CN115830012A - 一种接触网线索损伤数据检测分析方法 - Google Patents

一种接触网线索损伤数据检测分析方法 Download PDF

Info

Publication number
CN115830012A
CN115830012A CN202310076825.0A CN202310076825A CN115830012A CN 115830012 A CN115830012 A CN 115830012A CN 202310076825 A CN202310076825 A CN 202310076825A CN 115830012 A CN115830012 A CN 115830012A
Authority
CN
China
Prior art keywords
damage
line
environmental
occurrence rate
characteristic
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
CN202310076825.0A
Other languages
English (en)
Other versions
CN115830012B (zh
Inventor
林仁辉
苏茂才
李珂
唐泰可
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.)
Nobicam Artificial Intelligence Technology Chengdu Co ltd
Original Assignee
Nobicam Artificial Intelligence Technology Chengdu 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 Nobicam Artificial Intelligence Technology Chengdu Co ltd filed Critical Nobicam Artificial Intelligence Technology Chengdu Co ltd
Priority to CN202310076825.0A priority Critical patent/CN115830012B/zh
Publication of CN115830012A publication Critical patent/CN115830012A/zh
Application granted granted Critical
Publication of CN115830012B publication Critical patent/CN115830012B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Image Analysis (AREA)

Abstract

本发明公开了一种接触网线索损伤数据检测分析方法，包括以下步骤：步骤S1、利用线路特征、环境特征和损伤发生率构建出损伤发生率测算模型；步骤S2、利用损伤发生率测算模型对接触网各个线路位置在各个环境特征下的损伤发生率进行测算，并将每个线路位置在各个环境特征下的损伤发生率作为每个线路位置的损伤检测频率的制定指标。本发明构建出损伤发生率测算模型，并利用损伤发生率测算模型对接触网各个线路位置在各个环境特征下的损伤发生率进行测算，并将每个线路位置在各个环境特征下的损伤发生率作为每个线路位置的损伤检测频率的制定指标，实现对线路位置的定制化检测降低数据量冗余性。

Description

一种接触网线索损伤数据检测分析方法
技术领域
本发明涉及接触网验损技术领域，具体涉及一种接触网线索损伤数据检测分析方法。
背景技术
接触网承力索交叉是接触网的一种常见结构。《接触网运行检修规程》铁运2007169号文件第76条对接触网线索交叉有如下规定：极限条件下，交叉跨越线索间距不足200mm的处所应加装等位线。等位线应与被连接的线索材质相同，截面积不少于10mm2.。目前，由于设计结构缺陷，运行接触网设备存在大量承力索交叉情况，且多处承力索间距不足200mm，导致存在多种线损损伤的安全隐患。
现有技术通常是根据是定期拍摄接触网各个位置处的图像，通过图像检测识别该位置处是否出现损伤缺陷，但是对各个位置无差别的定期限拍摄，会导致损伤事件发生率高和损伤事件发生率低的线路位置获得同样的拍摄数量，但损伤事件发生率低的线路位置属于小概率事件，不常发生，因此与损伤事件发生率高的线路位置以同期限拍摄，其中存在大量的无效拍摄图像，图像数据量的冗余，导致运算资源的占用，降低检测效果。
发明内容
本发明的目的在于提供一种接触网线索损伤数据检测分析方法，以解决现有技术中存在大量的无效拍摄图像，图像数据量的冗余，导致运算资源的占用，降低检测效果的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种接触网线索损伤数据检测分析方法，包括以下步骤：
步骤S1、在记载接触网线索损伤事件的损伤事件日志中提取出各个线索损伤事件发生位置的线路特征、环境特征，并量化出每个线路特征在各个环境特征下的损伤发生率，利用线路特征、环境特征和损伤发生率构建出损伤发生率测算模型；
步骤S2、利用损伤发生率测算模型对接触网各个线路位置在各个环境特征下的损伤发生率进行测算，并将每个线路位置在各个环境特征下的损伤发生率作为每个线路位置的损伤检测频率的制定指标，以实现对线路位置的定制化检测降低数据量冗余性，所述损伤检测频率为拍摄线路位置的损伤检测图像的拍摄频率；
步骤S3、依据损伤检测频率获得线路位置的损伤检测图像，将损伤检测图像输入至预先建立的损伤事件识别模型中判定线路位置的损伤事件发生与否，以实现对线路位置的损伤事件的自动化识别。
作为本发明的一种优选方案，所述在记载接触网线索损伤事件的损伤事件日志中提取出各个线索损伤事件发生位置的线路特征、环境特征，包括：
将各个线索事件发生位置在线索损伤事件发生前的接触网线路数据与各个线索事件发生位置在线索损伤事件发生后的接触网线路数据进行组合得到线路组合数据，并基于线路组合数据进行主成分分析得到接触网线路数据中各个数据项的贡献值，筛选出贡献值高于预设贡献阈值的数据项作为描述线路特征的特征数据项；
将各个线索事件发生位置在线索损伤事件发生前的接触网外部环境数据与各个线索事件发生位置在线索损伤事件发生后的接触网外部环境数据进行组合得到环境组合数据，并基于环境组合数据进行主成分分析得到接触网外部环境数据中各个数据项的贡献值，筛选出贡献值高于预设贡献阈值的数据项作为描述环境特征的特征数据项。
作为本发明的一种优选方案，所述量化出每个线路特征在各个环境特征下的损伤发生率，包括：
依次统计每个线路特征对应的发生位置在损伤事件日志中各个环境特征下的损伤事件发生次数与每个线路特征对应的发生位置在损伤事件检测次数的比值作为每个线路特征在各个环境特征下的损伤发生率；
所述损伤发生率的计算公式为：
P ij =N ij /N i ；
式中，P ij 为第i个线路特征在第j个环境特征下的损伤发生率，N ij 为第i个线路特征对应的发生位置在损伤事件日志中第j个环境特征下的损伤事件发生次数，N i 为第i个线路特征对应的发生位置在损伤事件检测次数，i，j为计量常数。
作为本发明的一种优选方案，所述利用线路特征、环境特征和损伤发生率构建出损伤发生率测算模型，包括：
将所述线路特征、环境特征作为BP神经网络的输入项，将所述线路特征、环境特征对应的损伤发生率作为BP神经网络的输出项，利用所述BP神经网络对BP神经网络的输入项和BP神经网络的输出项进行卷积训练得到表征线路特征、环境特征和损伤发生率映射关系的损伤发生率测算模型；
所述损伤发生率测算模型的模型表达式：
[P]=BP([S,V])；
式中，P为损伤发生率，S，V分别为线路特征，环境特征，BP为BP神经网络，[]为BP神经网络的输入项和输出项的形式标识符，无实质含义。
作为本发明的一种优选方案，所述利用损伤发生率测算模型对接触网各个线路位置在各个环境特征下的损伤发生率进行测算，包括：
获取接触网的各个线路位置的线路特征，并将所述线路特征与各个环境特征进行一一组合带入至损伤发生率测算模型中测算出各个线路位置在各个环境特征下的损伤发生率。
作为本发明的一种优选方案，所述将每个线路位置在各个环境特征下的损伤发生率作为每个线路位置的损伤检测频率的制定指标，包括：
若线路位置在环境特征下的损伤发生率高于预设发生率，则将对应线路在对应环境特征下的损伤检测频率设定为：fj=f0*(K+Pj)；
若线路位置在环境特征下的损伤发生率低于或等于预设发生率，则将对应线路在对应环境特征下的损伤检测频率设定为：fj=f0；
式中，fj为线路位置在第j个环境特征下的损伤检测频率，f0为常规损伤检测频率，K为倍增系数，K≥1，Pj为线路位置在第j个环境特征下的损伤发生率。
作为本发明的一种优选方案，所述依据损伤检测频率获得线路位置的损伤检测图像，包括：
在每个线路位置处实时监测线路位置的环境特征，并根据环境特征确定出线路位置的损伤检测频率；
依据线路位置的损伤检测频率拍摄得到线路位置的损伤检测图像。
作为本发明的一种优选方案，所述将损伤检测图像输入至预先建立的损伤事件识别模型中判定线路位置的损伤事件发生与否，包括：
将线路位置的损伤检测图像输入至损伤事件识别模型中，由损伤事件识别模型输出线路位置损伤事件的发生结果；
所述损伤事件识别模型由神经网络基于海量损伤检测图像样本训练而成。
作为本发明的一种优选方案，每个环境特征和每个线路特征中均包括多个特征分量，并将多个特征分量进行归一化处理。
作为本发明的一种优选方案，所述损伤检测图像均进行图像预处理为同一规格的图像形式。
本发明与现有技术相比较具有如下有益效果：
本发明构建出损伤发生率测算模型，并利用损伤发生率测算模型对接触网各个线路位置在各个环境特征下的损伤发生率进行测算，并将每个线路位置在各个环境特征下的损伤发生率作为每个线路位置的损伤检测频率的制定指标，实现对线路位置的定制化检测降低数据量冗余性，依据损伤检测频率获得线路位置的损伤检测图像，将损伤检测图像输入至预先建立的损伤事件识别模型中判定线路位置的损伤事件发生与否，以实现对线路位置的损伤事件的自动化识别。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的接触网线索损伤数据检测分析方法流程图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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，都属于本发明保护的范围。
如图1所示，本发明提供了一种接触网线索损伤数据检测分析方法，包括以下步骤：
步骤S1、在记载接触网线索损伤事件的损伤事件日志中提取出各个线索损伤事件发生位置的线路特征、环境特征，并量化出每个线路特征在各个环境特征下的损伤发生率，利用线路特征、环境特征和损伤发生率构建出损伤发生率测算模型；
在记载接触网线索损伤事件的损伤事件日志中提取出各个线索损伤事件发生位置的线路特征、环境特征，包括：
将各个线索事件发生位置在线索损伤事件发生前的接触网线路数据与各个线索事件发生位置在线索损伤事件发生后的接触网线路数据进行组合得到线路组合数据，并基于线路组合数据进行主成分分析得到接触网线路数据中各个数据项的贡献值，筛选出贡献值高于预设贡献阈值的数据项作为描述线路特征的特征数据项；
将各个线索事件发生位置在线索损伤事件发生前的接触网外部环境数据与各个线索事件发生位置在线索损伤事件发生后的接触网外部环境数据进行组合得到环境组合数据，并基于环境组合数据进行主成分分析得到接触网外部环境数据中各个数据项的贡献值，筛选出贡献值高于预设贡献阈值的数据项作为描述环境特征的特征数据项。
量化出每个线路特征在各个环境特征下的损伤发生率，包括：
依次统计每个线路特征对应的发生位置在损伤事件日志中各个环境特征下的损伤事件发生次数与每个线路特征对应的发生位置在损伤事件检测次数的比值作为每个线路特征在各个环境特征下的损伤发生率；
损伤发生率的计算公式为：
P ij =N ij /N i ；
式中，P ij 为第i个线路特征在第j个环境特征下的损伤发生率，N ij 为第i个线路特征对应的发生位置在损伤事件日志中第j个环境特征下的损伤事件发生次数，N i 为第i个线路特征对应的发生位置在损伤事件检测次数，i，j为计量常数。
利用线路特征、环境特征和损伤发生率构建出损伤发生率测算模型，包括：
将线路特征、环境特征作为BP神经网络的输入项，将线路特征、环境特征对应的损伤发生率作为BP神经网络的输出项，利用BP神经网络对BP神经网络的输入项和BP神经网络的输出项进行卷积训练得到表征线路特征、环境特征和损伤发生率映射关系的损伤发生率测算模型；
损伤发生率测算模型的模型表达式：
[P]=BP([S,V])；
式中，P为损伤发生率，S，V分别为线路特征，环境特征，BP为BP神经网络，[]为BP神经网络的输入项和输出项的形式标识符，无实质含义。
线路位置由于线路结构、材料特征、支撑特征、功能特征的不同，以及在不同的地质环境、气候环境中损伤事件发生频率各不相同，本实施例利用神经网络建立表征线路特征、环境特征和损伤发生率映射关系的损伤发生率测算模型，可以实现根据线路位置的线路特征、环境特征对该线路位置的损伤事件发生率进行测算，其中，高损伤事件发生率的线路位置，对应着线路位置发生损伤事件的可能性高，低损伤事件发生率的线路位置，对应着线路位置发生损伤事件的可能性低。
线路特征包括线路结构、材料特征、支撑特征和功能特征等，环境特征包括地质特征和气候特征等，可根据实际情况进行添加。
步骤S2、利用损伤发生率测算模型对接触网各个线路位置在各个环境特征下的损伤发生率进行测算，并将每个线路位置在各个环境特征下的损伤发生率作为每个线路位置的损伤检测频率的制定指标，以实现对线路位置的定制化检测降低数据量冗余性，损伤检测频率为拍摄线路位置的损伤检测图像的拍摄频率；
利用损伤发生率测算模型对接触网各个线路位置在各个环境特征下的损伤发生率进行测算，包括：
获取接触网的各个线路位置的线路特征，并将线路特征与各个环境特征进行一一组合带入至损伤发生率测算模型中测算出各个线路位置在各个环境特征下的损伤发生率。
将每个线路位置在各个环境特征下的损伤发生率作为每个线路位置的损伤检测频率的制定指标，包括：
若线路位置在环境特征下的损伤发生率高于预设发生率，则将对应线路在对应环境特征下的损伤检测频率设定为：fj=f0*(K+Pj)；
若线路位置在环境特征下的损伤发生率低于或等于预设发生率，则将对应线路在对应环境特征下的损伤检测频率设定为：fj=f0；
式中，fj为线路位置在第j个环境特征下的损伤检测频率，f0为常规损伤检测频率，K为倍增系数，K≥1，Pj为线路位置在第j个环境特征下的损伤发生率。
本实施例将损伤发生率作为损伤检测频率的制定指标，其中，线路位置的损伤发生率越高，则线路位置发生损伤事件的可能性也越高，对该线路位置应当给予更为密切的关注，因此将损伤检测频率在常规损伤检测频率基础上进行倍增提高，使得损伤发生率越高，该线路位置的损伤检测频率越高，比如：常规损伤检测频率为5次/天，获得5张损伤检测图像，Pj小于或等于预设发生率，则该线路位置在第j个环境特征下的损伤检测频率为5次/天，当K=1时，Pj=0.8且大于预设发生率，则该线路位置在第j个环境特征下的损伤检测频率为9次/天，获得9张损伤检测图像，检测频率的提高，更频繁的对该线路位置进行损伤检测，能够更早更快的发现出线路位置的损伤事件。
在实际使用中可以将常规损伤检测频率设定的较低，然后使得发生损伤事件可能性低的线路位置获取的检测图像数量少，而损伤发生率高的线路位置对损伤检测频率进行提高，从而获得的检测图像数量多，保证损伤发生率高的线路位置识别损伤事件的高时效性，同时降低损伤发生率低的线路位置识别损伤事件的低数据冗余性，实现了检测资源的合理配置。
步骤S3、依据损伤检测频率获得线路位置的损伤检测图像，将损伤检测图像输入至预先建立的损伤事件识别模型中判定线路位置的损伤事件发生与否，以实现对线路位置的损伤事件的自动化识别。
在接触网缺陷识别这一应用场景下，一方面面是海量的图片数据另一方面缺陷的种类缺失相对固定不变的。这就为神经网络的应用提供了很好的应用环境。神经网络是具有自主知识产权人工智能技术，是将接触网的缺陷规范和人工智能结合的产物，它能智能识别图片中的损伤信息。
依据损伤检测频率获得线路位置的损伤检测图像，包括：
在每个线路位置处实时监测线路位置的环境特征，并根据环境特征确定出线路位置的损伤检测频率；
依据线路位置的损伤检测频率拍摄得到线路位置的损伤检测图像。
将损伤检测图像输入至预先建立的损伤事件识别模型中判定线路位置的损伤事件发生与否，包括：
将线路位置的损伤检测图像输入至损伤事件识别模型中，由损伤事件识别模型输出线路位置损伤事件的发生结果；
损伤事件识别模型由神经网络基于海量损伤检测图像样本训练而成。
每个环境特征和每个线路特征中均包括多个特征分量，并将多个特征分量进行归一化处理。
损伤检测图像均进行图像预处理为同一规格的图像形式。
本发明构建出损伤发生率测算模型，并利用损伤发生率测算模型对接触网各个线路位置在各个环境特征下的损伤发生率进行测算，并将每个线路位置在各个环境特征下的损伤发生率作为每个线路位置的损伤检测频率的制定指标，实现对线路位置的定制化检测降低数据量冗余性，依据损伤检测频率获得线路位置的损伤检测图像，将损伤检测图像输入至预先建立的损伤事件识别模型中判定线路位置的损伤事件发生与否，以实现对线路位置的损伤事件的自动化识别。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种接触网线索损伤数据检测分析方法，其特征在于，包括以下步骤：
步骤S1、在记载接触网线索损伤事件的损伤事件日志中提取出各个线索损伤事件发生位置的线路特征、环境特征，并量化出每个线路特征在各个环境特征下的损伤发生率，利用线路特征、环境特征和损伤发生率构建出损伤发生率测算模型；
步骤S2、利用损伤发生率测算模型对接触网各个线路位置在各个环境特征下的损伤发生率进行测算，并将每个线路位置在各个环境特征下的损伤发生率作为每个线路位置的损伤检测频率的制定指标，以实现对线路位置的定制化检测降低数据量冗余性，所述损伤检测频率为拍摄线路位置的损伤检测图像的拍摄频率；
步骤S3、依据损伤检测频率获得线路位置的损伤检测图像，将损伤检测图像输入至预先建立的损伤事件识别模型中判定线路位置的损伤事件发生与否，以实现对线路位置的损伤事件的自动化识别。
2.根据权利要求1所述的一种接触网线索损伤数据检测分析方法，其特征在于：所述在记载接触网线索损伤事件的损伤事件日志中提取出各个线索损伤事件发生位置的线路特征、环境特征，包括：
将各个线索事件发生位置在线索损伤事件发生前的接触网线路数据与各个线索事件发生位置在线索损伤事件发生后的接触网线路数据进行组合得到线路组合数据，并基于线路组合数据进行主成分分析得到接触网线路数据中各个数据项的贡献值，筛选出贡献值高于预设贡献阈值的数据项作为描述线路特征的特征数据项；
将各个线索事件发生位置在线索损伤事件发生前的接触网外部环境数据与各个线索事件发生位置在线索损伤事件发生后的接触网外部环境数据进行组合得到环境组合数据，并基于环境组合数据进行主成分分析得到接触网外部环境数据中各个数据项的贡献值，筛选出贡献值高于预设贡献阈值的数据项作为描述环境特征的特征数据项。
3.根据权利要求2所述的一种接触网线索损伤数据检测分析方法，其特征在于：所述量化出每个线路特征在各个环境特征下的损伤发生率，包括：
依次统计每个线路特征对应的发生位置在损伤事件日志中各个环境特征下的损伤事件发生次数与每个线路特征对应的发生位置在损伤事件检测次数的比值作为每个线路特征在各个环境特征下的损伤发生率；
所述损伤发生率的计算公式为：
P ij =N ij /N i ；
式中，P ij 为第i个线路特征在第j个环境特征下的损伤发生率，N ij 为第i个线路特征对应的发生位置在损伤事件日志中第j个环境特征下的损伤事件发生次数，N i 为第i个线路特征对应的发生位置在损伤事件检测次数，i，j为计量常数。
4.根据权利要求3所述的一种接触网线索损伤数据检测分析方法，其特征在于：所述利用线路特征、环境特征和损伤发生率构建出损伤发生率测算模型，包括：
将所述线路特征、环境特征作为BP神经网络的输入项，将所述线路特征、环境特征对应的损伤发生率作为BP神经网络的输出项，利用所述BP神经网络对BP神经网络的输入项和BP神经网络的输出项进行卷积训练得到表征线路特征、环境特征和损伤发生率映射关系的损伤发生率测算模型；
所述损伤发生率测算模型的模型表达式：
[P]=BP([S,V])；
式中，P为损伤发生率，S，V分别为线路特征，环境特征，BP为BP神经网络，[]为BP神经网络的输入项和输出项的形式标识符，无实质含义。
5.根据权利要求4所述的一种接触网线索损伤数据检测分析方法，其特征在于：所述利用损伤发生率测算模型对接触网各个线路位置在各个环境特征下的损伤发生率进行测算，包括：
获取接触网的各个线路位置的线路特征，并将所述线路特征与各个环境特征进行一一组合带入至损伤发生率测算模型中测算出各个线路位置在各个环境特征下的损伤发生率。
6.根据权利要求5所述的一种接触网线索损伤数据检测分析方法，其特征在于：所述将每个线路位置在各个环境特征下的损伤发生率作为每个线路位置的损伤检测频率的制定指标，包括：
若线路位置在环境特征下的损伤发生率高于预设发生率，则将对应线路在对应环境特征下的损伤检测频率设定为：fj=f0*(K+Pj)；
若线路位置在环境特征下的损伤发生率低于或等于预设发生率，则将对应线路在对应环境特征下的损伤检测频率设定为：fj=f0；
式中，fj为线路位置在第j个环境特征下的损伤检测频率，f0为常规损伤检测频率，K为倍增系数，K≥1，Pj为线路位置在第j个环境特征下的损伤发生率。
7.根据权利要求6所述的一种接触网线索损伤数据检测分析方法，其特征在于，所述依据损伤检测频率获得线路位置的损伤检测图像，包括：
在每个线路位置处实时监测线路位置的环境特征，并根据环境特征确定出线路位置的损伤检测频率；
依据线路位置的损伤检测频率拍摄得到线路位置的损伤检测图像。
8.根据权利要求7所述的一种接触网线索损伤数据检测分析方法，其特征在于，所述将损伤检测图像输入至预先建立的损伤事件识别模型中判定线路位置的损伤事件发生与否，包括：
将线路位置的损伤检测图像输入至损伤事件识别模型中，由损伤事件识别模型输出线路位置损伤事件的发生结果；
所述损伤事件识别模型由神经网络基于海量损伤检测图像样本训练而成。
9.根据权利要求8所述的一种接触网线索损伤数据检测分析方法，其特征在于，每个环境特征和每个线路特征中均包括多个特征分量，并将多个特征分量进行归一化处理。
10.根据权利要求9所述的一种接触网线索损伤数据检测分析方法，其特征在于，所述损伤检测图像均进行图像预处理为同一规格的图像形式。
CN202310076825.0A 2023-02-08 2023-02-08 一种接触网线索损伤数据检测分析方法 Active CN115830012B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310076825.0A CN115830012B (zh) 2023-02-08 2023-02-08 一种接触网线索损伤数据检测分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310076825.0A CN115830012B (zh) 2023-02-08 2023-02-08 一种接触网线索损伤数据检测分析方法

Publications (2)

Publication Number Publication Date
CN115830012A true CN115830012A (zh) 2023-03-21
CN115830012B CN115830012B (zh) 2023-05-02

Family

ID=85520833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310076825.0A Active CN115830012B (zh) 2023-02-08 2023-02-08 一种接触网线索损伤数据检测分析方法

Country Status (1)

Country Link
CN (1) CN115830012B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830012B (zh) * 2023-02-08 2023-05-02 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

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017215777A2 (de) * 2016-06-13 2017-12-21 Plasser & Theurer Export Von Bahnbaumaschinen Gesellschaft M.B.H. Verfahren und system zur instandhaltung eines fahrweges für schienenfahrzeuge
US20180068495A1 (en) * 2016-09-06 2018-03-08 International Business Machines Corporation Detection of road surface defects
CN108257122A (zh) * 2018-01-09 2018-07-06 北京百度网讯科技有限公司 基于机器视觉的纸张缺陷检测方法、装置及服务器
CN108898274A (zh) * 2018-05-30 2018-11-27 国网浙江省电力有限公司宁波供电公司 一种电力调度日志缺陷分类方法
US20180342050A1 (en) * 2016-04-28 2018-11-29 Yougetitback Limited System and method for detection of mobile device fault conditions
CN109325263A (zh) * 2018-08-27 2019-02-12 武汉理工大学 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法
CN109917213A (zh) * 2019-04-09 2019-06-21 湘潭大学 一种基于降维融合与因子分析的接触网检测故障预警方法
CN111881198A (zh) * 2020-07-10 2020-11-03 中铁第四勘察设计院集团有限公司 一种面向智能建造的接触网工地管理系统
EP3789826A1 (en) * 2019-09-05 2021-03-10 ASML Netherlands B.V. Method for determining defectiveness of pattern based on after development image
CN114187441A (zh) * 2021-12-08 2022-03-15 深圳市商汤科技有限公司 接触网部件缺陷检测方法、装置、电子设备及存储介质
CN114202540A (zh) * 2022-02-17 2022-03-18 中铁电气化局集团有限公司 高铁接触网开口销缺陷的智能检测方法
CN114359193A (zh) * 2021-12-23 2022-04-15 华中科技大学 一种基于超声相控阵成像的缺陷分类方法及系统
CN115359307A (zh) * 2022-10-24 2022-11-18 成都诺比侃科技有限公司 一种基于大数据的接触网验损缺陷数据管理方法及系统
CN115469177A (zh) * 2022-08-04 2022-12-13 珠海许继芝电网自动化有限公司 一种线路故障定位方法、系统、装置及存储介质
CN115496750A (zh) * 2022-11-14 2022-12-20 成都诺比侃科技有限公司 一种基于神经网络的接触网缺陷验损方法及系统
CN218276763U (zh) * 2022-08-10 2023-01-10 中铁电气化勘测设计研究院有限公司 基于工业互联网技术的接触网故障预测与健康管理系统
WO2023281354A1 (en) * 2021-07-05 2023-01-12 Cicsa S.R.L. Conveyor system with system for detecting the state of wear and tear and/or defects and respective method

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830012B (zh) * 2023-02-08 2023-05-02 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

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180342050A1 (en) * 2016-04-28 2018-11-29 Yougetitback Limited System and method for detection of mobile device fault conditions
WO2017215777A2 (de) * 2016-06-13 2017-12-21 Plasser & Theurer Export Von Bahnbaumaschinen Gesellschaft M.B.H. Verfahren und system zur instandhaltung eines fahrweges für schienenfahrzeuge
US20180068495A1 (en) * 2016-09-06 2018-03-08 International Business Machines Corporation Detection of road surface defects
CN108257122A (zh) * 2018-01-09 2018-07-06 北京百度网讯科技有限公司 基于机器视觉的纸张缺陷检测方法、装置及服务器
CN108898274A (zh) * 2018-05-30 2018-11-27 国网浙江省电力有限公司宁波供电公司 一种电力调度日志缺陷分类方法
CN109325263A (zh) * 2018-08-27 2019-02-12 武汉理工大学 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法
CN109917213A (zh) * 2019-04-09 2019-06-21 湘潭大学 一种基于降维融合与因子分析的接触网检测故障预警方法
EP3789826A1 (en) * 2019-09-05 2021-03-10 ASML Netherlands B.V. Method for determining defectiveness of pattern based on after development image
CN111881198A (zh) * 2020-07-10 2020-11-03 中铁第四勘察设计院集团有限公司 一种面向智能建造的接触网工地管理系统
WO2023281354A1 (en) * 2021-07-05 2023-01-12 Cicsa S.R.L. Conveyor system with system for detecting the state of wear and tear and/or defects and respective method
CN114187441A (zh) * 2021-12-08 2022-03-15 深圳市商汤科技有限公司 接触网部件缺陷检测方法、装置、电子设备及存储介质
CN114359193A (zh) * 2021-12-23 2022-04-15 华中科技大学 一种基于超声相控阵成像的缺陷分类方法及系统
CN114202540A (zh) * 2022-02-17 2022-03-18 中铁电气化局集团有限公司 高铁接触网开口销缺陷的智能检测方法
CN115469177A (zh) * 2022-08-04 2022-12-13 珠海许继芝电网自动化有限公司 一种线路故障定位方法、系统、装置及存储介质
CN218276763U (zh) * 2022-08-10 2023-01-10 中铁电气化勘测设计研究院有限公司 基于工业互联网技术的接触网故障预测与健康管理系统
CN115359307A (zh) * 2022-10-24 2022-11-18 成都诺比侃科技有限公司 一种基于大数据的接触网验损缺陷数据管理方法及系统
CN115496750A (zh) * 2022-11-14 2022-12-20 成都诺比侃科技有限公司 一种基于神经网络的接触网缺陷验损方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王玉生等: ""吊弦钳压管处损伤仿真分析与实验研究"" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830012B (zh) * 2023-02-08 2023-05-02 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

Also Published As

Publication number Publication date
CN115830012B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN110047095B (zh) 基于目标检测的跟踪方法、装置及终端设备
CN111368980B (zh) 状态检测方法、装置、设备及存储介质
CN113267828A (zh) 一种信息关联方法、装置、安检设备及存储介质
CN111738120B (zh) 人物识别方法、装置、电子设备及存储介质
CN103136763A (zh) 用于检测视频序列异常段落的电子装置及其方法
CN110796053B (zh) 视频检测方法、装置、电子设备及计算机可读存储介质
CN115830012A (zh) 一种接触网线索损伤数据检测分析方法
CN106327230B (zh) 一种异常用户检测方法及设备
CN115359307B (zh) 一种基于大数据的接触网验损缺陷数据管理方法及系统
KR20090006397A (ko) 동영상 유통 환경에서 유해 동영상의 다단계 차단 시스템및 방법
CN110187206B (zh) 一种复杂工况下非高斯过程的悬浮系统的故障检测方法
CN115861210A (zh) 一种基于孪生网络的变电站设备异常检测方法和系统
CN115131695A (zh) 视频检测模型的训练方法、视频检测方法及装置
CN112153320B (zh) 一种物品尺寸的测量方法、装置、电子设备和存储介质
CN114168788A (zh) 音频审核的处理方法、装置、设备及存储介质
CN116580330A (zh) 一种基于双流网络的机考异常行为检测方法
CN113487620A (zh) 一种铁路绝缘节检测方法及装置
CN111695501B (zh) 一种基于操作系统内核调用数据的设备软故障检测方法
CN113538411A (zh) 一种绝缘子缺陷检测方法及装置
CN112732773A (zh) 一种继电保护缺陷数据的唯一性校核方法及系统
CN116432183B (zh) 一种智慧地铁综合监控系统及方法
CN113270113B (zh) 一种声音信号混杂度的识别方法及系统
CN115578359B (zh) 一种基于生成对抗网络与无缺陷图像度量的少样本缺陷检测方法、系统、装置以及存储介质
JP3088654B2 (ja) 画質測定方法
CN117014652A (zh) 卡顿视频帧的定位方法和装置、存储介质及电子设备

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