CN106679630B - 一种接触网***坡度检测*** - Google Patents
一种接触网***坡度检测*** Download PDFInfo
- Publication number
- CN106679630B CN106679630B CN201710029167.4A CN201710029167A CN106679630B CN 106679630 B CN106679630 B CN 106679630B CN 201710029167 A CN201710029167 A CN 201710029167A CN 106679630 B CN106679630 B CN 106679630B
- Authority
- CN
- China
- Prior art keywords
- locator
- image
- camera
- gradient
- contact net
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C9/00—Measuring inclination, e.g. by clinometers, by levels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/36—Videogrammetry, i.e. electronic processing of video signals from a single source or from different sources to give parallax or range information
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种接触网***坡度检测***,所述***包括视频采集单元和主机单元,其中:视频采集单元安装于列车车顶,图像采集单元用于实时采集接触网运行状态视频,并将视频图像实时传输到车内主机单元进行数据分析;主机单元安装于车厢内部,接收视频采集单元的视频信号并进行压缩存储,并根据获得弓网图像数据计算***坡度,实现了高效准确的对***坡度进行检测的技术效果。
Description
技术领域
本发明涉及电气化铁路安全检测领域,具体地,涉及一种***坡度检测***。
背景技术
发展电气化铁路是铁路现代化建设的必然趋势。而电气化铁路均采用电力牵引,电力机车必须在高速运行条件下可靠地从接触网上取得电能,否则将影响列车运行和电气驱动***的性能。为了降低在接触网在列车运行过程中的磨损,接触网通常沿钢轨上空“之”字形架设的。接触网架设***一般由接触悬挂、支持装置、定位装置、支柱与基础几部分组成。
定位装置是固定接触线,保证接触线在合理范围内架设的重要装置,它的安装精度直接影响接触线的几何参数,关系到接触网持续稳定的向受电弓供电。***是定位装置中直接与接触线接触的部件,***坡度是受电弓运行安全密切相关的接触网自身结构参数。为了避免受电弓滑动运行过程中与***碰撞而造成的打弓事件,对***坡度范围应有一定要求。
目前铁路行业内较多使用的是接触网静态测量仪器,一般通过手持或者车载可调制检测距离的激光器测量***两点垂直投影高差的方法计算***坡度。然而,这种测量方式需要在铁路非运营时段开展工作,且测量效率低。由于我国高速铁路快速发展,接触网安装精度要求不断提高,对接触网日常维护工作日益增长。因此,传统的接触网静态检测方法无法满足当前快速发展高速铁路网的接触网******检测需求。
综上所述,本申请发明人在实现本申请发明技术方案的过程中,发现上述技术至少存在如下技术问题:
在现有技术中,现有的***坡度检测方法存在检测效率和准确率较差的技术问题。
发明内容
本发明提供了一种接触网***坡度检测***,解决了现有的***坡度检测方法存在检测效率和准确率较差的技术问题,实现了高效准确的对***坡度进行检测的技术效果。
为解决上述技术问题,本申请提供了一种接触网***坡度检测***,所述***包括视频采集单元和主机单元,其中:
视频采集单元安装于列车车顶,图像采集单元用于实时采集接触网运行状态视频,并将视频图像实时传输到车内主机单元进行数据分析;
主机单元安装于车厢内部,接收视频采集单元的视频信号并进行压缩存储,并根据获得弓网图像数据计算***坡度。
进一步的,视频采集单元包括:安装底座、相机、补光光源;安装底座与车顶接口固定连接;补光光源和相机均固定于所述安装底座上,且相机和补光光源的射出光对准接触网***支架及***。
进一步的,所述***还包括电源管理模块和通讯控制模块;所述电源管理模块用于为视频采集单元和主机单元供电;所述通讯控制模块用于将视频采集单元采集的视频图像传输到主机单元。
进一步的,所述***还包括数据存储模块;所述数据存储模块用于保存视频采集单元采集的视频图像。
进一步的,所述主机单元中设有第一GPU模块;所述第一GPU模块用于通过深度学习算法对***进行粗检测,具体包括:
步骤1:首先获得***图像信息,然后基于***图像信息构建深度学习模型;
步骤2:基于弓网图像,构建***训练样本;
步骤3:基于步骤2中的训练样本训练深度学习模型;
步骤4:基于训练后的深度学习模型,对含有待检测***的图像进行处理,获得待检测***的位置信息;
步骤5:基于步骤4中的位置信息,对包含***的局部图像区域,对图像中的***进行精确定位,拟合***直线;
步骤6:对***图像进行投影变换,计算***在世界坐标系下的坐标,得到世界坐标系下***坡度。
进一步的,所述步骤1具体包括:
步骤1.1:构建包含若干个隐藏层的深度卷积网络,其中:包括卷积层,降采样层和全连接层;通过卷积计算提取图像的局部特征;
步骤1.2:通过池化对图像的局部特征做降采样处理;
步骤1.3:通过全连接层做进一步的逐层特征提取处理;
步骤1.4:通过分类器层预测***的类别概率和精确位置
步骤1.5:定义分类器损失函数,包括类别损失和位置损失。
进一步的,所述步骤4具体包括:
步骤4.1:对于待检测图像输入优化参数后的深度卷积网络;
步骤4.2:得到测试图像的网络输出值
步骤4.3:依据网络输出值可得到***类别和位置信息;
进一步的,所述主机单元中还设有第二CPU模块;所述第二CPU模块用于对***区域进行细检测,并通过单目视觉立体几何关系计算***在世界坐标系下的坡度,具体包括:
对包含***的局部图像区域,利用基于hough直线检测算法对图像中的***进行精确定位,拟合***直线,具体包括:
首先,Canny提取图像边缘:
(a)图像使用带有指定标准偏差的高斯滤波器来平滑;
(b)在每一点处计算局部梯度和边缘方向;
(c)针对步骤(b)中出现的图像脊,考虑Canny算法追踪所有脊的顶部,并将所有不在脊的顶部的像素设为零,在输出中给出一条线;脊像素使用两个阈值T1和T2做阈值处理,其中,T1<T2,像素值大于T2的脊像素成为强边缘像素,T1和T2之间的脊像素成为弱边缘像素;
(d)通过将8连接的弱像素集成到强像素,执行边缘链接;
然后,Hough拟合***直线:
(a1)在经过Canny算子变换的图像中,进行hough直线变换,得到全部可能的直线段;
(b1)在全部直线段中选取长度大于阈值,且角度符合预设条件的直线作为***拟合实现。
进一步的,所述步骤6具体包括:
首先,对相机进行标定:
(a2)绘制摄像机标定盘,按照相机在车顶的位置固定相机;
(b2)从不同距离和角度对标定盘成像,且满足标定盘与相机平面夹角小于45°;
(c2)将获取的图像导入计算机,得到相机的内参数(fx,fy,u0,v0)与外参数(R,t);
然后,利用投影矩阵计算***坐标:
(a3)建立图像坐标系与世界坐标系的转换关系:
(b3)将相机标定获得的内参数和外参数带入转换矩阵中,得到***世界坐标转换关系;
(c3)对***进行采样,由图像坐标计算***在真实世界坐标系中的坐标,其中,***下端点坐标为(Xw1,Yw1)和上端点坐标为(Xw2,Yw2);
然后,根据***坐标得到坡度,计算得到***坡度为:
进一步的,所述***还包括异常报警模块和控制***模块;所述异常报警模块用于输出***坡度异常信息;所述控制***模块用于对视频采集单元和主机单元进行综合控制。
其中,本申请中的接触网***坡度检测方法包括:
首先,利用图像采集装置获得列车接触网运行图像信息;
然后,对列车接触网运行图像信息进行处理,获得***图像信息;
然后,基于***图像信息,对***进行分析计算,获得世界坐标系下***坡度。
其中,对***进行分析计算是利用车载接触网运行检测装置的运行主机,通过基于深度学习的***线检测算法,对图像中的***进行检测定位,然后利用立体单目视觉对***进行坡度计算。
其中,本申请中的图像采集装置可以为相机、摄像机、摄像头等,如:是通过安装于车顶的高分辨率高速摄像装置采集接触网运行环境视频(如图3所示)。
并且,基于本申请中的方法对应的提供了一种接触网***坡度检测***,该***包括:
车载接触网视频采集装置,其包括于高速动车车顶安装的高分辨率高速摄像装置,实时采集接触网运行状态视频,并将视频图像实时传输到车内主机进行数据分析;
主机单元,包括电源管理,视频直播,操控界面,异常报警,通讯控制,数据分析以及控制***模块。其中在数据分析模块中,利用深度学习算法对图像进行分析,得到***的准确位置并拟合***直线,在成功获得***拟合直线后,利用立体单目视觉处理得到***在世界坐标系下的坡度。异常报警模块针对前述得到的***坡度进行分析,当***坡度超过规定阈值时输出报警信息,并给出***坡度超标时高速动车的位置信息。
其中,摄像装置的安装位置,方向,视野大小,图像采集频率满足***能针对每个接触网支柱采集到足够数量,适合进行***检测的图像,并且成像模型满足使用立体单目视觉进行***坡度计算条件。
其中,本申请中的方法采用相机和计算机结合,自动对***坡度进行检测,避免了传统的人工手持设备进行检测,检测效率较高,且在检测时间上没有限制,无需在列车停运时检测,检测效率较高,并且采用了深度学习模型、图像处理结合进行计算,能够获得准确的检测结果。
本申请提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请中的***坡度检测***,基于深度学习对复杂环境下不同***进行了精确的检测;并且基于直线拟合的思路,可以在局部区域内精确的拟合***直线;进一步的基于投影方程的解决办法,可以给出***在世界坐标系下的精确值;所以,有效解决了现有的***坡度检测方法存在检测效率和准确率较差的技术问题,进而实现了高效准确的对***坡度进行检测的技术效果。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;
图1是本申请中***坡度检测方法的流程示意图;
图2是本申请中***坡度检测***的组成示意图;
图3是本申请中***坡度检测***的视频采集装置安装示意图。
具体实施方式
本发明提供了一种接触网***坡度检测***,解决了现有的***坡度检测方法存在检测效率和准确率较差的技术问题,实现了高效准确的对***坡度进行检测的技术效果。
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
请参考图1-图3,本申请提供了一种***坡度检测方法,所述方法包括:
首先,利用图像采集装置获得列车接触网运行图像信息;
然后,对列车接触网运行图像信息进行处理,获得***图像信息;
然后,基于***图像信息,对***进行分析计算,获得世界坐标系下***坡度。
其中,对***进行分析计算是利用车载接触网运行检测装置的运行主机,通过基于深度学习的***线检测算法,对图像中的***进行检测定位,然后利用立体单目视觉对***进行坡度计算。
其中,本申请中的图像采集装置可以为相机、摄像机、摄像头等,如:是通过安装于车顶的高分辨率高速摄像装置采集接触网运行环境视频。
并且,基于本申请中的方法对应的提供了一种***坡度检测***,请参考图2,所述***包括视频采集单元和主机单元,其中:
视频采集单元安装于列车车顶,图像采集单元用于实时采集接触网运行状态视频,并将视频图像实时传输到车内主机单元进行数据分析;
主机单元安装于车厢内部,接收视频采集单元的视频信号并进行压缩存储,并根据获得弓网图像数据计算***坡度。
进一步的,视频采集单元包括:安装底座、相机、补光光源;安装底座与车顶接口固定连接;补光光源和相机均固定于所述安装底座上,且相机和补光光源的射出光对准接触网***支架及***。
其中,所述***还包括电源管理模块和通讯控制模块;所述电源管理模块用于为视频采集单元和主机单元供电;所述通讯控制模块用于将视频采集单元采集的视频图像传输到主机单元。
其中,所述***还包括数据存储模块;所述数据存储模块用于保存视频采集单元采集的视频图像。
其中,所述主机单元中设有第一GPU模块;所述第一GPU模块用于通过深度学习算法对***进行粗检测,具体包括:
步骤1:首先获得***图像信息,然后基于***图像信息构建深度学习模型;
步骤2:基于弓网图像,构建***训练样本;
步骤3:基于步骤2中的训练样本训练深度学习模型;
步骤4:基于训练后的深度学习模型,对含有待检测***的图像进行处理,获得待检测***的位置信息;
步骤5:基于步骤4中的位置信息,对包含***的局部图像区域,对图像中的***进行精确定位,拟合***直线;
步骤6:对***图像进行投影变换,计算***在世界坐标系下的坐标,得到世界坐标系下***坡度。
其中,所述步骤1具体包括:
步骤1.1:构建包含若干个隐藏层的深度卷积网络,其中:包括卷积层,降采样层和全连接层;通过卷积计算提取图像的局部特征;
步骤1.2:通过池化对图像的局部特征做降采样处理;
步骤1.3:通过全连接层做进一步的逐层特征提取处理;
步骤1.4:通过分类器层预测***的类别概率和精确位置
步骤1.5:定义分类器损失函数,包括类别损失和位置损失。
其中,所述步骤4具体包括:
步骤4.1:对于待检测图像输入优化参数后的深度卷积网络;
步骤4.2:得到测试图像的网络输出值
步骤4.3:依据网络输出值可得到***类别和位置信息;
其中,所述主机单元中还设有第二CPU模块;所述第二CPU模块用于对***区域进行细检测,并通过单目视觉立体几何关系计算***在世界坐标系下的坡度,具体包括:
对包含***的局部图像区域,利用基于hough直线检测算法对图像中的***进行精确定位,拟合***直线,具体包括:
首先,Canny提取图像边缘:
(a)图像使用带有指定标准偏差的高斯滤波器来平滑;
(b)在每一点处计算局部梯度和边缘方向;
(c)针对步骤(b)中出现的图像脊,考虑Canny算法追踪所有脊的顶部,并将所有不在脊的顶部的像素设为零,在输出中给出一条线;脊像素使用两个阈值T1和T2做阈值处理,其中,T1<T2,像素值大于T2的脊像素成为强边缘像素,T1和T2之间的脊像素成为弱边缘像素;
(d)通过将8连接的弱像素集成到强像素,执行边缘链接;
然后,Hough拟合***直线:
(a1)在经过Canny算子变换的图像中,进行hough直线变换,得到全部可能的直线段;
(b1)在全部直线段中选取长度大于阈值,且角度符合预设条件的直线作为***拟合实现。
其中,所述步骤6具体包括:
首先,对相机进行标定:
(a2)绘制摄像机标定盘,按照相机在车顶的位置固定相机;
(b2)从不同距离和角度对标定盘成像,且满足标定盘与相机平面夹角小于45°;
(c2)将获取的图像导入计算机,得到相机的内参数(fx,fy,u0,v0)与外参数(R,t);
然后,利用投影矩阵计算***坐标:
(a3)建立图像坐标系与世界坐标系的转换关系:
(b3)将相机标定获得的内参数和外参数带入转换矩阵中,得到***世界
坐标转换关系;
(c3)对***进行采样,由图像坐标计算***在真实世界坐标系中的坐
标,其中,***下端点坐标为(Xw1,Yw1)和上端点坐标为(Xw2,Yw2);
然后,根据***坐标得到坡度,计算得到***坡度为:
其中,所述***还包括异常报警模块和控制***模块;所述异常报警模块用于输出***坡度异常信息;所述控制***模块用于对视频采集单元和主机单元进行综合控制。
其中,利用深度学习算法对图像进行分析,得到***的准确位置并拟合***直线,在成功获得***拟合直线后,利用立体单目视觉处理得到***在世界坐标系下的坡度。异常报警模块针对前述得到的***坡度进行分析,当***坡度超过规定阈值时输出报警信息,并给出***坡度超标时高速动车的位置信息。图3为***坡度检测***中车载接触网视频采集装置的安装示意图,将采集装置安装在列车的顶部。
请参考图1,***检测步骤,利用深度学习算法,实时处理视频图像并检测图像中出现的***;
1构建深度学习模型:
如图1所示,构建包含若干个隐藏层的深度卷积网络,其中包括卷积层,降采样层、全连接层和输出层。其中卷积层、降采样层和全连接层用于逐层提取图像特征;输出层包含分类器用于得到图像***类别和区域。
步骤1.1:通过卷积计算提取图像的局部特征,并对局部特征进行非线性变换。
步骤1.2:通过池化对图像的局部特征做降采样。
步骤1.3:通过全连接层做进一步的逐层特征提取。
步骤1.4:通过输出层预测***的类别概率和精确位置。其中类别概率包括***的正定位与反定位;精确位置包括***区域的中心点坐标与长度和宽度。
步骤1.5:定义输出层分类器损失函数,包括类别损失和位置损失。其中损失函数***真实类别和位置与深度卷积网络输出值的最小均方误差。
上述卷积层,降采样层,全连接层和分类器层的构建方法在Lecun等人1998年发表在IEEE上的文章“Gradient-based learning applied to document recognition”有具体介绍
2选择样本。
通过3C采集设备获取大量的弓网图像,从图像中扣去***样本,构建***训练样本集。选择图像中包含***区域,选择***类别:正定位和反定位。记录***在图像中的位置,包含图像块的中心位置在全图的坐标和图像块的长和宽。
3训练深度学习模型;
利用梯度下降算法来最小化输出层分类器损失函数,从而以迭代的方式对深度卷积网络参数进行调整。求解方法在Rumelhart等人1986年发表在Nature上的文章″Learningrepresentations by back-propagating errors″中有具体介绍。
4检测***。
步骤4.1:对于待检测图像输入优化参数后的深度卷积网络,;
步骤4.2:得到所述测试图像的网络输出值。
步骤4.3:对输出层中的图像块目标概率进行排序,选择满足阈值要求的图像块作为目标区域。
步骤4.4:依据输出层得到目标区域计算类别概率,判别正定位与反定位。
步骤4.5:依据输出层得到目标区域的中心的坐标与区域长度和宽度。
5直线拟合步骤,对包含***的局部图像区域,利用基于hough直线检测算法对图像中的***进行精确定位,拟合***直线;
Canny提取图像边缘
a图像使用带有指定标准偏差的高斯滤波器来平滑,从而可以减少噪声;
b在每一点处计算局部梯度和边缘方向α(x,y)=arctan(Gy/Gx)。边缘点定义为梯度方向是其强度为局部最大的点。
c针对步骤b中出现的图像脊,考虑算法追踪所有脊的顶部,并将所有不在脊的顶部的像素设为零,从而在输出中给出一条细线。脊像素使用两个阈值T1和T2做阈值处理,其中T1<T2。像素值大于T2的脊像素成为强边缘像素,T1和T2之间的脊像素成为弱边缘像素。
d通过将8连接的弱像素集成到强像素,执行边缘链接。
Hough拟合***直线
在经过Canny算子变换的图像中,进行hough直线变换[],得到全部可能的直线段;
在全部直线段中选取长度大于阈值,且角度在[0°,45°]和[135°,180°]之间的直线作为***拟合实现;(对于正定位和反定位两种安装模式,***的安装与水平面的夹角在5°~20°之间,由于相机的安装角度和距离***的远近不同,***在图像中的角度通常是不同的,为了避免误检,要求***拟合直线段在图像中的角度为[0°,45°]和[135°,180°])
坡度计算步骤,对***图像进行投影变换,计算***在世界坐标系下的坐标,得到世界坐标系下***坡度。
对相机进行标定:
绘制摄像机标定盘,按照相机在车顶的位置固定相机;
从不同距离和角度对标定盘成像,且满足标定盘与相机平面夹角小于45°;
将获取的图像导入程序,利用opencv中“CalibrateCamera2”函数得到相机的内参数与外参数。
利用投影矩阵计算***坐标;
如公式所示,建立图像坐标系与世界坐标系的转换关系:
将相机标定获得的内参数(fx,fy,u0,v0)和外参数(R,t)带入转换矩阵中,得到***世界坐标转换关系;
对***进行采样,由图像坐标计算***在真实世界坐标系中的坐标,其中***下端点坐标为(Xw1,Yw1)和上端点坐标为(Xw2,Yw2)。
根据***坐标得到坡度
根据公式,计算得到***坡度为:
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
本申请中的***坡度检测***,基于深度学习对复杂环境下不同***进行了精确的检测;并且基于直线拟合的思路,可以在局部区域内精确的拟合***直线;进一步的基于投影方程的解决办法,可以给出***在世界坐标系下的精确值;所以,有效解决了现有的***坡度检测方法存在检测效率和准确率较差的技术问题,进而实现了高效准确的对***坡度进行检测的技术效果。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种接触网***坡度检测***,其特征在于,所述***包括视频采集单元和主机单元,其中:
视频采集单元安装于列车车顶,图像采集单元用于实时采集接触网运行状态视频,并将视频图像实时传输到车内主机单元进行数据分析;
主机单元安装于车厢内部,接收视频采集单元的视频信号并进行压缩存储,并根据获得弓网图像数据计算***坡度;
所述主机单元中还设有第二CPU模块;所述第二CPU模块用于对***区域进行细检测,并通过单目视觉立体几何关系计算***在世界坐标系下的坡度,具体包括:
对包含***的局部图像区域,利用基于hough直线检测算法对图像中的***进行精确定位,拟合***直线,具体包括:
首先,Canny提取图像边缘:
(a)图像使用带有指定标准偏差的高斯滤波器来平滑;
(b)在每一点处计算局部梯度和边缘方向;
(c)针对步骤(b)中出现的图像脊,考虑Canny算法追踪所有脊的顶部,并将所有不在脊的顶部的像素设为零,在输出中给出一条线;脊像素使用两个阈值T1和T2做阈值处理,其中,T1<T2,像素值大于T2的脊像素成为强边缘像素,T1和T2之间的脊像素成为弱边缘像素;
(d)通过将8连接的弱像素集成到强像素,执行边缘链接;
然后,Hough拟合***直线:
(a1)在经过Canny算子变换的图像中,进行hough直线变换,得到全部可能的直线段;
(b1)在全部直线段中选取长度大于阈值,且角度符合预设条件的直线作为***拟合实现。
2.根据权利要求1所述的接触网***坡度检测***,其特征在于,视频采集单元包括:安装底座、相机、补光光源;安装底座与车顶接口固定连接;补光光源和相机均固定于所述安装底座上,且相机和补光光源的射出光对准接触网***支架及***。
3.根据权利要求1所述的接触网***坡度检测***,其特征在于,所述***还包括电源管理模块和通讯控制模块;所述电源管理模块用于为视频采集单元和主机单元供电;所述通讯控制模块用于将视频采集单元采集的视频图像传输到主机单元。
4.根据权利要求1所述的接触网***坡度检测***,其特征在于,所述***还包括数据存储模块;所述数据存储模块用于保存视频采集单元采集的视频图像。
5.根据权利要求1所述的接触网***坡度检测***,其特征在于,所述主机单元中设有第一GPU模块;所述第一GPU模块用于通过深度学习算法对***进行粗检测,具体包括:
步骤1:首先获得***图像信息,然后基于***图像信息构建深度学习模型;
步骤2:基于弓网图像,构建***训练样本;
步骤3:基于步骤2中的训练样本训练深度学习模型;
步骤4:基于训练后的深度学习模型,对含有待检测***的图像进行处理,获得待检测***的位置信息;
步骤5:基于步骤4中的位置信息,对包含***的局部图像区域,对图像中的***进行精确定位,拟合***直线;
步骤6:对***图像进行投影变换,计算***在世界坐标系下的坐标,得到世界坐标系下***坡度。
6.根据权利要求5所述的接触网***坡度检测***,其特征在于,所述步骤1具体包括:
步骤1.1:构建包含若干个隐藏层的深度卷积网络,其中:包括卷积层,降采样层和全连接层;通过卷积计算提取图像的局部特征;
步骤1.2:通过池化对图像的局部特征做降采样处理;
步骤1.3:通过全连接层做进一步的逐层特征提取处理;
步骤1.4:通过分类器层预测***的类别概率和精确位置
步骤1.5:定义分类器损失函数,包括类别损失概率和位置损失概率。
7.根据权利要求5所述的接触网***坡度检测***,其特征在于,所述步骤4具体包括:
步骤4.1:对于待检测图像输入优化参数后的深度卷积网络;
步骤4.2:得到测试图像的网络输出值;
步骤4.3:依据网络输出值可得到***类别和位置信息。
8.根据权利要求5所述的***坡度检测***,其特征在于,所述步骤6具体包括:
首先,对相机进行标定:
(a2)绘制摄像机标定盘,按照相机在车顶的位置固定相机;
(b2)从不同距离和角度对标定盘成像,且满足标定盘与相机平面夹角小于45°;
(c2)将获取的图像导入计算机,得到相机的内参数(fx,fy,u0,v0)与外参数(R,t);
然后,利用投影矩阵计算***坐标:
(a3)建立图像坐标系与世界坐标系的转换关系:
(b3)将相机标定获得的内参数和外参数带入转换矩阵中,得到***世界坐标转换关系;
(c3)对***进行采样,由图像坐标计算***在真实世界坐标系中的坐标,其中,***下端点坐标为(Xw1,Yw1)和上端点坐标为(Xw2,Yw2);
然后,根据***坐标得到坡度,计算得到***坡度为:
9.根据权利要求1所述的接触网***坡度检测***,其特征在于,所述***还包括异常报警模块和控制***模块;所述异常报警模块用于输出***坡度异常信息;所述控制***模块用于对视频采集单元和主机单元进行综合控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710029167.4A CN106679630B (zh) | 2017-01-16 | 2017-01-16 | 一种接触网***坡度检测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710029167.4A CN106679630B (zh) | 2017-01-16 | 2017-01-16 | 一种接触网***坡度检测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106679630A CN106679630A (zh) | 2017-05-17 |
CN106679630B true CN106679630B (zh) | 2019-02-26 |
Family
ID=58860653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710029167.4A Active CN106679630B (zh) | 2017-01-16 | 2017-01-16 | 一种接触网***坡度检测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106679630B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109115180A (zh) * | 2018-07-02 | 2019-01-01 | 苏州大成电子科技有限公司 | 一种接触网运行检测*** |
CN109631800B (zh) * | 2018-11-27 | 2020-11-06 | 中国铁道科学研究院集团有限公司 | 一种接触线动态抬升量检测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101361086A (zh) * | 2005-12-22 | 2009-02-04 | 株式会社Gmg | 斜坡监控*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175219B (zh) * | 2011-01-31 | 2013-01-23 | 中国铁道科学研究院基础设施检测研究所 | 基于视频分析的高速接触网***坡度检测方法及设备 |
CN203116843U (zh) * | 2013-01-05 | 2013-08-07 | 西南交通大学 | 一种接触网振动测量装置 |
CN205292329U (zh) * | 2015-12-18 | 2016-06-08 | 铁道第三勘察设计院集团有限公司 | 一种接触网*** |
-
2017
- 2017-01-16 CN CN201710029167.4A patent/CN106679630B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101361086A (zh) * | 2005-12-22 | 2009-02-04 | 株式会社Gmg | 斜坡监控*** |
Also Published As
Publication number | Publication date |
---|---|
CN106679630A (zh) | 2017-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及*** | |
CN108956640B (zh) | 适用于配电线路巡检的车载检测装置及检测方法 | |
CN202793389U (zh) | 一种高铁接触网在线巡检装置 | |
CN104865971B (zh) | 一种输电线路巡检无人机的控制方法及无人机 | |
CN105426905B (zh) | 基于梯度直方图和支持向量机的机器人障碍物识别方法 | |
CN110487562A (zh) | 一种用于无人驾驶的车道保持能力检测***及方法 | |
CN109615870A (zh) | 一种基于毫米波雷达和视频的交通检测*** | |
CN104573646A (zh) | 基于激光雷达和双目相机的车前行人检测方法及*** | |
CN109389829A (zh) | 一种违规停车识别方法及*** | |
CN103837087B (zh) | 基于主动形状模型的受电弓自动检测方法 | |
CN109141347A (zh) | 车载摄像机测距方法及装置、存储介质和电子设备 | |
CN108960060A (zh) | 一种无人驾驶车辆路面纹理识别***及方法 | |
CN101915672A (zh) | 车道偏离报警***的测试装置及测试方法 | |
CN107187464A (zh) | 轨道板检测车、***以及方法 | |
CN102252859B (zh) | 汽车列车直线行驶横向稳定性自动辨识*** | |
CN112348034A (zh) | 基于无人机图像识别的起重机缺陷检测***和工作方法 | |
CN109270543A (zh) | 一种对目标车辆周围车辆位置信息检测的***和方法 | |
CN105205785A (zh) | 一种可定位的大型车辆运行管理***及其运行方法 | |
CN108919367A (zh) | 基于电流磁场的交流输电线路反演方法 | |
CN114037703B (zh) | 基于二维定位和三维姿态解算的地铁阀门状态检测方法 | |
CN106679630B (zh) | 一种接触网***坡度检测*** | |
CN111855667A (zh) | 一种适用于地铁车辆的新型智慧列检***和检测方法 | |
CN105516661B (zh) | 鱼眼相机与ptz相机相结合的主从目标监控方法 | |
CN105913034A (zh) | 车辆识别方法、装置及车辆 | |
CN103422417A (zh) | 一种公路表面破损的动态识别***与方法 |
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 |