CN116086547B - 一种基于红外成像和气象监测的接触网覆冰检测方法 - Google Patents

一种基于红外成像和气象监测的接触网覆冰检测方法 Download PDF

Info

Publication number
CN116086547B
CN116086547B CN202310210056.9A CN202310210056A CN116086547B CN 116086547 B CN116086547 B CN 116086547B CN 202310210056 A CN202310210056 A CN 202310210056A CN 116086547 B CN116086547 B CN 116086547B
Authority
CN
China
Prior art keywords
value
model
infrared
detection method
channel
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
CN202310210056.9A
Other languages
English (en)
Other versions
CN116086547A (zh
Inventor
吴泓
李永
崔瑜
游弋
周林义
朱寿鹏
朱承瑛
曾燕
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.)
Nanjing Institute Of Meteorological Science And Technology Innovation
Original Assignee
Nanjing Institute Of Meteorological Science And Technology Innovation
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 Nanjing Institute Of Meteorological Science And Technology Innovation filed Critical Nanjing Institute Of Meteorological Science And Technology Innovation
Priority to CN202310210056.9A priority Critical patent/CN116086547B/zh
Publication of CN116086547A publication Critical patent/CN116086547A/zh
Application granted granted Critical
Publication of CN116086547B publication Critical patent/CN116086547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了一种基于红外成像和气象监测的接触网覆冰检测方法，本发明使用红外照明照射检测目标，提高目标的亮度，减少环境光线干扰，通过红外成像传感器获取目标的实时图像，同时通过气象监测单元同步获取气象数据并进行归一化融合处理，数据在前端的边缘计算单元中通过深度学习模型，自动识别目标的积水、结冰、积雪等状态，并通过传输单元发送到后台系统。本发明能够自动识别目标接触网的干燥、潮湿、积水、结冰、积雪等状态，并具有非接触式测量、自动识别铜缆与检测目标状态、受可见光干扰小、同时显示多种存在的状态、优先检测结冰状态、能够对结果进行验算、可实时查看当前状态和记录、设备小巧轻便便于安装等优点。

Description

一种基于红外成像和气象监测的接触网覆冰检测方法
技术领域
本发明属于人工智能与气象预报技术领域，尤其涉及数字图像处理和轨道交通接触网覆冰监测技术。
背景技术
接触网作为我国铁路和城市轨道交通的重要牵引方式，如出现结冰，容易导致受电弓取电不畅、产生电弧烧伤设备、甚至接触网断线，中断行车等严重事故，严重威胁了轨道交通的正常运行，对经济民生产生较大影响。如发现不及时，还需耗费大量人力物力动员除冰。
当前对于接触网的积雪、结冰的检测基本上都是根据天气情况，结合视频监控，依靠人工判断。受人力资源限制，可检测的范围和时间都难以满足实际需要。
也有针对监控视频使用边缘特征提取算法自动识别覆冰的研究，但是对于积雪、薄冰等情况基本上难以准确识别。同时容易受到环境光线和背景影响，容易产生误报、漏报。因此一直难以实现实际应用。
发明内容
发明目的：针对上述现有存在的问题和不足，本发明的目的是提供了一种基于红外成像和气象监测的接触网覆冰检测方法。本发明使用红外照明照射检测目标，提高目标的亮度，减少环境光线干扰，通过红外成像传感器获取目标的实时图像，同时通过气象监测单元同步获取气象数据（温度、湿度、降雨、降雪、风速等）。这些数据在前端的边缘计算单元中通过深度学习模型，自动识别目标的积水、结冰、积雪等状态，并通过传输单元发送到后台系统。
技术方案：为实现上述发明目的，本发明采用以下技术方案：一种基于红外成像和气象监测的接触网覆冰检测方法，包括以下步骤：
步骤S1，原始数据获取：通过摄像装置获取目标接触网的实时红外图像和可见光图像，并同步获取实时气象数据，所述气象数据包括温度、湿度、降雨、降雪和风速；
步骤S2，构建样本数据集：对步骤S1得到的原始红外和可见光图像数据进行归一化处理，并与气象数据进行融合，建立模型的样本数据集；
步骤S3，构建MobileNetV3深度学习模型，通过步骤S2得到的样本数据集对深度学习模型MobileNetV3进行训练，得到训练好的深度学习模型；
步骤S4，通过步骤S3训练好的深度学习模型对样本数据进行评估分析，从而识别目标接触网表面的干燥、积水、结冰或积雪状态。
进一步的，步骤S2所述样本数据集的构建过程如下：
首先，通过式（1）得到接触网表面温度
Figure SMS_1
，
Figure SMS_2
（1）
式中，
Figure SMS_3
表示接触网表面发射率，这里取铜的0.78；/>
Figure SMS_4
表示大气透过率，取值为0.766；/>
Figure SMS_5
表示辐射成像值，这里取红外成像图像对应的像素值；n的取值为5.33；/>
Figure SMS_6
表示设备环境温度（K），/>
Figure SMS_7
表示大气温度（K）；
然后，通过式（2）合成得到单通道的红外图像数据中R通道Channel[0]的值
Figure SMS_8
，
Figure SMS_9
（2）
式中，
Figure SMS_10
为Channel[0]的值；/>
Figure SMS_11
表示接触网表面温度，/>
Figure SMS_12
表示可见光R通道值，/>
Figure SMS_13
表示采集的湿度值，取值范围为0.0~1.0；
最后，将合成得到的红外图像数据中R通道的Channel[0]值，与可见光图像中的G通道的Channel[1]值和B通道的Channel[2]值融合作为样本数据。
进一步的，所述实时红外图像与可见光图像视场相同，且分辨率为800*600。
进一步的，所述接触网表面发射率
Figure SMS_14
，取值为表面氧化的铜的发射率0.78。
进一步的，步骤S3深度学习模型MobileNetV3的训练过程如下：
（1）首先，设定模型学习的梯度下降率为0.001，将样本数据分批输入模型，通过式（3）计算批次中第i个样本数据的模型输出的损失
Figure SMS_15
，
Figure SMS_16
（3）
式中，x表示输入样本，C为类别总数，取值为4；
Figure SMS_17
表示第i个类别对应的真实标签；
Figure SMS_18
表示对应的模型输出值；
（2）然后，通过式（4）计算本批次的样本数据的平均损失L
Figure SMS_19
（4）
式中，L表示本批次的平均损失；n表示本批次样本数量，
Figure SMS_20
表示单个样本的损失值；
（3）将本批次的样本数据的平均损失L与模型收敛阈值进行比较；
（4）当L小于设定的模型收敛阈值时，完成模型训练；
当L大于设定的模型收敛阈值时，通过Adam优化器更新模型参数重复步骤（1）~（3）进行迭代训练，直到L小于设定的模型收敛阈值或迭代次数达到设定值；
（5）最后，训练后的深度学习模型MobileNetV3再通过输入验证样本数据集进行验证。
进一步的，步骤S3的步骤（4）中所述迭代次数的设定值为200。
进一步的，步骤S1中通过摄像装置获取目标接触网的实时红外图像时，还通过红外照明提高目标接触网的亮度。
有益效果：与现有技术相比，本发明具有以下优点：本发明能够自动识别目标接触网的干燥、潮湿、积水、结冰、积雪等状态，通过传输单元发送到后台系统，并具有非接触式测量、自动识别铜缆与检测目标状态、受可见光干扰小、同时显示多种存在的状态、优先检测结冰状态、能够对结果进行验算，提高可靠性、通过后台实时查看当前状态和记录、设备小巧轻便便于安装等优点。
附图说明
图1为本发明基于红外成像和气象监测的接触网覆冰检测装置结构示意图；
图2为本发明基于红外成像和气象监测的接触网覆冰检测系统原理框图；
图3为本发明实施例目标接触网的红外成像图；
图4为大气对红外线的吸收图；
图5为本发明所述MobileNetV3轻量级深度学习网络模型的结构示意图；
图6为本发明所述MobileNetV3轻量级深度学习网络模型中核心模块Bneck的结构示意图；
图7为本发明所述MobileNetV3轻量级深度学习网络模型中每个通道权重的作用方式的描述示意图；
图8为本发明所述MobileNetV3轻量级深度学习网络模型的训练流程示意图；
图9为本发明实施例模型训练结果，x轴为训练batch次数，y轴为总损失百分比；
图10为本发明实施例模型训练结果，x轴为训练batch次数，y轴为分类损失百分比；
图11为本发明实施例模型训练结果，x轴为训练batch次数，y轴为定位损失百分比；
图12为本发明实施例模型训练结果，x轴为训练batch次数，y轴为正则损失百分比；
图13为本发明实施例模型学习率调整曲线，x轴为训练batch次数，y轴为学习率；
图14为本发明实施例模型训练效果ROC曲线图，X轴为特异性（误报率），Y轴为敏感度；取现下方部分面积为AUC（AreaUnderCurve）。
实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1和2所示，本发明的基于红外成像和气象监测的接触网覆冰检测装置置安装在铁路边上的供电杆上，因此设备均不侵入轨道空间。红外相机和红外不关灯之间安装间隔在0.6米，边缘计算单元安装在下方的设备箱中。具体包括：
红外照明单元：采用红外光源，照射目标，提高目标亮度，减弱环境光线干扰，具体包括以下设备：红外光源、镜头组件、同步控制模块。
红外成像传感器：用于获取目标的实施图像，包括红外镀膜镜头、偏振片、图像采集模块、同步控制模块。
红外成像传感器，利用光学组件将场景中的物体反射的红外光聚焦在红外探测器上，然后来自与每个探测器元件的红外数据转换成标准的视频格式，如图3所示为不同状态下接触网红外成像图。
气象监测单元，本发明目标接触网环境气象数据基于该单元同步获取气象数据（温度、湿度、降雨、降雪、风速等）。
边缘计算单元：通过深度学习模型，自动识别目标的积水、结冰、积雪等状态。并存储输出识别结果。本单元使用的深度学习模块同时考虑了视频图像数据和气象数据，统一做归一化分析。而不是单纯对图像数据进行分析。
传输单元（通讯模块）：采用NB-IoT或5G通讯链路，将识别出的目标的积水、结冰、积雪等状态发送到后台系统。
本发明的原理在于：使用红外照明照射检测目标，提高目标的亮度，减弱环境光线干扰，通过红外成像传感器获取目标的实时图像，同时通过气象监测单元同步获取气象数据（温度、湿度、降雨、降雪、风速等）。红外结冰检测技术主要受表面辐射系数、大气条件和温度的影响。辐射系数的影响主要在于表面材料的不同，导致材料的辐射能力不同。铜的辐射系数为0.78左右（表面氧化）；水的辐射系数在0.93左右；冰的辐射系数在0.97左右。因此，对于接触网上的结冰，由于铜和冰的辐射系数差距比较大，故通过分析红外辐射波长，可以比较容易区分接触网表面是否结冰。如图4所示为大气对红外线的吸收图。
这些数据在前端的边缘计算单元中通过深度学习模型，自动识别目标的积水、结冰、积雪等状态，最后通过传输单元发送到后台系统。通过特定波段（利于穿透和获取冰雪水滴图像）的红外光源照射探测对象；对原始图像中值滤波，过滤掉水滴、冰锥、雪花及其他小的噪点，保留铜缆的图像；合并气象数据，通过深度学习神经网络，对干燥、积水、积雪、覆冰状态进行特征提取。
考虑到系统的前端部署，存储空间、功耗、算力相对受限，选择了MobileNetV3轻量级网络，以下详细介绍本发明MobileNetV3轻量级网络模型的工作过程。
1.构建数据集
分析的对象数据包括可见光图像、红外成像图像和气象信息数据：
可见光成像数据：可见光成像数据为真彩色图像数据，图像尺寸为800✕600；由R、G、B三个颜色通道组成。
红外成像图像数据：由红外成像相机采集的热成像图像数据，图像尺寸为800✕600，为单通道图像数据。视场于可见光图像相同。
温度数据：接触网表面温度通过下式得到，
Figure SMS_21
（1）
Figure SMS_22
:接触网表面温度
Figure SMS_23
:物体发射率，这里取铜的0.78
Figure SMS_24
:大气透过率，取值为0.766
Figure SMS_25
:辐射成像值，这里取红外成像图像对应的像素值。
n:取值为5.33
Figure SMS_26
:设备环境温度（K）
Figure SMS_27
:大气温度（K）
湿度数据：通过现场气象站采集的环境湿度数据。
考虑到系统的前端部署，存储空间、功耗、算力相对受限，选择了MobileNetV3轻量级网络。MobileNetV3算法主要是针对的图像数据，本方法将图像数据和温度数据进行融合，作为MobileNetV3算法的训练数据。
输入图像的：
Channel[0]：合成通道，数据合成公式为：
Figure SMS_28
（2）
Figure SMS_29
:Channel[0]的值
Figure SMS_30
:接触网表面温度，见公式1
Figure SMS_31
:可见光R通道值
Figure SMS_32
:采集的湿度值（0.0~1.0）
Channel[1]：可见光图像G通道
Channel[2]：可见光图像B通道
上述得到图像三通道R/G/B图像数据作为样本数据，将所有样本数据按照70%、20%、10%的比例分割为训练集、验证集、测试集三个数据集。
2.构建机器学习模型
考虑到系统的前端部署，存储空间、功耗、算力相对受限，选择了MobileNetV3轻量级网络，其整体结构如图5-7所示，其中：
Bneck作为核心模块，也是网络的基本模块，主要实现了通道可分离卷积+SE通道注意力机制+残差连接，结构如图6所示，由以下构成：
逆残差结构：先用1✕1卷积进行升维，并具有残差边。
深度可分离卷积结构：每个卷积核的channel都等于1（每个卷积核只负责输入特征矩阵的一个channel，卷积核的个数必须等于输入特征矩阵的channel数，从而使得输出特征矩阵的channel数也等于输入特征矩阵的channel数）。在输入1x1卷积进行升维度后，进行3x3深度可分离卷积。
轻量级的注意力模型：作用方式是调整每个通道的权重（如图7所示）。
本发明基于红外成像和气象监测的接触网覆冰检测方法中的MobileNetV3轻量级深度学习网络模型，采用以下激活函数：
Figure SMS_33
选择损失函数：
Figure SMS_34
式中，x：表示输入样本；C：表示类别总数，这里=4；
Figure SMS_35
：表示为第i个类别对应的真实标签；/>
Figure SMS_36
:对应的模型输出值。
构造优化器算法：本发明选择Adam算法：
Figure SMS_37
参数说明：t：t为时间步，初始化为0；
Figure SMS_45
表示时间步为t时的梯度；/>
Figure SMS_38
表示要更新的参数；/>
Figure SMS_42
表示参数/>
Figure SMS_46
的随机目标函数；/>
Figure SMS_50
表示一阶矩的指数衰减率，取值0.9；/>
Figure SMS_49
表示二阶矩的指数衰减率，取值0.999；/>
Figure SMS_53
表示对梯度的一阶矩估计，初始值=0；/>
Figure SMS_47
表示对梯度的二阶矩估计，初始值=0；/>
Figure SMS_51
表示对/>
Figure SMS_40
的校正；/>
Figure SMS_44
表示/>
Figure SMS_41
的t次幂；/>
Figure SMS_43
表示对/>
Figure SMS_48
的校正；/>
Figure SMS_52
表示学习率取值0.001；/>
Figure SMS_39
：为了维持数值稳定性而添加的常数=10e-8。
3.模型训练
设定模型学习的梯度下降率
Figure SMS_54
，如图8所示的训练模型工作流程，具体说明如下：
（1）首先，将构建的数据集中的训练数据分批输入模型，通过式（3）计算批次中第i个样本数据的模型输出的损失
Figure SMS_55
，这里每批次数据集包含16组数据，
Figure SMS_56
（3）
式中，x表示输入样本，C为类别总数，取值为4；
Figure SMS_57
表示第i个类别对应的真实标签；
Figure SMS_58
表示对应的模型输出值；
（2）然后，通过损失函数（4）计算本批次的样本数据的平均损失L
Figure SMS_59
（4）
式中，L表示本批次的平均损失；n表示本批次样本数量，n取值16，
Figure SMS_60
表示单个样本的损失值；
（3）将本批次的样本数据的平均损失L与模型收敛阈值进行比较；
（4）当L小于设定的模型收敛阈值时，完成模型训练，并进行模型评估；
当L大于设定的模型收敛阈值时，检测是否迭代完成。如果预设迭代次数未完成的通过Adam优化器更新模型参数重复步骤（1）~（3）进行迭代训练，直到L小于设定的模型收敛阈值或迭代次数达到设定值，最终完成模型优化；
（5）最后，训练后的深度学习模型MobileNetV3再通过输入验证样本数据集进行验证，评估模型训练效果。
4.评估模型训练结果
如图9-14所示，为通过本发明训练好的MobileNetV3模型的训练结果评估，其中：
图9为本发明实施例模型训练结果，x轴为训练batch编号，y轴为总损失值。从图可知，前期模型参数学习不稳定，损失值有波动，后期随着训练批次的增加，总损失呈持续下降趋势，最后几个批次基本稳定，最优总损失为0.5412；
图10为本发明实施例模型训练结果，x轴为训练 batch 编号，y轴为分类损失。从图可知，前期模型参数学习不稳定，损失值有波动，后期随着训练批次的增加，损失值呈持续下降趋势，最后几个批次基本稳定，最优分类损失为0.1886；
图11为本发明实施例模型训练结果，x轴为训练 batch 编号，y轴为定位损失。从图可知，随着训练批次的增加，损失值呈持续下降趋势，最后几个批次基本稳定，最优定位损失为0.1283；
图12为本发明实施例模型训练结果，x轴为训练 batch 编号，y轴为正则损失。从图可知，前期模型参数学习不稳定，损失值有波动，后期随着训练批次的增加，损失值呈持续下降趋势，最后几个批次基本稳定，最优正则损失为0.2208；
图13为本发明实施例模型学习率调整曲线，x轴为训练 batch 编号，y轴为学习率。从图可知，前期模型参数学习效果不理想，持续增加学习率，后期随着训练批次的增加，学习效果逐渐变好，随着模型持续收敛，逐渐减小学习率避免错过极小值，最小学习率为：0.08266；
综上，图9-13的训练结果图基本吻合，整体趋势一致，最后都能稳定在一个合理区间，说明模型训练效果理想。
图14为模型训练效果ROC曲线图，X轴为1–特异性（误报率），越接近零准确率越高；Y轴称为敏感度，越大代表准确率越好。曲线下方部分的面积被称为AUC（AreaUnderCurve），用来表示预测准确性，AUC值越高，也就是曲线下方面积越大，说明预测准确率越高。本模型训练结果ROC图的AUC值为0.93，说明在验证样本集上效果理想。
本发明主要创新技术在于：采用红外补光、红外成像；采用深度神经网络输入的图像数据和气象数据合并通；采用MobileNetV3深度神经网络对合并的图像数据和气象数据进行训练与识别。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其技术构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于红外成像和气象监测的接触网覆冰检测方法，其特征在于包括以下步骤：
步骤S1，原始数据获取：通过摄像装置获取目标接触网的实时红外图像和可见光图像，并同步获取实时气象数据，所述气象数据包括温度、湿度、降雨、降雪和风速；
步骤S2，构建样本数据集：对步骤S1得到的原始红外和可见光图像数据进行归一化处理，并与气象数据进行融合，建立模型的样本数据集；
步骤S3，构建MobileNetV3深度学习模型，通过步骤S2得到的样本数据集对深度学习模型MobileNetV3进行训练，得到训练好的深度学习模型；
步骤S4，通过步骤S3训练好的深度学习模型对样本数据进行评估分析，从而识别目标接触网表面的干燥、积水、结冰或积雪状态;
步骤S2所述样本数据集的构建过程如下：
首先，通过式（1）得到接触网表面温度
Figure QLYQS_1
，
Figure QLYQS_2
（1）
式中，
Figure QLYQS_3
表示接触网表面发射率，这里取铜的0.78；/>
Figure QLYQS_4
表示大气透过率，取值为0.766；
Figure QLYQS_5
表示辐射成像值，这里取红外成像图像对应的像素值；n的取值为5.33；/>
Figure QLYQS_6
表示设备环境温度（K），/>
Figure QLYQS_7
表示大气温度（K）；
然后，通过式（2）合成得到单通道的红外图像数据中R通道Channel[0]的值
Figure QLYQS_8
，
Figure QLYQS_9
（2）
式中，
Figure QLYQS_10
为Channel[0]的值；/>
Figure QLYQS_11
表示接触网表面温度，/>
Figure QLYQS_12
表示可见光R通道值，/>
Figure QLYQS_13
表示采集的湿度值，取值范围为0.0~1.0；
最后，将合成得到的红外图像数据中R通道的Channel[0]值，与可见光图像中的G通道的Channel[1]值和B通道的Channel[2]值融合作为样本数据。
2.根据权利要求1所述基于红外成像和气象监测的接触网覆冰检测方法，其特征在于：所述实时红外图像与可见光图像视场相同，且分辨率为800*600。
3.根据权利要求1所述基于红外成像和气象监测的接触网覆冰检测方法，其特征在于：所述接触网表面发射率
Figure QLYQS_14
，取值为表面氧化的铜的发射率0.78。
4.根据权利要求1所述基于红外成像和气象监测的接触网覆冰检测方法，其特征在于：步骤S3深度学习模型MobileNetV3的训练过程如下：
（1）首先，设定模型学习的梯度下降率=
Figure QLYQS_15
，将样本数据分批输入模型，通过式（3）计算批次中第i个样本数据的模型输出的损失/>
Figure QLYQS_16
，
Figure QLYQS_17
（3）
式中，
Figure QLYQS_18
表示输入样本，/>
Figure QLYQS_19
为类别总数，取值为4；/>
Figure QLYQS_20
表示第i个类别对应的真实标签；
Figure QLYQS_21
表示对应的模型输出值；
（2）然后，通过式（4）计算本批次的样本数据的平均损失L
Figure QLYQS_22
;
式中，L表示本批次的平均损失；n表示本批次样本数量，
Figure QLYQS_23
表示单个样本的损失值；
（3）将本批次的样本数据的平均损失L与模型收敛阈值进行比较；
（4）当L大于设定的模型收敛阈值时，通过Adam优化器更新模型参数重复步骤（1）~（3）进行迭代训练，直到L小于设定的模型收敛阈值或迭代次数达到设定值，完成训练；
（5）最后，训练后的深度学习模型MobileNetV3再通过输入验证样本数据集进行验证。
5.根据权利要求4所述基于红外成像和气象监测的接触网覆冰检测方法，其特征在于：步骤S3的步骤（4）中所述迭代次数的设定值为200。
6.根据权利要求1所述基于红外成像和气象监测的接触网覆冰检测方法，其特征在于：步骤S1中通过摄像装置获取目标接触网的实时红外图像时，还通过红外照明提高目标接触网的亮度。
CN202310210056.9A 2023-03-07 2023-03-07 一种基于红外成像和气象监测的接触网覆冰检测方法 Active CN116086547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310210056.9A CN116086547B (zh) 2023-03-07 2023-03-07 一种基于红外成像和气象监测的接触网覆冰检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310210056.9A CN116086547B (zh) 2023-03-07 2023-03-07 一种基于红外成像和气象监测的接触网覆冰检测方法

Publications (2)

Publication Number Publication Date
CN116086547A CN116086547A (zh) 2023-05-09
CN116086547B true CN116086547B (zh) 2023-06-16

Family

ID=86212176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310210056.9A Active CN116086547B (zh) 2023-03-07 2023-03-07 一种基于红外成像和气象监测的接触网覆冰检测方法

Country Status (1)

Country Link
CN (1) CN116086547B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117312998B (zh) * 2023-09-06 2024-04-16 东北林业大学 一种基于图像-气象-温度的路面覆盖物分类装置及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109000729A (zh) * 2018-07-31 2018-12-14 广州科易光电技术有限公司 车载接触网运行状态检测系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2066645C1 (ru) * 1995-05-05 1996-09-20 Забайкальская железная дорога Мобильный контрольно-вычислительный диагностический комплекс
CN102129564B (zh) * 2011-02-14 2012-08-22 西南交通大学 基于无人飞行器的接触网故障检测与诊断方法
CN102721373B (zh) * 2012-06-26 2015-07-29 西安金源电气股份有限公司 一种电气化铁路接触网覆冰在线监测系统
DE102014014286A1 (de) * 2014-09-27 2016-03-31 Michael Nold Modul zur optischen Fahrdrahtenteisung für Schienenfahrzeuge
CN205601869U (zh) * 2016-05-18 2016-09-28 苏州华兴致远电子科技有限公司 车载运行环境安全监测系统
WO2020180826A1 (en) * 2019-03-01 2020-09-10 The Board Of Trustees Of The University Of Illinois Compositions and methods for inhibiting ice formation on surfaces
CN218021600U (zh) * 2022-06-10 2022-12-13 南京气象科技创新研究院 一种地铁接触网覆冰检测装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109000729A (zh) * 2018-07-31 2018-12-14 广州科易光电技术有限公司 车载接触网运行状态检测系统

Also Published As

Publication number Publication date
CN116086547A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
WO2020199538A1 (zh) 基于图像监控数据的桥梁关键构件病害预警系统及方法
CN108918539B (zh) 一种隧道结构表观病害检测装置及方法
CN109804119B (zh) 基于红外热像图分析的沥青路面裂缝发育程度检测方法
CN103442209B (zh) 一种输电线路的视频监控方法
CN105809679B (zh) 一种基于视觉分析的山区铁路边坡落石检测方法
CN109961460A (zh) 一种基于改进YOLOv3模型的多目标巡检方法
CN107588733A (zh) 一种基于图像的受电弓滑板磨耗在线检测装置与方法
CN116086547B (zh) 一种基于红外成像和气象监测的接触网覆冰检测方法
CN106709903B (zh) 基于图像质量的pm2.5浓度预测方法
CN110766333B (zh) 一种天气现象信息智能处理方法及系统
CN111161160B (zh) 一种雾天障碍物检测方法、装置、电子设备和存储介质
CN109086803B (zh) 一种基于深度学习与个性化因子的雾霾能见度检测系统及方法
CN111310592B (zh) 一种基于场景分析和深度学习的检测方法
CN111145222A (zh) 一种结合烟雾运动趋势和纹理特征的火灾检测方法
CN112649900A (zh) 一种能见度的监测方法、装置、设备、系统和介质
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
CN114241511A (zh) 一种弱监督行人检测方法、系统、介质、设备及处理终端
CN109767465B (zh) 一种基于h8/ahi的白天雾快速提取的方法
CN113673614B (zh) 基于机器视觉的地铁隧道异物入侵检测装置及方法
KR20220153247A (ko) 블랙아이스 모니터링 시스템
CN108198164A (zh) 一种电缆隧道电缆完整性的检测装置及方法
CN116994161A (zh) 一种基于改进YOLOv5的绝缘子缺陷检测方法
CN117011759A (zh) 钻爆法隧道掌子面围岩多元地质信息解析方法及系统
CN113743304A (zh) 一种用于视频监控的运动目标检测和识别方法
CN113689399A (zh) 一种用于电网识别遥感图像处理方法及系统

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