CN115993091A - 接触网拉出值检测方法及装置 - Google Patents
接触网拉出值检测方法及装置 Download PDFInfo
- Publication number
- CN115993091A CN115993091A CN202111211506.3A CN202111211506A CN115993091A CN 115993091 A CN115993091 A CN 115993091A CN 202111211506 A CN202111211506 A CN 202111211506A CN 115993091 A CN115993091 A CN 115993091A
- Authority
- CN
- China
- Prior art keywords
- contact point
- pull
- value
- contact
- out value
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 27
- 238000002372 labelling Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000009432 framing Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请提供了一种接触网拉出值检测方法及装置,所述方法包括:在轨道车辆运行状态下,获取轨道车辆车顶的监控图像;将监控图像输入接触点检测模型,通过接触点检测模型确定受电弓和接触网的接触点的一维坐标;根据拉出值真值数据库中接触点的一维坐标和接触网拉出值的对应关系,确定接触点对应的接触网拉出值。解决了相关技术中轨道交通领域检测接触网拉出值时硬件要求极高、资源消耗极大的问题。
Description
技术领域
本申请涉及弓网检测技术领域,具体而言,涉及一种接触网拉出值检测方法及装置。
背景技术
在电气化城市轨道交通系统中,地铁列车通过其顶部的受电弓与接触网导线间的滑动接触来获取运行所需电流,接触网拉出值是弓网运行时的重要监测对象,它反应了列车运行时不间断受流的重要标志,当前主要存在的技术手段是基于线激光视觉测量方法,该方法测量精度较高,但在实时检测的过程中所需的数据量较大,对设备的硬件要求极高,资源消耗极大,在列车高速动态的测量中存在一定的局限性。
针对相关技术中,轨道交通领域检测接触网拉出值时硬件要求极高、资源消耗极大的问题,目前尚未有有效的解决办法。
发明内容
本申请实施例提供了一种接触网拉出值检测方法及装置,以至少解决相关技术中轨道交通领域检测接触网拉出值时硬件要求极高、资源消耗极大的问题。
根据本申请的一个实施例,提供了一种接触网拉出值检测方法,包括:在轨道车辆运行状态下,获取所述轨道车辆车顶的监控图像,其中,所述监控图像包括受电弓和接触网的接触画面;将所述监控图像输入接触点检测模型,通过所述接触点检测模型确定所述受电弓和所述接触网的接触点的一维坐标,其中,所述接触点检测模型为使用样本数据训练的神经网络模型,所述样本数据包括在轨道车辆运行状态下获取的所述受电弓和所述接触网结合处的图像数据以及对应的标注结果;根据拉出值真值数据库中所述接触点的一维坐标和接触网拉出值的对应关系,确定所述接触点对应的接触网拉出值,其中,所述拉出值真值数据库中包含,根据采集所述监控图像的相机的像素值确定的所述接触点的一维坐标和所述接触网拉出值的映射关系。
可选地,所述将所述监控图像输入接触点检测模型之前,所述方法还包括:在轨道车辆运行状态下,获取受电弓和接触网结合处的样本视频数据;对所述样本视频数据进行离线分帧处理,得到逐帧的样本图像数据库;在所述样本图像数据库中的样本图像数据中标注出以接触点为中心的包围框,得到所述样本图像数据的标注结果;将所述样本图像数据和对应的所述标注结果生成样本标注数据集;使用所述样本标准数据集训练初始接触点检测模型,得到所述接触点检测模型。
可选地,所述使用所述样本标准数据集训练初始接触点检测模型,得到所述接触点检测模型,包括:对所述样本图像数据中所述受电弓的滑板的运动轨迹进行训练,并以所述滑板中心线标点作为初始值“0”,以所述滑板中心线左侧为负值,右侧为正值,将训练的结果记录成所述接触点的一维坐标点云数据Qi={x1,x2,.....,xi},其中,xi代表第i个所述接触点的一维坐标数据。
可选地,在根据拉出值真值数据库中所述接触点的一维坐标和接触网拉出值的对应关系,确定所述接触点对应的接触网拉出值之前,所述方法还包括:根据所述接触点的一维坐标点云数据Qi,建立所述拉出值真值数据库。
可选地,所述根据所述接触点的一维坐标点云数据Qi,建立所述拉出值真值数据库,包括:根据采集所述样本视频数据的相机像素值和实际对应的所述接触点拉出值做映射计算,得到所述拉出值真值数据库Zi=λ{x1,x2,.....,xi},其中,λ为映射系数,表示所述相机像素值与所述接触点拉出值之间的映射关系。
根据本申请的一个实施例,还提供了一种接触网拉出值检测装置,包括:第一获取模块,配置为在轨道车辆运行状态下,获取所述轨道车辆车顶的监控图像,其中,所述监控图像包括受电弓和接触网的接触画面;第一确定模块,配置为将所述监控图像输入接触点检测模型,通过所述接触点检测模型确定所述受电弓和所述接触网的接触点的一维坐标,其中,所述接触点检测模型为使用样本数据训练的神经网络模型,所述样本数据包括在轨道车辆运行状态下获取的所述受电弓和所述接触网结合处的图像数据以及对应的标注结果;第二确定模块,配置为根据拉出值真值数据库中所述接触点的一维坐标和接触网拉出值的对应关系,确定所述接触点对应的接触网拉出值,其中,所述拉出值真值数据库中包含,根据采集所述监控图像的相机的像素值确定的所述接触点的一维坐标和所述接触网拉出值的映射关系。
可选地,所述装置还包括:第二获取模块,配置为在轨道车辆运行状态下,获取受电弓和接触网结合处的样本视频数据;分帧模块,配置为对所述样本视频数据进行离线分帧处理,得到逐帧的样本图像数据库;标注模块,配置为在所述样本图像数据库中的样本图像数据中标注出以接触点为中心的包围框,得到所述样本图像数据的标注结果;生成模块,配置为将所述样本图像数据和对应的所述标注结果生成样本标注数据集;训练模块,配置为使用所述样本标准数据集训练初始接触点检测模型,得到所述接触点检测模型。
可选地,所述训练模块包括:训练单元,配置为对所述样本图像数据中所述受电弓的滑板的运动轨迹进行训练,并以所述滑板中心线标点作为初始值“0”,以所述滑板中心线左侧为负值,右侧为正值,将训练的结果记录成所述接触点的一维坐标点云数据Qi={x1,x2,.....,xi},其中,xi代表第i个所述接触点的一维坐标数据。
可选地,所述装置还包括:建立模块,配置为根据所述接触点的一维坐标点云数据Qi,建立所述拉出值真值数据库。
可选地,所述建立模块包括:计算单元,配置为根据采集所述样本视频数据的相机像素值和实际对应的所述接触点拉出值做映射计算,得到所述拉出值真值数据库Zi=λ{x1,x2,.....,xi},其中,λ为映射系数,表示所述相机像素值与所述接触点拉出值之间的映射关系。
通过本申请实施例,提供了一种接触网拉出值检测方法,包括在轨道车辆运行状态下,获取轨道车辆车顶的监控图像;将监控图像输入接触点检测模型,通过接触点检测模型确定受电弓和接触网的接触点的一维坐标;根据拉出值真值数据库中接触点的一维坐标和接触网拉出值的对应关系,确定接触点对应的接触网拉出值。解决了相关技术中轨道交通领域检测接触网拉出值时硬件要求极高、资源消耗极大的问题,能够利用较小的硬件资源即可实现实时接触网拉出值的在线检测,且具备较强的场景适应能力,只需要根据现场的情况增强弓网接触点数据集,适当配置网络参数,并得到真值映射参数即可实现弓网接触点的准确定位,以及接触网拉出值的计算数据。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例中一种可选的接触网拉出值检测方法的流程图;
图2是根据本申请实施例中又一种可选的接触网拉出值检测方法的流程图;
图3是根据本申请实施例中一种可选的接触网拉出值检测装置结构示意图;
图4是根据本申请实施例中又一种可选的接触网拉出值检测装置结构示意图。
附图标记说明
1,接触网;2,受电弓;3,滑板;4,接触点;5,图像采集装置;6,包围框。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例提供了一种接触网拉出值检测方法。图1是根据本申请实施例中一种可选的接触网拉出值检测方法的流程图,如图1所示,该方法包括:
步骤S102,在轨道车辆运行状态下,获取轨道车辆车顶的监控图像,其中,监控图像包括受电弓和接触网的接触画面;
步骤S104,将监控图像输入接触点检测模型,通过接触点检测模型确定受电弓和接触网的接触点的一维坐标,其中,接触点检测模型为使用样本数据训练的神经网络模型,样本数据包括在轨道车辆运行状态下获取的受电弓和所述接触网结合处的图像数据以及对应的标注结果;
步骤S106,根据拉出值真值数据库中接触点的一维坐标和接触网拉出值的对应关系,确定接触点对应的接触网拉出值,其中,拉出值真值数据库中包含,根据采集监控图像的相机的像素值确定的接触点的一维坐标和接触网拉出值的映射关系。
通过本申请实施例,提供了一种接触网拉出值检测方法,包括在轨道车辆运行状态下,获取轨道车辆车顶的监控图像;将监控图像输入接触点检测模型,通过接触点检测模型确定受电弓和接触网的接触点的一维坐标;根据拉出值真值数据库中接触点的一维坐标和接触网拉出值的对应关系,确定接触点对应的接触网拉出值。解决了相关技术中轨道交通领域检测接触网拉出值时硬件要求极高、资源消耗极大的问题,能够利用较小的硬件资源即可实现实时接触网拉出值的在线检测,且具备较强的场景适应能力,只需要根据现场的情况增强弓网接触点数据集,适当配置网络参数,并得到真值映射参数即可实现弓网接触点的准确定位,以及接触网拉出值的计算数据。
可选地,所述将所述监控图像输入接触点检测模型之前,所述方法还包括:在轨道车辆运行状态下,获取受电弓和接触网结合处的样本视频数据;对所述样本视频数据进行离线分帧处理,得到逐帧的样本图像数据库;在所述样本图像数据库中的样本图像数据中标注出以接触点为中心的包围框,得到所述样本图像数据的标注结果;将所述样本图像数据和对应的所述标注结果生成样本标注数据集;使用所述样本标准数据集训练初始接触点检测模型,得到所述接触点检测模型。
可选地,所述使用所述样本标准数据集训练初始接触点检测模型,得到所述接触点检测模型,包括:对所述样本图像数据中所述受电弓的滑板的运动轨迹进行训练,并以所述滑板中心线标点作为初始值“0”,以所述滑板中心线左侧为负值,右侧为正值,将训练的结果记录成所述接触点的一维坐标点云数据Qi={x1,x2,.....,xi},其中,xi代表第i个所述接触点的一维坐标数据。
可选地,在根据拉出值真值数据库中所述接触点的一维坐标和接触网拉出值的对应关系,确定所述接触点对应的接触网拉出值之前,所述方法还包括:根据所述接触点的一维坐标点云数据Qi,建立所述拉出值真值数据库。
可选地,所述根据所述接触点的一维坐标点云数据Qi,建立所述拉出值真值数据库,包括:根据采集所述样本视频数据的相机像素值和实际对应的所述接触点拉出值做映射计算,得到所述拉出值真值数据库Zi=λ{x1,x2,.....,xi},其中,λ为映射系数,表示所述相机像素值与所述接触点拉出值之间的映射关系。
下面通过一具体示例来说明本申请接触网拉出值检测方法的步骤。图2是根据本申请实施例中又一种可选的接触网拉出值检测方法的流程图,图3是根据本申请实施例中一种可选的接触网拉出值检测装置结构示意图,如图2和图3所示,所述方法包括:
列车高速运行时,由安装在车顶的图像采集装置5录制受电弓2和接触网1结合处的视频数据;
进一步,使用ffmpeg离线软件对采集到的视频数据进行离线分帧处理,得到逐帧的图像数据库;
进一步,使用人工标注的方式在图像数据库中标注出以接触点4为中心的包围框6,将所有的图像数据及标注结果构成标注数据集;
进一步,基于yolov4物体检测框架结构构建接触点检测网络,并使用标注数据集对接触点检测网络进行训练,使其具备弓网接触点的初始检测能力;
进一步,使用图像处理的方法对图像数据库中受电弓滑板3运动轨迹进行训练学习,并以滑板中心线标点作为初始值“0”,图像碳滑板中心线左侧为负值,右侧为正值,将训练的结果记录成像素一维坐标点云数据Qi={x1,x2,.....,xi},xi代表第i个一维坐标数据;
进一步,根据所采用的相机像素值再结合现场实际对应的拉出值真值做映射计算,得到拉出值真值数据库Zi=λ{x1,x2,.....,xi},λ为映射系数,表示图像像素值与拉出值真值之间的映射关系;
最后,在实时处理的情况下,采集列车车顶图像采集装置5内监控摄像头的图像并保存在图像数据库中,作为进行弓网接触点检测的输入图像,通过离线训练的弓网接触点检测网络,初步检测出弓网接触点的一维坐标点,结合拉出值真值数据库的对应关系,直接在线检测出接触网的拉出值测量数据。
如图4所示,根据本申请的一个实施例,还提供了一种接触网拉出值检测装置,包括:
第一获取模块402,配置为在轨道车辆运行状态下,获取所述轨道车辆车顶的监控图像,其中,所述监控图像包括受电弓和接触网的接触画面;
第一确定模块404,配置为将所述监控图像输入接触点检测模型,通过所述接触点检测模型确定所述受电弓和所述接触网的接触点的一维坐标,其中,所述接触点检测模型为使用样本数据训练的神经网络模型,所述样本数据包括在轨道车辆运行状态下获取的所述受电弓和所述接触网结合处的图像数据以及对应的标注结果;
第二确定模块406,配置为根据拉出值真值数据库中所述接触点的一维坐标和接触网拉出值的对应关系,确定所述接触点对应的接触网拉出值,其中,所述拉出值真值数据库中包含,根据采集所述监控图像的相机的像素值确定的所述接触点的一维坐标和所述接触网拉出值的映射关系。
可选地,所述装置还包括:第二获取模块,配置为在轨道车辆运行状态下,获取受电弓和接触网结合处的样本视频数据;分帧模块,配置为对所述样本视频数据进行离线分帧处理,得到逐帧的样本图像数据库;标注模块,配置为在所述样本图像数据库中的样本图像数据中标注出以接触点为中心的包围框,得到所述样本图像数据的标注结果;生成模块,配置为将所述样本图像数据和对应的所述标注结果生成样本标注数据集;训练模块,配置为使用所述样本标准数据集训练初始接触点检测模型,得到所述接触点检测模型。
可选地,所述训练模块包括:训练单元,配置为对所述样本图像数据中所述受电弓的滑板的运动轨迹进行训练,并以所述滑板中心线标点作为初始值“0”,以所述滑板中心线左侧为负值,右侧为正值,将训练的结果记录成所述接触点的一维坐标点云数据Qi={x1,x2,.....,xi},其中,xi代表第i个所述接触点的一维坐标数据。
可选地,所述装置还包括:建立模块,配置为根据所述接触点的一维坐标点云数据Qi,建立所述拉出值真值数据库。
可选地,所述建立模块包括:计算单元,配置为根据采集所述样本视频数据的相机像素值和实际对应的所述接触点拉出值做映射计算,得到所述拉出值真值数据库Zi=λ{x1,x2,.....,xi},其中,λ为映射系数,表示所述相机像素值与所述接触点拉出值之间的映射关系。
可选地,在本实施例中,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终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种接触网拉出值检测方法,其特征在于,包括:
在轨道车辆运行状态下,获取所述轨道车辆车顶的监控图像,其中,所述监控图像包括受电弓和接触网的接触画面;
将所述监控图像输入接触点检测模型,通过所述接触点检测模型确定所述受电弓和所述接触网的接触点的一维坐标,其中,所述接触点检测模型为使用样本数据训练的神经网络模型,所述样本数据包括在轨道车辆运行状态下获取的所述受电弓和所述接触网结合处的图像数据以及对应的标注结果;
根据拉出值真值数据库中所述接触点的一维坐标和接触网拉出值的对应关系,确定所述接触点对应的接触网拉出值,其中,所述拉出值真值数据库中包含,根据采集所述监控图像的相机的像素值确定的所述接触点的一维坐标和所述接触网拉出值的映射关系。
2.根据权利要求1所述的方法,其特征在于,所述将所述监控图像输入接触点检测模型之前,所述方法还包括:
在轨道车辆运行状态下,获取受电弓和接触网结合处的样本视频数据;
对所述样本视频数据进行离线分帧处理,得到逐帧的样本图像数据库;
在所述样本图像数据库中的样本图像数据中标注出以接触点为中心的包围框,得到所述样本图像数据的标注结果;
将所述样本图像数据和对应的所述标注结果生成样本标注数据集;
使用所述样本标准数据集训练初始接触点检测模型,得到所述接触点检测模型。
3.根据权利要求2所述的方法,其特征在于,所述使用所述样本标准数据集训练初始接触点检测模型,得到所述接触点检测模型,包括:
对所述样本图像数据中所述受电弓的滑板的运动轨迹进行训练,并以所述滑板中心线标点作为初始值“0”,以所述滑板中心线左侧为负值,右侧为正值,将训练的结果记录成所述接触点的一维坐标点云数据Qi={x1,x2,.....,xi},其中,xi代表第i个所述接触点的一维坐标数据。
4.根据权利要求3所述的方法,其特征在于,在根据拉出值真值数据库中所述接触点的一维坐标和接触网拉出值的对应关系,确定所述接触点对应的接触网拉出值之前,所述方法还包括:
根据所述接触点的一维坐标点云数据Qi,建立所述拉出值真值数据库。
5.根据权利要求4所述的方法,其特征在于,所述根据所述接触点的一维坐标点云数据Qi,建立所述拉出值真值数据库,包括:
根据采集所述样本视频数据的相机像素值和实际对应的所述接触点拉出值做映射计算,得到所述拉出值真值数据库Zi=λ{x1,x2,.....,xi},其中,λ为映射系数,表示所述相机像素值与所述接触点拉出值之间的映射关系。
6.一种接触网拉出值检测装置,其特征在于,包括:
第一获取模块,配置为在轨道车辆运行状态下,获取所述轨道车辆车顶的监控图像,其中,所述监控图像包括受电弓和接触网的接触画面;
第一确定模块,配置为将所述监控图像输入接触点检测模型,通过所述接触点检测模型确定所述受电弓和所述接触网的接触点的一维坐标,其中,所述接触点检测模型为使用样本数据训练的神经网络模型,所述样本数据包括在轨道车辆运行状态下获取的所述受电弓和所述接触网结合处的图像数据以及对应的标注结果;
第二确定模块,配置为根据拉出值真值数据库中所述接触点的一维坐标和接触网拉出值的对应关系,确定所述接触点对应的接触网拉出值,其中,所述拉出值真值数据库中包含,根据采集所述监控图像的相机的像素值确定的所述接触点的一维坐标和所述接触网拉出值的映射关系。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第二获取模块,配置为在轨道车辆运行状态下,获取受电弓和接触网结合处的样本视频数据;
分帧模块,配置为对所述样本视频数据进行离线分帧处理,得到逐帧的样本图像数据库;
标注模块,配置为在所述样本图像数据库中的样本图像数据中标注出以接触点为中心的包围框,得到所述样本图像数据的标注结果;
生成模块,配置为将所述样本图像数据和对应的所述标注结果生成样本标注数据集;
训练模块,配置为使用所述样本标准数据集训练初始接触点检测模型,得到所述接触点检测模型。
8.根据权利要求7所述的装置,其特征在于,所述训练模块包括:
训练单元,配置为对所述样本图像数据中所述受电弓的滑板的运动轨迹进行训练,并以所述滑板中心线标点作为初始值“0”,以所述滑板中心线左侧为负值,右侧为正值,将训练的结果记录成所述接触点的一维坐标点云数据Qi={x1,x2,.....,xi},其中,xi代表第i个所述接触点的一维坐标数据。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
建立模块,配置为根据所述接触点的一维坐标点云数据Qi,建立所述拉出值真值数据库。
10.根据权利要求9所述的装置,其特征在于,所述建立模块包括:
计算单元,配置为根据采集所述样本视频数据的相机像素值和实际对应的所述接触点拉出值做映射计算,得到所述拉出值真值数据库Zi=λ{x1,x2,.....,xi},其中,λ为映射系数,表示所述相机像素值与所述接触点拉出值之间的映射关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111211506.3A CN115993091B (zh) | 2021-10-18 | 2021-10-18 | 接触网拉出值检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111211506.3A CN115993091B (zh) | 2021-10-18 | 2021-10-18 | 接触网拉出值检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115993091A true CN115993091A (zh) | 2023-04-21 |
CN115993091B CN115993091B (zh) | 2024-05-14 |
Family
ID=85990708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111211506.3A Active CN115993091B (zh) | 2021-10-18 | 2021-10-18 | 接触网拉出值检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115993091B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104848792A (zh) * | 2015-04-24 | 2015-08-19 | 苏州华兴致远电子科技有限公司 | 车载接触网测量方法及系统 |
CN106679567A (zh) * | 2017-02-14 | 2017-05-17 | 成都国铁电气设备有限公司 | 基于双目立体视觉的接触网及支柱几何参数检测测量系统 |
JP2018205001A (ja) * | 2017-05-31 | 2018-12-27 | 株式会社キーエンス | 画像検査装置 |
CN109238144A (zh) * | 2018-07-28 | 2019-01-18 | 天津大学 | 针对铁路接触导线导高与拉出值的双目视觉测量方法 |
CN110490342A (zh) * | 2019-09-19 | 2019-11-22 | 江苏新绿能科技有限公司 | 一种基于Faster R-CNN的接触网静态几何参数检测方法 |
CN210719028U (zh) * | 2019-09-19 | 2020-06-09 | 江苏新绿能科技有限公司 | 一种基于三维点云的接触网几何参数检测装置 |
CN111412840A (zh) * | 2020-05-07 | 2020-07-14 | 武汉汉宁轨道交通技术有限公司 | 一种接触网检测设备及接触网检测方法 |
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 |
CN113295094A (zh) * | 2021-06-29 | 2021-08-24 | 中国铁道科学研究院集团有限公司 | 一种受电弓动态包络线侵限检测方法、装置和系统 |
CN113310450A (zh) * | 2020-03-12 | 2021-08-27 | 广东中科如铁技术有限公司 | 一种基于点云训练模型的接触网吊弦检测的方法 |
CN113504545A (zh) * | 2021-09-09 | 2021-10-15 | 成都中轨轨道设备有限公司 | 一种基于激光雷达的接触网数据检测方法 |
-
2021
- 2021-10-18 CN CN202111211506.3A patent/CN115993091B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104848792A (zh) * | 2015-04-24 | 2015-08-19 | 苏州华兴致远电子科技有限公司 | 车载接触网测量方法及系统 |
CN106679567A (zh) * | 2017-02-14 | 2017-05-17 | 成都国铁电气设备有限公司 | 基于双目立体视觉的接触网及支柱几何参数检测测量系统 |
JP2018205001A (ja) * | 2017-05-31 | 2018-12-27 | 株式会社キーエンス | 画像検査装置 |
CN109238144A (zh) * | 2018-07-28 | 2019-01-18 | 天津大学 | 针对铁路接触导线导高与拉出值的双目视觉测量方法 |
CN110490342A (zh) * | 2019-09-19 | 2019-11-22 | 江苏新绿能科技有限公司 | 一种基于Faster R-CNN的接触网静态几何参数检测方法 |
CN210719028U (zh) * | 2019-09-19 | 2020-06-09 | 江苏新绿能科技有限公司 | 一种基于三维点云的接触网几何参数检测装置 |
CN113310450A (zh) * | 2020-03-12 | 2021-08-27 | 广东中科如铁技术有限公司 | 一种基于点云训练模型的接触网吊弦检测的方法 |
CN111412840A (zh) * | 2020-05-07 | 2020-07-14 | 武汉汉宁轨道交通技术有限公司 | 一种接触网检测设备及接触网检测方法 |
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 |
CN113295094A (zh) * | 2021-06-29 | 2021-08-24 | 中国铁道科学研究院集团有限公司 | 一种受电弓动态包络线侵限检测方法、装置和系统 |
CN113504545A (zh) * | 2021-09-09 | 2021-10-15 | 成都中轨轨道设备有限公司 | 一种基于激光雷达的接触网数据检测方法 |
Non-Patent Citations (3)
Title |
---|
吴立群;: "车辆振动补偿在接触网几何参数检测中的应用", 科技风, no. 05, 20 February 2020 (2020-02-20) * |
武雷;薛晓利;: "一种非接触式接触网动态拉出值实时测量方法", 电气化铁道, no. 01, 15 February 2020 (2020-02-15) * |
赵嘉毅;祝恩;印万鹏;: "接触网测量中线阵摄像机标定的SVR方法", 计算机科学与探索, no. 11, 11 September 2017 (2017-09-11) * |
Also Published As
Publication number | Publication date |
---|---|
CN115993091B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107004271B (zh) | 显示方法、装置、电子设备、计算机程序产品和存储介质 | |
CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测系统 | |
CN113947731B (zh) | 一种基于接触网安全巡检的异物识别方法及系统 | |
CN112329645B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN110378966A (zh) | 相机外参标定方法、装置、计算机设备及存储介质 | |
CN111767798A (zh) | 一种面向室内联网视频监控的智能导播方法及系统 | |
CN116242316B (zh) | 刚性接触网定位点实时检测的方法及装置 | |
CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN112487894B (zh) | 基于人工智能的轨道交通保护区自动巡查方法及装置 | |
CN110781788B (zh) | 一种基于少量标注的野外机器人地面分类方法及系统 | |
CN115984486A (zh) | 一种融合激光雷达与深度相机的桥梁模型生成方法及装置 | |
CN116824726A (zh) | 一种校园环境智能巡检方法及系统 | |
CN112396831B (zh) | 一种交通标识的三维信息生成方法和装置 | |
CN114760442A (zh) | 一种用于在线教育管理用监控系统 | |
CN109903308B (zh) | 用于获取信息的方法及装置 | |
CN111241926A (zh) | 考勤与学情分析方法、系统、设备及可读存储介质 | |
CN115993091B (zh) | 接触网拉出值检测方法及装置 | |
CN112381031A (zh) | 基于卷积神经网络的实时在线受电弓羊角检测方法 | |
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 | |
CN113538720A (zh) | 基于海思智能ai芯片的嵌入式人脸识别考勤方法 | |
CN111126493A (zh) | 深度学习模型的训练方法、装置、电子设备及存储介质 | |
CN115083022A (zh) | 一种宠物行为识别方法、装置和可读存储介质 | |
CN111563465B (zh) | 一种动物行为学自动分析系统 | |
CN110969875B (zh) | 一种用于道路交叉口交通管理的方法及系统 | |
CN114219788A (zh) | 一种基于视频的积水检测方法 |
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 |