CN109934172A - 高速列车受电弓免gps全运行线故障视觉检测定位方法 - Google Patents
高速列车受电弓免gps全运行线故障视觉检测定位方法 Download PDFInfo
- Publication number
- CN109934172A CN109934172A CN201910194392.2A CN201910194392A CN109934172A CN 109934172 A CN109934172 A CN 109934172A CN 201910194392 A CN201910194392 A CN 201910194392A CN 109934172 A CN109934172 A CN 109934172A
- Authority
- CN
- China
- Prior art keywords
- frame
- pantograph
- video
- bow
- failure
- 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
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Image Analysis (AREA)
Abstract
高速列车受电弓免GPS全运行线故障视觉检测定位方法,包括如下步骤:步骤1:采集受电弓视频,生成Faster RCNN训练样本集;步骤2:建立Faster RCNN卷积神经网络;步骤3:训练得到受电弓检测模型;步骤4:标记已出现受电弓故障的视频帧图;步骤5:得到与标记的已出现受电弓故障的视频帧图相对应的故障点在高速列车实际运行线路中的实际地理位置。本发明能够单纯地只依靠安装在受电弓前的在线拍照***自动对受电弓状态进行实时监测,可以在不使用GPS的情况下精确定位受电弓故障发生的地理位置,受电弓检测精度高达99%,本发明不需要其他价格昂贵的设备作为辅助,可以大大节约检测成本。
Description
技术领域
本发明涉及一种高速列车受电弓免GPS全运行线故障视觉检测定位方法。
背景技术
受电弓是目前国内高速列车普遍采用的一种受流装置,受电弓通过其特定材质的滑板从接触网受电,为列车提供能源。但由于不同的受电弓和供电网的设计特性,一般的弓网问题主要为受电弓滑板偏磨、受电弓螺钉松脱、接触网异物脱落、弓网燃弧等。由于目前高速列车的大电流供电特性,弓网故障可能使供电***跳闸或车辆损坏,并直接造成运营中断和延误。传统图像处理手段契合弓网设备时存在众多直线,应用在弓网组成部件复杂的实际情况中鲁棒性较差,难以实现实时跟踪,利用GPS定位故障也会出现信号丢失的情况,受电弓故障发生的地理位置难以确定。燃弧现象在加速受电弓电气磨损的同时也对接触网的性能产生一定影响,因此需要有针对性的依据接触网的状态进行故障维修。当列车驶入隧道时,GPS卫星定位信号失效,难以通过GPS定位信号来确定隧道内发生燃弧现象的具***置信息。如何实时检测到受电弓故障并免GPS及时判断故障出现地点尤为重要,是现有技术中有待解决的问题。
发明内容
本发明要解决的技术问题是,克服现有技术存在的上述缺陷,提供一种可有效确定受电弓故障发生的实际地理位置的高速列车受电弓免GPS全运行线故障视觉检测定位方法。
本发明解决其技术问题所采用的技术方案是:
使用本发明,能免GPS有效确定受电弓故障发生的实际地理位置,缩小检修范围,提高检修效率。保障高速动车组在高速运行时的安全性能。在本发明中,将受电弓故障定义为受电弓升降弓故障。
高速列车受电弓免GPS全运行线故障视觉检测定位方法如下:
步骤1:通过安装在高速列车受电弓前方的在线拍照***采集受电弓视频,并在采集到的受电弓视频中提取受电弓图片,作为Faster RCNN训练样本集。
步骤2:在Ubuntu16.04***下搭建Faster RCNN运行环境并完成配置,建立能实现实时检测受电弓的Faster RCNN卷积神经网络。
步骤3:对步骤2得到的卷积神经网络用训练样本集中的训练样本进行训练得到受电弓检测模型。
步骤4:实时采集受电弓视频中的帧图输入已训练好的受电弓检测模型,在视频帧图内检测受电弓,对受电弓进行识别及故障分析,标记已出现受电弓故障的视频帧图。
步骤5:对步骤4中实时采集到的受电弓视频,进行视频帧图之间的匹配,视频由无数帧图构成,依次对相邻帧图进行两两匹配,相邻两帧图会有一对以上匹配点,每对匹配点由两个匹配点构成,得到每对匹配点在相邻两帧图里的坐标,根据每对匹配点在相邻两帧图里的坐标,计算相邻两帧图的每对匹配点在像素层面的差值,得到并记录所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值;根据步骤4得到的标记的已出现受电弓故障的视频帧图和列车实际运行线路的里程长度L1,得到与标记的已出现受电弓故障的视频帧图相对应的故障点在高速列车实际运行线路中的实际地理位置。
本发明中,对相邻两帧图,称相邻两帧图中的第一帧图为前一帧图,相邻两帧图中的第二帧图为后一帧图。
进一步地,步骤1中,在线拍照***为现有成熟拍照***。高速列车开始运行时,在线拍照***就开始工作。高速列车停止运行时,在线拍照***也停止工作。
进一步地,步骤1采集到的受电弓视频并不仅限于非故障情况,采集的视频可包含任意状况下的受电弓视频,即有正常状态运行下的受电弓视频,也有发生故障时的受电弓视频,目的是为了丰富数据库的多样性。
进一步地,对步骤1中采集到的受电弓视频进行筛选,筛选出不同背景的受电弓视频并解帧,对解帧后的图片进一步筛选,进一步筛选的目的是舍弃重复的图片,保留不重复的图片,降低重复度,并统一所有保留的图片的大小,对最后保留的图片进行数据标定,生成受电弓训练样本集。将训练样本集制作成PASCAL VOC2007格式,该格式下会生成统一化的人工标注位置信息以及图片的路径来源和训练和交叉验证列表。
进一步地,步骤2在Ubuntu16.04***下搭建Faster RCNN运行环境并完成配置,建立能实现实时检测受电弓的Faster RCNN卷积神经网络。Faster RCNN由两部分构成,即RPN+Fast RCNN,首先是特征提取,然后RPN,最后进入Fast RCNN的后半部分,我们选取ZF分类网络作为特征提取的网络,即先进行五层深度的ZF,再接入RPN,生成proposals,这里利用ZF分类网络的目的是为了提取特征,故在ZF分类网络的第一个全连接层的最后一个卷积层停止,然后进入RPN。通过全连接和softmax对region proposals进行具体类别的分类后,再次对region proposals进行bounding box regression,获取更高精度的rectangle box。
进一步地,步骤3中,对Faster RCNN卷积神经网络用训练样本进行训练得到受电弓检测模型,具体方法为:
修改好Faster RCNN卷积神经网络中的训练类别数和训练迭代次数,本发明中,训练类别为2,训练类别包括受电弓和background。学习率会根据实际训练情况,在py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt中的solve文件设置,迭代次数可在py-faster-rcnn/tools的train_faster_rcnn_alt_opt.py中max_iters处修改。本发明中,模型训练迭代次数为600次,初始学习率为0.001,节省了95%的训练时间。最后进入py-faster-rcnn,执行运行训练命令:“./experiments/scripts/faster_rcnn_alt_opt.sh 0ZF pascal_voc”开始训练,生成受电弓检测模型,模型精度为90.9%。
进一步地,步骤4中,高速列车受电弓前方的在线拍照***在高速列车运行过程中是一直在监测受电弓的,即会一直采集受电弓视频,不管有没有发生故障,目的是为了实现实时性监测,同时视频会传送回来,输入已训练好的受电弓检测模型中,这样可以实现对整个运行过程中的实时监测,并不是只采集发生故障的视频,故障是检测后才知道的。
进一步地,步骤4具体包括使用步骤3中生成的受电弓检测模型对受电弓视频进行检测,对受电弓进行识别及故障分析,标记已出现受电弓故障的视频帧图。整个过程在Faster RCNN算法源码基础上借助opencv工具修改实现。具体为:(1)将高速列车运行中采集到的受电弓视频的帧输入预先训练好的受电弓检测模型;(2)在帧层面进行受电弓弓头区域检测;(3)输出弓头区域坐标,弓头区域坐标包括弓头的左上角的横纵坐标(x,y)和弓头的右上角的横纵坐标(X,Y);(4)计算弓头区域中心点高度,即(y+Y)/2;(5)记录弓头区域中心点高度变化;(6) (6)在列车行驶过程中,发生突变情况即突然升弓或者降弓时,弓头区域中心点高度的升幅或降幅超过50%,记录发生突变情况(如突然升弓或者降弓)的视频帧图,记录的已发生突变情况的视频帧图即为标记的已出现受电弓故障的视频帧图。
进一步地,步骤5中,对步骤4中实时采集到的受电弓视频,进行视频帧图之间的匹配,依次对相邻帧图进行两两匹配,得到每对匹配点在相邻两帧图里的坐标,相邻帧图之间的匹配为现有成熟技术。
进一步地,步骤5中,根据每对匹配点在相邻两帧图里的坐标,计算相邻两帧图的每对匹配点在像素层面的差值,得到所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值;具体是指:将配对的两匹配点在相应帧图里的坐标相减,即可得到配对的两匹配点在像素层面的差值;将相邻两帧图的所有对匹配点在像素层面的差值之和除以匹配点对数,得到相邻两帧图中所有匹配点在像素层面的位移均值,相邻两帧图中所有匹配点在像素层面的位移均值即为相邻两帧图的前一帧图运动至后一帧图时在像素层面的位移值,以此类推,依次得到所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值;
根据步骤4得到的标记的已出现受电弓故障的视频帧图和列车实际运行线路的里程长度L1,得到与标记的已出现受电弓故障的视频帧图相对应的故障点在高速列车实际运行线路中的实际地理位置,具体是指:记录所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值,然后根据步骤4得到的标记的已出现受电弓故障的视频帧图,进一步得到视频第一帧帧图到出现受电弓故障的视频帧图之间在像素层面的位移值S;将所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值相加,得到得到所有帧图的第一帧运动至最后一帧时在像素层面的位移值L2;最后根据列车实际运行线路的里程长度L1,得到与标记的已出现受电弓故障的视频帧图相对应的故障点在高速列车实际运行线路中的实际地理位置为。
如:采集到的受电弓视频包括N帧图时,第一帧图与第二帧图相邻、第二帧图与第三帧图相邻、第三帧图与第四帧图相邻、…、第A(A≥1)帧图与第A+1(A+1≤N)帧图相邻、…、第N-1帧图与第N帧图相邻。在进行相邻帧图之间的两两匹配和求位移均值后,得到所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值,即得到第一帧图运动至第二帧图在像素层面的位移值D1、第二帧图运动至第三帧图在像素层面的位移值D2、第三帧图运动至第四帧图在像素层面的位移值D3、…、第A-1帧图运动至第A帧图在像素层面的位移值DA-1、第A帧图运动至第A+1帧图在像素层面的位移值DA、…、第N-1帧图运动至第N帧图在像素层面的位移值DN-1。假设根据步骤4得到的标记的已出现受电弓故障的视频帧图为第A帧图,则从视频第一帧帧图到标记的已出现受电弓故障的视频帧图在像素层面的位移值S=D1+ D2+ D3+ D4+…+DA-1;L2=D1+ D2+ D3+ D4+…+DA-1+DA+…+ DN-1。列车实际运行线路的里程长度为L1。与标记的已出现受电弓故障的视频帧图即第A帧图,相对应的故障点在高速列车实际运行线路中的实际地理位置为=。
相对于现有技术,本发明具有以下有益效果:本发明能够单纯地只依靠安装在受电弓前的在线拍照***自动对受电弓状态进行实时监测,可以在不使用GPS的情况下精确定位受电弓故障发生的地理位置,受电弓检测精度高达99%,本发明不需要其他价格昂贵的设备作为辅助,可以大大节约检测成本。
附图说明
图1是本发明高速列车受电弓免GPS全运行线故障视觉检测定位方法的整体流程图。
图2是标记已出现受电弓故障的视频帧图的方法流程图。
具体实施方式
以下对本发明的一种优选具体实施方式作详细介绍。所述具体实施方式只是用于帮助理解本发明的核心思想。应当指出,对于本技术领域的技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也属于本发明权利要求的保护范围。以下结合附图和实施例对本发明作进一步说明。
请参阅图1所示,本发明涉及一种高速列车受电弓免GPS全运行线故障视觉检测定位方法,包括如下步骤:
步骤1:通过安装在高速列车受电弓前方的在线拍照***采集受电弓视频,并在采集到的受电弓视频中提取受电弓图片,作为Faster RCNN训练样本集。
在线拍照***为现有成熟拍照***。高速列车开始运行时,在线拍照***就开始工作。高速列车停止运行时,在线拍照***也停止工作。
本实例中采集的受电弓图片用于训练卷积神经网络。对步骤1中采集到的受电弓视频进行筛选,筛选出不同背景的受电弓视频并解帧,对解帧后的图片进一步筛选,进一步筛选的目的是舍弃重复的图片,保留不重复的图片,降低重复度,并统一所有保留的图片的大小,对最后保留的图片进行数据标定,生成受电弓训练样本集。将训练样本集制作成PASCAL VOC2007格式,该格式下会生成统一化的人工标注位置信息以及图片的路径来源和训练和交叉验证列表。具体通过安装在高铁受电弓前方的在线拍照***采集的视频中提取图片来实现,受电弓的提取包含了多种场景下的受电弓图片,不包含负样本,共计图片1202张。
步骤2:在Ubuntu16.04***下搭建Faster RCNN运行环境并完成配置,建立能实现实时检测受电弓的Faster RCNN卷积神经网络。
在Ubuntu16.04***下搭建Faster RCNN运行环境并完成配置,建立能实现实时检测受电弓的Faster RCNN神经网络。Faster RCNN由两部分构成,即RPN+Fast RCNN,首先是特征提取,然后RPN,最后进入Fast RCNN的后半部分,我们选取ZF分类网络作为特征提取的网络,即先进行五层深度的ZF,再接入RPN,生成proposals,这里利用ZF分类网络的目的是为了提取特征,故在ZF分类网络的第一个全连接层的最后一个卷积层停止,然后进入RPN。通过全连接和softmax对region proposals进行具体类别的分类后,再次对regionproposals进行bounding box regression,获取更高精度的rectangle box。
步骤3:对步骤2得到的卷积神经网络用训练样本集中的训练样本进行训练得到受电弓检测模型。
修改好Faster RCNN卷积神经网络中的训练类别数和训练迭代次数,本发明中,训练类别为2,训练类别包括受电弓和background。学习率会根据实际训练情况,在py-faster-rcnn/models/pascal_voc/ZF/faster_rcnn_alt_opt中的solve文件设置,迭代次数可在py-faster-rcnn/tools的train_faster_rcnn_alt_opt.py中max_iters处修改。本发明中,模型训练迭代次数为600次,初始学习率为0.001,节省了95%的训练时间。最后进入py-faster-rcnn,执行运行训练命令:“./experiments/scripts/faster_rcnn_alt_opt.sh0 ZF pascal_voc”开始训练,生成受电弓检测模型,模型精度为90.9%。
步骤4:实时采集受电弓视频中的帧图输入已训练好的受电弓检测模型,在视频帧图内检测受电弓,对受电弓进行识别及故障分析,标记已出现受电弓故障的视频帧图。
参照图2,使用步骤3中生成的受电弓检测模型对受电弓视频进行检测,对受电弓进行识别及故障分析,标记已出现受电弓故障的视频帧图。整个过程在Faster RCNN算法源码基础上借助opencv工具修改实现。具体为:(1)将高速列车运行中采集到的受电弓视频的帧输入预先训练好的受电弓检测模型;(2)在帧层面进行受电弓弓头区域检测;(3)输出弓头区域坐标,弓头区域坐标包括弓头的左上角的横纵坐标(x,y)和弓头的右上角的横纵坐标(X,Y);(4)计算弓头区域中心点高度,即(y+Y)/2;(5) 受电弓视频的每一帧对应一个弓头区域中心点高度,记录弓头区域中心点高度变化;(6)在列车行驶过程中,发生突变情况即突然升弓或者降弓时,弓头区域中心点高度的升幅或降幅超过50%,记录发生突变情况(如突然升弓或者降弓)的视频帧图,记录的已发生突变情况的视频帧图即为标记的已出现受电弓故障的视频帧图。
步骤5:对步骤4中实时采集到的受电弓视频,进行视频帧图之间的匹配,视频由无数帧图构成,依次对相邻帧图进行两两匹配,相邻两帧图会有一对以上匹配点,每对匹配点由两个匹配点构成,得到每对匹配点在相邻两帧图里的坐标,根据每对匹配点在相邻两帧图里的坐标,计算相邻两帧图的每对匹配点在像素层面的差值,得到并记录所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值;根据步骤4得到的标记的已出现受电弓故障的视频帧图和列车实际运行线路的里程长度L1,得到与标记的已出现受电弓故障的视频帧图相对应的故障点在高速列车实际运行线路中的实际地理位置。
步骤5中,对步骤4中实时采集到的受电弓视频,进行视频帧图之间的匹配,依次对相邻帧图进行两两匹配,得到每对匹配点在相邻两帧图里的坐标,相邻帧图之间的匹配为现有成熟技术。
进一步地,步骤5中,根据每对匹配点在相邻两帧图里的坐标,计算相邻两帧图的每对匹配点在像素层面的差值,得到所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值;具体是指:将配对的两匹配点在相应帧图里的坐标相减,即可得到配对的两匹配点在像素层面的差值;将相邻两帧图的所有对匹配点在像素层面的差值之和除以匹配点对数,得到相邻两帧图中所有匹配点在像素层面的位移均值,相邻两帧图中所有匹配点在像素层面的位移均值即为相邻两帧图的前一帧图运动至后一帧图时在像素层面的位移值,以此类推,依次得到所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值;
根据步骤4得到的标记的已出现受电弓故障的视频帧图和列车实际运行线路的里程长度L1,得到与标记的已出现受电弓故障的视频帧图相对应的故障点在高速列车实际运行线路中的实际地理位置,具体是指:记录所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值,然后根据步骤4得到的标记的已出现受电弓故障的视频帧图,进一步得到视频第一帧帧图到出现受电弓故障的视频帧图之间在像素层面的位移值S;将所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值相加,得到得到所有帧图的第一帧运动至最后一帧时在像素层面的位移值L2;最后根据列车实际运行线路的里程长度L1,得到与标记的已出现受电弓故障的视频帧图相对应的故障点在高速列车实际运行线路中的实际地理位置为。
如:采集到的受电弓视频包括N帧图时,第一帧图与第二帧图相邻、第二帧图与第三帧图相邻、第三帧图与第四帧图相邻、…、第A(A≥1)帧图与第A+1(A+1≤N)帧图相邻、…、第N-1帧图与第N帧图相邻。在进行相邻帧图之间的两两匹配和求位移均值后,得到所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值,即得到第一帧图运动至第二帧图在像素层面的位移值D1、第二帧图运动至第三帧图在像素层面的位移值D2、第三帧图运动至第四帧图在像素层面的位移值D3、…、第A-1帧图运动至第A帧图在像素层面的位移值DA-1、第A帧图运动至第A+1帧图在像素层面的位移值DA、…、第N-1帧图运动至第N帧图在像素层面的位移值DN-1。假设根据步骤4得到的标记的已出现受电弓故障的视频帧图为第A帧图,则从视频第一帧帧图到标记的已出现受电弓故障的视频帧图在像素层面的位移值S=D1+ D2+ D3+ D4+…+DA-1;L2=D1+ D2+ D3+ D4+…+DA-1+DA+…+ DN-1。列车实际运行线路的里程长度为L1。与标记的已出现受电弓故障的视频帧图即第A帧图,相对应的故障点在高速列车实际运行线路中的实际地理位置为=。
实验结果表明,通过本发明,可以在高速列车运行的复杂场景下,在不使用GPS的情况下,对受电弓进行准确检测和故障定位,受电弓检测精度高达99%,本发明不需要其他价格昂贵的设备作为辅助,可以大大节约检测成本,精度高,鲁棒性好,可有效确定受电弓故障发生的实际地理位置。
Claims (5)
1.高速列车受电弓免GPS全运行线故障视觉检测定位方法,其特征在于,包括如下步骤:
步骤1:通过安装在高速列车受电弓前方的在线拍照***采集受电弓视频,并在采集到的受电弓视频中提取受电弓图片,作为Faster RCNN训练样本集;
步骤2:在Ubuntu16.04***下搭建Faster RCNN运行环境并完成配置,建立能实现实时检测受电弓的Faster RCNN卷积神经网络;
步骤3:对步骤2得到的卷积神经网络用训练样本集中的训练样本进行训练得到受电弓检测模型;
步骤4:实时采集受电弓视频中的帧图输入已训练好的受电弓检测模型,在视频帧图内检测受电弓,对受电弓进行识别及故障分析,标记已出现受电弓故障的视频帧图;
步骤5:对步骤4中实时采集到的受电弓视频,进行视频帧图之间的匹配,视频由无数帧图构成,依次对相邻帧图进行两两匹配,相邻两帧图会有一对以上匹配点,每对匹配点由两个匹配点构成,得到每对匹配点在相邻两帧图里的坐标,根据每对匹配点在相邻两帧图里的坐标,计算相邻两帧图的每对匹配点在像素层面的差值,得到并记录所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值;根据步骤4得到的标记的已出现受电弓故障的视频帧图和列车实际运行线路的里程长度L1,得到与标记的已出现受电弓故障的视频帧图相对应的故障点在高速列车实际运行线路中的实际地理位置。
2.根据权利要求1所述的高速列车受电弓免GPS全运行线故障视觉检测定位方法,其特征在于,步骤1采集到的受电弓视频并不仅限于非故障情况,采集的视频可包含任意状况下的受电弓视频,即有正常状态运行下的受电弓视频,也有发生故障时的受电弓视频。
3.根据权利要求1或2所述的高速列车受电弓免GPS全运行线故障视觉检测定位方法,其特征在于,步骤4中,实时采集受电弓视频中的帧图输入已训练好的受电弓检测模型,在视频帧图内检测受电弓,对受电弓进行识别及故障分析,标记已出现受电弓故障的视频帧图,具体为:(1)将高速列车运行中采集到的受电弓视频的帧输入预先训练好的受电弓检测模型;(2)在帧层面进行受电弓弓头区域检测;(3)输出弓头区域坐标,弓头区域坐标包括弓头的左上角的横纵坐标(x,y)和弓头的右上角的横纵坐标(X,Y);(4)计算弓头区域中心点高度,即(y+Y)/2;(5)记录弓头区域中心点高度变化;(6)在列车行驶过程中,发生突变情况即突然升弓或者降弓时,弓头区域中心点高度的升幅或降幅超过50%,记录发生突变情况即突然升弓或者降弓时的视频帧图,记录的已发生突变情况的视频帧图即为标记的已出现受电弓故障的视频帧图。
4.根据权利要求1或2所述的高速列车受电弓免GPS全运行线故障视觉检测定位方法,其特征在于,步骤5中,根据每对匹配点在相邻两帧图里的坐标,计算相邻两帧图的每对匹配点在像素层面的差值,得到所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值;具体是指:将配对的两匹配点在相应帧图里的坐标相减,即可得到配对的两匹配点在像素层面的差值;将相邻两帧图的所有对匹配点在像素层面的差值之和除以匹配点对数,得到相邻两帧图中所有匹配点在像素层面的位移均值,相邻两帧图中所有匹配点在像素层面的位移均值即为相邻两帧图的前一帧图运动至后一帧图时在像素层面的位移值,以此类推,依次得到所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值。
5.根据权利要求4所述的高速列车受电弓免GPS全运行线故障视觉检测定位方法,其特征在于,根据步骤4得到的标记的已出现受电弓故障的视频帧图和列车实际运行线路的里程长度L1,得到与标记的已出现受电弓故障的视频帧图相对应的故障点在高速列车实际运行线路中的实际地理位置,具体是指:记录所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值,然后根据步骤4得到的标记的已出现受电弓故障的视频帧图,进一步得到视频第一帧帧图到出现受电弓故障的视频帧图之间在像素层面的位移值S;将所有两两相邻帧图的前一帧图运动至后一帧图时在像素层面的位移值相加,得到得到所有帧图的第一帧运动至最后一帧时在像素层面的位移值L2;最后根据列车实际运行线路的里程长度L1,得到与标记的已出现受电弓故障的视频帧图相对应的故障点在高速列车实际运行线路中的实际地理位置为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910194392.2A CN109934172B (zh) | 2019-03-14 | 2019-03-14 | 高速列车受电弓免gps全运行线故障视觉检测定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910194392.2A CN109934172B (zh) | 2019-03-14 | 2019-03-14 | 高速列车受电弓免gps全运行线故障视觉检测定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934172A true CN109934172A (zh) | 2019-06-25 |
CN109934172B CN109934172B (zh) | 2021-10-15 |
Family
ID=66987058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910194392.2A Active CN109934172B (zh) | 2019-03-14 | 2019-03-14 | 高速列车受电弓免gps全运行线故障视觉检测定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934172B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907734A (zh) * | 2021-03-09 | 2021-06-04 | 中南大学 | 基于虚拟crh380a模型和深度学习的teds故障检测方法 |
CN113192019A (zh) * | 2021-04-25 | 2021-07-30 | 台州智必安科技有限责任公司 | 一种基于紫外摄像头的列车受电弓检测方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015134344A1 (en) * | 2014-03-03 | 2015-09-11 | Ctpg Operating, Llc | System and method for storing digitally printable security features used in the creation of secure documents |
CN105389558A (zh) * | 2015-11-10 | 2016-03-09 | 中国人民解放军信息工程大学 | 一种视频检测方法及装置 |
FR3047451A1 (fr) * | 2016-02-09 | 2017-08-11 | Sncf Reseau | Procede, dispositif et systeme de detection de defaut(s) d’un pantographe d’un vehicule en mouvement sur une voie ferree |
CN107576325A (zh) * | 2017-08-25 | 2018-01-12 | 北京麦钉艾特科技有限公司 | 一种融合视觉里程计和磁传感器的室内定位终端 |
KR20180010581A (ko) * | 2016-07-21 | 2018-01-31 | 한화테크윈 주식회사 | 감시 데이터 제공 시스템 및 방법 |
CN107742288A (zh) * | 2017-10-11 | 2018-02-27 | 成都国铁电气设备有限公司 | 一种受电弓打弓缺陷检测方法及*** |
CN107870910A (zh) * | 2016-09-23 | 2018-04-03 | 河南蓝信科技股份有限公司 | 高铁轨旁设备添乘检查记录方法及其*** |
CN108664997A (zh) * | 2018-04-20 | 2018-10-16 | 西南交通大学 | 基于级联Faster R-CNN的高铁接触网等电位线不良状态检测方法 |
CN108955718A (zh) * | 2018-04-10 | 2018-12-07 | 中国科学院深圳先进技术研究院 | 一种视觉里程计及其定位方法、机器人以及存储介质 |
-
2019
- 2019-03-14 CN CN201910194392.2A patent/CN109934172B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015134344A1 (en) * | 2014-03-03 | 2015-09-11 | Ctpg Operating, Llc | System and method for storing digitally printable security features used in the creation of secure documents |
CN105389558A (zh) * | 2015-11-10 | 2016-03-09 | 中国人民解放军信息工程大学 | 一种视频检测方法及装置 |
FR3047451A1 (fr) * | 2016-02-09 | 2017-08-11 | Sncf Reseau | Procede, dispositif et systeme de detection de defaut(s) d’un pantographe d’un vehicule en mouvement sur une voie ferree |
KR20180010581A (ko) * | 2016-07-21 | 2018-01-31 | 한화테크윈 주식회사 | 감시 데이터 제공 시스템 및 방법 |
CN107870910A (zh) * | 2016-09-23 | 2018-04-03 | 河南蓝信科技股份有限公司 | 高铁轨旁设备添乘检查记录方法及其*** |
CN107576325A (zh) * | 2017-08-25 | 2018-01-12 | 北京麦钉艾特科技有限公司 | 一种融合视觉里程计和磁传感器的室内定位终端 |
CN107742288A (zh) * | 2017-10-11 | 2018-02-27 | 成都国铁电气设备有限公司 | 一种受电弓打弓缺陷检测方法及*** |
CN108955718A (zh) * | 2018-04-10 | 2018-12-07 | 中国科学院深圳先进技术研究院 | 一种视觉里程计及其定位方法、机器人以及存储介质 |
CN108664997A (zh) * | 2018-04-20 | 2018-10-16 | 西南交通大学 | 基于级联Faster R-CNN的高铁接触网等电位线不良状态检测方法 |
Non-Patent Citations (3)
Title |
---|
CHUL JIN CHO 等: "Video-based dynamic stagger measurement of Railway Overhead Power Lines Using Rotation-Invariant Feature Matching", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
LUONAN CHANG 等: "On-line Detection of Pantograph Offset Based on Deep Learning", 《2018 IEEE 3RD OPTOELECTRONICS GLOBAL CONFERENCE (OGC)》 * |
占栋 等: "电气化铁路接触网***坡度动态视觉测量方法研究", 《电子测量与仪器学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907734A (zh) * | 2021-03-09 | 2021-06-04 | 中南大学 | 基于虚拟crh380a模型和深度学习的teds故障检测方法 |
CN113192019A (zh) * | 2021-04-25 | 2021-07-30 | 台州智必安科技有限责任公司 | 一种基于紫外摄像头的列车受电弓检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109934172B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102759347B (zh) | 一种高铁接触网在线巡检装置、巡检方法以及其检测*** | |
CN105741291A (zh) | 一种高速铁路接触网悬挂装置等电位线故障检测方法 | |
CN113780312A (zh) | 一种高速公路路面状况检测*** | |
CN104268588B (zh) | 铁路货车闸瓦钎丢失故障的自动检测方法 | |
CN105426905A (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 | |
CN109448087B (zh) | 一种盾构隧道表面点云数据分段方法 | |
CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN110633678B (zh) | 一种基于视频图像的快速高效的车流量计算方法 | |
CN101329815A (zh) | 一种新型的交通路口四相位车流量检测***与方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN109934172A (zh) | 高速列车受电弓免gps全运行线故障视觉检测定位方法 | |
CN109360188A (zh) | 一种高铁接触网等电位线不良状态的检测方法 | |
CN108846331A (zh) | 一种动车组底盘螺丝紧固件是否脱落的视频识别方法 | |
CN103413439B (zh) | 一种基于视频的客车与货车分类方法 | |
CN112950532A (zh) | 一种列车受电弓状态检测方法 | |
CN105303162A (zh) | 一种基于目标建议算法的航拍图像绝缘子识别算法 | |
CN111681265B (zh) | 一种铁路受电弓和接触网的接触点在线检测方法 | |
CN104159088A (zh) | 一种远程智能车辆监控***及方法 | |
CN112711981A (zh) | 一种高精度输电线路缺陷识别方法 | |
CN115331000A (zh) | 一种基于orb算法的弓网运行状态检测方法 | |
CN105761507A (zh) | 一种基于三维轨迹聚类的车辆计数方法 | |
CN113033443B (zh) | 一种基于无人机的行人过街设施全路网自动化排查方法 | |
CN105335758A (zh) | 一种基于视频费舍尔向量描述符的车型识别方法 | |
CN103336965A (zh) | 基于轮廓差异及区块主方向直方图的前景与特征提取方法 | |
CN104616277A (zh) | 视频结构化描述中的行人定位方法及其装置 |
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 |