xt4,xp4)。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一感兴趣区域与所述第二感兴趣区域,确定架设于所述电线杆和所述三角架上的所述接触网欲旋转至水平方向的旋转角度,具体为:
分别选取所述第一感兴趣区域和所述第二感兴趣区域中相对应的坐标值,确定架设于所述电线杆和所述三角架上的所述接触网欲旋转至水平方向的旋转角度;
其中,相对应的坐标值包括:两者的左上角坐标值、右上角坐标值、左下角坐标值、右下角坐标值或者区域中心坐标值。
5.根据权利要求3所述的方法,其特征在于,所述旋转后的第一感兴趣区域为[X′1,y′t1,X′2,y′t2],所述旋转后的第二感兴趣区域为[X′3 ,y′t3,X′4 ,y′t4];
所述根据旋转后的所述第一感兴趣区域和旋转后的所述第二感兴趣区域的坐标值对所述目标图像进行切分,以得到接触网图像,具体为:
在X′2<X′3的情况下,根据所述旋转后的第一感兴趣区域的右边界和所述旋转后的第二感兴趣区域的左边界对所述目标图像进行切分,以得到接触网图像;
在X′4<X′1的情况下,根据所述旋转后的第一感兴趣区域的左边界和所述旋转后的第二感兴趣区域的右边界对所述目标图像进行切分,以得到接触网图像。
6.一种高压线上异物检测装置,应用于铁路接触网,接触网是沿铁路线上空架设的向电力机车供电的高压线,铁路轨道两侧设置有多组电线架设装置,每组所述电线架设装置包括电线杆以及与所述电线杆固定连接的三角架,接触网架设于所述电线杆和所述三角架上,其特征在于,所述装置包括:
采集模块,用于通过摄像头采集目标图像,所述目标图像至少包括两组所述电线架设装置;
获取模块,用于通过目标检测网络获取所述目标图像中的所述电线杆以及所述三角架的位置信息;
配对模块,用于将每组所述电线架设装置中的所述电线杆与所述三角架进行一一配对;
选取模块,用于选取在所述目标图像中所占的显示面积最大的第一电线架设装置和第二电线架设装置,其中,所述第一电线架设装置包括第一电线杆以及第一三角架,所述第二电线架设装置包括第二电线杆以及第二三角架;
确定区域模块,用于确定所述第一电线架设装置在所述目标图像中对应的第一感兴趣区域和所述第二电线架设装置在所述目标图像中对应的第二感兴趣区域;
确定角度模块,用于根据所述第一感兴趣区域与所述第二感兴趣区域,确定架设于所述电线杆和所述三角架上的所述接触网欲旋转至水平方向的旋转角度;
旋转模块,用于将所述目标图像、所述第一感兴趣区域和所述第二感兴趣区域旋转相应的角度;
切分模块,用于根据旋转后的第一感兴趣区域和旋转后的第二感兴趣区域的坐标值对所述目标图像进行切分,以得到接触网图像;
分类模块,用于通过孪生网络模型对所述接触网图像进行分类,以确定所述接触网图像中是否存在异物。
7.根据权利要求6所述的装置,其特征在于,还包括:
第一训练模块,用于使用COCO数据集训练深度学习网络,以得到预训练权重;
第二训练模块,用于通过迁移学习微调神经网络,使用人工标注的VOC格式数据集继续训练所述深度学习网络,以得到所述目标检测网络。
8.根据权利要求6所述的装置,其特征在于,所述第一三角架的图像区域表示为[xt1,yt1,xt2,yt2],所述第一电线杆的图像区域表示为[xp1,yp1,xp2,yp2],所述第二三角架的图像区域表示为[xt3,yt3,xt4,yt4],所述第二电线杆的图像区域表示为[xp3,yp3,xp4,yp4];
所述确定区域模块,具体用于确定所述第一电线架设装置在所述目标图像中的最小外接矩形[X1,yt1,X2,yt2]为第一感兴趣区域,所述第二电线架设装置在所述目标图像中的最小外接矩形[X3,yt3,X4,yt4]为第二感兴趣区域,其中,X1=min(xt1,xp1),X2=max(xt2,xp2),X3=min(xt3,xp3),X4=max(xt4,xp4)。
9.根据权利要求8所述的装置,其特征在于,所述确定角度模块,具体用于:
分别选取所述第一感兴趣区域和所述第二感兴趣区域中相互对应的坐标值,确定架设于所述电线杆和所述三角架上的所述接触网欲旋转至水平方向的旋转角度;
其中,相互对应的坐标值包括:两者的左上角坐标值、右上角坐标值、左下角坐标值、右下角坐标值或者区域中心坐标值。
10.根据权利要求8所述的装置,其特征在于,所述旋转后的第一感兴趣区域为[X′1,y′t1,X′2,y′t2],所述旋转后的第二感兴趣区域为[X′3 ,y′t3,X′4 ,y′t4];
所述切分模块,具体用于:
在X′2<X′3的情况下,根据所述旋转后的第一感兴趣区域的右边界和所述旋转后的第二感兴趣区域的左边界对所述目标图像进行切分,以得到接触网图像;
在X′4<X′1的情况下,根据所述旋转后的第一感兴趣区域的左边界和所述旋转后的第二感兴趣区域的右边界对所述目标图像进行切分,以得到接触网图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022100463366 | 2022-01-14 | ||
CN202210046336.6A CN114549971A (zh) | 2022-01-14 | 2022-01-14 | 高压线上异物检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294451A CN115294451A (zh) | 2022-11-04 |
CN115294451B true CN115294451B (zh) | 2023-04-28 |
Family
ID=81671541
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210046336.6A Withdrawn CN114549971A (zh) | 2022-01-14 | 2022-01-14 | 高压线上异物检测方法及装置 |
CN202210919675.0A Active CN115294451B (zh) | 2022-01-14 | 2022-08-01 | 高压线上异物检测方法及装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210046336.6A Withdrawn CN114549971A (zh) | 2022-01-14 | 2022-01-14 | 高压线上异物检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114549971A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493337A (zh) * | 2018-11-15 | 2019-03-19 | 中国石油大学(华东) | 一种基于改进的Faster RCNN的输电线路异物检测方法 |
CN109919917A (zh) * | 2019-02-21 | 2019-06-21 | 国网山东省电力公司临沂供电公司 | 基于图像处理的架空输电线路的异物检测方法 |
CN110428398A (zh) * | 2019-07-04 | 2019-11-08 | 华中科技大学 | 一种基于深度学习的高铁接触网拉线缺陷检测方法 |
CN110503623A (zh) * | 2019-05-24 | 2019-11-26 | 深圳供电局有限公司 | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 |
CN111814686A (zh) * | 2020-07-09 | 2020-10-23 | 国网山西省电力公司吕梁供电公司 | 一种基于视觉的输电线路识别及异物入侵在线检测方法 |
CN111951212A (zh) * | 2020-04-08 | 2020-11-17 | 北京交通大学 | 对铁路的接触网图像进行缺陷识别的方法 |
CN113673514A (zh) * | 2021-08-11 | 2021-11-19 | 国网山东省电力公司微山县供电公司 | 一种输电线路异物侵入检测方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6940994B2 (en) * | 2001-03-09 | 2005-09-06 | The Boeing Company | Passive power line detection system for aircraft |
JP6519573B2 (ja) * | 2016-11-30 | 2019-05-29 | トヨタ自動車株式会社 | 送電装置及び電力伝送システム |
-
2022
- 2022-01-14 CN CN202210046336.6A patent/CN114549971A/zh not_active Withdrawn
- 2022-08-01 CN CN202210919675.0A patent/CN115294451B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493337A (zh) * | 2018-11-15 | 2019-03-19 | 中国石油大学(华东) | 一种基于改进的Faster RCNN的输电线路异物检测方法 |
CN109919917A (zh) * | 2019-02-21 | 2019-06-21 | 国网山东省电力公司临沂供电公司 | 基于图像处理的架空输电线路的异物检测方法 |
CN110503623A (zh) * | 2019-05-24 | 2019-11-26 | 深圳供电局有限公司 | 一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法 |
CN110428398A (zh) * | 2019-07-04 | 2019-11-08 | 华中科技大学 | 一种基于深度学习的高铁接触网拉线缺陷检测方法 |
CN111951212A (zh) * | 2020-04-08 | 2020-11-17 | 北京交通大学 | 对铁路的接触网图像进行缺陷识别的方法 |
CN111814686A (zh) * | 2020-07-09 | 2020-10-23 | 国网山西省电力公司吕梁供电公司 | 一种基于视觉的输电线路识别及异物入侵在线检测方法 |
CN113673514A (zh) * | 2021-08-11 | 2021-11-19 | 国网山东省电力公司微山县供电公司 | 一种输电线路异物侵入检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114549971A (zh) | 2022-05-27 |
CN115294451A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110780681A (zh) | 一种基于激光点云的无人机自主巡检绝缘子路径规划方法 | |
CN101859433B (zh) | 图像拼接设备和方法 | |
CN112633535A (zh) | 一种基于无人机图像的光伏电站智能巡检方法及系统 | |
CN102930287B (zh) | 一种针对俯视行人的检测计数系统及方法 | |
CN110246175A (zh) | 全景相机与云台相机结合的变电站巡检机器人图像检测系统及方法 | |
CN105571508B (zh) | 接触网受电弓的形变检测方法及系统 | |
Zhang et al. | A robust pantograph–catenary interaction condition monitoring method based on deep convolutional network | |
CN110991466A (zh) | 一种基于新型视觉传感设备的高速公路路面状况检测系统 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN111161446A (zh) | 一种巡检机器人的图像采集方法 | |
CN105551032A (zh) | 一种基于视觉伺服的杆塔图像采集系统及其方法 | |
CN112101138B (zh) | 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法 | |
CN108961276B (zh) | 基于视觉伺服的配电线路巡检数据自动采集方法及系统 | |
CN105303162A (zh) | 一种基于目标建议算法的航拍图像绝缘子识别算法 | |
CN209044060U (zh) | 基于激光雷达技术的车型识别装置 | |
CN111414861A (zh) | 基于深度学习实现行人及非机动车辆检测处理的方法 | |
CN112329584A (zh) | 基于机器视觉自动识别电网异物的方法及系统、设备 | |
CN115294451B (zh) | 高压线上异物检测方法及装置 | |
CN111738148B (zh) | 一种利用红外巡检拍摄的故障识别方法 | |
CN113723389A (zh) | 一种支柱式绝缘子定位方法及装置 | |
CN109934172B (zh) | 高速列车受电弓免gps全运行线故障视觉检测定位方法 | |
CN103198326B (zh) | 一种输电线路直升机巡检的图像分类方法 | |
CN104616277A (zh) | 视频结构化描述中的行人定位方法及其装置 | |
CN109164462A (zh) | 基于激光雷达技术的车型识别装置及其方法 | |
CN110516551B (zh) | 一种基于视觉的巡线位置偏移识别系统、方法及无人机 |
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 |