CN117690096A - 一种适应不同场景的接触网安全巡检系统 - Google Patents
一种适应不同场景的接触网安全巡检系统 Download PDFInfo
- Publication number
- CN117690096A CN117690096A CN202410156686.7A CN202410156686A CN117690096A CN 117690096 A CN117690096 A CN 117690096A CN 202410156686 A CN202410156686 A CN 202410156686A CN 117690096 A CN117690096 A CN 117690096A
- Authority
- CN
- China
- Prior art keywords
- image
- pantograph
- real
- data
- contact line
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 40
- 230000007547 defect Effects 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000000007 visual effect Effects 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000003702 image correction Methods 0.000 claims description 5
- 238000002834 transmittance Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 10
- 238000009499 grossing Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000000873 masking effect Effects 0.000 description 5
- 239000000306 component Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000009022 nonlinear effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000001595 contractor effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003897 fog Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及接触网技术领域，具体涉及一种适应不同场景的接触网安全巡检系统，所述系统包括：视觉区域检测部分、传感器监测部分和缺陷识别部分；所述视觉区域检测部分，用于获取目标接触网的实时图像，对获取到的实时图像进行图像处理，得到增强图像，定位增强图像中的接触线区域和受电弓区域，对接触线区域进行缺陷识别，对受电弓区域进行缺陷识别；传感器监测部分，用于实时获取传感器数据；缺陷识别部分，基于传感器数据、第一接触线缺陷识别结果和第一受电弓缺陷识别结果进行融合分析，分别得到接触线最终缺陷识别结果和受电弓最终缺陷识别结果。本发明提高了铁路接触网巡检的效率、准确性和实时性，从而增强了铁路系统的安全性和可靠性。
Description
技术领域
本发明涉及接触网技术领域，具体涉及一种适应不同场景的接触网安全巡检系统。
背景技术
在现代铁路交通系统中，接触网是电气化铁路系统中的重要组成部分，用于供应电能给火车以便行驶。接触网通常由接触线和受电弓组成，其中接触线悬挂在铁路轨道上，而受电弓则装置在火车车顶，通过与接触线接触以获取电能。为了确保铁路系统的可靠性和安全性，接触网的运行状态需要定期进行检测和维护，以便及时发现和修复潜在的问题和缺陷。
在过去的几十年里，人工巡检是接触网的主要检测方法。巡检人员需要定期上网进行目视检查，以寻找接触线和受电弓的问题，如断裂、磨损、松动等。然而，这种巡检方法存在一些明显的问题和局限性，包括以下几个方面：人工巡检需要大量的人力资源和时间，尤其对于大规模的铁路网络来说，成本较高，而且容易受到人为因素的影响，可能漏检或误检。人眼的检测精度有限，难以发现微小的缺陷或隐蔽的问题，容易导致漏检。在恶劣天气条件下，如雨雪或雾霾，以及夜间，巡检的可行性和效果都受到限制，可能会错过问题。传统的人工巡检通常是定期进行的，问题可能在两次巡检之间长时间存在，延误了问题的处理时机。人工巡检的成本包括人员工资、培训和巡检设备维护等，费用较高。
近年来，一些自动化技术和智能化系统被引入到接触网巡检中，以提高效率和精度。一些自动化巡检系统使用摄像头和图像处理技术来获取接触网的实时图像，然后通过计算机视觉算法来检测接触线和受电弓的问题。这种方法可以提高检测的精度，但仍然受到天气和光照条件的限制。传感器被安装在接触网上，用于监测电流传输、温度、电弧、振动等参数。这些传感器可以提供实时数据，但需要高度复杂的数据分析和处理，以从大量数据中检测问题。一些系统使用无人机进行巡检，可以在空中俯瞰接触网，获取全面的图像和数据。然而，无人机巡检需要专业设备和人员，成本相对较高。
发明内容
本发明的主要目的是提供一种适应不同场景的接触网安全巡检系统，本发明提高了铁路接触网巡检的效率、准确性和实时性，从而增强了铁路系统的安全性和可靠性。
为解决上述技术问题，本发明提供一种适应不同场景的接触网安全巡检系统，所述系统包括：视觉区域检测部分、传感器监测部分和缺陷识别部分；所述视觉区域检测部分，用于获取目标接触网的实时图像，并从云端实时获取目标接触网所处位置的天气数据，结合天气数据，对获取到的实时图像进行图像处理，以去除天气因素对实时图像的影响，得到增强图像，定位增强图像中的接触线区域和受电弓区域，对接触线区域进行缺陷识别，得到第一接触线缺陷识别结果；对受电弓区域进行缺陷识别，得到第一受电弓缺陷识别结果；传感器监测部分，用于实时获取传感器数据，所述传感器数据包括：受电弓与接触线之间的电流传输数据、受电弓的位置数据、目标接触网所处位置的温度数据、受电弓的电弧数据、铁路车辆的加速度数据和受电弓振动数据；缺陷识别部分，基于传感器数据、第一接触线缺陷识别结果和第一受电弓缺陷识别结果进行融合分析，分别得到接触线最终缺陷识别结果和受电弓最终缺陷识别结果。
进一步的，所述天气数据包括：温度、湿度、气压和空气质量指数；所述传感器监测部分包括：电流传感器、位置传感器、温度传感器、电弧传感器、加速度传感器和振动传感器。
进一步的，所述视觉区域检测部分，结合天气数据，对获取到的实时图像进行图像处理的方法包括：
使用如下公式，计算出大气光传播系数：
；
其中，为光波长，/>为气压，/>是温度，/>为空气质量指数，/>为湿度；再使用如下公式，计算出大气散射指数：
；
求解以下优化问题，计算出图像矫正透射率：
；
其中，为实时图像；/>为实时图像的光强矫正矩阵；/>为图像矫正透射率；再结合光强矫正矩阵，估计实时图像的环境遮罩图；在实时图像中去除环境遮罩图，得到增强图像。
进一步的，实时图像的光强矫正矩阵的计算过程包括：通过如下公式，计算得到实时图像的平均亮度和标准差；
；
其中，表示实时图像中第/>个像素；/>为图像的平均亮度；/>为实时图像中的像素个数；/>为标准差；再使用如下公式，计算矫正系数：
；
其中，构建实时图像的光强矫正矩阵，其中每个元素/>表示第/>个像素的矫正系数/>。
进一步的，使用如下公式，计算得到环境遮罩图：
；
其中，为环境遮罩图；/>为一阶L1范数；/>为二阶L2范数；
使用如下公式，对获取到的实时图像进行图像处理，以去除天气因素对实时图像的影响，得到增强图像：
；
其中，为增强图像。
进一步的，定位增强图像中的接触线区域和受电弓区域的方法包括：
步骤1：构建高斯-拉普拉斯金字塔，对增强图像进行处理，得到第一处理结果和低层级图像；
步骤2：使用卷积神经网络对第一处理结果进行边缘检测，生成边缘概率分布图；
步骤3：使用低层级图像和边缘概率分布图来提取接触线区域；所述低层级图像为层数小于4层的高斯-拉普拉斯金字塔所输出的图像；
步骤4：使用深度学习条件随机场模型来推断第一处理结果中的受电弓区域的概率分布图；
步骤5：:使用低层级图像和概率分布图来提取受电弓区域。
进一步的，步骤1中，使用如下公式，构建高斯-拉普拉斯金字塔：
；
；
其中，表示对高斯金字塔的第/>层图像进行上采样以匹配第/>层图像的尺寸，上采样使用双线性插值；/>为高斯核的半径；金字塔的第/>层图像在坐标/>处的像素值；/>表示增强图像/>在坐标/>处的像素值；/>为高斯金字塔的层级，当/>时，为高斯金字塔最底层；步骤2具体包括：准备一个CNN模型，该模型用于边缘检测任务，包括卷积层、激活函数、池化层和全连接层，以捕获图像中的特征；将增强图像/>作为输入传递给CNN模型；在CNN模型中，增强图像经过/>卷积和池化操作，最后输出一个概率分布图/>，其中每个像素/>的值表示在该位置检测到边缘的概率；通过如下公式，使用低层级图像和边缘概率分布图来提取接触线区域/>：
。
进一步的，步骤4具体包括：
；
其中，表示增强图像中第/>个像素；/>表示增强图像中第/>个像素；/>是一元势函数，它衡量像素第/>个像素属于受电弓区域的置信度；/>表示图像中第/>个像素属于受电弓区域的二进制变量，值为1表示属于，0表示不属于；/>为下表索引，取值范围为1到/>；/>是二元势函数，衡量相邻第/>个像素和第/>个像素之间的相似性；使用如下公式，计算得到概率分布图/>：
；
再使用如下公式，来提取受电弓区域：
；
进一步的，使用预先训练的支持向量模型对受电弓区域和接触线区域进行概率分类识别，分别计算得到概率数值型的第一接触线缺陷识别结果和第一受电弓缺陷识别结果；分别计算多个时刻的受电弓与接触线之间的电流传输数据、受电弓的位置数据、目标接触网所处位置的温度数据、受电弓的电弧数据、铁路车辆的加速度数据和受电弓振动数据的方差；统计其中超过设定的阈值的方差的数量，将数量/>乘以第一接触线缺陷识别结果，得到第一中间值，若第一中间值超过设定的第一判别阈值，则得到接触线最终缺陷识别结果为接触线出现缺陷；统计其中超过设定的阈值的方差的数量/>，将数量/>乘以第一受电弓缺陷识别结果，得到第二中间值，若第二中间值超过设定的第二判别阈值，则得到受电弓最终缺陷识别结果为受电弓出现缺陷。
本发明的一种适应不同场景的接触网安全巡检系统，具有以下有益效果：接触网是电气化铁路系统的核心组成部分，其安全性和可靠性对铁路运输的安全和稳定起着关键作用。本发明的巡检系统通过利用图像处理、传感器监测和数据分析等多种技术手段，能够更全面、更准确地检测接触线和受电弓的问题和缺陷。这有助于提前发现潜在的安全隐患，减少事故发生的风险，提高铁路系统的安全性和可靠性。相对于传统的人工巡检方法，本发明的巡检系统具有更高的效率和更低的成本。自动化的巡检过程不依赖于大量的人力资源，能够在更短的时间内完成对接触网的检测。此外，通过减少人工巡检的频率，可以降低巡检的成本，包括人员工资、培训和设备维护等费用。因此，本发明有助于提高铁路运输的经济效益。本发明的巡检系统具有适应不同场景的能力。通过结合图像处理技术和传感器监测，系统能够应对各种天气和光照条件，提高了检测的稳定性。此外，系统还可以在不同地理位置和铁路线路上部署，适应不同的铁路网络。
附图说明
图1为本发明实施例提供的一种适应不同场景的接触网安全巡检系统的系统结构示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1：参考图1，一种适应不同场景的接触网安全巡检系统，所述系统包括：视觉区域检测部分、传感器监测部分和缺陷识别部分；所述视觉区域检测部分，用于获取目标接触网的实时图像，并从云端实时获取目标接触网所处位置的天气数据，结合天气数据，对获取到的实时图像进行图像处理，以去除天气因素对实时图像的影响，得到增强图像，定位增强图像中的接触线区域和受电弓区域，对接触线区域进行缺陷识别，得到第一接触线缺陷识别结果；对受电弓区域进行缺陷识别，得到第一受电弓缺陷识别结果；传感器监测部分，用于实时获取传感器数据，所述传感器数据包括：受电弓与接触线之间的电流传输数据、受电弓的位置数据、目标接触网所处位置的温度数据、受电弓的电弧数据、铁路车辆的加速度数据和受电弓振动数据；缺陷识别部分，基于传感器数据、第一接触线缺陷识别结果和第一受电弓缺陷识别结果进行融合分析，分别得到接触线最终缺陷识别结果和受电弓最终缺陷识别结果。
具体的，视觉区域检测部分首先获取目标接触网的实时图像，然后与云端实时获取的天气数据相结合。通过图像处理技术，系统分析天气数据，识别和去除天气因素对实时图像的影响，从而得到增强图像。增强图像具有更高的清晰度和准确性，消除了雨雪、雾气等天气因素对图像的干扰，使接触线区域和受电弓区域的缺陷更容易被检测和识别。这提高了检测的可靠性和准确性。通过视觉区域检测部分的处理，系统能够有效地适应不同天气条件下的巡检任务，确保在恶劣天气下仍能提供可靠的数据。
传感器监测电流传输数据，记录受电弓与接触线之间的电流值。这个原理基于欧姆定律，根据电流值可以评估接触线和受电弓之间的电气连接状态。通过传感器获取受电弓的位置数据，这通常使用位置传感器来实现。这个原理可用于检测受电弓是否正确与接触线对齐。温度传感器监测目标接触网所处位置的温度。温度的变化可以影响接触线和受电弓的材料性能，因此这些数据用于评估温度对系统的影响。电弧传感器监测受电弓的电弧情况。电弧是可能导致火灾或损坏的危险情况，因此及时检测和报警是至关重要的。传感器监测铁路车辆的加速度和受电弓的振动数据。这些数据用于评估列车运行状态和受电弓的稳定性。电流传输数据的作用是检测接触线和受电弓之间的电气连接状态。如果电流异常，可能表明存在断线、松动或其他电气问题，需要及时检修。受电弓位置数据的作用是确保受电弓正确与接触线对齐。如果受电弓位置不正确，可能会导致电气接触不良，从而影响列车供电和安全。温度数据的作用是监测温度变化对接触网的影响。高温可能导致金属材料膨胀，低温可能导致材料收缩，因此温度数据有助于预测接触网的热胀冷缩效应。电弧数据的作用是检测受电弓上可能出现的电弧情况，这有助于预防火灾和损坏，确保安全运行。加速度数据和振动数据的作用是监测列车的运行状态和受电弓的振动情况。这些数据有助于检测异常运行或振动问题，以及识别需要维修或调整的情况。
缺陷识别部分的主要作用是根据传感器数据和视觉区域检测结果，自动识别接触网可能存在的缺陷或异常情况。通过融合不同数据源的信息，系统能够提高缺陷识别的准确性和可靠性。传感器数据提供了实时的物理状态信息，而视觉检测结果提供了可视化的信息，相互补充。缺陷识别部分的工作有助于快速发现接触网的问题，从而可以及时采取维修措施，减少运行中断和事故风险，提高列车和铁路系统的安全性和可靠性。
实施例2：所述天气数据包括：温度、湿度、气压和空气质量指数；所述传感器监测部分包括：电流传感器、位置传感器、温度传感器、电弧传感器、加速度传感器和振动传感器。
实施例3：所述视觉区域检测部分，结合天气数据，对获取到的实时图像进行图像处理的方法包括：
使用如下公式，计算出大气光传播系数：
；
其中，为光波长，/>为气压，/>是温度，/>为空气质量指数，/>为湿度；
通过计算，可以了解大气中散射光对图像的影响程度。这个信息在图像矫正中很关键，因为散射光会导致图像出现雾霾或模糊。通过考虑/>，可以更好地校正图像，去除散射光的影响，使图像更清晰。大气光传播系数/>还可以用于改善图像的对比度。当/>较大时，表示大气光的影响较小，图像的对比度较高。反之，当/>较小时，表示大气光的影响较大，图像的对比度较低。通过调整图像的亮度和对比度，可以改善图像的可视化效果。计算大气光传播系数/>有助于图像处理算法更准确地分析场景和识别物体。去除大气光的干扰后，物体的轮廓和特征更容易被算法检测和识别。
再使用如下公式，计算出大气散射指数：
；
具体的，光线散射程度的衡量的值反映了大气中光线散射的程度。当/>较大时，表示大气中的散射现象较为明显，光线会以不同方向散射，从而降低图像的对比度和清晰度。反之，当/>较小时，表示散射影响较小，图像的可视效果更好。通过考虑大气散射指数/>，图像处理算法可以更好地校正和增强图像。在矫正过程中，算法可以根据/>的值来减轻或去除图像中由散射引起的雾霾或模糊。这有助于提高图像的清晰度和可视化效果。大气散射指数/>的计算在环境遥感和气象研究中有广泛应用。它可以用来估计大气中的能见度，从而帮助预测天气和气象条件。
求解以下优化问题，计算出图像矫正透射率：
；
其中，为实时图像；/>为实时图像的光强矫正矩阵；/>为图像矫正透射率；再结合光强矫正矩阵，估计实时图像的环境遮罩图；在实时图像中去除环境遮罩图，得到增强图像。
这个问题建立在图像模型的基础上，其中包括实时图像和实时图像的光强矫正矩阵/>。实时图像包含了拍摄场景的信息，但受到了大气光、散射和环境遮罩的影响。大气光传播系数/>和大气散射指数/>的计算已经提供了关于大气光和散射的信息。这些信息用于估计图像的大气光分量，即/>。优化问题的目标是计算图像矫正透射率/>。这个透射率用于表示图像中的透射成分，即光线通过大气和环境遮罩后到达图像的成分。优化问题的目标是最小化目标函数，该函数由两个部分组成。第一部分是用来拟合图像的大气光和散射的影响，即/>和/>之间的差异。第二部分是用来控制透射率/>的平滑性，其中/>是权衡两个部分的参数。通过调整/>的值，可以减轻大气光和环境遮罩的影响，使图像更真实和清晰。
通过解决优化问题，可以计算出透射率，从而去除图像中由大气光和散射引起的雾霾、模糊和失真。这有助于提高图像的清晰度和可视化质量。通过计算透射率/>，还可以估计实时图像的环境遮罩图。这个遮罩图可以用于识别图像中的环境遮罩物体，例如雾、烟、灰尘等，有助于进一步的分析和处理。通过去除大气光和环境遮罩的影响，优化后的图像更适合于后续的分析、识别和处理任务，提高了图像的质量和可用性。优化后的图像更容易用于场景理解和物体识别任务。去除了干扰因素后，物体的轮廓和特征更容易被算法检测和识别。
实施例4：实时图像的光强矫正矩阵的计算过程包括：通过如下公式，计算得到实时图像的平均亮度和标准差；
；
其中，表示实时图像中第/>个像素；/>为图像的平均亮度；/>为实时图像中的像素个数；/>为标准差；再使用如下公式，计算矫正系数：
；
其中，构建实时图像的光强矫正矩阵，其中每个元素/>表示第/>个像素的矫正系数/>。
具体的，矫正系数用于调整图像的亮度，使整个图像的亮度更均匀。这有助于去除图像中可能存在的亮度不均匀性。通过标准差和平均亮度的关系，矫正系数可以增强图像的对比度。对比度增强可以使图像更具有视觉吸引力，更容易分辨细节。矫正系数可以用来去除图像中的阴影和高光，使图像中的细节更加清晰可见。通过矫正系数的应用，可以改善图像的质量，使其更适合于后续的图像处理和分析任务，如目标检测、物体识别等。
实施例5：使用如下公式，计算得到环境遮罩图：
；
其中，为环境遮罩图；/>为一阶L1范数；/>为二阶L2范数；
使用如下公式，对获取到的实时图像进行图像处理，以去除天气因素对实时图像的影响，得到增强图像：
;
其中，为增强图像。
具体的，数据拟合项()是一个误差项，用于衡量环境遮罩图/>的质量。它表示通过将环境遮罩图/>应用到原始实时图像/>上，然后与经过光强矫正/>处理后的图像之间的差异。优化过程中，通过调整/>的值，以最小化这种差异，从而使环境遮罩图/>更好地拟合原始图像。稀疏性项(/>)是一个正则化项，用于控制环境遮罩图/>的稀疏性。一阶/>范数(/>)用于推动环境遮罩图/>的大多数像素值趋向于零，仅保留少数非零值。这意味着只有少数像素对应于环境遮罩的区域，而其他区域的像素值将趋于零。计算得到的环境遮罩图/>揭示了实时图像中的环境遮罩物体的位置和影响程度。较大的/>值对应于较强的遮罩效应，而较小的/>值对应于较弱或无遮罩效应的区域。通过应用环境遮罩图/>到原始实时图像/>上，可以将环境遮罩物体的亮度变化减少或消除，从而改善图像的质量和可视化效果。这有助于去除图像中的雾、烟、降雨等天气因素的影响。最终的增强图像/>是通过从原始图像中减去环境遮罩物体的效应而得到的。这个增强图像更具有视觉吸引力，更容易用于后续的图像处理、分析和识别任务。环境遮罩图/>可用于更容易地分割图像中的物体和背景，因为遮罩图标识了环境遮罩的位置，使物体与背景分离更加明显。
实施例6：定位增强图像中的接触线区域和受电弓区域的方法包括：
步骤1：构建高斯-拉普拉斯金字塔，对增强图像进行处理，得到第一处理结果和低层级图像；首先，对增强图像进行处理，构建高斯-拉普拉斯金字塔。这个金字塔包括多个层级，每个层级都包含了图像的不同尺度。通过高斯滤波和图像金字塔的构建，得到第一处理结果和低层级图像。低层级图像通常是金字塔中层数较小的图像。
步骤2：使用卷积神经网络对第一处理结果进行边缘检测，生成边缘概率分布图；使用卷积神经网络(CNN)对第一处理结果进行边缘检测。卷积神经网络是一种深度学习模型，用于识别图像中的特征。在这个步骤中，CNN用于生成边缘概率分布图，该图显示图像中可能的边缘位置和概率。
步骤3：使用低层级图像和边缘概率分布图来提取接触线区域；所述低层级图像为层数小于4层的高斯-拉普拉斯金字塔所输出的图像；使用低层级图像和边缘概率分布图来提取接触线区域。低层级图像包含了图像的粗略信息，而边缘概率分布图帮助识别可能的接触线位置。这个步骤旨在定位接触线区域，可能会使用阈值或其他方法来筛选潜在的接触线位置。
步骤4：使用深度学习条件随机场模型来推断第一处理结果中的受电弓区域的概率分布图；使用深度学习条件随机场(CRF)模型来推断第一处理结果中的受电弓区域的概率分布图。CRF是一种概率图模型，可用于建模图像中的像素之间的关系。在这个步骤中，CRF模型根据第一处理结果和其他信息，推断受电弓区域的可能位置，并生成相应的概率分布图。
步骤5：:使用低层级图像和概率分布图来提取受电弓区域。最后，使用低层级图像和受电弓区域的概率分布图来提取受电弓区域。这个步骤类似于步骤3，但针对受电弓区域进行操作。通过结合低层级图像的信息和概率分布图，可以定位受电弓区域。
具体的，首先，从增强图像开始，这是通过之前的处理步骤获得的图像。增强图像可能已经经过预处理和去噪等操作，以提高图像质量。最顶层是原始增强图像，通常表示为。对顶层图像/>应用高斯滤波来减小高频噪声和细节。高斯滤波通过卷积图像与一个高斯核来实现，这个核控制着平滑的程度。在高斯平滑之后，对图像进行下采样操作，即缩小图像的分辨率。这通常是通过丢弃每隔若干像素的行和列来实现的。通过将下采样后的图像作为下一层的输入，重复步骤3和步骤4，生成下一层的图像。这个过程一直持续到达到所需的金字塔层数。上述步骤在每一层都会重复，直到构建完整的金字塔。金字塔中的每一层都比前一层具有更低的分辨率。金字塔允许对同一图像在不同尺度上进行分析。不同尺度的图像可以帮助识别和定位不同大小的特征和对象。金字塔的每一层都代表了图像在不同分辨率下的版本。较低层级的图像具有较低的分辨率，但保留了较大的结构特征，而较高层级的图像具有更高的分辨率，可以用于检测更小的细节。高斯-拉普拉斯金字塔在计算机视觉和图像处理中有多种应用，包括特征提取、目标检测、图像匹配、图像金字塔匹配、尺度不变特征变换(SIFT)等。金字塔的不同层级可以用于处理不同尺度的问题。
将第一处理结果的图像作为输入数据提供给卷积神经网络(CNN)。通常，这个输入图像会经过一些预处理，如归一化或调整大小，以满足网络的要求。CNN由多个卷积层组成，每个卷积层包括多个卷积核（过滤器）。卷积核对输入图像进行卷积运算，通过滑动窗口在图像上移动，并计算局部特征的加权和。每个卷积层后通常会应用一个激活函数，如ReLU(RectifiedLinearUnit)，以引入非线性性质。在卷积层之后，通常会添加池化层，用于下采样图像，减小分辨率，并保留重要的特征。常见的池化操作包括最大池化（选择局部区域中的最大值）或平均池化（计算局部区域的平均值）。在卷积和池化层之后，通常会添加全连接层，用于将图像特征映射到边缘检测任务的输出空间。这些层通常由多个神经元组成，最后一层的神经元数量通常等于边缘检测任务的类别数或输出数量。最终，通过CNN网络的输出层获得边缘概率分布图。这个图表示输入图像上每个像素点处的边缘概率或边缘强度。较高的值通常表示图像中可能存在边缘的位置。CNN的卷积层通过卷积核对输入图像进行滤波操作，从而提取出不同方向和尺度的特征。这些特征有助于识别图像中的边缘和纹理。CNN通常包含多个卷积层和池化层，这些层级之间逐渐学习到更高级别的特征表示。这使得网络能够逐渐理解图像的抽象特征，从而更好地进行边缘检测。在卷积层后应用的非线性激活函数（如ReLU）引入了非线性性质，使得网络能够捕捉复杂的图像模式。池化层有助于减小图像分辨率，减少计算复杂度，同时保留重要的信息。这有助于提高网络的鲁棒性和泛化能力。全连接层将卷积层的特征映射到最终的输出空间，以生成边缘检测结果。
低层级图像是指在高斯-拉普拉斯金字塔中具有较低分辨率的图像层级。这些图像通常包含了图像的粗略特征和结构信息，因为它们经过多次下采样操作而失去了一部分细节。边缘概率分布图是由步骤2中的卷积神经网络(CNN)生成的。它表示了图像中每个像素点处的边缘概率或边缘强度。边缘概率图通常在图像中标识可能存在边缘的位置。步骤3旨在结合低层级图像的信息和边缘概率分布图，以提取接触线区域的位置。这个过程通常包括对低层级图像和概率分布图进行适当的特征融合或组合。低层级图像包含图像的粗略特征，而边缘概率分布图提供了有关可能的边缘位置的信息。通过结合这两者，可以综合使用多尺度信息来更准确地定位接触线区域。通过将低层级图像的信息与边缘概率分布图相结合，可以帮助过滤掉一些假阳性，减少对图像中不相关边缘的检测，从而降低误检率。此步骤有助于提高接触线区域的检测性能，使其更准确、鲁棒和可靠。通过融合不同层级的信息，可以更好地捕捉接触线的形状和位置。
深度学习条件随机场(CRF)是一种概率图模型，用于对图像像素之间的关系建模。它在深度学习中广泛用于图像分割和像素级别的标注任务。CRF基于图的概念，其中像素表示图的节点，而边表示像素之间的关联。CRF通过考虑局部和全局特征，以及像素之间的条件依赖关系来进行图像标注。输入数据包括第一处理结果的图像，以及可能的特征信息，如边缘概率分布图、低层级图像等。CRF模型被训练用于生成受电弓区域的概率分布图。这个概率分布图表示了图像上每个像素点属于受电弓区域的概率。在推断阶段，CRF模型使用输入数据和已训练的参数来计算图像中每个像素点的受电弓区域概率。这个过程涉及到考虑像素之间的条件依赖关系，以及局部和全局特征的权重。CRF模型通过考虑像素之间的关系和特征信息，以像素级别的精度推断受电弓区域的概率分布。这使得可以在图像中准确地定位受电弓的位置。由于CRF模型考虑了全局和局部特征以及像素之间的条件依赖关系，因此它有助于细化受电弓区域的边界，使其更加准确。CRF模型可以帮助减少假阳性，提高受电弓区域检测的准确性和鲁棒性。它对图像上的每个像素进行概率评估，以确定是否属于受电弓区域。
实施例7：步骤1中，使用如下公式，构建高斯-拉普拉斯金字塔：
；
；
其中，表示对高斯金字塔的第/>层图像进行上采样以匹配第/>层图像的尺寸，上采样使用双线性插值；/>为高斯核的半径；金字塔的第/>层图像在坐标/>处的像素值；/>表示增强图像/>在坐标/>处的像素值；/>为高斯金字塔的层级，当/>时，为高斯金字塔最底层；步骤2具体包括：准备一个CNN模型，该模型用于边缘检测任务，包括卷积层、激活函数、池化层和全连接层，以捕获图像中的特征；将增强图像/>作为输入传递给CNN模型；在CNN模型中，增强图像经过/>卷积和池化操作，最后输出一个概率分布图/>，其中每个像素/>的值表示在该位置检测到边缘的概率；通过如下公式，使用低层级图像和边缘概率分布图来提取接触线区域/>：
。
具体的，在金字塔构建中，首先使用高斯核函数来对增强图像/>进行高斯平滑。高斯平滑的作用是模糊图像，减小图像中的高频噪声，同时保留图像的主要特征。公式中的/>表示高斯核在离散坐标/>处的值。通过对不同层级的高斯平滑结果进行下采样，构建了多层级的高斯金字塔。金字塔的每一层都比上一层具有较低的分辨率。层级/>的高斯金字塔图像/>表示在坐标/>处的像素值。拉普拉斯金字塔是通过将高斯金字塔中的一个层级减去其上一层级的上采样结果构建的。上采样使用双线性插值来匹配分辨率。这样得到的拉普拉斯金字塔/>包含了图像的细节信息，因为它是高斯金字塔与上采样结果的差。在步骤2中，使用了一个CNN模型，用于边缘检测任务。这个模型包括卷积层、激活函数、池化层和全连接层，用于学习图像中的特征，并生成边缘概率图/>。卷积层通过滑动卷积核在输入图像上提取特征，每个卷积核对应一个特定的特征。这些特征有助于检测图像中的边缘。激活函数（如ReLU）引入非线性性质，使得CNN能够捕捉复杂的图像特征。池化层用于下采样，减小图像分辨率，并保留重要特征。这有助于降低计算复杂度和增强网络的鲁棒性。全连接层将卷积层的特征映射到最终的输出空间，生成边缘概率图/>。步骤3旨在将边缘信息与拉普拉斯金字塔的不同层级图像信息进行融合。具体地，将低层级图像/>和边缘概率图/>进行逐元素相乘，然后对三个层级的结果进行平均。这个操作考虑了不同层级的图像细节以及边缘信息，从而提取接触线区域。最终得到的/>表示在坐标/>处的接触线区域的概率分布。这个值是通过将三个层级的结果相加并除以/>来计算的，以平均不同层级的信息。构建高斯-拉普拉斯金字塔用于多尺度图像分析，以便更好地捕捉图像的细节信息和特征。CNN模型用于检测图像中的边缘，生成边缘概率图，有助于识别接触线的位置。将低层级图像和边缘信息相结合，以提取接触线区域的概率分布，从而更精确地定位接触线。
实施例8：步骤4具体包括：
；
其中，表示增强图像中第/>个像素；/>表示增强图像中第/>个像素；/>是一元势函数，它衡量像素第/>个像素属于受电弓区域的置信度；/>表示图像中第/>个像素属于受电弓区域的二进制变量，值为1表示属于，0表示不属于；/>为下表索引，取值范围为1到/>；/>是二元势函数，衡量相邻第/>个像素和第/>个像素之间的相似性；使用如下公式，计算得到概率分布图/>：
；
再使用如下公式，来提取受电弓区域：
。
具体的，基于概率图模型和马尔可夫随机场的思想，用于描述受电弓区域的像素配置的概率分布。这个概率分布通过最小化能量函数/>来确定，其中包括了一元势函数和二元势函数的贡献。一元势函数/>衡量了每个像素/>属于受电弓区域的置信度。它可以基于像素的亮度、颜色或其他特征来定义。一元势函数的目标是使像素与受电弓区域的属性一致性最大化。二元势函数/>衡量了相邻像素/>和/>之间的相似性以及它们是否属于同一受电弓区域。这可以通过像素间的差异度和关联性来度量。二元势函数的目标是使相邻像素之间的差异最小化，从而促使像素的配置在受电弓区域之间平滑分布。
能量函数的作用是通过权衡一元势函数和二元势函数的贡献，来确定像素配置/>的概率分布。最小化能量函数/>相当于在像素配置空间中寻找一个配置/>，使其对应的能量最低，即最符合图像的实际特征和受电弓区域的分布。一元势函数/>帮助确保像素的亮度或其他特征与受电弓区域的属性一致，而二元势函数/>有助于平滑相邻像素的配置，以减少分割中的噪声和不一致性。
概率分布图的计算是通过对能量函数的负指数来实现的。其中，表示了在图像中每个像素点/>属于受电弓区域的概率。负指数部分的值越小，概率越大，从而表示像素属于受电弓区域的可能性越高。估计图像中每个像素点/>属于受电弓区域的概率，这有助于进行图像分割和目标检测任务。具体来说，它用于将图像分割成受电弓区域和非受电弓区域。能量函数/>中包含了一元势函数和二元势函数，这些函数考虑了像素的亮度、相似性和相互关系。因此，公式2有助于考虑图像中不同区域的特征，并通过最小化能量函数来确定最合适的像素配置。概率分布图/>提供了每个像素点属于受电弓区域的概率信息，可以用于后续的图像处理和分析，例如，可以基于概率阈值进行像素分类，从而得到最终的受电弓区域分割结果。建立一个概率模型，以估计图像中像素点属于受电弓区域的概率分布，从而实现图像分割和目标检测任务中的受电弓区域分割。
根据低层级图像和受电弓区域的概率分布图/>来提取受电弓区域的结果。具体来说，它通过将低层级图像的特征与受电弓区域的概率信息相结合，实现了受电弓区域的分割。低层级图像/>包含了图像的粗略特征，例如边缘信息和纹理信息。通过与受电弓区域的概率分布/>相乘，可以强调受电弓区域的特征，从而提高受电弓区域的分割准确性。最终的结果/>表示了在图像的每个位置/>处像素属于受电弓区域的概率，可以用于后续的图像处理和分析，例如，可以基于概率阈值进行像素分类，得到最终的受电弓区域分割结果。
实施例9：使用预先训练的支持向量模型对受电弓区域和接触线区域进行概率分类识别，分别计算得到概率数值型的第一接触线缺陷识别结果和第一受电弓缺陷识别结果；分别计算多个时刻的受电弓与接触线之间的电流传输数据、受电弓的位置数据、目标接触网所处位置的温度数据、受电弓的电弧数据、铁路车辆的加速度数据和受电弓振动数据的方差；统计其中超过设定的阈值的方差的数量，将数量/>乘以第一接触线缺陷识别结果，得到第一中间值，若第一中间值超过设定的第一判别阈值，则得到接触线最终缺陷识别结果为接触线出现缺陷；统计其中超过设定的阈值的方差的数量/>，将数量/>乘以第一受电弓缺陷识别结果，得到第二中间值，若第二中间值超过设定的第二判别阈值，则得到受电弓最终缺陷识别结果为受电弓出现缺陷。
使用预先训练的支持向量模型对受电弓区域和接触线区域进行概率分类识别。支持向量机（SVM）是一种监督学习算法，能够学习从输入数据到输出标签的映射关系。在这里，它被用于根据输入数据（可能是图像或其他传感器数据）来预测受电弓和接触线区域的概率。这一步骤的原理是通过模型的训练和测试，得出每个区域的概率估计值。多个时刻的传感器数据，包括电流传输数据、受电弓位置数据、温度数据、电弧数据、加速度数据和受电弓振动数据，都具有一定的变化性。通过计算这些数据的方差，可以估计它们的离散程度，即数据的变化程度。方差越大，数据越分散。需要设定方差的阈值。这个阈值可以根据系统的要求和数据的特性来确定。一般来说，如果方差超过设定的阈值，意味着传感器数据的变化较大，可能表示出现异常或故障。将方差超过设定阈值的数量统计为S，然后将S与之前通过支持向量模型获得的第一接触线缺陷识别结果和第一受电弓缺陷识别结果相乘，得到第一中间值和第二中间值。这一步的作用是将传感器数据的变异性与概率分类识别结果相结合，以考虑概率结果的可信度。需要设定第一判别阈值和第二判别阈值。这些阈值可以根据系统的性能要求和可接受的误判率来确定。当中间值超过设定的阈值时，表示传感器数据的变异性与概率分类识别结果的相乘值足够大，可以判定受电弓或接触线出现缺陷。根据第一中间值和第二中间值与判别阈值的比较，可以得到最终的接触线缺陷识别结果和受电弓缺陷识别结果。如果中间值超过了设定的阈值，那么相应的区域就被识别为存在缺陷。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (9)
1.一种适应不同场景的接触网安全巡检系统，其特征在于，所述系统包括：视觉区域检测部分、传感器监测部分和缺陷识别部分；所述视觉区域检测部分，用于获取目标接触网的实时图像，并从云端实时获取目标接触网所处位置的天气数据，结合天气数据，对获取到的实时图像进行图像处理，以去除天气因素对实时图像的影响，得到增强图像，定位增强图像中的接触线区域和受电弓区域，对接触线区域进行缺陷识别，得到第一接触线缺陷识别结果；对受电弓区域进行缺陷识别，得到第一受电弓缺陷识别结果；传感器监测部分，用于实时获取传感器数据，所述传感器数据包括：受电弓与接触线之间的电流传输数据、受电弓的位置数据、目标接触网所处位置的温度数据、受电弓的电弧数据、铁路车辆的加速度数据和受电弓振动数据；缺陷识别部分，基于传感器数据、第一接触线缺陷识别结果和第一受电弓缺陷识别结果进行融合分析，分别得到接触线最终缺陷识别结果和受电弓最终缺陷识别结果。
2.如权利要求1所述的适应不同场景的接触网安全巡检系统，其特征在于，所述天气数据包括：温度、湿度、气压和空气质量指数；所述传感器监测部分包括：电流传感器、位置传感器、温度传感器、电弧传感器、加速度传感器和振动传感器。
3.如权利要求2所述的适应不同场景的接触网安全巡检系统，其特征在于，所述视觉区域检测部分，结合天气数据，对获取到的实时图像进行图像处理的方法包括：
使用如下公式，计算出大气光传播系数：
；
其中，为光波长，/>为气压，/>是温度，/>为空气质量指数，/>为湿度；再使用如下公式，计算出大气散射指数：
；
求解以下优化问题，计算出图像矫正透射率：
；
其中，为实时图像；/>为实时图像的光强矫正矩阵；/>为图像矫正透射率；再结合光强矫正矩阵，估计实时图像的环境遮罩图；在实时图像中去除环境遮罩图，得到增强图像。
4.如权利要求3所述的适应不同场景的接触网安全巡检系统，其特征在于，实时图像的光强矫正矩阵的计算过程包括：通过如下公式，计算得到实时图像的平均亮度和标准差；
；
其中，表示实时图像中第/>个像素；/>为图像的平均亮度；/>为实时图像中的像素个数；/>为标准差；再使用如下公式，计算矫正系数：
；
其中，构建实时图像的光强矫正矩阵，其中每个元素/>表示第/>个像素的矫正系数/>。
5.如权利要求4所述的适应不同场景的接触网安全巡检系统，其特征在于，使用如下公式，计算得到环境遮罩图：
；
其中，为环境遮罩图；/>为一阶L1范数；/>为二阶L2范数；
使用如下公式，对获取到的实时图像进行图像处理，以去除天气因素对实时图像的影响，得到增强图像：
；
其中，为增强图像。
6.如权利要求5所述的适应不同场景的接触网安全巡检系统，其特征在于，定位增强图像中的接触线区域和受电弓区域的方法包括：
步骤1：构建高斯-拉普拉斯金字塔，对增强图像进行处理，得到第一处理结果和低层级图像；
步骤2：使用卷积神经网络对第一处理结果进行边缘检测，生成边缘概率分布图；
步骤3：使用低层级图像和边缘概率分布图来提取接触线区域；所述低层级图像为层数小于4层的高斯-拉普拉斯金字塔所输出的图像；
步骤4：使用深度学习条件随机场模型来推断第一处理结果中的受电弓区域的概率分布图；
步骤5：:使用低层级图像和概率分布图来提取受电弓区域。
7.如权要求6所述的适应不同场景的接触网安全巡检系统，其特征在于，步骤1中，使用如下公式，构建高斯-拉普拉斯金字塔：
；
；
其中，表示对高斯金字塔的第/>层图像进行上采样以匹配第/>层图像的尺寸，上采样使用双线性插值；/>为高斯核的半径；金字塔的第/>层图像在坐标/>处的像素值；/>表示增强图像/>在坐标/>处的像素值；/>为高斯金字塔的层级，当/>时，为高斯金字塔最底层；步骤2具体包括：准备一个CNN模型，该模型用于边缘检测任务，包括卷积层、激活函数、池化层和全连接层，以捕获图像中的特征；将增强图像/>作为输入传递给CNN模型；在CNN模型中，增强图像经过/>卷积和池化操作，最后输出一个概率分布图/>，其中每个像素/>的值表示在该位置检测到边缘的概率；通过如下公式，使用低层级图像和边缘概率分布图来提取接触线区域/>：
。
8.如权要求7所述的适应不同场景的接触网安全巡检系统，其特征在于，步骤4具体包括：
；
其中，表示增强图像中第/>个像素；/>表示增强图像中第/>个像素；/>是一元势函数，它衡量像素第/>个像素属于受电弓区域的置信度；/>表示图像中第/>个像素属于受电弓区域的二进制变量，值为1表示属于，0表示不属于；/>为下表索引，取值范围为1到/>；/>是二元势函数，衡量相邻第/>个像素和第/>个像素之间的相似性；使用如下公式，计算得到概率分布图/>：
；
再使用如下公式，来提取受电弓区域：
。
9.如权要求7所述的适应不同场景的接触网安全巡检系统，其特征在于，使用预先训练的支持向量模型对受电弓区域和接触线区域进行概率分类识别，分别计算得到概率数值型的第一接触线缺陷识别结果和第一受电弓缺陷识别结果；分别计算多个时刻的受电弓与接触线之间的电流传输数据、受电弓的位置数据、目标接触网所处位置的温度数据、受电弓的电弧数据、铁路车辆的加速度数据和受电弓振动数据的方差；统计其中超过设定的阈值的方差的数量，将数量/>乘以第一接触线缺陷识别结果，得到第一中间值，若第一中间值超过设定的第一判别阈值，则得到接触线最终缺陷识别结果为接触线出现缺陷；统计其中超过设定的阈值的方差的数量/>，将数量/>乘以第一受电弓缺陷识别结果，得到第二中间值，若第二中间值超过设定的第二判别阈值，则得到受电弓最终缺陷识别结果为受电弓出现缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410156686.7A CN117690096B (zh) | 2024-02-04 | 2024-02-04 | 一种适应不同场景的接触网安全巡检系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410156686.7A CN117690096B (zh) | 2024-02-04 | 2024-02-04 | 一种适应不同场景的接触网安全巡检系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117690096A true CN117690096A (zh) | 2024-03-12 |
| CN117690096B CN117690096B (zh) | 2024-04-12 |
Family
ID=90137628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410156686.7A Active CN117690096B (zh) | 2024-02-04 | 2024-02-04 | 一种适应不同场景的接触网安全巡检系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117690096B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180231871A1 (en) * | 2016-06-27 | 2018-08-16 | Zhejiang Gongshang University | Depth estimation method for monocular image based on multi-scale CNN and continuous CRF |
| CN110197494A (zh) * | 2019-05-17 | 2019-09-03 | 武汉工程大学 | 一种基于单目红外图像的受电弓接触点实时检测算法 |
| CN111340828A (zh) * | 2020-01-10 | 2020-06-26 | 南京航空航天大学 | 基于级联卷积神经网络的脑部胶质瘤分割 |
| CN111561967A (zh) * | 2020-05-25 | 2020-08-21 | 山东万腾智能科技有限公司 | 弓网运行状态实时在线检测方法及系统 |
| 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 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| CN112598002A (zh) * | 2020-12-07 | 2021-04-02 | 南京航空航天大学 | 一种雾气和噪声影响下的车牌识别方法 |
| CN112669248A (zh) * | 2020-12-28 | 2021-04-16 | 西安电子科技大学 | 基于cnn与拉普拉斯金字塔的高光谱与全色图像融合方法 |
| CN113657258A (zh) * | 2021-08-16 | 2021-11-16 | 前景智能交通科技(苏州)有限公司 | 一种基于图像处理的接触网故障识别系统和识别方法 |
| CN113763326A (zh) * | 2021-08-04 | 2021-12-07 | 武汉工程大学 | 一种基于Mask Scoring R-CNN网络的受电弓检测方法 |
| US20230093619A1 (en) * | 2021-09-17 | 2023-03-23 | Uif (University Industry Foundation), Yonsei University | Weakly supervised semantic segmentation device and method based on pseudo-masks |
| CN116563262A (zh) * | 2023-05-22 | 2023-08-08 | 四川吉利学院 | 基于多模态的建筑裂缝检测算法 |
| CN117197700A (zh) * | 2023-11-07 | 2023-12-08 | 成都中轨轨道设备有限公司 | 智能化无人巡检接触网缺陷识别系统 |
-
2024
- 2024-02-04 CN CN202410156686.7A patent/CN117690096B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180231871A1 (en) * | 2016-06-27 | 2018-08-16 | Zhejiang Gongshang University | Depth estimation method for monocular image based on multi-scale CNN and continuous CRF |
| CN110197494A (zh) * | 2019-05-17 | 2019-09-03 | 武汉工程大学 | 一种基于单目红外图像的受电弓接触点实时检测算法 |
| CN111340828A (zh) * | 2020-01-10 | 2020-06-26 | 南京航空航天大学 | 基于级联卷积神经网络的脑部胶质瘤分割 |
| 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 |
| CN111561967A (zh) * | 2020-05-25 | 2020-08-21 | 山东万腾智能科技有限公司 | 弓网运行状态实时在线检测方法及系统 |
| AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
| CN112598002A (zh) * | 2020-12-07 | 2021-04-02 | 南京航空航天大学 | 一种雾气和噪声影响下的车牌识别方法 |
| CN112669248A (zh) * | 2020-12-28 | 2021-04-16 | 西安电子科技大学 | 基于cnn与拉普拉斯金字塔的高光谱与全色图像融合方法 |
| CN113763326A (zh) * | 2021-08-04 | 2021-12-07 | 武汉工程大学 | 一种基于Mask Scoring R-CNN网络的受电弓检测方法 |
| CN113657258A (zh) * | 2021-08-16 | 2021-11-16 | 前景智能交通科技(苏州)有限公司 | 一种基于图像处理的接触网故障识别系统和识别方法 |
| US20230093619A1 (en) * | 2021-09-17 | 2023-03-23 | Uif (University Industry Foundation), Yonsei University | Weakly supervised semantic segmentation device and method based on pseudo-masks |
| CN116563262A (zh) * | 2023-05-22 | 2023-08-08 | 四川吉利学院 | 基于多模态的建筑裂缝检测算法 |
| CN117197700A (zh) * | 2023-11-07 | 2023-12-08 | 成都中轨轨道设备有限公司 | 智能化无人巡检接触网缺陷识别系统 |
Non-Patent Citations (4)
| Title |
|---|
| LIU, Z.等: "Advances of research on high-speed railway catenary", 《J. MOD. TRANSPORT. 》, vol. 26, 10 November 2017 (2017-11-10), pages 1 * |
| 周兆安等: "基于深度学习的弓网异常状态在线检测研究", 《机车电传动》, vol. 5, 10 September 2022 (2022-09-10), pages 135 - 143 * |
| 张乔木: "复杂环境下弓网动态接触点识别检测研究", 《中国优秀硕士学位论文全文数据库：工程科技Ⅱ辑》, no. 1, 15 January 2023 (2023-01-15), pages 1 - 68 * |
| 焦志阳: "基于图像处理的受电弓实时状态检测研究", 《中国优秀硕士学位论文全文数据库：工程科技Ⅱ辑》, no. 5, 15 May 2022 (2022-05-15), pages 1 - 71 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117690096B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108615226B (zh) | 一种基于生成式对抗网络的图像去雾方法 | |
| CN110264448B (zh) | 一种基于机器视觉的绝缘子故障检测方法 | |
| CN111428748A (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
| CN107679495B (zh) | 一种输电线路周边活动工程车辆的检测方法 | |
| 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 | |
| CN107220962B (zh) | 一种隧道裂纹的图像检测方法和装置 | |
| CN110415260B (zh) | 基于字典与bp神经网络的烟雾图像分割与识别方法 | |
| CN111598889A (zh) | 均压环倾斜故障的识别方法、装置、计算机设备 | |
| CN113569708A (zh) | 活体识别方法、装置、电子设备以及存储介质 | |
| CN116485779A (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
| CN110276787B (zh) | 基于标志物图像检测的导线舞动监测方法 | |
| CN117037132A (zh) | 一种基于机器视觉的船舶水尺读数检测和识别方法 | |
| CN113065454B (zh) | 一种高空抛物目标识别比较的方法及装置 | |
| CN114463389A (zh) | 一种运动目标检测方法以及检测系统 | |
| CN115083008A (zh) | 运动目标检测方法、装置、设备及存储介质 | |
| CN117690096B (zh) | 一种适应不同场景的接触网安全巡检系统 | |
| CN111931577A (zh) | 一种电网线路特定异物智能巡检方法 | |
| CN116309407A (zh) | 一种铁路接触网螺栓异常状态的检测方法 | |
| CN115147450B (zh) | 基于运动帧差图像的移动目标检测方法及检测装置 | |
| CN113689399B (zh) | 一种用于电网识别遥感图像处理方法及系统 | |
| CN116071299A (zh) | 一种绝缘子rtv喷涂缺陷检测方法及系统 | |
| CN112734745B (zh) | 一种融合gis数据的无人机热红外影像供暖管道泄漏探测方法 | |
| CN112116561B (zh) | 基于图像处理融合网络权值的电网传输线检测方法及装置 | |
| CN117994625B (zh) | 基于毫米波雷达的特征融合能见度评估方法及系统 | |
| CN110738665B (zh) | 一种基于深度图像信息的物体接触识别方法 |
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 |