CN115496750A - 一种基于神经网络的接触网缺陷验损方法及系统 - Google Patents

一种基于神经网络的接触网缺陷验损方法及系统 Download PDF

Info

Publication number
CN115496750A
CN115496750A CN202211417314.2A CN202211417314A CN115496750A CN 115496750 A CN115496750 A CN 115496750A CN 202211417314 A CN202211417314 A CN 202211417314A CN 115496750 A CN115496750 A CN 115496750A
Authority
CN
China
Prior art keywords
neural network
contact net
testing
network model
convolutional neural
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.)
Granted
Application number
CN202211417314.2A
Other languages
English (en)
Other versions
CN115496750B (zh
Inventor
廖峪
林仁辉
苏茂才
唐泰可
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 Nuobikan Technology Co ltd
Original Assignee
Chengdu Nuobikan Technology 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 Nuobikan Technology Co ltd filed Critical Chengdu Nuobikan Technology Co ltd
Priority to CN202211417314.2A priority Critical patent/CN115496750B/zh
Publication of CN115496750A publication Critical patent/CN115496750A/zh
Application granted granted Critical
Publication of CN115496750B publication Critical patent/CN115496750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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]
    • 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
    • G06T2207/30232—Surveillance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明公开了一种基于神经网络的接触网缺陷验损方法及系统，验损方法包括步骤S1‑S10。验损系统包括：接触网检测小车，接触网检测小车拍摄的验损部位图片发送给验损系统，验损系统包括存储模块、验损模块和数据统计模块，存储模块用于保存验损部位图片，验损模块用于对验损部位图片上的缺陷进行识别，数据统计模块用于对验损模块识别出的缺陷种类进行统计。本发明利用图像自动化采集和神经网络技术进行接触网悬挂状态及缺陷检测，显示出明显的优势：可利用单一设备同时对多种弓网零部件进行检测，减少设备数量，节省投资。

Description

一种基于神经网络的接触网缺陷验损方法及系统
技术领域
本发明涉及接触网安全技术领域，具体涉及一种基于神经网络的接触网缺陷验损方法及系统。
背景技术
现有技术中，对轨道的接触网的缺陷识别大多采用接触网检测小车，由接触网检测小车携带图片回到监控中心，虽然在监控中心中可以很方便的查看，但是仍然避免不了人工分析带来的效率问题、准确率问题和稳定性问题。同时人工成本也是一笔不小的开支。
经过核算，假如一次巡检带回的图片100GB，由10个人来分析大概需要20个工作日，加上周末就是一个月，耗费大量的人力物力，拉长了缺陷处理时间。未能完全实现《高速铁路供电安全检测监测系统总体技术规范》所规定的“对接触网悬挂部件典型缺陷自动识别”功能。
近年以来，人工智能和神经网络及图像识别技术已经用于了人脸识别、指纹识别、虹膜识别、手机支付等领域，技术实现已经非常成功了。同样地，由于接触网缺陷检测是识别接触网图像中某些零件或构件的缺陷，而且同样的缺陷是完全相似的，这就给人工智能在接触网缺陷检测提供了基础。但是现有的小车无法实现完全自动化的图像采集，并且不同接触网部分图片拍摄的位置定位不精准，导致有些缺陷出现漏检的情况。
发明内容
针对现有技术的上述不足，本发明提供了一种定位精准、识别精度高的基于神经网络的接触网缺陷验损方法及系统。
为达到上述发明目的，本发明所采用的技术方案为：
提供一种基于神经网络的接触网缺陷验损方法，其包括以下步骤：
S1：在试验场地组装新的接触网，作为试验接触网，在接触网上标记出若干需要验损的验损部位；
S2：以接触网检测小车的中心为原点，建立图像采集三维坐标，确定接触网上每个需要验损的部位所对应的拍摄坐标（0，0，x n1）和相机拍摄需要的俯仰角（α，β，γ），α为在X轴所在平面的俯仰角，β为在Y轴所在平面的俯仰角，γ为在Z轴所在平面的俯仰角；
S3：在数据库中下载若干接触网上需要验损部位的初始图片，作为数据集，并将数据集拆分为训练集M和测试集N，M＞N；
S4：建立用于识别接触网上验损部位的卷积神经网络模型，将训练集M中的图片输入到卷积神经网络模型中，对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；
S5：利用测试集N中的图片对训练好的卷积神经网络模型进行测试，得到输出特征值，并将输出特征值与特征值阈值进行比较，若输出特征值超过特征值阈值，则返回步骤S4，对卷积神经网络模型的参数进行修正，否则，执行步骤S6；
S6：在铁路轨道沿线上设置若干接触网的检测点，每个检测点对应一个接触网所在的杆位；
S7：接触网检测小车在轨道上行驶，到达检测点时停止；启动相机，以图像采集三维坐标作为参考坐标，接触网检测小车根据记录的不同验损部位的拍摄坐标（0，0，x n1）移动到拍摄点，并调整相机对应的俯仰角（α，β，γ），直到拍摄完该检测点所有的验损部位图片，回到检测点，接触网检测小车启动进入下一个检测点；
S8：验损部位图片上传到验损系统，对验损部位图片进行频域转换，得到频域内系数处理之后的图像频谱g(u,v)：
Figure 589412DEST_PATH_IMAGE001
其中，u为验损部位图片的色度，v为验损部位图片的浓度，F (x,y)为频域函数，x为频域的横坐标，y为频域的纵坐标，H (u,v)为传递函数；
S9：将图像频谱g(u,v)逆变换到空间域中，得到增强后的的输出图像：
Figure 308100DEST_PATH_IMAGE002
S10：将增强后的的输出图像输入训练好的卷积神经网络模型中，识别出接触网上验损部位是否出现缺陷。
进一步地，步骤S2包括：
S21：以接触网检测小车的中心为原点，建立图像采集三维坐标，轨道的方向为x方向，垂直地面的方向为z方向，垂直轨道的方向为y方向；
S22：在图像采集三维坐标中标记出所有需要验损部位的坐标点（x n ，y n ，z n ），n为接触网上需要验损的部位；
S23：根据实际需要验损的部位结构，在图像采集三维坐标中沿轨道方向移动接触网检测小车，寻找拍摄角度，以能拍摄到清洗图片并使部位n在图片中央作为拍摄点，得到拍摄部位n所在拍摄点的拍摄坐标（0，0，x n1）；
S24：利用拍摄坐标（x n1，0，0）和坐标点（x n ，y n ，z n ）得到拍摄点与部位n之间连线的向量
Figure 106030DEST_PATH_IMAGE003
（x n -x n1，y n ，z n ）；
S25：计算拍摄点对部位n进行拍摄时相机的俯仰角：
Figure 614372DEST_PATH_IMAGE004
Figure 436484DEST_PATH_IMAGE005
Figure 106500DEST_PATH_IMAGE006
其中，α为相机拍摄视角与x方向的夹角，β为相机拍摄视角与y方向的夹角，γ为相机拍摄视角与z方向的夹角；
S26：记录接触网上每个需要验损的部位所对应的拍摄坐标（0，0，x n1）和
俯仰角（α，β，γ）。
进一步地，还包括：
S11：将每次接触网检测小车采集得到的输出图像均进行收集，形成修正训练集；
S12：计算步骤S5中练好的卷积神经网络模型的迭代梯度
Figure 955507DEST_PATH_IMAGE007
：
Figure 861015DEST_PATH_IMAGE008
其中，m为修正训练集中输出图像的数量，θ为卷积神经网络模型的初始系数，x i 为修正训练集中的其中一个输出图像，L为修正幅度，y i 为卷积神经网络模型的输出结果；
S13：对输出的迭代梯度
Figure 377447DEST_PATH_IMAGE007
进行累积平方梯度计算：
Figure 93730DEST_PATH_IMAGE009
其中，r 0为初始值，r为平方梯度；
S14：计算卷积神经网络模型的系数迭代量
Figure 695613DEST_PATH_IMAGE010
：
Figure 906276DEST_PATH_IMAGE011
其中，
Figure 277215DEST_PATH_IMAGE012
为迭代率，δ为常数；
S15：根据系数迭代量
Figure 164400DEST_PATH_IMAGE010
对卷积神经网络模型的系数进行修正：
Figure 987999DEST_PATH_IMAGE013
S16：将得到的新的系数θ'输入到卷积神经网络模型中，完成卷积神经网络模型的修正。
提供一种执行上述基于神经网络的接触网缺陷验损方法的验损系统，其包括接触网检测小车，接触网检测小车通过无线通信模块与后方的验损系统无线连接，接触网检测小车拍摄的验损部位图片发送给验损系统，验损系统包括存储模块、验损模块和数据统计模块，存储模块用于保存验损部位图片，验损模块用于对验损部位图片上的缺陷进行识别，数据统计模块用于对验损模块识别出的缺陷种类进行统计。
本发明的有益效果为：本发明利用图像自动化采集和神经网络技术进行接触网悬挂状态及缺陷检测，显示出明显的优势：可利用单一设备同时对多种弓网零部件进行检测，减少设备数量，节省投资；设备智能程度高，可自动检测接触网悬挂状态及缺陷。并且，在执行图像拍摄的过程中，建立接触网检测小车自身的坐标系作为拍摄图片的参考，每一个接触网的杆位接触网检测小车执行相同的步骤和过程，极大的增加了图片拍摄的准确度。
本发明利用了图片增强技术有助于图片中缺陷部位的识别，同时利用现场拍摄的图片来进一步迭代修正卷积神经网络模型，每一次的缺陷识别就是一次卷积神经网络模型精度提升的过程，确保了检测结果的可靠性。
附图说明
图1为基于神经网络的接触网缺陷验损方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本方案的基于神经网络的接触网缺陷验损方法包括以下步骤：
S1：在试验场地组装新的接触网，作为试验接触网，在接触网上标记出若干需要验损的验损部位；
S2：S2：以接触网检测小车的中心为原点，建立图像采集三维坐标，确定接触网上每个需要验损的部位所对应的拍摄坐标（0，0，x n1）和相机拍摄需要的俯仰角（α，β，γ），α为在X轴所在平面的俯仰角，β为在Y轴所在平面的俯仰角，γ为在Z轴所在平面的俯仰角；
步骤S2包括：
S21：以接触网检测小车的中心为原点，建立图像采集三维坐标，轨道的方向为x方向，垂直地面的方向为z方向，垂直轨道的方向为y方向；
S22：在图像采集三维坐标中标记出所有需要验损部位的坐标点（x n ，y n ，z n ），n为接触网上需要验损的部位；
S23：根据实际需要验损的部位结构，在图像采集三维坐标中沿轨道方向移动接触网检测小车，寻找拍摄角度，以能拍摄到清洗图片并使部位n在图片中央作为拍摄点，得到拍摄部位n所在拍摄点的拍摄坐标（0，0，x n1）；
S24：利用拍摄坐标（x n1，0，0）和坐标点（x n ，y n ，z n ）得到拍摄点与部位n之间连线的向量
Figure 235310DEST_PATH_IMAGE003
（x n -x n1，y n ，z n ）；
S25：计算拍摄点对部位n进行拍摄时相机的俯仰角：
Figure 460755DEST_PATH_IMAGE004
Figure 518840DEST_PATH_IMAGE005
Figure 95315DEST_PATH_IMAGE006
其中，α为相机拍摄视角与x方向的夹角，β为相机拍摄视角与y方向的夹角，γ为相机拍摄视角与z方向的夹角；
S26：记录接触网上每个需要验损的部位所对应的拍摄坐标（0，0，x n1）和
俯仰角（α，β，γ）。
S3：在数据库中下载若干接触网上需要验损部位的初始图片，作为数据集，并将数据集拆分为训练集M和测试集N，M＞N；
S4：建立用于识别接触网上验损部位的卷积神经网络模型，将训练集M中的图片输入到卷积神经网络模型中，对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；
S5：利用测试集N中的图片对训练好的卷积神经网络模型进行测试，得到输出特征值，并将输出特征值与特征值阈值进行比较，若输出特征值超过特征值阈值，则返回步骤S4，对卷积神经网络模型的参数进行修正，否则，执行步骤S6；
S6：在铁路轨道沿线上设置若干接触网的检测点，每个检测点对应一个接触网所在的杆位；
S7：接触网检测小车在轨道上行驶，到达检测点时停止；启动相机，以图像采集三维坐标作为参考坐标，接触网检测小车根据记录的不同验损部位的拍摄坐标（0，0，x n1）移动到拍摄点，并调整相机对应的俯仰角（α，β，γ），直到拍摄完该检测点所有的验损部位图片，回到检测点，接触网检测小车启动进入下一个检测点；
S8：验损部位图片上传到验损系统，对验损部位图片进行频域转换，得到频域内系数处理之后的图像频谱g(u,v)：
Figure 644852DEST_PATH_IMAGE001
其中，u为验损部位图片的色度，v为验损部位图片的浓度，F (x,y)为频域函数，x为频域的横坐标，y为频域的纵坐标，H (u,v)为传递函数；
S9：将图像频谱g(u,v)逆变换到空间域中，得到增强后的的输出图像：
Figure 724803DEST_PATH_IMAGE002
S10：将增强后的的输出图像输入训练好的卷积神经网络模型中，识别出接触网上验损部位是否出现缺陷。
由于接触网悬挂状态检测主要是在夜晚进行巡检，有些图片的拍得很暗细节也不是清晰。对图片增强可以将支撑装置部分进行突出而背景干扰部分进行削弱，通过增强就能更好的辨别缺陷是否存在。
还包括：
S11：将每次接触网检测小车采集得到的输出图像均进行收集，形成修正训练集；
S12：计算步骤S5中练好的卷积神经网络模型的迭代梯度
Figure 78424DEST_PATH_IMAGE007
：
Figure 751982DEST_PATH_IMAGE008
其中，m为修正训练集中输出图像的数量，θ为卷积神经网络模型的初始系数，x i 为修正训练集中的其中一个输出图像，L为修正幅度，y i 为卷积神经网络模型的输出结果；
S13：对输出的迭代梯度
Figure 482041DEST_PATH_IMAGE007
进行累积平方梯度计算：
Figure 541133DEST_PATH_IMAGE009
其中，r 0为初始值，一般r 0取0，r为平方梯度；
S14：计算卷积神经网络模型的系数迭代量
Figure 331234DEST_PATH_IMAGE010
：
Figure 492088DEST_PATH_IMAGE011
其中，
Figure 494679DEST_PATH_IMAGE014
为迭代率，δ为常数，一般δ取10-7；
S15：根据系数迭代量
Figure 175322DEST_PATH_IMAGE010
对卷积神经网络模型的系数进行修正：
Figure 136324DEST_PATH_IMAGE013
S16：将得到的新的系数θ'输入到卷积神经网络模型中，完成卷积神经网络模型的修正。
本方案中可以将识别结果用到下一次的训练中，以快速准确的增加训练样本的数量，以期能加快深度学习模型的收敛速度，同时减少卷积神经网络模型的运算时间。
本实施例中，执行上述基于神经网络的接触网缺陷验损方法的验损系统包括接触网检测小车，接触网检测小车通过无线通信模块与后方的验损系统无线连接，接触网检测小车拍摄的验损部位图片发送给验损系统，验损系统包括存储模块、验损模块和数据统计模块，存储模块用于保存验损部位图片，验损模块用于对验损部位图片上的缺陷进行识别，数据统计模块用于对验损模块识别出的缺陷种类进行统计。
本发明利用图像自动化采集和神经网络技术进行接触网悬挂状态及缺陷检测，显示出明显的优势：可利用单一设备同时对多种弓网零部件进行检测，减少设备数量，节省投资；设备智能程度高，可自动检测接触网悬挂状态及缺陷。并且，在执行图像拍摄的过程中，建立接触网检测小车自身的坐标系作为拍摄图片的参考，每一个接触网的杆位接触网检测小车执行相同的步骤和过程，极大的增加了图片拍摄的准确度。
本发明利用了图片增强技术有助于图片中缺陷部位的识别，同时利用现场拍摄的图片来进一步迭代修正卷积神经网络模型，每一次的缺陷识别就是一次卷积神经网络模型精度提升的过程，确保了检测结果的可靠性。

Claims (4)

1.一种基于神经网络的接触网缺陷验损方法，其特征在于，包括以下步骤：
S1：在试验场地组装新的接触网，作为试验接触网，在接触网上标记出若干需要验损的验损部位；
S2：以接触网检测小车的中心为原点，建立图像采集三维坐标，确定接触网上每个需要验损的部位所对应的拍摄坐标（0，0，x n1）和相机拍摄需要的俯仰角（α，β，γ），α为在X轴所在平面的俯仰角，β为在Y轴所在平面的俯仰角，γ为在Z轴所在平面的俯仰角；
S3：在数据库中下载若干接触网上需要验损部位的初始图片，作为数据集，并将数据集拆分为训练集M和测试集N，M＞N；
S4：建立用于识别接触网上验损部位的卷积神经网络模型，将训练集M中的图片输入到卷积神经网络模型中，对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；
S5：利用测试集N中的图片对训练好的卷积神经网络模型进行测试，得到输出特征值，并将输出特征值与特征值阈值进行比较，若输出特征值超过特征值阈值，则返回步骤S4，对卷积神经网络模型的参数进行修正，否则，执行步骤S6；
S6：在铁路轨道沿线上设置若干接触网的检测点，每个检测点对应一个接触网所在的杆位；
S7：接触网检测小车在轨道上行驶，到达检测点时停止；启动相机，以图像采集三维坐标作为参考坐标，接触网检测小车根据记录的不同验损部位的拍摄坐标（0，0，x n1）移动到拍摄点，并调整相机对应的俯仰角（α，β，γ），直到拍摄完该检测点所有的验损部位图片，回到检测点，接触网检测小车启动进入下一个检测点；
S8：验损部位图片上传到验损系统，对验损部位图片进行频域转换，得到频域内系数处理之后的图像频谱g(u,v)：
Figure 271280DEST_PATH_IMAGE001
其中，u为验损部位图片的色度，v为验损部位图片的浓度，F (x,y)为频域函数，x为频域的横坐标，y为频域的纵坐标，H (u,v)为传递函数；
S9：将图像频谱g(u,v)逆变换到空间域中，得到增强后的的输出图像：
Figure 214965DEST_PATH_IMAGE002
S10：将增强后的的输出图像输入训练好的卷积神经网络模型中，识别出接触网上验损部位是否出现缺陷。
2.根据权利要求1所述的基于神经网络的接触网缺陷验损方法，其特征在于，所述步骤S2包括：
S21：以接触网检测小车的中心为原点，建立图像采集三维坐标，轨道的方向为x方向，垂直地面的方向为z方向，垂直轨道的方向为y方向；
S22：在图像采集三维坐标中标记出所有需要验损部位的坐标点（x n ，y n ，z n ），n为接触网上需要验损的部位；
S23：根据实际需要验损的部位结构，在图像采集三维坐标中沿轨道方向移动接触网检测小车，寻找拍摄角度，以能拍摄到清洗图片并使部位n在图片中央作为拍摄点，得到拍摄部位n所在拍摄点的拍摄坐标（0，0，x n1）；
S24：利用拍摄坐标（x n1，0，0）和坐标点（x n ，y n ，z n ）得到拍摄点与部位n之间连线的向量
Figure 649489DEST_PATH_IMAGE003
（x n -x n1，y n ，z n ）；
S25：计算拍摄点对部位n进行拍摄时相机的俯仰角：
Figure 362230DEST_PATH_IMAGE004
Figure 974739DEST_PATH_IMAGE005
Figure 565907DEST_PATH_IMAGE006
其中，α为相机拍摄视角与x方向的夹角，β为相机拍摄视角与y方向的夹角，γ为相机拍摄视角与z方向的夹角；
S26：记录接触网上每个需要验损的部位所对应的拍摄坐标（0，0，x n1）和
俯仰角（α，β，γ）。
3.根据权利要求1所述的基于神经网络的接触网缺陷验损方法，其特征在于，还包括：
S11：将每次接触网检测小车采集得到的输出图像均进行收集，形成修正训练集；
S12：计算步骤S5中练好的卷积神经网络模型的迭代梯度
Figure 397597DEST_PATH_IMAGE007
：
Figure 355057DEST_PATH_IMAGE008
其中，m为修正训练集中输出图像的数量，θ为卷积神经网络模型的初始系数，x i 为修正训练集中的其中一个输出图像，L为修正幅度，y i 为卷积神经网络模型的输出结果；
S13：对输出的迭代梯度
Figure 387735DEST_PATH_IMAGE007
进行累积平方梯度计算：
Figure 306013DEST_PATH_IMAGE009
其中，r 0为初始值，r为平方梯度；
S14：计算卷积神经网络模型的系数迭代量
Figure 941394DEST_PATH_IMAGE010
：
Figure 989246DEST_PATH_IMAGE011
其中，
Figure 317459DEST_PATH_IMAGE012
为迭代率，δ为常数；
S15：根据系数迭代量
Figure 332820DEST_PATH_IMAGE010
对卷积神经网络模型的系数进行修正：
Figure 37471DEST_PATH_IMAGE013
S16：将得到的新的系数θ'输入到卷积神经网络模型中，完成卷积神经网络模型的修正。
4.一种执行权利要求1-3任一项所述的基于神经网络的接触网缺陷验损方法的验损系统，其特征在于，包括接触网检测小车，所述接触网检测小车通过无线通信模块与后方的验损系统无线连接，所述接触网检测小车拍摄的验损部位图片发送给验损系统，所述验损系统包括存储模块、验损模块和数据统计模块，存储模块用于保存验损部位图片，验损模块用于对验损部位图片上的缺陷进行识别，数据统计模块用于对验损模块识别出的缺陷种类进行统计。
CN202211417314.2A 2022-11-14 2022-11-14 一种基于神经网络的接触网缺陷验损方法及系统 Active CN115496750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211417314.2A CN115496750B (zh) 2022-11-14 2022-11-14 一种基于神经网络的接触网缺陷验损方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211417314.2A CN115496750B (zh) 2022-11-14 2022-11-14 一种基于神经网络的接触网缺陷验损方法及系统

Publications (2)

Publication Number Publication Date
CN115496750A true CN115496750A (zh) 2022-12-20
CN115496750B CN115496750B (zh) 2023-04-18

Family

ID=85115664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211417314.2A Active CN115496750B (zh) 2022-11-14 2022-11-14 一种基于神经网络的接触网缺陷验损方法及系统

Country Status (1)

Country Link
CN (1) CN115496750B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830012A (zh) * 2023-02-08 2023-03-21 诺比侃人工智能科技(成都)股份有限公司 一种接触网线索损伤数据检测分析方法
CN117030724A (zh) * 2023-10-09 2023-11-10 诺比侃人工智能科技(成都)股份有限公司 一种基于深度学习的多模态工业缺陷分析方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6064428A (en) * 1996-08-05 2000-05-16 National Railroad Passenger Corporation Automated track inspection vehicle and method
CN101762327A (zh) * 2010-01-14 2010-06-30 广州科易光电技术有限公司 电气化铁路接触网红外温度监测方法及系统
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
CN110588709A (zh) * 2019-09-10 2019-12-20 中国铁道科学研究院集团有限公司 铁道基础设施检测系统
US20200302592A1 (en) * 2019-03-21 2020-09-24 Rethink Technologies, Llc Method and apparatus for providing data and inspecting railroad track and key track components using a visual information system
CN114708319A (zh) * 2022-05-25 2022-07-05 深圳思谋信息科技有限公司 病害区域定位方法、装置、设备、存储介质和程序产品
CN115184922A (zh) * 2022-06-24 2022-10-14 中国铁道科学研究院集团有限公司 车载式隧道衬砌缺陷检测装置及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105652154B (zh) * 2016-01-25 2018-05-11 成都国铁电气设备有限公司 接触网运行状态安全监测分析系统
CN105674896B (zh) * 2016-01-29 2018-06-22 东莞市诺丽电子科技有限公司 基于三角测量的接触网几何参数动态检测方法
CN107154034B (zh) * 2016-03-03 2020-02-14 成都交大光芒科技股份有限公司 一种高铁接触网斜拉线定位钩的状态检测方法及系统
CN107578400B (zh) * 2017-07-26 2020-09-08 西南交通大学 一种bim和三维点云融合的接触网装置参数检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6064428A (en) * 1996-08-05 2000-05-16 National Railroad Passenger Corporation Automated track inspection vehicle and method
CN101762327A (zh) * 2010-01-14 2010-06-30 广州科易光电技术有限公司 电气化铁路接触网红外温度监测方法及系统
US20200302592A1 (en) * 2019-03-21 2020-09-24 Rethink Technologies, Llc Method and apparatus for providing data and inspecting railroad track and key track components using a visual information system
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
CN110588709A (zh) * 2019-09-10 2019-12-20 中国铁道科学研究院集团有限公司 铁道基础设施检测系统
CN114708319A (zh) * 2022-05-25 2022-07-05 深圳思谋信息科技有限公司 病害区域定位方法、装置、设备、存储介质和程序产品
CN115184922A (zh) * 2022-06-24 2022-10-14 中国铁道科学研究院集团有限公司 车载式隧道衬砌缺陷检测装置及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ACWARMING: "图像增强之频域滤波", 《HTTPS://WWW.CNBLOGS.COM/ACWARMING/P/16703376.HTML》 *
JUNPING ZHONG 等: "A CNN-Based Defect Inspection Method for Catenary Split Pins in High-Speed Railway", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 *
MICROSTRONG: "深度学习优化方法-AdaGrad", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/38298197》 *
余晓宁: "基于图像处理的接触网吊弦缺陷识别", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
朱玉欣: "图像增强算法综述", 《信息与电脑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830012A (zh) * 2023-02-08 2023-03-21 诺比侃人工智能科技(成都)股份有限公司 一种接触网线索损伤数据检测分析方法
CN117030724A (zh) * 2023-10-09 2023-11-10 诺比侃人工智能科技(成都)股份有限公司 一种基于深度学习的多模态工业缺陷分析方法及系统
CN117030724B (zh) * 2023-10-09 2023-12-08 诺比侃人工智能科技(成都)股份有限公司 一种基于深度学习的多模态工业缺陷分析方法及系统

Also Published As

Publication number Publication date
CN115496750B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN115496750B (zh) 一种基于神经网络的接触网缺陷验损方法及系统
CN108919367B (zh) 基于电流磁场的交流输电线路反演方法
CN110254468A (zh) 一种轨道表面缺陷智能在线检测装置及检测方法
CN109769116A (zh) 一种摄像机预置位校正方法及装置
CN107507174A (zh) 基于手持智能巡检的电厂仪表设备图像识别方法及系统
CN112215860A (zh) 一种基于图像处理的无人机定位方法
CN110298840A (zh) 一种基于图像的纱线缺陷检测方法
CN207473077U (zh) 一种基于图像识别技术的互感器校验系统
CN108269322A (zh) 一种巡检方法
CN106599890A (zh) 变电站巡检机器人数字式仪表识别算法
CN109255345A (zh) 一种基于卷积神经网络的电缆隧道铁锈识别方法
CN108229482B (zh) 燃气表的识别方法及系统
CN114693528A (zh) 无人机低空遥感图像拼接质量评估与降冗方法及系统
CN109855566A (zh) 一种槽孔特征的提取方法
CN116758425A (zh) 一种大基地光伏电站自动验收方法和装置
CN116631087A (zh) 一种基于无人机的电力巡检系统
CN107425523A (zh) 一种复杂电力系统运行误差识别与自动校正方法及系统
CN114199895B (zh) 一种电感缺陷视觉检测方法
CN117716702A (zh) 图像拍摄方法、装置与可移动平台
CN112950493B (zh) 轨道列车线阵相机图像畸变校正方法及装置
CN115525050A (zh) 一种基于移动巡检机器人的室内生产线巡检方法及装置
CN109493316A (zh) 基于相似性分析和特征增量学习的封箱机烟包缺条智能检测方法
CN212413758U (zh) 一种用于作物单株考种的表型测量仪
WO2021189429A1 (zh) 图像拍摄方法、装置、可移动平台和存储介质
CN107703147A (zh) 一种用于电缆绞线质量检测的标记定位装置

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
CB02 Change of applicant information

Address after: 610015 No. 1534, floor 15, building 1, No. 88, Guanghua South Third Road, Qingyang District, Chengdu, Sichuan Province

Applicant after: Nobicam Artificial Intelligence Technology (Chengdu) Co.,Ltd.

Address before: 610014 no.1534, 15th floor, building 1, No.88, Guanghua South Third Road, Qingyang District, Chengdu, Sichuan Province

Applicant before: CHENGDU NUOBIKAN TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant